Niedobór T-glass uderza w łańcuch dostaw akceleratorów AI
Specjalistyczna tkanina z włókna szklanego o nazwie T-glass, której globalne dostawy w około 90% kontroluje japońska Nittobo, stała się kolejnym wąskim gardłem produkcji akceleratorów AI. Ceny wzrosły o 20 do 30%, a terminy dostaw przekraczają 20 tygodni.

Historię akceleratorów AI opowiada się zwykle przez pryzmat roadmapy GPU Nvidii albo mocy produkcyjnych TSMC. Tymczasem według Tom's Hardware japońska firma Nittobo kontroluje około 90% światowych dostaw specjalistycznej tkaniny z włókna szklanego zwanej T-glass, a ten materiał siedzi w każdej zaawansowanej obudowie układu AI. Popyt przewyższa podaż.
T-glass to tkanina szklana o niskim CTE, używana w organicznym rdzeniu podłoży IC, czyli warstwie łączącej chip z płytką drukowaną. Utrzymuje stabilność wymiarową dużych obudów, które mocno się grzeją. Gdy procesory AI stają się większe i pracują w wyższych temperaturach, to zadanie jest trudniejsze. Według Tom's Hardware utrzymanie płaskości i sprawności procesorów AI zależy właśnie od T-glass.
Dlaczego podaży nie da się po prostu włączyć
Nittobo potraja moce w zakładzie w Fukushimie w Japonii. Nowa podaż trafi jednak na rynek dopiero w połowie 2027 roku. Ten termin ma znaczenie, bo T-glass nie jest towarem, który można czymś zastąpić albo szybko uruchomić. Materiał wymaga specjalistycznych pieców do topienia elektrycznego, pracujących w temperaturze od 1 600 do 1 700 stopni Celsjusza. Proces obejmuje topienie szkła bogatego w krzemionkę, przędzenie go w przędzę i tkanie w ultracynkłą tkaninę. Tom's Hardware podaje, że skalowanie tego wymaga lat inwestycji i fachowej wiedzy.
Inne włókno szklane, E-glass, stosuje się w ten sam sposób, ale jest tańsze i trafia głównie do układów niższej klasy, takich jak mikrokontrolery i starsze procesory mobilne. T-glass wygrywa wytrzymałością termiczną. W przypadku układów o wyższej mocy, a konkretnie ogromnych obudów 2.5D i 3D, to właśnie T-glass jest preferowaną opcją.
Bilal Hachemi, analityk Yole Group, który śledzi łańcuch dostaw podłoży IC, powiedział Tom's Hardware Premium, że zastąpienie T-glass nie jest łatwe, bo materiał ten „ma określone wartości dielektryczne i CTE, które lepiej pasują do układów AI, zwłaszcza do organicznego rdzenia”. Hachemi zauważył też, że branża podłoży IC od zawsze działała na cienkich marżach, więc nawet umiarkowany skok popytu może wywołać niedobory. „Każdy wzrost popytu na materiały build-up, materiał ABF czy T-glass może spowodować potencjalny niedobór, bo to kłóci się z podstawami tej branży” - powiedział.
Liczby stojące za zaciskaniem dostaw
Obecny kryzys napędzają hiperskalerzy, którzy budują coraz większe obudowy układów, zużywające więcej T-glass na jednostkę. Według danych Nvidii, na które powołuje się Tom's Hardware, rozmiary interposerów wzrosły z 814 mm2 dla architektury Hopper do 1 700 mm2 dla Blackwell, czyli o 109%, a nadchodzące generacje Rubin i Feynman mają skalować dalej.
Bank of America szacuje, że sprzedaż segmentu materiałów elektronicznych Nittobo niemal się podwoi, z 40,9 mld jenów (266 mln dolarów) w 2025 roku do 87,7 mld jenów do marca 2028 roku, przy marży operacyjnej zbliżającej się do 48%. Takashi Enomoto, analityk Bank of America, powiedział, że popyt na tkaninę T-glass „wygląda na to, że wzrośnie bardziej, niż pierwotnie oczekiwano”. Dodał, że uwaga skupiała się na grubym T-glass dla półprzewodnikowych obudów GPU i CPU, ale teraz prawdopodobnie wzrośnie popyt na ultracynkły T-glass, bo czołowe urządzenia odchodzą od E-glass.
Wyścig o przydziały dał już nietypowy widok. Hachemi powiedział, że Nvidia zwracająca się bezpośrednio do dostawcy materiału na tak wczesnym etapie łańcucha, jak Nittobo, to rzecz bez precedensu. „Po raz pierwszy widzimy, jak Nvidia, klient końcowy, zwraca się do dostawców materiałów w górę łańcucha, żeby zabezpieczyć moce i mieć pewność, że je dostanie” - powiedział Tom's Hardware. Obawa polega na tym, że gdy Nvidia zablokuje swoją część, konkurencyjni odbiorcy układów zostaną do walki o resztę.
Nittobo nie opiera się wyłącznie na Fukushimie. Podwaja moce produkcji surowej przędzy w zakładzie na Tajwanie i importuje przędzę z powrotem do Japonii, gdzie powstaje tkanina. Firma zawarła też umowę o współpracy z Nanya Plastics, której zleca część tkania. Według Tom's Hardware do 2027 roku około 20% tkaniny szklanej Nittobo ma tkać Nanya.
