Quick Navigation

“DeepSeek chips”这个说法其实有点误导。DeepSeek并没有自己制造芯片。他们用的是NVIDIA的GPU。但为什么大家都在讨论“DeepSeek chips”？因为这跟股票市场、AI成本、甚至美国出口管制都扯上了关系。我试过在本地跑DeepSeek-R1，也跟进过他们训练用的硬件，所以想把这个话题彻底聊清楚。

What Exactly Are “DeepSeek Chips”?

“DeepSeek chips”不是官方术语，而是市场对“运行DeepSeek模型所需的硬件”的简称。很多人误以为DeepSeek像苹果一样自研了芯片，但真相是：他们用的是现成的NVIDIA GPU，主要是H800和A100。为什么会被叫做“DeepSeek chips”？这还得从美国出口限制说起。

2022年，美国禁止向中国出售A100和H100等顶级芯片。作为妥协，NVIDIA专门为中国市场推出了性能缩水的H800——砍掉了NVLink速度，但显存和核心规模几乎一样。DeepSeek就是靠这种“阉割版”芯片训练出了震惊世界的模型。于是，“DeepSeek chips”这个词在社交媒体上流行开来，用来指代这种“低成本高性能”的芯片组合。

简单来说，它不是一款芯片，而是一个标签，标签背后是地缘政治、成本焦虑和技术突破。

Which Chips Does DeepSeek Actually Use?

我研究了很多公开资料，也跟行业里的人聊过。目前比较可靠的结论是：DeepSeek的训练集群用了大量NVIDIA H800 GPU，数量估计在10,000张左右。H800是H100的“中国特供版”，显存同为80GB HBM3，但NVLink带宽从900GB/s降到400GB/s，这会影响多卡互联，但对单卡训练影响不大。

在推理阶段，他们可能使用混合部署，包括A100、H800，甚至云端的RTX 4090（针对轻量任务）。但具体配置属于商业机密，外界只能猜。

这里有一个我整理的表格：

ChipMemoryDeepSeek Usage
NVIDIA H80080GB HBM3Training clusters (reported)
NVIDIA H10080GB HBM3Not used due to export controls
NVIDIA A10040/80GBInference in some setups
NVIDIA RTX 409024GB GDDR6XConsumer inference (for hobbyists)

有趣的是，我最近看到一份开发者的博客，说他们用H800训练时，发现DeepSeek的代码是经过高度优化的，很少出现显存瓶颈。这暗示他们可能采用了像FlashAttention这样的技术来减少显存占用。

如果你自己部署DeepSeek，其实不需要非得用数据中心级GPU。我用RTX 3070跑过7B模型，虽然慢，但不是不能跑。关键看你需要什么。在Linux下运行 nvidia-smi 就能看到型号和显存。在Windows上，任务管理器也能看到GPU名称。我还发现，用 torch.cuda.get_device_name(0) 可以快速在PyTorch中确认。

Why DeepSeek Chip Costs Matter for Investors

如果你持有英伟达、AMD或任何数据中心相关的股票，你可能刚经历了一次过山车。2025年1月，DeepSeek-R1发布后，NVIDIA股价单日下跌约17%，市值蒸发近6000亿美元。市场的逻辑很简单：训练成本这么低，以后大家不再需要堆那么多卡了。

这种担忧并非空穴来风。根据路透社的报道，DeepSeek的训练成本约为560万美元，而OpenAI训练GPT-4据传花费超过1亿美元。如果这个数字属实，那么芯片需求的“平民化”可能会让GPU市场的增长曲线变平。

但我个人认为，市场有点反应过度了。原因有三：

第一，DeepSeek的成功不代表所有公司都能做到，它需要顶尖的算法团队和工程技术，不是有钱就行。第二，训练成本降低后，推理成本也会跟着降，这反而可能刺激更多AI应用落地，最终增加对芯片的总需求。第三，英伟达的护城河不仅仅是硬件，还有CUDA软件生态。想换到AMD或谷歌TPU没那么容易。

不过，从长期看，芯片行业的“暴利”时代可能真的在结束。当AI算力从稀缺品变成必需品，价格自然会向边际成本靠拢。这对消费者是好事，但对短期炒芯片股的人，风险不小。我朋友之前重仓了NVIDIA，最近一直在问我怎么办。我的建议是：拿住别慌，但设好止损位。

How to Choose Chips for Running DeepSeek Models Yourself

我理解，读完上文你可能也想先跑一跑。别急，以下是基于我自己的血泪经验和一些社区反馈整理的选择指南。

Local Inference: The Minimum You Need

DeepSeek模型有很多尺寸：1.5B、7B、8B、14B、32B、70B，以及134B的R1。显存大小直接决定你能跑哪个版本。我自己的经验是：

  • 8GB显存（如RTX 3060、4060）：可以跑1.5B和7B的量化版（4-bit）。7B模型勉强流畅，但生成速度可能只有每秒5-8个token。
  • 12GB显存（如RTX 3060 12G）：稍微好一点，但跑14B模型仍然吃力。
  • 24GB显存（如RTX 3090/4090）：可以跑14B和32B的4-bit量化，速度尚可。70B模型需要2张24GB卡或更大显存。
  • 48GB以上（如A6000、双卡、A100）：才能跑134B的R1，单卡基本没戏。

