Строит ли DeepSeek собственный ИИ-чип? Разбор Reuters-отчёта июля 2026

Executive summary: что мы знаем за 30 секунд

Боли: почему экономика инференса заставляет строить custom silicon

Каждая ИИ-лаборатория с реальным трафиком видит одну структурную смету. Обучение — разовый взнос; инференс — ежемесячная аренда, растущая с каждым пользователем. На масштабе ChatGPT расходы на инференс обгоняют обучение — и generic GPU становятся вечной пошлиной.

1. «Налог Nvidia» на unit economics. Data-center GPU дают валовую маржу выше 70%. Каждый H100 или Blackwell отправляет большую часть маржи upstream. Hyperscaler конвертируют эту GPU-пошлину в разовую ASIC R&D.
2. Архитектурный mismatch на inferenz. GPU — швейцарский нож. LLM-inferenz — повторяемая матричная арифметика с предсказуемым batching, KV-cache и узкими местами по bandwidth памяти. ASIC оптимизируют именно под эти паттерны — часто на 30–40% ниже cost per token в масштабе hyperscaler.
3. Single-vendor lock-in и allocation risk. Даже US cloud giants стоят в очереди Nvidia. Export controls добавляют слой для китайских labs. Custom silicon — переговорный рычаг: 20% internal inferenz на in-house чипах меняет каждый procurement разговор.

Не только Китай: глобальная волна custom-чипов

Перед zoom на DeepSeek — макро: каждая крупная ИИ-лаборатория строит custom inferenz silicon в 2026 — не из национализма, а из unit economics.

• 24 июня 2026: OpenAI и Broadcom представили Jalapeño — inferenz-only ASIC с tape-out за 9 месяцев на TSMC 3nm.
• 2 июля 2026: The Information сообщил, что Anthropic изучает custom chips с Samsung на 2nm.
• 7 июля 2026: Reuters раскрыл inferenz chip DeepSeek; The Information отметил Zhipu AI в аналогичной оценке.

Данные TrendForce в отраслевых обзорах: рост отгрузок cloud custom AI chips 44,6% против 16,1% general-purpose GPU в 2026 — custom silicon впервые опережает GPU на значимом масштабе. Вопрос уже не строят ли ИИ-компании чипы, а как быстро каждая lab конвертирует inferenz workloads.

Что Reuters реально сообщил о DeepSeek (июль 2026)

7–8 июля 2026 Reuters опубликовал эксклюзив со ссылкой на трёх осведомлённых лиц. Ключевые утверждения, согласованные в последующих материалах:

1. DeepSeek разрабатывает custom AI chip, оптимизированный для inferenz, не обучения.
2. Проект стартовал примерно год назад (~середина 2025) и остаётся на ранней стадии.
3. DeepSeek ведёт переговоры с chip design firms, foundries и поставщиками памяти.
4. Компания тихо нарастила hiring chip-инженеров — в основном вне публичных job boards.
5. Успех снизил бы зависимость от Nvidia и Huawei Ascend — примечательно, потому что DeepSeek уже углубил Ascend для V4.

Чего DeepSeek не сделал: пресс-релиз, blog post или social confirmation. На момент публикации — credible reporting, не официальный product announcement.

Достоверность: насколько сильна evidence?

Безопасная формулировка: «По Reuters и последующим reports, DeepSeek запустил early-stage inferenz chip program.» Избегать: «Liang Wenfeng официально объявил, что DeepSeek будет строить чипы.»

Что CEO DeepSeek Liang Wenfeng говорил о чипах и compute

Liang Wenfeng редко даёт интервью. Наиболее chip-relevant источник — Anyong Waves (暗涌), май 2023 и июль 2024. Он не объявлял chip program — но его цитаты объясняют стратегическую логику, которую Reuters описывает как corporate action.

«Наш настоящий вызов никогда не был финансированием — это export ban на advanced chips.» — Liang Wenfeng, Anyong Waves, июль 2024

Разрывы domestic vs foreign training efficiency означают, что Китаю может понадобиться примерно 4× compute для эквивалентных результатов. — Liang Wenfeng, Anyong Waves

«Многие domestic chips не развиваются из-за отсутствия technology community — только second-hand information. Китаю необходимы люди на technology frontier.» — Liang Wenfeng, Anyong Waves

«Голод researchers по compute безграничен… мы сознательно deploy as much compute as possible.» — Liang Wenfeng, Anyong Waves

Ключевое различие: founder statements устанавливают motive (compute constraints, export controls, co-design necessity). Reuters описывает company behavior (hiring, foundry talks). Связаны, но не эквивалентны official chip launch.

