2026年7月7日至8日，两家中国头部大模型厂商的自研芯片消息引发行业震动。据路透社7日报道，三位知情人士透露DeepSeek正在自研AI推理专用芯片，以减少对英伟达和华为芯片的依赖，该项目约一年前已秘密启动，目前处于早期研发阶段。紧接着，美媒The Information在7月8日报道，智谱在其GLM系列AI模型需求激增的背景下，正在评估自研定制AI芯片的可能性。这两则消息叠加在一起，揭示了一个清晰的行业趋势：大模型厂商自研芯片正在从个例变成全球性趋势。在DeepSeek和智谱之前，OpenAI已在6月24日正式发布了首款与博通联合设计的定制推理芯片Jalapeño，Anthropic也与三星在2nm制程AI芯片方面达成合作。如果说芯片自研在过去只是少数顶尖AI公司的专利，那么现在它正在成为大模型厂商的标配战略。
据知情人士透露，DeepSeek的自研芯片项目约在一年前启动。当时全球AI芯片市场正经历一轮严重的供需失衡。一方面，美国对华芯片出口管制持续升级，获取最新款英伟达AI芯片的难度越来越大；另一方面，DeepSeek的用户规模和API调用量正处于指数级增长阶段，推理成本的压力日益沉重。在这种双重压力下，DeepSeek做出了自研芯片的战略决策。DeepSeek的造芯策略与OpenAI和Anthropic的不同之处在于其极致的务实性。与OpenAI在Jalapeño芯片上追求的通用高性能不同，DeepSeek将所有的产能和研发人力全部投入到了推理专用芯片上。知情人士透露，DeepSeek的芯片设计围绕大语言模型推理的典型负载特征进行了深度优化定制，针对注意力机制和前馈神经网络等核心计算模式做了专门的硬件加速设计。DeepSeek为自研芯片项目组建了一个精干的团队，近几个月低调招募芯片设计工程师和架构师，但所有招聘均通过私下渠道进行。DeepSeek已与芯片设计企业、晶圆代工厂和存储企业展开了初步接洽。DeepSeek自研推理芯片的出发点不仅是为了降低对英伟达的依赖，更重要的是通过软硬件协同优化来降低推理成本。
与DeepSeek已经启动项目不同，智谱目前尚处于"评估阶段"。但智谱面临的算力困境与DeepSeek如出一辙。过去一年间，智谱的GLM系列模型在市场和用户中获得了爆发式的增长。据智谱官方数据，GLM系列模型的日均API调用量较年初增长了5倍。用户规模的迅速膨胀带来的是对算力资源的持续渴求。GLM模型的推理任务主要运行在云端GPU集群上，而AI算力的获取成本在中国市场同样面临供需矛盾。智谱评估自研芯片的另一个考量因素是实现AI软硬件的协同优化。智谱认为，如果能够在芯片架构层面就针对GLM模型的计算特点进行优化设计，有望在大幅提升推理效率的同时显著降低单位Token的推理成本。这在大模型厂商API价格战愈演愈烈的2026年具有极高的商业价值。智谱的自研芯片路径可能与DeepSeek类似——同样先聚焦推理场景。对于智谱来说，训练芯片的研发投入过高、周期过长，而且训练场景对芯片的算力规模和集群部署能力要求极高，短期内实现自主研发的可行性有限。而推理芯片的研发难度和投入门槛相对较低，且可以和智谱现有的GLM模型生态更加紧密地整合。智谱在评估了多种方案后，可能选择与国内AI芯片设计公司合作开发定制芯片，而不是完全从零起步搭建芯片研发团队。
DeepSeek和智谱的造芯动向并非个例，而是全球AI大模型厂商集体下场造芯浪潮的一部分。2026年上半年，OpenAI率先发布了首款自研推理芯片Jalapeño。该芯片与博通联合设计，专注于AI大模型的推理加速，目前已经生产出实验室样品，计划在2026年底进行大规模部署。Anthropic则选择了与三星合作，将自研AI芯片定在三星2nm制程工艺上，通过三星的先进制造能力来获得AI芯片的定制化优势。Google则通过自研的TPU芯片早已在AI芯片自主化方面走在了最前列。大模型厂商集体下场造芯，背后有着深刻的产业逻辑。最核心的驱动力是降低成本。大模型厂商是AI芯片的超级用户，它们的业务运营依赖于海量的AI推理算力。以DeepSeek为例，其每周的Token调用量达到数万亿级别，对应的推理成本如果全部使用第三方芯片，每年的支出将达到数十亿元人民币。通过自研芯片，大模型厂商可以在芯片设计层面就对自身的模型计算特点进行针对性优化，实现软硬件的深度协同，从而将单位Token的推理成本降低一个量级。第二个驱动力是供应链安全。在中美科技竞争加剧的大背景下，AI芯片的供应链安全已经成为大模型厂商必须考虑的战略问题。第三大驱动力是竞争差异化。在AI大模型这个高度同质化的竞争市场中，通过软硬件协同优化来拉开与竞争对手的成本差距和性能差距，已经成为一个关键的战略选择。
尽管大模型厂商集体下场造芯的趋势已经明朗，但这场"造芯运动"面临的挑战不容低估。芯片设计是一个技术壁垒极高的行业，即使是专注推理芯片的设计，也需要投入数十亿元人民币的研发资金和至少两到三年的研发周期。AI推理芯片虽然比训练芯片的研发难度低，但仍然需要面对架构设计、流片验证、驱动开发和生态建设的多重挑战。从人才储备来看，全球范围内的顶尖芯片设计师数量有限，大模型厂商需要与传统的芯片巨头竞争人才资源。DeepSeek和智谱在芯片领域的招聘更多通过私下渠道秘密进行，也从侧面反映出芯片人才的稀缺程度。从制造端来看，即使设计出了高性能的AI推理芯片，还需要先进的制程工艺来生产。目前全球范围内能够提供5nm以下先进制程工艺的代工厂屈指可数，产能也相当紧张。因此大模型厂商自研芯片并不意味着100%完全自研，更多是"核心IP自主设计加代工制造"的模式。从长期格局来看，大模型厂商的自研芯片虽然会对英伟达的市场地位形成一定冲击，但不会在短期内颠覆英伟达的统治地位。英伟达凭借CUDA生态的深厚护城河和全产品线优势，在AI训练芯片领域仍将保持主导地位。但在推理芯片这个细分市场中大模型厂商自研芯片的比例将快速上升。