DeepSeek自研芯片，不是為了讓模型更聰明

昨天，我們發了，討論了DeepSeek上市的事情。于是，也有很多讀者留言，說最近DeepSeek宣布自研芯片，問我怎么看。

首先，DeepSeek大概率不是要蓋晶圓廠，自己造芯片。

它做的，應該更多是芯片設計。因為從目前的報道看，DeepSeek做的，是招聘芯片設計工程師，接觸代工、存儲等企業。

而且它的目的，可能也和很多人討論的“把模型做得更強”，不太一樣。

因為DeepSeek著手研發的，是推理芯片，不是訓練芯片。

都是芯片，為什么要分推理和訓練？如果推理芯片沒辦法讓模型更聰明，那采購就好了，為什么要花大力氣自己做呢？

這可能因為，大模型的競爭，可能正從“模型能力”走向“使用效率”。而這個變化，也可能會給我們，帶來巨大的新機會。

為什么這么說呢？

我們首先從今天的主角，推理芯片，開始講起。

01

如果說訓練是上學，推理就是出來工作

先了解兩個不分家的基礎概念：訓練、推理。

如果把大模型看做一個小伙子，那訓練就好比他寒窗苦讀10年，學會了一堆知識。推理，就好比他出來工作，用學會的知識解決問題。

訓練，是把模型教會。推理，是讓模型干活。

DeepSeek之所以這么聰明，是因為在見你之前，工程師們已經用海量的數據，幾個月不停的測試調優，陪它“上過學”了。

這個過程中用到的芯片，就是訓練芯片。

可光上學也不行，你得上班才能養家糊口。于是，當用戶打開對話框，提出問題之后，它就要一個字一個字往外吐答案。

這個過程中，提供實時算力支持的，就是推理芯片。

（圖片為AI生成）

原來如此。可是，芯片為什么要分訓練和推理？

很多大模型，本來就是用同一批GPU訓練出來，再繼續放在GPU上回答問題。今天很多訓練芯片，本來就在跑推理。直接全干了，不是更方便？

問題不是能不能，而是劃不劃算。

訓練和推理芯片，應用的重點其實完全不同。

你做訓練的時候，不光要模型給答案，還要能回頭，一層層傳回錯誤，修改參數。所以對訓練芯片來說，如何保存大量中間結果，讓幾千張、幾萬張芯片高速協同，更重要。

可要是做推理呢？模型已經訓練好了，它不需要回答一個問題，就學習一遍。你更關心，怎么同時服務更多人，怎么少用一點電。所以，推理芯片需要更快響應，更低成本，卻不需要那么高精度。

一顆芯片的面積就那么大，晶體管也就那么多。你把資源拿去支持訓練，就不可能把推理效率也做到極致。

就像一輛重型越野車，起步慢，馬力大。你說它能不能送外賣？當然可以。但它為了翻山越嶺準備的四驅用不上，油耗和成本也高得嚇人。

（圖片為AI生成）

所以，所謂的推理芯片，就是專門為“干活”優化的芯片。它追求的，是模型回答得更快、服務更多人，成本更低。

如果你也關注芯片行業，你大概會知道，最近一段時間，關于推理芯片的新聞，其實并不少。

比如，Google在今年4月發布的TPU芯片V8，就專門分成了兩個版本。分別用于推理和訓練。前段時間，黃仁勛更是花了約200億美元，和一家專門做推理的公司Groq，達成深度合作。

