烧光70000亿美元， 以英伟达、台积电为敌

本期以山姆·奥特曼7亿美元建厂的可行性分析为重点，独家发布腾讯新闻。未经授权，请不要转载。

文 / 前台积电建厂专家 Leslie Wu(公众号：梓豪谈芯)

有朋友问：Leslie，你出生在一家专业的工厂。此前有报道称，山姆奥特曼将投资7万亿元建造核心。虽然我没有明确回应，但大媒体一定不是空穴来风。如果有7万亿，性价比高，还是买性价比高。如果是，估计应该考虑哪些投资和因素？

奥特曼“7万亿”的谣言真的是石破天惊。这个想法很有趣。我们必须有丰富的半导体工厂建设、技术和操作等一系列知识来回答这个问题。我们可以试着计算一下，如果我们持有7亿美元，我们如何“合理”地花钱？

每万片晶圆，建厂投资150亿美元

首先，第一步必须是生产GPU逻辑芯片，这样就需要先建立一个逻辑晶圆工厂。我们以台积电最先进的2nm工厂为例，看看每万个晶圆的资本投入。

按照投资额划分，晶圆厂的各种投资比例大致如下：工艺设备：77%，土地和建筑：4%，洁净室：5%，水、电、化工等供应系统设施：14%。

光刻机是晶圆厂最大的工艺设备成本项目之一，占20%左右，2nm需要使用EUV光刻机(负责25层光刻)，成本相对较高，预计占24%左右。

当前台积电的2nm仍然采用低值孔径EUV，与ASML最新款NXE相对应。:晶圆3800E，每小时产生晶圆。（WPH，Wafer per hour）大约在190-200片之间，单台设备的月产能估计在2400片左右(具体计算见下表注释)，这意味着每万片晶圆的产能，NXEE需要4台ASML。:3800 EUV光刻机，除EUV负责的25层外，其它层还需要3台NXT片，每小时产生晶圆295片。:2100，以及KrF DUV光刻机。

*单台设备月产能=一小时产出晶圆数*运行时间*%customerefficiency(效率)*%doseageheadwind(vs.*30天*EUV层数*30天

根据ASML提供的数据，NXE:售价约2亿美元的3800E，NXT:大约7500万美元的2100i，大约1500万美元的KrFDUV，这意味着2nm工艺的晶圆厂，每万片晶圆产能，光刻机(包括维修和配件)的投资预计在13亿美元左右。

根据光刻机投资占所有工艺设备的24%，工艺设备总投资为54亿美元，而工艺设备占晶圆厂总投资的77%，从而反推。，每万片晶圆产能，2nm节点，晶圆厂总投资约71亿美元。

晶圆产能每万片，晶圆厂总投资划分，单位：美元

GPU逻辑芯片厂建成后，还要考虑HBMDRAM厂的建设。

我们以最先进的1gamma工艺为例。虽然DRAM的EUV光刻层有所减少，但每万个晶圆所需的设备数量并没有减少，反而增加了，尤其是蚀刻设备。总体而言，1gamma工艺的DRAM工厂投资约为逻辑芯片晶圆工厂总投资的85%，即60亿美元。

另外，在DUV时代，DRAM工厂的投资大约是同级逻辑晶圆工厂的110%-120%，直到7nm节点，EUV光刻机在逻辑工厂中得到了广泛的应用，每万片晶圆产能的投资开始超过DRAM工厂。

在处理了前端的GPU逻辑芯片和DRAM存储芯片之后，还需要解决后端的封装问题，包括CoWoS先进封装和HBM封装。

当前，最先进的AI芯片选择SoIC。 HBM4将采用混合键合技术，CoWoS封装技术（Hybrid Bonding），每万个晶圆的投资将大大增加到10亿美元(包括设备厂房)。此外，先进封装涉及的中介层还需要使用DUV搭建65/45nm的前端晶圆厂，投资额为每万个晶圆8亿美元。换言之，封装部分，每万片晶圆的总投资预计在18亿美元左右。

