喬治敦大學沃爾什外交學院安全與新興技術中心（CSET）的兩位作者編寫的一份題為《AI Chips： What They Are and Why They Matter》的報告，借助模型預估得出，臺積電每片5nm晶圓的收費可能約為17，000美元，是7nm的近兩倍。

該報告同時估計，每片300mm直徑的晶圓通常可以制造71.4顆5nm芯片，這讓無晶圓芯片公司的制造成本達到每顆238美元（約為1642元）。

不僅不如，通過對半導體行業和AI芯片設計的調查，作者通過模型不僅估算出5nm芯片238美元的制造成本，還提出了每顆芯片108美元的設計成本以及每顆芯片80美元的封裝和測試成本。

這使芯片設計公司為每顆5nm芯片支付的總成本將高達426美元（約為2939元）。

5nm之后“高貴”的先進制程

市場研究機構International Business Strategies （IBS）給出的數據顯示，28nm之后芯片的成本迅速上升。28nm工藝的成本為0.629億美元，到了7nm和5nm，芯片的正本迅速暴增，5nm將增至4.76億美元。三星稱其3nm GAA 的成本可能會超過5億美元。

設計一款5nm芯片的總成本將高達近5億美元，那平均到每顆芯片的成本有多高？CSET在報告中的模型類比了英偉達P100 GPU，這款GPU基于臺積電16nm節點處制造，包含153億個晶體管，裸片面積為610 平方毫米，相當于晶體管密度25 MTr/mm2。

由此計算，直徑300毫米的硅晶片能夠生產71.4顆 610平方毫米的芯片。

假設5nm GPU的芯片面積為610平方毫米，并且晶體管密度比P100 GPU高，達到907億個晶體管。下表中是用模型估算的臺積電90至5nm之間的節點晶體管密度。在90至7nm范圍內的節點，模型使用具有相同規格的假想GPU，包括晶體管除晶體管密度，假想的5nm GPU與假設節點關聯。

CSET的成本模型使用的是無晶圓廠的角度，包含建造工廠的成本、材料、人工，制造研發和利潤等。芯片制造出來后，將外包給芯片測試和封裝（ATP）公司。

當然，使用更先進的制程節點芯片設計公司也會有相應的成本增加。最終看來，芯片設計成本和ATP成本之和等于總生產成本，得出每顆5nm芯片支付的總成本將高達426美元成本的結論。

之所以先進制程芯片的成本不斷增加，不可忽視的是半導體制造設備成本每年增加11%，每顆芯片的設計成本增加24%，其增長率都高于半導體市場7%的增長率。

2018年的時候，臺積電CEO魏哲家就打趣地說，臺積電預計在5nm投資了250億美元，各位就知道以后價格是多少了！

并且，隨著半導體復雜性的增加，對高端人才的需求也不斷增長，這也進一步推高了先進制程芯片的成本。報告中指出，研究人員的有效數，即用半導體研發支出除以高技能研究人員的工資，從1971年到2015年增長了18倍。

換句話說，摩爾定律延續增加大量的投入和人才。

雷鋒網此前報道，為了支撐先進制程，臺積電十年內研發人數增加了三倍，2017年研發人員將近6200人，比2008年多了近兩倍，這6200人只從事研發，不從事生產。

先進制程的高成本如何影響半導體和AI發展？

半導體市場以超過世界經濟3%的速度增長。目前，半導體產業占全球的0.5%經濟產出。對于半導體產業而言，先進的制程和高性能芯片驅動著行業的進步，晶體管成為關鍵。

晶體管尺寸減小使每個晶體管的功耗也降低，CPU的峰值性能利用率每1.57年翻一番，一直持續到2000年。此后，由于晶體管尺寸減小放緩，效率每2.6年翻一番，相當于每年30%的效率提升。

報告中指出，臺積電聲稱的節點進步帶來的速度提升和功耗降低，從90 nm和5 nm之間以恒定比例變化，但趨勢趨于平穩。三星兩種指標在14 nm和5 nm之間都有下降趨勢，但缺少大于14 nm的節點處的數據。

不過，由于半導體設備、研發等成本持續增加，這也讓大量晶圓代工廠無法參與先進制程的生產和競爭，比如，GlobalFoundries就不生產14 nm以下的芯片。

下表給出了每個工藝節點量產的時間以及代工廠的數量，可以看到，隨著制程的向前推進，晶圓代工廠數量越來越少。目前先進的制程工藝代工廠僅剩臺積電、三星和英特爾。

雖然代工廠越來越少，但業界對于先進制程的需求并沒有減少。AI芯片就對先進制程有不小的需求，最先進的AI芯片比最先進的CPU更快，且具有更高的AI效率算法。AI芯片的效率是CPU的一千倍，這相當于摩爾定律驅動下CPU 26年的改進。

這要求晶體管持續改進，晶體管的改進仍在繼續，但進展緩慢。得益于FinFET晶體管的發明，英特爾在2011年推出了商業化的22nm FinFET，業界也基于FinFET將半導體制程從22nm一直向前推進到如今的5nm。

到了2nm，臺積電和英特爾都采用GAA（Gate-all-around，環繞閘極）或稱為GAAFET維持先進制程的性能提升。魏哲家透露，臺積電制程每前進一個世代，客戶的產品速度效能提升30%- 40%，功耗可以降低20%-30%。

但高昂的成本和性能提升的幅度減少，讓AI公司在計算上花費的時間和金錢更多，進而成為AI發展的瓶頸。

報告指出，AI實驗室的訓練的費用非常高，估算AlphaGo、AlphaGo Zero、AlphaZero和AlphaStar模型的訓練成本每個為5000萬到1億美元之間。

值得關注的是，由于CSET當前正在關注AI和先進計算的進步所帶來的影響。該報告稱，美國政府正在考慮如何控制AI技術，但由于AI軟件、算法和數據集不是理想的控制目標，因此硬件成為了重點。

未來，有多少AI芯片功能能夠用得起先進制程？AI在全球的發展又會受到怎樣的限制？
責任編輯：tzh