DeepSeek自研芯片，不是为了让模型更聪明

来源：市场资讯

（来源：点这里关注→刘润）

昨天，我们发了一篇文章，讨论了DeepSeek上市的事情。于是，也有很多读者留言，说最近DeepSeek宣布自研芯片，问我怎么看。

首先，DeepSeek大概率不是要盖晶圆厂，自己造芯片。

它做的，应该更多是芯片设计。因为从目前的报道看，DeepSeek做的，是招聘芯片设计工程师，接触代工、存储等企业。

而且它的目的，可能也和很多人讨论的“把模型做得更强”，不太一样。

因为DeepSeek着手研发的，是推理芯片，不是训练芯片。

都是芯片，为什么要分推理和训练？如果推理芯片没办法让模型更聪明，那采购就好了，为什么要花大力气自己做呢？

这可能因为，大模型的竞争，可能正从“模型能力”走向“使用效率”。而这个变化，也可能会给我们，带来巨大的新机会。

为什么这么说呢？

我们首先从今天的主角，推理芯片，开始讲起。

01

如果说训练是上学，推理就是出来工作

先了解两个不分家的基础概念：训练、推理。

如果把大模型看做一个小伙子，那训练就好比他寒窗苦读10年，学会了一堆知识。推理，就好比他出来工作，用学会的知识解决问题。

训练，是把模型教会。推理，是让模型干活。

DeepSeek之所以这么聪明，是因为在见你之前，工程师们已经用海量的数据，几个月不停的测试调优，陪它“上过学”了。

这个过程中用到的芯片，就是训练芯片。

可光上学也不行，你得上班才能养家糊口。于是，当用户打开对话框，提出问题之后，它就要一个字一个字往外吐答案。

这个过程中，提供实时算力支持的，就是推理芯片。

（图片为AI生成）

原来如此。可是，芯片为什么要分训练和推理？

很多大模型，本来就是用同一批GPU训练出来，再继续放在GPU上回答问题。今天很多训练芯片，本来就在跑推理。直接全干了，不是更方便？

问题不是能不能，而是划不划算。

训练和推理芯片，应用的重点其实完全不同。

你做训练的时候，不光要模型给答案，还要能回头，一层层传回错误，修改参数。所以对训练芯片来说，如何保存大量中间结果，让几千张、几万张芯片高速协同，更重要。

可要是做推理呢？模型已经训练好了，它不需要回答一个问题，就学习一遍。你更关心，怎么同时服务更多人，怎么少用一点电。所以，推理芯片需要更快响应，更低成本，却不需要那么高精度。

一颗芯片的面积就那么大，晶体管也就那么多。你把资源拿去支持训练，就不可能把推理效率也做到极致。

就像一辆重型越野车，起步慢，马力大。你说它能不能送外卖？当然可以。但它为了翻山越岭准备的四驱用不上，油耗和成本也高得吓人。

所以，所谓的推理芯片，就是专门为“干活”优化的芯片。它追求的，是模型回答得更快、服务更多人，成本更低。

如果你也关注芯片行业，你大概会知道，最近一段时间，关于推理芯片的新闻，其实并不少。

比如，Google在今年4月发布的TPU芯片V8，就专门分成了两个版本。分别用于推理和训练。前段时间，黄仁勋更是花了约200亿美元，和一家专门做推理的公司Groq，达成深度合作。

