摘要：在一项由现实世界软件任务组成的基准测试中，o3得分71.7，超过了得分48.9的o1和得分41.3的o1 preview（预览版）。而在一项名为Elo的竞争性编程能力测评上，o3取得了2727分，o1评分1891，o1 preview评分1258，o3的性能已

openAI在直播的最后一天放出了重磅的o3模型，仅仅只过了3个月，新的o3模型的表现就远优于o1模型。

在一项由现实世界软件任务组成的基准测试中，o3得分71.7，超过了得分48.9的o1和得分41.3的o1 preview（预览版）。而在一项名为Elo的竞争性编程能力测评上，o3取得了2727分，o1评分1891，o1 preview评分1258，o3的性能已经达到了o1 preview的两倍多。（引用）

但是，优异的性能背后，代价的昂贵的。根据 ARC-AGI 联合创始人 Francois Chollet 的说法，在低计算模式下的半私有评估中得分为 75.7%，在低算力设置下，o3完成每个任务需要花费17-20美元，在高计算模式下得分为 87.5%，在高算力设置下运行单个任务的成本高达数千美元（超过 3400 美元）。

o3就是典型的用算力来换性能，按照常理来讲，这应该是利好算力的，利好算力龙头英伟达，但是为什么我说利空算力，利空英伟达呢？因为o3用的高精度算力，而不是低精度算力，而英伟达公布的强劲的GPU性能全部都是指低精度算力，高精度算力性能一般，或者性价比极低。

英伟达最火的算力芯片有3款，A100,H100,以及已经发布小1年，但是仍有没有大规模发货的B200，据说近期又偷偷发布了B300，B300相比于B200，最大的差别就是增加了50%的显存。

英伟达算力芯片参数

o3这类针对推理问题的大模型，需要3类要素齐备：高质量的训练数学，高精度的权重值与键值以及高的精度的算力芯片。但是从上面的英伟达算力芯片的参数看，表示高精度算力的单精度和双精度的性能极差：

A100芯片单精度FP32算力仅19.5T，双精度FP64的算力仅9.7T；

H100芯片单精度FP32算力仅67T，双精度FP64的算力仅34T；

B200芯片单精度FP32算力仅67T，双精度FP64的算力仅40T；

B200其实是2块芯片拼接的大芯片，不是单块芯片，但是这块芯片改善的不是高精度的单精度算力和双精度算力，而是大幅增强低精度的算力。因此，英伟达不论如何吹嘘其芯片性能多么强大，但是无法掩盖英伟达GPU芯片的高精度算力性能低下。

正是由于英伟达高精度算力性能低下，这就导致o3的推理成本极高，以至于几乎缺乏普遍的商业意义。大模型要具有商业价值，就必须具有很强的理科方面的推理能力，单纯的凑字的大模型很难卖出大价钱来，也很难赚钱。大模型的文字推理能力再强，也就是一个更便捷的搜索工具，但是无法辅助医疗诊断、药物研发，科技研发，以及教学辅助。要做医药诊断、药物研发、科技研发以及教学辅助，那么就得采用高精度的大模型和高精度的算力芯片。

事实证明，即使大模型的参数大量增加，但是如果大模型采用低精度的权重与键值，训练与推理时采用低精度的算力时，大模型是不会出现scaning law，也就是数据量、参数量和计算资源(GPU资源)越多,大模型训练出的模型能力和效果越好。而提高大模型的精度，提高算力精度，是在数据枯竭的情况下，继续提高大模型性能的必然路径。

早在半年前，我在测试国内外的大模型的时候，就已经发现了大模型的理科推理性能与精度密切相关，并且发布了相关的视频。但是，那个时候大众普遍关注的是大模型的参数，为了增加参数，同时降低训练成本和推理成本，英伟达把精力都放到了提振芯片的低精度的算力性能上。下半年出的o1，已经12月份出的o3模型，基本宣告了英伟达的研发路径是错误的。

