Styrking av USAs chipproduksjon – Nøkkelen til AI-lederskap

I flere uker har overskriftene skreket om den nærmende trusselen og den potensielle innvirkningen av at USA innfører importtoll på halvledere. Å være ærlig, tror jeg ikke at disse tollene noen gang vil bli innført, fordi de ville føre til så stor forstyrrelse i leveringskjeden, og de ubehagelige effektene av dette er fortsatt alt for ferske i vår erindring fra COVID-19. Hvem kan glemme de titusener av ubrukte biler som ble stranded på bilprodusentenes områder. Sikkert ønsker ingen en gjentakelse av dette!

Det sagt, tror jeg at det likevel er nødvendig for amerikanske bedrifter og den amerikanske økonomien som helhet å bli mer robuste og selvstendige når det gjelder halvlederproduksjon, og jeg applauderer disse innsatsene. Her skal vi se på hvorfor denne selvstendigheten er så viktig, spesielt når det gjelder USAs evne til å opprettholde sin (nåværende smale) lederskap i statens kunstig intelligens (AI).

AI-konkurransen er, i sin kjernel, en chip-konkurranse

Halvledere er avgjørende for å drive servere som trener AI-modeller, da trening av disse modellene krever en spesialisert styrke som bare halvledere (i motsetning til tradisjonelle prosessorer) kan levere. Det estimeres at ved slutten av dette året, vil AI-relaterte halvledere utgjøre 19 prosent av den totale halvledermarkedet globalt, en betydelig økning fra de syv prosent som ble holdt i 2017.

Økt avhengighet av halvledere for AI betyr at jo mindre USA avhenger av utenlandske enheter for halvlederforsyning, jo bedre. Mens den globale AI-konkurransen varmer opp, tilbyr innenlands halvlederproduksjon betydelige fordeler som økt økonomisk og nasjonal sikkerhet, samt teknologisk uavhengighet. For tiden er det en lovbekreftelse som går gjennom Kongressen kalt “Securing Semiconductor Supply Chains Act of 2025“, som har bipartisk støtte og er rettet mot å redusere avhengigheten av uforutsigbare utenlandske leveringskjeder.

Hvordan gjør vi det?

Som svar på trusselen om mulige amerikanske importtoll, har mange uttrykt bekymring for at USA i sin nåværende tilstand, er dårlig utrustet til å håndtere den skykende halvlederetterspørselen som drives av generativ AI og AI-datacenter-bygging. Forretningsbruk av AI, som kodning og programvareutvikling, er spesielt risikable. Enhver forstyrrelse i halvledertilgangen kan utløse en rippleffekt over avhengige applikasjonsområder, inkludert AI og nedstrømsmarkeder som autonome kjøretøy, edge-computing og robotikk.

USAs evne til å drive innovasjon over halvlederavhengige industrier, inkludert AI, vil kreve en akselerasjon av materiaoppdagelse. Den “gamle måten” å oppdage og adoptere materialer var vanligvis konsentrert i utenlandske fabrikker og involverte flertrinnsprosesser som fotolitografi, etsing, deponering og rene rom. Dette kan være en langsom og dyrek prosess, som fører til lange designsykluser og betydelig materialemballasje.

For å bedre møte halvlederetterspørselen innenlands, må USA dra nytte av fremgangene i chipdesign, en teknikk som kalles direkte lokal atomlagprosessering. Dette er en digital, atomisk presis prosess som bygger enheter direkte fra atomer, og eliminerer behovet for de mange trinnene i den tradisjonelle prosessen, samtidig som kompleksiteten og avfallet reduseres. Den tilbyr utenforliggende fleksibilitet og presisjon for å designe og prototypere en rekke mikroenheter, inkludert AI-halvledere.

Ved å aktivere atomisk presisjon og kontroll over materialemballasje, kan teknologier som direkte lokal atomlagprosessering akselerere designsykluser og prototypering, og hjelpe med å finne nye materialer eller kombinasjoner av materialer som kan tilfredsstille de stadig økende beregningsbehovene til AI.

Økning av innenlandsk produksjon samtidig som vi forblir kommet til miljø og menneskehelse

Som en ekstra (og ikke ubetydelig) fordel, kan nye teknologier også dramatisk redusere den miljømessige innvirkningen av halvlederproduksjon. Til dags dato har denne industrien stått overfor en alvorlig dilemma på grunn av sin store miljøavtrykk, som bidrar betydelig til drivhusgassutslipp, vannforbruk og kjemisk avfall, spesielt giftige “evig-kjemikalier” kjent som PFAS. Disse er kjemikalier som forurenser vann, brytes ikke ned og forblir i miljøet (og i mennesker!) i tiår.

Det er ingen overraskelse at nylige føderale handlinger som Building Chips in America Act og CHIPS Act har vakt betydelige miljømessige bekymringer. Ved å kutte tiden som trengs for å designe, prototypere og produsere chip – og eliminere behovet for kjemisk-intensivt rene rom – kan nye teknologier være svaret på å tilfredsstille etterspørselen og skalerer ansvarlig ved hjelp av innenlandske ressurser, og uten å kompromittere miljø og menneskehelse.

Utnytting av USAs kollektive ressurser

I tillegg til å innføre nye produksjonsteknologier, må USA oppdatere sin overordnede tilnærming. Dette innebærer å gå bort fra en modell som består i å offshorisere produksjonen til en håndfull store fabrikker, og i stedet å utnytte nasjonens omfattende og rike arsenal av ledende universiteter, startup-selskaper og industrielle FoU-selskaper til å samarbeide, akselerere oppdagelse og støtte hele “lab-to-fab”-prosessen (forskning, prototypering og produksjon). Dette kan alle oppnås samtidig som kostnadene holdes i sjakk og muliggjørende teknologier integreres direkte i disse organisasjonenes infrastrukturer.

Seende fremover

Forholdet mellom AI og halvledere er virkelig symbiotisk. Som vi har nevnt, er halvledere avgjørende for å drive servere som trener AI-modeller; på den andre siden, akselererer AI betydelig oppdagelsen av nye halvledermaterialer ved å bruke maskinlæring til å forutsi egenskapene til nye materialer og akselerere designprosessen. Denne tilnærmingen, kjent som invers materialegenskapsdesign, lar forskerne designe materialer med spesifikke målrettede egenskaper, som forbedret ledningsevne, energi-effektivitet og bærekraft.

Akselerere oppdagelsen av nye materialer er en av de tøffeste utfordringene i halvlederproduksjon, selv om det er spesielt krevende for AI-halvledere, ettersom industrien søker å konstant øke beregningskraft, effektivitet og hastighet, samtidig som chip-størrelsen reduseres.

Mens AI kan brukes til å forutsi egenskapene til nye, teoretiske materialer, har disse gjennombruddene tradisjonelt vært begrenset av den langsomme takten i fysisk validering. Nye teknologier kan brukes til å støtte høy-gjennomstrømmings-eksperimentering, og hjelpe med å lukke gapet; muliggjørende raskere, mer målrettede materialemballasje, og til slutt å låse opp den neste generasjonen av materialer. Kombinere nye teknologier som direkte atomlagprosessering med AI-kraften har kraften til å gjøre magi, dramatisk akselerere utviklingen av gjennombrudd som aldri før var tenkt å være mulig, alt sentralt innen USAs egne nasjonale grenser.