Huawei söker en ny väg runt chipindustrins fysiska och geopolitiska flaskhalsar

Från mindre transistorer till kortare väntetid

Huawei försöker inte trolla bort halvledarfysikens begränsningar. I stället vill företaget ändra vad som räknas som framsteg.

I decennier har chipindustrin framför allt tävlat om att göra transistorer mindre. Mindre komponenter kan packas tätare, vilket i sin tur kan ge högre prestanda och bättre energieffektivitet. Men när dimensionerna närmar sig atomskala blir varje ytterligare steg svårare – och dyrare. Samtidigt begränsas Kinas tillgång till ASML:s mest avancerade litografimaskiner av amerikanska exportkontroller.

Huaweis svar är Tau Scaling Law, en princip som flyttar fokus från geometrisk krympning till tid – den grekiska bokstaven τ, tau. Målet är att minska den tid det tar för signaler och data att färdas genom ett chip och mellan olika delar av ett större datorsystem.

Det handlar bland annat om kortare förbindelser, mindre kommunikationsfördröjning, effektivare minnesåtkomst och bättre samordning mellan beräkningsenheter. På så sätt hoppas Huawei kunna förbättra systemets faktiska prestanda även om företaget inte har samma tillgång till den allra mest avancerade tillverkningstekniken.

Det betyder dock inte att transistorstorlek eller litografi plötsligt saknar betydelse. Tau Scaling är snarare ett försök att flytta en större del av optimeringen till arkitektur, paketering, kretsdesign och mjukvara.

LogicFolding blir det första praktiska testet

Huaweis arkitektur LogicFolding ska enligt företaget förverkliga Tau-principen genom att organisera logik, minne och andra kretsdelar mer vertikalt och därmed minska avstånden som signalerna måste färdas. Den första smartphoneprocessorn som bygger på tekniken väntas lanseras i september i ett nytt Kirin-chip.

Det är den punkt där stora påståenden måste möta mätbara resultat. Ett chip i en kommersiell telefon kan visa om arkitekturen fungerar i praktiken, men ett lanseringsdatum är inte i sig ett tekniskt bevis.

Branschens analytiker kommer bland annat att behöva undersöka:

• vilken tillverkningsprocess och vilken produktionskapacitet chipet faktiskt använder,
• hur hög tillverkningsutbytet är, alltså hur stor andel av chipen som fungerar,
• CPU-, GPU- och NPU-prestanda,
• energiförbrukning, värmeutveckling och långvarig belastning,
• hur paketering och minnessystem är utformade,
• samt verklig uthållig prestanda jämfört med ledande konkurrenter – inte bara toppresultat i korta benchmarktester.

Om resultatet är starkt skulle det visa att arkitektur och systemintegration kan minska prestandagapet trots svagare tillgång till avancerad tillverkning. Det skulle däremot inte bevisa att Huawei har ersatt EUV-litografi eller upphävt de ekonomiska fördelarna med att krympa transistorer.

Två sätt att beskriva AI-industrin

Huaweis halvledarforskare Liao Heng har också presenterat en modell av AI-värdekedjan som en 18-våningspagod. Den ska jämföras med Nvidias vd Jensen Huangs mer övergripande bild av AI som en femlagers tårta.

Huangs modell består av:

1. energi,
2. chip,
3. datorsystem och infrastruktur,
4. molntjänster och AI-modeller,
5. applikationer.

Det är en lättbegriplig, industriell karta över hur värde och kapacitet byggs från elförsörjning till färdiga AI-tjänster.

Liaos pagod bryter i stället ned samma kedja ur ett ingenjörs- och produktionsperspektiv. Den omfattar beroenden från teori, energi, gruvdrift och råmaterial till kisel, transistor- och processteknik, waferproduktion, litografi, utrustning och avancerad paketering. Högre upp finns chiparkitektur, kompilatorer, körmiljöer, operatoruppdelning, kvantisering, AI-träning, grundmodeller, agenter, produkter och kommersiella tillämpningar.

Poängen är inte nödvändigtvis att modellerna motsäger varandra. Snarare visar pagoden sådant som döljs bakom de breda orden ”chip”, ”infrastruktur” och ”modell”.

Den svagaste länken sätter taket

Liaos resonemang om den ”kortaste” eller svagaste våningen är i grunden systemteknik. Den mest avancerade AI-modellen kan inte kompensera för otillräcklig elförsörjning, för låg minnesbandbredd, ineffektiv paketering, dåligt tillverkningsutbyte, svaga utvecklingsverktyg eller långsam kommunikation mellan chip.

Systemets genomströmning, kostnad och driftsäkerhet begränsas därför av den beroendekedja som fungerar sämst. En snabb accelerator räcker inte om data inte kan matas fram tillräckligt snabbt eller om mjukvaran inte kan utnyttja hårdvaran effektivt.

Det är också därför Huawei betonar samarbete mellan lagren. Chipdesign, minne, nätverk, kompilatorer, körmiljö, modellkomprimering och distribuerad träning måste utvecklas tillsammans. En sådan vertikal samordning kan minska tiden då beräkningsenheter väntar på data eller på varandra.

Många mindre chip i stället för ett fåtal ledande

En viktig del av strategin är att bygga kluster med många inhemskt tillgängliga acceleratorer som var och en kan vara mindre kraftfull än Nvidias främsta alternativ. Genom att samdesigna hårdvara och mjukvara hoppas Huawei få ut högre systemprestanda än vad ett enskilt chip skulle antyda.

Det kan fungera väl för arbetslaster som lämpar sig för parallell beräkning. Men lösningen har ett pris: större energibehov, högre nätverksbelastning, mer komplicerad programvara och högre krav på drift och felsökning än system som använder färre, kraftfullare acceleratorer.

Den tillgängliga rapporteringen stödjer att detta är en central del av Huaweis strategi. Däremot saknas fortfarande tillräcklig oberoende verifiering för att slå fast att Huaweis kluster matchar ledande Nvidia-system i bred, uthållig användning.

En inhemsk kinesisk AI-kedja

Den bredare ambitionen är att bygga ett mer sammanhängande kinesiskt ekosystem: chipdesign och tillverkning, minne, paketering, AI-ramverk och systemintegration. Om importrestriktioner stoppar en enda våning i kedjan kan hela systemets kapacitet begränsas. Därför blir det strategiskt viktigt att utveckla flera lager parallellt och få dem att fungera tillsammans.

Marknadsdata visar att den utvecklingen redan påverkar konkurrensen i Kina. Enligt IDC-data som Reuters rapporterat om stod kinesiska GPU- och AI-chipföretag sammantaget för omkring 41 procent av marknaden för AI-acceleratorservrar i Kina 2025. Nvidia var fortfarande störst med 55 procent. Exportkontroller och en starkare satsning på lokala leverantörer är viktiga drivkrafter bakom förändringen.

Huawei försöker alltså inte lämna fysiken bakom sig. Företaget försöker flytta konkurrensen till områden där en mer vertikalt integrerad nationell industribas kan väga upp en nackdel inom avancerad litografi: arkitektur, paketering, programvara, minne och samordning på klusternivå.

Det återstår att se hur långt den vägen räcker. Septembertelefonen och det nya Kirin-chipet blir ett konkret första test – men den verkliga frågan är om Huawei kan göra systemintegration till en varaktig ersättning för den processkrympning som hittills har drivit halvledarindustrin framåt.