有意思。可问题是，推理从来都不是今天才有。ChatGPT、DeepSeek上线第一天，就已经在不停回答用户的问题。

为什么到了今天，似乎有越来越多的人，开始关注推理芯片？

02

大模型的竞争，正在从能力到效率

因为过去最重要的任务，是先把模型训练出来。现在更紧迫的问题，可能是怎么让更多人把模型用起来。

过去几年，大模型行业缺什么？缺足够好用的模型。

模型能不能听懂人话？能不能写代码？能不能把几百页资料读完，再给出分析？这些问题没有解决，速度再快、成本再低，也没意义。所以，大家自然会把主要资源，放在训练上。

但今天，情况似乎已经变化。

DeepSeek、千问，当然还算不上完美。但在写邮件、分析表格、修改代码这些日常任务里，已经跨过了能干活的关键门槛。

你问DeepSeek一个问题，它要推理一次，或者几次。程序员让它修改一段代码，它要推理很多次。公司把它接进客服系统，每天可能要完成几十万次、几百万次推理。

推理需求一旦变多，成本就开始严峻。

用户少的时候，拿训练芯片跑推理，哪怕每次多浪费点电，也没多大关系。可如果每天有几千万人使用，1次推理多花1分钱，也会变成笔巨大的成本。

所以，推理芯片突然变得重要，并不是因为训练不重要了。

恰恰是因为模型训练得越来越好了，开始有越来越多的人愿意使用它。所以，过去可以忍受的浪费，才会变贵。

（图片为AI生成）

大模型的竞争，也就从“谁的模型更聪明”，逐渐走向了另一个问题：谁能让这种聪明，被更多人更快、更便宜、更稳定地使用。

能力决定模型能不能上场，效率决定模型能不能普及。

嗯，明白了。

但是，市场上已经有那么多公司在做推理芯片，DeepSeek为什么不直接采购，非要花大力气，自己研发？

03

DeepSeek不是不采购，但不能只靠采购

因为推理芯片，或许正在变成DeepSeek的核心生产工具。

核心生产工具当然可以买，但不能永远只靠买。

为什么？我们算三笔账。

第一笔，是成本账。

自研芯片，是件投入非常大的事情。组建团队、设计、验证、流片，再到量产，每步都要花钱，第一次设计，也未必能成功。

所以，对大多数公司，采购现成芯片才更合理。

如果你的推理量不大，每天只有几万次调用，就算自研芯片能让每次推理便宜一点，也很难把前期巨大的研发投入省回来。

但对DeepSeek来说，这个问题就完全不一样了。

根据数据，DeepSeek的月活已经过亿。它的Token调用量，已经月超17万亿。每天的推理请求，可能要数十亿，甚至更高。

所以，当它自己研发芯片，它就可以把有限的芯片面积和电力，集中到最常进行的计算上。即便一次推理只省一分钱，但发生百亿次，也是几个亿的区别了。

小规模时，自研芯片是负担。大规模时，自研芯片是投资。

但省钱，还只是算今天的账。而模型，却会一直进化。

这就要算第二笔账：进化账。

推理芯片厂商，面对的是整个市场。它的芯片，要服务很多模型、很多客户，不可能只围绕DeepSeek下一代模型的发展方向设计。

但是，模型结构的变化，会不断对芯片提出新的要求。

举个例子。DeepSeek-V3，用了MoE，也就是混合专家架构。所有参数有6000多亿，但处理一个词，只会激活其中大约370亿。可是，哪些数据需要被频繁读取？计算单元和存储之间，怎样配合才能减少等待？

这些问题，在芯片上都有优化空间。

DeepSeek曾发表过相关研究：当模型继续扩大，存储容量、计算效率和芯片互联正在成为瓶颈。所以，以后需要更多硬件协同设计。

采购，是让模型适应芯片。自研，是让模型和芯片一起进化。

明白。可即便如此，DeepSeek也可以和芯片厂商长期合作，让厂商跟着模型迭代，为什么还要亲自下场？

这就是第三笔账：安全账。

只要芯片来自外部，那什么时候推新，什么时候交货，能提供多少产量，最终都不完全由DeepSeek决定。

推理需求不大的时候，交货晚一点，扩容就晚一点，都不算什么大问题。但当几千万人每天都在使用DeepSeek，就不一样了。芯片不够，用户就要等待。交付推迟，新模型的适配也会推迟。

