编辑｜Panda

7月7日，前沿中国AI界迎来两则重磅消息，公司将“自研芯片”这一话题推至风口浪尖。都想

先是自己造芯路透社独家披露：DeepSeek正在秘密研发自研芯片。据三名知情人士透露，前沿该芯片主要面向推理（Inference）场景，公司而非训练。都想DeepSeek已绕过公开招聘渠道，自己造芯悄悄招募芯片设计工程师，前沿并与外部代工厂及存储厂商展开接触。公司尽管DeepSeek未予置评，都想且该消息目前仅由路透社单一信源证实，自己造芯但已引发市场热议。前沿

同日，公司The 都想Information报道，另一家中国头部实验室智谱也在评估自研定制芯片。消息指出，此举旨在应对GLM-5.2模型需求的爆发式增长。数据显示，GLM-5.2在Vercel模型聚合平台上上线首周日均Token消耗激增27倍，成为增长最快的模型。智谱已与多家国内芯片设计公司初步接洽，项目周期预计超过两年。受此利好提振，智谱港股股价当日一度上涨近10%。

尽管目前这两项计划均处于早期评估阶段，尚无实物或定型设计，但DeepSeek和智谱并非孤例。放眼全球，2026年“AI公司自研芯片”已从个别尝试演变为行业共识。从美国的OpenAI、Anthropic，到中国的DeepSeek、智谱，动作高度一致。本文旨在深入剖析这一现象背后的核心驱动力。

OpenAI率先亮剑：Jalapeño芯片落地

相较于传闻，OpenAI的行动更为务实。6月24日，OpenAI联合博通（Broadcom）正式发布Jalapeño，这是OpenAI首款自研芯片，同样定位为专为大模型推理设计的ASIC（专用集成电路）。

OpenAI硬件负责人Richard Ho表示，Jalapeño是“从零开始为LLM推理设计”的产品，团队针对内核、内存搬运、网络及服务模式进行了深度优化。

据OpenAI披露，早期实验室测试显示，Jalapeño的每瓦性能大幅优于当前业界最先进水平。不过，公司也承认最终性能数据仍在测量中，详细技术报告需待数月后发布。在第三方基准测试（Benchmark）出炉前，此类厂商自述的性能优势仅供参考。

值得关注的是两个关键细节：
1. 极速开发周期：据Tom's Hardware报道，Jalapeño从设计到流片（Tape-out）仅耗时9个月，创下高性能先进半导体史上最快ASIC开发纪录。这一速度的背后，是OpenAI利用自身AI模型辅助芯片设计（AI for Chip Design）。
2. 大规模部署计划：Jalapeño预计于2026年底开始部署，并锚定了一份规模达10GW、合作期至2029年的博通合作项目。据报道，微软将包揽首批Jalapeño产能的约40%。

Anthropic的权衡与行动

另一家前沿实验室Anthropic的态度则经历了从观望到行动的转变。今年4月，路透社曾报道Anthropic正在权衡自研芯片，当时措辞谨慎，称计划处于早期阶段，甚至可能最终选择“只买不造”，且尚未组建专门团队。

然而，7月初局势出现转机。据多家媒体报道，Anthropic已开始接触三星，探讨代工一枚定制芯片，目标指向三星的2纳米制程及先进封装技术。此外，Anthropic近期挖角了OpenAI自研芯片团队的早期成员Clive Chan。

面对媒体追问，Anthropic回应称，由谷歌、亚马逊、英伟达芯片组成的“多元化硬件栈”仍是其算力战略核心，对三星合作“不予进一步置评”。

这一表态揭示了自研芯片浪潮背后的深层动机：
* 市场垄断压力：据The Information数据，英伟达占据全球约74%的AI芯片市场。
* 供应链风险：Anthropic至今未拥有自研芯片，Claude的每一次调用均依赖合作伙伴提供的算力，而这些合作伙伴同时也是其竞争对手。
* 规模效应临界点：Anthropic自研探索的时间点与其收入激增同步。据其披露，2026年运营收入年化已突破300亿美元，而2025年底仅为90亿美元。只有达到如此规模，自研芯片的经济模型才具备可行性。

核心趋势：推理！推理！推理！

纵观DeepSeek、智谱、OpenAI、Anthropic的动作，一个共同点显而易见：它们聚焦于推理芯片，而非训练芯片。这并非巧合，而是行业结构性转移的必然结果。

1. 算力重心转移

算力消耗的重心正从“训练模型”转向“运行模型”。训练是一次性成本，而服务海量用户则是持续不断的开销。据Introl行业分析，推理已占据全部AI算力的约三分之二。

https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu

2. ASIC vs GPU：效率之争

推理场景正是ASIC的主场。《芯片战争》作者Chris Miller曾比喻：
* 英伟达GPU：像“瑞士军刀”，灵活通用，适合架构多变的训练阶段。
* ASIC：像“单一用途工具”，高效、快速，但功能固定。

