DeepSeek 自研晶片是真的嗎？

DeepSeek 造晶傳聞拆解：五重痛點與證據鏈

2026 年 7 月 7–8 日，多家媒體跟進路透社獨家報導，核心資訊一致：DeepSeek 正在開發自研 AI 晶片，目標場景是推論（inference），而非訓練（training）；專案約於 2025 年中啟動，目前仍處於早期階段；公司正與晶片設計公司、晶圓代工廠（foundry）、儲存器供應商接洽；近幾個月加大晶片設計工程師招聘，但未在公開招聘平台發布，採用私下挖人方式。

若成功，將降低對 Nvidia 和 華為昇騰 的雙重依賴——這一點尤為值得關注，因為 DeepSeek 此前已深度適配華為晶片（2026 年 4 月 V4 適配昇騰，V4-Flash 部分訓練使用昇騰）。更準確的表述是：合作與自研並行，自研尚早，合作已落地。

可信度評估

對技術團隊而言，理解這條傳聞需要釐清以下五重痛點：

1. 01

   傳聞與官宣混淆：梁文鋒從未公開宣布造晶計畫，但路透社報導的是公司行為（招聘、接洽供應商），讀者容易將「創辦人長期表態」等同於「官方專案公告」。

2. 02

   訓練與推論概念混用：DeepSeek 傳聞晶片專精推論，與 Nvidia H100/B200 主導的訓練市場完全不同戰場，誤讀會導致錯誤的技術判斷。

3. 03

   出口管制倒逼算力飢渴：梁文鋒 2024 年暗湧採訪稱「高端晶片出口禁令是最大挑戰」，國內訓練效率與資料效率合計需約 4 倍算力才能達到同等效果。

4. 04

   國產替代敘事過度簡化：阿里平頭哥已是量產級八年佈局，DeepSeek 仍是早期研發——「中國公司都在造晶」掩蓋了階段差異。

5. 05

   全球趨勢被忽視：2026 年 7 月 OpenAI Jalapeño、Anthropic 與 Samsung 洽談、智譜評估自研晶片同步推進——這不是中國獨有現象，而是 AI 單位經濟學驅動的全球浪潮。

技術決策者六步 Runbook：如何追蹤造晶趨勢並調整算力策略

大廠造晶對普通開發者的直接影響是 API 定價、國產算力可用性與模型部署路徑。以下六步幫助你在 2026 年下半年做出可執行的算力決策：

1. 01

   區分信源等級：DeepSeek 造晶以路透社「三名知情人士」為最高信源，官方確認前寫作須用「據報導 / 知情人士稱」，避免寫「已證實」或「梁文鋒宣布」。

2. 02

   鎖定工作負載類型：若你的業務以 API 推論為主（Agent、RAG、對話），關注推論 ASIC 與 token 成本曲線；若以模型微調/訓練為主，Nvidia CUDA 生態短期內仍不可替代。

3. 03

   評估國產算力成熟度：阿里平頭哥真武 810E 已量產（96GB HBM2e，效能介於 A800 與 H20 之間），WSJ 報導相容 Nvidia CUDA 生態以降低遷移成本；華為昇騰已適配 DeepSeek V4——按業務合規需求選型。

4. 04

   計算 TCO 而非單次採購價：SemiAnalysis、Bernstein 估算定制 ASIC 在大規模多年期推論部署中可有 40–65% TCO 優勢；Nvidia 資料中心 GPU 毛利率超 70%——自研晶片本質是把「GPU 稅」轉化為一次性研發投入。

5. 05

   關注軟硬體協同訊號：DeepSeek UE8M0 FP8、MLA 架構優化，OpenAI Jalapeño 圍繞 KV cache 與 batching 設計——模型架構與晶片 co-design 將越來越緊密，選型時須評估棧綁定風險。

6. 06

   為 Agent 工作負載預留 Apple Silicon 節點：本機推論、iOS CI/CD 與 macOS 專屬工具鏈無法遷移至 ASIC 雲叢集。若團隊需要 7×24 穩定 macOS 環境運行 AI Agent 或 Xcode 流水線，應單獨規劃雲端 Mac Mini 節點，與雲端 ASIC 推論形成互補而非替代。

