AI5芯片真相：為何特斯拉被迫自建Terafab晶圓廠？特斯拉的5000萬顆 AI 芯片秘密大棋局

開場：馬斯克真正焦慮的，不是錢，是芯片

馬斯克現在最缺的，不是錢，不是工程師，而是芯片。如果芯片這件事搞不定，特斯拉的 FSD、Optimus、甚至太空裡的 AI 數據中心，很多規劃都會卡住。

我是小梗。今天要拆解的是 Herbert Ong 頻道的一期節目，他請來了前 Rivian 創始技術成員、前蘋果工程經理 Phil Beisel，一起聊馬斯克為什麼天天唸叨著“芯片、芯片、芯片”。

我選這期，是因為它把特斯拉未來說成一家“AI 芯片公司”，這個角度現在還不算主流，但很可能決定特斯拉 5 年後的天花板。視頻大概是一個月前發佈的，所以裡面有一些信息可能已經過時了，但整體框架還是很有參考價值的。

這期裡，Phil 會把馬斯克最近提的 Terafab、Dojo 調整、以及 AI 芯片，串成一條線，讓人看到他到底在下什麼大棋。

宏大 AI 路線圖：從汽車到機器人再到太空

Herbert 提到，馬斯克前陣子親口說過，每個週六都泡在芯片團隊那邊，腦子裡全是 “chips, chips, chips”。只要他還這樣死盯芯片，說明在他心裡，真正的生死線不在車身、不在工廠，而在 AI 訓練和推理能不能跟上野心。

Herbert 直接下了個定義：特斯拉現在已經不是車公司，也不是能源公司，甚至不算 Robotaxi 公司，也不算 Optimus 公司，而是 AI 公司——更窄一點說，是 AI 芯片公司。其他業務都是這個內核往外長出來的形態。芯片和算力既是瓶頸，也是槓桿，一旦拉開差距，車隊、機器人、能源網絡、甚至太空相關的佈局，才有機會一起被推高。

順著這個思路看，AI4 到 AI7 其實就是特斯拉的總路線圖：

• AI4、AI5：先把車和 FSD 跑順，AI5 再撐起 Robotaxi
• AI6、AI7：給 Optimus 和超大規模訓練集群用，甚至直接瞄準太空

Herbert 提到，等 Robotaxi 和 Optimus 真正量產，每年需要的芯片是“上千萬級”，這個量如果還靠外部供貨，哪怕晚幾個月，整盤棋就會卡住。所以馬斯克才會反覆強調要搞 Terafab，自己把這個瓶頸握在手裡。

Phil 的判斷是：

• AI6：在 AI5 基礎上加更強的訓練能力，重點是高精度浮點運算和矩陣計算的專用核心，讓訓練和推理都能在自家芯片上閉環。
• AI7：更激進，目標直接寫成“太空裡的 AI 算力中心”，芯片本身要適應完全不一樣的散熱環境，還要塞進一個全新的 Dojo 架構裡，充當太空版的 “GPU”。

Herbert 在節目裡也強調，現在的 Dojo 更像是給 AI7 準備的“外殼和房子”，讓它在太空裡像 GPU 那樣工作，而不是當年那種 12 個 SoC 焊在一整片晶圓上的方案。特斯拉這次是把板級、電氣架構按第一性原理重新算了一遍，而且是站在已經看清 FSD、機器人、太空 AI 完整解法的基礎上回頭重做。

為什麼要自研芯片：英偉達、臺積電、三星都“不對路子”

順著這個思路，Herbert 就提到，特斯拉當然可以去臺積電、三星下單，也可以直接買英偉達的 GPU，但馬斯克現在的判斷是，這些通用芯片“很好用，但不對路子”。

Robotaxi、大規模 AI 數據中心、還有太空用的 AI，他現在算清楚了算力、功耗、成本的組合拳，結果就是一句話：被迫自己幹，而且還不是小規模設計，而是要配合 Terafab，在行星級的量級上去生產。

Phil 接著把車端和 Optimus 端的推理芯片拆開講：

• 車上 FSD、機器人身上的推理，都屬於邊緣設備
• 如果直接上英偉達那種通用 GPU，就像你只想要一間臥室，卻被迫買一整棟豪宅
• 很多算力模塊永遠是黑的，白付錢不說，還超出功耗和散熱預算

