IBM 0,7 nm-es chip: közel 100 milliárd tranzisztor körömnyi helyen

Az IBM bemutatott egy 0,7 nanométeres kutatási chipet, amely közel 100 milliárd tranzisztort zsúfol egy körömnyi lapkára. A trükk a „nanostack” felépítés: a korábbi, „fektetett” rétegek helyett egymásra pakolja őket, ami a cég mérései szerint gyorsulást és nagy energiahatékonyság-javulást hozhat. Termék még nem lesz belőle holnap, de jól mutatja, merre próbál menekülni az ipar az AI energiaéhsége elől.

Ha az AI-tól azt várod, hogy gyorsabb és olcsóbb legyen, a kulcs sokszor nem a szoftverben, hanem a szilícium „szobrászatában” van. Az IBM most egy olyan prototípust mutatott, ami kicsiben látványos, nagyban pedig a következő öt év egyik fontos irányát jelzi.

Mi történt

Az IBM bemutatott egy új, 0,7 nanométeres (nm) technológiára épülő chipet, amely közel 100 milliárd tranzisztort tartalmaz egy körömnyi felületen. A tranzisztor a chip alapkapcsolója: minél több fér el belőle ugyanakkora területen, annál több számítási „kapu” áll rendelkezésre — jellemzően jobb teljesítmény és/vagy alacsonyabb fogyasztás mellett.

A mostani fejlesztés a 2021-ben megmutatott 2 nm-es IBM-prototípushoz képest nem csak „kisebb szám a névben”. A korábbi megközelítésnél a tranzisztorok szerkezetét adó úgynevezett nanosheet (gondolj rá úgy, mint nagyon vékony, lapos „szalagokra” épülő csatornák) vízszintesen, egymás mellett helyezkedett el. Az új chip ehelyett egy nanostack architektúrát használ, ami ezeket a rétegeket függőlegesen egymásra pakolja. Olyan, mintha egy földszintes ház helyett társasházat építenél ugyanarra a telekre: a lábnyom nem nő, de több „szintet” kapsz.

A vállalat kísérletei alapján az új felépítés a 2 nm-es verzióhoz mérten akár 50% teljesítménynövekedést és 70% energiahatékonyság-javulást hozhat. Emellett az IBM azt is állítja, hogy a nanostack a SRAM területigényét 40%-kal csökkentheti. Az SRAM (statikus RAM) egy nagyon gyors, a processzorokhoz és AI-gyorsítókhoz közel használt memóriafajta; azért értékes, mert a számításoknál gyakran a memória elérése a szűk keresztmetszet.

Miért fontos

Az AI-modellek tanítása és futtatása brutális mennyiségű számítási kapacitást kér, ami végső soron áramot, hűtést és adatközponti infrastruktúrát jelent. Az energiahatékonyság ezért nem „szép extra”, hanem költség- és kapacitáskorlát: hiába akarsz gyorsabb rendszert, ha a fogyasztás és a hőtermelés miatt nem tudod ésszerűen skálázni. Ebben a kontextusban különösen beszédes az a megfogalmazás, amit a CNET AI Atlas idézett az IBM egyik vezetőjétől: mindenki több teljesítményt akar, de senki nem akarja kifizetni az áram számláját — a hardveres hatékonyság így közvetlenül az AI gazdaságosságáról szól.

Mire figyelj

Időhorizont: ez még nem piaci termék. Az IBM a japán Rapidus gyártópartnerrel dolgozik, és „öt éven belüli” gyártási pályát emleget — ezt érdemes úgy kezelni, mint ipari célkitűzést, nem naptárba írható ígéretet.
Mit jelent a „0,7 nm” a gyakorlatban: a csíkszélesség ma már részben márkanév jellegű. A lényeg itt az architektúra (nanostack) és a mérhető hatékonyság, nem az, hogy a szám mennyire „fizikailag” értendő.
SRAM és AI-gyorsítók: ha valóban kisebb SRAM-ot lehet építeni, ugyanakkora lapkaterületen több gyorsítót, több cache-t vagy jobb memória-közelséget lehet kialakítani — ez sok AI-feladatnál többet számít, mint a nyers órajel.

A következő években az lesz a döntő kérdés, hogy az ilyen kutatási prototípusokból mennyi fordítható át stabil, nagy darabszámú gyártásba úgy, hogy közben a teljesítmény–fogyasztás mérleg tényleg javuljon az adatközpontok valós terhelése alatt is.