Zum Inhalt
WeltzeitEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portal über KI und Technologieereignisse · analysen · interviews · technischer hintergrund

Suche
LIVE
›

T-Glass-Knappheit belastet die Lieferkette für KI-Beschleuniger

Ein Spezialgewebe aus Glasfaser namens T-Glass ist zum nächsten Engpass in der Produktion von KI-Beschleunigern geworden. Der japanische Hersteller Nittobo kontrolliert rund 90 Prozent der weltweiten Versorgung. Die Preise sind um 20 bis 30 Prozent gestiegen, die Lieferzeiten liegen über 20 Wochen.

TechnologieAnalyseLena BrandtVeröffentlicht: 27. September 20267 Min. LesezeitQuellen 4
T-Glass-Knappheit belastet die Lieferkette für KI-Beschleuniger

Die Geschichte der KI-Beschleuniger wird meist über Nvidias GPU-Roadmap oder die Fertigungskapazität von TSMC erzählt. Laut Tom's Hardware kontrolliert aber ein japanisches Unternehmen namens Nittobo rund 90 Prozent der weltweiten Versorgung mit einem Spezialgewebe aus Glasfaser, das als T-Glass bekannt ist. Dieses Material steckt in jedem fortschrittlichen KI-Chipgehäuse. Die Nachfrage übersteigt inzwischen das Angebot.

T-Glass ist ein Glasgewebe mit niedrigem CTE. Es kommt im organischen Kern von IC-Substraten zum Einsatz, also in der Verbindungsschicht zwischen Chip und Leiterplatte. Es hält große, heiß laufende Gehäuse formstabil. Je größer KI-Prozessoren werden und je heißer sie laufen, desto schwieriger wird diese Aufgabe. Laut Tom's Hardware hängt die Physik, die KI-Prozessoren flach und funktionsfähig hält, von T-Glass ab.

Warum sich das Angebot nicht einfach hochfahren lässt

Nittobo verdreifacht die Kapazität im Werk Fukushima in Japan. Doch das neue Angebot erreicht den Markt erst Mitte 2027. Dieser Zeitplan ist wichtig, weil T-Glass kein Rohstoff ist, den man kurzfristig ersetzen oder schnell hochziehen kann. Das Material braucht spezialisierte elektrische Schmelzöfen, die bei 1.600 bis 1.700 Grad Celsius arbeiten. Der Prozess umfasst das Schmelzen von silica-reichem Glas, das Spinnen zu Garn und das Weben zu einem ultradünnen Gewebe. Laut Tom's Hardware dauert es Jahre an Investitionen und Fachwissen, um diese Produktion auszubauen.

Eine andere Glasfaser, E-Glass, wird auf dieselbe Weise verwendet, ist aber billiger und dient vor allem einfacheren Chips wie Mikrocontrollern und älteren Mobilprozessoren. T-Glass punktet bei der thermischen Belastbarkeit. Für leistungsstärkere Chips, insbesondere große 2.5D- und 3D-Gehäuse, ist T-Glass die bevorzugte Wahl.

Bilal Hachemi, Analyst bei Yole Group und spezialisiert auf die Lieferkette von IC-Substraten, sagte Tom's Hardware Premium, der Ersatz von T-Glass sei nicht einfach, weil es "spezifische dielektrische Werte und CTE-Werte hat, die für die KI-Chips besser funktionieren, besonders für den organischen Kern". Hachemi merkte außerdem an, dass die IC-Substratbranche historisch mit dünnen Margen arbeitet, sodass selbst mäßige Nachfrageschübe Knappheit auslösen können. "Jeder Anstieg der Nachfrage nach Build-up-Materialien, ABF-Material oder T-Glass kann zu einem möglichen Engpass führen, weil das den Grundlagen dieser Branche widerspricht", sagte er.

Die Zahlen hinter dem Engpass

Der aktuelle Engpass entsteht, weil Hyperscaler immer größere Chipgehäuse bauen, die pro Einheit mehr T-Glass verbrauchen. Laut Daten von Nvidia, die Tom's Hardware zitiert, sind die Interposer-Größen von 814mm2 für die Hopper-Architektur auf 1,700mm2 für Blackwell gewachsen, ein Anstieg um 109 Prozent. Die kommenden Generationen Rubin und Feynman skalieren weiter.

