Jak projektuje się i produkuje chipy AI, takie jak GPU firmy Nvidia

Zgodnie z Yahoo Finance akcje Nvidia spadły o ponad 3% w środę w październiku 2026 roku i dalej spadały w handlu pre-marketingowym następnego dnia, ponieważ wyższe niż oczekiwane odczyty inflacji w USA podniosły rentowność obligacji i wyzwoliły szerszą wyprzedaż akcji chipów. Raport ten również mówił, że dostawca usług w chmurze CoreWeave spadł o ponad 16% z powodu obaw dotyczących jego zadłużenia, że Marvell Technology i SK Hynix również spadły wśród odrębnych obaw o konkurencję chińską, oraz że inwestorzy czekali na wyniki kwartalne TSMC, które miały wykazać wzrost zysku o 60%.

Wyprzedaż była związana z obawami dotyczącymi stóp procentowych i długu, a nie zmianami w sposobie produkcji lub sprzedaży chipów AI. Ale przyciągnęła nową uwagę do branży stojącej za samymi chipami — procesu podzielonego między dwa bardzo różne biznesy: projektowanie chipa i jego produkcję.

Projektowanie: rysowanie obwodu przed zbudowaniem czegokolwiek

Firmy takie jak Nvidia nie prowadzą własnych fabryk chipów. Zgodnie z Instytutem Polityki i Strategii Sztucznej Inteligencji (IAPS), w modelu "fabless" Nvidia projektuje architekturę chipów i oprogramowanie — takie jak jej platforma CUDA — i polega na zewnętrznych odlewniach do produkcji. The Motley Fool opisuje GPU Nvidia jako sprzęt, który wykonuje pracę treningową i wnioskowania za modelami AI.

IAPS wyjaśnia, że projektowanie chipu rozpoczyna się od wysokopoziomowych wymagań, które architekci przekształcają w szczegółową logikę obwodów przy użyciu oprogramowania automatyzacji projektowania elektronicznego (EDA). Projektanci albo budują komponenty od podstaw, albo licencjonują gotowe "rdzenie IP", a następnie symulują i formalnie weryfikują projekt przed jego przekształceniem w pliki produkcyjne dopasowane do procesu konkretnej odlewni. IAPS stwierdza, że "projektowanie chipu jest trudnym i pracochłonnym procesem", zauważając, że tacy projektanci jak Nvidia i AMD zatrudniają dziesiątki tysięcy ludzi i że projektowanie najnowocześniejszego chipa AI może zająć rok lub więcej.

Produkcja: setki etapów na krzemowej płytce wafelkowej

Po ukończeniu projektowania przechodzi ono do odlewni — najczęściej TSMC z Tajwanu dla najbardziej zaawansowanych chipów AI. Produkcja rozpoczyna się od wysoko oczyszczonych płytek krzemowych o rozmiarze 300 mm i zestawu masek fotograficznych, które kodują wzorzec obwodu, według IAPS. Sama budowa chipa obejmuje setki powtarzających się etapów: depozycję warstw materiałów, ich formowanie za pomocą czułego na światło fotorezysty ekspozycji przez maski (fotolitografia), domieszki odcinków implantacją jonów w celu ustawienia ich właściwości elektrycznych, polerowanie powierzchni na płasko i dodanie warstw metalowych w celu połączenia komponentów razem.

Etap litografii zależy od maszyn ekstremalnego ultrafioletu (EUV) wytwarzanych wyłącznie przez holenderską firmę ASML. Zgłaszając wyniki trzeciego kwartału 2026 r. z 14 października, ASML stwierdziła, że sprzedaż osiągnęła 11,7 miliarda euro, wzrost o 55% rok do roku, a dochód netto przeszedł ponad dwukrotnie na 5 miliardów euro, według Euronews. Pomimo rekordowej sprzedaży i podwyższonych prognoz na 2026 r., ASML stwierdziła, że planowany wzrost zdolności produkcyjnych o 30% rocznie na lata 2027 i 2028 będzie niedostateczny do spełnienia zamówień klientów. Dyrektor generalny ASML Christophe Fouquet powiedział, że klienci teraz rezerwują maszyny lata wcześniej.

Pakowanie stało się nowym wąskim gardłem

Po wytworzeniu płytki wafelkowej jest ona cięta na poszczególne kryształy, testowana i montowana w gotowy pakiet — etap, który IAPS określa jako montaż, testowanie i pakowanie (ATP). W przypadku chipów AI ten krok ma teraz takie samo znaczenie jak sama produkcja. TSMC wykorzystuje technikę zwaną Chip-on-Wafer-on-Substrate (CoWoS) do ułożenia kryształu procesora razem z kilkoma stosami pamięci o wysokiej przepustowości na jednym interposarze, który, według IAPS, TSMC stosuje do chipów Nvidia H100. We październiku 2026 r. TSMC ogłosiła swoją mapę drogową obejmującą węzeł produkcji następnej generacji A13 i rozszerzone pakowanie CoWoS, twierdząc, że przyszły format CoWoS o rozmiarze "14-reticle" będzie integrować około dziesięciu dużych kryształów obliczeniowych z około 20 stosami pamięci HBM do 2028 roku.

Własne ogłoszenie mapy drogowej TSMC opisuje zaawansowane pakowanie CoWoS jako ekspansję w celu spełnienia popytu napędzanego AI, przesunięcie w kierunku formatu 14-reticle do 2028 roku i dalszą ekspansję w 2029 roku. Ta trajektoria wskazuje na szerszą zmianę w całym łańcuchu dostaw chipów AI — od produkcji krzemu w kierunku pakowania jako rosnącego ograniczenia — nawet gdy ASML, producent narzędzi litograficznych, a nie sprzętu do pakowania, nadal wykazuje rekordowy popyt na swoje maszyny.

AI jest również używany do budowy chipów

Nvidia i TSMC rozpoczęły stosowanie narzędzi AI wewnątrz samego procesu produkcyjnego. Zgodnie z ogłoszeniem samej firmy Nvidia, TSMC wykorzystuje oprogramowanie cuLitho firmy Nvidia do przyspieszenia litografii obliczeniowej — obliczenia potrzebne do projektowania masek fotograficznych — dostarczając to, co Nvidia opisuje jako 20–50% poprawę efektywności kosztów lub czasu cyklu w porównaniu z metodami opartymi na CPU. Firmy opisały również użycie biblioteki cuEST firmy Nvidia do symulacji chemii, narzędzi vision-AI do wykrywania defektów na linii produkcyjnej oraz projekt wirtualnej fabryki na wczesnym etapie zwany "FabTwin", zbudowany na platformie Omniverse firmy Nvidia, do testowania układów fab przed ich zbudowaniem.

Alternatywne projekty dla standardowego GPU

Nie każda firma podąża za architekturą Nvidia. The Motley Fool podaje, że Cerebras Systems buduje jeden gigantyczny chip — jego Wafer-Scale Engine — który opisuje jako 58 razy większy niż GPU Nvidia B200, łącząc dużą ilość obliczeń i pamięci na jednym kawałku krzemu, zamiast łączyć razem wiele mniejszych chipów. Cerebras mówi, że ten projekt daje szybkość wnioskowania do 15 razy szybszą niż systemy oparte na GPU dla niektórych obciążeń, podejście, które Fool postrzega jako bezpośredni wyzwanie projektowe dla dominującej pozycji Nvidia w sprzęcie AI.