關鍵時間線

2018-09     阿里雲棲大會成立平頭哥半導體，馬雲親自命名
2023-2024   梁文鋒暗湧採訪：出口禁令是最大挑戰；算力飢渴
2025-01     DeepSeek R1 發布，基於 Nvidia H800 訓練
2025 年中    據傳 DeepSeek 自研晶片專案啟動
2026-01     阿里發布真武 810E，已量產
2026-04     DeepSeek V4 適配華為昇騰
2026-06     DeepSeek 融資 ~74 億美元 / OpenAI 發布 Jalapeño
2026-07-07  路透社：DeepSeek 正開發自研推論晶片（獨家）
2026-07     The Information：智譜亦評估自研定制晶片

大廠為何都要造晶片？五大驅動力、全球對標與硬核數據

不是為了「造晶片而造晶片」，而是因為 AI 競爭已從「誰有最好的模型」延伸到「誰有最便宜、最可控的算力」。

五大驅動力（按重要性排序）

1. 01

   經濟學：推論成本是 AI 的「房租」：Morgan Stanley 曾估算 24,000 顆 Blackwell GPU 叢集硬體成本約 8.52 億美元，同等規模 Google TPU 叢集約 0.99 億美元。定制 ASIC 相對通用 GPU 可有 40–65% TCO 優勢；hyperscaler 場景下每 token 成本可降低 30–40%。

2. 02

   供應鏈安全與地緣政治：美國對華高端 AI 晶片出口管制、中國監管鼓勵採購國產算力。安全不僅指網路安全，更指供應鏈可預期性——不被單一供應商、單一國家政策卡脖子。

3. 03

   軟硬體協同（Co-design）：通用 GPU 為靈活性犧牲效率；定制晶片為已知工作負載犧牲靈活性換取效率。DeepSeek UE8M0 FP8、OpenAI Jalapeño 的 KV cache 優化均為典型案例。

4. 04

   競爭壁壘與議價能力：即使不全面替代 Nvidia，自研晶片也可在採購談判中增加籌碼，構建「模型 + 雲 + 晶片」全棧故事。

5. 05

   能源與永續發展：推論晶片強調 performance-per-watt。在兆瓦級資料中心時代，電力與散熱成本與晶片採購成本同等重要。

全球對標：不只中國公司在造晶

2026-06-24  OpenAI + Broadcom 發布 Jalapeño（推論 ASIC，9 個月流片）
2026-07-02  Anthropic 據報與 Samsung 洽談 2nm 定制晶片
2026-07-07  Reuters：DeepSeek 自研推論晶片
2026-07-07  The Information：智譜評估自研晶片

可引用硬核數據

• DeepSeek 首輪融資：約 510 億元人民幣（$7.4B），用途含自研 AI 晶片與擴建國產算力中心（2026 年 6 月）
• 阿里平頭哥出貨量：累計 56 萬片+，年化營收百億人民幣級（2026 年上半年）
• Nvidia 資料中心 GPU 毛利率：超 70%——雲廠商每買一張 H200，大部分利潤流向 Nvidia
• 定制矽增速：TrendForce 2026 年雲廠商定制 AI 晶片出貨量增速 44.6% vs 通用 GPU 16.1%
• 阿里雲與 AI 基礎設施投入：未來三年 3800 億元人民幣（含晶片、算力、液冷等）

安全 vs 節約成本：兩條敘事線

大廠自研 ASIC 雲叢集擅長大規模 token 推論，但對需要 macOS 原生環境、Xcode 簽名鏈、Metal 加速本機模型 的 AI Agent 與 iOS CI/CD 流水線並不適用——虛擬機 macOS 存在效能損耗與 EULA 合規風險，長期穩定性不足。對於更穩定、更適合 iOS CI/CD 與 AI Agent 自動化的生產環境，VpsMesh 的 Mac Mini 雲端租用通常是更優解：實體 Apple Silicon 節點、root 權限與 7×24 常駐能力，可與雲端 ASIC 推論形成「本機 Agent 編排 + 遠端大模型 API」的互補架構。