Vai al contenuto
Ora nel mondoEU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

portale su IA e tecnologiaeventi · analisi · interviste · approfondimenti tecnici

Cerca
LIVE
›

La filiera degli acceleratori AI sotto pressione per la carenza di T-glass

Un tessuto tecnico in fibra di vetro chiamato T-glass, di cui la giapponese Nittobo controlla circa il 90% dell'offerta mondiale, è diventato l'ultimo collo di bottiglia per la produzione di acceleratori AI: i prezzi sono saliti del 20 al 30% e i tempi di consegna superano le 20 settimane.

TecnologiaAnalisiGiulia FerrariPubblicato: 27 settembre 20267 min di letturaFonti 4
La filiera degli acceleratori AI sotto pressione per la carenza di T-glass

La storia degli acceleratori AI di solito si racconta attraverso la roadmap delle GPU di Nvidia o la capacità produttiva delle fonderie TSMC. Ma secondo Tom's Hardware c'è una società giapponese, Nittobo, che controlla circa il 90% dell'offerta mondiale di un tessuto tecnico in fibra di vetro noto come T-glass, e quel materiale è presente dentro ogni package avanzato per chip AI. La domanda ha ormai superato l'offerta.

Il T-glass è un tessuto di vetro a basso CTE usato nel core organico dei substrati IC, lo strato di interconnessione tra un chip e la sua scheda a circuito stampato. Serve a mantenere stabili dal punto di vista dimensionale i package grandi e soggetti a forte calore. Man mano che i processori AI diventano più grandi e lavorano più caldi, questo compito si fa più difficile. Secondo Tom's Hardware, la fisica che tiene piatti e funzionanti i processori AI dipende dal T-glass.

Perché l'offerta non si accende con un interruttore

Nittobo sta triplicando la capacità del suo stabilimento di Fukushima, in Giappone. Ma la nuova offerta non arriverà sul mercato prima della metà del 2027. Questa tempistica conta perché il T-glass non è una commodity che si può sostituire o avviare in fretta. Il materiale richiede forni elettrici di fusione specializzati che lavorano tra 1.600 e 1.700 gradi Celsius, e il processo prevede la fusione di vetro ricco di silice, la filatura in filato e la tessitura in un tessuto ultratile. Tom's Hardware riporta che per scalare questa produzione servono anni di investimenti e competenze.

Un'altra fibra di vetro, l'E-glass, si usa allo stesso modo ma costa meno e serve soprattutto chip di fascia inferiore come microcontroller e processori mobile più vecchi. Il T-glass vince sulla resistenza termica. Per i chip più potenti, in particolare i grandi package 2.5D e 3D, il T-glass è l'opzione preferita.

Bilal Hachemi, analista di Yole Group che segue la filiera dei substrati IC, ha detto a Tom's Hardware Premium che sostituire il T-glass non è semplice perché ha "valori specifici di costante dielettrica e CTE che funzionano meglio per i chip AI, soprattutto per il core organico". Hachemi ha anche osservato che storicamente l'industria dei substrati IC lavora con margini sottili, quindi anche aumenti modesti della domanda possono innescare carenze. "Qualsiasi aumento della domanda di materiali build-up, di materiale ABF o di T-glass può causare una potenziale carenza, perché va contro le basi di questo settore", ha detto.

I numeri dietro la stretta

La stretta attuale è spinta dagli hyperscaler che costruiscono package per chip sempre più grandi, che consumano più T-glass per unità. Secondo i dati di Nvidia citati da Tom's Hardware, le dimensioni degli interposer sono passate da 814 mm2 per l'architettura Hopper a 1.700 mm2 per Blackwell, un aumento del 109%, e le prossime generazioni Rubin e Feynman saliranno ancora.

Bank of America stima che il segmento materiali elettronici di Nittobo vedrà le vendite quasi raddoppiare da 40.900.000.000 di yen (266.000.000 di dollari) nel 2025 a 87.700.000.000 di yen entro marzo 2028, con margini operativi vicini al 48%. Takashi Enomoto, analista di ricerca di Bank of America, ha detto che la domanda di tessuto T-glass "sembra destinata a crescere più del previsto", aggiungendo che l'attenzione era sul T-glass spesso per i semi-package di GPU e CPU, ma che ora la domanda di T-glass ultratile è probabilmente destinata a salire mentre i dispositivi di punta si allontanano dall'E-glass.

La corsa all'allocazione ha già prodotto una scena insolita. Hachemi ha detto che Nvidia che contatta direttamente un fornitore di materiali a monte come Nittobo è senza precedenti. "Per la prima volta vediamo Nvidia, il cliente finale, rivolgersi ai fornitori di materiali a monte per assicurarsi la capacità e fare in modo di ottenerla", ha detto a Tom's Hardware. Il timore è che, una volta che Nvidia si sia bloccata la sua quota, i compratori di chip rivali restino a contendersi il resto.

Nittobo non punta solo su Fukushima. Sta raddoppiando la capacità di filato grezzo nel suo stabilimento di Taiwan e importa filato in Giappone per la produzione del tessuto, e ha stretto un accordo di collaborazione con Nanya Plastics per esternalizzare parte della tessitura. Entro il 2027, circa il 20% del tessuto di vetro di Nittobo dovrebbe essere tessuto da Nanya, secondo Tom's Hardware.

Bill Ho, analista di Yuanta, ha descritto la situazione a valle senza giri di parole: "Con l'offerta di T-glass ancora più limitata ora, i fornitori non comunicano più i tempi di consegna". I tempi di consegna dei laminati rame-clad, un materiale a valle, sono passati dalle normali 8-10 settimane a oltre 20, e i prezzi sono saliti tra il 20 e il 30%.

