先是路透社的独家：DeepSeek 正在研发自己的芯片。。。新闻援引三名知情人士，，，说这枚芯片瞄准的是推理（inference），，，而非训练。。。报道称，，，DeepSeek 已经在悄悄招募芯片设计工程师，，，且没有走果真招聘渠道，，，同时在和外部代工厂、存储厂商接触。。。DeepSeek 没有回应置评请求，，，也有所争议，，，由于这条新闻现在只有路透社简单信源。。。 统一天，，，The Information 又报道称，，，另一家中国实验室智谱也在评估自研定制芯片。。。知情人士称，，，原因是 GLM-5.2 需求的暴增。。。据 The Information 与多家转引，，，这款模子是 Vercel 模子聚合平台上增添最快的模子，，，上线首周日均 token 消耗一度飙升达 27 倍。。。智谱已经和多家海内芯片设计公司做了起源接触，，，但尚未选定相助方，，，据称整个项目可能需要两年以上。。。新闻一出，，，智谱在港股当日一度涨约 9.9%。。。 现实上，，，DeepSeek 和智谱也非孤例。。。把镜头拉远，，，你会发明「AI 公司想自己造芯片」在 2026 年已经从个体选择酿成了行业的默认行动：从大洋彼岸的 OpenAI、Anthropic，，，到海内的这两家前沿实验室，，，行动出奇地一致。。。这篇文章想回覆的是：为什么？？？？ 据 OpenAI 先容，，，早期实验室测试显示，，，Jalape?o 的每瓦性能「大幅优于目今业界最先进水平」。。。不过该公司也认可，，，最终性能仍在丈量中，，，详细手艺报告要等未来几个月才宣布，，，这类厂商自述的性能优势，，，在第三方 benchmark 出来之前，，，只能算一面之词。。。 几个细节值得注重。。。据 Tom's Hardware 报道，，，这枚芯片从设计到流片（tape-out）只用了九个月，，，OpenAI 称这可能是高性能先进半导体史上最快的 ASIC 开发周期；；
；而加速这个周期的，，，正是 OpenAI 自己的模子：用 AI 来设计造 AI 的芯片。。。 再看另一家前沿实验室 Anthropic。。。今年 4 月，，，路透社率先报道称 Anthropic 也在权衡自研芯片，，，语言很审慎：妄想处于早期阶段，，，公司甚至可能最终决议只买不造，，，尚未敲定设计，，，也没组建专门团队。。。 但到了 7 月初，，，事情有了新希望。。。据多家媒体报道，，，Anthropic 已经最先和三星接触，，，探讨代工一枚定制芯片，，，据称瞄准的是三星的 2 纳米制程和先进封装。。。 面临追问，，，Anthropic 的回应是：由谷歌、亚马逊、英伟达芯片组成的「多元化硬件栈」仍将是其算力战略的焦点，，，对三星相助「不予进一步置评」。。。 这句官方亮相，，，恰恰点出了自研芯片浪潮里最真实的一层念头。。。据 The Information 的数据，，，英伟达握着全球约 74% 的 AI 芯片市。。；；
；而 Anthropic 至今没造过一颗自己的芯片，，，Claude 的每一次挪用，，，跑的都是从相助同伴那里租来的芯片；；
；而这些相助同伴，，，同时也是它的竞争敌手。。。 值得注重的是，，，Anthropic 探索自研的时间点，，，和它收入的陡增险些同步。。。据其自己披露，，，2026 年运营收入年化已越过 300 亿美元，，，而 2025 年底还只有约 90 亿美元。。。规模一旦到了这个量级，，，自研芯片的经济账才算得过来。。。 行业里一个正在爆发的结构性转移是：算力消耗的重心，，，正从「训练模子」转向「运行模子」。。。训练是一次性本钱，，，而把模子服务给成百上万万用户，，，是一连一直的开销。。。据 Introl 的行业剖析，，，推理现在已经吃掉了所有 AI 算力的约三分之二。。。 而推理，，，恰恰是 ASIC 的主场。。。用《芯片战争》作者 Chris Miller 对 CNBC 的一个比喻来说：英伟达的 GPU 像一把瑞士军刀，，，什么并行盘算都醒目；；
；而 ASIC 像一件简单用途的工具，，，很高效、很快，，，但被硬连线锁死只做一类活。。。训练阶段需要瑞士军刀的无邪，，，由于模子架构还在变；；
；可一旦模子定型、要拿去服务海量请求，，，那把「简单用途的工具」反而更省电、更自制。。。 古板推理是「盘问本钱」：一次提问、一次回覆，，，结算完毕；；
