Bakit ang mga pangunahing kumpanya sa AI ay nagtataglay ng mga custom chip sa 2026

Sa araw ng Hulyo 7, may dalawang balita tungkol sa sariling chip na nilikha ng mga Chinese AI company na naging trending.

Una sa Reuters: Binubuo ng DeepSeek ang sarili nitong chip. Batay sa tatlong taong may kaalaman, ang chip na ito ay nakatuon sa inference, hindi sa pagtatrabaho. Ayon sa ulat, nagpapalakas na ang DeepSeek ng mga inhinyero ng chip design nang tahimik at hindi sa pamamagitan ng pampublikong paghingi ng aplikasyon, samantala ay nag-uugnay din ito sa mga eksternal na manufacturer at supplier ng memorya. Hindi sumagot ang DeepSeek sa mga hiling para sa komento, at may kontrobersiya dahil ang balitang ito ay may iisang pinagkukunan lamang: Reuters.

Sa parehong araw, sinabi rin ng The Information na ang isang iba pang Chinese lab na Zhipu ay nag-e-evaluate din ng kanilang sariling custom chip. Ayon sa mga may kaalaman, ang dahilan ay ang biglaang pagtaas ng pangangailangan para sa GLM-5.2. Ayon sa The Information at maraming iba pang nag-uulat, ang modelo na ito ay ang pinakamabilis na lumalago sa platform na Vercel Model Aggregator, kung saan ang araw-araw na paggamit ng token ay tumaas ng hanggang 27 beses sa unang linggo ng paglulunsad. Ang Zhipu ay nagsagawa na ng mga preliminary na pag-uusap sa ilang lokal na kumpanya ng chip design, ngunit hindi pa napili ang kanilang partner. Ayon sa mga ulat, maaaring kailanganin ng proyektong ito ng higit sa dalawang taon. Pagkatapos maabot ang balita, tumataas ang Zhipu sa港股 sa isang pagkakataon ng halos 9.9%.

Kasaligan, ang dalawang mensahe ay nasa maagang pagtataya pa lamang at wala pang physical o finalized na disenyo.

Sa totoo lang, ang DeepSeek at Zhipu ay hindi ang mga tanging halimbawa. Iwanan natin ang malapit na pananaw, at makikita mo na ang “paggawa ng sariling chip ng mga AI company” noong 2026 ay naging default na aksyon ng industriya: mula sa OpenAI at Anthropic sa kabilang dulo ng karagatan, hanggang sa dalawang pioneering lab sa bansa, ang kanilang mga hakbang ay naging kasingkasing. Ang artikulong ito ay gustong sagutin: Bakit?

Kung ang mga balita tungkol sa DeepSeek ay nananatili sa antas ng alamat, ang OpenAI ay nagsalba na ng tunay na produkto.

Ika-24 ng Hunyo, inilabas ni OpenAI at Broadcom ang Jalapeño, ang unang sariling chip na nilikha ni OpenAI, na isang ASIC na disenyo para sa inference ng malalaking modelo.

Sinabi ni Richard Ho, head of hardware sa OpenAI, na ang chip na ito ay "nilikha mula sa zero para sa LLM inference", at ang koponan ay nag-gawa ng mga partikular na pagpapabuti sa core, memory movement, network, at service model.

Ayon sa OpenAI, ang mga maagang pagsubok sa laboratorio ay nagpapakita na ang bawat wat ng Jalapeño ay "nangunguna nang malaki kumpara sa kasalukuyang pinakamataas na antas ng industriya." Gayunpaman, kilala rin ng kumpanya na ang huling performans ay patuloy na sinusukat, at ang detalyadong teknikal na ulat ay ipapalabas lamang sa mga susunod na buwan. Ang ganitong uri ng pagkakasabi ng performans mula sa mga vendor ay maaaring tawagin lamang na isang panig ng kuwento hanggang sa lumabas ang mga third-party benchmark.

Mga detalye na dapat tandaan. Ayon sa Tom's Hardware, ang chip na ito ay mula sa disenyo hanggang sa tape-out ay nagtagal lamang ng siyam na buwan, at sinabi ng OpenAI na ito ay maaaring ang pinakamabilis na pag-unlad ng ASIC sa kasaysayan ng mga advanced na semikonduktor na may mataas na performance; at ang nagpabilis sa cycle na ito ay ang sariling model ng OpenAI: ang paggamit ng AI upang disenyo ang mga chip na gumagawa ng AI.

Ang Jalapeño ay plano na magsimula ng pag-deploy sa dulo ng 2026, na nakabase sa isang kooperasyon sa Broadcom na may sukat na 10 GW na tatapos sa 2029. Ayon sa mga ulat, inaasahan ng Microsoft na babili ng halos 40% ng unang kapasidad ng Jalapeño.

