為什麼頭部模型公司都在自研晶片？

隨著生成式 AI 競爭進入白熱化，領先的模型公司正集體跨界進入硬體領域。近期報導指出，中國頭部廠商 DeepSeek 已啟動代號為推理晶片的自研計畫，智譜 AI 亦在評估為其 GLM 系列模型定製晶片。

這並非個案，美國的 OpenAI 與 Anthropic 先前也先後曝光了各自的自研進程。這股浪潮象徵著 AI 產業的競爭重點，已從單純的模型架構轉向「模型 - 晶片 - 雲」的全端協同最佳化。

從「訓練一次性開支」轉向「推理持續成本」

據業內觀察者《功夫財經》指出，模型公司集體下場自研晶片的首要考量是推理成本。與訓練這種一次性投入不同，推理是隨用戶規模線性增長的持續成本。特別是在 Agent 應用爆發後，單次任務消耗的 Token 量可能是傳統對話的百倍，導致算力需求劇增。

輝達產品所代表的通用 GPU 雖然靈活，但對於模型公司而言，其硬體冗餘造成的功耗與毛利率溢價已成為沉重負擔。

定制晶片 (ASIC) 能剔除通用性浪費，針對特定算子進行優化。例如 DeepSeek 若能將其獨有的 MLA(多頭潛在注意力) 或細粒度 MoE 架構固化進電路，將能獲得遠超軟體層面最佳化的效能收益。

成本與供給安全的雙重挑戰

觀察者認為，對於 DeepSeek 與智譜等中國公司，自研晶片除了算經濟帳，更是為了應對地緣政治帶來的供給風險。在美國出口管制下，輝達最先進晶片受限，而國產華為昇騰晶片雖能替代，但產能仍是稀缺資源。自研晶片成為確保算力供給獨立性、擺脫受制於人困局的必然路徑。

商業模式的重構

自研晶片運動同時預示著商業模式的變革，特別是對於開源模型公司。未來可能出現「模型免費、硬體收費」的模式，例如銷售針對特定模型優化的「一體機」，將開源生態轉化為硬體收入。

儘管自研晶片面臨研發成本高昂 (先進晶片約需 5 億美元)、迭代週期長與軟體生態 (如 CUDA) 壁壘等巨大挑戰，但產業共識已達成：AI 競爭的終局將屬於那些有能力將 Token 成本一路優化到矽片層級的公司。