文/ 前台積電建廠專家 leslie wu（公眾號：gh_df9a5da4dcbd）
有朋友問：leslie，你是專業建廠出身，之前傳出山姆奧特曼要投資7萬億造芯，雖然本人不明確回應，但大媒體傳出來，一定不是空穴來風。如果有7萬億，造划算，還是買划算，如果造，可能要考慮哪些方面的投入及因素？
奧特曼的「7萬億」傳聞的確是石破天驚，構想很有意思，回答這個問題得具備豐富的半導體建廠，工藝，運營等一系列知識，我們可以嘗試推算一下，如果手握7萬億美元，如何將這筆錢「合理地」花出去？
每萬片晶圓，建廠投資150億美元
首先，第一步必然是生產gpu邏輯晶元，這樣一來需要先蓋一座邏輯晶圓廠。我們以台積電最先進的2nm工廠為例，看看每萬片晶圓的資本投入情況。
按投資額劃分，晶圓廠各項投入比例大致為：製程設備:77%，土地與建築物:4%，潔凈室:5%，水電氣化學品等供應系統設施:14%。
光刻機是晶圓廠最大的製程設備投資項之一，佔比在20%左右，而且2nm需要用到euv光刻機（負責其中25層的光刻），成本相對更高，佔比預計會提升至24%左右。
目前台積電的2nm還是採用低數值孔徑的euv，對應asml最新款的nxe:3800e，其每小時產出晶圓（wph，wafer per hour）大致在190-200片的區間，單台設備每月產能預計2400片左右（具體計算見下表注釋），這意味著每萬片晶圓的產能，需要4台asml的nxe:3800 euv光刻機，而除了euv負責的25層外，其餘層還需要3台每小時產出晶圓295片的nxt:2100，以及一台krf duv光刻機。
按照asml提供的數據，nxe:3800e售價2億美元左右，nxt:2100i約7500萬美元，krf duv約1500萬美元，這意味著2nm工藝的晶圓廠，每萬片晶圓產能，光刻機(含維修以及備件)的投入預計在13億美元左右。
按照光刻機的投入佔全部製程設備24%的比例倒推，製程設備的總投入為54億美元，而製程設備占晶圓廠全部投資額的77%，以此倒推，2nm節點，每萬片晶圓產能，晶圓廠總投資額大致為71億美元。
建完gpu邏輯晶元廠之後，還要考慮生產hbm的dram廠的建設。
我們以最先進的1gamma製程為例，儘管dram的euv光刻層有所減少，但每萬片晶圓需要的設備數量卻不降反增，尤其是刻蝕設備，整體估算下來，1gamma製程的dram廠投資額大概在邏輯晶元晶圓廠的總投資額的85%，即60億美元左右。
補充說一下，duv時代，dram廠的投資額大概為同級別的邏輯晶圓廠110%-120%，直到7nm節點，邏輯廠開始大量使用euv光刻機，每萬片晶圓產能的投資額開始反超dram廠。
解決前段的gpu邏輯晶元和dram存儲晶元之後，還要解決後段的封裝問題，包括cowos先進封裝、hbm封裝兩部分。
目前，最先進的ai晶元採用的事soic+cowos封裝技術，hbm4將會採用混合鍵合（hybrid bonding），每萬片晶圓的投資額將大幅提高至10億美元（含設備廠房）。另外，先進封裝涉及到的中介層，也還需利用duv構建配套的65/45nm的前段晶圓廠，投資額為每萬片晶圓8億美元。也就是說，封裝部分，每萬片晶圓的整體投資額預計在18億美元左右。
這個花錢的活涉及到的數據比較多，幫大家做一個小總結，每萬片晶圓產能，或者說單位投資額，對應2nm製程的邏輯晶圓廠、1gamma製程的dram廠、封裝廠（先進封裝+中介層，10億美元+8億美元）方面的投資合計在150億美元左右。
年產600萬顆gpu，硬體成本500億美元
但是，gpu邏輯晶元、hbm內存以及中介層，對應的比例不是1:1:1的關係，所有總投資額還要在單位投資額的基礎上，按照係數增加，這個係數大致可以從一顆gpu，所需要的cpu、hbm內存、中介層的數量來推算。
以英偉達最新的blackwell架構gpu b200的die size（814mm²）為例，每片晶圓可以切80顆晶元，按照台積電最好的工藝，良率大致在65%左右，即每片晶圓可以切50顆good die。
附帶說一下，由於gpu邏輯晶元是大晶元，為了提高光刻的曝光清晰面積，物鏡成像的景深就需要控制在相對較大水平，這會導致解析度降低，是缺陷變多，良率下降的重要原因。
英偉達的b200搭配了grace cpu，2顆gpu搭配1顆grace cpu，那麼50顆gpu，需要搭配25顆cpu。按照3nm製程計算，以cpu的die size和良率預估，一片晶圓可以切300顆左右的cpu晶元，這意味著一片gpu晶圓，需要搭配0.08片cpu晶圓。
