Материалы для ИИ быстро превращаются из скучной инженерной подложки в одно из главных ограничений для роста вычислительной инфраструктуры. Алгоритмы можно оптимизировать, GPU можно закупать партиями, но если чипы перегреваются, изоляция не держит напряжение, а производство требует все более чистых и стойких компонентов, магия машинного обучения внезапно упирается в химию.
О том, что бум ИИ стал задачей материаловедения, пишет MIT Technology Review в партнерском выпуске Business Lab, подготовленном вместе с Syensqo. Гость выпуска, Майк Финелли, директор по технологиям и инновациям Syensqo и глава североамериканского направления компании, формулирует проблему прямо: ИИ подталкивает полупроводники и дата-центры к физическим пределам по производительности, теплу, энергоэффективности и надежности.
Syensqo — поставщик специализированных материалов для разных отраслей: от авиации и автомобилей до медицины, электроники и полупроводникового производства. Компания утверждает, что 20% ее годовой выручки приходится на новые продукты и применения, запущенные за последние пять лет. Это важная деталь: речь не о лабораторной романтике, а о рынке, где новые материалы довольно быстро должны превращаться в поставки, спецификации и сертификацию у крупных клиентов.
В полупроводниках запрос становится все жестче. Материалам нужно одновременно выдерживать высокие температуры, сохранять электрические свойства, быть химически стойкими, переносить плазменные процессы, соответствовать требованиям по чистоте и не деградировать годами. Финелли описывает это как движение к вершине «пирамиды производительности»: снизу массовые материалы, сверху — специализированные составы, без которых дальнейшая миниатюризация и усложнение производства становятся слишком рискованными.
Для разработчиков это звучит далеким фоном, пока не превращается в задержки поставок ускорителей, рост стоимости облачных инстансов и новые лимиты на обучение моделей. Инженеры привыкли обсуждать архитектуры трансформеров, оптимизацию инференса, распределенное обучение и качество датасетов. Но вся эта надстройка работает на очень физической базе: подложках, полимерах, герметиках, охлаждающих жидкостях, изоляторах и материалах для производства чипов. Если база не тянет, софт тоже начинает считать ваттами, градусами и стойками.
Отдельная боль — дата-центры. Чем плотнее стойки и чем выше энергопотребление ИИ-кластеров, тем меньше остается пространства для привычных инженерных компромиссов. Syensqo говорит о разработке материалов для высоковольтных архитектур дата-центров, решений для термоменеджмента и жидкостей для прямого иммерсионного охлаждения. Последний пункт особенно показателен: охлаждение уже не косметическая задача эксплуатации, а часть архитектуры вычислений.
Любопытно, что часть решений может приходить из соседних отраслей. Материалы, созданные для электромобилей, потенциально подходят для инфраструктуры дата-центров, где тоже растут требования к напряжению и плотности энергии. Это неплохое напоминание для бизнеса: инновации в ИИ не всегда рождаются в ML-командах. Иногда они приезжают из автомобильной промышленности, химии или производства, где похожие проблемы уже решали под другим брендом и в другом корпусе.
Вторая сторона сюжета — сам ИИ как инструмент для поиска материалов. Syensqo использует ИИ-агентов, чтобы виртуально синтезировать миллионы возможных молекулярных комбинаций, оценивать их свойства, устойчивость и экологический профиль, а затем отбирать небольшую группу кандидатов для лабораторных испытаний. Это не отменяет химиков и инженеров, но меняет их рабочий цикл: меньше перебора вслепую, больше времени на сложные инженерные решения.
Экологический фактор тоже перестает быть отдельной строкой в презентации. По словам Финелли, заказчики все чаще хотят материалы, которые одновременно выполняют технические требования и снижают воздействие на окружающую среду. Syensqo заявляет цель убрать компромисс между производительностью и устойчивостью, то есть учитывать экологические параметры на старте разработки, а не прикручивать их после того, как материал уже создан.
Для IT-директоров и фаундеров практический вывод простой: инфраструктура ИИ дорожает и усложняется не только из-за дефицита GPU. Узкими местами становятся химия, энергетика, теплоотвод, надежность и производственные цепочки. Это влияет на стоимость облаков, сроки развертывания кластеров, выбор поставщиков и даже на то, какие модели экономически разумно обучать внутри компании, а какие дешевле брать как сервис.
Если прогноз Финелли сбудется, дальше может возникнуть замкнутый контур: ИИ помогает быстрее находить материалы для ИИ, новые материалы улучшают чипы и дата-центры, а улучшенная инфраструктура ускоряет следующие поколения ИИ. Вопрос только в том, кто первым научится управлять этим циклом не на уровне красивых демо, а на уровне фабрик, поставок и стойкой работы под нагрузкой.