KI-Chips: Das Rennen um kühlere Materialien

Die Chips, die KI-Workloads ausführen, erzeugen zu viel Wärme. Das ist der dokumentierte Grund, warum Rechenzentren Strom verschlingen und kolossale Kühlanlagen verlangen.

Das Rennen bei KI-Halbleiterchips wird durch die Thermodynamik entschieden, noch vor der Lithografie.

Der Konsens jagt Nanometern und Transistordichte nach. Die Physik jagt der Wärmeableitung nach. Die Physik gewinnt, und die Kostenkurve zeigt, wer recht hat.

Der Konsens hat den falschen Rahmen

Zwei Jahrzehnte lang war der Fertigungsprozess die dominierende Kennzahl: 7nm, 5nm, 3nm. Diese Zahl misst die Gegenwart und verfehlt das Tempo des Wandels.

Jeder Dichtesprung packt mehr Transistoren auf denselben Quadratmillimeter. Mehr Transistoren bedeuten mehr Leistungsdichte. Leistungsdichte übersetzt sich in Wärme, und Wärme errichtet eine physikalische Mauer gegen die Architektur.

Diese Mauer ist nicht theoretisch. Wenn die Leistungsdichte die Ableitungskapazität übersteigt, kann der Chip nicht mit der Frequenz laufen, für die er entworfen wurde. Die Lithografie verspricht weiterhin mehr Transistoren, doch der Vorteil geht verloren, wenn die Wärme keinen Ausweg findet. Genau hier schaut der Konsens auf die falsche Kennzahl.

90 % der Analysten haben recht mit der Gegenwart der KI-Halbleiterchips. Sie irren sich über den Punkt, an dem die Kurve springt.

Der thermische Engpass begrenzt bereits die Taktfrequenzen und erzwingt Throttling in den GPUs von Rechenzentren. Dieser Fakt wiegt mehr als die nächste lithografische Verkleinerung. Ein Chip, der drosselt, liefert weniger Leistung, als der Kunde bezahlt. Die realen Kosten liegen nicht im Silizium, sondern in der Wärme, die dieses Silizium nicht abführen kann.

Die Wette von Discovered Materials

Ein Startup hat dieser These gerade ein Preisschild verpasst. Discovered Materials schloss eine Seed-Runde über 9 Millionen Dollar unter Führung von Lightspeed India Partners ab, nach dem Durchlauf bei Y Combinator, wie TechCrunch berichtet. Zu den Investoren zählen Peak XV Partners sowie Angels wie Paul Graham, Gokul Rajaram und Thariq Shihipar.

Die Gründer Advaith Sridhar und Akash Ramdas setzen alles auf das thermische Problem der Halbleitermaterialien. Ramdas bringt eine Promotion in Materialwissenschaft aus Stanford mit; Sridhar kommt von der Arbeit an Agenten bei Persona AI und Luma Labs.

Die Pipeline nutzt Anthropic-Modelle in einem maßgeschneiderten Harness, um Kandidaten zu erzeugen. Anschließend führen intern trainierte Physikmodelle Simulationen durch, um zu prüfen, welche Materialien Aufmerksamkeit verdienen. Die Generierung liefert die Menge, die Simulation erzwingt den Filter. Es ist die Kombination beider Schritte, die den Forschungszyklus verdichtet.

Die Kostenkurve sagt alles

Hier ist der entscheidende Datenpunkt. Während seiner Promotion erzeugte Ramdas rund 20 Hypothesen pro Tag. Heute generieren die Agenten Tausende Hypothesen pro Tag, rund um die Uhr in der Cloud aktiv.

Der Sprung geht von Dutzenden zu Tausenden: zwei Größenordnungen im Forschungsdurchsatz. Das verdichtet die Zeiträume der Materialentdeckung von Jahren auf Monate.

Dieselbe Dynamik hat bereits andere Energiemärkte umstrukturiert. Die Photovoltaik verlor zwischen 2010 und 2020 rund 90 % ihrer Kosten, laut der IEA. Wenn der Forschungsdurchsatz explodiert, bricht die Grenzkosten der Entdeckung entlang einer ähnlichen Bahn ein. Mehr Kandidaten pro Tag bedeuten mehr Versuche pro Zeiteinheit. Mehr Versuche bedeuten eine höhere Wahrscheinlichkeit, die richtige Kombination früher zu finden. Die Geschwindigkeit der Forschung wird selbst zum Kostenhebel.

