在生成式AI和大模型掀起的滔天巨浪中，一个趋势愈发明显——各大科技巨头，纷纷踏上了自研AI芯片的道路。组建新团队、烧掉海量资金，这些看似高昂的代价，似乎都无法阻挡他们奔向“芯片自由”的决心。然而，一个有趣的悖论出现了：作为这场AI浪潮的真正“弄潮儿”，OpenAI，也开始认真盘算起自己的芯片版图。

有了英伟达，OpenAI为什么还要自研芯片？

如果你关注过2023年底那场震动硅谷的OpenAI“离职风波”，或许还有印象。据外媒报道，在那场高层宫斗的背后，Sam Altman正在秘密推进一个名为“Tigris”的数十亿美元芯片项目。甚至他那趟备受关注的中东之行，目标也并非游山玩水，而是为了给这个项目筹集真金白银。

问题的根源，首先出在供应端。当所有大厂都在疯狂“扫货”时，用于AI服务器的英伟达GPU陷入极度缺货的窘境。Meta这边刚宣布要再购入35万块H100，另一边为OpenAI提供算力的微软，也在为扩大AI服务器规模而焦头烂额。微软虽然也在加速自研芯片，但那是为了服务所有Azure客户，并不只为OpenAI一家。

更直接的压力来自成本。网传OpenAI每天的服务器运维费用就高达70万美元。即便他们推出了每月20美元的ChatGPT Plus订阅服务，但据统计，去年10月该服务的订阅用户仅有20多万。这点收入，别说覆盖每天高昂的运维成本，连维持现状都捉襟见肘。更要命的是，受限于硬件资源，OpenAI一直在限制Plus用户的规模，以防服务器过载。

所以，答案其实很清晰：为了降本增效，更为了给下一代GPT模型提供足够算力，自研几乎是唯一出路。自己做的芯片，自然能与GPT模型深度优化，形成软硬件协同迭代的正循环。

从资金、设计到制造，OpenAI能搞定吗？

造芯片，谈何容易？这不光是一个技术活，更是一场烧钱的游戏。从设计团队的组建，到半导体制造的支持，每一步都需要天量资金。不过，OpenAI并非孤军奋战。据悉，阿布扎比的G42和日本的软银已与Sam Altman展开合作洽谈，这些投资者将为其构建AI芯片制造网络提供资金。

更关键的传闻是，台积电也打算加入，提供芯片支持。但这里有一个巨大挑战：目前用于AI芯片的CoWoS先进封装产能，简直是“寸土寸金”。即便台积电在拼命扩产，面对源源不断的订单，恐怕也难解云服务厂商们的燃眉之急。

另一个瓶颈是HBM内存。这些年AI芯片对高带宽的需求几乎上了瘾，HBM几乎成了标配。然而，有限的制造商们正遭遇产能危机。SK海力士就坦诚，其2024年的HBM3和HBM3E产能已全部售罄，甚至开始和客户敲定2025年的订单了。

这就不难理解，为什么Sam Altman去年6月就跑去韩国，与韩国总统尹锡悦会面，并建议韩国关注芯片产能。上周，他再度访问韩国，不仅参观了三星电子的产线，还与SK海力士的CEO进行了会谈。目的很明确：这两大HBM厂商已打入英伟达GPU供应链，OpenAI要想自研芯片，必须提前锁定最新的HBM产能。

这也是新玩家入局的最大难题之一。像英伟达这样的老牌玩家，在晶圆厂面前话语权极大，能抢占到最优先的产能。如果OpenAI能抛出足够规模的订单，或许能说动台积电、三星等为其腾出额外的产能。

自研，有没有捷径可走？

对于OpenAI来说，虽然困难重重，但好在设计路线已经与过去大不相同。一条捷径是Chiplet技术。去年11月，OpenAI就聘请了谷歌TPU项目负责人之一Richard Ho来领导硬件部门。但从其公开的招聘岗位来看，OpenAI并没有急于大规模组建设计团队。

即便如此，他们仍有加速芯片设计的手段：通过Chiplet设计，大幅降低工程复杂度。OpenAI的自研部分，可以只聚焦于最核心的逻辑计算模块，而其余I/O等模块，完全可以采用第三方IP打造的Chiplet来实现。

这么做的好处是显而易见的：既能利用异构集成的高性价比，又能通过重复利用IP避免反复造轮子，芯片迭代也更灵活。关键是，Chiplet因为使用了已知合格芯片（KGD），良率更高。对于一个芯片设计新手来说，这能有效降低制造风险，把有限精力集中在计算核心和软硬件的协同优化上。

写在最后

从OpenAI自研芯片的动向来看，一个AI框架或应用的成功，仅仅是一个开始。想要实现可持续的商业化落地，最终还得靠硬件的支撑，尤其是与模型深度契合的专用芯片。只要你能承受高昂的投入和巨大的风险，自研这条路，就是所有头部AI公司的终极目标。

同时，这也让我们看到了OpenAI不小的野心。绝大多数AI应用开发商，依然靠着租用服务器、按订阅或Token收费维生，其用户规模远未达到让云厂商难以维系的地步。而OpenAI凭借ChatGPT成了落地应用的领头羊。对OpenAI来说，自研芯片固然是一场豪赌，风险极高，但或许是推动公司进入下一阶段的最优解。