前段时间，就有不少用户反映：融资赶紧到位吧，DeepSeek开始限制重生、修改次数了。还有网友做过统计，2026年，DeepSeek发生了至少18次服务异常，一个可能的原因，就是用户太多，但算力没跟上。

采购，只能解决战术问题。自研，才是战略级的安全阀。

这就是三笔账。

成本账，让它有理由做。进化账，让它有必要自己做。安全账，让它不能只靠别人做。

那这，又会给整个芯片行业，带来什么变化？

04

推理，把一场大战拆成了无数小战场

推理时代，可能给我们打开了一扇机会之窗。

为什么这么说？

因为今天的AI竞争，正在被推理这事，拆成无数小战场。在每个小战场，只要你吃透场景，就都有机会站住脚。

过去十年，芯片的主战场，是训练。

全世界，真正有能力训练大模型的公司，你掰着手指头就能数出来。它们要解决的问题，也很接近：怎么把几万张芯片连接起来，在尽可能短的时间里，把大模型训练出来。

而英伟达，已经把卷子答的非常完整了。

它不只有GPU，还有CUDA软件生态、芯片之间的高速互联，工程师已经使用多年的开发工具。你要换芯片，代码和工程经验，都要重新适配。

可如果说训练只有一张考卷，那推理就有无数道应用题。

你打开DeepSeek问问题，是推理。医院用模型整理病例，也是推理。以后，手机帮你实时翻译，电脑帮你总结文件，同样是推理。

而它们的需求，各自不同。

同样是推理，云端需要高并发，医院需要隐私，机场需要长时间稳定运行，便携设备还要控制体积、功耗和噪音。需求，完全不同。

场景越统一，通用芯片的优势越大。场景越分散，越需要有人进去，理解客户需要什么，再围绕需求设计产品。

前段时间，我就听江源科技的高管，分享了一个具体案例。

政府人员外出工作，需要用AI整理谈话资料。但数据不能上传，装着资料的机器，甚至不能离开人的视线。怎么办？那就把模型和推理芯片，装进一台手提设备里。你甚至，可以拎着它上飞机。

太妙了。

过去提到大模型算力，我们想到的都是一排排服务器，是巨大的数据中心里。但现在，一整套推理算力，已经可以被一个人拎着上飞机。

你说，这台设备需要的，是不是算力最高的芯片？当然不是。它在意的，是能不能全国产，是不是足够安全，能不能放进一个小箱子。

这就是机会所在。

过去，是芯片先定义能力，应用再想办法适配。但推理时代，越来越多的芯片，会从具体问题出发，沿场景反向生长。

（图片为AI生成）

这对国产芯片，尤其重要。

因为最懂中国医院、工厂和消费者需求的公司，就在国内。模型公司、应用公司和芯片公司之间，可以离得更近，反馈也可以更快。

推理带给国产芯片的，不只是一条绕开英伟达的捷径。它把一场决出总冠军才算赢的比赛，拆成了无数场规则不同的比赛。

最后的话

AI的上半场，比的是谁能把模型练出来。这个赛道上，玩家掰着手指头就数完了。我们一直在追赶，跌跌撞撞，非常辛苦。

但AI的下半场，比的可能是谁能把模型用好。这个赛道上，中国有一堆天然优势：最多的用户、最丰富的场景、最快的迭代速度……

所以，接下来的竞争，不只是谁能把模型做得更强。还要看谁能让模型更稳定，进入一个个具体场景。

医院需要隐私，机场需要稳定，手机需要低功耗，企业需要本地部署。国产芯片，未必能在所有指标上超过英伟达，但只要真正吃透一个场景，就可能先在这个场景里，成为更合适的选择。

当然，这并不是什么捷径。

芯片设计、软件生态、模型适配，任何一关都不好过。但它至少意味着，国产芯片不必继续在英伟达定义的赛道上，追赶同一个终点。

而这次DeepSeek自研芯片，可能就是一个明确的信号。

观点/ 刘润 主笔/ 景九 版面 / 黄静