硅片上的权力转移：AI公司自研芯片背后的“推理经济学”突围

TL;DR：

AI公司纷纷投身自研芯片浪潮，其核心驱动力正从“训练算力”转向“推理经济学”。通过构建ASIC专用架构，AI公司试图摆脱英伟达的成本垄断与生态束缚，在智能体（Agent）时代重新掌握算力定价权。

算力权力的重构：从通用到专有

2026年夏季，芯片设计领域发生了一场静默的地震。从OpenAI的Jalapeño芯片到DeepSeek、智谱等实验室的自研评估，AI公司正集体背离“通用GPU”这一默认准则。这一现象的本质，是AI产业对“算力即权力”的一次深度修正：当模型架构在参数规模之外，开始转向更高效的推理路径时，英伟达定义的通用算力——那把昂贵的“瑞士军刀”——开始显示出结构性的冗余与经济性匮乏¹²。

推理经济学：被忽视的非线性增长

AI领域的算力需求重心已彻底偏移。随着智能体（Agent）的爆发，模型不再是“一问一答”的简单查询，而是需要进行多次规划、检索与执行的复杂循环系统。在这一背景下，训练是一次性固定资产投入，而推理则是持续的变动成本支出。

当模型服务数以亿计的用户时，推理环节的每瓦性能（Performance-per-Watt）直接决定了企业的净利率。如Midjourney将推理迁移至TPU后算力开销大幅下降的案例，证明了专用集成电路（ASIC）在确定性任务中能够以更小的晶体管密度实现更高效的算力输出。这种“手术刀式”的架构裁剪，让模型公司通过定制化芯片，将其软件优势物理化，从而在单位token成本上构筑起难以逾越的竞争壁垒³⁴。

逃离“CUDA禁锢”：一场关于主权的博弈

尽管英伟达以CUDA筑起了极高的软件生态护城河，但这种依赖本身即是一种战略脆弱性。对于前沿实验室而言，自研芯片不仅仅是为了省钱，更是为了在“模型-芯片-软件栈”的协同中，剔除英伟达硬件架构对算法创新的路径依赖。

中国AI实验室所面临的出口管制，更为这场自研运动平添了地缘政治的紧迫感。通过绕开先进制程限制，探索适配国产算力生态或定制化ASIC路径，成为保障生存与竞争力的必然选择。这不仅是商业维度的决策，更是技术主权的重塑过程⁴⁵。

预见未来：3-5年的算力生态分叉

我们正迈向一个算力基础设施高度分化的时代：

• 训练端（Training）：将继续作为高端通用GPU的领地，支撑不断演进的通用大模型架构；
• 推理端（Inference）：将全面迈入“ASIC化”时代。芯片设计将与模型架构深度绑定，甚至出现“模型即硬件”的趋势，即通过将核心算子（如MLA、MoE数据通路）固化于硅片，实现极致能效。

结语

这场自研浪潮并非宣告英伟达时代的终结，而是标志着AI产业从“暴力美学”的野蛮扩张，进入了“精细化运营”的深水区。谁能掌握底层的芯片定义权，谁就不仅是在控制自己的成本结构，更是在定义下一代AI应用的边界。

引用

• 算力战略
• 推理芯片
• ASIC
• 模型效率
• 技术主权
• 智能体