有意思?？蓡栴}是，推理從來都不是今天才有。ChatGPT、DeepSeek上線第一天，就已經在不?；卮鹩脩舻膯栴}。

為什么到了今天，似乎有越來越多的人，開始關注推理芯片？

02

大模型的競爭，正在從能力到效率

因為過去最重要的任務，是先把模型訓練出來?，F在更緊迫的問題，可能是怎么讓更多人把模型用起來。

過去幾年，大模型行業缺什么？缺足夠好用的模型。

模型能不能聽懂人話？能不能寫代碼？能不能把幾百頁資料讀完，再給出分析？這些問題沒有解決，速度再快、成本再低，也沒意義。所以，大家自然會把主要資源，放在訓練上。

但今天，情況似乎已經變化。

DeepSeek、千問，當然還算不上完美。但在寫郵件、分析表格、修改代碼這些日常任務里，已經跨過了能干活的關鍵門檻。

你問DeepSeek一個問題，它要推理一次，或者幾次。程序員讓它修改一段代碼，它要推理很多次。公司把它接進客服系統，每天可能要完成幾十萬次、幾百萬次推理。

推理需求一旦變多，成本就開始嚴峻。

用戶少的時候，拿訓練芯片跑推理，哪怕每次多浪費點電，也沒多大關系?？扇绻刻煊袔浊f人使用，1次推理多花1分錢，也會變成筆巨大的成本。

所以，推理芯片突然變得重要，并不是因為訓練不重要了。

恰恰是因為模型訓練得越來越好了，開始有越來越多的人愿意使用它。所以，過去可以忍受的浪費，才會變貴。

（圖片為AI生成）

大模型的競爭，也就從“誰的模型更聰明”，逐漸走向了另一個問題：誰能讓這種聰明，被更多人更快、更便宜、更穩定地使用。

能力決定模型能不能上場，效率決定模型能不能普及。

嗯，明白了。

但是，市場上已經有那么多公司在做推理芯片，DeepSeek為什么不直接采購，非要花大力氣，自己研發？

03

DeepSeek不是不采購，但不能只靠采購

因為推理芯片，或許正在變成DeepSeek的核心生產工具。

核心生產工具當然可以買，但不能永遠只靠買。

為什么？我們算三筆賬。

第一筆，是成本賬。

自研芯片，是件投入非常大的事情。組建團隊、設計、驗證、流片，再到量產，每步都要花錢，第一次設計，也未必能成功。

所以，對大多數公司，采購現成芯片才更合理。

如果你的推理量不大，每天只有幾萬次調用，就算自研芯片能讓每次推理便宜一點，也很難把前期巨大的研發投入省回來。

但對DeepSeek來說，這個問題就完全不一樣了。

根據數據，DeepSeek的月活已經過億。它的Token調用量，已經月超17萬億。每天的推理請求，可能要數十億，甚至更高。

所以，當它自己研發芯片，它就可以把有限的芯片面積和電力，集中到最常進行的計算上。即便一次推理只省一分錢，但發生百億次，也是幾個億的區別了。

小規模時，自研芯片是負擔。大規模時，自研芯片是投資。

但省錢，還只是算今天的賬。而模型，卻會一直進化。

這就要算第二筆賬：進化賬。

推理芯片廠商，面對的是整個市場。它的芯片，要服務很多模型、很多客戶，不可能只圍繞DeepSeek下一代模型的發展方向設計。

但是，模型結構的變化，會不斷對芯片提出新的要求。

舉個例子。DeepSeek-V3，用了MoE，也就是混合專家架構。所有參數有6000多億，但處理一個詞，只會激活其中大約370億?？墒?，哪些數據需要被頻繁讀?。坑嬎銌卧痛鎯χg，怎樣配合才能減少等待？

這些問題，在芯片上都有優化空間。

DeepSeek曾發表過相關研究：當模型繼續擴大，存儲容量、計算效率和芯片互聯正在成為瓶頸。所以，以后需要更多硬件協同設計。

采購，是讓模型適應芯片。自研，是讓模型和芯片一起進化。

明白?？杉幢闳绱?，DeepSeek也可以和芯片廠商長期合作，讓廠商跟著模型迭代，為什么還要親自下場？

這就是第三筆賬：安全賬。

只要芯片來自外部，那什么時候推新，什么時候交貨，能提供多少產量，最終都不完全由DeepSeek決定。

推理需求不大的時候，交貨晚一點，擴容就晚一點，都不算什么大問題。但當幾千萬人每天都在使用DeepSeek，就不一樣了。芯片不夠，用戶就要等待。交付推遲，新模型的適配也會推遲。

