“买一批设备回来，10个月收回成本就够了，希望能以合理价格买到芯片，这样就不用自己做芯片了”，近日在投资会上，DeepSeek 创始人梁文峰道出了自己的苦恼，现在的芯片价格太贵了，无法满足DeepSeek对于大模型低成本的需求。

值得注意的是，在本次投资会之前，就有媒体爆料称：DeepSeek开始自研定制的推理芯片，已经秘密启动一年时间，并与芯片设计公司、晶圆代工厂及存储厂商展开多轮接洽。

从中我们不难看出，主打低价格的DeepSeek正在遭遇芯片的成本危机，随着AI大模型的商业落地和Token的大规模调用，曾经被边缘化的推理芯片正在取代训练芯片，成为AI大模型厂商的主要成本支出。

那么对于以DeepSeek为代表的主打低价格的大模型厂商来说，如何进一步降低推理芯片的价格，将成为大模型企业的核心竞争力。

【1】DeepSeek带动行业降价

2026年，对于国内大模型产业来说，是集体降价冲刺的一年：

5月23日，DeepSeek宣布将V4-Pro模型的“折扣优惠”正式变成了永久性的“降价通知”，原先2.5折的专业版模型API调用价格，变成了“永久2.5折”；此后更是推出类似电价的峰谷定价机制，根据不同时间段动态调整API价格；

5月28日，小米旗下MiMo-V2.5全系列API接口永久下调资费，部分细分调用场景降价比例逼近99%，并宣布不再区分上下文窗口长度，统一按低价计费，解决开发者长文本处理的成本焦虑。

6月底，腾讯云平台内上线的DeepSeek-V4全系列模型同步下调调用价格，最高降幅达到97.5%、第三方入驻模型MiniMax-M3推理输入、推理输出、缓存命中三项费用，各项降幅均为50%。

这波降价幅度有多大？以DeepSeek为例，经过调价后，其专业版百万Tokens的价格直接降到0.025元，价格只有Minimax M2.7价格的5.8%。

价格成为杀手锏，企业和用户开始用脚投票，对于大多数需求来说，使用成本往往比性能参数更重要，OpenRouter数据显示：在调低价后，DeepSeek-V4-Flash模型登顶全球调用榜，而在此之前，DeepSeek旗下 V3.2/R1等大模型排名最多达到第三名。

（来源： DeepSeek官网 ） 

为什么对外部融资不感兴趣的DeepSeek却能做到低价格？原因有两点：

一是利用精妙的算法和工程优化，大幅度降低了算力成本，如处理百万级Token长上下文时，V4系列算力消耗仅为上代产品的27%，缓存机制降低了10%，真题训练成本降低了10%；

二是摆脱对英伟达的依赖，采购国产算力芯片，如华为昇腾节点全系列产品已支持DeepSeek V4系列模型，降低了算力芯片的采购成本。

可以说，在软件算法和采购国产硬件双管齐下的情况下，DeepSeek等国内厂商加速了AI在商业上的应用。

【2】推理芯片成为价格限制期

DeepSeek等国内大模型厂商的降价，让AI大模型的行业发展有了另一条世界线——处理简单任务时，用户更加考虑处理的成本，因此会选择价格更便宜的大模型，而当处理的问题更复杂时，用户会使用追求高性能的OpenAI等高价格模型。

但随着模型创新和国产替代带来的价格优势逐渐缩小，DeepSeek、小米MiMo也已经触碰到了天花板——推理芯片越来越费钱，成为现在乃至未来AI大模型的主要成本支出。

这意味着，如果企业打不掉推理成本，就无法将AI普及。推理芯片对于大模型的价格影响体现在两方面：

一是采购数量和采购成本，此前大模型厂商是以模型训练为主，但随着AI商业化逐步落地应用，行业的玩法变了。推理芯片成为大模型厂商的采购主力。

阿里云在“2026年算力倍增计划”中，AI资本开支中，推理芯片的采购预算占到总预算的60%；Meta预计将在2026年底建立60万张GPU等效算力的推理集群，占到其AI总预算的55%……

“约70%—80%的AI算力用于训练，20%—30%用于推理，但是未来这一趋势会倒过来，用于推理的AI算力将占到70%以上”，在今年五月的联想业绩发布会上，联想集团董事长兼CEO杨元庆表示，推理芯片的时代即将来临。

二是全生命周期的成本，与一次性投入的训练芯片不同，推理芯片因为要回到用户问题，所以其成本产生是长期的，而且会随着用户问答数量的飙升而飙升，有数据显示：在生产环境中，推理芯片投入占大模型生命周期计算成本的80%至90%。

短期内采购量大+全生命周期费用占比高，让推理芯片成为AI商业化落地时代下最重的成本。

因此对于DeepSeek这类走低价格经济路线的大模型厂商来说，能不能降低推理芯片价格，就成为未来发展的关键。

【3】推理芯片自研很有难度

其实降低推理芯片的成本已经有很多企业在做了。

在完成首轮510亿元外部融资后，DeepSeek公布了该笔资金的用途，其中之一就是自研AI推理芯片，降低成本。

今年6月，OpenAI发布了与博通联合开发的首款定制推理芯片Jalapeño，以替换掉英伟达推理芯片，从而降低约50%的推理成本。

（来源：互联网） 

Anthropic就从OpenAI挖来了其自研芯片团队的早期核心成员Clive Chan，负责整个AI推理芯片的自研。

几乎所有大厂都将自研推理芯片作为优先选项，但自研这条路并不轻松，甚至会耽误大模型企业的进展。

首先是研发难度，AI大模型企业擅长算法架构这类软件层面，AI芯片此前只是上游的工具，如今要自研AI推理芯片，是要从软件领域跨界到完全陌生的硬件领域，需要在人员技术上重新积累。

其次是芯片厂商的迭代速度，相比大模型厂商，华为昇腾、寒武纪、英伟达这类AI芯片厂商有技术基础，他们对接整个大模型行业，能够根据市场需求快速研发生产，而大模型厂商只是针对自身需求定制推理芯片，再加上研发能力与芯片厂商有差距，这就可能导致出厂即落后的情况发生。

最后自研推理芯片最大的难题在于没有生态支持，以英伟达为例，其AI芯片除了算力性能外，更重要的是超过400万开发者的CUDA生态，这意味着，有庞大的开发者愿意适配芯片框架，愿意采购，进而增加芯片的采购量，从而降低成本。

而智普AI、DeepSeek等大模型企业自研芯片，它们没有生态，只能给自己用，无法依靠数量均摊研发成本，会让整个芯片成本居高不下。

可以说，对于智普AI、DeepSeek来说，自研推理芯片最难的不是研发，而是生态和产能，只有解决算法迭代、芯片流片、产能排期、用户生态这四个方面后，才能真正实现用自研推理芯片降低每百万Token推理成本的目标。

2026年的AI大模型行业，已经从“能不能做出好模型”的工程师时代，进入了“能不能把成本降到足够低”的工业时代。而AI大模型厂商能不能推出并使用自研推理芯片，这关系到这些公司是一家AI产品公司，还是一家AI时代的基础设施公司。