Tesla AI5 晶片完成光罩定案：算力達 AI4 八倍，台積電亞利桑那廠與三星德州廠雙軌生產

馬斯克於 2026 年 4 月 15 日確認，Tesla 下一代 AI5 晶片——專為全自動輔助駕駛（FSD）電腦與 Optimus 人形機器人設計的核心矽晶片——已順利完成 Tape-out（光罩定案），設計定稿後送交晶圓廠進行實體製造。這個里程碑標誌著設計階段正式結束，量產矽晶片最快今年底可望問世。

這份公告距 Tesla 最初承諾 AI5 搭載於車輛的時間，已晚了近兩年。馬斯克將延誤定調為追求更高架構雄心、而非執行失誤的結果，並以「極致精簡」（radical simplicity）形容設計哲學，同時公布一系列若能在量產中兌現、足以改寫汽車與機器人運算格局的性能數字。

規格：跨世代大躍進

各項數據令人矚目。根據馬斯克說明，AI5 的算力約為前代 AI4（即 Hardware 4，HW4）的八倍、記憶體容量九倍、記憶體頻寬五倍，最高配備 192GB LPDDR5X 記憶體——這樣的規格在 AI 伺服器硬體領域尚屬常見，用在車載晶片上則前所未有。

就性能對標而言，單顆 AI5 在 Tesla 特定推論工作負載的表現，約等同一顆 NVIDIA H100 GPU；雙晶片配置則接近 NVIDIA Blackwell 系列的性能層級。關鍵差異在成本與能耗：Tesla 宣稱 AI5 的每 FLOP 推論成本，約是 NVIDIA 晶片的十分之一——若此數據屬實，將從根本上改變 Tesla 在機器人計程車與機器人業務上的經濟模型。

NotebookCheck 早前援引 Tesla 內部基準測試，顯示搭載 AI5 的 FSD 電腦在執行相同推論任務時，耗電量僅為同等 NVIDIA 矽晶片的一小部分。效率優勢源於 Tesla 為自身推論堆疊量身設計的能力——與必須服務廣泛工作負載的通用加速器不同，AI5 的架構完全圍繞 Tesla 為佔用率預測、路徑規劃與即時感測器融合所開發的神經網路架構而建。

雙廠製造：供應鏈戰略避險

AI5 計畫中最具戰略意義的製造決策，或許是雙軌代工策略：台積電（TSMC）負責亞利桑那州鳳凰城廠，三星（Samsung）負責德州泰勒廠，兩者皆位於美國境內。這一供應鏈布局既是地緣政治風險管理的縮影，也反映了大規模量產車用與機器人晶片的現實物流考量。

馬斯克指出，兩家晶圓廠將製造相同晶片設計，但因各自製程技術不同，物理實作方式有所差異。台積電亞利桑那廠採用與台灣廠相同的 N3 節點世代；三星泰勒廠則採用自家 3 奈米製程。兩個版本之間預計會有些微性能與功耗差異——馬斯克在社群媒體上不慎將「TSMC」誤打為「TSC」，引發短暫熱議後隨即更正，意外令此差異細節廣為人知。

雙廠策略為 Tesla 提供了對抗單一工廠中斷風險的冗餘，也賦予其對製造合作夥伴更強的議價籌碼。對台灣議題的觀察者而言，AI5 部分產能轉移至台積電亞利桑那廠——而非台灣最大的新竹與台南廠——代表半導體供應鏈從台灣海峽風險走廊的小幅但顯著分散。

應用場景：Optimus 與自動駕駛之路

AI5 圍繞兩大核心工作負載而設計。其一是 Tesla 車隊的下一代 FSD 電腦，這是最終支持真正 L4、L5 自動駕駛所需的硬體——一旦軟體堆疊成熟。目前 Tesla 車輛搭載的是 AI4（HW4），Tesla 已承諾將在未來車型標配 AI5，並可能對特定既有車型進行翻新升級。

其二，也可能是戰略上更為關鍵的工作負載，是 Optimus 人形機器人。Tesla 的人形機器人計畫已日益成為馬斯克長期價值主張的核心，而 Optimus 所需的板載算力遠高於車輛——尤其是即時操控任務、視覺推理與非結構環境下的動態重規劃。AI5 的 192GB 記憶體空間與高頻寬架構，正是為支援能讓通用機器人真正可行的大型視覺-語言-動作模型而設計。

AI5 工程樣品預計於 2026 年底問世，量產目標訂於 2027 年中。這條時間軸意味著未來十年批量出貨的 Optimus 機組，幾乎可以確定將搭載 AI5 或其後繼晶片，而非現行的 AI4 硬體。

路線圖：AI6 十二月出爐、AI7 已在規劃中

馬斯克同時揭示了激進的晶片世代更迭計畫。AI6 的 Tape-out 目標定在 2026 年 12 月，意味著設計工作與 AI5 的量產爬坡期大幅重疊；AI7 則已進入早期規劃。Tesla 的既定目標是大約每 12 個月推出一個新晶片世代達到量產，設計週期縮短至九個月。

若能實現，這一節奏將媲美 Apple A 系列與 M 系列晶片計畫——Apple 依賴矽晶片、軟體與系統設計的深度垂直整合，持續維繫著年度世代躍進。Tesla 正在複製這套打法。

對整個行業的意義

AI5 Tape-out 所傳遞的訊號，遠不只是 Tesla 一家的事：專用 AI 矽晶片正在成為競爭優勢的先決條件——不僅限於雲端 AI（Google、亞馬遜等超大規模業者早已深耕），更延伸至「實體 AI」——機器人、自動駕駛車輛，以及任何必須在真實世界行動、而非單純處理資料的 AI 系統。

經濟邏輯清晰：NVIDIA H100 GPU 在二手市場售價約 3–4 萬美元一顆；AI5 在雙廠量產規模下，成本將遠低於此，且因針對 Tesla 推論工作負載最佳化，在特定任務上的實際性價比可能超越任何通用加速器。

若 AI5 的能效與成本宣稱在第三方驗證後成立，每家部署人形機器人或自動駕駛車輛的企業都將面臨壓力：要嘛投資自研晶片，要嘛接受根本性的成本劣勢。機器人產業——乃至整個實體 AI 賽道——或許正在經歷一場十年前雲端運算的同款蛻變：超大規模業者用自研晶片取代商用矽，從而重塑了各自的成本結構。