Для выпуска одного современного чипа нужны тысячи строго контролируемых операций, и сбой на любом этапе бьет по выходу годных кристаллов и себестоимости. На этом фоне материалы для ИИ перестают быть скучной подложкой под громкие новости про модели и дата-центры: именно они все чаще определяют, насколько быстро отрасль сможет наращивать вычисления, память и энергоэффективность.
Об этом пишет MIT Technology Review в партнерском материале, подготовленном совместно с химической компанией Syensqo. Главная мысль простая: разговор об ИИ обычно сводится к алгоритмам, GPU, фабам и гиперскейл-инфраструктуре, но физический предел всей этой конструкции задают вполне земные вещи вроде полимеров, эластомеров, специальных жидкостей, уплотнителей, коннекторов и систем теплоотвода.
Логика здесь неприятно приземленная. Каждое новое поколение ИИ требует больше вычислительной мощности, больше памяти, более плотной упаковки компонентов и меньших потерь энергии. Это автоматически повышает требования к тому, из чего сделаны производственное оборудование, серверные стойки, кабельные сборки, системы питания и охлаждения. В производстве полупроводников даже небольшие отклонения по температуре или химической стабильности могут создавать дефекты. Поэтому производителям нужны материалы с более высокой чистотой, лучшей устойчивостью к химии и плазме и большей стабильностью в жестких режимах. Иначе красивые дорожные карты по ускорителям быстро разбиваются о банальную физику процесса.
С той же проблемой теперь живут и операторы дата-центров. Рост плотности вычислений меняет саму архитектуру площадок: отрасль идет к более сложному термоменеджменту, более высоким напряжениям, растущим требованиям к хранению данных и ускоренной передаче сигналов. Под давлением оказывается буквально все: охлаждение, силовая часть, конденсаторы, разъемы, накопители. Для разработчиков это важный сдвиг оптики. Когда инфраструктурная команда обсуждает не только GPU-квоты, но и жидкостное охлаждение, это уже не разговор про экзотику для HPC, а про новую норму для AI-нагрузок. Для бизнеса вывод еще прямее: CAPEX на железо больше нельзя оценивать в отрыве от материалов, которые обеспечивают надежность под высокой нагрузкой.
Почему дата-центры начинают учиться у электромобилей
Один из самых любопытных моментов в материале связан с переносом опыта между отраслями. В Syensqo говорят, что часть задач, с которыми сталкиваются современные AI-дата-центры, уже знакома автомобильной индустрии, особенно сегменту электромобилей. Когда серверные платформы переходят к более высоким напряжениям и большей плотности мощности, похожими становятся требования к изоляции, теплопередаче и циркуляции рабочих жидкостей. Поэтому наработки из систем охлаждения для полупроводников и автомобилей можно адаптировать для прямого жидкостного охлаждения AI-серверов.
Это важный сигнал не только для химиков и производителей компонентов. Для российских IT-команд, которые отвечают за эксплуатацию инфраструктуры, здесь просматривается более широкий тренд: границы между классическим enterprise-железом, HPC и промышленными системами продолжают стираться. Там, где раньше хватало стандартной воздушной схемы и запаса по питанию, теперь нужны инженерные решения из смежных отраслей. И если раньше разговор о производительности почти целиком велся в терминах чипа и стойки, теперь его приходится вести и в терминах теплоносителя, устойчивости материалов и долговечности компонентов под экстремальной нагрузкой.
Второй слой истории связан с экологией и требованиями к производству. Источник приводит конкретный пример: перфторэластомеры применяются для герметизации оборудования в полупроводниковом производстве, где материалы должны выдерживать экстремальные температуры, агрессивную плазму и реакционноспособные химикаты. Новое поколение таких материалов у Syensqo выпускается по процессу без fluorosurfactants. В переводе на язык отрасли это означает важную вещь: производители начинают требовать не просто «работает лучше», а «работает лучше и производится ответственнее». Причем не в виде красивой ESG-презентации, а как часть технического задания.
Здесь полезно снять одно распространенное заблуждение. Новые материалы в этой индустрии не внедряются по принципу «появилось что-то свежее, давайте попробуем». Их квалификация может занимать годы, а изменение состава или процесса имеет смысл только тогда, когда решает реальную инженерную проблему или открывает путь к следующему технологическому шагу. Поэтому материалы для ИИ становятся стратегическим вопросом не потому, что это модная тема, а потому что без них нельзя стабильно масштабировать ни выпуск чипов, ни эксплуатацию AI-инфраструктуры.
ИИ помогает искать материалы для самого ИИ
На этом месте сюжет делает красивый, хотя и вполне прагматичный разворот: сам ИИ начинает ускорять разработку материалов для собственной инфраструктуры. Традиционный цикл в материаловедении длинный и дорогой: гипотеза, синтез, тестирование, новая итерация. По данным MIT Technology Review, Syensqo использует несколько AI-инструментов, включая платформу Microsoft Discovery, чтобы раньше отсеивать слабые кандидаты и быстрее находить молекулы с нужными свойствами для следующего поколения теплоносителей, применяемых в производстве полупроводников и дата-центрах. Идея не в том, что модель заменила ученого, а в том, что она сокращает число физических экспериментов и позволяет лаборатории тратить время на самые перспективные направления.
Для разработчиков и продактов здесь есть понятная параллель. Мы уже привыкли к тому, что ИИ ускоряет написание кода, тестирование или анализ логов. Теперь тот же подход все глубже заходит в физический контур индустрии: помогает проектировать молекулы, фильтровать варианты и быстрее доводить решения до стадии, где клиент сможет их квалифицировать и внедрить. Для CIO и технических руководителей это означает, что следующий виток конкуренции вокруг ИИ будет идти не только между модельными лабораториями и облачными платформами, но и между цепочками поставок, R&D-командами и производителями инфраструктурных компонентов.
Отсюда и главный вывод. В 2026 году гонка ИИ уже не выглядит соревнованием исключительно между алгоритмами и бюджетами на GPU. Все заметнее, что потолок производительности задают вещи, которые редко попадают в заголовки: химическая стойкость, надежность уплотнений, качество теплоотвода, устойчивость материалов под высокой плотностью мощности. Если этот слой не будет успевать за аппетитами моделей и дата-центров, отрасли придется не просто замедлиться, а пересобирать ожидания от того, как быстро вообще можно масштабировать ИИ. И это, возможно, самый отрезвляющий тезис во всей истории про материалы для ИИ.