2026年7月7日，路透社的一篇独家报道在全球科技圈投下了一枚重磅炸弹——中国AI大模型公司DeepSeek正在秘密开发自有AI推理芯片，项目已推进约一年时间。消息传出当天，英伟达盘前股价下跌约1.6%，对于一家市值超过3万亿美元的公司来说，这意味着上百亿美元市值的瞬间蒸发。
很多人第一反应是：DeepSeek也要造GPU了，要跟英伟达正面硬刚了？但如果仔细分析这件事的前因后果，你会发现这远不只是一个"造芯"的故事，而是整个AI产业从"算法竞赛"走向"全栈对抗"的标志性事件。
从早期依赖英伟达H800训练R1模型，到转向华为昇腾部署V4，再到如今亲自下场设计推理芯片，DeepSeek的算力路线变迁，几乎就是中国AI产业算力自主化进程的微缩样本。这背后折射出的，是全球AI竞争格局正在发生的深层变革。
2025年1月，DeepSeek凭借R1推理模型震动全球资本市场。这个以极低训练成本实现顶尖性能的大模型，让全世界看到了中国AI的实力。但很少有人知道，R1模型的底座是在英伟达H800芯片上训练的。而H800早在2023年底就被禁止出口到中国。
这意味着，DeepSeek在最辉煌的时刻，实际上面临着"无米下锅"的风险。创始人梁文锋曾在2024年直言："我们面临的问题从来不是钱，而是高端芯片被禁运。"这句话道出了中国AI企业共同的痛点——算法再强，没有算力支撑也是空中楼阁。
2026年2月，一个意味深长的变化出现了：DeepSeek在发布V4模型之前，打破行业惯例，没有向英伟达和AMD提供模型早期访问权限，转而让华为等中国芯片制造商提前数周开展软件适配优化。
华为昇腾全栈训推一体方案，芯片、CANN框架、集群服务器全链路自主，适合政企大规模部署。从表面看，DeepSeek完成了从英伟达到华为的"国产替代"切换。但问题在于，单纯切换供应商只是"换一个算力供给方"，并未实现底层自主可控。
关键数据：
• 华为昇腾芯片兼顾训练和推理，硬件配置大量倾斜训练任务
• 仅做线上推理时，硬件资源利用率不足60%
• DeepSeek V4 Flash每百万Token输出仅2元人民币，不到GPT-5.5的二十分之一
• OpenRouter平台数据显示，V4 Flash单周调用量达4.66万亿Token
据路透社报道，DeepSeek的自研芯片项目大约在2025年V3论文发布前后启动。那篇论文里有一节叫《硬件设计建议》，研究团队直接把需求写到了芯片层面。从那一刻起，DeepSeek就已经在为自研芯片埋下伏笔。
近几个月，DeepSeek加大了芯片设计工程师的招聘力度，但所有岗位均通过行业内推定向招募，没有在任何公开招聘平台挂出。这种"隐秘招人"的背后，一是芯片人才争夺战的白热化——寒武纪、海光、壁仞等公司早把人才市场"扫"过数轮；二是对芯片业务的谨慎，不愿过早暴露技术方向。
支撑这一计划的，是DeepSeek在2026年6月完成的约510亿元首轮外部融资，投后估值520亿至590亿美元之间。此前多年一直拒绝外部投资的公司，终于打开了钱袋子，核心目标明确瞄准自研AI芯片。
这是最直接的驱动力。海外先进芯片对华持续收紧出口管制，高端GPU采购渠道受限、供货周期不稳定，专供中国的特供芯片算力砍半、溢价严重。虽然现阶段DeepSeek将大部分推理业务迁移至华为昇腾，但单纯切换供应商只是换了个"房东"，并没有自己的"房子"。
自研推理芯片后，DeepSeek将拥有硬件设计自主权，形成英伟达、昇腾之外的第三条算力路线，彻底规避地缘管制、厂商断供、产能短缺带来的经营危机。这不是锦上添花，而是生存底线。
推理是大模型最持续、最大的开支项。海量用户调用API、智能体7×24小时运行，芯片采购、机房电费、硬件折旧能占到企业总运营成本70%以上。
英伟达通用GPU是"万能瑞士军刀"，兼顾训练、渲染、科学计算等几十类场景，为通用性付出了巨大的硬件冗余成本。而DeepSeek自研芯片只针对自家MoE混合专家架构、KV缓存、长文本解码等专属推理算子优化，砍掉多余计算单元。
