تصور کنید بتوانید بدون ساخت کارخانه‌های ۲۰ میلیارد دلاری، ظرفیت حافظه تراشه‌های هوش مصنوعی را به شدت افزایش دهید. استارتاپ Kepler Computing مستقر در سن خوزه، شرط‌بندی کرده است که بحران جهانی حافظه در عصر هوش مصنوعی می‌تواند بدون نیاز به ساخت کارخانه‌های چند میلیارد دلاری حل شود. این شرکت ادعا می‌کند که معماری جدیدش برای حافظه‌های پهنای‌باند بالا (HBM)، تراکم تراشه‌ها را با استفاده از کارخانه‌های نیمه‌هادی موجود افزایش می‌دهد و بدین ترتیب، وابستگی صنعت به لیتوگرافی گران‌قیمت فرابنفش شدید (EUV) را دور می‌زند.
این پیشرفت در حالی رخ می‌دهد که صنعت نیمه‌هادی با یک شکاف مزمن میان عرضه و تقاضا دست‌وپنجه نرم می‌کند. همان‌طور که در تحلیل قبلی ما درباره‌ی تأثیر کمبود حافظه بر افزایش ۱۵ درصدی قیمت سرورهای هوش مصنوعی انویدیا اشاره کردیم، بازار حافظه اکنون به یک گلوگاه برای مقیاس‌پذیری هوش مصنوعی تبدیل شده است. در حالی که غول‌هایی مثل SK Hynix و Micron میلیاردها دلار روی ساخت کارخانه‌های (Fab) جدید شرط‌بندی کرده‌اند و امیدوارند تقاضا برای HBM حتی پس از عملیاتی شدن این تأسیسات بالا بماند، Kepler قصد دارد زیرساخت‌هایی را که در حال حاضر در اختیار داریم، بازسازی و بهینه کند.
چرخش فنی و معماری
رویکرد Kepler بر دو نوع اصلی حافظه تمرکز دارد: اول HBM که از پشته‌های DRAM برای جابه‌جایی حجم عظیمی از داده‌ها استفاده می‌کند، و دوم SRAM که حافظه نهان (Cache) بسیار سریعی است که در داخل هسته‌های CPU، GPU و XPU قرار دارد تا زمان انتقال داده‌ها را به حداقل برساند.
طبق گزارش ۹ سپتامبر ۲۰۲۶ از Wired، این شرکت از روش «پشته‌سازی سه‌بعدی» (3D stacking) و یک ماده ترکیبی اختصاصی برای افزایش تراکم استفاده می‌کند. این سازوکار به آن‌ها اجازه می‌دهد بدون سرمایه‌گذاری در تجهیزات بسیار گران‌قیمت EUV، به تراکمی دست یابند که پیش از این تنها در تراشه‌های ۲ یا ۳ نانومتری ممکن بود.
زمینه: تغییر مسیر به سمت HBM
برای سال‌ها، استراتژی Kepler این بود که ابتدا SRAM را در اولویت قرار دهد و سپس به سراغ DRAM و HBM برود. با این حال، عرضه ChatGPT در سال ۲۰۲۲ و انفجار متعاقب تقاضا برای هوش مصنوعی، این شرکت را مجبور به یک چرخش راهبردی کرد. دبو اولائوسبیکان، مدیرعامل شرکت، خاطرنشان کرد که آن‌ها اکنون SRAM و HBM را به‌طور موازی توسعه می‌دهند تا پاسخگوی فوریت‌های بازار باشند.
این تغییر مسیر توسط ماهیت چرخه‌ای تقاضای حافظه و هزینه‌های سرسام‌آور زیرساخت‌های جدید هدایت شده است. سرینی آنانت، مدیرعامل Intel Capital، مشاهده کرد که اگرچه هدف اولیه شرکت جایگزینی کامل DRAM یا SRAM نبود، اما نیاز بازار آن‌ها را به سمت توسعه هر دو سوق داد.