前段時間，就有不少用戶反映：融資趕緊到位吧，DeepSeek開始限制重生、修改次數了。還有網友做過統計，2026年，DeepSeek發生了至少18次服務異常，一個可能的原因，就是用戶太多，但算力沒跟上。

采購，只能解決戰術問題。自研，才是戰略級的安全閥。

這就是三筆賬。

成本賬，讓它有理由做。進化賬，讓它有必要自己做。安全賬，讓它不能只靠別人做。

那這，又會給整個芯片行業，帶來什么變化？

04

推理，把一場大戰拆成了無數小戰場

推理時代，可能給我們打開了一扇機會之窗。

為什么這么說？

因為今天的AI競爭，正在被推理這事，拆成無數小戰場。在每個小戰場，只要你吃透場景，就都有機會站住腳。

過去十年，芯片的主戰場，是訓練。

全世界，真正有能力訓練大模型的公司，你掰著手指頭就能數出來。它們要解決的問題，也很接近：怎么把幾萬張芯片連接起來，在盡可能短的時間里，把大模型訓練出來。

而英偉達，已經把卷子答的非常完整了。

它不只有GPU，還有CUDA軟件生態、芯片之間的高速互聯，工程師已經使用多年的開發工具。你要換芯片，代碼和工程經驗，都要重新適配。

可如果說訓練只有一張考卷，那推理就有無數道應用題。

你打開DeepSeek問問題，是推理。醫院用模型整理病例，也是推理。以后，手機幫你實時翻譯，電腦幫你總結文件，同樣是推理。

而它們的需求，各自不同。

同樣是推理，云端需要高并發，醫院需要隱私，機場需要長時間穩定運行，便攜設備還要控制體積、功耗和噪音。需求，完全不同。

場景越統一，通用芯片的優勢越大。場景越分散，越需要有人進去，理解客戶需要什么，再圍繞需求設計產品。

前段時間，我就聽江源科技的高管，分享了一個具體案例。

政府人員外出工作，需要用AI整理談話資料。但數據不能上傳，裝著資料的機器，甚至不能離開人的視線。怎么辦？那就把模型和推理芯片，裝進一臺手提設備里。你甚至，可以拎著它上飛機。

太妙了。

過去提到大模型算力，我們想到的都是一排排服務器，是巨大的數據中心里。但現在，一整套推理算力，已經可以被一個人拎著上飛機。

你說，這臺設備需要的，是不是算力最高的芯片？當然不是。它在意的，是能不能全國產，是不是足夠安全，能不能放進一個小箱子。

這就是機會所在。

過去，是芯片先定義能力，應用再想辦法適配。但推理時代，越來越多的芯片，會從具體問題出發，沿場景反向生長。

（圖片為AI生成）

這對國產芯片，尤其重要。

因為最懂中國醫院、工廠和消費者需求的公司，就在國內。模型公司、應用公司和芯片公司之間，可以離得更近，反饋也可以更快。

推理帶給國產芯片的，不只是一條繞開英偉達的捷徑。它把一場決出總冠軍才算贏的比賽，拆成了無數場規則不同的比賽。

最后的話

AI的上半場，比的是誰能把模型練出來。這個賽道上，玩家掰著手指頭就數完了。我們一直在追趕，跌跌撞撞，非常辛苦。

但AI的下半場，比的可能是誰能把模型用好。這個賽道上，中國有一堆天然優勢：最多的用戶、最豐富的場景、最快的迭代速度……

所以，接下來的競爭，不只是誰能把模型做得更強。還要看誰能讓模型更穩定，進入一個個具體場景。

醫院需要隱私，機場需要穩定，手機需要低功耗，企業需要本地部署。國產芯片，未必能在所有指標上超過英偉達，但只要真正吃透一個場景，就可能先在這個場景里，成為更合適的選擇。

當然，這并不是什么捷徑。

芯片設計、軟件生態、模型適配，任何一關都不好過。但它至少意味著，國產芯片不必繼續在英偉達定義的賽道上，追趕同一個終點。

而這次DeepSeek自研芯片，可能就是一個明確的信號。

觀點/ 劉潤主筆/ 景九版面/ 黃靜

這是劉潤公眾號第3002篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途