Alibaba T-Head: ставка Jack Ma 2018 окупается в 2026

Пока chip DeepSeek на стадии rumor, T-Head (平头哥) Alibaba демонстрирует, как выглядит восьмилетняя in-house silicon program в зрелости — не июльский headline, а production business.

Timeline лидерства

Roadmap Zhenwu

Commercial metrics (2026): cumulative shipments превышают 560 000 units; annualized revenue на billion-yuan scale; 400+ enterprise customers на Zhenwu clusters; registered capital увеличен до 1 billion RMB в июне 2026; Alibaba pledged 380 billion RMB за три года на cloud и AI infrastructure.

Отношения с Nvidia: WSJ reported newer Alibaba chips aim for CUDA ecosystem compatibility — contrast с более isolated stack Huawei. Manufacturing shifted toward domestic foundries (industry consensus: SMIC 7nm-class mature nodes) по мере ужесточения TSMC advanced-AI restrictions.

Сравнение прогресса июля 2026: DeepSeek vs поле

Пять драйверов: почему каждый tech giant строит custom AI chips

Конкуренция сместилась от «у кого лучшая модель» к «у кого дешевле и контролируемее compute». Пять сил объясняют silicon rush 2026 — economics на первом месте.

1. Economics: inferenz — это rent. Morgan Stanley–style estimates via Reuters Breakingviews: 24 000-GPU Blackwell cluster ~$852M hardware vs ~$99M equivalent Google TPU cluster (hardware-only). SemiAnalysis и Bernstein estimate custom ASICs deliver 40–65% TCO advantage over GPUs at hyperscaler scale, с 30–40% lower per-token cost. Nvidia 70%+ GPU margins означают, что каждая покупка финансирует moat поставщика.
2. Supply chain resilience. US export controls на H100/H800/H20-class chips, Chinese procurement guidance favoring domestic compute, Nvidia allocation queues — single-vendor dependence board-level risk.
3. Hardware-software co-design. DeepSeek UE8M0 FP8 format, OpenAI Jalapeño serving-aware kernel design, Google TPU JAX/TensorFlow binding — один паттерн: optimize silicon для known model architectures вместо GPU flexibility tax на каждый token.
4. Competitive moat и bargaining power. Даже partial internal inferenz share strengthens Nvidia negotiations, differentiates cloud offerings, supports «model + cloud + chip» full-stack narratives (Alibaba «golden triangle»).
5. Energy и performance-per-watt. На gigawatt-scale data centers power и cooling rival chip purchase cost. ASICs remove unused GPU circuits.

Inferenz chips vs training GPU: почему индустрия раскалывается

Итог: training остаётся home turf Nvidia пока. Inferenz — где custom ASIC economics compound daily.

Безопасность vs стоимость: как frame decision

Geopolitical narratives доминируют в headlines, но enterprise procurement committees всё чаще lead with unit economics:

• TCO и «налог Nvidia» — Finance teams model inferenz as opex, scaling linearly с users. 30% per-token reduction at billion-token scale dwarfs one-time ASIC NRE.
• Supply chain resilience — «Security» здесь означает predictable allocation, dual sourcing, insulation от export-policy swings.
• Data sovereignty — Regulated industries care где runs inferenz; custom silicon в owned data centers reduces third-party GPU cloud dependency.

Для global readers: lead with economics и token cost; treat export controls как accelerator уже rational capex shift — не sole motivation.

Риски: early projects fail, architectures change

1. Early silicon often fails or slips. Custom ASIC programs routinely miss tape-out schedules. DeepSeek project explicitly «early stage» — production years away or never.
2. Meta MTIA restart precedent. Meta scrapped earlier MTIA generation и restarted — proof даже well-funded US labs hit dead ends.
3. Architecture change risk. ASICs optimize для today Transformer inferenz patterns. Fundamental architecture shift could strand specialized silicon.
4. Software migration cost. CUDA compatibility (Alibaba approach) reduces friction; fully custom stacks могут erase silicon savings в engineering time.

