值得一说的是，该公司已经在一年前就完成了布局。那么问题来了，从DeepSeek公司战略发展考虑，为什么要自研AI推理芯片？
训练芯片用来干什么？训练大模型，好比盖一栋大楼，需要几年时间、成千上万工人、巨额投资。训练芯片的难度像造F1赛车——需要在连续数月的满负荷运转中不出差错，一次中断造成的损失可能高达数百万美元。英伟达的CUDA生态积累了二十年，全球超过600万开发者都在这个体系上工作。这不是一家创业公司短期能挑战的。
推理芯片完全不同。 推理是你训练完模型之后，每一次用户提问、每一次AI回答，都在跑推理。训练是一次性投入，推理是持续性消耗。用户越多、调用越频繁，推理成本就越像水电费一样，月月交、年年交。
DeepSeek的模型以极低成本的高性能吸引了海量全球API调用，但推理算力的消耗正在指数级增长。有机构数据显示，生产环境中推理可占模型生命周期计算成本的80%到90%。
训练可以忍受等待，推理不行。因为用户不会等你。
2026年6月，DeepSeek完成成立以来的首轮外部融资，筹集约510亿元人民币（约74亿美元），投后估值在520亿至590亿美元之间。资金用途已经明确：扩建以国产芯片为主的算力中心、自研AI芯片、扩充全球顶尖人才团队。
钱到位了，人才也在招了。近几个月DeepSeek大幅增加芯片设计工程师的招聘名额，但所有岗位都不走公开招聘平台，全部依靠行业内推和私下邀约。同时，DeepSeek已与芯片设计公司、晶圆代工厂和存储厂商展开多轮接洽。这不是“想想而已”，是已经在干了。
还有一个很少有人提到的细节：DeepSeek在模型设计层面，早就为硬件协同做了铺垫。
算法团队在写模型的时候，就在想芯片的事了。这不是“先做模型再找芯片适配”，这是“模型和芯片一起设计”。
一旦自研芯片成功，DeepSeek得到的将不只是更低成本，而是对底层算力的完整控制权。围绕自己的算子结构、KV Cache管理、Prefill/Decode特征和内存访问做定向优化，效果会比任何通用芯片都好。
谷歌的TPU迭代到第八代时，首次把训练和推理拆成两条独立产品线。连谷歌都认为推理值得一条单独路线，DeepSeek走的路，方向是对的。
成本账：训练是一次性投入，推理是持续消耗。月活几千万，每一句对话都在烧钱。专用推理芯片能比通用GPU实现更低的功耗和更低的单位成本。
安全账：英伟达买不到，华为产能不够分，靠别人永远不踏实。自己造芯片，才能把命运攥在自己手里。
效率账：模型设计阶段就已经在考虑硬件特性了，软硬协同优化的空间，比买现成芯片大得多。
当然，挑战也很大。设计一款有竞争力的AI芯片通常需要数年时间和巨额资金投入，目前还不能保证成功。路透社的分析也指出，设计先进AI芯片的成本可能高达约5亿美元，这还只是设计、工程与验证阶段的投入，不意味着一定能顺利量产。
热门跟贴