行业测算数据显示，软硬件深度协同的专用推理芯片，同等Token吞吐下，硬件采购成本和机房功耗可下降40%-50%，单位调用成本直接腰斩。在当前大模型API市场价格战白热化的背景下，更低的推理成本意味着更强的定价优势和更宽的盈利空间。
通用芯片存在天然适配损耗。哪怕针对昇腾、英伟达做大量代码优化，硬件架构和大模型算法依旧存在底层隔阂，无法完全发挥模型性能。
DeepSeek从芯片架构阶段就匹配自家V4、代码模型、智能体运行逻辑，专门优化长文本、多轮对话、代码生成等高频推理流程，可以大幅降低交互延迟、提升服务器集群利用率。简单来说，外购芯片是"算法适配硬件"，自研芯片是"硬件为算法量身定做"。
面对当下爆发的AI智能体业务，低延迟、高并发是核心竞争力。定制化推理芯片能实现通用GPU达不到的响应速度，直接拉开产品体验差距。
DeepSeek的造芯路线极度务实——不跟风投入巨额资金攻坚高难度训练芯片，只聚焦推理赛道。研发门槛、资金投入大幅降低，试错成本更小。
当前全球AI竞争已经从单纯算法比拼，升级到"模型+算力硬件"全栈对抗。OpenAI、Meta、谷歌均已推出自研推理芯片。如果只做上层大模型算法，很容易陷入同质化内卷；自研专属推理芯片能构建独家技术壁垒，形成软硬件一体化闭环。
过去两年，大模型行业经历了一次明显的重心转移。第一阶段，所有公司都在拼训练——谁拥有更多GPU，谁就能训练更大的模型，谁就在排行榜上领先。训练虽然昂贵，但更像是一笔一次性的研发投入，模型训练完成之后可以服务无数用户。
真正改变行业成本结构的，是推理时代的到来。所谓推理，就是模型真正开始回答用户问题、生成代码、撰写文章、调用Agent完成复杂任务的整个过程。每一次聊天、每一次搜索、每一次自动生成内容，后台都会消耗一次推理算力。
如果说训练只发生有限次，那么推理几乎每时每刻都在发生。用户越多，调用越频繁，推理成本就越高。这意味着AI行业出现了一个与互联网时代截然不同的商业特征：互联网平台的边际成本通常越来越低，AI却恰恰相反——每增加一位活跃用户，都意味着更多Token需要生成，更多GPU需要持续运转。模型越成功，成本反而越高。
"未来不会再是'有什么GPU，就训练什么模型'，而是'模型需要什么能力，芯片就围绕它设计什么能力'。芯片不再只是提供算力，而是开始成为模型架构的一部分。"
DeepSeek并非孤例。全球AI头部企业正纷纷从"软件公司"向"系统公司"转型：
过去，人们以为这些公司之间竞争的是模型。今天，它们真正竞争的是整个计算系统。这场竞赛的终局，不是谁拥有最强的单颗芯片，而是谁能构建最高效的"模型+芯片"全栈体系。
就在DeepSeek造芯消息曝出的同一周，另一条重磅消息同样值得关注——中科曙光宣布中国首个全国产十万卡AI超集群"曙光8000（登峰）"正式落成，并同步接入国家超算互联网。这标志着中国AI基建正式迈入十万卡级部署阶段。
十万卡级集群的意义不仅在于规模，更在于它验证了国产芯片在大规模集群部署中的可行性。过去，业界一直担心国产芯片"单卡能用、集群不行"的问题，而曙光8000的成功落地，直接回应了这一质疑。
与十万卡集群同步推进的，是国产超节点架构的快速发展。所谓超节点，核心在于"总线级互联"与"平等协同"机制，使得万卡集群在逻辑上能够作为一台统一的计算机高效运行。
国产超节点最新动态：
• 华为Atlas 950 SuperPoD：单柜64卡，最大支持8192张NPU卡高速互联，互联带宽16.3PB/s
• 阿里云磐久AL128超节点：基于真武M890芯片，128-144颗GPU，通信时延低至百纳秒级
• 中兴Matrix超节点：联合曦智科技、壁仞科技等，基于OEX+dOCS架构
• 东方算芯：3D近存计算芯片，采用Hybrid Bonding封装技术，全国产供应链
