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，造劃算，還是買劃算，如果造，可能要考慮哪些方麵的投入及因素？
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，運營等一係列知識，我們可以嚐試推算一下，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邏輯芯片，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%，潔淨室:5%，水電氣化學品等供應係統設施:14%。
光刻機是晶圓廠最大的製程設備投資項之一，占比在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，占比預計會提升至24%左右。
目前台積電的2nm還是采用低數值孔徑的EUV，對應ASML最新款的NXE:3800E，其每小時產出晶圓（WPH，Waferperhour）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:3800EUV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KrFDUV光刻機。
*單台設備月產能=每小時產出晶圓數*運行時長*%customerefficiency（效率）*%doseageheadwind(vs.30mJ)*EUV層數*30天
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，KrFDUV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。
按照光刻機的投入占全部製程設備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。
每萬片晶圓產能，晶圓廠總投資額劃分，單位：美元
建完GPU邏輯芯片廠之後，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，盡管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芯片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邏輯芯片和DRAM存儲芯片之後，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芯片采用的事SoIC+CoWoS封裝技術，HBM4將會采用混合鍵合（HybridBonding），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。
每萬片晶圓產能，不同晶圓廠單位投資額，單位：美元
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）方麵的投資合計在150億美元左右。
年產600萬顆GPU，硬件成本500億美元
但是，GPU邏輯芯片、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GPUB200的Diesize（814mm²）為例，每片晶圓可以切80顆芯片，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GoodDie。
附帶說一下，由於GPU邏輯芯片是大芯片，為了提高光刻的曝光清晰麵積，物鏡成像的景深就需要控製在相對較大水平，這會導致分辨率降低，是缺陷變多，良率下降的重要原因。
英偉達的B200搭配了GraceCPU，2顆GPU搭配1顆GraceCPU，那麽50顆GPU，需要搭配25顆CPU。按照3nm製程計算，以CPU的DieSize和良率預估，一片晶圓可以切300顆左右的CPU芯片，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芯片的另一個重頭戲即HBM，英偉達的H100、H200標配6顆，到Blackwell架構的B200，則采用了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邏輯芯片，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芯片，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，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邏輯芯片搭配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。
按現有先進封裝的中介層尺寸，一片晶圓可以完成15顆GPU邏輯芯片的封裝，對應一片GPU邏輯芯片的晶圓，需要3.3片晶圓的先進封裝。
每萬片晶圓產能，不同晶圓廠的建廠投資總額，單位：美元
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晶圓所有配套芯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芯片數量，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，這是個什麽概念？可以根據台積電CoWoS產能，來推算全世界的AIGPU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AIGPU，隻有一萬多片是給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芯片瓜分。
也就是說，台積電CoWoS產能代表全世界AI芯片產能，2024年80%的GPU還是隻使用2.5DCoWoS，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，目前隻有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AIGPU的大致總量。前麵提到，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AIGPU，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芯片工廠的總投資額。
投入830億美元，就能生產出2024年全世界所需要的AI芯片，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芯片工廠的費用。
芯片廠、DRAM廠、封裝廠都蓋完之後，就要考慮生產服務器的工廠建設，還得蓋許多座類似工業富聯的這樣的工廠，不過這類服務器組裝工廠與芯片工廠相比來說，隻是小巫見大巫，把AI服務器所有產業鏈上的工廠全部建設起來，包含服務器，光模塊，液冷，銅線材，各式各樣的模具廠，年產1000萬顆GPU，按單個服務器8顆GPU算，即120萬台服務器，所有下遊工廠的總投資額大致為170億美元。加上上遊芯片工廠的830億美元，1000億美元則是2024年全球所有AI芯片+服務器出貨量所需的工廠建設總成本。
上下遊工廠建設隻是開端，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。再加上服務器硬件研發、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，每年在這上麵的費用至少200億美元。
芯片部分的研發+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年全球人工智能將耗費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年人工智能將耗費66億立方米的清潔淡水，大約是全英國一半的用水量，主要場景來自於服務器的冷卻，發電以及芯片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。
相比前麵的投資，製造環節的人力成本規模相對較小，重頭戲主要在芯片的設計，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，人均年薪約為7萬美元，加上5000名各類芯片製造研發人員，人均20萬美元，每年芯片製造的人員薪資費用總共60億美元。
芯片設計以及大語言模型的人力成本方麵，按照英偉達+OpenAI+微軟服務器部門的1.5倍計算，約為5萬人，人均年薪30萬美元，共150億美元涉及服務器所有硬件製造的工廠人數為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。
物料成本方麵，GPU及相關芯片，再加上所有服務器硬件的成本為2000美元/顆，年2000萬顆，即400億美元。服務器的運營費用方麵，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。
OpenAI年產2000萬顆GPU的投資額及各項費用推算，單位：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)以及涉及所有服務器硬件的製造工廠，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AIGPU所有製造工廠的啟動資金。
運營資金方麵，要保持每年1000億美元的芯片以及硬件新產能投入，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芯片需求量兩倍的所有相關製造，能源基礎設施和運營費用，每年新增控製在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AIGPU兩倍產能，奧特曼也無法壟斷全球人工智能——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芯片製造，以及以英偉達為代表的GPU芯片設計的基礎之上，如果奧特曼另起爐灶，全方位生產AI芯片，幾乎是得罪了目前全球的芯片企業。
作為“舊勢力”，台積電、英偉達以及眾多芯片設計公司，有可能會扶持OpenAI的所有競爭對手，包括矽穀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加上穀歌，AWS，Mircosoft等巨頭，以及Stability、OpenAI前創始人成立的Anthropic等創企。
即便OpenAI的芯片設計與製造能力與台積電、英偉達相當，麵對全球所有大小模型與算法的一眾企業，本身就不一定有絕對優勢，更何況帶著7萬億下場造芯片，站在英偉達、台積電的對立麵。
客觀地說，如果不考慮生態，GPU設計公司倒不是那麽無可替代。在GPU設計上，沒有英偉達還有AMD，甚至還有Cerebras這類設計整片晶圓麵積遠遠超過傳統GPU的AI芯片設計公司，但在芯片製造上，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2.84億晶體管密度的N3P工藝，排名第二的英特爾還隻能生產每平方毫米1.8億晶體管的Intel4，第一跟第二之間已經出現了代差，如果在最高性能的芯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。
芯片製造無法用錢堆砌，更需要技術積累的行業，往死裏砸錢砸人，最快也要三年才能建設好芯片工廠並生產出芯片，對OpenAI來說，假設“7萬億”真實存在，麵對“舊勢力”的反撲，也至少要撐過這三年。