乔治敦大学沃尔什外交学院安全与新兴技术中心（CSET）的两位作者编写的一份题为《AI Chips: What They Are and Why They Matter》的报告，借助模型预估得出，台积电每片5nm晶圆的收费可能约为17,000美元，是7nm的近两倍。
该报告同时估计，每片300mm直径的晶圆通常可以制造71.4颗5nm芯片，这让无晶圆芯片公司的制造成本达到每颗238美元（约为1642元）。
不仅不如，通过对半导体行业和AI芯片设计的调查，作者通过模型不仅估算出5nm芯片238美元的制造成本，还提出了每颗芯片108美元的设计成本以及每颗芯片80美元的封装和测试成本。
这使芯片设计公司为每颗5nm芯片支付的总成本将高达426美元（约为2939元）。
5nm之后“高贵”的先进制程
市场研究机构International Business Strategies (IBS)给出的数据显示，28nm之后芯片的成本迅速上升。28nm工艺的成本为0.629亿美元，到了7nm和5nm，芯片的正本迅速暴增，5nm将增至4.76亿美元。三星称其3nm GAA 的成本可能会超过5亿美元。
来自IBS
设计一款5nm芯片的总成本将高达近5亿美元，那平均到每颗芯片的成本有多高？CSET在报告中的模型类比了英伟达P100 GPU，这款GPU基于台积电16nm节点处制造，包含153亿个晶体管，裸片面积为610 平方毫米，相当于晶体管密度25 MTr/mm 2。
由此计算，直径300毫米的硅晶片能够生产71.4颗 610平方毫米的芯片。
假设5nm GPU的芯片面积为610平方毫米，并且晶体管密度比P100 GPU高，达到907亿个晶体管。下表中是用模型估算的台积电90至5nm之间的节点晶体管密度。在90至7nm范围内的节点，模型使用具有相同规格的假想GPU，包括晶体管除晶体管密度，假想的5nm GPU与假设节点关联。
CSET的成本模型使用的是无晶圆厂的角度，包含建造工厂的成本、材料、人工，制造研发和利润等。芯片制造出来后，将外包给芯片测试和封装（ATP）公司。
当然，使用更先进的制程节点芯片设计公司也会有相应的成本增加。最终看来，芯片设计成本和ATP成本之和等于总生产成本，得出每颗5nm芯片支付的总成本将高达426美元成本的结论。
之所以先进制程芯片的成本不断增加，不可忽视的是半导体制造设备成本每年增加11%，每颗芯片的设计成本增加24%，其增长率都高于半导体市场7%的增长率。
2018年的时候，台积电CEO魏哲家就打趣地说，台积电预计在5nm投资了250亿美元，各位就知道以后价格是多少了！
并且，随着半导体复杂性的增加，对高端人才的需求也不断增长，这也进一步推高了先进制程芯片的成本。报告中指出，研究人员的有效数，即用半导体研发支出除以高技能研究人员的工资，从1971年到2015年增长了18倍。
换句话说，摩尔定律延续增加大量的投入和人才。
雷锋网此前报道，为了支撑先进制程，台积电十年内研发人数增加了三倍，2017年研发人员将近6200人，比2008年多了近两倍，这6200人只从事研发，不从事生产。
先进制程的高成本如何影响半导体和AI发展？
半导体市场以超过世界经济3%的速度增长。目前，半导体产业占全球的0.5%经济产出。对于半导体产业而言，先进的制程和高性能芯片驱动着行业的进步，晶体管成为关键。
晶体管尺寸减小使每个晶体管的功耗也降低，CPU的峰值性能利用率每1.57年翻一番，一直持续到2000年。此后，由于晶体管尺寸减小放缓，效率每2.6年翻一番，相当于每年30%的效率提升。
报告中指出，台积电声称的节点进步带来的速度提升和功耗降低，从90 nm和5 nm之间以恒定比例变化，但趋势趋于平稳。三星两种指标在14 nm和5 nm之间都有下降趋势，但缺少大于14 nm的节点处的数据。
不过，由于半导体设备、研发等成本持续增加，这也让大量晶圆代工厂无法参与先进制程的生产和竞争，比如，GlobalFoundries就不生产14 nm以下的芯片。
下表给出了每个工艺节点量产的时间以及代工厂的数量，可以看到，随着制程的向前推进，晶圆代工厂数量越来越少。目前先进的制程工艺代工厂仅剩台积电、三星和英特尔。
虽然代工厂越来越少，但业界对于先进制程的需求并没有减少。AI芯片就对先进制程有不小的需求，最先进的AI芯片比最先进的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，这相当于摩尔定律驱动下CPU 26年的改进。
这要求晶体管持续改进，晶体管的改进仍在继续，但进展缓慢。得益于FinFET晶体管的发明，英特尔在2011年推出了商业化的22nm FinFET，业界也基于FinFET将半导体制程从22nm一直向前推进到如今的5nm。
到了2nm，台积电和英特尔都采用GAA（Gate-all-around，环绕闸极）或称为GAAFET维持先进制程的性能提升。魏哲家透露，台积电制程每前进一个世代，客户的产品速度效能提升30%- 40%，功耗可以降低20%-30%。
但高昂的成本和性能提升的幅度减少，让AI公司在计算上花费的时间和金钱更多，进而成为AI发展的瓶颈。
报告指出，AI实验室的训练的费用非常高，估算AlphaGo、AlphaGo Zero、AlphaZero和AlphaStar模型的训练成本每个为5000万到1亿美元之间。
值得关注的是，由于CSET当前正在关注AI和先进计算的进步所带来的影响。该报告称，美国政府正在考虑如何控制AI技术，但由于AI软件、算法和数据集不是理想的控制目标，因此硬件成为了重点。
未来，有多少AI芯片功能能够用得起先进制程？AI在全球的发展又会受到怎样的限制？