Хронология: DeepSeek, Alibaba, global custom silicon (2023–2026)

Пятшаговый runbook: оптимизация стоимости inferenz с Mac Cloud MLX

Hyperscaler ASIC timelines measure in years. Ваш API bill arrives monthly. Этот runbook helps developers reduce inferenz opex while custom silicon matures.

1. Audit inferenz spend и token baselines. Split costs by model, API tier, self-hosted GPU VPS. Calculate cost per million tokens. Flag memory-bandwidth-bound workloads.
2. Separate training from inferenz budgets. Reserve Nvidia-class GPUs for training. Plan inferenz migration to ASIC APIs, local MLX, Mac cloud independently.
3. Configure multi-provider inferenz gateway. Deploy LiteLLM with fallback across OpenAI/Anthropic APIs, local MLX/Ollama, future custom endpoints.
4. Validate local inferenz on Mac cloud MLX. VPSMAC M4 Pro 64GB: benchmark 14B–32B quantized models. Compare tokens per dollar vs cloud APIs — unified memory без CUDA driver pain.
5. Deploy 7×24 Agent production на predictable-cost Mac cloud. Move Codex-class agents и eval pipelines на isolated Mac hosts с launchd, SSH tunnels, auditable hourly billing.

Твёрдые данные для цитирования (EEAT)

• $7,4 billion (~510B RMB): DeepSeek June 2026 first external funding round; disclosed uses include self-developed AI chips и domestic compute expansion.
• 560 000+ units: Alibaba T-Head Zhenwu cumulative shipments H1 2026; billion-yuan annualized revenue.
• 44,6% vs 16,1%: TrendForce-cited 2026 shipment growth cloud custom AI chips vs general-purpose GPUs.
• 30–65% TCO: SemiAnalysis/Bernstein range custom ASIC advantage over GPUs at hyperscaler multi-year inferenz deployment.
• 70%+ gross margin: Nvidia data-center GPU margin band — «Nvidia tax» custom silicon aims to eliminate.
• ~4× compute: Liang Wenfeng estimate combined training- и data-efficiency gaps vs leading foreign labs.

FAQ

Действительно ли DeepSeek строит собственный ИИ-чип?

Согласно Reuters от 7 июля 2026 (три источника), DeepSeek на ранних стадиях custom chip для AI inferenz. Официального подтверждения нет. Treat as credible reporting, not product launch.

Объявлял ли CEO Liang Wenfeng chip program?

Нет публичного анонса. В Anyong Waves 2024 export controls на advanced chips — main challenge, not funding; emphasized deploying as much compute as possible. Quotes explain motive; Reuters describes corporate action.

Какова роль Alibaba?

T-Head, founded 2018 under Jack Ma strategy, mass-producing Zhenwu: 560 000+ units, billion-yuan revenue 2026. WSJ reported CUDA compatibility и SMIC-class domestic manufacturing.

Почему сначала inferenz chips?

Inferenz workloads repetitive и predictable — ideal for custom ASICs. Training still relies heavily on Nvidia GPUs и CUDA. Economics: inferenz runs 7×24 и scales с every user.

Национальная безопасность или экономия?

Both. Economics primary driver — cutting Nvidia tax и per-token costs at scale — while export controls и supply chain risk accelerate shift already rational on TCO alone.

Итог: custom silicon — global economics, не single headline

July 2026 DeepSeek Reuters story matters — но sits inside global shift visible in OpenAI Jalapeño tape-out, Alibaba 560K Zhenwu shipments, TrendForce 44,6% custom-silicon growth. Training remains Nvidia territory; inferenz — где rent renegotiated.

Для большинства developers waiting on hyperscaler ASIC roadmaps при volatile cloud API rates — или wrestling Linux GPU drivers на generic VPS — означает unpredictable unit economics и fragile 7×24 Agent uptime. Cloud APIs reprice без warning; GPU VPS instances lack unified memory для efficient mid-size model serving и bury you в CUDA maintenance. Если нужен auditable, local-verifiable inferenz пока chip wars play out, MLX на M4 Mac cloud node даёт fixed hourly cost, native Apple toolchain coexistence и Agent persistence без betting roadmap на чужой foundry schedule. Аренда VPSMAC Mac cloud host — pragmatic bridge: predictable inferenz economics today, not after next Reuters exclusive confirms tape-out.