Optimus 要減每 1 克重量、砍掉每一個沒必要的計算單元，目標是把續航從兩小時拉到 3 小時、5 小時，這時候通用 GPU 就完全頂不住。只有自己做推理芯片，才能在架構裡同時兼顧高峰算力和低功耗，還能把車上芯片成本打到原來的一半左右，供應鏈也握在自己手裡。

Herbert 就追問，那人形機器人和車加起來是千萬級市場，英偉達為什麼不專門做一顆“人形機器人版 GPU”呢？

Phil 的回答核心是：AI 表面上看都是神經網絡那一套，但裡面卻是無數細節決定成敗。

特斯拉在多精度、數值格式、各層怎麼混合這些地方，有自己的秘密配方，這些都是圍繞 FSD 和 Optimus 的具體難題優化出來的。英偉達就算出一顆“機器人 GPU”，也得同時兼顧別的機器人公司、別的自動駕駛方案，所以必然要做得很通用，離特斯拉想要的專用程度差一個數量級。

對特斯拉來說，那樣的芯片能用，但永遠是將就用，真正的解法還是把算法和硅片一起設計。

從 HW3 到 AI5：特斯拉 AI 芯片家族的演進

回頭看特斯拉的芯片路線，其實脈絡很清楚。

• 2019 年：HW3

  • 工藝：三星 14 納米
  • 算力：約 144 TOPS
  • 功耗：約 100 瓦
  • 現在車隊大概 40% 用的是它
  • 本質上就是車裡的推理引擎，CPU、GPU、內存都是給這塊神經網絡單元打工

• 2023 年：AI4 接班

  • 工藝：同樣三星，降到 7 納米
  • 算力：拉到大概 500 TOPS，是 4–5 倍
  • 功耗：也就漲到 160 瓦左右
  • 現在所有新車都是它
  • 單看 AI4，其實已經夠把 FSD 推進到 V14、做到無人監管和 Robotaxi，這點 Phil 自己也不擔心

關鍵在 AI5。

Phil 的觀點是，前面的 HW3、AI3、HW4、AI4，都是在軟件藍圖沒畫清楚之前先做出來的，屬於“先造通用引擎，再想怎麼玩”。現在不一樣了，特斯拉已經把 FSD 需要什麼、Optimus 是什麼樣的視覺智能，都摸透了，再反過來定芯片。

所以他甚至覺得 AI5 應該叫 “AI1”，因為這是第一代真正意義上的家族芯片：

• 同一套架構，會有不同變體，覆蓋車、機器人、別的終端
• 算力區間大概從 500 到 2500 TOPS
• 中間會塞很多為特定算子定製的硅塊，不再是簡單堆矩陣乘

現在的 AI 團隊也跟 AI4 時代完全不一樣了：

• 他們手上已經有無監督 FSD 的模型和訓練方法，也知道怎麼訓 Optimus
• 這樣坐到芯片團隊對面，可以很具體地說：
  • 這 10 個算子最重要
  • 這裡要多少吞吐
  • 這裡可以犧牲一點精度換功耗

芯片團隊就按這些點去堆硬件模塊，馬斯克再拍板，把不重要的全砍掉，集中在效率和成本。因為他反覆強調，芯片要上量，成本要壓到最低，這樣每個 Optimus 的成本、每英里 FSD 的成本才能壓下去，特斯拉才有護城河。

AI5 聚光燈：汽車和 Optimus 的“命門”芯片

Phil Beisel 才會說，AI5 其實就是特斯拉故事的核心，那些有四個輪子的車和有兩條腿的 Optimus，未來都得靠這顆芯片活。

馬斯克去年 8 月左右直接把 Dojo 訓練超算項目砍了，內部來了一次快刀式的重組，他自己週六一整天一整天泡在 AI5 上，這在特斯拉是很少見的投入力度。

從進度看，AI5 現在已經到了要 “tape-out” 的節點，就是把設計定稿丟給晶圓廠去流片。正常節奏，從現在到真正大規模量產，大概要 6 到 12 個月，再加上新主板設計、整車驗證，所以 Phil 估的是 2027 年 車上才會大規模換到 AI5，可能是 2027 年 Q1 開始新車切換。

