DeepSeek sta sviluppando un chip AI proprietario progettato per l’inferenza, con l’obiettivo di ridurre la dipendenza dai processori Nvidia e dalle soluzioni Huawei Ascend utilizzate come alternativa nazionale nel mercato cinese. Il progetto si colloca in una fase in cui l’accesso ai chip statunitensi più avanzati resta limitato dai controlli all’esportazione, mentre la domanda di capacità computazionale per eseguire modelli linguistici su larga scala continua a crescere.
La scelta di concentrarsi sull’inferenza è tecnicamente significativa, perché riguarda la fase in cui il modello già addestrato viene usato per generare risposte, elaborare richieste, sostenere servizi chatbot e alimentare applicazioni operative. A differenza del training, che richiede enormi cluster di acceleratori e lunghi cicli di calcolo, l’inferenza è un carico ricorrente, distribuito e direttamente collegato ai costi di servizio. Per una società come DeepSeek, nota per modelli ad alta efficienza e per l’ottimizzazione del rapporto tra prestazioni e consumo computazionale, controllare anche il livello hardware significa poter adattare meglio architettura del modello, formato numerico, memoria, interconnessione e compilazione del runtime.
Il progetto sarebbe ancora in una fase iniziale e coinvolgerebbe partner esterni insieme al reclutamento di ingegneri specializzati nella progettazione di semiconduttori. Questo indica che DeepSeek non sta semplicemente cercando un sostituto generico alle GPU disponibili sul mercato, ma punta a una piattaforma più aderente ai propri carichi di lavoro. Un chip per inferenza può essere ottimizzato per matrici dense e sparse, gestione efficiente della memoria, bassa latenza nelle risposte e migliore rapporto prestazioni per watt, tutti elementi decisivi quando un modello deve servire milioni di richieste in modo stabile.
La mossa riflette anche un cambiamento più ampio nel settore dell’intelligenza artificiale. Le aziende che sviluppano modelli fondazionali stanno cercando di ridurre la dipendenza dai fornitori tradizionali di acceleratori, perché il costo dell’infrastruttura è diventato una delle principali variabili competitive. Nel caso cinese, questa pressione è amplificata dalle restrizioni statunitensi, che hanno reso più difficile l’accesso ai chip Nvidia di fascia più alta e hanno spinto molte realtà locali verso l’ecosistema Huawei Ascend. DeepSeek, sviluppando una soluzione interna, proverebbe a inserirsi in questa traiettoria con un livello di controllo maggiore sulla propria catena tecnologica.
Il punto critico sarà la produzione. Progettare un acceleratore AI non significa automaticamente poterlo realizzare su larga scala con prestazioni competitive, soprattutto quando servono processi produttivi avanzati, memoria ad alta larghezza di banda, packaging sofisticato e software di compilazione maturo. La qualità dell’ecosistema software sarà decisiva quanto il silicio, perché un chip AI diventa realmente utile solo se i modelli possono essere convertiti, ottimizzati ed eseguiti senza perdita significativa di prestazioni o stabilità.
Se il progetto riuscisse a superare queste barriere, DeepSeek potrebbe ottenere un vantaggio infrastrutturale rilevante: non solo minore esposizione alle forniture esterne, ma anche una maggiore integrazione tra modello, runtime e hardware. In un mercato in cui l’efficienza dell’inferenza determina costi, margini e capacità di scalare i servizi AI, il passaggio verso un chip proprietario segnala che la competizione tra laboratori di intelligenza artificiale non si gioca più soltanto sui modelli, ma sull’intera architettura industriale che li rende operativi.