Bank of America schätzt, dass der Geschäftsbereich für elektronische Materialien bei Nittobo seinen Umsatz von 40.900.000.000 Yen (266.000.000 Dollar) im Jahr 2025 auf 87.700.000.000 Yen bis März 2028 fast verdoppeln wird, bei operativen Margen von nahezu 48 Prozent. Takashi Enomoto, Research-Analyst bei Bank of America, sagte, die Nachfrage nach T-Glass-Gewebe "dürfte wahrscheinlich stärker wachsen als ursprünglich erwartet". Er ergänzte, der Fokus habe auf dickem T-Glass für GPU- und CPU-Halbleitergehäuse gelegen, doch die Nachfrage nach ultradünnem T-Glass dürfte nun steigen, da führende Bauteile von E-Glass abrücken.

Das Ringen um Zuteilung hat bereits ein ungewöhnliches Bild erzeugt. Hachemi sagte, Nvidia wende sich direkt an einen vorgelagerten Materiallieferanten wie Nittobo, was beispiellos sei. "Zum ersten Mal sehen wir, dass Nvidia, der Endkunde, sich an die vorgelagerten Materiallieferanten wendet, um die Kapazität zu sichern und sicherzustellen, dass sie das Material bekommen", sagte er zu Tom's Hardware. Die Sorge ist, dass konkurrierende Chipkäufer um den Rest kämpfen müssen, sobald Nvidia seinen Anteil festgeschrieben hat.

Nittobo verlässt sich nicht allein auf Fukushima. Das Unternehmen verdoppelt die Kapazität für das Rohgarn im Werk in Taiwan und importiert Garn zurück nach Japan für die Gewebeherstellung. Zudem hat es eine Kooperationsvereinbarung mit Nanya Plastics geschlossen, um einen Teil des Webens auszulagern. Laut Tom's Hardware sollen bis 2027 rund 20 Prozent von Nittobos Glasgewebe von Nanya gewebt werden.

Bill Ho, Analyst bei Yuanta, beschrieb die Lage stromabwärts deutlich: "Da das Angebot an T-Glass jetzt noch stärker eingeschränkt ist, geben die Lieferanten keine Lieferzeiten mehr an." Die Lieferzeiten für kupferkaschierte Laminate, ein nachgelagertes Material, haben sich von normalerweise 8 bis 10 Wochen auf über 20 verlängert, und die Preise sind um 20 bis 30 Prozent gestiegen.

Ein paralleles Problem: wie viel Speicher Inferenz wirklich braucht

Wenn Materialien die Angebotsseite begrenzen, begrenzt die Speicherbandbreite die Designseite. Auf den Hot Chips 2026 stellte d-Matrix seinen Raptor-3D-DRAM-Beschleuniger für generative Inferenz vor. Die Art, wie das Unternehmen das Problem fasst, wie ServeTheHome berichtet, lohnt als Aussage darüber, wo KI-Hardware feststeckt. Die Modellgewichte wachsen weiter, und der KV-Cache skaliert mit der Kontextlänge multipliziert mit der Batch-Größe. Der Beitrag von ServeTheHome nennt das Beispiel von 64 Nutzern bei 1.000.000 Kontext, die rund 935 GB KV-Cache erzeugen.

SRAM erreicht die Bandbreitenvorgabe, aber nur in winzigem Maßstab. Ein Paar Corsair-SRAM-Beschleunigerkarten kommt auf rund 300 TB/s bei etwa 1 ns Latenz, fasst aber nur etwa 4 GB, weil eine 6T-SRAM-Zelle rund zehnmal größer ist als eine DRAM-Zelle und der Leckstrom im GB-Maßstab auf Dutzende Watt läuft. HBM löst das Kapazitätsproblem, kämpft aber mit der Bandbreite: ServeTheHome berichtet, d-Matrix nenne eine praktische Obergrenze von rund 20 TB/s für HBM4-Pakete wie Nvidias Vera Rubin und AMDs Instinct MI455. Bei 2,4 pJ/bit würde der Transport von 100 TB/s über HBM etwa 1,92 kW verbrauchen, bevor irgendein Fabric-Verkehr mitgezählt ist.

Die Antwort von d-Matrix ist, Recheneinheiten direkt auf DRAM-Dies zu stapeln, mit einem TSMC-N4-Logik-Die auf einem 3D-DRAM-Die und 36 um Face-to-Face-Stapelung. Vertikales 3D-IO kommt laut ServeTheHome auf rund 0,3 bis 0,4 pJ, etwa zehnmal weniger als HBM. Bei 32.000.000.000 Byte pro Karte mit 4-Bit-Gewichten und einem 8-Bit-KV-Cache dimensioniert d-Matrix nach eigenen Angaben so, dass ein Frontier-Modell wie Kimi K3 bei 1.000.000 Kontext in einen Scale-up mit 72 Karten passt.

