KI-Beschleuniger stoßen an eine Materialgrenze: T-Glass, HBM-Limits und der Druck auf das Design
Ein japanisches Unternehmen stellt rund 90 Prozent des Glasfasergewebes her, das in jedem fortschrittlichen KI-Chipgehäuse steckt. Der Engpass zeigt sich bei Preisen, Lieferzeiten und darin, wie Nvidia einkauft.

T-Glass von Nittobo ist ein Glasgewebe mit niedrigem CTE. Es sitzt im organischen Kern von IC-Substraten, also in der Verbindungsschicht zwischen einem Chip und seiner Leiterplatte. Tom's Hardware berichtete am 9. März, dass das Material große, hitzebelastete Gehäuse in ihrer Form stabil hält. Die Nachfrage ist dem Angebot so weit vorausgeeilt, dass es die Lieferketten für KI-Beschleuniger trifft.
Die Preise sind um 20 bis 30 Prozent gestiegen. Bei nachgelagerten Materialien wie kupferkaschierten Laminaten haben sich die Lieferzeiten von normalerweise 8 bis 10 Wochen auf über 20 verlängert. „Da das T-Glass-Angebot jetzt noch knapper ist, nennen die Lieferanten keine Lieferzeiten mehr“, sagte Bill Ho, Analyst bei Yuanta, gegenüber Tom's Hardware.
Der Engpass lässt sich nicht einfach wegkonstruieren. T-Glass braucht spezialisierte elektrische Schmelzöfen, die zwischen 1.600 und 1.700 Grad Celsius laufen. Kieselsäurereiches Glas zu schmelzen, zu Garn zu spinnen und zu ultradünnem Gewebe zu verweben, erfordert Jahre an Investitionen und Fachwissen, bis es in großem Maßstab läuft. Nittobo verdreifacht die Kapazität im Werk Fukushima. Das neue Angebot kommt erst Mitte 2027 auf den Markt.
Warum Nvidia stromaufwärts anruft
Ungewöhnlich an diesem Engpass ist, wer da unter Druck gerät. Hyperscaler bestellen immer größere Chipgehäuse, und jede Generation verbraucht mehr T-Glass pro Einheit. Tom's Hardware zitierte Nvidia-Daten, nach denen die Interposer-Größen von 814mm² bei Hopper auf 1.700mm² bei Blackwell wuchsen, ein Plus von 109 Prozent. Die kommenden Generationen Rubin und Feynman legen weiter zu.
Bilal Hachemi, Analyst bei Yole Group, der die Lieferkette für IC-Substrate verfolgt, sagte, T-Glass habe spezifische Dielektrikum- und CTE-Werte, die für KI-Chips besser funktionieren, besonders im organischen Kern. Substrathersteller arbeiteten mit dünnen Margen, fügte er hinzu, deshalb lösten schon mäßige Nachfrageschübe Engpässe aus. Nvidias direkten Weg zu einem vorgelagerten Materiallieferanten nannte er beispiellos: „Zum ersten Mal sehen wir, dass Nvidia, der Endkunde, auf die vorgelagerten Materiallieferanten zugeht, um sich die Kapazität zu sichern und sicherzustellen, dass sie es bekommen.“
Hat Nvidia seinen Anteil erst festgeschrieben, konkurrieren die Käufer der Konkurrenzchips um den Rest. Nittobo verdoppelt die Rohgarnkapazität im Werk Taiwan und importiert Garn zum Weben zurück nach Japan. Außerdem hat das Unternehmen eine Zusammenarbeit mit Nanya Plastics vereinbart, um einen Teil des Webens auszulagern. Bis 2027 sollen rund 20 Prozent von Nittobos Glasgewebe von Nanya gewebt werden, einem Wettbewerber. Bank of America schätzt, dass Nittobos Segment für elektronische Materialien den Umsatz fast verdoppelt, von 40.900.000.000 Yen (266.000.000 Dollar) im Jahr 2025 auf 87.700.000.000 Yen bis März 2028, bei operativen Margen von annähernd 48 Prozent.