；智能体是「循环本钱」：用户的一个目的，，，会触发几十甚至上百次推理挪用，，，由于智能体要推理、妄想、检索、执行。。。 当智能体大规模铺开，，，训练与推理之间的经济差池称，，，会以非线性的方式滚大。。。也因此，，，这家剖析机构判断：推理经济学不是 2028 年才要费心的事，，，而是一个 2026 年就要做的采购决议。。。 最直观的一个案例来自 AI 图像平台 Midjourney。。。据报道，，，Midjourney 在把推理负载从英伟达 GPU 迁徙到谷歌第七代 TPU 后，，，月度算力开销从约 210 万美元降到约 70 万美元，，，降幅 65%。。。把这个比例放大到天天跑数十亿次盘问的超大规模厂商身上，，，正如一位剖析师所说，，，投入数十亿美元自研芯片，，，就酿成了一道「直白的财务盘算题」。。。 这道题的谜底，，，正在改变整个市场。。。据 TrendForce 的展望，，，2026 年定制 ASIC 的出货增速将抵达 44.6%，，，而商用 GPU 只有 16.1%——这也是定制芯片增速首次凌驾 GPU。。。Introl 引用彭博行业研究的数字则更宏观：到 2033 年，，，整个 AI 加速器市场预计抵达 6040 亿美元，，，而定制硅片在其中的份额还在加速上升。。。 超大规模厂商早已用真金白银投了票。。。谷歌的 TPU、亚马逊的 Trainium、微软的 Maia、Meta 的 MTIA……这些自研芯片各自服务着母公司内部的巨量推理负载。。。 这些数字批注：当你的算力需求膨胀到超大规模，，，芯片不再是本钱项，，，而是竞争壁垒自己。。。正如 Oplexa 的一篇剖析所言，，，控制自己的硅片，，，意味着控制自己的性能蹊径图、本钱结构和供应链。。。这三样是任何采购订单都换不来的。。。 英伟达的强势，，，一部分来自芯片自己，，，更大一部分来自CUDA。。。而 CUDA 是一套积累了二十多年的软件生态。。。据 Spheron 的剖析，，，险些所有严肃的 LLM 推理优化，，，从 FlashAttention 到 vLLM 里的一连批处理，，，都只跑在 CUDA 上。。。这套生态与其说是英伟达的护城河，，，不如说是任何想换芯片的团队要付的「搬家本钱」。。。据估算，，，把服务栈从 vLLM 移植到亚马逊 Neuron SDK，，，往往要花两到六周工程时间，，，某些模子架构甚至基础不被支持。。。 正由于这道墙又高又厚，，，绕过它的念头才格外强烈。。。对超大规模厂商和前沿实验室而言，，，每一份跑在自研芯片上的负载，，，都意味着更多利润留在自己口袋里，，，也意味着在和英伟达谈价时多一分底气。。。 TheStreet 的判断颇为直白：正在改变的，，，是「AI 实验室必需接受英伟达开出的任何价钱和供货条件」这个默认假设。。。微软有 Maia，，，亚马逊有 Trainium，，，谷歌有 TPU，，，而最新一批 AI 实验室，，，现在也想为自己攒出同样的筹码。。。 回到 7 月 7 日那两条新闻。。。对 DeepSeek 和智谱而言，，，自研芯片除了上述所有理由，，，还配合面临着一个它们的美国偕行没有的问题：出口管制。。。 另外值得一提的是，，，DeepSeek 这次自研听说，，，恰恰和它首次接受外部融资的节点撞在一起：该公司完成一轮超 500 亿元融资，，，估值超 3300 亿元。。。造芯片很烧钱，，，钱和芯片这两件事同时爆发，，，未必是巧合。。。 把这些线索收拢，，，「为何 AI 公司都想自己造芯片」这个问题，，，谜底着实是几股实力的合流：推理取代训练成为算力主战场，，，让专用 ASIC 有了用武之地；；
；智能体爆发把推理本钱推向非线性膨胀，，，让省下的每一分钱都被放大；；
；而对英伟达的深度依赖，，，则让所有人都想为自己攒一份议价的筹码。。。 对 DeepSeek、智谱这样的中国公司，，，还要再加上出口管制问题。。。 但热潮之下，，，冷水也该泼一盆。。。自研芯片远非稳赢。。。设计周期动辄 18 到 24 个月，，，前期工程投入重大，，，还需要事情负载足够稳固、可展望，，，才值得围绕一个牢靠架构去设计。。。关于还在试验模子架构的首创公司，，，或是使命五花八门的通俗企业，，，英伟达 GPU 的无邪性反而是更划算的选择。。。 更值得追问的一个问题是：这场浪潮，，，事实会削弱英伟达，，，照旧只是给它「加了个增补位」？？？？大都剖析给出的谜底偏向后者。。。据 Oplexa，，，到 2027 年 ASIC 出货量或将在数目上凌驾 GPU，，，但两个市场都会继续增添：AI 基础设施正在分岔成两个差别的赛道：牢靠、高频、可展望的负载归 ASIC，，，研究、多样、架构还在演进的负载归 GPU。。。英伟达依然牢牢握着训练和绝大大都市场。。。 但它们在统一天落地，，，像两枚同时投进水面的石子，，，激起的涟漪照出了统一片焦虑：从旧金山到北京，，，在这个算力即权力的时代，，，没有一家想活到下一轮的 AI 公司，，，愿意把自己的命脉，，，永远租在别人手里。。。