این روزها کمتر کسی است که نام هوش مصنوعی (AI) و انقلاب پیش روی آن را نشنیده باشد. از تولید محتوای خلاقانه گرفته تا تحلیل دادههای پیچیده و توسعه نرمافزارهای نوین، هوش مصنوعی با سرعتی شگفتانگیز در حال دگرگون کردن صنایع مختلف است. اما در پس این پیشرفتهای خیرهکننده، یک حقیقت بنیادین نهفته است: بدون تراشههای پیشرفته (نیمههادیها)، رویای هوش مصنوعی به سرانجام نمیرسد. ایالات متحده که خود را پیشتاز این عرصه میداند، برای حفظ و تقویت این جایگاه، نگاه ویژهای به تولید داخلی نیمههادیها دارد، چرا که رهبری در هوش مصنوعی، در گروی خودکفایی و نوآوری در فناوری ساخت تراشه است.
بحث تعرفههای وارداتی آمریکا بر نیمههادیها چندی است که در صدر اخبار قرار گرفته، اما حقیقت آن است که اعمال چنین تعرفههایی با توجه به اختلالات گستردهای که در زنجیره تامین ایجاد میکند و خاطره تلخ آن از دوران کرونا و دهها هزار خودروی نیمهتمام در پارکینگ کارخانهها هنوز تازه است، بعید به نظر میرسد. با این حال، این مباحث اهمیت تابآوری و خوداتکایی بیشتر کسبوکارها و اقتصاد آمریکا در حوزه تولید نیمههادی را بیش از پیش آشکار کرده است.
رقابت در هوش مصنوعی، در هسته خود، رقابت بر سر تراشههاست
نیمههادیها برای تامین انرژی سرورهایی که مدلهای هوش مصنوعی را آموزش میدهند، حیاتی هستند. آموزش این مدلها به قدرت پردازشی فوقالعادهای نیاز دارد که تنها نیمههادیهای تخصصی (و نه پردازندههای سنتی) قادر به ارائه آن هستند. تخمین زده میشود که تا پایان سال جاری میلادی، سهم تراشههای مرتبط با هوش مصنوعی از کل بازار جهانی نیمههادیها به ۱۹ درصد برسد، که افزایش چشمگیری نسبت به سهم ۷ درصدی آن در سال ۲۰۱۷ نشان میدهد.
این اتکای روزافزون به نیمههادیها برای توسعه هوش مصنوعی به این معناست که هرچه ایالات متحده وابستگی کمتری به تامینکنندگان خارجی برای عرضه تراشه داشته باشد، وضعیت مطلوبتری خواهد داشت. با داغتر شدن رقابت جهانی در عرصه هوش مصنوعی، تولید داخلی نیمههادیها مزایای قابل توجهی مانند تقویت امنیت اقتصادی و ملی، و همچنین استقلال فناورانه را به همراه دارد. در حال حاضر، لایحهای به نام «قانون تضمین زنجیره تامین نیمههادیها ۲۰۲۵» با حمایت دو حزبی در کنگره در حال تصویب است که دقیقاً با هدف کاهش وابستگی به زنجیرههای تامین خارجی غیرقابل پیشبینی تدوین شده است.
چگونه میتوان به این هدف دست یافت؟ چالشها و راهحلها
در واکنش به تهدید تعرفههای احتمالی، بسیاری ابراز نگرانی کردهاند که ایالات متحده در وضعیت فعلی، آمادگی لازم برای پاسخگویی به تقاضای سرسامآور تراشهها، به ویژه با رشد هوش مصنوعی مولد و ساخت دیتاسنترهای عظیم AI را ندارد. کاربردهای تجاری هوش مصنوعی، مانند کدنویسی و توسعه نرمافزار، به طور خاص در معرض خطر هستند. هرگونه اختلال در دسترسی به نیمههادیها میتواند اثرات دومینویی بر صنایع وابسته از جمله خود هوش مصنوعی و بازارهای پاییندستی مانند خودروهای خودران، محاسبات لبه (Edge Computing) و رباتیک داشته باشد.
توانایی ایالات متحده برای پیشبرد نوآوری در صنایع وابسته به نیمههادی، از جمله هوش مصنوعی، نیازمند تسریع در کشف مواد جدید است. روشهای سنتی کشف و تولید مواد نیمههادی، که معمولاً در کارخانههای ریختهگری (Foundries) خارج از کشور متمرکز بوده و شامل فرآیندهای چند مرحلهای مانند فوتولیتوگرافی، اچینگ (زدایش)، رسوبگذاری و اتاقهای تمیز (Clean Rooms) است، میتواند فرآیندی کند، پرهزینه و با اتلاف مواد قابل توجه همراه باشد.
برای پاسخگویی بهتر به تقاضای داخلی نیمههادیها، ایالات متحده باید از پیشرفتهای صورت گرفته در طراحی تراشه بهره ببرد. یکی از این تکنیکهای نوین، «پردازش مستقیم لایه اتمی محلی» (Direct Local Atomic Layer Processing) است. این یک فرآیند ساخت دیجیتال با دقت اتمی است که دستگاهها را مستقیماً از اتمها میسازد و نیاز به بسیاری از مراحل فرآیند ساخت سنتی را از بین میبرد، ضمن اینکه پیچیدگی و ضایعات را نیز کاهش میدهد. این روش انعطافپذیری و دقت بیسابقهای را برای طراحی و نمونهسازی اولیه انواع ریزابزارها، از جمله تراشههای هوش مصنوعی، فراهم میکند. فناوریهایی مانند پردازش مستقیم لایه اتمی محلی، با ایجاد دقت و کنترل در مقیاس اتمی بر فرآیندهای مواد، میتوانند به طور قابل توجهی چرخههای طراحی و نمونهسازی اولیه را تسریع بخشند و به یافتن مواد جدید یا ترکیبات جدیدی از مواد که بتوانند نیازهای محاسباتی روزافزون هوش مصنوعی را برآورده کنند، کمک کنند.
