AI przyspiesza prace nad układami, a zaawansowana produkcja pozostaje skoncentrowana w TSMC

Narzędzia AI wchodzą na halę produkcyjną

NVIDIA opublikowała 3 listopada wpis na blogu, w którym opisuje fabrykę definiowaną przez AI. W skrócie: AI pomaga inżynierom optymalizować procesy i wcześniej wychwytywać problemy. Pomaga też podejmować decyzje na kolejnych etapach produkcji.

Wpis wymienia serię przyspieszeń. COMSOL przyspiesza symulacje wielofizyczne dla produkcji półprzewodników do 10 razy dzięki bibliotece cuDSS od Nvidii. Platforma symulacyjna Ginestra firmy Applied Materials działa do 10 razy szybciej niż rozwiązania oparte wyłącznie na procesorach, gdy korzysta z cuDSS. Jej platforma ACE+ liczy symulacje topografii do 35 razy szybciej dzięki PhysicsNeMo. Siemens wbudowuje cuLitho w swoje oprogramowanie litograficzne Calibre. NVIDIA twierdzi, że daje to do 17 razy szybsze działanie w głównych zadaniach symulacyjnych. Za tym wszystkim stoi proste ograniczenie. Eksperymenty fizyczne na linii produkcyjnej są wolne i drogie. Błędna decyzja o wydajności albo jakości procesu ma realne skutki.

NVIDIA opisuje też cyfrowe bliźniaki. Pozwalają zespołom sprawdzić zmiany w środowisku wirtualnym, zanim zdecydują się na próby fizyczne. Firma twierdzi, że inżynierowie nadal kierują pracą i rozstrzygają na podstawie własnego doświadczenia. Krócej czekają na odpowiedzi.

Szybsza symulacja zmienia to, ile wariantów inżynier może sprawdzić. Może je przetestować, zanim zdecyduje się na próbę fizyczną.

Dlaczego szybkość symulacji ma znaczenie

Litografia obliczeniowa określa, jak wzory obwodów zostaną wydrukowane na krzemie. Wiąże się z obliczeniami zbyt ciężkimi, by procesor ukończył je w skali produkcyjnej, twierdzi NVIDIA. Ich przyspieszenie poszerza zakres tego, co inżynierowie mogą zweryfikować, zanim płytka trafi do druku. W niektórych przypadkach przyspieszenie nie tylko skraca obliczenie. Dopiero ono czyni je możliwym, czytamy we wpisie. Autorzy piszą też, że AI wytrenowana na prawach fizyki potrafi przewidzieć zachowanie materiałów i procesów. Nie musi przy tym za każdym razem przeprowadzać pełnej symulacji. NVIDIA podaje, że Lam Research pokazał, iż jego framework PhysicsNeMo przewiduje zachowanie plazmy. To jeden z droższych problemów modelowania w trawieniu. Symulacje wielofizyczne modelują oddziaływania między wymianą ciepła, zjawiskami elektrycznymi i naprężeniami mechanicznymi. Dlatego szybkość solvera ma znaczenie. Przykłady Nvidii obejmują symulacje, odkrywanie materiałów i litografię.

To, gdzie trafiają te narzędzia, ma znaczenie, bo najbardziej zaawansowana produkcja jest skoncentrowana. TSMC podało, że zaawansowane procesy dały 79% przychodów z płytek w trzecim kwartale 2026 roku.

Liczba dotyczy wyłącznie przychodów z płytek, tak jak raportowało je TSMC.