不仅如此，即使英伟达返回来提高GPU芯片的高精度的算力性能，依然无法满足o3等高性能大模型的需求，为什么呢？这就要说到芯片代工了。

芯片代工的时候是需要光刻机的，但是EUV光刻机的光照功率是120瓦到200瓦，为了保证曝光的强度和效率，EUV光源的曝光面积是有限的，阿斯麦在NA=0.33的EXE:3400光刻机，最大曝光面积是26毫米×33毫米=858平方毫米，而最新款的NA=0.55的EXE:5000 EUV光刻机，最大曝光面积是26毫米×16.5毫米=429平方毫米。

H100芯片的面积是814平方毫米，集成了 800亿个晶体管，最新的B200芯片是由2颗B100芯片连接而成，面积依然是814平方毫米，集成的晶体管数量是1040亿个。

根据EUV光刻机分辨率公式，光源分辨率CD=k1 λ/NA，CD表示光刻机分辨率，λ是光源波长，NA是物镜的数值孔径，k1是工艺因子，目前EUV光刻机的k1是0.33。

如果NA是0.33，那么EUV光刻机的理论分辨率CD=0.33*13.5/0.33=13.5纳米。如果在芯片生产的过程中，全部采用EUV光刻，不采用DUV光刻，那么其芯片的理论密度大约是10000/（13.5*3+13.5*15）²=2.68亿个/平方毫米，也就是理论上单块芯片上的晶体管数量大约是814*2.68=2180亿个。

由于该芯片的尺寸极大，而电子在硅材料中的信息传递速度是20万千米，因此该芯片的理论频率是20*10¹⁰/33=6.06Ghz，另外，由于内存延迟、散热等限制，其多核实际频率很难超过4Ghz。

根据英伟达提供的相关信息，大约一个cuda核心及其缓存、控制的平均占用的晶体管数量是360万个，2180亿个晶体管理论上60555个cuda核心。这么多核心，其理论单精度算力是60555*40*2=484TFlops，仅仅是当前H100芯片67TFlops的7.2倍。

如果采用EXE:5000 EUV光刻机，其光刻分辨率是CD=0.33*13.5/0.55=8.1纳米，那么其最大的晶体管密度是10000/（8.1*3+8.1*1.5）=7.5亿个。由于数值孔径扩大，其曝光面积减半，那么理论上单块芯片上的晶体管数量是400*7.5=3000亿个，理论上可以包含85714个cuda核心。

由于晶体管尺寸变小，该尺寸芯片的理论频率是20*10¹⁰/26=7.69Ghz,由于内存延迟、散热等限制，其多核实际频率很难超过5.1Ghz。

因此，该芯片的理论单精度算力是85714*51*2=874T，是当前H100芯片67T的13倍。

另外，还有一个芯片技术是CFET技术，大概意思就是把漏极、栅极、源极从平放改为竖着放，纳米晶体管的尺寸就是（8.1+8.1*1.5）²=410平方纳米，晶体管密度就是24.4亿个/平方毫米，那么单块芯片的晶体管数量最多有约10000亿个，理论上可以包含277777个cuda核心，理论上单精度的算力是277777*51*2=2833，是当前H100芯片67T的42倍。

从理论上看，穷尽所有的技术芯片代工手段，GPU芯片的单精度算力最大增长空间只有42倍。o3模型的算力需求相比4o增长了上千倍，而GPU芯片最大的算力增长空间是42倍，这意味着满足算力需求需要增加几十倍的芯片数量。

英伟达GPU芯片是非常昂贵的，更多的GPU意味着更高的成本，显然英伟达GPU是无法满足o3这类高精度模型的商用需求的。为什么大量AI大模型厂商纷纷都要定制芯片，就是想降低算力芯片的采购成本。但是，即使采用定制芯片，算力采购成本的下降幅度依然不够，因为制程是越来越先进了，但是单晶体管采购的成本下降幅度并不大，这就导致芯片的代工成本也会随着晶体管数量的增加而增加。