Tingnan ang isa pang avant-garde lab, Anthropic. Noong Abril ng taong ito, unang inihayag ng Reuters na ang Anthropic ay nag-aaral din ang paggawa ng kanilang sariling chip, ngunit may maliwanag na pag-iingat: ang plano ay nasa maagap na yugto, at maaaring pasyahan ng kompanya na bumili lamang at hindi gumawa, at hindi pa natutukoy ang disenyo o binuo ang espesyal na tim.

Ngunit noong unang bahagi ng Hulyo, may mga bagong pag-unlad. Ayon sa maraming media outlet, nagsimula na ang Anthropic na makipag-ugnayan sa Samsung upang pag-usapan ang paggawa ng isang custom chip, na inaasahan ay gagamitin ang 2-nanometer process at advanced packaging ng Samsung.

At binuksan din ni Anthropic si Clive Chan, na isang maagang miyembro ng tim ng OpenAI na nag-develop ng kanilang sariling chip.

Sa pagtugon sa mga tanong, ang sagot ni Anthropic ay: ang “diverse hardware stack” na binubuo ng mga chip mula sa Google, Amazon, at NVIDIA ay patuloy na magiging pundasyon ng kanilang estratehiya sa computing power, at sila ay “hindi magkakaroon ng karagdagang komento” tungkol sa pakikipagtulungan sa Samsung.

Ang pahayag na ito ay direktang inilalarawan ang pinakatotoong motibo sa alon ng pagbuo ng sariling chip. Ayon sa data ng The Information, may-ari ang NVIDIA ng humigit-kumulang 74% ng pandaigdigang merkado ng AI chip; habang ang Anthropic ay hindi pa nagbuo ng anumang sariling chip, at ang bawat paggamit ng Claude ay nagpapatakbo sa mga chip na inirere nt sa mga kasosyo; at ang mga kasosyo na ito ay parehong mga kalaban nito.

Mahalagang tandaan na ang pagtataya ng Anthropic sa pagbuo ng sarili nitong chip ay nagsimula sa parehong panahon na tumalon ang kanyang kita. Ayon sa kanilang sariling pagpapahayag, ang taunang operasyonal na kita noong 2026 ay lumampas na sa $30 bilyon, habang noong dulo ng 2025 ay nasa paligid ng $9 bilyon lamang. Kapag nakuha na ang ganitong sukat, mas maaaring maipaliwanag ang ekonomiks ng pagbuo ng sariling chip.

Kapag isinasaayos ang mga balita tungkol sa DeepSeek, Zhipu, OpenAI, at Anthropic nang paralelo, makikita mo ang isang karaniwang punto: ang lahat ng ito ay nagbuo ng mga chip para sa pag-iisip, hindi para sa pag-train. Ito ay hindi pagkakataon.

Isang structural shift na nangyayari sa industriya: ang pagkonsentra ng paggamit ng computing power, ay mula sa "pagtuturo ng model" patungo sa "paggamit ng model". Ang pagtuturo ay isang one-time cost, habang ang pagbibigay ng serbisyo ng model sa mga daan-daang libo o milyon ng user ay isang patuloy na gastos. Ayon sa industry analysis ni Introl, ang inference ay kasalukuyang kumakain ng halos dalawang-katlo ng buong AI computing power.

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

Ang pagpapasya, kung gayon, ay ang pangunahing larangan ng ASIC. Ayon sa isang metapora ni Chris Miller, may-akda ng “The Chip War,” sa CNBC: ang GPU ng NVIDIA ay parang isang Swiss Army Knife, kaya magagawa nito ang anumang paralel na pagkalkula; samantalang ang ASIC ay parang isang tool na may iisang layunin, napakaepektibo at mabilis, ngunit nakakabit nang pati na ang paggawa lamang ng isang uri ng gawain. Kailangan ng swiss army knife ang pagtuturo dahil ang arkitektura ng modelo ay patuloy na nagbabago; ngunit kapag naging matatag na ang modelo at kailangan nito na sirvin ang malaking bilang ng mga kahilingan, mas maliit ang enerhiyang ginagamit at mas mura ang “isang layuning tool.”

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

Ang pag-usbong ng mga agent ay nagdulot ng karagdagang pagpapalaki sa pagsasaulo na ito. Isang pagsusuri ng MindCast AI ay nagtatampok ng isang interesanteng pagkakaiba:

Ang tradisyonal na pag-iisip ay ang “gastos sa pagtanong”: isang tanong, isang sagot, natapos na ang pagkalkula;

Ang agent ay isang “cyclic cost”: ang isang layunin ng user ay maaaring mag-trigger sa dekada o higit pa sa mga pagtawag sa pag-iisip, dahil kailangan ng agent na mag-isip, magplano, mag-retrieve, at mag-execute.

