3 月 14 日，Elon Musk 在 X 上發了一條短推：「Terafab Project launches in 7 days」。七天後的 3 月 21 日，Tesla 要正式啟動他們自己的晶片製造計畫。
一家做電動車的公司，要蓋全世界最大的 AI 晶片廠。這不是 PPT 融資，是真的要量產 2 奈米製程晶片。
我花了一些時間整理目前已知的技術細節，試著從開發者和 AI 從業者的角度，分析這件事為什麼值得關注。
數字先擺出來
Terafab 的規模用幾個數字就能理解：
- 製程：2 奈米，目前商用最先進的節點
- 月產能目標：10 萬片晶圓起步，遠期目標 100 萬片（TSMC 目前美國廠全部產能大約 14 萬片）
- 年產量：1,000 億到 2,000 億顆 AI 和記憶體晶片
- 估計成本：250 億美元
- 第一顆晶片：AI5（Tesla 第五代 AI 晶片），2026 年小量試產，2027 年量產
這些數字背後有一個簡單的邏輯。Musk 在 1 月的法說會上講得很直白：「即使用最樂觀的估計，供應商的產能還是不夠。」
不夠用在哪？FSD 自駕軟體、Cybercab 無人計程車、Optimus 人形機器人、Dojo 超級電腦、還有 xAI 的 Grok 模型訓練。每一條產品線都在吃算力，而且需求曲線是指數成長。
為什麼不繼續跟 TSMC 買？
Tesla 目前的晶片供應商是 TSMC 和三星。這兩家是地球上最好的晶圓代工廠，技術領先全球。繼續跟他們合作不好嗎？
問題出在三件事。
第一，產能排隊。 TSMC 的 2 奈米產線有多搶手？Apple、NVIDIA、AMD、Qualcomm 全都在排隊。Tesla 的訂單量再大，在這些客戶面前也不一定排得到優先。更別說地緣政治風險——台灣海峽的情勢讓任何依賴單一供應商的策略都顯得脆弱。
第二，成本結構。 自駕車和機器人跟手機不一樣。手機晶片利潤高、量大，代工廠樂意做。但 Tesla 需要的是專為推理優化的客製晶片，規格獨特，代工的經濟效益不如通用產品。自建產線可以把設計到製造的迴圈縮短，長期成本更低。
第三，垂直整合的控制力。 Terafab 計畫把邏輯運算、記憶體儲存和先進封裝整合在同一座工廠裡。這代表 Tesla 可以從矽晶圓開始，一路做到封裝好的晶片模組，中間不需要經過三四個不同的供應商。
如果你做過 PCB 打樣就知道，每多一個外包環節，交期就多一段不確定性。Tesla 想把這種不確定性壓到最低。
開發者為什麼該在意
「一家車廠蓋晶片廠，跟我有什麼關係？」
關係比你想的大。
AI 推理成本可能出現結構性下降。 Tesla 不只自己用這些晶片，xAI 的 Grok 也是潛在消費者。如果 Terafab 成功量產 AI5，推理成本的基礎結構就改變了。NVIDIA 目前靠 H100/B200/Rubin 系列掌握 AI 推理的定價權。Tesla 進場不會直接跟 NVIDIA 競爭（不賣晶片給第三方），但它證明了一件事：大型 AI 消費者自己造晶片是可行的路線。
Meta 已經跟 AMD 簽了 600 億美元的客製晶片協議。Google 有 TPU。Amazon 有 Trainium 和 Inferentia。Microsoft 有 Maia。Tesla 加入這個名單，代表「自己造推理晶片」從科技巨頭的專屬遊戲，擴展到了非傳統晶片公司。
當更多玩家自建 AI 晶片，NVIDIA 的壟斷定價能力就會被稀釋。對開發者來說，這意味著 AI 推理服務的長期價格趨勢是向下的。你今天覺得 API 調用費太貴？三年後回頭看，可能會覺得現在已經夠便宜了。
端側 AI 的算力上限會提高。 Tesla 的 AI5 是為自駕推理設計的，跑的是即時視覺模型，延遲要求在毫秒級。這種晶片如果成熟，技術會溢出到其他端側 AI 場景——工業機器人、無人機、醫療設備。端側推理晶片的效能天花板，不再只由 NVIDIA Jetson 或 Qualcomm Hexagon 決定。
