前言：
如今，DeepSeek、智谱被推到「造芯」聚光灯下，风声背后真正升温的是一场关于成本、供给与技术节奏的控制权争夺。
推理芯片成为入口
近日，路透社援引匿名知情人士称，DeepSeek正在开发面向AI推理的自有芯片，项目约于一年前启动，目前仍处早期阶段。
报道提到，公司已同芯片设计、晶圆代工和存储企业接触，并通过非公开渠道招募芯片设计工程师。
训练像修建水库，投入集中、任务周期明确，模型架构还会频繁变化，对通用性、精度格式、集群互联和软件灵活度要求极高。
推理更像城市供水：模型上线后，每一次对话、搜索、代码补全、图片生成和智能体调用都在持续消耗算力。
用户规模扩大后，首Token时延、每秒输出Token数、并发量、单位Token成本和每瓦性能，会直接爬进产品毛利率。
中国智算云的增长已经把压力写进市场数据。IDC披露，2025年下半年中国AI IaaS市场规模达到288.0亿元，同比增长132.1%；全年规模为486.7亿元。
智谱的财报更具切肤感，公司2025年收入7.243亿元，同比增长131.9%；云端部署收入1.90亿元，同比增长292.6%，云端部署毛利率由2024年的3.3%升至18.9%。
业务放量与规模效应正在改善毛利，可研发投入31.80亿元、经调整净亏损31.82亿元，依然提醒市场：模型能力在舞台中央鼓掌，算力成本却一直坐在财务室里。
推理芯片的诱惑正在这里，稳定的大模型负载可以把通用GPU里用不到的能力裁掉，把晶体管、片上存储、内存带宽和互联资源集中到常用算子、低精度计算、KV Cache与MoE专家调度上。
定制芯片无须赢下所有基准测试，只要在自家模型、自家流量和自家机房里，把「每元能吐出多少Token」做得更漂亮，账就有机会算通。
Google早在2015年便把第一代TPU用于内部业务；AWS称第一代Inferentia实例相较可比EC2实例可实现最高2.3倍吞吐、推理成本最高降低70%；Meta也表示，面向排序与推荐推理负载的MTIA已在数据中心规模部署。
厂商口径不能直接横向比较，却共同说明一个朴素规律：拥有海量、稳定、可预测的负载，才有资格把芯片做成成本杠杆。
争夺「算法—硬件」闭环+成本曲线
DeepSeek下场的逻辑，藏在它既有的工程路径里。DeepSeek-V3采用6710亿总参数的MoE架构，每个Token激活370亿参数；通过MLA、FP8训练与通信优化，完整训练消耗278.8万H800 GPU小时。
这个数字仅对应该版本的正式训练过程，不能覆盖此前研究、试验、数据处理和基础设施投入，却足以展示其鲜明取向。与其只堆更多芯片，不如让模型架构、数值精度、算子和集群通信彼此咬合。
这正是DeepSeek适合定制推理芯片的地方，它掌握模型内部最细的负载画像：哪些算子最常出现，专家路由怎样移动数据，KV Cache如何吞噬显存，低精度格式会损失多少精度，通信在哪个环节堵车。
芯片厂商面对的是一片市场，模型厂商面对的是自己每天重复亿万次的计算。后者可以用模型结构去迁就硬件，也能用硬件设计反过来塑造下一代模型。
DeepSeek-V3.1公开采用UE8M0 FP8缩放格式，DeepGEMM项目持续优化FP8、FP4、BF16及MoE相关计算核心。
这些动作不能当作自研芯片的证据，却表明团队早已深入硬件感知优化。传闻中的推理芯片若推进，真正有价值的资产可能并非某个TOPS数字，而是模型、编译器、算子库与硅片共同迭代的闭环。
智谱面对的题目略有不同，它是上市公司，API与云端部署增长越快，市场越会追问毛利、资本开支和算力供给。
GLM-5已经完成对昇腾、摩尔线程、寒武纪、昆仑芯、沐曦、燧原等国产平台的深度推理适配与算子级优化；GLM-5.2又把适配范围扩展到更多国产算力平台。
对智谱而言，短期收益更可能来自「一模多芯」与采购议价，中长期才轮到定制芯片承担稳定的大规模推理负载。
两家公司看似走向同一条路，出发点并不完全重合。DeepSeek更像把极致工程效率继续向硅片下沉；智谱更像在商业化放量后，为成本与供给寻找长期锚点。
想给算力安上自主的保险栓
出口管制的持续收紧，让算力供应链的不确定性成为悬在所有国产AI公司头顶的乌云。
身处实体清单的智谱，已无法采购英伟达高端GPU，华为昇腾的产能供给也需排队等候，算力缺口直接限制了业务扩张节奏，官网Coding套餐长期处于供不应求的状态。
DeepSeek虽暂未受同等限制，但供应链政策的波动始终不可控，单一供应商依赖的风险随时可能引爆。
根据IDC 2026年4月发布的报告，2025年中国云端AI加速卡总交付量达400万片，其中国产厂商交付165万片，市场份额攀升至41%，英伟达的市场占比已从巅峰期的九成以上回落至55%。
亮眼数据的背后，训练场景的国产化率仍不足15%，高端算力的卡脖子困境远未真正破解。
两家企业下场造芯，并非要在短期内撼动现有市场格局，而是为自身算力供给搭建备用通道，把生存发展的底线攥在自己手中。
叠加3440亿元大基金三期对半导体产业的注入，以及各地智算中心采购的国产化倾向，跨界造芯的产业土壤正在逐步成熟。
「有一颗自己的芯」仍不等于算力自主
「自研」二字容易制造一种浪漫错觉，仿佛版图画完，供应链便自动归队，现实复杂得多。
一颗AI芯片要走进机房，需要架构设计、IP、EDA、验证、流片、晶圆制造、先进封装、高带宽存储、板卡、服务器、集群互联、驱动、编译器、算子库和推理框架连续配合。任何一环卡住，纸面算力都会变成昂贵的装饰画。
模型公司通常也不会亲手包办所有环节，更可行的路径是掌握架构定义与软硬协同，由专业设计服务、IP、制造和封装伙伴完成各自环节。
这里的「自主」应理解为更强的选择权、替代能力和迭代控制力，不能理解成闭门完成全产业链。
定制芯片还有一笔隐性成本：模型变化太快。今天为MoE、低精度和长上下文量身定做的架构，两年后可能遇上新的注意力机制、稀疏模式或智能体负载。
通用GPU贵，却能容纳变化；ASIC效率高，也容易被固化的设计边界反噬。模型公司需要同时押中技术路线、流量规模和量产节奏，难度像在疾驰的列车上铺轨。
结尾：
大模型公司与芯片设计企业谈需求、做可行性评估，已经具有战略意义。
只有样片跑通、软件栈成熟、服务器部署并形成稳定负载，才算真正握住一块可用的算力底座。
芯片行业不认热搜，硅片也听不懂口号。
部分资料参考：36氪：《DeepSeek、智谱被曝造芯，国产大模型绕开英伟达》，经济观察报：《大模型绕不开造芯路？》，InfoQ：《DeepSeek 被曝自研 AI 推理芯片，一年前已启动，正对接代工与存储厂商》，OFweek维科网：《智谱要自研 AI 芯片，大模型公司为何都往里卷？》
