推理芯片战争：中美大模型公司为何集体下场造芯？

作者：快思慢想研究院 田丰，搜狐科技 梁昌均

引言

有一种生意，越做越亏，越亏越做。

2025年，OpenAI服务了全球数以亿计的用户，收入节节攀升，但净亏损同样触目惊心地达到385亿美元。更反常的是，这家公司总成本340亿美元中，研发一项就花了191.8亿美元，比全年收入还多出61亿美元；而用于支付推理算力账单的营收成本，一年之内暴涨了近三倍。每多一个用户，亏损的窟窿就再深一寸——这是一个结构性陷阱，不是短暂的成长阵痛。

解法只有一个——重新定义成本本身。

于是，OpenAI、Anthropic、DeepSeek、智谱，这四家代表着中美AI竞争最高水平的大模型公司，几乎同步走向了同一个出口：自研推理芯片。

一、算力账单，已触碰商业模型的承重极限

2025年6月，OpenAI正式发布首款自研AI芯片Jalapeño，采用台积电3nm工艺，与博通联合设计，从初稿到流片仅历时9个月。这款芯片不做训练，只做推理——专为大语言模型的实时生成场景设计，早期测试显示推理成本比英伟达主流GPU低约50%，性能与Blackwell架构相当。

Anthropic紧随其后。这家公司最新年化ARR已超过600亿美元，从2025年底约90亿美元出发，半年内增长近六倍——规模跃升的另一面，是推理账单的同步膨胀。据报道，Anthropic已与多家芯片设计公司接洽，计划采用三星2nm工艺，还从OpenAI初代自研芯片团队中挖来了核心工程师。

国内两家头部大模型公司的动向同样引人注目。DeepSeek的自研芯片项目约在一年前低调启动，已与芯片设计公司、晶圆代工厂和存储器供应商展开接触，方向锁定推理而非训练，同期还开启了非公开的芯片工程师招募。驱动DeepSeek提速的，是V4模型发布后调用量的骤然暴增。智谱的节奏更早期，正向国内多家芯片设计厂商发出初步咨询，评估为GLM系列模型定制专用处理器的可行性——背景同样是其GLM-5.2需求的爆发：公司年底ARR指引已达10亿美元，相比年初增长15倍。整个项目周期预计超过两年。两家公司均未公开回应，但入局意图已无法掩盖。

值得一提的是，马斯克旗下xAI此前同样被爆出计划于今年量产自研芯片，但随着xAI并入SpaceX、原有芯片团队随之解散，这款芯片能否最终面世，仍是未知数。这也提醒外界：从规划到量产，造芯从来不是一条平坦的路。

推动这场集体出走的，是同一个挑战。

快思慢想研究院分析指出，推理不同于训练：训练是一次性资本支出，是建楼；推理是长期运营成本，是水电费。随着AI从实验室工具演变为生产基础设施，每一个真实用户的每一次对话都是一次推理请求，每一个持续运行的AI Agent的每一秒都在消耗算力。OpenAI日均推理Token量已达数百亿级别，这意味着它每天向英伟达支付的算力账单是一个令人咋舌的数字——而这个数字，仍在随用户规模同步增长。

Anthropic的时间点尤其耐人寻味：其探索自研芯片的消息恰在收入陡增之际传出。

二、为什么是推理芯片，而不是训练芯片

在所有有据可查的自研芯片项目中，没有一家选择了训练芯片。

训练的本质是在海量数据上执行大规模矩阵乘法，对浮点算力峰值（FLOPS）要求极高，工作负载高度并行且可预期。英伟达GPU的SIMT（单指令多线程）架构，恰好为这类任务而生，CUDA软件生态经过二十余年积累，拥有超过400万名开发者，是真正意义上无可替代的计算基础设施。

推理则是另一类问题。大语言模型的自回归解码，每生成一个Token，都要从内存重新读取完整的模型权重参数。决定推理速度与成本的瓶颈，不是浮点算力，而是内存带宽与显存容量。一言以蔽之：训练芯片是算力越快越好，推理芯片是数据搬运越省越好。这是物理层面的分叉，决定了最优硬件设计的必然分化。

正是这一差异，让专用集成电路（ASIC）在推理场景中拥有了天然优势。ASIC的设计原则是"为单一任务硬布线"——前提是任务本身足够稳定可预测。推理面对的是已训练完成、即将长期运行的固定模型，负载稳定，可以围绕特定算子、内存访问模式和Token生成流程做定向优化，剔除通用GPU为兼容所有任务而保留的冗余控制逻辑，并将计算精度从训练常用的FP32/BF16压缩至推理够用的FP8甚至INT4，由此实现每次推理的能耗与成本优化。

Google的选择印证了这一判断。其第八代TPU已明确拆分为两条路线：TPU 8t主攻大规模训练，TPU 8i专为低延迟推理和强化学习优化——两条赛道，两套最优解。而Google从2015年开始设计AI专用芯片，直到2026年才推出第七代Ironwood，历时十多年才建立起自给自足的芯片能力，这是一个值得所有后来者正视的时间成本投入。