每万片晶圆产能，不同晶圆厂单位投资，单位：美元

这一花钱工作涉及到更多的数据，帮助大家做一个小总结，每万片晶圆产能，或单位投资金额，对应2nm工艺的思路晶圆厂、1gamma工艺的DRAM厂、封装厂(先进封装厂) 中介，十亿美元 在8亿美元方面，投资总额约为150亿美元。

每年生产600万个GPU，成本500亿美元

但是，GPU逻辑芯片、HBM内存和中介层，对应的比例并非1。:1:1的关系，在单位投资的基础上，总投资总额要按指数增加。这个指数大致可以来自一个GPU，需要的CPU。、计算HBM内存、中介层总数。

GPU，英伟达最新的Blackwell架构B200的Die size（814mm²）例如，每个晶圆可以切割80个芯片。根据台积电的最佳工艺，良率约为65%，即每个晶圆可以切割50个谷歌。 Die。

此外，由于GPU逻辑芯片是一个大芯片，物镜显像的景深需要控制在相对较大的水平，以提高光刻的曝光清晰面积，这将导致分辨率下降，这是缺陷增加和良率下降的重要原因。

Gracee与英伟达的B200相匹配。 CPU，两个GPU组合一个Grace CPU，所以50个GPU，需要搭配25个CPU。根据3nm工艺计算，Die的CPU 根据Size和良率估计，一个晶圆可以切割大约300个CPU芯片，这意味着一个GPU晶圆需要与0.08个CPU晶圆相匹配。

现在3nm节点，每万片晶圆的投资是2nm节点的70%，大约50亿美元，换句话说，投资71亿美元生产10000个GPU晶圆，同时投资71亿美元×70%×用于CPU晶圆生产的0.08，即4亿美元。

HBM是AI芯片的另一个亮点，英伟达的H100。、在Blackwell架构中，H200标配6个B200，采用8个HBM3e内存。根据台积电的最新路线图，2026年，一个GPU可以与12个HBM内存相匹配，届时HBM的规格将从12层HBM3e升级到16层HBM4/4e。

如前所述，2nm晶圆可以切割50个GPU逻辑芯片，按照B200的标准，每个晶圆需要400个HBM3e内存。现在，1gamma制造的DRAM芯片，每个晶圆大约能产生1200个DRAM颗粒，而按85%的良率计算，最终可获得1000个DRAM颗粒，然后将这些DRAM颗粒封装成12层的HBM3e内存。当前，封装的良率约为80%，即一个DRAM晶圆可以产生100000÷HBM3e内存12*80%，大约等于70个上下12层。

换言之，一个GPU晶圆不仅需要0.08个CPU晶圆，还需要5.7个DRAM晶圆。未来，随着GPU逻辑芯片组合HBM颗粒数量的进一步增加，尤其是堆叠数量从12层增加到16层，GPU:DRAM晶圆1:5.7的比例，将进一步扩大。

根据目前先进封装的中介层尺寸，一个晶圆可以完成15个GPU逻辑芯片的封装，对应一个芯片。晶圆的GPU逻辑芯片，需要先进的3.3片晶圆封装。。

每万片晶圆产能，不同晶圆厂的建厂投资，单位：美元

一句话总结：每个10000个GPU晶圆，需要800个CPU晶圆，57,000个DRAM晶圆，33,000个中介层晶圆，33,000个SoIC 先进的CoWoS封装，57,000个HBM封装，相应的投资，也就是1*71 0.08*50 5.7*60 3.3*10 3.3*8 5.7*10≈476亿美金。

每个10000片GPU晶圆的所有配套芯片生产厂都要花费476亿美元，加上其它杂七杂八的费用直接计算为整数。500亿美元，换算成每月50万个GPU芯片，每年600万个。