性能上，AI5 相對 AI4 是質變級別：

• 基礎算力就拉到幾百到兩千多 TOPS
• 很多算子做成了專用硬件
• 馬斯克舉過 softmax 的例子：
  • 以前是 C 代碼跑在 CPU 上
  • 現在 AI5 裡做成專用單元
  • 同樣算法可以快到 40 倍

再加上 TSMC 和三星雙代工，一邊分散風險，一邊給未來 Terafab 攢經驗。

Phil 的判斷是：

• 單顆 AI5 已經能摸到英偉達 Hopper 那個檔位
• 如果做雙芯片封裝，容量接近 Blackwell
• 但又完全針對特斯拉自己的 FSD 和 Optimus 工作負載來調

對 Optimus 來說，這幾乎就是“終極版”芯片。

統一的大腦：FSD 和 Optimus 的具身智能路線

軟件這邊，Phil 也給了一個很清晰的對比。

以前 FSD 老是左轉抖來抖去，就是因為架構太“拼裝”：

• 感知用 AI，看畫面、認車認人
• 規劃是另一套規則系統，每一小步都在問自己“接下來怎麼辦”
• 兩套系統節奏對不上，車身上就變成一頓一頓的

到了 V12，特斯拉把感知和規劃塞進同一個大模型裡，讓 AI 直接從視頻學“人類司機怎麼開”，所以現在車像是每毫秒都心裡有數，動作就順滑很多。

Phil 說，這套思路其實就是在給 Optimus 打樣，FSD 是 Optimus 大腦訓練方式的原型。

他特別強調，Optimus 不是一堆小模型拼在一起，而是一個統一的神經網絡架構，能力完全靠規模往上疊。特斯拉現在很信 “bitter lesson” 這套，結論就是：

• 算力越多，模型越大
• 網絡裡能壓進去的“技能”就越多
• 全部藏在那個潛在空間裡

問題是，機器人要學的動作和技能，比開車多了 2 到 3 個數量級：

• 從擰螺絲到疊衣服
• 全都要放進同一張“網”裡

這對模型大小和訓練算力的要求，直接比 FSD 高出好幾檔。

他舉了個很直白的例子：

• 特斯拉內部已經在規劃，FSD V14 的模型參數要做到 V13 的大概 10 倍
• V15 再往上再拉一個數量級
• 等到 V15 這種體量，想在車上即時跑起來，基本就不可能靠 AI4 撐住，只能上 AI5

很多人會問，既然 AI4 上都能跑“無監督” FSD 了，為什麼還要砸錢做 AI5？

Phil 的回答就是：他們想把更多長尾場景、更多駕駛技能，全部塞進一個更大的網絡裡，讓車在極端情況也像現在這樣順滑。

即時性：為什麼 FSD 需要巨大的車載算力冗餘

Phil 接著把“時間”這件事掰開講。

現在一輛剛下線的 Model Y，固定就是那幾路攝像頭、那點總像素。特斯拉算過，整套 FSD 從畫面進來算到打方向盤，必須穩定在大概 36 次每秒，這個頻率才夠安全冗餘。

為了守住這 36Hz，他們把 AI4 當成幾乎純 8 位的芯片來打磨：

• 從訓練階段就做多精度模型
• 給每一層量出最大值、最小值
• 再去做極致的量化，讓網絡在 8 位上跑到頭

Phil 說，如果把同一套模型丟到 AI5 上，很多針對 AI4 的手工優化都可以撤掉，網絡本身還更大，推理頻率反而能輕鬆拉到差不多 60 次每秒。這就是為啥他們要上 AI5，不是為了好看參數，而是為了把即時性從“剛好夠用”變成“寬鬆很多”。

還有一點很關鍵，FSD 是硬即時任務，不像你上網跟 ChatGPT、Grok 聊天，忙的時候多等幾秒也就算了。車在路上不行，36Hz 掉到 24Hz，就可能少看到一次突然竄出來的行人。

未來特斯拉還想在同一顆車規芯片上塞進：

• 全語音交互
• 車內 AI 助手

語音可以慢半拍，FSD 絕對不能卡，所以只能用更強的 AI5，把算力頭寸拉高很多，才有空間玩這些“酷功能”。

更狠的是，他們在 AI4 到 AI5 的演進裡，直接把芯片上的 ISP 給幹掉了。

以前流程是：

1. 攝像頭收光子
2. ISP 一步步做白平衡、降噪、壓縮，變成類似 JPEG 的圖
3. 再餵給感知網絡

中間有 10 到 12 個處理環節，耗一大塊硅面積、功耗，還多好幾毫秒延遲。

現在團隊說，神經網絡又不需要像人眼那樣看照片，乾脆把原始光子計數直接餵給網絡，用新的濾波方式去適配，這樣 ISP 整塊區域都省掉，還能把省出來的功耗和麵積拿去堆更大的網絡。

