文/ 前台积电建厂专家 leslie wu（公众号：gh_df9a5da4dcbd）
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，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”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。
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。
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芯片采用的事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。
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，硬件成本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gpu b200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。目前，封装的良率大概在80%左右，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。
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，只有一万多片是给xilinx的fpga，剩下的近30万片被英伟达、amd以及全球互联网大厂诸如google，aws，meta，mircosoft的自研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、也冷等等，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，也需要持续的进行模型研发投入，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，如果要更快入的推进，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。
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”真实存在，面对“旧势力”的反扑，也至少要撑过这三年。