能在八年半烧完7亿美元

投资500亿美元，每年生产600万个GPU。这是什么概念？全世界的AI都可以根据台积电的CoWoS产能来计算。 在比较之前，GPU的数量。

2024年，台积电CoWoS产能达到31万片，其中95%是AICoWoS。 GPU，为Xilinx提供的FPGA只有一万多片，其余的近30万片被英伟达、AMD和Google等全球互联网大厂商，AWS，Meta，自研ASIC芯片刮分Mircosoft。

换言之，台积电CoWoS的生产能力代表了全球AI芯片的生产能力，2024年80%的GPU仍然只使用2.5。D CoWoS，英伟达的H100大约是每片29片，而其它自研ASIC则高于这一标准，有些还超过40片，目前只有AMDMI300使用SoIC封装，每片约15片。

综合下来，今年台积电的CoWoS产能达到30万个，对应的GPU约为1000万个，这是2024年全球AI。 大概GPU总量。如前所述，每年可以生产600万个GPU，投资500亿美元，换句话说，2024年，为满足全球需求，生产1000万个AI GPU，总投资需要830亿美元。这一水平相当于台积电2-3年的资本支出，也可能是台积电Fab20A，一个月产量12万片的2nm芯片厂的总投资。

投资830亿美元，可以制造出2024年全球所需的AI芯片，要花掉奥特曼的7亿美元，还有许多工作要做，毕竟830亿美元也只是建造芯片厂的费用。

晶片厂，DRAM厂、封装厂建成后，要注意生产服务器的工厂建设，还要建很多类似工业富联的工厂。然而，与芯片工厂相比，这种服务器组装工厂只是小巫见大巫，在AI服务器的所有产业链中构建所有工厂，包括服务器、光模块、液冷、铜电缆和各种模具工厂。每年生产1000万个GPU，按单个服务器8个GPU计算，即120万个服务器，下游工厂总投资约170亿美元。再加上830亿美元的上游芯片厂，1000亿美元是2024年世界上所有的AI 芯片 工厂建设总成本为服务器出货量所需。

上游和下游工厂的建设只是开始，技术需要持续的R&D投资，包括设计和制造相关的R&D费用，覆盖GPU、CPU、HBM、先进封装等阶段，这部分可以打包计算英伟达，AMD、台积电、SK海力士的R&D总额约为300亿美元。再加上服务器硬件的研发，如光模块、也冷等，研究开发部分的费用可达500亿美元。

而且对OpenAI来说，在推广AGI的道路上，还需要不断地进行模型研发投资，每年至少要花费200亿美元。

研究开发芯片部分 在AI部分的R&D，每年的总投资至少是700亿美元。如果你想更快地进入，增加R&D投资是不可避免的。估计每年需要加大对AGI最终目标的R&D投资力度，达到1000亿美元。

上述R&D费用不包括培训费用，而且培训需要大量的水电能耗，这部分基础设施也需要自建。

根据IEA(国际能源协会)计算，欧美目前建设1KW核电机组的成本约为4000美元，每百万千瓦核电机组每年发电约8.6亿度电，全球人工智能将在2027年耗电1340亿度，因此建造155组百万千瓦的核能机组大约需要6000亿美元。

根据加州大学河滨分校的研究，2027年，人工智能将消耗66亿立方米的清洁淡水，约为英国用水量的一半。主要场景来自三个耗水阶段:服务器冷却、发电和芯片制造。建造相应的水处理厂的成本约为1000亿美元。

与之前的投资相比，制造环节的人工成本相对较小，主要集中在芯片设计上，包括模型研发部分。

前端晶圆厂充满了人力配置。 ,所有前端工厂(包括DRAM、中介层等)每万片大约需要1000人，后期大约需要15000人，GPU年产能2000万片大约需要2万人，人均年芯15万美元，后期包装需要3万人，人均年薪约7万美元，加上5000名各类芯片制造R&D人员，人均20万美元，每一年，芯片制造商的工资总额为60亿美元。

