DeepSeek悄悄自研推理芯片一年了：不造GPU，只做推理，这是什么逻辑

7月7日，路透社爆了个料：DeepSeek已经在秘密自研AI推理芯片，项目启动大约一年了。消息一出，好多人第一反应是——DeepSeek要造GPU跟英伟达对着干了？

先说结论：不是造GPU，是造"专用推理加速器"

训练芯片和推理芯片，是两码事。训练大模型需要超高的算力密度、超大的内存带宽、超复杂的卡间互联——这是英伟达H100和B200的天下。但推理不一样。推理就是给模型一个输入，跑一次前向传播，输出结果。计算图是固定的，不需要那么高的通用性。

谷歌2016年就验证过这个逻辑。第一代TPU用28纳米制程，同期英伟达GPU已经16纳米了。但在推理任务上，TPUv1比CPU和GPU快了15到30倍，能效提升30到80倍。一块成熟制程的专用芯片，在固定任务上可以吊打先进制程的通用GPU。

所以DeepSeek拿出一颗14纳米甚至7纳米的推理芯片，在技术上是完全现实的目标。跟"造出H100的竞品"是两件完全不同难度的事。

过去两年，大模型行业的核心逻辑变了。以前拼的是训练——谁能训出更大的模型谁就赢。现在拼的是推理——谁能以更低的成本服务海量用户谁就赢。

训练是一次性投入，推理是持续性消耗。用户越多、Agent运行越久、Token吞吐越大，推理成本就像水电费一样持续累积。DeepSeek V4参数规模284B到1.6T，大规模对外服务时的推理算力消耗是巨大的。买通用GPU跑推理，就像开着卡车送快递——能送，但成本太高。

OpenAI已经先走了一步：6月联合博通发布了自研推理芯片Jalapeño，宣称可降低约50%的推理成本。9个月从设计到流片，速度惊人。全球AI头部公司——Google的TPU、Meta的MTIA、Amazon的Trainium——全都在自研芯片的路上。

DeepSeek这次的选择非常务实：不做训练芯片，只做推理芯片。训练芯片对精度和稳定性要求极高，一旦训练时精度崩了，烧掉的钱就白费了。推理芯片相对容易，因为是在已有模型权重基础上跑，即使芯片有不足，损失也小，可以慢慢迭代优化。

而且DeepSeek有独特的优势：他们最清楚自己的模型在推理时需要什么样的硬件。大规模MoE架构只激活少量专家、MLA压缩KV Cache、超长上下文的内存访问模式——这些模型层面的特性，可以直接指导芯片设计。不是"有什么GPU跑什么模型"，而是"模型需要什么，芯片就设计什么"。

说实话，这块芯片即使最终性能一般，量产时间一拖再拖，它的战略价值已经存在了。英伟达毛利率长期75%以上，靠的就是"你没得选"。DeepSeek只要手里有一张"我自己在搞"的牌，谈判桌上的议价能力就不一样了。这不是一家公司在造芯片，是整个AI产业在用脚投票。