OpenAI晶片卡關
OpenAI 與 Broadcom 自研 AI 晶片傳出 180 億美元融資缺口，暴露 AI 算力競賽背後的半導體資本壓力。
融資卡住的不是單一晶片 OpenAI 與 Broadcom 的自研 AI 加速器合作傳出遭遇 180 億美元融資缺口，關鍵不只是設計費，而是從前端架構、光罩、先進封裝到資料中心上架的一整條資本鏈。對大型模型業者而言，自研 ASIC 的目標是降低對通用 GPU 的依賴，並把推論常見的矩陣運算、KV cache 搬移與網路同步做成更可預測的硬體路徑。 為何成本會膨脹 Broadcom 擅長客製 ASIC 與高速網通 IP，但 AI 晶片量產門檻遠高於一般 SoC。先進製程需要昂貴 NRE、EDA 授權與多輪 tape-out；高頻寬記憶體必須預訂 HBM 產能；封裝端可能仰賴 CoWoS 類 2.5D 技術，還要搭配高速 SerDes、PCIe/CXL 或乙太網路互連。每一項都需要預付款或長約，若融資條件延後，供應商排程與晶圓廠產能鎖定都會受影響。 工程風險在軟硬整合 自研加速器真正困難在軟體堆疊。即使晶片具備足夠 TOPS 或 BF16/FP8 吞吐量，沒有成熟 compiler、kernel library、runtime 與分散式訓練框架支援，利用率仍可能低於 NVIDIA 生態系。OpenAI 若要把模型訓練與推論遷移到自家硬體，必須讓 PyTorch/XLA 類前端、排程器、通訊 collective 與容錯機制同時成熟。 對產業的訊號 雲端 AI 算力不再只是買卡問題，而是金融、製程與封裝產能的組合戰。 客製 ASIC 可改善單位 token 成本，但前期資本支出與量產風險會集中爆發。 若融資延宕，OpenAI 短期仍需大量採購 GPU，並維持多供應商策略。 這起卡關顯示，AI 基礎設施正從軟體競賽進入半導體資本競賽。誰能同時掌握模型需求、晶片架構、封裝供應與資料中心部署，誰才可能把算力成本曲線壓下來。
https://blog.buclaw.org/posts/openai-mozoc54b