2026 年 7 月，"大模型公司造芯"成为全球科技产业最集中的话题之一。先是 Google 定制 Gemini 芯片持续推进，随后 Meta 的自研 AI 芯片 Iris 进入量产准备阶段；国内方面，据 7 月 7 日媒体报道，DeepSeek 正在开发自有 AI 推理芯片，研发工作约一年前启动，目前仍处早期阶段。此外，Anthropic 被曝接洽三星洽谈自研芯片合作，OpenAI 也在加速推进与芯片厂商的定制合作。

从表面看，这是一场"有钱任性"的军备竞赛；但深入观察会发现，大模型公司集体向上游芯片延伸，背后是算力成本、供应链安全与架构定制三重压力的共同驱动。AI 算力产业链的版图，正在被这些曾经的"芯片大客户"悄然改写。

一、为什么大模型公司要自己造芯

• 算力成本：大模型训练与推理的算力支出占总成本比重极高，头部公司每年算力投入以百亿美元计。自研芯片虽前期投入巨大，但规模化后可将单位算力成本显著摊薄。
• 供应链安全：高端 AI 芯片供给紧张且受地缘因素影响，交付周期与价格波动难以预测。自研是保障算力供给确定性、降低外部依赖的战略性选择。
• 架构定制：通用 GPU 面向广泛负载设计，对特定模型架构存在算力浪费。定制芯片可按自身算法优化计算单元、内存层级与互联结构，实现更高的能效比。
• 生态卡位：掌握芯片设计能力，意味着在未来算力定价、供给分配与生态规则中拥有话语权，避免在关键环节受制于人。

二、各家路线盘点：从全自研到定制合作

• Google TPU 体系：自研时间最长、体系最完整，Gemini 芯片与 TPU 协同迭代，已形成"模型-芯片-云服务"的闭环，是行业标杆。
• Meta Iris：自研 AI 芯片进入量产准备阶段，与数据中心自研体系配套，目标是降低对单一 GPU 供应商的依赖。
• DeepSeek 推理芯片：研发约一年、尚处早期，聚焦推理场景。对以高效推理见长的 DeepSeek 而言，定制推理芯片有望进一步放大其成本优势。
• Anthropic 定制合作：被曝接洽三星，同时与 Broadcom 等厂商合作定制芯片，走"借力外部设计制造能力"的路线，风险可控、推进更快。
• OpenAI 的探索：通过投资与定制合作布局芯片，与其庞大的算力需求相匹配，是"广撒网"策略的典型代表。

三、造芯之路的技术挑战

芯片设计是典型的"高门槛、长周期、重资产"工程，即便对财力雄厚的大模型公司也不例外：

• 设计验证：先进工艺下的芯片设计需要数千人年的工程投入，验证环节尤其耗时，一次流片失败可能损失数千万美元。
• 流片与产能：2nm/3nm 先进制程产能紧张，流片排期以年计，自研芯片的节奏必须与产能周期对齐。
• 软件生态：芯片价值的释放依赖编译器、驱动、框架适配与开发者生态，这是比硬件本身更难的"隐形壁垒"。
• 人才争夺：芯片架构师与验证工程师高度稀缺，大模型公司与传统芯片大厂的人才竞争将白热化。

四、对产业链的深远影响

• 代工厂受益：台积电、三星等代工厂获得更多元化的订单来源，先进制程产能的买方力量更加分散。
• GPU 巨头承压：英伟达等厂商面临"大客户变对手"的长期压力，但短期内自研芯片难以完全替代通用 GPU，两者将长期共存。
• 算力供给多元化：对中小 AI 公司而言，头部玩家自研芯片带来的是"算力供给多元化"的利好——生态竞争加剧，算力价格有望进一步下行。
• 设计服务兴起：Broadcom、Marvell 等定制芯片设计服务商迎来增量市场，"芯片设计外包"成为大模型公司的现实选项。

五、对国内产业的启示

DeepSeek 自研推理芯片的消息，让"大模型公司造芯"在中国语境下有了更具体的参照。国内大模型公司自研芯片，一方面要正视先进制程受限的现实，另一方面也可以发挥独特优势：在成熟制程上做架构创新、在推理场景做极致优化、在国产 EDA 与 IP 生态上协同突破。算力自主不是一蹴而就的替代，而是"自研+国产供应链+开源生态"的组合拳。

六、展望：模型与芯片的协同进化

自研芯片不是所有大模型公司的必选项，但"算力自主化"正在成为行业共识。未来两到三年，我们将看到更多"模型+芯片"协同设计的案例：模型架构为芯片优化，芯片反过来释放模型的更大潜力——DeepSeek 的 MoE 架构与推理芯片的适配，Google 的 Gemini 与 TPU 的迭代，都是这一趋势的注脚。

这场从软件向硬件的延伸，可能是 AI 产业下一阶段最重要的结构性变化之一。当模型公司开始懂硅，芯片公司开始懂算法，AI 的竞争格局将不再由任何单一环节决定，而由"模型-算力-系统"的全栈能力决定。对于所有参与者而言，这不仅是一场技术竞赛，更是一场组织能力与战略定力的考验。

延伸阅读：自研芯片的"经济账"到底怎么算

外界常对"大模型公司造芯"的账本有误解：自研芯片的盈亏平衡点并不低。一颗先进制程芯片的研发成本动辄数亿美元，加上流片与封测，总投入可达十亿美元量级。只有当模型规模足够大、算力消耗足够多、生命周期足够长时，摊薄后的单位成本才会低于采购通用 GPU。这也解释了为什么造芯的主力是 Google、Meta 这类"算力黑洞"级别的玩家——它们的用量足以支撑芯片的规模经济。

对 DeepSeek 这类以效率著称的公司，账本逻辑则不同：其模型以稀疏化（MoE）与推理优化见长，定制芯片可以针对性地优化稀疏计算与访存模式，即使制程不占优，也能在能效比上做出差异化。换句话说，造芯不只是"有钱人的游戏"，更是"架构适配"的工程——算得清账、算得对架构，才有资格入场。值得关注的是，自研芯片的账本还包括"议价筹码"：即便自研芯片最终只承担部分算力，也能在与 GPU 厂商的采购谈判中获得更有力的地位，这层战略价值往往比财务报表上的数字更重要。

从产业史看，"客户变对手"并不新鲜——苹果自研芯片取代 Intel、特斯拉自研 Dojo 超算，都经历过类似的质疑与验证周期。大模型公司造芯能否成功，最终取决于一个朴素的标准：能否在可控成本内，做出比外购更适配自身模型的芯片，并坚持足够长的时间。答案不会立刻揭晓，但方向已经不可逆转，且拭目以待。