Popyt na AI koncentruje się w TSMC

Przychody TSMC w trzecim kwartale wzrosły o 41,2% rok do roku, do 46,7 mld dol. Informatyka wysokiej wydajności obejmuje zastosowania AI. Dała 68% przychodów ogółem, wobec 57% rok wcześniej. Intel w tym samym kwartale podał 16,5 mld dol. przychodów, o 21% więcej. Firma próbuje odzyskać rozpęd po latach problemów. Jej dział centrów danych i AI urósł o 78%, do 7,3 mld dol. Biznes nastawiony na komputery osobiste spadł o 5% z powodu słabszego popytu konsumenckiego i presji konkurencji. W swoim porównaniu Motley Fool pisze, że Intel wciąż ma pod górkę. Musi odbudować konkurencyjność produkcji i poprawić rentowność. Duże potrzeby kapitałowe dokładają niepewności. Dla kupujących ten podział ma mniejsze znaczenie niż moce produkcyjne. Biznes PC Intela zmalał, a układy serwerowe urosły. To wskazuje, że popyt przesuwa się w stronę krzemu do centrów danych, a nie znika.

Dział centrów danych i AI Intela rósł szybciej niż cały biznes TSMC. Startował jednak z dużo mniejszej bazy.

Projektowanie idzie w tym samym kierunku, uważa jedna z osób z branży. Mówił na forum naukowym w Szanghaju 30 października. Chen Yunji jest współzałożycielem producenta układów AI Cambricon Technologies. Przewidział, że integracja AI z projektowaniem układów ostatecznie zautomatyzuje ten proces w całości.

W ciągu najbliższych 10 lat najważniejszym osiągnięciem będzie technika RSI (recursive self-improvement) w sztucznej inteligencji, w której modele AI ulepszają modele AI, a układy AI ulepszają układy AI. Chen Yunji, współzałożyciel Cambricon Technologies, na forum w Szanghaju 30 października

Ryzyko Tajwanu i rozdrobnione planowanie

Porównanie obu producentów układów w Motley Fool wskazuje na ryzyko. Koncentracja geograficzna TSMC na Tajwanie, wśród napięć geopolitycznych, jest warta odnotowania. Autorzy przyznają TSMC kluczową pozycję w łańcuchu dostaw AI. Przyznają też, że siłę cenową daje jej produkcja w najnowocześniejszych technologiach. Robin Saxby był pierwszym prezesem Arm. Opisał pokrewną zmianę w sposobie planowania przez szefów branży układów. Mówił o tym EE Times w wywiadzie opublikowanym 30 października. Powiedział, że w czasie jego kariery w Motoroli, ES2 i Arm projektowanie i produkcja półprzewodników były z natury globalne. Dzisiejsi liderzy mają do czynienia z lokalnymi przepisami i napięciami geopolitycznymi, mówił. Chodzi między innymi o różne ustawy CHIPS i brexit w Wielkiej Brytanii.

Niestety dla każdego dzisiejszego prezesa podejmowanie długoterminowych decyzji, na przykład inwestycyjnych, jest znacznie trudniejsze niż wtedy, gdy ja pełniłem tę funkcję. Robin Saxby, dla EE Times

Saxby otrzymał tytuł szlachecki w 2002 roku, a z Arm odszedł w 2007 roku. Powiedział, że współczesne projektowanie krzemu wyszło poza płaskie arkusze układu i stało się trójwymiarowym zadaniem inżynierskim z wieloma zmiennymi. Przekonywał, że sukces zależy od zrównoważonych, wyspecjalizowanych zespołów. Nie zależy od jednego inżyniera, który opanuje cały stos. Pakowanie 3D, narzędzia AI i integracja dużego oprogramowania podnoszą poprzeczkę. Mówił na TechWorks S2S Summit 2026 w zachodnim Londynie.

Dla kupujących praktyczne pytanie brzmi, gdzie powstanie następna generacja zaawansowanych układów. Zaawansowane procesy TSMC dały 79% przychodów z płytek. Informatyka wysokiej wydajności dała 68% przychodów ogółem. Żadna z tych liczb nie mówi, jaka ich część powstaje na Tajwanie. Motley Fool nie podaje tu szczegółów. Nierozstrzygnięta zostaje też kwestia wdrożeń. Wpis Nvidii opisuje narzędzia i przyspieszenia. Nie mówi, jak szeroko działają one w produkcji masowej. Liczby TSMC dotyczą struktury przychodów. Nie mówią, jakie oprogramowanie symulacyjne za nimi stoi.