当模型定型并需服务海量请求时，ASIC凭借专用架构，在功耗和成本上远超通用GPU。

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

3. 智能体（Agent）带来的成本爆炸

智能体的爆发进一步放大了推理的经济账。MindCast AI提出区分：
* 传统推理：“查询成本”，一次提问，一次结算。
* 智能体推理：“循环成本”，一个用户目标可能触发数十至上百次推理调用（涉及推理、规划、检索、执行）。

图片译自 https://www.mindcast-ai.com/p/ai-inference-economy

随着智能体大规模铺开，训练与推理之间的经济不对称性呈非线性扩大。分析机构判断，推理经济学已成为2026年必须做出的采购决策，而非2028年的远期议题。

经济账：自研芯片的财务逻辑

“为何自研”的答案，隐藏在具体的数字中。

案例：Midjourney的成本优化
据报道，Midjourney将推理负载从英伟达GPU迁移至谷歌第七代TPU后，月度算力开销从约210万美元降至70万美元，降幅达65%。对于日处理数十亿次查询的超大规模厂商而言，投入数十亿美元自研芯片，是一道清晰的财务计算题。

市场预测
* 增速对比：据TrendForce预测，2026年定制ASIC出货增速将达44.6%，远超商用GPU的16.1%，定制芯片增速首次超越GPU。
* 市场规模：Introl引用彭博行业研究数据，到2033年，AI加速器市场预计达6040亿美元，定制硅片份额加速上升。

巨头已用真金白银投票
谷歌（TPU）、亚马逊（Trainium）、微软（Maia）、Meta（MTIA）等超大规模厂商早已通过自研芯片掌控内部巨量推理负载。

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

据CNBC报道，亚马逊Trainium首席架构师Ron Diamant表示，相比AWS其他硬件供应商，Trainium具备30%-40%的性价比优势。

这表明：当算力需求膨胀至超大规模，芯片不再仅是成本项，而是竞争壁垒。控制自研硅片，意味着掌控性能路线图、成本结构和供应链，这是任何采购订单无法替代的。

摆脱依赖：超越省钱的安全感

如果说经济账是明面理由，那么“不愿将命运交由单一供应商”则是更深层的暗流。

英伟达的强势不仅源于硬件，更源于CUDA生态。这套积累二十多年的软件生态构成了极高的迁移壁垒：
* 几乎所有严肃的LLM推理优化（如FlashAttention、vLLM连续批处理）均基于CUDA。
* 将服务栈从vLLM移植至亚马逊Neuron SDK，通常需2-6周工程时间，且部分模型架构可能不被支持。

https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/

高墙之下，绕过它的动机愈发强烈。对超大规模厂商而言，自研芯片意味着：
1. 利润留存：更多利润留在内部。
2. 议价筹码：在与英伟达谈判时拥有更多底气。

TheStreet直言不讳：正在改变的是“AI实验室必须接受英伟达任何价格和供货条件”的默认假设。微软、亚马逊、谷歌已拥有自研芯片，最新一批AI实验室正试图复制这一路径，以获取同等筹码。

中国实验室的特殊枷锁：出口管制

回到7月7日的消息。对DeepSeek和智谱而言，自研芯片除了上述通用理由，还面临美国同行没有的特殊约束：出口管制。

此外，时间点的巧合耐人寻味：
* DeepSeek：自研传闻与其完成超500亿元外部融资（估值超3300亿元）节点重合。造芯片烧钱，资金与芯片战略同步推进并非偶然。
* 智谱：今年1月成为首家在港交所上市的中国AI实验室，提前为这场昂贵豪赌储备了资金。

冷思考：自研并非稳赢

热潮之下，需保持清醒。自研芯片远非无风险之路：
1. 周期长、投入大：设计周期通常需18-24个月，前期工程投入巨大。
2. 适用性限制：仅当工作负载足够稳定、可预测时，围绕固定架构设计才具性价比。对于架构多变的初创公司或任务多样的普通企业，英伟达GPU的灵活性仍是更优解。

正如TechTimes所指出的，40%-65%的成本优势仅属于日处理数十亿次查询的巨头；对于低频用户，这笔账可能完全相反。

未来格局：互补而非替代

更值得追问的是：这场浪潮会削弱英伟达，还是为其“补充位”？多数分析倾向于后者。

据Oplexa预测，到2027年，ASIC出货量或在数量上超过GPU，但两个市场将共同增长。AI基础设施正分化为两条赛道：
* ASIC：固定、高频、可预测的负载。
* GPU：研究、多样、架构持续演进的负载。

英伟达仍将牢牢掌控训练市场及绝大多数通用场景。

https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/

DeepSeek和智谱能否成功造出芯片，目前尚无定论，毕竟消息尚处早期评估阶段。但它们在同一天落地，如同两枚投入水面的石子，激起的涟漪映照出同一片焦虑：

在算力即权力的时代，从旧金山到北京，没有一家想活到下一轮的AI公司，愿意将自己的命脉，永远租赁于他人之手。