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

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

Cerca
LIVE
›

Gli acceleratori AI sbattono contro un muro di materiali: T-glass, limiti HBM e la stretta sul design

Una sola azienda giapponese produce circa il 90% del tessuto di fibra di vetro che sta dentro ogni package avanzato per chip AI. La stretta si vede nei prezzi, nei tempi di consegna e nel modo in cui Nvidia compra.

TecnologiaAnalisiGiulia FerrariPubblicato: 27 settembre 20264 min di letturaFonti 5
Gli acceleratori AI sbattono contro un muro di materiali: T-glass, limiti HBM e la stretta sul design

Il T-glass di Nittobo è un tessuto di vetro a basso CTE usato nel core organico dei substrati per IC. Quel core è lo strato di interconnessione tra un chip e la sua scheda a circuito stampato. Il 9 marzo Tom's Hardware ha riferito che il materiale tiene stabili nelle dimensioni i package grandi e soggetti a forte calore. La domanda ha superato l'offerta al punto da colpire le catene di fornitura degli acceleratori AI.

I prezzi sono saliti tra il 20 e il 30%. I tempi di consegna per materiali a valle come i laminati rivestiti di rame sono passati dalle normali 8-10 settimane a oltre 20. "Con l'offerta di T-glass ancora più limitata, i fornitori non comunicano più tempi di consegna", ha detto a Tom's Hardware Bill Ho, analista di Yuanta.

Il vincolo non si aggira facilmente con l'ingegneria. Il T-glass richiede forni elettrici di fusione specializzati che lavorano tra 1.600 e 1.700 gradi Celsius. Fondere vetro ricco di silice, filarlo in yarn e poi tesserlo in un tessuto ultrasottile richiede anni di investimenti e competenze per arrivare a scala. Nittobo sta triplicando la capacità nello stabilimento di Fukushima. La nuova offerta non arriverà sul mercato prima di metà 2027.

Perché Nvidia chiama a monte

A rendere insolita questa scarsità è chi si sta muovendo. Gli hyperscaler ordinano package sempre più grandi, e ogni generazione consuma più T-glass per unità. Tom's Hardware ha citato dati Nvidia secondo cui le dimensioni dell'interposer sono cresciute da 814 mm² su Hopper a 1.700 mm² su Blackwell, un aumento del 109%. Le generazioni Rubin e Feynman in arrivo salgono ancora.

Bilal Hachemi, analista di Yole Group che segue la catena di fornitura dei substrati per IC, ha detto che il T-glass ha valori specifici di dielettrico e CTE che funzionano meglio per i chip AI, soprattutto nel core organico. I produttori di substrati lavorano con margini sottili, ha aggiunto, quindi anche aumenti contenuti della domanda provocano carenze. Ha anche definito senza precedenti l'approccio diretto di Nvidia a un fornitore di materiali a monte: "Per la prima volta vediamo Nvidia, il cliente finale, rivolgersi ai fornitori di materiali a monte per assicurarsi la capacità e la certezza di ottenerla".

Una volta che Nvidia si è assicurata la sua quota, gli acquirenti di chip rivali si contendono quel che resta. Nittobo sta raddoppiando la capacità di yarn grezzo nello stabilimento di Taiwan e importa lo yarn in Giappone per la tessitura. Ha anche avviato una 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, un concorrente. Bank of America stima che il segmento materiali elettronici di Nittobo quasi raddoppierà le vendite da 40.900.000.000 di yen (266.000.000 di dollari) nel 2025 a 87.700.000.000 entro marzo 2028, con margini operativi vicini al 48%.

Il muro della memoria avanza in parallelo

La stretta sul packaging non è l'unico limite fisico che si avvicina al design degli acceleratori. All'Hot Chips 2026 d-Matrix ha presentato Raptor, un acceleratore con DRAM 3D per l'inferenza generativa. L'argomento era soprattutto l'economia della banda. I pesi dei modelli continuano a crescere, e la KV cache scala con la lunghezza del contesto moltiplicata per il batch: 64 utenti con contesto da 1.000.000 possono significare circa 935 GB di KV cache.

HBM risolve la capacità ma fatica sulla banda. ServeTheHome ha riferito che d-Matrix cita un tetto pratico intorno a 20 TB/s per i package HBM4 come Vera Rubin di Nvidia e Instinct MI455 di AMD. Lo limitano la velocità dei pin, l'ampiezza I/O per base die e il beachfront del package, circa 8-16 stack. A 2,4 pJ/bit, spingere 100 TB/s attraverso HBM consuma circa 1,92 kW prima di contare il traffico di fabric. L'alternativa di d-Matrix impila un die logico TSMC N4 sopra un die DRAM 3D con stacking face-to-face da 36 micrometri. L'azienda lo descrive come provato, a basso costo, ad alto volume e ad alta resa.

Maia 200 di Microsoft, illustrato alla stessa conferenza, segue una strada diversa. È un chip a 3 nm con 140.000.000.000 di transistor, sei stack HBM3e, 7 TB/secondo di banda HBM, 10.000 TFLOPS di throughput FP4 e un TDP di 750 Watt. ServeTheHome ha riferito che Microsoft lo abbina a una topologia quad completamente connessa e a networking solo scale-up, senza fabric scale-out. L'azienda punta su Ethernet unificato su 128 rack e 6.000 chip.

Gli strumenti di design riempiono il vuoto

Con la fisica che stringe, il settore si appoggia sempre di più al design assistito dall'AI. Tim Costa di Nvidia, in una call con i giornalisti riportata da The Next Platform il 27 luglio, ha detto che entro il 2030 il settore dovrebbe produrre 2.000.000.000.000 di chip e lavorare circa 41.000.000 di wafer al mese. Ha detto che i processi di design tradizionali non riescono a tenere il passo. Cadence sostiene che i suoi AI Super Agents possono eseguire centinaia di simulazioni per arrivare a una validazione RTL 40 volte più veloce. Synopsys dice che il suo flusso di verifica autonomo raggiunge RTL validato 50 volte più velocemente di altre piattaforme.

Queste affermazioni vanno verificate prima della sign-off. SemiEngineering ha notato il 25 settembre che il passaggio ad agenti specializzati crea nuovi problemi di orchestrazione, integrazione e guardrail. Cadence ha riportato circa il 24% in meno di area e il 18% in meno di potenza per il suo agente spec-to-RTL rispetto alla generazione di codice con modelli foundation puri.

Niente di tutto questo risolve il collo di bottiglia dei substrati. La nuova produzione di Fukushima di Nittobo arriva a metà 2027, e la curva della domanda fatta di interposer più grandi e contesti più lunghi non si appiattisce.

Commenti 0

Fonti

5
  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. 04Nvidia Accelerates Chip Engineering With AI AgentsEN
  5. 05Chip 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.