为什么AI公司都在抢着自研芯片？

7月7日，两条消息几乎同步浮现 同一天，两家中国前沿AI实验室——DeepSeek与智谱——被曝正评估自研专用芯片。这不是偶然的巧合，而是行业趋势在本土的一次集中显影。DeepSeek聚焦于推理场景，已悄然启动芯片设计人才招募，并接触代工厂与存储供应商；智谱则因GLM-5.2模型调用量激增，开始与国内多家芯片设计公司进行初步技术对接。两则消息均处于早期评估阶段：无实物、无架构定型、无量产时间表，但信号清晰——自研芯片，已成为头部AI公司的战略必选项。 全球节奏高度一致：从OpenAI到Anthropic 大洋彼岸，节奏更快。6月24日，OpenAI联合博通正式发布首颗自研芯片Jalapeño。它不是概念，而是已流片的ASIC，专为大语言模型推理优化，从设计到tape-out仅用9个月，背后是AI驱动芯片设计的新范式。该芯片计划2026年底部署，首批产能将由微软承购约40%。 Anthropic虽未官宣立项，但动作明确：已接触三星探讨2纳米制程代工，并挖来OpenAI芯片团队核心成员Clive Chan。其官方表态耐人寻味：“多元化硬件栈仍是核心”，既承认现状依赖英伟达、谷歌、亚马逊等第三方芯片，也暗示自研已是不可逆的路径选择。 为什么是推理？而不是训练？ 所有玩家瞄准的，都是推理芯片。这一选择根植于算力结构的根本性迁移——训练是一次性投入，推理是持续性支出。行业数据显示，当前AI算力消耗中，推理已占约三分之二。当模型上线、用户涌入、服务常态化，每一次token生成都在烧钱。而ASIC的本质，就是为固定任务“量体裁衣”：它不灵活，但极致高效；不通用，但功耗更低、成本更优。 智能体（Agent）的兴起进一步放大了这一逻辑。传统推理是“单次问答”，智能体却是“目标驱动的循环调用”——一次用户指令，可能触发数十甚至上百次模型推理。这种非线性增长，让推理成本不再是线性可预测项，而成为必须前置干预的战略变量。 一笔越来越直白的经济账 Midjourney将推理负载从英伟达GPU迁移至谷歌TPU后，月度算力开支下降65%。对日均数十亿次调用的平台而言，这不仅是节省，更是利润护城河。TrendForce预测：2026年定制ASIC出货增速达44.6%，首次超过商用GPU（16.1%）。超大规模厂商早已用真金白银投票——谷歌TPU、亚马逊Trainium、微软Maia、Meta MTIA，均已深度承载内部推理负载。亚马逊称Trainium相较第三方方案具备30%-40%性价比优势；控制自己的硅片，意味着掌控性能演进节奏、成本结构与供应链韧性——这三者，无法靠采购合同获得。 摆脱依赖，不止为了省钱 更深层的动因，在于对CUDA生态的结构性焦虑。CUDA不是一块芯片，而是一整套二十年沉淀的软件栈。几乎所有主流推理优化技术——FlashAttention、vLLM连续批处理——都深度绑定CUDA。迁移到其他平台，往往需数周工程重构，部分模型甚至无法适配。这种“生态税”，让任何想换芯的团队都面临高昂沉没成本。自研芯片，本质是一场主动突围：每一分跑在自有硬件上的负载，都在加固自主权，也在谈判桌上增加筹码。 中国实验室的额外挑战 DeepSeek与智谱还面临独特约束：出口管制。先进制程获取受限、高端AI芯片进口受阻，倒逼技术自主前移。值得注意的是，DeepSeek此次传出芯片动向，恰与其完成超500亿元融资、估值突破3300亿元同步；智谱则已于今年1月登陆港股，成为首家上市的中国AI实验室。资金准备与芯片布局，正在形成闭环——这是一场需要长期投入、高风险高回报的战略押注。 热潮之下，需保持清醒 自研芯片绝非万能解药。设计周期长达18–24个月，前期投入巨大，且高度依赖工作负载稳定、架构收敛。对仍在快速迭代模型的初创公司，或业务场景多变的企业，英伟达GPU的灵活性仍是更优解。那40%-65%的成本优势，只属于日均亿级调用的巨头；对中小规模应用，这笔账可能完全相反。 更关键的是，ASIC与GPU并非替代关系，而是分轨并行。Oplexa分析指出：未来AI基础设施将自然分化——高频、固定、可预测的推理负载归ASIC；研究导向、架构多变、需频繁实验的场景仍属GPU。英伟达仍将牢牢主导训练市场与通用加速领域。这场浪潮，不是要推翻GPU，而是为AI时代构建第二条确定性算力主干道。 结语：命脉，不能永远租出去 DeepSeek与智谱的两条消息，像两粒同时落水的石子。涟漪扩散之处，映照出同一份共识：在算力即权力的时代，没有一家志在长期的AI公司，愿意把核心服务能力，长久寄生于他人芯片之上。自研芯片，既是技术自主的必然选择，也是商业主权的底线争夺。路才刚开始，但方向已然清晰。