“烧光”70000亿美元，与英伟达、台积电为敌

有朋友问：Leslie，你是专业建厂出身，之前传出山姆·奥特曼要投资7万亿造芯，虽然本人不明确回应，但大媒体传出来，一定不是空穴来风。如果有7万亿美元，造划算，还是买划算？如果造，可能要考虑哪些方面的投入及因素？

奥特曼的“7万亿美元”的传闻的确是石破天惊，构想很有意思，回答这个问题得具备丰富的半导体建厂，工艺，运营等一系列知识，我们可以尝试推算一下，如果手握7万亿美元，如何将这笔钱“合理地”花出去？

每万片晶圆，建厂投资150亿美元

首先，第一步必然是生产GPU逻辑芯片，这样一来需要先盖一座逻辑晶圆厂。我们以台积电最先进的2nm工厂为例，看看每万片晶圆的资本投入情况。

按投资额划分，晶圆厂各项投入比例大致为：制程设备：77%，土地与建筑物：4%，洁净室：5%，水电气化学品等供应系统设施：14%。

光刻机是晶圆厂最大的制程设备投资项目之一，占比在20%左右，而且2nm需要用到EUV光刻机（负责其中25层的光刻），成本相对更高，占比预计会提升至24%左右。

目前台积电的2nm还是采用低数值孔径的EUV，对应ASML最新款的NXE：3800E，其每小时产出晶圆（WPH，Wafer per hour）大致在190-200片的区间，单台设备每月产能预计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，需要4台ASML的NXE：3800 EUV光刻机。而除了EUV负责的25层外，其余层还需要3台每小时产出晶圆295片的NXT：2100，以及一台KrF DUV光刻机。

*单台设备月产能=每小时产出晶圆数*运行时长*% customer efficiency（效率）*% doseage headwind(vs.30mJ)*EUV层数*30天

按照ASML提供的数据，NXE：3800E售价2亿美元左右，NXT：2100i约7500万美元，KrF DUV约1500万美元，这意味着2nm工艺的晶圆厂，每万片晶圆产能，光刻机（含维修以及备件）的投入预计在13亿美元左右。

按照光刻机的投入占全部制程设备24%的比例倒推，制程设备的总投入为54亿美元，而制程设备占晶圆厂全部投资额的77%，以此倒推，2nm节点，每万片晶圆产能，晶圆厂总投资额大致为71亿美元。

每万片晶圆产能，晶圆厂总投资额划分，单位：美元

建完GPU逻辑芯片厂之后，还要考虑生产HBM的DRAM厂的建设。

我们以最先进的1gamma制程为例，尽管DRAM的EUV光刻层有所减少，但每万片晶圆需要的设备数量却不降反增，尤其是刻蚀设备，整体估算下来，1gamma制程的DRAM厂投资额大概在逻辑芯片晶圆厂的总投资额的85%，即60亿美元左右。

补充说一下，DUV时代，DRAM厂的投资额大概为同级别的逻辑晶圆厂110%-120%，直到7nm节点，逻辑厂开始大量使用EUV光刻机，每万片晶圆产能的投资额开始反超DRAM厂。

解决前段的GPU逻辑芯片和DRAM存储芯片之后，还要解决后段的封装问题，包括CoWoS先进封装、HBM封装两部分。

目前，最先进的AI芯片采用的是SoIC+CoWoS封装技术，HBM4将会采用混合键合（Hybrid Bonding），每万片晶圆的投资额将大幅提高至10亿美元（含设备厂房）。另外，先进封装涉及到的中介层，也还需利用DUV构建配套的65/45nm的前段晶圆厂，投资额为每万片晶圆8亿美元。也就是说，封装部分，每万片晶圆的整体投资额预计在18亿美元左右。

每万片晶圆产能，不同晶圆厂单位投资额，单位：美元

这个花钱的活涉及到的数据比较多，帮大家做一个小总结，每万片晶圆产能，或者说单位投资额，对应2nm制程的逻辑晶圆厂、1gamma制程的DRAM厂、封装厂（先进封装+中介层，10亿美元+8亿美元）方面的投资，合计在150亿美元左右。