目前3nm節點，每萬片晶圓的投資是2nm節點的70%，大致50億美元，也就是說投入71億美元生產10000片gpu晶圓的同時，還要對應投資71億美元×70%×0.08，即4億美元，用於cpu晶圓的生產。
ai晶元的另一個重頭戲即hbm，英偉達的h100、h200標配6顆，到blackwell架構的b200，則採用了8顆hbm3e內存。按照台積電最新的路線圖，2026年，一顆gpu可以搭配12顆hbm內存，屆時hbm的規格還將從12層堆疊的hbm3e，升級至16層堆疊的hbm4/4e。
如前文所述，2nm晶圓可以切出50顆gpu邏輯晶元，按照b200的標準，每片晶圓需要搭配400顆hbm3e內存。目前，1gamma製程的dram晶元，每片晶圓大概可以出1200顆dram顆粒，而按照85%的良率計算，最終可以得到1000顆dram顆粒，之後要將這些dram顆粒封裝成12層堆疊的hbm3e內存。目前，封裝的良率大概在80%左右，即一片dram晶圓可以出1000÷12*80%，約等於70顆左右12層堆疊的hbm3e內存。
也就是說，一片gpu晶圓，除了需要0.08片cpu晶圓，還需要5.7片dram晶圓。未來隨著gpu邏輯晶元搭配hbm顆粒數進一步增加，尤其是堆疊數量從12層提升到16層，gpu:dram晶圓1:5.7的比例，還會進一步擴大。
按現有先進封裝的中介層尺寸，一片晶圓可以完成15顆gpu邏輯晶元的封裝，對應一片gpu邏輯晶元的晶圓，需要3.3片晶圓的先進封裝。
一句話總結：每10000片gpu晶圓，需要800片cpu晶圓，5.7萬片dram晶圓，3.3萬片中介層晶圓，3.3萬片soic+cowos先進封裝，5.7萬片hbm封裝，對應的投資額，即1*71+0.08*50+5.7*60+3.3*10+3.3*8+5.7*10≈476億美元。
每10000片gpu晶圓所有配套晶元的生產工廠需要耗費476億美元，加上其他雜七雜八費用直接算整數為500億美元，換算成gpu晶元數量，為每月50萬顆，一年600萬顆。
8年半可以燒完7萬億美元
投資500億美元，一年生產600萬顆gpu，這是個什麼概念？可以根據台積電cowos產能，來推算全世界的ai gpu的量，然後再進行對比。
2024年，台積電cowos總共31萬片的產能，其中95%都是給ai gpu，只有一萬多片是給xilinx的fpga，剩下的近30萬片被英偉達、amd以及全球互聯網大廠諸如google，aws，meta，mircosoft的自研asic晶元瓜分。
也就是說，台積電cowos產能代表全世界ai晶元產能，2024年80%的gpu還是只使用2.5d cowos，英偉達的h100大約是每片29顆，其他自研asic則都高於這個標準，有的還超過40顆，目前只有amd的mi300使用soic封裝，每片約為15顆。
綜合下來，今年台積電30萬片cowos產能，對應大約是1000萬顆gpu，這也就是2024年全球ai gpu的大致總量。前面提到，投入500億美元，每年可生產600萬顆gpu，也就是說，在2024年，想要生產滿足全世界需求的1000萬顆ai gpu，總投入需要830億美元。這個水平相當於台積電2-3年的資本支出，也大概是台積電fab20a，一座月產12萬片的2nm晶元工廠的總投資額。
投入830億美元，就能生產出2024年全世界所需要的ai晶元，想要把奧特曼的7萬億美元花完，還有很多工作要做，畢竟830億美元也僅僅是建設晶元工廠的費用。
晶元廠、dram廠、封裝廠都蓋完之後，就要考慮生產伺服器的工廠建設，還得蓋許多座類似工業富聯的這樣的工廠，不過這類伺服器組裝工廠與晶元工廠相比來說，只是小巫見大巫，把ai伺服器所有產業鏈上的工廠全部建設起來，包含伺服器，光模塊，液冷，銅線材，各式各樣的模具廠，年產1000萬顆gpu，按單個伺服器8顆gpu算，即120萬台伺服器，所有下游工廠的總投資額大致為170億美元。加上上游晶元工廠的830億美元，1000億美元則是2024年全球所有ai 晶元+伺服器出貨量所需的工廠建設總成本。
上下游工廠建設只是開端，工藝還需要持續的研發投入，包括設計、製造相關的研發費用，覆蓋gpu、cpu、hbm、先進封裝等等環節，這部分可以打包算一下英偉達、amd、台積電、sk海力士的研發總額，大致300億美元。再加上伺服器硬體研發、比如光模塊、也冷等等，研發部分的費用滿打滿算可以達到500億美元。
而對於openai，在推進agi的路上，也需要持續的進行模型研發投入，每年在這上面的費用至少200億美元。
晶元部分的研發+ai部分的研發，每年的總投入至少在700億美元，如果要更快入的推進，加大研發投入是必然，所有推進agi終極目標的研發投入，每年估算需加大投入到1000億美元。