Die Speichermauer rückt parallel näher
Der Druck beim Packaging ist nicht die einzige physikalische Grenze, die auf das Beschleunigerdesign zukommt. Auf den Hot Chips 2026 stellte d-Matrix Raptor vor, einen 3D-DRAM-Beschleuniger für generative Inferenz. Die Argumentation drehte sich vor allem um die Ökonomie der Bandbreite. Die Modellgewichte wachsen weiter, und der KV-Cache skaliert mit der Kontextlänge multipliziert mit der Batch-Größe: 64 Nutzer bei 1.000.000 Kontext können rund 935 GB KV-Cache bedeuten.
HBM löst das Kapazitätsproblem, hat aber Schwierigkeiten mit der Bandbreite. ServeTheHome berichtete, d-Matrix nenne eine praktische Obergrenze von etwa 20 TB/s für HBM4-Pakete wie Nvidias Vera Rubin und AMDs Instinct MI455. Pin-Geschwindigkeit, I/O-Breite pro Base-Die und die Package-Beachfront von etwa 8 bis 16 Stacks begrenzen das. Bei 2,4 pJ/bit verbraucht ein Durchsatz von 100 TB/s über HBM etwa 1,92 kW, bevor Fabric-Verkehr eingerechnet ist. Die Alternative von d-Matrix stapelt einen TSMC-N4-Logik-Die auf einen 3D-DRAM-Die, mit 36 Mikrometern Face-to-Face-Stacking. Das Unternehmen bezeichnet das Verfahren als erprobt, kostengünstig, hochvolumig und mit hoher Ausbeute.
Microsofts Maia 200, auf derselben Konferenz vorgestellt, geht einen anderen Weg. Es ist ein 3nm-Chip mit 140.000.000.000 Transistoren, sechs HBM3e-Stacks, 7TB/Sekunde HBM-Bandbreite, 10.000 TFLOPS FP4-Durchsatz und 750 Watt TDP. ServeTheHome berichtete, Microsoft kombiniere ihn mit einer vollständig verbundenen Quad-Topologie und reinem Scale-up-Netzwerk, ohne Scale-out-Fabric. Das Unternehmen setzt auf einheitliches Ethernet über 128 Racks und 6.000 Chips.
Designwerkzeuge füllen die Lücke
Da die Physik enger wird, stützt sich die Branche stärker auf KI-gestütztes Design. Nvidias Tim Costa sagte in einem Call mit Journalisten, über den The Next Platform am 27. Juli berichtete, die Industrie werde bis 2030 voraussichtlich 2.000.000.000.000 Chips produzieren und etwa 41.000.000 Wafer pro Monat verarbeiten. Herkömmliche Designprozesse könnten da nicht mithalten, sagte er. Cadence behauptet, seine AI Super Agents könnten Hunderte Simulationen ausführen und so die Register-Transfer-Level-Validierung 40-mal schneller liefern. Synopsys sagt, sein autonomer Verifikations-Workflow erreiche validiertes RTL 50-mal schneller als andere Plattformen.
Diese Behauptungen müssen vor dem Sign-off überprüft werden. SemiEngineering merkte am 25. September an, dass die Verschiebung hin zu spezialisierten Agenten neue Probleme bei Orchestrierung, Integration und Guardrails schafft. Cadence meldete für seinen Spec-to-RTL-Agenten etwa 24 Prozent weniger Fläche und 18 Prozent weniger Leistungsaufnahme als bei reiner Code-Generierung durch Foundation-Modelle.
Nichts davon löst den Engpass bei den Substraten. Nittobos neuer Output aus Fukushima kommt Mitte 2027, und die Nachfragekurve aus größeren Interposern und längeren Kontexten flacht nicht ab.
Quellen
5- 01Shortages of crucial chip packaging material threatens AI accelerator supply chainsEN
- 02d-Matrix Raptor 3D-DRAM Accelerator for Generative Inference at Hot Chips 2026EN
- 03Microsoft's Maia 200 AI Accelerator at Hot Chips 2026EN
- 04Nvidia Accelerates Chip Engineering With AI AgentsEN
- 05Chip Industry Week In ReviewEN
Alle Zahlen und Zitate in diesem Text stammen aus den unten genannten Quellen.
Die Materialien wurden vom Redaktionsteam mit Unterstützung von KI erstellt.
Kommentare
0- Noch keine Kommentare — seien Sie der Erste.