Semiconductor AI chips: la corsa ai materiali

I chip che eseguono carichi AI generano troppo calore. Questa è la ragione documentata per cui i data center divorano elettricità e pretendono impianti di raffreddamento colossali.

La corsa dei semiconductor AI chips verrà decisa dalla termodinamica, prima che dalla litografia.

Il consenso insegue i nanometri e la densità dei transistor. La fisica insegue la dissipazione del calore. Vince la fisica, e la curva dei costi mostra chi ha ragione.

Il consenso ha il frame sbagliato

Per due decenni la metrica dominante è stata il processo produttivo: 7nm, 5nm, 3nm. Quel numero misura il presente, e sbaglia il ritmo del cambiamento.

Ogni salto di densità concentra più transistor nello stesso millimetro quadrato. Più transistor significano più densità di potenza. La densità di potenza si traduce in calore, e il calore alza un muro fisico all'architettura.

Questo muro non è teorico. Quando la densità di potenza supera la capacità di dissipazione, il chip non può girare alla frequenza per cui è progettato. La litografia continua a promettere più transistor, ma il beneficio si perde se il calore non trova una via di uscita. È qui che il consenso guarda la metrica sbagliata.

Il 90% degli analisti ha ragione sul presente dei semiconductor AI chips. Ha torto sul punto in cui la curva salta.

Il vincolo termico limita già le frequenze di clock e impone throttling nelle GPU dei data center. Questo dato pesa più della prossima riduzione litografica. Un chip che va in throttling restituisce meno prestazioni di quelle per cui il cliente paga. Il costo reale non è nel silicio, ma nel calore che quel silicio non riesce a smaltire.

La scommessa di Discovered Materials

Una startup ha appena messo un cartellino di prezzo su questa tesi. Discovered Materials ha chiuso un seed da 9 milioni di dollari guidato da Lightspeed India Partners, dopo il passaggio in Y Combinator, come riporta TechCrunch. Tra gli investitori figurano Peak XV Partners e angel come Paul Graham, Gokul Rajaram e Thariq Shihipar.

I fondatori Advaith Sridhar e Akash Ramdas puntano tutto sul problema termico dei materiali per semiconduttori. Ramdas porta un dottorato in scienza dei materiali a Stanford; Sridhar arriva dal lavoro sugli agenti a Persona AI e Luma Labs.

La pipeline usa modelli Anthropic in un harness custom per generare candidati. Poi modelli fisici addestrati internamente eseguono simulazioni per verificare quali materiali meritano attenzione. La generazione produce quantità, la simulazione impone il filtro. È la combinazione dei due passaggi a comprimere il ciclo di ricerca.

La curva di costo dice tutto

Ecco il data point che conta. Durante il dottorato, Ramdas produceva circa 20 ipotesi al giorno. Oggi gli agenti generano migliaia di ipotesi al giorno, attivi 24 ore su 24 nel cloud.

Il salto va da decine a migliaia: due ordini di grandezza nel throughput di ricerca. Questo comprime i tempi della scoperta dei materiali da anni a mesi.

La stessa dinamica ha già ristrutturato altri mercati energetici. Il fotovoltaico ha perso circa il 90% del costo tra il 2010 e il 2020, secondo l'IEA. Quando il throughput di ricerca esplode, il costo marginale della scoperta crolla lungo una traiettoria simile. Più candidati al giorno significano più tentativi per unità di tempo. Più tentativi significano una probabilità più alta di trovare la combinazione giusta prima. La velocità della ricerca diventa essa stessa una leva di costo.

Il cliff event

Cliff event: la scoperta di materiali guidata da AI raggiungerà scala industriale nella gestione termica dei chip entro il 2028. L'adozione salta, invece di crescere in linea retta.

Il meccanismo causale resta chiaro. Migliaia di candidati al giorno moltiplicano le probabilità di convergenza tra proprietà termiche, elettriche e manifatturiere. La convergenza simultanea è il vero problema di ricerca, come ha spiegato Hemant Mohapatra di Lightspeed.

Discovered Materials afferma di aver già trovato materiali che eguagliano proprietà di quelli usati oggi dai grandi chipmaker. Questo sposta la scoperta dei materiali dal laboratorio accademico verso l'infrastruttura di calcolo.

Tre categorie che cambieranno forma

Tre categorie che cambieranno forma entro il 2029:

• Fonderie e chipmaker: il vantaggio migra verso chi controlla i materiali termici proprietari.
• Operatori di data center: costi di raffreddamento e consumo elettrico si comprimono.
• Laboratori di scienza dei materiali: il ciclo scoperta-validazione passa da anni a settimane.

Il consenso vede il raffreddamento come un problema di idraulica. Io lo vedo come un problema di materiali. Chi controlla il materiale controlla il margine del prossimo decennio dei semiconductor AI chips.

Concorrenti come MatNex, SandboxAQ e CuspAI corrono sulla stessa pista. La commoditizzazione dei modelli di predizione arriverà, e il vantaggio si concentrerà nel laboratorio che valida più veloce. Quando il modello diventa una commodity, il fattore differenziante non è più la generazione dei candidati, ma la capacità di verificarli e portarli in produzione.

La mia posizione

La mia posizione resta netta: il vantaggio competitivo nei chip AI migrerà dall'architettura del silicio ai materiali che ne governano il calore. Questo ridisegna la mappa del valore nell'hardware. Le mie tesi precedenti restano nel blog.

Il ragionamento poggia su tre fatti verificabili. Il vincolo termico è già il muro dominante. Il throughput di scoperta è salito di due ordini di grandezza. La curva di costo replica quella del fotovoltaico.

Cosa cambierebbe la mia tesi: un materiale di rottura scoperto con metodi tradizionali di laboratorio, oppure un tetto fisico alla dissipazione che rende irrilevante ogni nuovo candidato. Quei segnali riporterebbero il valore all'architettura.

La previsione, con kill signal

Previsione: entro fine 2027, almeno un grande produttore di chip integrerà pubblicamente un materiale per la gestione termica scoperto tramite pipeline AI. Confidence: media.

Orizzonte: 31 dicembre 2027. Kill signal: l'assenza di qualsiasi annuncio verificabile di questo tipo entro quella data falsifica la tesi.

Questa è una previsione sul ritmo del cambiamento, altro che sul presente. Il presente appartiene ai nanometri; il futuro appartiene alla termodinamica.

Cosa significa per te

Per il CTO: rivaluta lo stack di raffreddamento adesso, prima che la scoperta dei materiali renda obsoleti i contratti pluriennali. Per il venture capital: la scommessa sui materiali termici sembra impossibile oggi. I dati sul throughput dicono l'opposto.

Per il Chief Strategy Officer: ogni piano a tre anni che assume il raffreddamento come costante fissa descrive un mondo destinato a sparire. Per il procurement: un contratto vendor bloccato oggi su architetture termiche legacy rischia l'obsolescenza rapida.