社区

芝能科技出品

第一次看到 TeraFab 的时候，一定会觉得这是一个“熟悉的马斯克项目”：规模巨大、目标离谱、时间线激进。

这件事也的确是马斯克能干得出来的：既然半导体和算力是现实的约束，那特斯拉就自己造芯片。

过去几年，AI 算力的增长速度，早不再是“需求拉动供给”，而是反过来——供给成为天花板。

无论是台积电还是三星电子，它们的问题都卡在：产能爬坡的节奏，远慢于 AI 需求的爆发速度。对一家只做模型的公司来说，这是价格问题；但对特斯拉来说，这是生死问题。

对于特斯拉来说，给汽车设计制造芯片已经成了练手，可以更熟练地进行机器人的规模化部署。

一旦把“10 亿台 Optimus”当作一个真实假设，那么特斯拉面对的不是车规芯片供应，而是一个接近“全球算力再分配”的问题。TeraFab，本质上是这个问题的答案之一。

01

特斯拉被算力需求

逼到“自己造矿”

马斯克说：“要么建 TeraFab，要么没有芯片。”这句话听起来像夸张，但是一个典型的供需错配问题。

目前全球新增 AI 算力规模，大致在数百亿瓦量级，而特斯拉内部给出的路线图，仅人形机器人一项，就对应 100GW 级别的算力需求。如果再叠加自动驾驶训练、Dojo 集群，以及未来的分布式推理网络，这个需求会迅速逼近太瓦级。

换句话说，特斯拉一家公司的长期算力需求，理论上可以吞掉全球新增算力供给的大头。

这就带来一个关键变化：芯片不再是“采购的零部件”，而是“决定业务上限的生产资料”。

过去十年，半导体行业的分工逻辑是极致清晰的——设计归设计，制造归制造，IDM 模式逐步被削弱。但 AI 把这件事反过来了。因为当需求端的增长速度远超供给端，最有动力打破分工的，一定是需求方。

特斯拉已经走在这条路径上：从早期的自动驾驶芯片（AI3/AI4），到正在推进的 AI5，再到规划中的 AI6、AI7，本质上是一步步从“定制 SoC”走向“定义计算架构”。但只要还依赖外部代工，这条链路始终存在不确定性。

这也是为什么 TeraFab 的定位不是单一晶圆厂，而是一个完整的生产体系：逻辑芯片、存储、先进封装全部打包，甚至连设计迭代都嵌入制造流程里。它的目标不是补充供应，而是把“算力生产”这件事变成一个可控系统。

从这个角度看，TeraFab更像是一个“算力矿场”，而不是传统意义上的 fab。

02

真正的难点不在 2nm，

而在“做成台积电”

很多讨论集中在 2nm 工艺、年产 1000 亿颗芯片这些指标上，但对半导体行业来说，这些都不是最难的部分。

真正的难点在于——你如何在几年时间里，复制出一个接近台积电的制造体系。

先进制程从来不是单点突破，而是系统工程。2nm 只是一个标签，它背后是几千道工艺步骤的协同，是材料、设备、设计工具链的长期耦合。哪怕是像 Rapidus 这样直接引入 IBM 架构、依托 imec 技术体系的项目，行业对其量产时间表依然持保留态度。

原因很简单：先进制程的核心壁垒，从来不是“知道怎么做”，而是“能稳定做出来”。

一条完整的工艺链，从 FEOL（前段晶体管制造）到 BEOL（金属互连），每一步都涉及大量参数调优，而这些参数并不是靠设计推导出来的，而是靠长期经验和反复试错积累出来的。

这也是为什么良率（yield）才是最终决定生死的指标——不是你能做出芯片，而是你能不能以可盈利的方式持续做出来。

在这个维度上，黄仁勋的判断其实非常克制。他提到，外界往往低估了先进制造的复杂度，这不是砸钱就能复制的能力。台积电过去三十年积累的，是一整套“工程文化”和“工艺数据库”，而不是单一技术节点。

所以问题就变成：特斯拉有没有可能绕开这条路径？答案是，很难完全绕开，但可以“换一种方式逼近”。

TeraFab强调的单体集成（设计+制造+封装+迭代闭环），本质上是在缩短反馈周期，而不是直接复制台积电模式。如果这个闭环真的能把迭代速度提升一个数量级，那么它可能不需要在良率上完全追平传统代工厂，就可以在特定 workload 上实现优势。

这依然是一场极高风险的尝试。因为半导体行业里，失败往往不是“做不出来”，而是“做得出来但不赚钱”。

03

为什么这件事一定

要和 SpaceX、xAI 绑在一起

如果只看特斯拉本身，TeraFab已经足够激进。但真正让这个项目成立的，是它背后的三家公司协同结构。

● 第一层是需求侧。特斯拉提供机器人和自动驾驶场景，这部分需求具备两个特点：规模极大、对延迟敏感。这决定了芯片必须在边缘侧具备极高能效，而不是单纯堆算力。

● 第二层是算力消耗侧。xAI 代表的是模型训练和推理需求，它消耗的是绝大多数芯片产出。这一点很关键，因为它让“产能”不再依赖外部市场，而是可以在体系内部消化。

● 第三层是部署能力。这一部分由SpaceX承担，它提供的不是传统意义上的物流，而是把算力搬到轨道上的能力。按照马斯克的设想，未来 80% 的算力会部署在太空，这听起来像科幻，但背后是一个现实约束——地面能源已经成为瓶颈。

美国电网总容量大约在 0.5TW 左右，而 AI 数据中心的扩张已经开始挤占工业和民用电力资源。与此同时，土地审批、散热、环境约束也在不断叠加成本。

在这种情况下，把算力转移到近地轨道，并利用太阳能供电，反而变成一个具备经济性的方案。这也是为什么 TeraFab 的芯片路线里，会出现专门面向太空环境的 D3 芯片。

它需要解决的问题，不是性能，而是辐射、温度和可靠性。这类芯片的设计逻辑，与传统数据中心完全不同。

当你把这三层结构叠加起来，就会发现 TeraFab 并不是一个孤立项目，而是一个完整闭环： 芯片生产 → 算力部署 → 模型消耗 → 需求再增长 → 再反推芯片生产。

这套闭环如果跑通，它的意义不只是降低成本，而是重新定义“算力从哪里来”。

小结

从汽车到机器人，从芯片设计到晶圆制造，马斯克的路径是把原本分散在产业链不同环节的能力，重新压缩进一个体系里。

TeraFab 是这条路径的极端版本，试图把“算力生产”这件事本身工业化。但这件事的难度，也远超特斯拉之前做过的任何一次垂直整合。因为汽车、电池甚至火箭，本质上都还是工程问题，而先进半导体制造，是工程、科学和经验的叠加体。它不只是难，而且慢。