Un problema parallelo: quanta memoria serve davvero all'inferenza

Se i materiali limitano il lato dell'offerta, la larghezza di banda della memoria limita il lato del progetto. A Hot Chips 2026 d-Matrix ha presentato il suo acceleratore Raptor 3D-DRAM per l'inferenza generativa, e l'inquadramento del problema, come riportato da ServeTheHome, va letto come una dichiarazione di dove l'hardware AI è bloccato. I pesi dei modelli continuano a crescere, e la KV cache scala con la lunghezza del contesto moltiplicata per la dimensione del batch. L'articolo di ServeTheHome porta l'esempio di 64 utenti a 1.000.000 di contesto che producono circa 935 GB di KV cache.

La SRAM raggiunge l'obiettivo di banda ma solo su scala minuscola. Una coppia di schede acceleratore SRAM Corsair arriva a circa 300 TB/s con una latenza di circa 1 ns ma contiene solo circa 4 GB, perché una cella SRAM 6T è circa 10 volte più grande di una cella DRAM e la dispersione arriva a decine di watt su scala GB. La HBM risolve la capacità ma fatica sulla banda: ServeTheHome riporta che d-Matrix cita un tetto pratico intorno ai 20 TB/s per i package HBM4 come Vera Rubin di Nvidia e Instinct MI455 di AMD. A 2,4 pJ/bit, spingere 100 TB/s attraverso la HBM consumerebbe circa 1,92 kW prima di contare qualsiasi traffico di fabric.

La risposta di d-Matrix è impilare il calcolo direttamente sopra i die DRAM, usando un die logico TSMC N4 su un die DRAM 3D con impilamento face-to-face da 36 um. L'IO verticale 3D arriva a circa 0,3-0,4 pJ, circa 10 volte meno della HBM, secondo ServeTheHome. A 32.000.000.000 di byte per scheda con pesi a 4 bit e una KV cache a 8 bit, d-Matrix dichiara di dimensionare per contenere un modello di frontiera come Kimi K3 a 1.000.000 di contesto in uno scale-up da 72 schede.

Il dettaglio ingegneristico è dove sta la difficoltà. Ogni tensor engine ha bisogno di un flit da 128 B per accesso, ma con 3 banchi per canale un singolo accesso restituisce 96.000.000.000 di bit, quindi consegnare un flit richiede due accessi e recupera 192.000.000.000 di bit, sprecando circa il 33% della banda vicino ai 33 TB/s. La risposta di d-Matrix, lo stream blocking, condivide un accesso parziale da 32 B tra tre flit. Muovere 100 TB/s a 0,37 pJ/bit equivale a 296 W solo per l'I/O.

Gli hyperscaler costruiscono i propri, con cautela

Maia 200 di Microsoft, presentata alla stessa conferenza e trattata da ServeTheHome, mostra l'altro lato del compromesso. Il chip a 3 nm ha 140.000.000.000 di transistor, sei stack di HBM3e, 7 TB/secondo di banda HBM, 10.000 TFLOPS di prestazioni FP4 e un TDP di 750 Watt, con un die SoC da 820 mm2. Microsoft lo ha abbinato a una topologia quad completamente connessa e a nessuna rete di scale-out: tutto è scale-up, su 128 rack e 6.000 chip nella slide mostrata. L'architettura Software Defined Local Access dell'azienda mantiene locale l'accesso ai dati e fissa il dataflow in fase di compilazione, il che garantisce determinismo e riduce il traffico di fabric.

Niente di tutto questo allenta il vincolo sui materiali. Lo Zhenwu V900 di Alibaba, annunciato con 216 GB di memoria e 1.200 GB/s di banda tra chip e con produzione di massa prevista per il primo trimestre del 2027, aggiunge un altro compratore alla coda, come nota la rassegna settimanale di SemiEngineering del 25 settembre. Samsung prevede di almeno raddoppiare la produzione della famiglia HBM4 nel 2027, secondo Seoul Economic Daily, e CXMT ha detto che la sua DRAM G5 di quinta generazione è entrata in produzione di massa con un half-pitch dell'area attiva di 11,95 nm, senza però rendere noti i rendimenti produttivi. Più memoria e più acceleratori significano più substrato, e più substrato significa più T-glass.

La conclusione scomoda è che il vincolo decisivo per il calcolo AI nel 2027 potrebbe non essere la litografia né l'offerta di HBM, ma un tessuto di vetro intrecciato prodotto da una sola azienda a Fukushima, con un concorrente che aiuta a tesserlo e tempi di consegna che nessuno vuole quantificare.

Commenti 0

Fonti

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

Tutti i numeri e le citazioni di questo testo provengono dalle fonti elencate sotto.

I contenuti sono stati preparati dalla redazione con il supporto dell'IA.

Giulia Ferrari

Giulia Ferrari

IA, modelli e tecnologie

Giulia Ferrari scrive di tecnologia, IA e modelli e media e internet per FLASH24, partendo da dataset pubblici, preprint e registri di versioni dei modelli. Controlla ogni numero confrontando benchmark dichiarati e risultati riproducibili, e scarta le stime senza fonte. Segue le audizioni in calendario, parla con ricercatori e ingegneri, e mette a confronto release e changelog prima di pubblicare. Fuori dalla redazione smonta stampanti 3D, recupera vecchi computer e studia come i modelli imparano dai rifiuti del web. Non pubblica un dato se non può ricostruirne il percorso.

Redazione →

Commenti

0
  1. Nessun commento — sii il primo.

Scrivi un commento

I commenti sono pubblici. Non pubblichiamo insulti, spam né pubblicità.