Phil 估計，這一刀下去，光省掉 ISP，就能“賺回”大概 10 次每秒 的推理頻率，加上別的優化，才勉強讓一個越來越大的網絡還能在車上維持 36Hz。

語音與理解：車內自然語言的未來想象

接著往下想，Herbert 直接把畫面拉到未來：

• 司機根本不用點來點去，只要說一句“在前面那個消防栓後面停車”，車就自己挪過去，找好位置，打燈、轉向、入位全都搞定
• 你坐在車裡，還能隨口問，“我們現在在哪個城市”“窗外這個建築是什麼”，車一邊用攝像頭看世界，一邊用語言跟你解釋，相當於把人的感知和車的感知合在一起

但 Phil 馬上潑了個冷水：今天車裡的 Grok 根本還沒到那一步。

現在它只是一個應用：

• 你點一下麥克風，它在雲端推理，再把結果丟回車裡
• 第一，它得有網絡才活得了，地庫、郊區、暴雨斷網都不行，任何跟安全相關的控制都不能指望這個
• 第二，雲端來回一趟有延遲，FSD 那種毫秒級決策完全吃不消

更別說那種“我看到前面有個廣告牌，幫我打電話給上面的公司”這種玩法了。那需要車先做一遍視覺識別，再把結果丟給語言模型。

現在的 Grok 只是把你說的話翻譯成幾條很簡單的指令，比如設個路線、找家餐廳，離“車會看、會想、還會跟你聊”差了好幾級。

要做到 Herbert 描述的那種自然交互，最終還是要落回到：更大的本地模型 + 更強的車載芯片，也就是 AI5 之後的那條線。

Terafab 算術：為什麼特斯拉必須自建巨型芯片工廠

Herbert Ong 之前就在 X 上算過一筆賬：

• 如果 Robotaxi 跑到幾百萬臺
• Optimus 做到幾千萬甚至上億
• 再加上地面和太空的 AI 集群

靠 TSMC 和三星，到 2029 年會少出大概 20 萬到 50 萬顆高端芯片。

馬斯克看到後直接回了兩個詞：“target. Exactly.”
意思就是，這個缺口規模，基本就是他心裡的目標量級。

Phil Beisel 就接著說，很多人第一次在股東大會上聽到 Terafab 這個詞，都覺得馬斯克又在天馬行空。但他自己拿紙筆一算，發現這事其實挺“保守”的。

因為現在真正能大規模做高端 AI 芯片和 SoC 的，就 TSMC 和三星兩家，其他像 Intel 還在追趕階段。

Phil 查的公開數據是：

• TSMC 加三星一年一共也就做出大概 1600 萬到 2500 萬顆這種複雜芯片
• 裡面包括 Nvidia 的 GPU、蘋果的 A 系列和 M 系列

按他估算：

• 要做到每年 100 萬顆這種芯片，大概要 200 萬平方英尺 的廠房面積
• 那如果特斯拉在 2029 年到 2030 年要每年做到 5000 萬顆，就意味著總面積要到 1 億平方英尺，大概是德州超級工廠的 10 倍

再看需求端，馬斯克自己放過風：

• 可能一年要做 1000 萬臺車，每臺車上放兩顆芯片
• 再加上到 2030 年可能有 1 億個 Optimus，就算每個機器人只用一顆，也已經遠超 TSMC 加三星現在所有高端產能
• 哪怕再額外加個 1000 萬顆給太空裡的 AI 數據中心，這就吃掉它們一年差不多一半的產能

你看，這時候 Terafab 就不是什麼“想不想要”的問題，而是“沒有就真的不夠用”。

太空 AI 星座：Starlink 變成真正的“雲”

Phil Beisel 接著說，馬斯克盯上的不是普通數據中心，而是一整張鋪在天上的“星鏈雲”。

現在 Starlink 大概有 1 萬顆衛星，他的想法是：

• 把一部分衛星變成 AI 算力節點
• 用激光互聯，組成訓練或者推理集群
• 對地面的人來說，連到雲裡跑 AI 任務，但這個雲真的在天上，比現在任何公有云都字面意義上的 “cloud”