Das Cliff Event

Cliff Event: Die KI-gestützte Materialentdeckung wird bis 2028 industriellen Maßstab im thermischen Management von Chips erreichen. Die Adoption springt, statt geradlinig zu wachsen.

Der kausale Mechanismus bleibt klar. Tausende Kandidaten pro Tag vervielfachen die Chancen auf Konvergenz zwischen thermischen, elektrischen und fertigungstechnischen Eigenschaften. Die gleichzeitige Konvergenz ist das eigentliche Forschungsproblem, wie Hemant Mohapatra von Lightspeed erklärte.

Discovered Materials behauptet, bereits Materialien gefunden zu haben, die Eigenschaften jener erreichen, die heute von den großen Chipherstellern verwendet werden. Das verschiebt die Materialentdeckung aus dem akademischen Labor hin zur Recheninfrastruktur.

Drei Kategorien, die ihre Form verändern werden

Drei Kategorien, die bis 2029 ihre Form verändern werden:

• Foundries und Chiphersteller: Der Vorteil wandert zu denen, die proprietäre thermische Materialien kontrollieren.
• Rechenzentrumsbetreiber: Kühlkosten und Stromverbrauch verdichten sich.
• Materialwissenschaftliche Labore: Der Entdeckungs-Validierungs-Zyklus geht von Jahren auf Wochen zurück.

Der Konsens sieht Kühlung als ein Problem der Rohrleitungen. Ich sehe es als ein Problem der Materialien. Wer das Material kontrolliert, kontrolliert die Marge des nächsten Jahrzehnts der KI-Halbleiterchips.

Wettbewerber wie MatNex, SandboxAQ und CuspAI laufen auf derselben Bahn. Die Kommoditisierung der Vorhersagemodelle wird kommen, und der Vorteil wird sich in dem Labor konzentrieren, das am schnellsten validiert. Wenn das Modell zur Massenware wird, ist der differenzierende Faktor nicht mehr die Kandidatengenerierung, sondern die Fähigkeit, sie zu verifizieren und in die Produktion zu bringen.

Meine Position

Meine Position bleibt eindeutig: Der Wettbewerbsvorteil bei KI-Chips wird von der Siliziumarchitektur zu den Materialien wandern, die deren Wärme steuern. Das zeichnet die Wertlandkarte in der Hardware neu. Meine früheren Thesen bleiben im Blog.

Die Argumentation stützt sich auf drei überprüfbare Fakten. Der thermische Engpass ist bereits die dominierende Mauer. Der Entdeckungsdurchsatz ist um zwei Größenordnungen gestiegen. Die Kostenkurve repliziert jene der Photovoltaik.

Was meine These ändern würde: ein Durchbruchsmaterial, das mit traditionellen Labormethoden entdeckt wird, oder eine physikalische Obergrenze der Ableitung, die jeden neuen Kandidaten irrelevant macht. Diese Signale würden den Wert zurück zur Architektur bringen.

Die Prognose, mit Kill Signal

Prognose: Bis Ende 2027 wird mindestens ein großer Chiphersteller öffentlich ein Material zum thermischen Management integrieren, das über eine KI-Pipeline entdeckt wurde. Confidence: mittel.

Horizont: 31. Dezember 2027. Kill Signal: Das Ausbleiben jeglicher überprüfbaren Ankündigung dieser Art bis zu diesem Datum falsifiziert die These.

Dies ist eine Prognose über das Tempo des Wandels, nicht über die Gegenwart. Die Gegenwart gehört den Nanometern; die Zukunft gehört der Thermodynamik.

Was das für Sie bedeutet

Für den CTO: Bewerten Sie Ihren Kühlungsstack jetzt neu, bevor die Materialentdeckung mehrjährige Verträge obsolet macht. Für Venture Capital: Die Wette auf thermische Materialien wirkt heute unmöglich. Die Durchsatzdaten sagen das Gegenteil.

Für den Chief Strategy Officer: Jeder Dreijahresplan, der Kühlung als feste Konstante annimmt, beschreibt eine Welt, die zum Verschwinden bestimmt ist. Für den Einkauf: Ein heute auf Legacy-Thermoarchitekturen festgelegter Lieferantenvertrag riskiert rasche Obsoleszenz.