Nakasalin sa larawan mula sa https://www.mindcast-ai.com/p/ai-inference-economy

Kapag ang mga agent ay ipinapalaganap sa malaking iskala, ang ekonomikong asimetrya sa pagtratamento at pag-iisip ay lalaki sa isang di-linearyong paraan. Dahil dito, tinukoy ng analitikal na ahensya na ang ekonomiks ng pag-iisip ay hindi isang bagay na dapat isipin lamang noong 2028, kundi isang desisyon sa pagbili na dapat gawin noong 2026.

Para sa “bakit magbuo ng sarili,” mayroon nang sapat na mga numero na sumusuporta sa industriya.

Ang pinakamadaling maintindihang halimbawa ay mula sa AI image platform na Midjourney. Ayon sa mga ulat, bago ang Midjourney ay lumipat ang kanilang inference load mula sa NVIDIA GPU patungo sa ika-7 henerasyon ng Google TPU, bumaba ang kanilang buwanang gastos sa computing power mula sa halos $2.1 milyon patungo sa halos $700,000, isang pagbaba ng 65%. Kapag i-extend ang proporsyon na ito sa mga malalaking kumpanya na nagpapatakbo ng milyon-milyon na query araw-araw, gaya ng sinabi ng isang analyst, ang pag-invest ng milyon-milyon dolyar para sa pagbuo ng sariling chip ay naging isang “direktang pagsusuri sa pondo.”

Ang sagot sa tanong na ito ay nagbabago sa buong merkado. Ayon sa pagtataya ng TrendForce, ang pagtaas ng paglalabas ng custom ASIC ay magiging 44.6% noong 2026, samantalang ang commercial GPU ay may 16.1% lamang—na naging unang pagkakataon na mas mataas ang pagtaas ng custom chip kaysa sa GPU. Ang Introl ay gumamit ng mas malawak na numero mula sa Bloomberg Industry Research: hanggang 2033, inaasahan na ang buong merkado ng AI accelerator ay magiging $604 bilyon, at patuloy na tumataas ang bahagi ng custom silicon dito.

Ang mga malalaking manufacturer ay nagsagawa na ng boto gamit ang totoong pera. Ang TPU ng Google, ang Trainium ng Amazon, ang Maia ng Microsoft, ang MTIA ng Meta... ang bawat sariling disenyo na chip ay naglilingkod sa malaking load ng paghuhusga sa loob ng kanilang mga magkakaparehong kompanya.

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

Ayon sa CNBC, sinabi ni Ron Diamant, pangunahing arkitekto ng Trainium, na ang ASIC na ito ng Amazon ay may 30% hanggang 40% na kabutihan sa halaga kumpara sa iba pang mga tagapagbigay ng hardware sa AWS.

Ang mga numero ay nagpapakita: Kapag lumalaki ang iyong pangangailangan sa computing power hanggang sa super scale, ang mga chip ay hindi na isang gastos kundi ang sariling hadlang sa kompetisyon. Tulad ng sinabi ng isang pagsusuri ng Oplexa, ang pagkontrol sa iyong sariling silicon ay nangangahulugan ng pagkontrol sa iyong sariling roadmap ng performance, struktura ng gastos, at supply chain. Ang tatlo ay hindi mababago sa anumang order ng pagbili.

Kung ang pagsusuri sa ekonomiya ay ang nakikita na dahilan, ang "hindi pagbibigay ng kapalaran sa isang kumpanya" ay ang mas malalim na ilalim na daluyan.

Ang lakas ni NVIDIA ay bahagyang dahil sa chip mismo, ngunit mas malaki ang dahilan sa CUDA. Ang CUDA ay isang software ecosystem na nakalikom ng higit sa dalawampung taon. Ayon sa pagsusuri ng Spheron, halos lahat ng seryosong optimisasyon sa LLM inference, mula sa FlashAttention hanggang sa continuous batching sa vLLM, ay tumatakbo lamang sa CUDA. Ang ecosystem na ito ay higit pa sa isang "moat" ni NVIDIA—ito ay ang "cost ng paglipat" na kailangang bayaran ng anumang tim na gustong palitan ang chip. Ayon sa pagtatantiya, ang pag-port ng service stack mula sa vLLM patungo sa Amazon Neuron SDK ay karaniwang nangangailangan ng dalawa hanggang anim na linggo ng engineering time, at ang ilang model architecture ay hindi pati na rin suportado.

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

Dahil sa mataas at makapal na pader, mas malakas ang motibasyon na iwasan ito. Para sa mga malalaking vendor at mga advanced na laboratorio, bawat load na nakakapagpapatakbo sa kanilang sariling chip ay nangangahulugan ng higit pang kita na nananatili sa kanilang bulsa, at higit pang lakas sa pagtawag sa NVIDIA.

