SemiAnalysis称1GW算力自研ASIC成本约200亿美元

现在，CSP和大模型厂商都在自研AI芯片。除了保障供应、针对自身模型优化之外，一个最直接的原因就是降低成本。

但自研芯片究竟能省多少钱？

SemiAnalysis创始人Dylan Patel最近给出了一个很有冲击力的数字：建设1GW算力的市场成本，已经从2024年的约400亿美元升至600亿美元以上；但如果剔除NVIDIA、Broadcom和Marvell等芯片设计公司的利润，底层成本可能只有约200亿美元。

与此同时，Dylan还透露，Anthropic已经启动自研芯片项目，并希望用OpenAI一半的时间完成。

但自研ASIC真的能把600亿美元的数据中心压缩到200亿美元吗？

1GW AI数据中心究竟要多少钱

Dylan所说的600亿美元，不只是GPU采购金额，而是一套1GW AI算力集群的完整资本开支，包括芯片、内存、服务器、网络、供配电、制冷、土地和建筑。

随着AI系统从Hopper进入Blackwell，再走向Rubin，单个机柜需要更多HBM、更复杂的封装、更高速的网络，以及更高规格的供电和液冷系统。因此，新一代系统的每GW建设成本持续上升。

不过，Bernstein也专门测算过1GW数据中心的成本，给出了相对保守的测算：

按照Bernstein的现实采购模型，建设1GW AI数据中心大约需要350亿至400亿美元。

其中，Nvidia Rubin方案约为395亿美元，OpenAI自研Jalapeño方案约为346亿美元。

也就是说，自研ASIC确实更便宜，但节省的是约49亿美元，总资本开支下降约12%，并不是下降三分之二。

200亿美元是理论成本底线

Dylan所说的200亿美元，可以理解为完全垂直整合后的理论成本，而不是Anthropic未来的实际采购预算。

他的前提是：把Nvidia、Broadcom和Marvell等芯片设计公司的利润全部拿掉。

这比“设计一颗ASIC”激进得多。

按照Bernstein的模型，OpenAI Jalapeño的总成本约为346亿美元，其中机房基础设施已经达到127亿美元。如果总成本要降到200亿美元，服务器和芯片部分只能剩下73亿美元。

而Bernstein目前对Jalapeño服务器部分的估算是219亿美元。这意味着，要达到200亿美元的目标，服务器硬件成本还要再下降约三分之二。

仅仅换成自研芯片，显然不够。

Anthropic如何把时间缩短一半

这里首先需要区分两种时间口径。OpenAI和Broadcom官方披露的是：Jalapeño从初始设计到制造流片只用了9个月。SemiAnalysis则采用了更宽的项目口径，从最初组建团队算到流片大约为16个月。两个数字并不矛盾，区别主要在于起点不同。

Dylan没有说明Anthropic所说的“一半时间”采用哪一种口径。如果对应OpenAI公开强调的9个月，Anthropic的目标可能只有四五个月；如果对应从组建团队开始计算的16个月，则大约是8个月。无论采用哪种口径，这都是一个非常激进的目标。Anthropic可能从几个方向压缩周期。

首先，它不需要从零发明一套通用GPU。Anthropic最清楚Claude在推理过程中的计算结构、内存访问和通信模式，可以围绕相对明确的工作负载设计ASIC。目标越聚焦，架构选择和验证范围就越容易收敛。

其次，OpenAI已经证明，第一代自研芯片不一定只能做成实验品。Jalapeño采用了更大的Scale-up域，把更多数据留在HBM和DRAM中，同时降低对传统Scale-out网络和NAND的依赖。Anthropic可以借鉴已经得到验证的设计方向，不需要重新探索所有路线。

第三，真正被AI大幅压缩的可能不只是芯片设计，还有验证和软件开发。Dylan特别提到，OpenAI在芯片设计和编程过程中大量使用了AI。模型可以辅助生成RTL和测试代码、分析验证结果、定位错误，也可以加快编译器、算子和运行时软件的开发。

芯片设计中最耗时的环节之一，并不是提出架构，而是反复验证设计是否正确。与很多物理世界的问题相比，代码和数字电路具有更明确的反馈：能否编译、仿真是否通过、性能是否达到目标，都可以快速验证。这正是AI编码工具最容易发挥作用的场景。

关于AI对EDA行业的影响，星球很多朋友都在问了，等下周四直播的时候讲一下。