名单上第六个名字
七月初，Reuters 发了一条独家。
DeepSeek 在造自己的 AI 芯片。三位知情人士证实，项目大约一年前启动，近几个月加速招聘芯片设计工程师。奇怪的是，没有一个职位在公开招聘平台上出现过。全部私下进行。
一家做模型的公司，悄悄招了一年的芯片工程师。我第一反应是，这事藏得够深的。
去年一月，DeepSeek 发布 R1 的时候，英伟达单日市值蒸发了约 6000 亿美元。市场第一次意识到，也许不需要那么多顶级 GPU 就能做出前沿模型。一天，6000 亿。市场为「效率」这两个字标了价。
那次震动的是模型层。这次瞄准的是模型下面的硅片。
如果你一直在关注 AI 芯片的动向，DeepSeek 入场不会让你太惊讶。因为名单上已经有五个名字了。
谷歌的 TPU 已经迭代到第八代。最新的 Ironwood，一个 pod 装 9216 颗芯片，水冷散热，3D 环面互联。从第二代到现在，能效狠狠提升了大约三十倍。Gemini 的每一次调用，背后都是自己的芯片。
亚马逊有 Trainium 和 Inferentia，加上刚向所有客户开放的 Graviton5，192 核，推理速度提升 35%。十二万以上客户已在 Graviton 系列上构建。
Meta 的第四代 MTIA 代号「Iris」，和 Broadcom 一起设计，台积电代工，计划九月量产。内部备忘录显示，测试阶段六周没发现重大问题。更激进的是，Meta 给自己定的目标是 每六个月推出一款新芯片。
OpenAI 六月发布了 Jalapeño，和 Broadcom 合作，从设计到 tape-out 只花了九个月。专门跑推理，早期测试显示每瓦性能显著优于现有方案。计划年底开始 GW 级部署。
Anthropic 四月就被 Reuters 报道在评估自研芯片，目前仍处于早期阶段，细节尚未披露。
现在 DeepSeek 也进来了。
六家。
但六家里最值得盯的，不是资源最多的那个，是体量最小的那个。
而且这六家有一个共同点。重心都在推理芯片上。
训练完就结束，推理永不停止
为什么是推理？
训练一个大模型，不管花多少算力，总有结束的那一天。但模型一旦上线，每一条用户请求、每一次 API 调用、每一个 agent 任务，都在产生推理算力消耗。
这个消耗不会停，只会涨。
七月初我写 GPU 租金的时候提到过，H100 的每小时租金跌了两年之后，五个月内涨了 40%。原因不是训练，是推理。Agent 完成一个任务消耗的算力是普通聊天的几十倍甚至上百倍，而这个飞轮才刚起步。
我自己日常用 API 的时候有一个感受。一次简单的对话，token 消耗几百到几千。但跑一个 agent 任务，让它在浏览器里查资料、写报告、反复迭代，一次下来 token 消耗轻松破万。这两种场景对推理算力的需求不在一个量级上。
而 agent 才刚刚开始普及。
OpenRouter 的数据显示，周 token 处理量已经到了万亿级别。美国公司调用中国模型的比例持续超过 30%，峰值 46%。一年前这个数字只有 11%。
推理需求在爆发。谁把推理成本压到最低，谁就拥有定价权。
DeepSeek 的 API 定价已经是行业里最低的一档，V4 发布后还永久降价。能定这个价，是因为模型层面的工程效率做到了极致。但推理终究要跑在硬件上，硬件终究要花钱。
如果推理需求继续指数级增长，而你的推理跑在别人的芯片上，你就在持续给别人交租金。
说一千道一万，所有有模型的公司都在往芯片上走，不是为了什么技术理想，是为了把推理成本从持续运营开支变成一次性固定投资。
同样的纪律，换一层
所以问题来了，DeepSeek 造芯片这件事，跟其他五家的逻辑不完全一样。
谷歌做芯片是因为它有云业务，芯片是基础设施投资。亚马逊同理。Meta 做 MTIA 是因为每年的 AI 基础设施预算到了 1450 亿美元这个量级，不自己造芯片财务上说不通。OpenAI 做 Jalapeño 是因为每天在推理上烧的钱太多了。
DeepSeek 不一样。
它的体量比前面几家小一个数量级。首轮融资约 70 亿美元，估值 520 到 590 亿美元。跟 Meta 的 1450 亿美元年预算比，资源有限得多。
它已经彻底证明过自己能用更少的资源做前沿级别的事。
R1 用极低的训练成本做出了接近前沿的效果。V4 在华为 Ascend 芯片上跑通了，V4-Flash 部分训练也用了华为处理器。也就是说，DeepSeek 在非英伟达硬件上跑模型这件事，已经有实操经验了。
从用别人的芯片，到适配华为芯片，再到自己设计芯片。这条路径很清晰。
Reuters 的报道里有一个细节。DeepSeek 的芯片 专为推理设计，不是通用加速器。这跟 OpenAI 的 Jalapeño 思路一致。不做通用的，做专用的。专用意味着可以在特定工作负载上把效率压到极致。
这正是 DeepSeek 在模型层做过的事。用极致的工程效率，把成本压到行业最低。现在它想把同样的纪律性应用到硅片上。
能成吗？
不知道。芯片设计比模型工程复杂得多，涉及制程、封装、良率、供应链，每个环节都是硬骨头……DeepSeek 的芯片还在早期阶段，具体制程、代工伙伴、性能指标全部未知。DeepSeek 官方也没有回应 Reuters 的置评请求。
但方向是对的。
不是壁垒
七月初我写过一篇关于 AI 芯片的文章。当时的判断是，算力正在变便宜变充足，不再是护城河。自研芯片是在为算力便宜的那一天做准备。
DeepSeek 入场，强化了这个判断。
想想看，如果连体量小一个数量级的 DeepSeek 都觉得需要自研推理芯片，说明造芯片这件事本身已经藏不住了……它正在变成模型公司的标配。
六家在造，趋势在加速。
当自研推理芯片变成行业默认操作，芯片本身就不再是竞争壁垒。就跟模型层一样。当所有人都有前沿模型，模型就不再是差异。当所有人都有自研推理芯片，芯片也不再是差异。
那什么是差异？
我自己想了很久，觉得答案可能很简单。
效率。
谁能用更少的电、更少的硅片、更低的单位推理成本，跑出同样的效果。这个竞争从模型层延伸到了芯片层，而且不会停在这里。
DeepSeek 在模型层做到过一次。现在它想在芯片层再做到一次。
芯片是工具。效率是方法论。
工具可以买、可以造、可以复制。方法论很难被抄袭。
本文首发于云栈社区，一个技术人交流的平台。
发表于 1 小时前
|
查看: 3|
回复: 0