年产600万颗GPU，成本500亿美元

但是，GPU逻辑芯片、HBM内存以及中介层，对应的比例不是1：1：1的关系，所有总投资额还要在单位投资额的基础上，按照系数增加，这个系数大致可以从一颗GPU，所需要的CPU、HBM内存、中介层的数量来推算。

以英伟达最新的Blackwell架构GPUB200的Die size（814mm²）为例，每片晶圆可以切80颗芯片，按照台积电最好的工艺，良率大致在65%左右，即每片晶圆可以切50颗Good Die。

附带说一下，由于GPU逻辑芯片是大芯片，为了提高光刻的曝光清晰面积，物镜成像的景深就需要控制在相对较大水平，这会导致分辨率降低，是缺陷变多，良率下降的重要原因。

英伟达的B200搭配了Grace CPU，2颗GPU搭配1颗Grace CPU，那么50颗GPU，需要搭配25颗CPU。按照3nm制程计算，以CPU的Die Size和良率预估，一片晶圆可以切300颗左右的CPU芯片，这意味着一片GPU晶圆，需要搭配0.08片CPU晶圆。

目前3nm节点，每万片晶圆的投资是2nm节点的70%，大致50亿美元，也就是说投入71亿美元生产10000片GPU晶圆的同时，还要对应投资71亿美元×70%×0.08，即4亿美元，用于CPU晶圆的生产。

AI芯片的另一个重头戏即HBM，英伟达的H100、H200标配6颗，到Blackwell架构的B200，则采用了8颗HBM3e内存。按照台积电最新的路线图，2026年，一颗GPU可以搭配12颗HBM内存，届时HBM的规格还将从12层堆叠的HBM3e，升级至16层堆叠的HBM4/4e。

如前文所述，2nm晶圆可以切出50颗GPU逻辑芯片，按照B200的标准，每片晶圆需要搭配400颗HBM3e内存。目前，1gamma制程的DRAM芯片，每片晶圆大概可以出1200颗DRAM颗粒，而按照85%的良率计算，最终可以得到1000颗DRAM颗粒，之后要将这些DRAM颗粒封装成12层堆叠的HBM3e内存。当下封装的良率大概在80%，即一片DRAM晶圆可以出1000÷12*80%，约等于70颗左右12层堆叠的HBM3e内存。

也就是说，一片GPU晶圆，除了需要0.08片CPU晶圆，还需要5.7片DRAM晶圆。未来随着GPU逻辑芯片搭配HBM颗粒数进一步增加，尤其是堆叠数量从12层提升到16层，GPU：DRAM晶圆（1：5.7）的比例，还会进一步扩大。

按现有先进封装的中介层尺寸，一片晶圆可以完成15颗GPU逻辑芯片的封装，对应一片GPU逻辑芯片的晶圆，需要3.3片晶圆的先进封装。

每万片晶圆产能，不同晶圆厂的建厂投资总额，单位：美元

一句话总结：每10000片GPU晶圆，需要800片CPU晶圆，5.7万片DRAM晶圆，3.3万片中介层晶圆，3.3万片SoIC+CoWoS先进封装，5.7万片HBM封装，对应的投资额，即1*71+0.08*50+5.7*60+3.3*10+3.3*8+5.7*10≈476亿美元。

每10000片GPU晶圆所有配套芯片的生产工厂需要耗费476亿美元，加上其他杂七杂八费用直接算整数为500亿美元，换算成GPU芯片数量，为每月50万颗，一年600万颗。

8年半可以烧完7万亿美元

投资500亿美元，一年生产600万颗GPU，这是个什么概念？可以根据台积电CoWoS产能，来推算全世界的AI GPU的量，然后再进行对比。

2024年，台积电CoWoS总共31万片的产能，其中95%都是给AI GPU，只有1万多片是给Xilinx的FPGA，剩下的近30万片产能被英伟达、AMD以及全球互联网大厂诸如Google，AWS，Meta，Mircosoft自研的ASIC芯片瓜分。

