本文来自微信公众号： AI超维度 ，作者：北京汉·索罗
7月7日，路透社援引三名知情人士报道：DeepSeek正在开发自研AI推理芯片，项目约一年前启动，公司在秘密招聘芯片设计工程师，同时接触芯片设计公司、晶圆代工厂和存储厂商。同一天，The Information报道，智谱也正在评估为GLM系列模型定制ASIC。
路透社说项目"约一年前启动"。但其实根据AI超维度的梳理，DeepSeek往芯片这条路上走，可以追溯到更早些时候。
在路透社报道的前一年
故事要从2024年5月的DeepSeek-V2说起。
那一代模型的核心目标很朴素，就是降成本。大模型在回答问题的时候，需要一边生成一边把中间结果存下来，方便后面的计算反复查阅，这块临时存储是推理过程中最吃显存的部分。DeepSeek在V2里用了一种全新的压缩方式，把这部分显存占用压缩了九成以上，训练成本也砍掉了42%。
效果很好。但这种压缩方式也改变了模型读写数据的方式，和英伟达GPU原本针对传统模型优化过的缓存设计对不上。换句话说，DeepSeek让模型更省钱了，但也让GPU更难跑满性能了。这是DeepSeek第一次意识到，自己想要的东西和通用GPU能提供的东西之间出现了缝隙。
到DeepSeek-V3的时候，这条缝隙又变得更宽了。2024年底，DeepSeek用2048张英伟达H800组了训练集群，首次在大模型上全量使用FP8混合精度训练，也就是把模型参数的计算精度从16位压到8位，以换取更快的训练速度和更低的成本。
但在训练DeepSeek的模型时，他们发现了英伟达GPU的一个具体局限：H800有132个流处理器，其中20个都被数据搬运和通信操作占据了，没有在做真正的AI计算。差不多六分之一的算力在空转。
DeepSeek团队后来又尝试自研了一种叫LogFMT的新数据格式，测试结果显示，在同等精度下，它比行业标准FP8表现更好。但问题也随之而来：当前GPU的硬件指令集不支持LogFMT需要的运算方式，光是编解码开销就高达50%到100%，根本没法实际部署。
也就是说，DeepSeek做出了一个更好的方案，却被通用GPU的能力边界挡在了外面。
这些发现没有停留在内部。2025年6月，DeepSeek把V2和V3开发过程中积累的洞察整理成了一篇论文，发表在全球顶级计算机体系结构会议ISCA上。论文不只列出了当前GPU在计算精度、通信开销、数据格式支持上的具体瓶颈，还在每一节后面附了给芯片设计方的建议：累加精度应该提高到多少，量化功能应该怎么做进硬件，通信处理应该从GPU里独立出来交给专用芯片。
这篇论文比路透社7月7日的报道早了整整一年。
从论文到产品
但论文只是写在纸上的建议。两个月后，DeepSeek开始尝试把建议变成现实的产品。
2025年8月，DeepSeek发布了DeepSeek-V3.1。这次发布里藏了一个细节：DeepSeek在中文微博评论区置顶了一个多数人会跳过的技术参数——UE8M0 FP8 Scale，旁边还配了一句话，"这年头，越是低调、话少、让人有点看不懂，信息量越大。"
UE8M0是一种数据缩放格式。上一节提到，DeepSeek在V3训练中已发现，现有GPU在处理低精度数据时，效率并不理想。UE8M0就是DeepSeek给出的一套更贴近自身模型路线的替代方案。这种格式对硬件的要求极其简洁，不依赖英伟达GPU上独有的计算单元，也因此更容易被国产芯片支持。
V3.1发布后的几周里，摩尔线程、芯原等15家国产芯片厂商联合验证并适配了这个格式，部分测试显示，运行效率提升超过300%。
在此之前，都是模型公司去适配芯片公司已有的格式。这一次，方向反过来了，是芯片厂商来适配DeepSeek定义的格式。
同期，DeepSeek还开源了自研的底层运算库DeepGEMM。大模型推理最频繁的操作是矩阵乘法，DeepGEMM就是DeepSeek针对自己模型优化过的矩阵乘法实现，支持UE8M0格式，芯片设计方拿到手就能直接跑。因此DeepGEMM在GitHub上拿了数千颗星标。
如果说UE8M0定义了数据该用什么格式，那么DeepGEMM定义的就是"底层运算该怎么跑"。两者加在一起，芯片设计方已经能看到一份相当具体的硬件需求规格清单。
在软件层面，DeepSeek能抠的地方，其实已经抠得差不多了，Token价格也已经卷到全球底价，要继续降成本，只能从硬件上动刀了。
2026年4月，DeepSeek-V4发布，DeepSeek对硬件的需求又进了一步。为了高效处理百万级长文本，DeepSeek-V4引入了一套全新的注意力机制：一条路径是把每4个Token的中间结果压缩成1个再做稀疏选择，另一条路径是把每128个Token压缩成1个做全覆盖计算，两条路径交错堆叠。
这种计算模式在效果上非常显著：百万上下文下推理计算量降到上一代的27%、临时存储降到10%。
但问题是，没有哪一款现有芯片为这种计算模式做过原生优化。InfoQ引用DeepSeek官方说法："受限于高端算力，目前V4-Pro的服务吞吐仍有限，预计下半年昇腾950超节点批量上市后，Pro价格会大幅下调。"
