「燒光」70000億美元，與輝達、台積電為敵

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「7兆」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，我們可以嘗試推導一下，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邏輯晶片，這樣一來就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形。

依投資額劃分，晶圓廠各項投入比例大致為：製程設備:77%，土地與建築物:4%，無塵室: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，單一設備每月產能預計2400片左右（具體計算見下表註釋），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。

依照ASML提供的數據，NXE:3800E售價2億美元左右，NXT:2100i約7,500萬美元，KrF DUV約1,500萬美元，這意味著2nm製程的晶圓廠，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。

依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，而製程設備佔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邏輯晶片廠之後，還要考慮生產HBM的DRAM廠的建置。

我們以最先進的1gamma製程為例，儘管DRAM的EUV光刻層有所減少，但每萬片晶圓所需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片晶圓廠的總投資額的85%，也就是60億美元左右。

補充說一下，DUV時代，DRAM廠的投資額大概是同級的邏輯晶圓廠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邏輯晶片和DRAM記憶體晶片之後，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晶片採用的事SoIC+CoWoS封裝技術，HBM4將會採用混合鍵結（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，先進封裝涉及的中介層，也還需利用DUV建造配套的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）方面的投資總計約150億美元。

年產600萬顆GPU，成本500億美元

但是，GPU邏輯晶片、HBM記憶體以及中介層，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 ，所需的CPU、HBM記憶體、中介層的數量來推算。

以輝達最新的Blackwell架構GPU B200的Die size（814mm²）為例，每片晶圓可以切80顆晶片，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邏輯晶片是大晶片，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，這會導致分辨率降低，是缺陷變多，良率下降的重要原因。

輝達的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。依照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晶片，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晶片的另一個重頭戲即HBM，輝達的H100、H200標配6顆，到Blackwell架構的B200，則採用了8顆HBM3e內存。依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的規格也將從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邏輯晶片，依照B200的標準，每片晶圓需要搭配400顆HBM3e記憶體。目前，1gamma製程的DRAM晶片，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，也就是一片DRAM晶圓可以出1000÷12*80%，約等於70顆左右12層堆疊的HBM3e記憶體。

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邏輯晶片搭配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。

依照現有先進封裝的中介層尺寸，一片晶圓可以完成15顆GPU邏輯晶片的封裝，對應一片GPU邏輯晶片的晶圓，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，對應的投資金額，即1*71+0.08*50+5.7*60+3.3*10+3.3*8+5.7*10≈476億美元。

每10,000片GPU晶圓所有配套晶片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晶片數量，為每月50萬顆，一年600萬顆。

8年半可以燒完7兆美元

投資500億美元，一年生產600萬顆GPU，這是什麼概念？可以根據台積電CoWoS產能，來計算全世界的AI GPU的量，然後再進行比較。

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30萬片被輝達、AMD以及全球互聯網大廠諸如穀歌，AWS，Meta，Mircosoft的自研ASIC晶片瓜分。

也就是說，台積電CoWoS產能代表全世界AI晶片產能，2024年80%的GPU還是只使用2.5D CoWoS，輝達的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15顆。

綜合下來，今年台積電30萬片CoWoS產能，對應約1000萬顆GPU，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1,000萬顆AI GPU，總投入需要830億美元。這個水準相當於台積電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晶片工廠的總投資額。

投入830億美元，就能生產出2024年全世界所需的AI晶片，想要把奧特曼的7兆美元花完，還有很多工作要做，畢竟830億美元也只是建造晶片工廠的費用。

晶片廠、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片工廠相比來說，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，光模組，液冷，銅線材，各式各樣的模具廠，年產1000萬顆GPU，按單一伺服器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。加上上游晶片工廠的830億美元，1000億美元則是2024年全球所有AI 晶片+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，製程還需要持續的研發投入，包括設計、製造相關的研發費用，涵蓋GPU、CPU、HBM、先進封裝等等環節，這部分可以包裝一下輝達、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、例如光模組、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。

晶片部分的研發+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力發電資源消耗，這部分基礎設施同樣需要自建。

歐美地區目前建造1KW核電機組的成本約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，所以要建造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66億立方公尺的清潔淡水，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，發電以及晶片製造這三大耗水環節，興建相應的水處理廠費用約為1000億美元。

相較於前面的投資，製造環節的人力成本規模相對較小，重頭戲主要在晶片的設計，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7萬美元，加上5,000名各類晶片製造研發人員，人均20萬美元，每年晶片製造的人員薪資費用總共60億美元。

晶片設計以及大語言模型的人力成本方面，以輝達+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及相關晶片，再加上所有伺服器硬體的成本為2,000美元/顆，每年2,000萬顆，即400億美元。伺服器的營運費用方面，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。

營運資金方面，要維持每年1000億美元的晶片以及硬體新產能投入，並持續推進摩爾定律，提升電晶體密度。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7000億美元的營運費用。

如此一來，不到2兆美元即可涵蓋2024年全球AI晶片需求量兩倍的所有相關製造，能源基礎設施和營運費用，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2兆美元，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的模式領先全球，建立在以台積電為代表的全球最先進的晶片製造，以及以輝達為代表的GPU晶片設計的基礎之上，如果奧特曼另起爐灶，全方位生產AI晶片，幾乎是得罪了目前全球的晶片企業。

作為“舊勢力”，台積電、輝達以及眾多晶片設計公司，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前創辦人成立的Anthropic等創企。

即便OpenAI的晶片設計與製造能力與台積電、輝達相當，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7萬億下場造晶片，站在輝達、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取代。在GPU設計上，沒有輝達還有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晶片設計公司，但在晶片製造上，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2.84億電晶體密度的N3P工藝，排名第二的英特爾還只能生產每平方毫米1.8億電晶體的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片上不使用台積電工藝，在基礎上就落後競爭對手一個世代。

晶片製造無法用錢堆砌，更需要技術累積的產業，往死裡砸錢砸人，最快也要三年才能建設好晶片工廠並生產出晶片，對OpenAI來說，假設「7兆」真實存在，面對「舊勢力」的反撲，也至少要撐過這三年。（芯榜+）

文/ 前台積電建廠專家Leslie Wu（公眾號：梓豪談芯 ）