افزایش تولید داخلی امریکا با تعهد به سلامت انسان و محیط زیست
به عنوان یک مزیت اضافی (و نه کماهمیت)، تکنیکهای جدید همچنین میتوانند به طور چشمگیری اثرات زیستمحیطی تولید نیمههادی را کاهش دهند. صنعت نیمههادی تاکنون به دلیل ردپای زیستمحیطی بزرگ خود، از جمله سهم قابل توجه در انتشار گازهای گلخانهای، مصرف آب و تولید پسماندهای شیمیایی، به ویژه مواد شیمیایی سمی پایدار موسوم به PFAS (موادی که آب را آلوده میکنند، تجزیه نمیشوند و برای دههها در محیط زیست و بدن انسان باقی میمانند)، با چالشهای جدی مواجه بوده است.
جای تعجب نیست که اقدامات اخیر فدرال مانند «قانون ساخت تراشه در آمریکا» و «قانون تراشهها (CHIPS Act)» نگرانیهای زیستمحیطی قابل توجهی را برانگیختهاند. تکنیکهای جدید با کاهش چشمگیر زمان طراحی، نمونهسازی و ساخت تراشهها و حذف نیاز به محیطهای اتاق تمیز با مصرف بالای مواد شیمیایی میتوانند پاسخی به این دغدغهها باشند و تقاضا را با استفاده مسئولانه از منابع داخلی و بدون به خطر انداختن سلامت انسان و محیط زیست، برآورده سازند.
بسیج منابع ملی امریکا: فراتر از کارخانههای بزرگ
علاوه بر بهکارگیری تکنیکهای نوین تولید، ایالات متحده باید رویکرد کلی خود را نیز بهروز کند. این به معنای فاصله گرفتن از مدل سنتی برونسپاری گسترده تولید به تعداد انگشتشماری از کارخانههای چند میلیارد دلاری خارجی، و حرکت به سمت بهرهگیری از زرادخانه غنی و جامع دانشگاههای پیشرو، استارتاپها و شرکتهای تحقیق و توسعه صنعتی داخلی برای همکاری، تسریع اکتشافات و پشتیبانی از کل فرآیند «از آزمایشگاه تا کارخانه» (تحقیق، نمونهسازی اولیه و تولید) است. تمامی این اهداف میتواند ضمن کنترل هزینهها و ادغام مستقیم فناوریهای توانمندساز در زیرساختهای این سازمانها محقق شود.
نگاه به آینده: همزیستی هوش مصنوعی و تراشه
رابطه بین هوش مصنوعی و نیمههادیها کاملاً همزیستانه است. همانطور که اشاره شد، نیمههادیها برای تامین انرژی سرورهایی که مدلهای هوش مصنوعی را آموزش میده دهند، حیاتی هستند. از سوی دیگر، هوش مصنوعی با استفاده از یادگیری ماشین برای پیشبینی خواص مواد جدید و تسریع فرآیند طراحی، به طور قابل توجهی کشف مواد نیمههادی را سرعت میبخشد. این رویکرد، موسوم به «طراحی معکوس مواد» (inverse materials design)، به محققان اجازه میدهد موادی با خواص هدفمند خاص، مانند رسانایی بهبود یافته، بهرهوری انرژی و پایداری بیشتر، طراحی کنند.
تسریع کشف مواد جدید یکی از سختترین چالشها در تولید نیمههادی باقی مانده است، اگرچه این امر به ویژه برای تراشههای هوش مصنوعی که صنعت به طور مداوم به دنبال افزایش قدرت محاسباتی، کارایی و سرعت در کنار کاهش اندازه تراشه است، اهمیت بیشتری دارد.
در حالی که میتوان از هوش مصنوعی برای پیشبینی خواص مواد نظری جدید استفاده کرد، این پیشرفتها به طور سنتی همچنان با سرعت پایین اعتبارسنجی فیزیکی محدود شدهاند. تکنیکهای جدید میتوانند از آزمایشهای با توان عملیاتی بالا (high-throughput experimentation) پشتیبانی کرده و به پر کردن این شکاف کمک کنند؛ این امر امکان توسعه سریعتر و هدفمندتر مواد را فراهم کرده و در نهایت نسل بعدی مواد را پدیدار میسازد.
ترکیب قدرت هوش مصنوعی با تکنیکهای نوینی مانند پردازش مستقیم لایه اتمی، این پتانسیل را دارد که جادو کند و توسعه پیشرفتهایی را که پیش از این هرگز ممکن به نظر نمیرسید، به طور چشمگیری تسریع بخشد – و همه اینها در مرزهای ملی خود ایالات متحده متمرکز شود. برای ایالات متحده، این مسیر نه تنها به معنای حفظ رهبری در هوش مصنوعی، بلکه به معنای تضمین آیندهای امنتر، مستقلتر و نوآورانهتر در عرصه فناوری است؛ آیندهای که در آن، قلب تپنده هوش مصنوعی، در خاک آمریکا و با دستان آمریکایی ساخته میشود.
