تصور کنید تراشه‌ای ساخته شود که مصرف انرژی هوش مصنوعی را ۷۰ درصد کاهش می‌دهد، اما به دلیل یک نقص کوچک در تولید، هرگز به دست شما نرسد. اگر فکر می‌کنید پیشرفت‌های علمی آخرین مانع برای انقلاب‌های تکنولوژیک هستند، سخت در اشتباهید؛ واقعیت این است که فاصله میان یک رکورد آزمایشگاهی و یک محصول تجاری، به‌ندرت یک مسئله‌ی فیزیکی است و تقریباً همیشه یک بن‌بست تولیدی است.
به نقل از مقاله‌ای که در ۲۷ آوریل ۲۰۲۶ در نشریه Science Advances منتشر شد، محققان دانشگاه کمبریج (University of Cambridge) موفق به طراحی یک ممریستور (Memristor) از جنس اکسید هافنیوم شده‌اند که با استرانسیم و تیتانیوم اصلاح شده است. طبق گزارش dev.to، این قطعه در جریان‌هایی حدود یک میلیون برابر کمتر از دستگاه‌های اکسیدی متداول تغییر حالت می‌دهد که می‌تواند هزینه انرژی استنتاج (Inference) در هوش مصنوعی زاینده (Generative AI) را بیش از ۷۰ درصد کاهش دهد.
اما این موفقیت یک نقص بحرانی دارد: فرآیند ساخت این قطعه به دمای ۷۰۰ درجه سانتی‌گراد نیاز دارد. این دما برای خطوط تولید استاندارد CMOS (تکنولوژی رایج ساخت تراشه‌ها) بسیار زیاد است. به زبان ساده: علم کار می‌کند، اما راهی برای تولید انبوه آن وجود ندارد.
همان‌طور که در تحلیل‌های پیشین ما درباره‌ی محدودیت‌های فیزیکی تراشه‌های گرافیکی اشاره کردیم، این «پل تولید» در صنایع دیگر نیز دیده می‌شود:
- سلول‌های خورشیدی پروسکایت: با وجود رکورد بازدهی ۳۴.۸۵ درصتی شرکت LONGi Green Energy در سال ۲۰۲۴، تا سال ۲۰۲۶ به دلیل شکاف عظیم در طول عمر عملیاتی نسبت به سیلیکون، تجاری‌سازی آن‌ها دشوار بود.
- فیبر کربن: الیاف با عملکرد بالا در سال ۱۹۵۸ ساخته شدند، اما تولید انبوه خودرویی آن‌ها ۵۵ سال به تعویق افتاد تا اینکه در سال ۲۰۱۳ در BMW i3 به کار رفت.
- تکنولوژی mRNA: کشف اصلی اصلاح سودو-یوریدین در سال ۲۰۰۵ رخ داد، اما ۱۵ سال فاصله تا واکسن‌های کووید-۱۹ به دلیل نبود سیستم‌های تحویل نانوذرات لیپیدی در مقیاس صنعتی بود.
برای جامعه‌ی AI/ML، این یعنی ارزش واقعی نه در دستان کشف‌کننده‌ی علمی، بلکه در اختیار یکپارچه‌ساز تولید است. شرکت‌هایی مانند Applied Materials، Lam Research و ASML کسانی هستند که فرآیندهای آزمایشگاهی را به جریان‌های کاری سازگار با کارخانه تبدیل می‌کنند.
اگر در حال رصد نسل بعدی سخت‌افزارهای نورومورفیک هستید، رکوردهای بازدهی را نادیده بگیرید و به دنبال شرکایی بگردید که محدودیت‌های حرارتی و متریال را حل می‌کنند. سوال دیگر این نیست که آیا فیزیک پاسخ می‌دهد یا خیر، بلکه این است که آیا کسی می‌تواند این اتفاق را در دمای زیر ۷۰۰ درجه ممکن کند؟
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گام بعدی شما
- به جای دنبال کردن اخبار «رکورد بازدهی»، گزارش‌های سالانه‌ی شرکت‌های تجهیزات لیتوگرافی را برای یافتن کلمات کلیدی «سازگاری حرارتی» بررسی کنید.
- بررسی کنید که آیا استارتاپ‌های سخت‌افزاری AI مورد علاقه شما، شراکت استراتژیک با फाउंडری‌های (Foundry) بزرگ دارند یا خیر.
- مطالعه کنید که چگونه استانداردهای CMOS در حال تغییر هستند تا متریال‌های جدید را بپذیرند.
گفتگو