نوآوری در مواد و فرآیند تولید
برای دستیابی به این دستاوردها، Kepler یک ماده ترکیبی با ولتاژ پایین بر پایه فروالکتریک‌ها (Ferroelectrics) توسعه داده است. این ماده به تراشه‌ها اجازه می‌دهد داده‌ها را با ولتاژهایی بسیار کمتر از مکانیسم‌های معمول پردازش و ذخیره‌سازی در نیمه‌هادی‌ها، بخوانند و بنویسند.
جزئیات فنی این نوآوری عبارت است از:
- طراحی تکرارشونده: تیمی متشکل از فیزیکدانان و دانشمندان کامپیوتر، ۳۵ نسخه مختلف از مواد ترکیبی را آزمایش کردند تا در نهایت به رده‌ای از مواد برسند که تولید تراشه‌های حافظه را ارزان‌تر و ساده‌تر کند.
- بهره‌وری انرژی: هدف این است که داده‌ها در HBM با سطوح انرژی مشابه SRAM جابه‌جا شوند، در حالی که ظرفیت عظیم HBM حفظ شود. این امر با جای دادن تراشه‌های حافظه بیشتر در یک فضای ثابت محقق می‌شود و اجازه می‌دهد هسته محاسباتی در فاصله نزدیک‌تری به حافظه قرار گیرد.
- استقرار سریع: طبق ادعای Kepler، آن‌ها توانستند یک کارخانه تولید را تنها در ۸ ماه به یک تأسیسات «نسل جدید» تبدیل کنند؛ در حالی که استاندارد صنعت برای چنین تغییراتی ۲۴ ماه است.
- سازگاری زیرساختی: اد کست، معاون ارشد کسب‌وکار CMOS در GlobalFoundries، این رویکرد را یک «نقطه طلایی» می‌داند، زیرا مقیاس‌پذیری چندنسلی را بدون نیاز به سیستم‌های کاملاً جدید یا تجهیزات لیتوگرافی گران‌قیمت فراهم می‌کند.
تأمین مالی و مشارکت‌های استراتژیک
این استارتاپ که در سال ۲۰۱۸ تأسیس شد، ۴۶۸ میلیون دلار سرمایه از فهرستی از سرمایه‌گذاران重量ین جذب کرده است، از جمله Intel Capital، AMD Ventures، GlobalFoundries و بیل گیتس از طریق صندوق Gates Frontier.
در جولای ۲۰۲۶، وزارت بازرگانی ایالات متحده متعهد شد تا ۲۴۵ میلیون دلار برای کمک به Kepler جهت توسعه داخلی نسل جدیدی از فناوری حافظه AI اختصاص دهد؛ فناوری‌ای که به‌طور خاص توسط تکنولوژی‌های نوآورانه سه‌بعدی و فروالکتریک فعال شده است.
بسیاری از آزمایش‌های فعلی در سنگاپور و در یکی از تأسیسات GlobalFoundries در حال انجام است، جایی که این شریک تجاری ۵۰ میلیون دلار سرمایه‌گذاری کرده است. Kepler تراشه‌های حافظه خود را در کنار تراشه‌های ۲۸ نانومتری GlobalFoundries در «مینی‌فب‌ها» (Mini Fabs) تولید می‌کند. علاوه بر این، آزمایش‌های تکمیلی در تأسیسات GlobalFoundries در برلینگتون، ورمونت انجام شده است.
چالش‌های مقیاس‌پذیری
با وجود وعده‌های فنی، Kepler برای رسیدن به تولید انبوه با مسیری دشوار روبروست. این شرکت تا به امروز فناوری خود را تنها روی حدود ۲,۰۰۰ ویفر (Wafer) اجرا کرده است.