如果大模型计算一个任务的成本高达3000多美元，那么研发企业采购大模型的成本可能高达几亿美元甚至上百亿美元，这么高的使用成本会导致没有几个企业能用的起。类似o3的大模型要想大规模的商用，势必要寻找新类型的计算芯片，譬如量子芯片、光子芯片等计算机路线。

国内的deep seek大模型创新了一个模型架构，就是通过训练高达256个混合精度专家子模型，大幅度的降低训练的算力需求，训练成本只有国外同性能大模型的9%。虽然训练成本大幅下降，但是如果要解决理工类的逻辑推理问题，依然要调用高精度的专家模型，使用高精度的算力芯片。由于子模型的参数量大降，算力需求也会几何级的下降。

在高精度算力方面，国内AI芯片的性能与英伟达GPU的差距只有2到3倍，因此对国内的大模型厂商而言，就没有必要去采购英伟达的昂贵算力芯片。况且，我国在量子芯片、光子芯片的领域已经是出于世界领先的地位，研发进展不比美国落后。

过去几年，大厂纷纷抢购英伟达的GPU芯片，是因为所有的科技大厂都想尽快拿到人工智能领域的门票，为了拿到这个门票，科技大厂花重金去抢购算力芯片，立即上马大模型训练。那个时候，只有英伟达的GPU有完善的cuda算子，可以很好的支持大模型的并行计算，因此科技大厂第一批抢购的AI芯片就是英伟达的GPU。

但是，现在大厂基本上拿出自己的大模型，也基本上把公开的互联网数据训练完了，但是并没有出现智能大爆发，仍然看不到实现AGI的迹象。现在大模型训练的方向从追求参数，逐渐转变为挑选高质量的数据进行精练，这就导致训练算力需求大幅下降，但是推理的高精度算力需求暴涨。英伟达GPU恰好是低精度训练性能极好，高精度推理性能相对而言极差。

不论是从美国通用大模型的发展趋势看，还是从中国大模型的算法创新去分析，英伟达的算力芯片都面临被替代的风险。

如果2025年openAI无法发布性能极大增强的chatGPT5，如果大模型的推理能力依然是沿着o3的路径演进，如果依然无法找到大模型的商业应用场景，那么连续3年砸了上千亿美元采购英伟达GPU的科技大厂将不再愿意大量采购英伟达GPU。即使他们继续训练大模型，也会大量采购自研的算力芯片，英伟达的GPU芯片的需求就会大幅下降，届时英伟达就会面临营收增长乏力，毛利润率和净利润大幅下降的困境。

人工智能最核心的一定是算法，其次是数据，再三才是算力。有了人工智能算法的创新，才有了人工智能这个领域爆发，要降低大模型的推理成本，算法创新依然是最重要的。现阶段大模型厂商都是从网上剽窃免费的知识训练大模型，要想进一步的提高大模型的推理性能，未来聘请大量专家编写高质量数据已经是必然选择。相对而言，并不那么重要是算力，成为了最赚钱的生意。

在发展初期，算力最赚钱是正常的，但是随着人工智能大模型的继续发展，盈利结构势必会向训练数据和算法提供厂商转移。在淘金热潮中，最赚钱的是卖铲子的商人，但是一旦淘金热下降，卖铲子的商家也是最先业绩下滑的。

如果o1的路径是成功的，1个任务带来的是几倍的算力需求，英伟达就是会越来越值钱的金铲铲。但是如果o3的路径是成功的，1个任务带来的是上千倍的算力需求，那么一定会引起算力技术革命，英伟达就会成为被抛弃的对象。在很多人眼里英伟达值10万亿美元，但是在我看来，英伟达卖铲子的好日子，显然不长了。

来源：芒格视角