也就是说，台积电CoWoS产能代表全世界AI芯片产能，2024年80%的GPU还是只使用2.5D CoWoS，英伟达的H100大约是每片29颗，其他自研ASIC则都高于这个标准，有的还超过40颗，目前只有AMD的MI300使用SoIC封装，每片约为15颗。

综合下来，今年台积电30万片CoWoS产能，对应大约是1000万颗GPU，这也就是2024年全球AI GPU的大致总量。前面提到，投入500亿美元，每年可生产600万颗GPU，也就是说，在2024年，想要生产满足全世界需求的1000万颗AI GPU，总投入需要830亿美元。这个水平相当于台积电2-3年的资本支出，也大概是台积电Fab20A，一座月产12万片的2nm芯片工厂的总投资额。

投入830亿美元，就能生产出2024年全世界所需要的AI芯片，想要把奥特曼的7万亿美元花完，还有很多工作要做，毕竟830亿美元也仅仅是建设芯片工厂的费用。

芯片厂、DRAM厂、封装厂都盖完之后，就要考虑生产服务器的工厂建设，还得盖许多座类似工业富联的这样的工厂。不过这类服务器组装工厂与芯片工厂相比来说，只是小巫见大巫，把AI服务器所有产业链上的工厂全部建设起来，包含服务器，光模块，液冷，铜线材，各式各样的模具厂，年产1000万颗GPU，按单个服务器8颗GPU算，即120万台服务器，所有下游工厂的总投资额大致为170亿美元。加上上游芯片工厂的830亿美元，1000亿美元则是2024年全球所有AI 芯片+服务器出货量所需的工厂建设总成本。

上下游工厂建设只是开端，工艺还需要持续的研发投入，包括设计、制造相关的研发费用，覆盖GPU、CPU、HBM、先进封装等等环节，这部分可以打包算一下英伟达、AMD、台积电、SK海力士的研发总额，大致300亿美元。再加上服务器硬件研发、比如光模块、液冷等等，研发部分的费用满打满算可以达到500亿美元。

而对于OpenAI，在推进AGI的路上，也需要持续进行模型研发投入，每年在这上面的费用至少200亿美元。

芯片部分的研发+AI部分的研发，每年的总投入至少在700亿美元，如果要更快推进，加大研发投入是必然，所有推进AGI终极目标的研发投入，每年估算需加大投入到1000亿美元。

以上的研发费用还不包括训练费用，且训练需要大量的水电资源消耗，这部分基础设施同样需要自建。

欧美地区目前建设1KW核电机组的成本大约4000美元，每百万千瓦的核电机组一年发电量约为8.6亿度电，根据IEA（国际能源协会）计算，2027年全球人工智能将耗费1340亿度电，所以要建设155组百万千瓦的核能机组，这需要6000亿美元左右。

根据加州大学河滨分校的研究，2027年人工智能将耗费66亿立方米的清洁淡水，大约是全英国一半的用水量，主要场景来自于服务器的冷却，发电以及芯片制造这三大耗水环节，建设相应的水处理厂费用大约为1000亿美元。

相比前面的投资，制造环节的人力成本规模相对较小，重头戏主要在芯片的设计，包括模型研发部分。

前段晶圆厂把人力配置拉满 ， 每万片约需要1000人，后段约1500人，2000万颗GPU年产能的所有前段工厂（含DRAM，中介层等）大约需要2万人，人均年芯为15万美元，后段封装需要3万人，人均年薪约为7万美元，加上5000名各类芯片制造研发人员，人均20万美元，每年芯片制造的人员薪资费用总共60亿美元。