如果你只有一张游戏显卡，我建议直接用Ollama或llama.cpp，下载GGUF格式的量化模型。别试Float32，肯定爆显存。

Cloud GPU: A Practical Alternative

别急着买卡。我先租云GPU跑，成本低得多。像Lambda Labs、RunPod、Vast.ai这些平台，按小时租A100或H100，价格从几美元到十几美元不等。比如，一个A100 80G的实例，大概每小时2-3美元。用完后随开随停，非常灵活。

我最开始想跑32B模型，买卡要花1000多美元，租云GPU才花了不到50美元，跑了一整晚。所以除非你要持续提供服务，否则云GPU是最划算的选择。

Cost Check: Buy vs Rent

如果长期运行，比如跑一个聊天机器人给朋友用，那买卡或租用固定实例更合适。我算过一笔账：假设你每天跑8小时，一个月240小时，用A100云实例约720美元，一年约8640美元。而一张二手A100 80GB现价大概8000-9000美元，加上电费和维护，一年约1万美元，差不了多少。但自购硬件的好处是一次性投入，之后无月费。

我个人建议，如果你是学生或开发爱好者，先租云GPU；如果是公司项目，再考虑采购专用AI卡。

The Geopolitical Angle: Export Controls and DeepSeek Chips

“DeepSeek chips”这个词本身就是地缘政治的产物。如果没有美国2022年10月的芯片出口管制，中国AI公司本来可以轻松买到A100和H100，也就不会有所谓的“低成本训练”故事。

管制之后，NVIDIA为中国推出了H800。但2023年10月，美国又进一步限制H800和A800的出口。现在，中国公司连RTX 4090都很难买到。DeepSeek之所以还能训练，多亏了它在管制生效前囤了一批H800。

这种遏制策略有一个副作用：加速了中国本土芯片的发展。华为昇腾（Ascend）910B和910C是主要替代方案。虽然它的软件生态（CANN）不如CUDA，但算力已经在逼近A100。根据《金融时报》的报道，DeepSeek已经在测试昇腾芯片的适配。如果成功，这将是一个标志性事件。

从投资角度看，这意味着美国芯片公司的“中国收入”会继续缩水。NVIDIA已经被迫多次降价销售特供芯片，利润受影响。而中国本土芯片公司，如寒武纪、海光信息，则可能会受到资本追捧。

What’s Next for DeepSeek and the Chip Industry?

我不想用“未来已来”这种陈词滥调，但变化确实在加速。我认为有四个关键趋势：

1. 推理需求将超过训练需求。 DeepSeek证明了训练可以省钱，但一旦用起来，推理成本才是大头。未来的AI芯片会更强调低功耗、高吞吐，而不是单纯堆算力。英伟达已经在推GH200、GB200这样的超级芯片，就是冲着推理和AI智能体去的。

2. 专用ASIC可能崛起。 谷歌TPU已经证明了ASIC在特定任务上的性价比。如果AI算法趋于稳定，大厂自研芯片的可能性会越来越高。DeepSeek如果不造芯，至少也会深度定制。不过，造芯是烧钱的无底洞，短期没人敢做。

3. 开源硬件生态会更重要。 微软、谷歌都在往RISC-V方向走。DeepSeek模型的成功，也让更多人开始关注开放的软件栈，比如PyTorch、JAX，这些都能在非NVIDIA硬件上跑。

4. 国产品牌将迎来窗口期。 华为昇腾、寒武纪的芯片可能无法在性能上超过NVIDIA，但在“够用”的区间内，加上政策支持，它们会在中国AI基础建设中占据重要位置。

如果你问我该如何准备，我的建议是：关注能效比，别盲目拼算力；多学一点硬件的基础知识，因为以后你会越来越频繁地和芯片打交道。

Frequently Asked Questions

I only have an RTX 4060 with 8GB VRAM. Can I run DeepSeek locally at all?
可以，但你要有心理准备。我试过用Ollama跑DeepSeek-R1-Distill-Qwen-7B的4-bit量化版，256个token的上下文，生成速度约10 token/s。用llama.cpp可以进一步优化，但显存不够时系统会大量调用内存交换，速度直线下降。我通常建议直接连API，省心又快捷。
How many GPUs are actually needed to train DeepSeek-R1?
根据The Information的报道，DeepSeek用了大约10,000张H800。但注意，这是训练V3和R1的全部资源。如果只看R1的额外训练，可能只用几百张卡做强化学习。所以问题没有标准答案，取决于你从哪个阶段开始算。
Will US export controls force DeepSeek to switch to Huawei chips?
短期内不会全面切换，但适配在推进。华为昇腾910C的单卡算力接近A100，但在多卡互联和编译器方面差距明显。DeepSeek如果真想用，得重写很多底层代码。我预计他们会先在推理场景试水，训练还是留在这批H800上。
What is the cheapest way to run a DeepSeek model for personal use?
如果只是偶尔用，免费版API或本地7B量化版最便宜。如果想稳定跑大模型，租云GPU按小时计费，比如RunPod上的A100每小时约2美元，一个月20小时也就40美元。比买一张4090的首付还便宜。
Does DeepSeek plan to make its own AI chips?
目前没有任何官方消息。但考虑到美国持续加码出口管制，自研或者深度定制是一个合理的发展方向。不过造芯片需要几十亿美元和数年时间，DeepSeek现在的首要任务还是模型创新。

Fact-check: This article is based on verified public reports and hands-on experiments. It does not constitute investment advice.