همچنین ریسک جدی آلودگی وجود دارد. اد کست از GlobalFoundries اشاره کرد که ماده ترکیبی Kepler حاوی آهن است؛ ماده‌ای که معرفی آن به یک تأسیسات تولیدی، یک «آلاینده سخت» محسوب می‌شود. این بدان معناست که فرآیند تولید باید روی تجهیزات اختصاصی و کاملاً محصور (Encapsulated) اجرا شود تا از تخریب سایر تراشه‌ها در کارخانه جلوگیری شود.
دبو اولائوسبیکان، مدیرعامل شرکت، از تأیید دقیق عناصر تشکیل‌دهنده این ماده ترکیبی خودداری کرد، اما اشاره کرد که آن‌ها از تعداد کمی از مواد استفاده می‌کنند که برخی از آن‌ها به‌طور معمول در فروالکتریک‌های رایج یافت نمی‌شوند.
نقشه راه تولید
زمان‌بندی Kepler برای استقرار به صورت مرحله‌ای است:
- اواخر ۲۰۲۶: ارسال نخستین نمونه‌های تراشه HBM.
- ۲۰۲۷: افزایش سطح تولید در سنگاپور.
- ۲۰۲۸: آغاز تولید در مقیاس کامل در داخل ایالات متحده.
تحلیل: تغییر بار هزینه‌های سرمایه‌ای (Capex)
برای صنعت هوش مصنوعی، این رویکرد نشان‌دهنده یک تغییر بنیادین در هزینه‌های سرمایه‌ای است. در حال حاضر، تنها راه دستیابی به حافظه بیشتر، ساخت کارخانه‌های بیشتر است؛ فرآیندی که برای هر تأسیسات بین ۲۰ تا ۴۰ میلیارد دلار هزینه دارد و تنها تجهیزات آن صدها میلیون دلار قیمت دارند.
اگر Kepler موفق شود، صنعت می‌تواند ظرفیت خود را به جای انتظار سال‌ها برای ساخت کارخانه‌های جدید، از طریق بازسازی کارخانه‌های موجود افزایش دهد. این امر به‌طور مؤثری رشد حافظه AI را از چرخه کند و گران‌قیمت ساخت سنتی کارخانه‌ها جدا می‌کند.
با این حال، مقیاس‌پذیری همچنان مانع اصلی است. استارتاپ‌های دیگر، مانند Substrate که از نانوذرات برای لیتوگرافی استفاده می‌کند، با تردید تحلیل‌گران در مورد توانایی‌شان برای رعایت مشخصات سخت‌گیرانه در زمان و بودجه تعیین‌شده روبرو بوده‌اند. همان‌طور که آستین لایونز، تحلیل‌گر تراشه می‌گوید، سؤال نهایی این است که آیا این نوآوری می‌تواند بر محدودیت‌های آلودگی و ابزارسازی غلبه کند تا در مقیاس انبوه، توجیه‌پذیر باشد یا خیر.
برای کاربر نهایی، یک استقرار موفق می‌تواند به معنای تثبیت قیمت GPUها و عرضه سریع‌تر سخت‌افزارهای نسل بعد هوش مصنوعی باشد. باید منتظر اولین محموله‌های نمونه در اواخر سال جاری بود تا ببینیم آیا موفقیت در ۲,۰۰۰ ویفر، به میلیون‌ها دستگاه مورد نیاز برای تجاری‌سازی تبدیل می‌شود یا خیر.
گام بعدی شما
- اگر مدیر زیرساخت هستید، روی گزارش‌های مربوط به نمونه‌های اولیه HBM در اواخر ۲۰۲۶ نظارت کنید.
- بررسی کنید که آیا کاهش هزینه‌های تولید حافظه می‌تواند قیمت GPUهای نسل بعد را کاهش دهد یا خیر.
- تحلیل‌های مربوط به مواد فروالکتریک در نیمه‌هادی‌ها را دنبال کنید تا پایداری این فناوری در مقیاس میلیونی مشخص شود.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو