DeepSeek 自研晶片是真的嗎？
梁文鋒算力布局與阿里平頭哥八年造芯路

核心痛點拆解：

• 資訊真假難辨：社群媒體充斥「梁文鋒官宣造芯」的誤讀，但創辦人從未公開宣布該專案。
• 訓練 vs 推理混淆：報導明確指向推理晶片，而非訓練晶片——二者技術路徑與商業邏輯截然不同。
• 合作與自研並行：2026 年 4 月 DeepSeek V4 已適配華為昇騰，部分訓練使用昇騰——自研並非否定現有合作。
• 早期階段風險：Meta MTIA 曾推倒重來，架構變化可能使 ASIC 投資打水漂。

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：

1. DeepSeek 正在開發自研 AI 晶片，目標場景是推理，而非訓練。
2. 專案約於 2025 年中啟動（報導表述為「一年前」），目前仍處於早期階段。
3. 正與晶片設計公司、晶圓代工廠（foundry）、儲存器供應商接洽。
4. 近幾個月加大晶片設計工程師招聘，未在公開招聘平台發布，採用私下挖人。
5. 若成功，將降低對 Nvidia 和 華為昇騰 的雙重依賴。

可以寫「據路透社等多家媒體報導，DeepSeek 已啟動自研推理晶片專案」，不宜寫「梁文鋒正式宣布造芯」。應標註「知情人士 / 早期階段 / 未官方證實」。

梁文鋒公開採訪極少，最有價值信源是「暗湧 Waves」2023 年 5 月、2024 年 7 月兩次深度專訪。他從未在公開採訪中宣布「DeepSeek 要造晶片」——路透社報導的是公司行為（招聘、接洽供應商），不是創辦人宣言。

梁文鋒四次關鍵原話（與晶片/算力相關）：

• 最大挑戰是晶片禁令，不是錢：「我們真正的挑戰從來不是資金，而是高端晶片的出口禁令。」—— 2024 年 7 月，暗湧採訪
• 算力效率差距 = 四倍資源消耗：國內最好水準與國外相比，訓練效率約有一倍差距，資料效率又約一倍差距，合計需要約 4 倍算力才能達到同樣效果。
• 中國需要有人站在技術前沿：「很多國產晶片發展不起來，也是因為缺乏配套的技術社群，只有第二手資訊，所以中國必然需要有人站到技術的前沿。」
• 對算力的渴求：「對研究員來說，對算力的渴求是永無止境的……我們也會有意識地去部署盡可能多的算力。」

他的表述確立了戰略動機：算力約束、出口管制、軟硬體協同必要性——但「創辦人長期表態」≠「官方專案公告」。

阿里巴巴 / 馬雲：不是傳聞，是八年布局。不宜寫「馬雲最近說要造晶片」——準確說法是：馬雲 2018 年奠定平頭哥戰略，蔡崇信 2024 年解釋出口管制倒逼自研，吳泳銘 2026 年披露量產成果。

• 2018 年 9 月雲栖大會：阿里巴巴將中天微與達摩院晶片團隊整合，成立平頭哥半導體有限公司。公司名由馬雲親自拍板，寓意「無所畏懼」。
• 張建鋒（行癲）：晶片已是阿里巴巴集團戰略級事項，而非普通業務部門。

真武（Zhenwu）系列產品線：

商業化數據（2026 年）：累計出貨 56 萬片+；年化營收 百億人民幣級；客戶含阿里雲內部、中國聯通等，據稱 400+ 企業客戶使用真武叢集；平頭哥註冊資本增至 10 億元（2026 年 6 月）；阿里宣布未來三年投入 3800 億元於雲與 AI 基礎設施。WSJ 報導：阿里新晶片相容 Nvidia CUDA 生態，降低工程師遷移成本（與華為路線不同）；製造從早期 TSMC 轉向國內代工（業界普遍指向 SMIC 7nm 等成熟方案）。

2026 年 7 月，「AI 公司造芯」已是全球現象。TrendForce 數據（2026）：雲端廠商客製 AI 晶片出貨量增速 44.6%，遠超通用 GPU 的 16.1%——客製矽首次在增速上顯著跑贏 GPU。

2026 年 7 月全球造芯新聞密集期：

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

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. 經濟學：推理成本是 AI 的「房租」。訓練 = 買房首付（一次性）；推理 = 每月房租（持續、隨使用者量線性增長）。ChatGPT 數億日活時，推理支出超過訓練。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。SemiAnalysis、Bernstein 等機構估算：大規模多年期推理部署中，客製 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%。Nvidia 資料中心 GPU 毛利率超 70%——自研晶片本質是把永久性「GPU 稅」轉化為一次性研發投入。
2. 供應鏈安全與地緣政治：美國對華高端 AI 晶片出口管制（H100/H800/H20 等輪番受限）；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。
3. 軟硬體協同（Co-design）：DeepSeek UE8M0 FP8、MLA 架構 → 為特定硬體特性優化；OpenAI Jalapeño → 圍繞 ChatGPT 真實 serving 模式設計；Google TPU → 與 TensorFlow/JAX 深度綁定。通用 GPU 為靈活性犧牲效率；客製晶片為已知工作負載犧牲靈活性換取效率。
4. 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、向雲端客戶展示差異化算力、構建「模型 + 雲 + 晶片」全棧故事。
5. 能源與可持續發展：推理晶片強調 performance-per-watt（每瓦效能）。ASIC 剔除 GPU 中大量用不到的通用電路，功耗顯著更低。

安全 vs 節約成本：兩條敘事線並存。繁體中文讀者對「卡脖子 / 國產替代 / 自主可控」共鳴更強；英文讀者更吃 economics / unit economics / Nvidia tax / TCO 框架——一篇好文章應兩條線都寫。

結論：訓練仍是 Nvidia 主場；推理是客製 ASIC 的主戰場。

可引用硬核數據（EEAT）：

• DeepSeek 融資：2026 年 6 月首輪外部融資約 510 億元人民幣（約 74 億美元），對外披露用途含自研 AI 晶片與擴建國產算力中心
• 阿里平頭哥出貨：累計出貨 56 萬片+（2026 年上半年），年化營收 百億人民幣級
• TCO 優勢區間：客製 ASIC 相對通用 GPU 在大規模多年期推理部署中可有 40–65% TCO 優勢；hyperscaler 每 token 成本可降低 30–40%
• 客製矽增速：TrendForce 2026 年數據——雲端廠商客製 AI 晶片出貨量增速 44.6% vs 通用 GPU 16.1%
• 真武 810E 規格：96GB HBM2e，訓推一體，效能介於 Nvidia A800 與 H20 之間
• 阿里基礎設施投入：未來三年 3800 億元於雲與 AI 基礎設施（含晶片、算力、液冷等）

風險與不確定性（寫作須誠實標註）：

• DeepSeek 造芯在官方確認前，應寫「據報導 / 知情人士稱」，勿寫「已證實」。
• 早期專案可能失敗：Meta MTIA 曾推倒重來；架構變化（非 Transformer）可能使 ASIC 投資失效。
• 製造瓶頸：先進制程代工受地緣政治約束，SMIC 7nm 等成熟方案與 TSMC 3nm 存在代差。
• 軟體生態遷移成本：即使硬體相容 CUDA，優化棧與驅動成熟度仍需時間驗證。

敘事角度對照（按讀者類型選重點）：

你最想問的問題：

• Q1：DeepSeek 造晶片的消息可靠嗎？ A：路透社 2026 年 7 月 7 日援引三名知情人士報導，可信度較高，但 DeepSeek 尚未官方證實。專案處於早期階段。
• Q2：梁文鋒公開說過要造晶片嗎？ A：沒有。他 2024 年採訪中表示「最大挑戰是高端晶片出口禁令」，並強調算力部署，但未宣布自研晶片專案。
• Q3：馬雲和蔡崇信誰在說晶片？ A：馬雲 2018 年戰略層面創立平頭哥；近年蔡崇信強調出口管制影響，吳泳銘披露量產數據。阿里造芯已是成熟業務，非近日傳聞。
• Q4：為什麼先做推理晶片，不做訓練晶片？ A：推理工作負載穩定、規模大、持續發生，適合 ASIC 優化；訓練需要 CUDA 生態和極致靈活性，Nvidia 仍占主導。
• Q5：大廠造晶片主要是為了國家安全還是省錢？ A：兩者兼有。短期看，降低推理成本與供應鏈風險是最緊迫的；地緣政治加速了已存在的經濟動機。

開發者與技術團隊六步應對框架：

1. 建立晶片新聞雷達：訂閱 Reuters、OpenAI 官方部落格、阿里財報電話會，追蹤 DeepSeek 官方是否證實造芯專案。
2. 區分訓練 vs 推理算力預算：DeepSeek 傳聞晶片僅覆蓋推理側——團隊 TCO 模型須按兩檔分別建模，勿混為一談。
3. 追蹤國產棧適配信號：關注 DeepSeek UE8M0 FP8、華為昇騰適配與平頭哥 CUDA 相容路線，評估模型部署遷移成本。
4. 預埋多模型 API 路由：用 LiteLLM 或 OpenRouter 設定 fallback 鏈，在算力供應鏈變動時快速切換而不重構應用層。
5. 評估 ASIC 架構鎖定風險：若未來 LLM 架構偏離 Transformer，專用晶片適配成本可能上升——保持模型棧靈活性比追逐單一硬體更重要。
6. 鎖定穩定本地算力底座：在獨佔、7×24 線上的裸機節點上跑 Cursor Agent、OpenClaw 與 iOS CI，避免共享 VPS 在晶片供應鏈變動期因供應商調價或限流中斷生產流水線。

延伸閱讀與一級信源（發版後請再次打開連結核對）：

OpenAI 官方：OpenAI × Broadcom Jalapeño Inference Chip

Caixin Global: Alibaba Zhenwu 810E Analysis

SCMP: Joe Tsai on Chip Export Restrictions

免責聲明：DeepSeek 截至本文撰寫日尚未官方確認造芯專案。此類話題 2–4 週可能有新進展，請留意「最後更新」日期。

純雲端 IDE 或共享 VPS 跑 AI Agent 的常見短板包括：多開發者爭搶同一執行個體導致上下文污染、本地筆電休眠中斷長週期推理任務、以及無法在晶片供應鏈變動期保證 7×24 常駐的 launchd 守護。對於需要穩定跑 Cursor Agent、OpenClaw Gateway 與 iOS CI/CD 流水線的生產環境，CALMVPS 裸機 Mac Mini 租用提供獨佔 Apple Silicon、120 秒交付與按月彈性計費：無論 DeepSeek 造芯傳聞是否落地、無論 API 定價如何隨全球 ASIC 部署波動，在獨立節點上切換環境變數即可熱遷移，無需因晶片格局變動重構整套基礎設施。