埃隆・马斯克在与罗恩・巴伦交谈时透露，他正在研发一款芯片，性能可达英伟达同类产品的 2 至 3 倍，成本却仅为后者的十分之一。
“这款芯片的整套物理设计方案我都烂熟于心，整个架构在我脑海里清晰可见。”
当台积电告知他新建一座芯片工厂需要耗时五年时，马斯克表示：“对我来说，五年太过漫长。我的规划周期一般以一到两年为单位，超过三年基本就等同于遥遥无期。” 正因如此，他决定自建芯片产线。
马斯克表示：“特斯拉自动驾驶系统目前累计行驶里程已突破100 亿英里，安全表现是人类驾驶员的四倍；搭载新款芯片后，安全水平将再提升至人类的十倍。”
对此，有分析师在社交媒体表示，这并不是天方夜谭，解读如下：
一款性能达到英伟达芯片 2 至 3 倍、成本却仅为其十分之一的产品，听着如同天方夜谭，但只要搞清楚英伟达实际售卖的是什么，就会明白其中逻辑。
英伟达GPU芯片需要适配所有客户、各类模型架构以及不同开发框架，同时还要维持长达 15 年的 CUDA 生态兼容。这种通用设计，必然会造成芯片硬件资源的冗余：为兼容老旧功能预留大量晶圆面积，为极少用到的数据传输搭建互联通道，还得按照无法预判的算力需求配置内存带宽。
而特斯拉 AI5 芯片，只为自家神经网络运行服务。工程师对芯片各模块间的数据流转路径了如指掌，因此直接砍掉了所有闲置的传输通路。凡是和特斯拉自有模型无关的功能 —— 老旧 GPU 兼容模块、图像信号处理器等，全部剔除。最终，只用一半的晶圆面积，就完成了同等核心任务。
再来看利润空间层面的账：英伟达毛利率约 73%，消费者实际支付的费用里，仅有四分之一真正用于芯片硬件本身。而特斯拉自产芯片，本身就是唯一使用方，完全按硬件成本定价。单靠垂直整合模式，就足以抹平九成左右的成本差距，这还没算上技术优化带来的优势。
谷歌早在 2015 年就凭借 TPU 芯片践行了这套思路，随后亚马逊推出 Inferentia、微软打造 Maia 芯片，也都沿用相同逻辑。比特币矿机领域更是最先印证这一规律：一旦算力任务定型，专用集成电路（ASIC）仅用两年时间就彻底取代了通用 GPU 挖矿。
这是行业通行规律：当算力应用仍在快速迭代时，通用芯片占据优势；一旦应用场景趋于稳定，专用芯片便能在各项核心指标上实现全面反超。
而这款芯片的局限性，恰恰印证了马斯克说法的可信度。AI5 并不支持前沿大模型训练，其他企业若想使用它，还需投入数年时间进行软件开发。它的定位十分纯粹：只为海量汽车与机器人场景，以最低的单位功耗成本，运行特斯拉的 AI 推理任务。
英伟达靠通用适配能力收取溢价，而特斯拉早已不再需要这类附加功能。
