7 月 7 日，有兩條關於中國 AI 公司自研晶片的消息成為熱點新聞。
路透社獨家報導：DeepSeek 正在開發自己的晶片。消息援引三名知情人士稱，這枚晶片專注於推理（inference），而非訓練。報導指出，DeepSeek 已秘密招募晶片設計工程師，且未通過公開招聘渠道，同時正與外部代工廠和存儲廠商接觸。DeepSeek 對置評請求未予回應，此消息亦引發爭議，因目前僅有路透社單一信源。
同一天，《The Information》又報道，另一家中國實驗室智譜也在評估自研定制晶片。知情人士稱，原因是 GLM-5.2 需求的暴增。據《The Information》及多家媒體轉引，這款模型是 Vercel 模型聚合平台上增長最快的模型，上線首週日均 token 消耗一度飙升達 27 倍。智譜已與多家國內晶片設計公司進行初步接觸，但尚未選定合作方，據稱整個項目可能需要兩年以上。消息一出，智譜在港股當日一度漲約 9.9%。
當然，兩條訊息都仍處於早期評估階段，均無實物或定型設計。
實際上，DeepSeek 和 智譜 也非孤例。把鏡頭拉遠，你會發現「AI 公司想自己造晶片」在 2026 年已經從個別選擇變成了行業的默認動作：從大洋彼岸的 OpenAI、Anthropic，到國內的這兩家前沿實驗室，動作出奇地一致。這篇文章想回答的是：為什麼？
上個月，OpenAI 已經把晶片端上了桌
如果 DeepSeek 的消息還停留在傳聞層面，OpenAI 則已經把實物擺出來了。
6 月 24 日，OpenAI 與博通（Broadcom）聯合發布了 Jalapeño，這是 OpenAI 的第一枚自研晶片，同樣是一枚專為大模型推理設計的 ASIC（專用積體電路）。
OpenAI 硬體負責人 Richard Ho 表示，這枚晶片「從零開始為 LLM 推理而設計」，團隊圍繞核心、記憶體搬運、網路和服務模式做了針對性優化。
根據 OpenAI 的介紹，早期實驗室測試顯示，Jalapeño 的每瓦性能「大幅優於當前業界最先進水平」。不過該公司也承認，最終性能仍在測量中，詳細技術報告要等未來幾個月才發布，此類廠商自述的性能優勢，在第三方 benchmark 出來之前，只能算一面之詞。
有幾個細節值得注意。據 Tom's Hardware 報導，這枚晶片從設計到流片（tape-out）僅用了九個月，OpenAI 表示這可能是高性能先進半導體史上最快的 ASIC 開發週期；而加速這一週期的，正是 OpenAI 自己的模型：用 AI 來設計製造 AI 的晶片。
Jalapeño 計劃於 2026 年底開始部署，其基礎是與博通的一項 10 GW 規模合作，該合作預計於 2029 年完成。據報導，微軟預計將購買首批 Jalapeño 產能的約 40%。
Anthropic 正在猶豫，但也已出發
再看另一家前沿實驗室 Anthropic。今年 4 月，路透社率先報道 Anthropic 也在權衡自研晶片，措辭十分謹慎：計劃處於早期階段，公司甚至可能最終決定只買不造，尚未敲定設計，也未組建專門團隊。
但到了 7 月初，事情有了新進展。據多家媒體報導，Anthropic 已經開始和三星接觸，探討代工一枚定制晶片，據稱瞄準的是三星的 2 納米製程和先進封裝。
並且 Anthropic 最近挖角了 Clive Chan，而他是 OpenAI 自研晶片團隊的早期成員。
面對追問，Anthropic 的回應是：由谷歌、亞馬遜、英偉達晶片組成的「多元化硬體堆疊」仍將是其算力戰略的核心，對三星合作「不予進一步評論」。
這句官方聲明恰恰點出了自研晶片浪潮中最真實的一層動機。根據 The Information 的數據，英偉達掌握全球約 74% 的 AI 晶片市場；而 Anthropic 至今未製造過任何一顆自己的晶片，Claude 的每一次調用，運行的都是從合作夥伴那裡租用的晶片；而這些合作夥伴，同時也是它的競爭對手。