Die Ingenieursdetails sind der Ort, wo die Schwierigkeit sitzt. Jede Tensor-Engine braucht pro Zugriff ein 128B-Flit, doch bei 3 Bänken pro Kanal liefert ein einzelner Zugriff 96.000.000.000 Byte, sodass ein Flit zwei Zugriffe braucht und 192.000.000.000 Byte holt, was nahe 33 TB/s etwa 33 Prozent der Bandbreite verschwendet. Die Antwort von d-Matrix, Stream Blocking, teilt einen partiellen 32B-Zugriff über drei Flits. 100 TB/s bei 0,37 pJ/bit ergeben 296 W allein für I/O.

Hyperscaler bauen selbst, mit Vorsicht

Microsofts Maia 200, auf derselben Konferenz vorgestellt und von ServeTheHome behandelt, zeigt das andere Ende des Kompromisses. Der 3nm-Chip hat 140.000.000.000 Transistoren, sechs Stapel HBM3e, 7TB/second HBM-Bandbreite, 10.000 TFLOPS FP4-Leistung und eine TDP von 750 Watt, mit einem 820mm2 großen SoC-Die. Microsoft kombinierte ihn mit einer vollständig verbundenen Quad-Topologie und ganz ohne Scale-out-Netzwerk: Alles ist Scale-up, über 128 Racks und 6.000 Chips in der gezeigten Folie. Die Dataflow-Architektur Software Defined Local Access des Unternehmens hält Datenzugriffe lokal und legt den Dataflow zur Compile-Zeit fest, was Determinismus bringt und Fabric-Verkehr senkt.

Nichts davon lockert die Materialbeschränkung. Alibabas Zhenwu V900, angekündigt mit 216GB Speicher und 1.200GB/s Bandbreite zwischen den Chips und geplanter Massenproduktion im ersten Quartal 2027, bringt einen weiteren Käufer in die Warteschlange, wie die Wochenübersicht von SemiEngineering vom 25. September vermerkt. Samsung will laut Seoul Economic Daily die HBM4-Ausbeute 2027 mindestens verdoppeln, und CXMT erklärte, seine fünfte DRAM-Generation G5 sei mit einer aktiven Halbteilung von 11,95nm in die Massenproduktion gegangen, ohne jedoch die Fertigungsausbeute zu nennen. Mehr Speicher und mehr Beschleuniger bedeuten mehr Substrat, und mehr Substrat bedeutet mehr T-Glass.

Die unbequeme Schlussfolgerung: Der bindende Engpass für KI-Rechenleistung im Jahr 2027 ist womöglich nicht die Lithografie oder die HBM-Versorgung, sondern ein gewebtes Glasgewebe von einem einzigen Unternehmen in Fukushima, bei dem ein Wettbewerber beim Weben hilft und niemand eine Lieferzeit nennen will.

Kommentare 0

Quellen

4
  1. 01Shortages of crucial chip packaging material threatens AI accelerator supply chainsEN
  2. 02d-Matrix Raptor 3D-DRAM Accelerator for Generative Inference at Hot Chips 2026EN
  3. 03Microsoft's Maia 200 AI Accelerator at Hot Chips 2026EN
  4. 04Chip 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.

Lena Brandt

Lena Brandt

KI, Modelle und Technik

Lena Brandt schreibt für FLASH24 über Technik, KI und Modelle sowie Medien und Internet und stützt sich dabei auf Herstellerangaben, Studien und öffentlich zugängliche Datensätze, statt Pressemitteilungen ungeprüft zu übernehmen. Bei Modellvergleichen kontrolliert sie Benchmark-Werte, Trainingsdaten und Versionsnummern und rechnet Angaben zu Rechenleistung und Kosten selbst nach. Sie spricht mit Entwicklern und Forschern, wartet auf angekündigte Updates und vergleicht Releases, bevor sie eine Einschätzung abgibt. Privat beschäftigt sie sich mit 3D-Druck, alten Rechnern und der Frage, wie Modelle aus Internetmüll lernen – Themen, die regelmäßig in ihre Texte einfließen. Sie publiziert keine Zahlen, deren Quelle sie nicht selbst überprüfen konnte.

Redaktion →

Kommentare

0
  1. Noch keine Kommentare — seien Sie der Erste.

Kommentar schreiben

Kommentare sind öffentlich sichtbar. Wir veröffentlichen keine Beleidigungen, Werbung oder Spam.