“采购一批设备回来，10个月回本即可，希望能以公允价格拿到芯片，这样就无需自行造芯了。”近日，在一场投资交流活动中，deepseek 创始人梁文峰坦言现实困境——当前芯片报价过高，已难以支撑deepseek对大模型低成本运营的战略诉求。
值得关注的是，就在本次投资会召开前，已有媒体披露：DeepSeek已悄然启动自研定制推理芯片项目，历时整整一年，并已与多家芯片设计公司、晶圆代工厂及存储方案供应商展开密集对接与技术协同。
由此不难判断，以极致性价比见长的DeepSeek，正面临前所未有的芯片成本压力。随着AI大模型加速商业化落地、Token调用量呈指数级攀升，曾长期处于配角地位的推理芯片，正逐步取代训练芯片，跃升为大模型厂商最核心的成本项。
对DeepSeek这类主打普惠定价的大模型企业而言，能否持续压降推理芯片单位成本，已成为决定其市场生存力与长期竞争力的关键变量。
【1】DeepSeek引领行业价格重构
2026年，是国内大模型产业集体“卷价格”的关键之年：
5月23日，DeepSeek正式将V4-Pro模型此前推出的“限时折扣”升级为“永久降价”，原享2.5折的专业版API调用价，如今固化为长期执行的2.5折策略；更进一步推出类比电力市场的“峰谷时段动态计价”，依据流量高峰与低谷实时浮动API资费；
5月28日，小米旗下MiMo-V2.5全系API接口全面下调服务费率，部分垂直场景降幅高达99%，同时取消上下文长度分级计费，统一采用基础低价模式，切实缓解开发者在长文本处理中的成本焦虑。
6月底，腾讯云平台同步上线DeepSeek-V4全系列模型并同步调低调用单价，最高降幅达97.5%；第三方入驻模型MiniMax-M3在推理输入、推理输出及缓存命中三项费用上，均实现50%的降幅。
这轮价格调整力度几何？以DeepSeek为例，调价后其专业版百万Tokens报价直降至0.025元，仅为Minimax M2.7报价的5.8%。
价格即壁垒，市场用实际调用量投票。对多数应用场景而言，使用成本远比纸面性能更具决策权重。OpenRouter数据显示：调价后，DeepSeek-V4-Flash模型一举登顶全球API调用榜榜首；而在此前，DeepSeek V3.2/R1等主力模型最高仅位列全球第三。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
（来源： DeepSeek官网 ）
为何一贯对融资持审慎态度的DeepSeek，反而能打出如此激进的价格牌？根源在于两点：
其一，依托深度算法优化与工程提效，显著压缩算力消耗，例如在处理百万级Token长上下文时，V4系列算力开销仅为上一代的27%，缓存机制优化降低10%负载，真实训练成本亦下降10%；
其二，主动摆脱英伟达生态依赖，规模化采购国产算力硬件，如华为昇腾全系节点已全面适配DeepSeek V4系列模型，有效摊薄芯片采购成本。
可见，在算法精进与国产硬件替代双轮驱动下，DeepSeek等本土厂商正加速推动AI从实验室走向规模化商用。
【2】推理芯片步入成本瓶颈期
DeepSeek等国内大模型厂商掀起的价格战，正在重塑全球AI产业格局——面对轻量级任务，用户优先选择高性价比模型；而面对复杂推理场景，则仍倾向OpenAI等高价高性能方案。
但随着模型能力持续进化、国产替代红利逐步收窄，DeepSeek、小米MiMo等厂商已明显触及价格下探极限——推理芯片成本持续攀升，正成为当前乃至未来AI大模型商业化的最大支出项。
这意味着，若无法突破推理成本瓶颈，AI普惠化将成为空中楼阁。推理芯片对模型定价的影响主要体现在两个维度：
一是采购规模与单颗成本的双重压力，过去大模型厂商重心在模型训练，但随着AI真正进入生产环境，行业重心已转向推理部署。推理芯片正迅速成为采购清单上的绝对主角。
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
阿里云“2026算力倍增计划”明确，AI资本开支中推理芯片预算占比已达60%；Meta预计2026年底将建成相当于60万张GPU算力的推理集群，占其全年AI总投入的55%……
“目前约70%—80%的AI算力用于训练，20%—30%用于推理，但这一比例将在未来彻底翻转——推理算力将占据整体AI算力的70%以上。”联想集团董事长兼CEO杨元庆在今年五月业绩发布会上指出，“推理芯片时代已然到来。”
二是全生命周期成本刚性上升，不同于一次性投入的训练芯片，推理芯片需持续响应终端请求，其成本呈现长期性、累积性特征，且随用户问答量激增而线性放大。业内数据显示：在真实生产环境中，推理芯片投入可占大模型全生命周期计算成本的80%至90%。
短期采购量激增叠加长期成本刚性，使得推理芯片成为AI商业化进程中分量最重的“成本锚点”。
因此，对DeepSeek这类坚持低成本路线的大模型厂商而言，是否具备压降推理芯片单价的能力，直接决定其未来发展上限。
【3】推理芯片自研道阻且长
事实上，降低推理芯片成本已成为头部企业的共识动作。
完成首轮融资510亿元后，DeepSeek即公开披露资金用途之一：启动AI推理芯片自主研发，以系统性降低成本。
今年6月，OpenAI联合博通发布首款自研推理芯片Jalapeño，旨在替换英伟达方案，目标实现推理成本削减约50%。
（来源：互联网）
Anthropic亦从OpenAI引进其芯片团队早期核心成员Clive Chan，全面主导AI推理芯片自研进程。
几乎所有科技巨头均已将自研推理芯片列为战略优先级，但这条路径绝非坦途，甚至可能拖慢大模型业务节奏。
首先是技术门槛陡增，大模型企业精于算法架构等软件层研发，AI芯片此前仅作为上游工具存在；如今却要跨界切入硬件设计领域，亟需在人才结构、工艺知识、IP积累等方面从零构建。
其次是迭代节奏失衡，相较华为昇腾、寒武纪、英伟达等专业芯片厂商，大模型企业在制程工艺、封装测试、量产经验等方面存在天然短板。芯片厂商面向全行业需求快速响应，而大模型厂商仅服务于自身模型，极易出现“流片即落后”的被动局面。
最后也是最严峻的挑战，在于生态缺失，以英伟达为例，其AI芯片价值不仅在于算力指标，更在于覆盖超400万开发者的CUDA生态——庞大的适配意愿与采购基数，形成良性循环，持续摊薄单颗芯片成本。
而智普AI、DeepSeek等厂商自研芯片，尚无外部生态支撑，仅限内部闭环使用，无法通过规模化出货分摊高昂研发费用，导致芯片单位成本居高不下。
综上所述，对智普AI、DeepSeek而言，自研推理芯片最难攻克的并非前端设计，而是生态构建与产能落地。唯有同步打通算法迭代适配、芯片流片验证、产线排期保障、用户生态共建四大环节，方有可能真正达成“每百万Token推理成本下降”的终极目标。
2026年的AI大模型产业，已悄然告别“能否做出好模型”的工程师时代，迈入“能否把成本压到足够低”的工业化时代。而一家大模型企业能否成功推出并规模化应用自研推理芯片，正成为界定其本质是AI产品公司，还是AI时代新型基础设施提供商的核心标尺。
本文来自微信公众号“司库财经”，作者：质子，36氪经授权发布。