Bill Ho, analityk Yuanta, opisał sytuację w dół łańcucha bez ogródek: „Przy jeszcze bardziej ograniczonych dostawach T-glass dostawcy nie podają już terminów realizacji”. Terminy dostaw laminatów miedzianych, materiału w dalszej części łańcucha, wydłużyły się z normalnych 8 do 10 tygodni do ponad 20, a ceny wzrosły o 20 do 30%.
Równoległy problem: ile pamięci naprawdę potrzebuje inferencja
Jeśli materiały ograniczają podaż, to przepustowość pamięci ogranicza projekt. Na Hot Chips 2026 d-Matrix przedstawiła swój akcelerator Raptor 3D-DRAM do inferencji generatywnej. Sposób postawienia problemu, opisany przez ServeTheHome, warto czytać jako diagnozę tego, gdzie utknął sprzęt AI. Wagi modeli rosną, a KV cache skaluje się wraz z długością kontekstu pomnożoną przez rozmiar batcha. W tekście ServeTheHome jest przykład 64 użytkowników przy kontekście 1 000 000, którzy generują około 935 GB KV cache.
SRAM spełnia wymagania przepustowości, ale tylko w mikroskopijnej skali. Para kart akceleratorowych Corsair SRAM osiąga około 300 TB/s przy opóźnieniu około 1 ns, a mieści tylko około 4 GB, bo komórka SRAM 6T jest około 10 razy większa od komórki DRAM, a upływy sięgają dziesiątek watów przy skali GB. HBM rozwiązuje problem pojemności, ale ma kłopot z przepustowością. ServeTheHome podaje, że d-Matrix wskazuje praktyczny sufit około 20 TB/s dla pakietów HBM4, takich jak Vera Rubin Nvidii i Instinct MI455 firmy AMD. Przy 2,4 pJ/bit przetłoczenie 100 TB/s przez HBM zużyłoby około 1,92 kW, jeszcze przed doliczeniem jakiegokolwiek ruchu w sieci połączeń.
Odpowiedzią d-Matrix jest układanie logiki bezpośrednio na warstwach DRAM. Firma używa układu logicznego TSMC N4 na warstwie 3D DRAM, łącząc je twarzą do twarzy w technologii 36 um. Pionowe 3D IO kosztuje około 0,3 do 0,4 pJ, czyli około 10 razy mniej niż HBM, według ServeTheHome. Przy 32 000 000 000 bajtów na kartę, wagach 4-bitowych i 8-bitowym KV cache d-Matrix dobiera skalę tak, żeby zmieścić model frontier, taki jak Kimi K3, przy kontekście 1 000 000 w konfiguracji 72 kart, twierdzi firma.
Trudność tkwi w szczegółach inżynierskich. Każdy silnik tensorowy potrzebuje flitu 128B na dostęp, ale przy 3 bankach na kanał pojedynczy dostęp zwraca 96 000 000 000 bajtów, więc dostarczenie jednego flitu zajmuje dwa dostępy i pobiera 192 000 000 000 bajtów, marnując około 33% przepustowości przy około 33 TB/s. Odpowiedzią d-Matrix jest blokowanie strumienia, które dzieli jeden częściowy dostęp 32B między trzy flity. Przesłanie 100 TB/s przy 0,37 pJ/bit daje 296 W tylko na wejście i wyjście.
Hiperskalerzy budują własne układy, ostrożnie
Microsoft Maia 200, przedstawiona na tej samej konferencji i opisana przez ServeTheHome, pokazuje drugi koniec kompromisu. Układ w technologii 3 nm ma 140 000 000 000 tranzystorów, sześć stosów HBM3e, przepustowość HBM 7 TB/s, wydajność 10 000 TFLOPS w FP4 i TDP 750 watów, a matryca SoC ma 820 mm2. Microsoft połączył go w pełni połączoną topologią poczwórną i bez żadnej sieci scale-out. Wszystko jest scale-up, w 128 szafach i 6 000 układów na pokazanym slajdzie. Architektura przepływu danych Software Defined Local Access utrzymuje dostęp do danych lokalnie i ustala przepływ na etapie kompilacji, co daje determinizm i zmniejsza ruch w sieci połączeń.
Nic z tego nie luzuje ograniczenia materiałowego. Alibaba Zhenwu V900, zapowiedziana z 216 GB pamięci i 1 200 GB/s przepustowości między układami, z masową produkcją planowaną na pierwszy kwartał 2027 roku, dokłada kolejnego kupca do kolejki, jak zauważa przegląd tygodnia SemiEngineering z 25 września. Samsung według doniesień planuje co najmniej podwoić produkcję rodziny HBM4 w 2027 roku, podaje Seoul Economic Daily, a CXMT poinformował, że jego piąta generacja DRAM G5 weszła do masowej produkcji z połową skoku aktywnego obszaru 11,95 nm, choć nie ujawnił wydajności produkcyjnych. Więcej pamięci i więcej akceleratorów oznacza więcej podłoży, a więcej podłoży oznacza więcej T-glass.
Niewygodny wniosek jest taki, że wiążącym ograniczeniem mocy obliczeniowej AI w 2027 roku może nie być litografia ani podaż HBM, ale tkana tkanina szklana produkowana przez jedną firmę w Fukushimie, z konkurentem pomagającym ją tkać i terminem dostaw, którego nikt nie chce podać.
Źródła
4- 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
- 04Chip Industry Week In ReviewEN
Wszystkie liczby i cytaty w tym tekście pochodzą z poniższych źródeł. Nie dopisujemy danych, których w źródłach nie ma.
Materiały zostały przygotowane przez zespół redakcyjny wspierane przez AI.
Komentarze
0- Brak komentarzy — bądź pierwszy.