很多人以为AI芯片只要算力够就能通吃，其实训练和推理对芯片的要求本质上是两个世界。训练需要FP32/BF16高精度浮点运算，要求成千上万张芯片同步通信（英伟达NVLink带宽600GB/s以上），精度一崩所有投入归零。推理则可以在量化、剪枝后容忍损失，更看重低延迟和吞吐量，对精度不敏感。正因如此，国产工程师才会说「自研推理芯片相对容易一些，训练芯片烧钱白烧风险太高」。

国产大模型公司造芯的紧迫感，根源在于系统性算力差距。当前国产AI旗舰芯片（华为昇腾910C）的FP16算力仅为英伟达H100的约60%，显存带宽落后50%以上，且最先进制程卡在7nm，而海外已进入3nm时代。更要命的是软件生态：英伟达CUDA拥有百万级开发者，国产芯片需从零构建算子库和框架适配，迁移成本极高——即便芯片硬件达标，用户也不愿意用。

大模型公司造芯并非稳赢。手机厂OPPO旗下哲库（ZEKU）2023年突然关停，3000人团队解散，百亿投入打了水漂。表面看是制裁压力，实则是更残酷的商业账：基带芯片技术难度极高（英特尔苹果都曾折戟），手机市场萎缩，自研芯片无法转化为高端溢价。段永平直言“改正错误越早越好”。这一案例提示：自研芯片是高投入、长周期、高风险的重资产游戏，大模型公司能否承受同样的回报周期仍是未知数。

摩根大通预测，最快到2027年定制ASIC出货量将首次超越GPU。这一判断的底气来自：OpenAI的Jalapeño芯片推理成本比GPU低50%，Meta MTIA每瓦性能提升7倍。大模型公司的推理负载（每天数亿次调用，模型结构固定）天然适合ASIC——砍掉GPU内部用不上的电路，只保留必要管线。但英伟达的CUDA生态与万卡集群互联方案仍是ASIC短期内无法攻克的护城河。拐点是真拐点，还是虚热闹，取决于国产模型用户量能否支撑起定制芯片的摊销规模。

DeepSeek今年崩了18次以上，最长的3月底宕机持续近12小时——日活一年涨了67%，但算力只扩容了8.3%，“剪刀差”撕开了大模型的高频免费服务困局。MoE架构的弹性差、高端GPU进口受阻、国产芯片适配效率仅80%，三重压力让「崩了」从偶发变成日常。如果推理需求继续井喷，国内大模型公司是要先在「买卡自研」之间选边，还是先找到能撑住亿级日活的算力运营方案？