快思慢想研究院进一步指出，推理ASIC可将能效比提升30%至50%，整体推理成本较GPU集群降低40%至60%。博通测量数据显示，Jalapeño在OpenAI选定的工作负载上推理成本降低约50%，性能与英伟达Blackwell架构相当——方向可信，尚待独立基准验证。

但优势之外，局限同样清晰：

1.ASIC灵活性差，一旦模型架构发生重大变化，定制芯片可能迅速过时；

2.CUDA生态的迁移成本以年计、不以美元计；

3.量产经验、软件栈和供应链，与英伟达的成熟平台之间仍存在可见差距。

自研推理芯片是对特定高频工作负载的"定制精准投资"，英伟达GPU则是通用弹性的"瑞士军刀"，两者的关系是补充竞争，而非全面替代。

三、这笔账，划算吗——ROI的临界值在哪里？

芯片自研并非人人都能做的生意。

设计团队、EDA工具授权、7nm以下工艺单次流片费用动辄数千万美元、3到5年的市场迭代周期——这些固定成本构成了一道高门槛。快思慢想研究院研究发现，AI模型公司的运营效率最终取决于每一次Token生成的总系统成本。只有当模型日均Token产量达到百亿级别，芯片定制化才从可选项变为必选项。低于这个量级，固定成本无法被边际效益覆盖，ROI在财务上站不住脚。

华芯资本合伙人梁东健给出了一个更具体的工程估算：自研芯片全周期投入约需1亿至3亿美元；若年推理成本超过10亿美元、且模型架构相对稳定，降本50%大约半年即可收回投资。这个公式对OpenAI、Anthropic这类日均数以百亿计Token的公司成立；对规模尚在数十亿Token级别的中小模型公司，固定成本摊薄不足，ROI存疑，云服务仍是更务实的选择。

更难用金钱计量的，是自研芯片的隐性价值。

OpenAI在设计Jalapeño时，将对大语言模型基础原理的深度理解——长上下文处理、多步推理、MoE（混合专家）路由等独特的推理模式——直接嵌入了硬件逻辑，涵盖模型路线图、算子设计、服务系统和产品需求。这意味着模型研发团队的需求，能够直接影响下一代芯片的规格，实现"模型-芯片"协同进化。这是英伟达无法给予的能力——英伟达需要服务所有客户，设计必须兼顾通用性；自研芯片让模型公司把自身专属计算特征固化进硅片，是差异化护城河，不只是成本优化。

快思慢想研究院将这一价值定性为：自研芯片是大模型公司在购买未来竞争力的期权，而不是在立即参与芯片市场竞争。

四、联合设计：Fabless模式在AI时代的自然延伸

OpenAI的Jalapeño由OpenAI与博通联合开发，制造与系统集成则由博通和Celestica共同承担。这引出了一个争议：联合设计，算不算自研？

答案藏在分工的细节里。

芯片自研的核心是架构定义权，不是全栈制造能力。台积电、三星代工从来都是行业常态，ARM本身也不制造一颗芯片。Jalapeño的架构由OpenAI从零定义，博通和Celestica负责将这一架构工业化落地，包括物理设计、板级系统集成、高性能网络和规模化量产。分工明确：OpenAI定义"芯片要解决什么问题、用什么架构解决"，博通提供"把架构变成可制造硅片"的工程能力。这与苹果将A系列芯片委托台积电代工的逻辑完全相同，没有人质疑苹果A系列不是苹果自研。

博通和Marvell共同掌控着约95%的定制AI ASIC协同设计市场，Google TPU、Amazon Trainium走的都是相同路径。正是这套分工体系，让Jalapeño从初始设计到流片仅历时九个月——若自建完整团队从零出发，同样的工作需要两到三年。

快思慢想研究院判断，这一模式将成为中等规模模型公司进入芯片领域的标准路径。智谱向国内芯片设计公司发出咨询，评估为GLM系列模型定制处理器的可行性，正是OpenAI模式的国内简化版：模型公司提出需求，本土设计公司提供工程实现能力。

梁东健进而提出，未来AI企业造芯将形成三层格局：超大规模科技巨头走向完全自建（以Google为代表）；头部模型公司选择联合设计（OpenAI+博通）；规模不足的中小公司，直接采购云厂商服务。这三层并非优劣之分，是规模与资源匹配下的理性分化。

他还点明了一种估值逻辑——"芯片很热，自研能讲故事"。但他随即补充了清醒的判断：芯片是十年长跑，不是PPT概念，估值支撑靠的是技术和产品竞争力，而不是自研标签。

五、中美差异——一个是锦上添花，一个是雪中送炭

国内外大模型公司造芯的动因有共性，也有本质差异。

美国公司面对的是供应商定价权与算力资源分配权。英伟达B200现货价在高峰期超过5万美元一块、H100超过4万美元一块，优先供货权由英伟达单方面掌握。OpenAI、Anthropic再有钱，也无法绕开英伟达的排队队列。自研芯片给了它们供应链议价的底牌，是补充筹码，而非全面脱离英伟达。