芯片设计以及大语言模型的人力成本方面，按照英伟达+OpenAI+微软服务器部门的1.5倍计算，约为5万人，人均年薪30万美元，共150亿美元涉及服务器所有硬件制造的工厂人数为15万人，电力以及用水保障设施人员15万人，共30万人，人均年薪8万美元，总共为240亿美元。

以上所有环节，人力薪资成本为每年60亿+150亿+240亿，共450亿美元。

物料成本方面，GPU及相关芯片，再加上所有服务器硬件的成本为2000美元/颗，年产2000万颗，即400亿美元。服务器的运营费用方面，人工420亿美元+物料成本400亿美元+其他杂费180亿美元，取整数1000亿美元。

OpenAI年产2000万颗GPU的投资额及各项费用推算，单位：美元

以上即奥特曼亲自下场造芯涉及到的主要环节的费用的拆解。如果替奥特曼花这笔钱，理想的方案是：

• 2000亿美元建设年产2000万颗GPU（2024年全球约1000万颗）以及涉及所有服务器硬件的制造工厂，然后为了推进AGI的终极目标每年投入1000亿美元的研发投入，相关设计、研发、制造总人力成本1000亿美元，投资7000亿建设能源以及用水的基础设施。

  
  

• 同时编列2000亿美元现金应付税费以及各种杂费或者没有计算到的费用，最后保留4000亿美元作为可能漏算的预备金，如此一来，大约需要1.7万亿美元，就可以覆盖2000万颗AI GPU所有制造工厂的启动资金。

运营资金方面，要保持每年1000亿美元的芯片以及硬件新产能投入，并持续推进摩尔定律，提升晶体管密度。每年新增2000亿美元的新电力及新用水投入，再加上人工以及物料等每年约1000亿美元，这样的话，每年的极限是新增7000亿美元的运营费用。

如此一来，不到2万亿美元即可覆盖2024年全球AI芯片需求量两倍的所有相关制造，能源基础设施和运营费用，每年新增控制在7000亿美元的水平，这笔预算大致可以再烧7.5年。

怒砸2万亿美元，拥有全世界AI GPU两倍产能 ，奥特曼也无法垄断全球人工智能——OpenAI的模型领先全球，建立在以台积电为代表的全球最先进的芯片制造，以及以英伟达为代表的GPU芯片设计的基础之上。如果奥特曼另起炉灶，全方位生产AI芯片，几乎是得罪了目前全球的芯片企业。

作为“旧势力”，台积电、英伟达以及众多芯片设计公司，有可能会扶持OpenAI的所有竞争对手，包括硅谷乃至于全球的大大小小做大模型以及AI应用的企业，诸如老对手DeepMind加上谷歌，AWS，Mircosoft等巨头，以及Stability、OpenAI前创始人成立的Anthropic等创企。

即便OpenAI的芯片设计与制造能力与台积电、英伟达相当，面对全球所有大小模型与算法的一众企业，本身就不一定有绝对优势，更何况带着7万亿美元下场造芯片，站在英伟达、台积电的对立面。

客观地说，如果不考虑生态，GPU设计公司倒不是那么无可替代。在GPU设计上，没有英伟达还有AMD，甚至还有Cerebras这类设计整片晶圆面积远远超过传统GPU的AI芯片设计公司，但在芯片制造上，目前台积电呈现一骑绝尘的态势。

以2024年为例，台积电可生产每平方毫米高达2.84亿晶体管密度的N3P工艺，排名第二的英特尔还只能生产每平方毫米1.8亿晶体管的Intel 4，第一跟第二之间已经出现了代差，如果在最高性能的芯片上不使用台积电工艺，在基础上就落后竞争对手一个世代。

芯片制造是无法用钱堆砌，更需要技术积累的行业，往死里砸钱砸人，最快也要三年才能建设好芯片工厂并生产出芯片。对OpenAI来说，假设“7万亿美元”真实存在，面对“旧势力”的反扑，也至少要撑过这三年。

本文来自微信公众号：腾讯科技（ID：qqtech），作者：Leslie Wu