Ang pagtataya ng TheStreet ay medyo direkta: Ang nagbabago ay ang default na aksiyoma na "kailangang tanggapin ng AI laboratories ang anumang presyo at kondisyon na ibinibigay ng NVIDIA." May Maia ang Microsoft, may Trainium ang Amazon, may TPU ang Google, at ang mga bagong henerasyon ng AI laboratories ay nagsisikap na magbuo rin ng parehong kapangyarihan para sa kanilang sarili.

Balik sa mga mensahe noong Hulyo 7. Para sa DeepSeek at Zhipu, maliban sa lahat ng nabanggit na dahilan, may karagdagang problema na hinarap nila at hindi kinakaharap ng kanilang mga kaaway sa Amerika: ang export controls.

Dagdag pa, ang mga alalahanin tungkol sa sariling pag-unlad ng DeepSeek ay tumutugma nang eksakto sa unang pagkakataon na ito ay tumanggap ng panlabas na pondo: natapos ng kumpanya ang isang pondo na higit sa 50 bilyong yuan, na may halaga na higit sa 3.3 trilyong yuan. Ang paggawa ng chip ay malaking gastos, at ang pagkakasabay ng mga bagay na ito—pera at chip—ay hindi basta-basta pagkakataon.

Samtang ang Zhipu, ay naging unang Chinese AI lab na nakalista sa Hong Kong Stock Exchange noong Enero ng taong ito. Pareho ay naghahanda ng kanilang mga bag na pera para sa mahal na taya.

Isumo ang mga patnubay na ito, ang sagot sa tanong na “Bakit gustong gumawa ng sariling chip ang lahat ng AI companies” ay ang pagkakasundo ng ilang puwersa: ang pagpapalit ng inference sa training bilang pangunahing harapan ng computing power, na nagbibigay-daan sa mga espesyalisadong ASIC; ang paglago ng mga agent ay nagpapataas ng gastos sa inference sa isang di-lineal na paraan, kaya ang bawat ipinaglalabang piso ay napapalaki; at ang malalim na pagkakasalig sa NVIDIA ay nagpapakilos sa lahat na maghanda ng kanilang sariling tawid sa pagtawid. Para sa mga Chinese company tulad ng DeepSeek at Zhipu, idagdag pa ang mga problema sa pagkontrol sa pag-export.

Ngunit sa ilalim ng tagumpay na ito, kailangan din ng isang baso ng malamig na tubig. Ang pagbuo ng sariling chip ay hindi talagang siguradong panalo. Ang cycle ng disenyo ay maaaring umabot sa 18 hanggang 24 buwan, at kailangan ng malaking pagsisikap sa unang yugto, pati na rin ang sapat at maipagpalagay na workload upang maging worth it ang pagdisenyo ng isang fixed architecture. Para sa mga startup na kasalukuyang nagtutry ng iba’t ibang model architecture, o para sa karaniwang mga kumpanya na may iba’t ibang gawain, ang flexibility ng NVIDIA GPU ay mas mabuting pagpipilian.

Sinabi nang TechTimes na ang 40% hanggang 65% na advantage sa gastos ay para lamang sa mga malalaking kumpanya na nagpapatakbo ng milyon-milyon na query araw-araw; para sa mga negosyo na nagpapatakbo ng ilang libo lamang ng query sa isang linggo, ang kalkulasyon ay kabaligtaran.

Mas mahalagang tanong: Ang pag-usbong na ito, ba ay magpapahina sa NVIDIA, o baka'y magdagdag lamang ito ng isang karagdagang posisyon sa kanya? Ang karamihan sa mga pagsusuri ay nagbibigay ng sagot na higit sa huli. Ayon sa Oplexa, hanggang 2027, ang bilang ng ASIC shipments ay maaaring lalampas sa GPU, ngunit magpapatuloy ang paglago ng parehong merkado: ang AI infrastructure ay naghihiwalay sa dalawang magkakaibang track: ang fixed, high-frequency, at predictable load ay para sa ASIC, habang ang research, diverse, at still-evolving architecture load ay para sa GPU. Patuloy pa ring may kontrol ang NVIDIA sa training at sa karamihan ng merkado.

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

Kung kaya ba ng DeepSeek at Zhipu na gumawa ng kanilang sariling chip, wala pa ring sagot ngayon, dahil ang dalawang balita ay nananatiling nasa maagang yugto ng pagtataya.

Ngunit nagkita sila sa parehong araw, tulad ng dalawang bato na isinalo sa tubig nang sabay-sabay, kung saan ang mga alon ay nagpapakita ng parehong pag-aalala: mula sa San Francisco hanggang Beijing, sa panahon na ang computing power ay kapangyarihan, walang isang AI company na gustong mabuhay sa susunod na ronda na handang mag-renta ng kanilang buhay sa iba.

Nakuha mula sa WeChat public account na "Machine Heart" (ID: almosthuman2014), may-akda: Panda