国产厂商正通过超节点方案从"系统架构"层面寻求突破，有望实现对海外算力的追赶。这种思路的核心逻辑是：单颗芯片可能暂时追不上英伟达，但通过系统级创新，在集群层面实现等效甚至超越的性能。
DeepSeek造芯事件还揭示了一个更深层的趋势：AI芯片正在从"通用化"走向"定制化"。英伟达GPU的成功在于其通用性，但一把能完成所有工作的工具，很难针对某一种工作做到成本最低、效率最高。
随着大模型架构逐渐稳定，大量重复性的矩阵运算、KV Cache管理、专家路由等流程，完全可以围绕固定任务重新设计芯片。这正是DeepSeek选择做推理专用芯片而非通用GPU的根本原因。
未来，AI芯片市场可能会形成三层格局：
• 第一层：英伟达通用GPU，继续主导训练场景和通用计算
• 第二层：华为昇腾等国产全栈方案，主导政企市场和训练+推理混合部署
• 第三层：DeepSeek等模型厂商自研芯片，专注推理场景的极致效率
DeepSeek造芯消息对英伟达的冲击，不仅在于短期股价波动，更在于动摇了其"不可替代"的市场叙事。当全球最大的模型聚合平台上调用量最高的AI模型开始自研芯片时，其他厂商跟进只是时间问题。
但短期内，英伟达的统治地位不会被动摇。训练场景仍然高度依赖英伟达的CUDA生态和通用计算能力，自研芯片短期内无法替代这一角色。真正的竞争焦点在于推理市场——这是一个增量空间更大、成本敏感度更高的领域。
DeepSeek自研芯片需要与芯片设计企业、晶圆代工厂和存储厂商合作，这将直接带动国产芯片产业链的发展。目前已知的是，DeepSeek正在寻找代工合作伙伴，芯片设计团队也在持续扩充。
这对国内芯片设计公司（如寒武纪、海光等）、晶圆代工企业（如中芯国际等）、存储厂商（如长江存储等）都是实质性利好。一家头部AI公司的造芯需求，足以撬动整条产业链的技术进步和产能扩张。
如果自研推理芯片成功落地，推理成本的大幅下降将直接传导到AI应用层面。更低的Token价格意味着更多的应用场景变得经济可行——从个人AI助手到企业级智能体部署，从边缘计算到物联网AI，都将从中受益。
从这个角度看，DeepSeek造芯不仅仅是企业战略，更是推动整个AI产业从"能用"走向"用得起"的关键一步。
芯片设计是典型的"重资产、长周期、高风险"行业。从架构设计到流片、量产、大规模集群验证，通常需要2-3年时间和数十亿资金投入。DeepSeek目前的芯片项目仍处于早期阶段，短期内无法完全替代现有算力方案。
国内顶尖芯片设计人才本就稀缺，DeepSeek的隐秘招聘策略本身就说明了人才竞争的激烈程度。一支成熟的芯片研发团队需要架构师、验证工程师、后端设计、软件驱动等多个环节的协同，人才储备是最大瓶颈之一。
芯片的成功不仅取决于硬件性能，更取决于软件生态。英伟达CUDA经过十余年积累，拥有数百万开发者和海量工具链。DeepSeek自研芯片需要构建完整的软件栈，包括编译器、调试工具、性能分析器等，这需要时间和持续投入。
造芯不是一场短跑，而是一场马拉松。DeepSeek选择了正确的方向，但前方仍有漫长的路要走。重要的是迈出第一步的勇气，和持续投入的耐心。
DeepSeek自研推理芯片这件事，本质上是中国AI产业从"软件强"走向"软硬兼强"的必经之路。它不是要取代英伟达，也不是要替代华为昇腾，而是要在算力供给的版图上，为自己画出一条新的路线。
从更大的视角来看，全球AI竞争正在从"谁的模型更聪明"升级为"谁的计算系统更高效"。在这场竞争中，芯片不再是工具，而是竞争本身。DeepSeek迈出的这一步，或许在几年后回头看，会成为中国AI算力自主化进程中的一个关键转折点。
当然，我们也要保持清醒：造芯不是一蹴而就的事情。DeepSeek的芯片项目仍处于早期阶段，距离量产和应用还有很长的路要走。但正如那句话说的——"种一棵树最好的时间是十年前，其次是现在。"
算力自主是一场持久战，重要的是方向正确、持续投入、不急不躁。慢慢来，比较快。