以上的研發費用還不包括訓練費用，且訓練需要大量的水電資源消耗，這部分基礎設施同樣需要自建。
歐美地區目前建設1kw核電機組的成本大約4000美元，每百萬千瓦的核電機組一年發電量約為8.6億度電，根據iea(國際能源協會)計算，2027年全球人工智慧將耗費1340億度電，所以要建設155組百萬千瓦的核能機組，這需要6000億美元左右。
根據加州大學河濱分校的研究，2027年人工智慧將耗費66億立方米的清潔淡水，大約是全英國一半的用水量，主要場景來自於伺服器的冷卻，發電以及晶元製造這三大耗水環節，建設相應的水處理廠費用大約為1000億美元。
相比前面的投資，製造環節的人力成本規模相對較小，重頭戲主要在晶元的設計，包括模型研發部分。
前段晶圓廠把人力配置拉滿 , 每萬片約需要1000人，後段約1500人，2000萬顆gpu年產能的所有前段工廠(含dram，中介層等)大約需要2萬人，人均年芯為15萬美元，後段封裝需要3萬人，人均年薪約為7萬美元，加上5000名各類晶元製造研發人員，人均20萬美元，每年晶元製造的人員薪資費用總共60億美元。
晶元設計以及大語言模型的人力成本方面，按照英偉達+openai+微軟伺服器部門的1.5倍計算，約為5萬人，人均年薪30萬美元，共150億美元涉及伺服器所有硬體製造的工廠人數為15萬人，電力以及用水保障設施人員15萬人，共30萬人，人均年薪8萬美元，總共為240億美元。
以上所有環節，人力薪資成本為每年60億+150億+240億共450億美元。
物料成本方面，gpu及相關晶元，再加上所有伺服器硬體的成本為2000美元/顆，年2000萬顆，即400億美元。伺服器的運營費用方面，人工420億美元+物料成本400億美元+其他雜費180億美元，取整數1000億美元。
以上即奧特曼親自下場造芯涉及到的主要環節的費用的拆解，如果替奧特曼花這筆錢，理想的方案是：2000億美元建設年產2000萬顆gpu(2024年全球約1000萬顆)以及涉及所有伺服器硬體的製造工廠，然後為了推進agi的終極目標每年投入1000億美元的研發投入，相關設計、研發、製造總人力成本1000億美元，投資7000億建設能源以及用水的基礎設施，同時編列2000億美元現金應付稅費以及各種雜費或者沒有計算到的費用，最後保留4000億美元作為可能漏算的預備金，如此一來，大約需要1.7萬億美元，就可以覆蓋2000萬顆ai gpu所有製造工廠的啟動資金。
運營資金方面，要保持每年1000億美元的晶元以及硬體新產能投入，並持續推進摩爾定律，提升晶體管密度。每年新增2000億美元的新電力及新用水投入，再加上人工以及物料等每年約1000億美元，這樣的話，每年的極限是新增7000億美元的運營費用。
如此一來，不到2萬億美元即可覆蓋2024年全球ai晶元需求量兩倍的所有相關製造，能源基礎設施和運營費用，每年新增控制在7000億美元的水平，這筆預算大致可以再燒7.5年。
怒砸2萬億美元，擁有全世界ai gpu兩倍產能 ，奧特曼也無法壟斷全球人工智慧——openai的模型領先全球，建立在以台積電為代表的全球最先進的晶元製造，以及以英偉達為代表的gpu晶元設計的基礎之上，如果奧特曼另起爐灶，全方位生產ai晶元，幾乎是得罪了目前全球的晶元企業。
作為「舊勢力」，台積電、英偉達以及眾多晶元設計公司，有可能會扶持openai的所有競爭對手，包括矽谷乃至於全球的大大小小做大模型以及ai應用的企業，諸如老對手deepmind加上谷歌，aws，mircosoft等巨頭，以及stability、openai前創始人成立的anthropic等創企。
即便openai的晶元設計與製造能力與台積電、英偉達相當，面對全球所有大小模型與演算法的一眾企業，本身就不一定有絕對優勢，更何況帶著7萬億下場造晶元，站在英偉達、台積電的對立面。
客觀地說，如果不考慮生態，gpu設計公司倒不是那麼無可替代。在gpu設計上，沒有英偉達還有amd，甚至還有cerebras這類設計整片晶圓面積遠遠超過傳統gpu的ai晶元設計公司，但在晶元製造上，目前台積電呈現一騎絕塵的態勢。
以2024年為例，台積電可生產每平方毫米高達2.84億晶體管密度的n3p工藝，排名第二的英特爾還只能生產每平方毫米1.8億晶體管的intel 4，第一跟第二之間已經出現了代差，如果在最高性能的晶元上不使用台積電工藝，在基礎上就落後競爭對手一個世代。
晶元製造無法用錢堆砌，更需要技術積累的行業，往死里砸錢砸人，最快也要三年才能建設好晶元工廠並生產出晶元，對openai來說，假設「7萬億」真實存在，面對「舊勢力」的反撲，也至少要撐過這三年。