根据英伟达达的设计和大语言模型的人工成本， OpenAI 微软服务器单位计算1.5倍，约5万人，平均年薪30万美元，涉及服务器的硬件制造工厂总数为15万人，电力和用水保障设施人员15万人，总共30万人，平均年薪8万美元，总共240亿美元。

上述所有环节，人工薪酬费用为每年60亿 150亿 总共有450亿美元的240亿美元。

在材料成本方面，GPU及相关芯片，加上所有服务器硬件，每件2000美元，每年2000万美元，即400亿美元。在服务器运行成本方面，人工成本为420亿美元 材料成本400亿美元 其它杂费180亿美元，取整数1000亿美元。

OpenAI年产2000万个GPU的投资和各种费用计算，单位：美元

上述就是奥特曼亲自造芯所涉及的主要环节的费用拆解，如果为奥特曼花这笔钱，理想的解决办法是：2000亿美元建设年产2000万个GPU(2024年全球约1000万个)，以及所有服务器硬件的制造工厂，然后每年投入1000亿美元推动AGI的最终目标，相关设计、R&D、制造总人工成本1000亿美元，建设能源和用水基础设施投资7000亿美元，同时编制2000亿美元现金用于应对税费和各种杂费或未计算的费用，最终保留4000亿美元作为可能漏算的准备金。因此，覆盖2000万个AI大约需要1.7亿美元。 所有GPU制造厂的风险投资。

在运营资金方面，需要保持每年1000亿美元的芯片和硬件新产能投入，继续推进摩尔定律，提高晶体管密度。每年新增2000亿美元的新电力和新用水投入，以及每年约1000亿美元的人工和材料。在这种情况下，每年的极限是增加7000亿美元的运营成本。

因此，不到2亿美元可以覆盖2024年全球AI芯片需求两倍的所有相关制造、能源基础设施和运营费用。，每年增加7000亿美元，这个预算大致可以再烧7.5年。

在拥有全球AIGPU两倍产能的基础上，奥特曼无法垄断全球人工智能-OpenAI模型，建立了以台积电为代表的全球最先进的芯片制造，并建立了以英伟达为代表的GPUic设计，假如奥特曼另起炉灶，全方位生产AI芯片，几乎会激怒全球芯片公司。

台积电、英伟达和许多芯片设计公司作为“老势力”，可能会帮助OpenAI的所有竞争对手，包括硅谷甚至全球大大小小的大型模型和AI应用公司，比如老对手DeepMind加谷歌，AWS，像Mircosoft这样的巨人，Stability、Anthropic等OpenAI创始人设立的企业。

即使OpenAI的芯片设计和制造能力与台积电和英伟达相当，面对世界上所有大小模型和算法的公司，也未必有很大的优势，更不用说用7万亿元的结局制造芯片，站在英伟达和台积电的对立面。

客观来说，如果不考虑生态，GPU设计公司就没那么不可替代了。在GPU设计中，没有AMD，甚至Cerebras，一家AI芯片设计公司，设计了整个晶圆面积，远远超过了传统的GPU。然而，在芯片制造方面，台积电目前倾向于骑行。

以2024年为例，台积电可以生产N3P工艺，每平方毫米高达2.84亿晶体管密度，排名第二的英特尔只能生产每平方毫米1.8亿晶体管的Intel。 第四，第一和第二之间已经出现了现代差异，如果在最高性能的芯片上不使用台积电技术，就会落后于竞争对手一代又一代。

芯片制造不能花钱积累，更需要技术积累的行业。最早需要三年时间才能建成芯片工厂，制造芯片。，对于OpenAI来说，假设“7万亿”真实存在，面对“旧势力”的反击，至少要持续三年。

本文来自微信微信官方账号“腾讯科技”（ID:qqtech），作者：LeslieWu，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com