他舉了個很保守的數：就算只先上 1000 萬顆芯片，按現有晶圓廠的產能，這一版太空數據中心就能吃掉全球高端產能差不多一半，而且還只是 V1，不是終局版本。

這樣一來，Terafab 的芯片就不僅要喂車和 Optimus，還要喂整片太空 AI 網絡，需求直接被拉爆。

Phil 的判斷是，Terafab 多半會是特斯拉加 SpaceX 的聯合項目：

• 特斯拉負責設計 AI 芯片，再賣給 SpaceX
• 由 SpaceX 像運營 Starlink 那樣運營太空數據中心

光是起步就要幾十億美元，要真做到他前面說的規模，總投入肯定得上 100 億美元，這個量級已經超過特斯拉現在大概 400 億到 500 億美元的資產負債表能輕鬆承受的範圍，所以他才會提到，可能要靠未來 SpaceX 上市來籌這筆錢。

Herbert 和 Phil 還聊到一個關鍵點：太空 AI 的價值，遠高於地面機房，因為地球這邊馬上會撞上電力天花板。

• 到 2027 年，可能會有一批高端芯片被造出來卻根本點不亮，除非你先去建核電站，還得等個 3 年
• 馬斯克現在拼命追求 “hyper-efficiency”，就是想讓同樣吞吐，在芯片上把功耗壓到一半甚至更低，這樣等於白送你一倍有效算力

太空這邊，如果能配合太陽能、核能，再疊加高效芯片，整個算力網絡的邊際價值會非常誇張。

重新思考晶圓廠：馬斯克的第一性原理提問

Herbert 就接著說了，現在三星、臺積電這些廠，其實都是沿著過去 40 年的那套在迭代：

• 整座廠房都是潔淨室，負壓環境
• 人進去要全身防護服
• 光刻機一臺臺排在裡面，流程超級複雜

馬斯克聽完就問一句：為什麼要把整個工廠都搞成潔淨室呢？

芯片這麼小，是不是可以反過來，讓每一片晶圓在產線裡單獨被保護起來，比如用氮氣封裝，讓顆粒根本靠近不了。

Phil 就補充說，其實現在晶圓進廠以後，本來就是裝在那種封閉的盒子裡跑來跑去，進 ASML 的光刻機時，機器內部本身就像一個小型潔淨室，完全密封、無塵，再用極紫外光通過掩膜，一層一層把“高速公路”圖案刻在晶圓上。

也就是說，局部封裝這件事，行業已經在做一部分了。

Phil 的理解是，馬斯克其實是在順著這個思路問：

• 既然關鍵步驟都在密閉設備裡完成
• 那是不是整棟樓沒必要做到那麼極端的潔淨等級
• 可以把錢和複雜度，更多砸在設備級、晶圓級的封裝系統上

他自己覺得，這就是馬斯克典型的第一性原理：先問“物理上必須是什麼”，再回頭看哪些是傳統包袱。

Phil 還提到，馬斯克之前和三星在德州 Taylor 那座廠，做的是一個全規格的合作，等於拿到一條完整的量產線規格，這更像是在交學費，系統化地把芯片製造從頭學一遍，而不是隨口吐槽。Herbert 也認同，他現在是把自己當成學生在研究晶圓廠。

結語：特斯拉可能不再是“車公司”

特斯拉現在想清楚的，不是先多賣幾輛車，而是先把“腦子”和“工廠”搞定——也就是 AI5 這一整條芯片家族，以及後面的 Terafab。

從車到 Optimus，再到太空數據中心，最後都卡在算力、功耗和成本上。馬斯克現在是直接把自己扔進最難啃的那塊骨頭裡，連晶圓廠怎麼設計、產能怎麼算，都要親自學一遍。

我自己最大的感受是，如果他真把這套芯片和工廠打通了，特斯拉可能就不再是我們今天理解的那家公司了——車只是一個載體，機器人和太空才是更大的故事。

接下來幾年，AI5 能不能按計劃落地，Terafab 能不能按節奏推進，大概會決定特斯拉 2030 年以後到底長成什麼樣。這個過程，我陪你一起慢慢觀察。