模型效率越来越高，硬件反而成了商业化的瓶颈。V4把训练精度从V3.1的FP8进一步压到了FP4，换句话说，DeepSeek每一代都在往更低精度、更高性价比的方向走，而通用GPU上那些专门为高精度运算设计的电路，对它来说，就越来越多余了。
同时，自研芯片对DeepSeek来说也是供应安全的保险单。英伟达买不到，替代方案产能有限，把算力全押在任何一家外部芯片供应商身上，终归都是风险。
梁文锋在2023年和2024年接受暗涌采访时，都强调了同一个问题："我们真正的挑战从来不是资金，而是高端芯片的出口禁令。"
到2026年6月，510亿元首轮融资到位，60%到70%直接砸向算力基建，"自研AI芯片"也被明确列入其中。
33个岗位，零个芯片设计师
能力有了，钱也到位了。但翻开DeepSeek的招聘页面，会看到一个明显的缺口。
6月25日，DeepSeek放出了公司史上最大规模的招聘——33个岗位，所有部门至少扩招一倍。岗位覆盖了高性能算子、通信库、编译器、训推框架、分布式存储、数据中心设计规划，从模型运行的最底层一直招到机房基建。看起来在为大规模部署自研芯片做全面准备。
但翻完整个列表会发现一件事：33个岗位里面，芯片设计相关的岗位一个也没有。
造一颗芯片从头到尾要经过几个大的环节：先要定义清楚这颗芯片要做什么、性能指标是多少，这是需求规格；然后要有芯片架构师和电路设计工程师把需求翻译成具体的硬件方案，用专门的语言把整个电路写出来；写完之后要做大量仿真验证，确保设计没有bug，这一步消耗的人力往往比设计本身还多；验证通过了才能把设计文件交给晶圆代工厂去流片制造，先进制程流片一次的费用通常在数千万到上亿元人民币；最后还要打磨良率、建供应链、开发配套的驱动和编译器，让芯片真正能跑起来。
DeepSeek在第一个环节，也就是定义需求规格上，已经积累了两年，在最后一步，也就是让自家模型在芯片上跑起来，它也有天然优势，毕竟芯片本来就是为自己的模型设计的。
但中间最重、最慢、最依赖芯片工业积累的那三步，包括芯片架构设计、仿真验证和流片制造，DeepSeek几乎还没有开始。
路透社说它"正与芯片设计公司、晶圆代工厂接触"，意味着负责芯片设计的合作方还没有选定。虽然早在2025年2月，就有媒体报道DeepSeek在寻找芯片设计人才，但一年半过去了，芯片团队仍然在暗线。
平头哥走了八年，DeepSeek还差多远
而且在造芯片这件事上，DeepSeek俨然不算早。过去两年，几乎所有头部AI公司都在自研推理芯片。
原因很简单：推理现在占到全部AI计算量的三分之二，而行业测算显示，一颗针对自家模型定制的ASIC可以把推理成本相比通用GPU降低40%到60%。
可以说，对任何一家推理量足够大的AI公司来说，自研芯片都是一道迟早要做的算术题。
在中国AI行业里，阿里平头哥是少数走完了从立项到规模出货全程的公司之一，它的经历可以说明这条路有多长。
平头哥2018年成立的时候，手里就有一副好牌。中天微带着十多年的芯片IP积累，达摩院带着架构设计经验，两边合并起来近300人，芯片架构师、电路设计工程师、验证工程师从第一天就配齐了。代工用的台积电，从12nm到7nm到5nm三代产品都没在制造端被卡过。产品迭代也足够充分：从2019年的含光800到2021年的倚天710再到2023年的真武PPU，三代产品踩过的坑变成了下一代的经验。
更关键的是，平头哥背后站着阿里云。芯片造出来以后，阿里云就是现成最大的客户，前几年的产能几乎全部内部消化，不需要从零开始找买家。谷歌、亚马逊走的其实也是这条路：靠自家的云业务消化产能，芯片的研发成本可以在一个远大于自用的需求池里摊薄。
即便条件这么好，平头哥也走了将近八年。
DeepSeek的起点跟平头哥很不一样。公开招聘里没有芯片设计岗位，暗线团队的规模和构成不透明；它要设计的是自己历史上第一颗芯片，没有前代产品的经验可以复用；代工方面，国产制造链已经证明能交付AI推理芯片，但对一家第一次做芯片的公司来说，跟代工厂建立关系、磨合流程本身需要时间。
还有一个更现实的问题是需求不一样。
DeepSeek是一家模型公司，没有自己的云业务，它的商业化形态本质上仍然是模型服务。虽然它的推理量并不小，API日均请求量已经是全球最大之一，但它并不能像云厂商那样，可以把芯片的算力转卖给成千上万的客户，并以此来摊薄成本。
说白了，DeepSeek要面对的，不只是"能不能造出一颗芯片"，还包括"造出来以后，靠什么把这颗芯片养大"。光靠自己的推理集群，能不能撑起一颗芯片4亿美元以上的研发投入？这个问题目前没有答案。
不过，DeepSeek也有一样其他造芯公司没有的东西：开源模型。全球已经有大量公司在自己的服务器上跑DeepSeek模型。如果越来越多的公司用DeepSeek的架构跑推理，那一颗为这套架构优化的芯片，潜在客户就不只是DeepSeek一家了。
前辈是从芯片往上做，DeepSeek从模型往下做。这条路没有人走过，所以也没有人知道要走多久。