На фоне стремительного роста возможностей AI-моделей всё заметнее становится другая проблема — стоимость их использования. Современные системы требуют огромных вычислительных ресурсов, особенно на этапе инференса, когда модель отвечает пользователям, выполняет задачи агентов или генерирует код. Поэтому разработка собственных чипов для DeepSeek может быть не просто способом снизить расходы, а попыткой получить контроль над будущей архитектурой ИИ.

По сообщениям китайских медиа, DeepSeek около года развивает проект собственного чипа для инференса. Подобный путь рассматривают и другие компании: OpenAI, Anthropic, Google, Amazon и Meta (запрещённая в России). Причина очевидна: универсальные GPU остаются крайне дорогими, а зависимость от ограниченного числа поставщиков вычислительной инфраструктуры создаёт и финансовые, и стратегические риски.

GPU Nvidia ценны своей универсальностью: они способны обучать и запускать множество разных моделей и вычислительных операций. Но именно эта гибкость оборачивается избыточностью в задачах постоянного инференса одной и той же архитектуры.

Специализированный чип может отказаться от части универсальности и направить больше энергии и площади кремния на конкретные операции — например, обработку Transformer-моделей, работу с памятью или маршрутизацию запросов между экспертами в MoE-архитектурах.

Однако специализированные процессоры несут серьёзные риски. Если индустрия меняет архитектурный стандарт, чип, оптимизированный под прежний подход, может быстро потерять актуальность. Кроме того, молодым производителям трудно конкурировать за передовые производственные мощности с Nvidia, Apple, AMD и другими крупными заказчиками.

Именно здесь DeepSeek может иметь иную позицию, чем независимые стартапы в сфере чипов. Компании вроде Groq, Etched или Cerebras вынуждены создавать продукт для широкого рынка и заранее угадывать, какие модели будут востребованы. DeepSeek же разрабатывает чип прежде всего для собственных моделей. Она может адаптировать алгоритмы под аппаратную платформу и, наоборот, проектировать железо с учётом особенностей своих моделей.

Особенно важным направлением может стать поддержка MoE — моделей со смесью экспертов. В таких системах для каждого токена активируется лишь небольшая часть параметров, но требуется быстро определить, к каким именно экспертам направить вычисления. На универсальном GPU эта маршрутизация выполняется программно и может становиться узким местом. В специализированном процессоре её можно частично перенести на аппаратный уровень, снизив задержки и стоимость обработки запросов.

Вероятно, DeepSeek не обязательно будет стремиться к самым передовым техпроцессам. Для внутреннего инференса более зрелые производственные нормы при грамотной оптимизации могут оказаться экономически выгоднее, чем дорогая гонка за минимальными нанометрами. Главный показатель здесь — не рекордная производительность одной карты, а стоимость обработки одного токена при приемлемом качестве и стабильности.

Таким образом, собственный чип для DeepSeek — это ставка на вертикальную интеграцию. Её смысл состоит в переходе от модели, где алгоритмы вынуждены подстраиваться под возможности доступного оборудования, к модели, где программное и аппаратное обеспечение развиваются как единая система.

Даже успешный проект не сможет мгновенно разрушить доминирование Nvidia с её экосистемой CUDA, программными инструментами и огромной базой разработчиков. Но он может дать китайской AI-индустрии больше свободы в выборе моделей, форматов вычислений и инфраструктурных решений. В долгосрочной перспективе именно способность совместно развивать модели, программное обеспечение и чипы может стать одним из ключевых факторов конкурентоспособности в эпоху ИИ.