值得注意的是，Anthropic 探索自研的時間點，與其收入的陡增幾乎同步。據其自己披露，2026 年營運收入年化已超過 300 億美元，而 2025 年底還只有約 90 億美元。規模一旦達到這個量級，自研晶片的經濟賬才算得過來。
推理！推理！推理！
將 DeepSeek、智譜、OpenAI、Anthropic 的這些訊息並排觀察，會發現一個共同點：它們所研發的，全是推理晶片，而非訓練晶片。這並非巧合。
業界正在發生一場結構性轉移：算力消耗的重心，正從「訓練模型」轉向「運行模型」。訓練是一次性成本，而將模型服務於數百萬甚至數千萬用戶，則是持續不斷的開銷。根據 Introl 的行業分析，推理如今已佔據全部 AI 算力的約三分之二。
https://introl.com/blog/custom-silicon-inflection-2026-hyperscaler-asics-nvidia-gpu
而推理，恰恰是 ASIC 的主場。用《晶片戰爭》作者 Chris Miller 對 CNBC 的一個比喻來說：英偉達的 GPU 像一把瑞士軍刀，什麼並行計算都能幹；而 ASIC 像一件單一用途的工具，很高效、很快，但被硬線路鎖死只做一類活。訓練階段需要瑞士軍刀的靈活，因為模型架構還在變；可一旦模型定型、要拿去服務海量請求，那把「單一用途的工具」反而更省電、更便宜。
https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/
智能體（Agent）的爆發，進一步放大了這筆賬。MindCast AI 的一篇分析提出了一個有趣的區分：
傳統推理是「查詢成本」：一次提問、一次回答，結算完畢；
智能體是「循環成本」：用戶的一個目標，會觸發幾十甚至上百次推理調用，因為智能體要推理、規劃、檢索、執行。
圖片譯自 https://www.mindcast-ai.com/p/ai-inference-economy
當智能體大規模鋪開，訓練與推理之間的經濟不對稱，會以非線性的方式滾大。也因此，這家分析機構判斷：推理經濟學不是 2028 年才要操心的事，而是一個 2026 年就要做的採購決策。
一筆越來越算得過來的經濟賬
對於「為何要自己造」，業內其實已經有了相當具體的數字支援。
最直觀的案例來自 AI 圖像平台 Midjourney。據報導，Midjourney 將推理負載從英偉達 GPU 遷移至谷歌第七代 TPU 後，每月算力開銷從約 210 萬美元降至約 70 萬美元，降幅達 65%。將這一比例放大至每天執行數十億次查詢的超大規模廠商，正如一位分析師所言，投入數十億美元自研晶片，變成了一道「直白的財務計算題」。
這道題的答案，正在改變整個市場。根據 TrendForce 的預測，2026 年定制 ASIC 的出貨增速將達到 44.6%，而商用 GPU 僅有 16.1%——這也是定制晶片增速首次超過 GPU。Introl 引用彭博行業研究的數字則更宏觀：到 2033 年，整個 AI 加速器市場預計達到 6040 億美元，而定制矽片在其中的份額還在加速上升。
超大規模廠商早已用真金白銀投了票。谷歌的 TPU、亞馬遜的 Trainium、微軟的 Maia、Meta 的 MTIA……這些自研晶片各自服務著母公司的巨量推理負載。
https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/
據 CNBC 報導，Trainium 首席架構師 Ron Diamant 表示，亞馬遜這款 ASIC 相比 AWS 上其他硬體供應商有 30% 到 40% 的性價比優勢。
這些數字表明：當你的算力需求膨脹到超大規模時，晶片不再是成本項目，而是競爭壁壘本身。正如 Oplexa 的一篇分析所言，掌控自己的矽片，意味著掌控自己的性能路線圖、成本結構和供應鏈。這三者是任何採購訂單都換不來的。
擺脫英偉達，不只是省錢