中国公司面对的约束性质更硬。2025年4月，美国商务部宣布此前专为中国市场合规设计的H20芯片同样纳入出口管制，英伟达由此逐步退出中国高端AI芯片市场。DeepSeek转向华为昇腾应对，于2026年4月发布针对昇腾硬件深度优化的V4模型——但昇腾是次优解，而非理想解。DeepSeek自研芯片的目标，是同时减少对华为和英伟达的双重供给依赖。中国AI大模型公司造芯，是把战略供应链风险降到最低的唯一路径，而非纯粹的商业选择。

梁东健将这种差异概括得直截了当：国外是锦上添花——英伟达芯片管够，自研追求效率壁垒和差异化；国内是雪中送炭——高端GPU受限，自研是必选项，有着自主可控的现实诉求。

六、英伟达的战略张力——短期无忧，中期承压，长期看转型

这场造芯运动，最终指向的是对英伟达统治地位的供应链重塑。

在大模型公司入局之前，多家科技巨头已先行：Google、亚马逊、华为、百度、阿里，通过自建团队或合作模式各自占据了一席之地。最新进展是，与博通合作的Meta自研AI芯片计划在今年秋季量产，届时其算力部署规模有望翻倍。扎克伯格本人也明确否认算力过剩论，表示将加速算力部署——整个行业的造芯热潮，正在从大模型公司蔓延至更广泛的科技生态。

在训练侧，英伟达的护城河短期内无人能撼动。前沿模型训练需要高度复杂的分布式并行策略，CUDA是唯一成熟的编程模型和工具链，超过400万开发者的生态壁垒，迁移成本以年计。业内普遍预测训练领域将由GPU主导多年。

在推理侧，格局正在加速裂变。TrendForce数据显示，2026年定制ASIC市场增速达44.6%，远超通用GPU的16.1%；ASIC制造的AI服务器份额预计将达到27.8%，为2023年以来最高水位。分析机构Byteiota预测，英伟达在推理市场的份额可能从当前的80%左右，在2028年跌至20%至30%区间。这一预测偏于激进，但方向成立——每一家完成推理ASIC部署的公司，都将减少对英伟达推理算力的采购订单。快思慢想研究院的判断是：英伟达在推理端正从"唯一选择"变成"默认选择之一"，议价权将逐步下降。

英伟达的反击已经展开。斥资200亿美元收购推理芯片研发公司Groq，新一代芯片架构针对推理场景进行了专项优化，押注智能体浪潮的到来。这家公司深知自己的防线是让"替代成本始终高于依赖成本"——目前仍守得住，但窗口正在收窄。

重要的是，市场总量仍在高速扩张。AI加速器全球可寻址市场从2023年约550亿美元，攀升至2025年估计的1600亿美元，2026年正向2000亿美元以上迈进，推理有望占据全部支出的三分之二。前OpenAI政策主任、AI Index联合创始人Jack Clark曾指出，AI基础设施支出的总量增速，将长期快于任何单个供应商的市场侵蚀速度。Meta单家公司2026年资本支出指引即达1150亿至1350亿美元，同时采购定制ASIC和英伟达GPU——这是互补而非替代的双轨策略。即便英伟达推理端份额下滑，其绝对营收在总盘扩张的背景下仍可增长。而其真正的长期风险，在于训练范式出现根本性变革——这一天，当前尚未到来。

尾声

1965年，英特尔联合创始人戈登·摩尔提出了改变半导体行业走向的预言：集成电路上的晶体管数量每两年翻倍。摩尔定律的指数级曲线主导了此后半个世纪的技术进步。今天，驱动AI公司集体造芯的，是另一条更现实的曲线——每服务一个用户，成本就上升一格。

当算力从资本支出变成运营支出，当推理算力首次超越训练算力成为算力消耗的主角，大模型公司的生存逻辑就发生了根本性转变。芯片已不再只是基础设施的采购问题，而是下一代AI竞争的定义性能力。掌握推理芯片的架构定义权，意味着掌握了模型迭代速度、成本结构和差异化护城河的全部主动权。

这是被账单逼出来的战略自救——只不过，每一次被迫的选择，最终都改写了产业的格局。

参考文章：《OpenAI领跑、DeepSeek智谱入局，AI推理芯片成新战场，英伟达统治地位松动？》，搜狐科技，梁昌均

畅销书：《AI商业进化论：“人工智能+”赋能新质生产力发展》

出版社：人民邮电出版社

作者：田丰

帮助你定位AI当下发展坐标的指南针

帮助你洞察AI未来演进趋势的航海图

通俗化解读AI的原理、特性和四大发展规律、提供AI赋能商业、引发新质生产力变革的一手案例分析。既有宏观视角的全局观照，又有各行业应用层面的下探记录，聚焦AI的原理与实践、现在与未来，是当下AI应用的全景图、更是身处AI技术浪潮之中的探路书。