訓練基礎設施的版圖在重組。 Dojo 超級電腦目前用的是 Tesla 自研的 D1 晶片。AI5 如果順利量產，Dojo 的算力會再上一個台階。加上 xAI 已經在用 10 萬張 GPU 的叢集訓練 Grok，Tesla 手上的訓練資源規模已經接近 OpenAI 和 Google。
還是得潑點冷水
看完規格很容易興奮，但有幾件事得保持清醒。
2 奈米量產是人類工程學的頂級挑戰。 TSMC 花了三十年、數千億美元才走到 2 奈米量產的門口。Tesla 從零開始蓋晶片廠，良率問題、設備採購、人才招聘，每一個環節都可能卡住。CFO Vaibhav Taneja 自己都承認，Terafab 的完整財務模型「還沒建好」。
250 億美元的資本支出不是小數字。 Tesla 2026 年的資本支出計畫已經超過 200 億美元，Terafab 的費用還沒完全算進去。如果自駕計程車和機器人業務的營收不如預期，這筆支出會成為沉重的負擔。
「7 天後啟動」不等於「7 天後出貨」。 Musk 說的「launch」很可能是動工或宣布合作夥伴，不是晶片下線。AI5 的小量試產要到 2026 年底，量產要 2027 年。從啟動到真正改變市場，至少還要 18-24 個月。
團隊從哪來？ 先進製程晶片製造的人才全球加起來可能不到十萬人，大部分在 TSMC、三星、Intel。Tesla 要從哪裡找到足夠的工程師來跑一座 2 奈米晶片廠？這不是軟體工程師轉行就能解決的問題。
更大的圖景
把 Terafab 放進這週的背景看，會更有意思。
今天（3/16）是 NVIDIA GTC 2026 的主題演講日。Jensen Huang 預計會發布 Rubin GPU（288GB HBM4，50 PFLOPS 推理性能）和 NemoClaw 開源 AI Agent 平台。NVIDIA 的訊息是：我們是 AI 基礎設施的標準制定者。
五天後（3/21），Tesla Terafab 啟動。Musk 的訊息是：我們不想再看別人的臉色。
同一週，FOMC 會議（3/17-18）可能釋出新的 dot plot，影響所有科技股的估值基礎。
三件事加在一起，構成了 2026 年 AI 產業的核心張力：算力需求爆炸，但到底誰來供應，按什麼價格供應，由誰決定？
NVIDIA 說「我們來」。Tesla 說「我自己來」。Meta 說「我找 AMD」。Google 說「我早就自己來了」。
對開發者來說，這是好消息。更多供應者代表更多競爭，更多競爭代表更低的價格和更多的選擇。三年前，你要跑 AI 推理基本上只有 NVIDIA GPU 一條路。現在，選項多到要開始做比較評測了。
我認為值得持續追蹤的三個指標
AI5 的良率數字。 這會決定 Terafab 是真的能改變遊戲規則，還是又一個 Musk 式的宏大願景最終只實現了三成。追蹤時間點：2026 Q4 法說會。
NVIDIA Rubin vs Tesla AI5 的推理效能比較。 兩者都瞄準 AI 推理市場，但架構思路完全不同。NVIDIA 走通用加速器路線，Tesla 走垂直整合專用晶片路線。第一批 benchmark 出來的時候，會非常有看頭。
自駕和機器人的算力需求曲線。 Terafab 的商業邏輯建立在「算力需求會持續指數成長」的假設上。如果自駕技術在未來兩年遇到瓶頸（不是算力瓶頸，而是演算法或法規瓶頸），Terafab 的產能可能出現過剩。
一家做電動車的公司，砸 250 億美元蓋 2 奈米晶片廠。聽起來瘋狂，但如果你追蹤過 Gigafactory 從被嘲笑到量產改變電動車產業的歷程，就知道不能直接否定 Musk 的製造能力。
Terafab 不一定會成功。但它代表的趨勢是確定的：AI 算力的供應端正在從「少數幾家晶片公司壟斷」走向「大型 AI 消費者自建產能」。這個轉變，對每一個寫 AI 應用的開發者都有長期影響。
3/21 啟動後，我會持續追蹤技術細節。如果你也在做 AI 推理相關的專案，這是一個值得放進追蹤清單的訊號。