如果說經濟賬是表面上的理由，那麼「不想把命運交給一家公司」則是浪潮底下更深的那股暗流。
英偉達的強勢，一部分來自晶片本身，更大一部分來自 CUDA。而 CUDA 是一套累積了二十多年的軟體生態。據 Spheron 的分析，幾乎所有嚴肅的 LLM 推理優化，從 FlashAttention 到 vLLM 裡的連續批次處理，都只運行在 CUDA 上。這套生態系統与其說是英偉達的護城河，不如說是任何想更換晶片的團隊要支付的「遷移成本」。據估算，將服務堆疊從 vLLM 移植到亞馬遜 Neuron SDK，通常需要兩到六週的工程時間，某些模型架構甚至根本不被支援。
https://www.spheron.network/blog/hyperscaler-custom-ai-chips-2026-trainium-tpu-maia-mtia-vs-nvidia-gpu/
正因為這道牆又高又厚，繞過它的動機才格外強烈。對超大規模廠商和前沿實驗室而言，每一份跑在自研晶片上的負載，都意味著更多利潤留在自己口袋裡，也意味著在和英偉達談價時多一分底氣。
TheStreet 的判斷頗為直白：正在改變的，是「AI 實驗室必須接受英偉達開出的任何價格和供貨條件」這個默認假設。微軟有 Maia，亞馬遜有 Trainium，谷歌有 TPU，而最新一批 AI 實驗室，如今也想為自己攢出同樣的籌碼。
中國實驗室還多面臨一道枷鎖
回到 7 月 7 日那兩條訊息。對 DeepSeek 和智譜而言，自研晶片除了上述所有理由，還共同面臨著一個它們的美國同行沒有的問題：出口管制。
另外值得一提的是，DeepSeek 這次自研的傳聞，恰好與其首次接受外部融資的節點重疊：該公司完成了一輪超過 500 億元的融資，估值超過 3300 億元。造晶片很燒錢，資金與晶片這兩件事同時發生，未必是巧合。
而智譜，則早在今年 1 月就已成為首家在港交所上市的中國 AI 實驗室。兩家都在為這場昂貴的豪賭，先把錢袋子準備好。
Can it succeed?
將這些線索收攏，「為何 AI 公司都想自己造晶片」這個問題，答案其實是幾股力量的合流：推理取代訓練成為算力主戰場，讓專用 ASIC 有了用武之地；智能體爆發把推理成本推向非線性膨脹，讓省下的每一分錢都被放大；而對英偉達的深度依賴，則讓所有人都想為自己攢一份議價的籌碼。對 DeepSeek、智譜這樣的中國公司，還要再加上出口管制問題。
但在熱潮之下，也該潑一盆冷水。自研晶片遠非穩贏。設計週期動輒 18 到 24 個月，前期工程投入巨大，還需要工作負載足夠穩定、可預測，才值得圍繞一個固定架構去設計。對於仍在試驗模型架構的初創公司，或是任務五花八門的普通企業，英偉達 GPU 的靈活性反而是更划算的選擇。
TechTimes 明確指出，那 40% 至 65% 的成本優勢，僅屬於每天執行數十億次查詢的巨頭；對於每周僅執行數萬次查詢的企業而言，這筆賬是相反的。
更值得追問的一個問題是：這場浪潮，究竟會削弱英偉達，還是只是給它「加了個補充位」？多數分析給出的答案偏向後者。據 Oplexa，到 2027 年 ASIC 出貨量或將在數量上超過 GPU，但兩個市場都會繼續增長：AI 基礎設施正在分岔成兩個不同的賽道：固定、高頻、可預測的負載歸 ASIC，研究、多樣、架構仍在演進的負載歸 GPU。英偉達依然牢牢握著訓練和絕大多數市場。
https://oplexa.com/custom-asic-market-2026-hyperscalers-ditching-nvidia/
DeepSeek 和 智譜 到底能否自製晶片，目前尚無答案，畢竟這兩則訊息本身仍處於早期評估階段。
但它們在同一天落地，像兩枚同時投進水面的石子，激起的漣漪照出了同一片焦慮：從舊金山到北京，在這個算力即權力的時代，沒有一家想活到下一轮的 AI 公司，願意把自己的命脈，永遠租在別人手裡。
本文來自微信公眾號「機器之心」（ID：almosthuman2014），作者：Panda