Het Amerikaanse Aehr Test Systems meldt een order van 14 miljoen dollar voor het testen van AI-processors. De systemen worden ingezet om chips voor datacenters betrouwbaarder te maken. De opdracht is deze week aangekondigd en komt uit de halfgeleidersector. De vraag groeit doordat generatieve algoritmen steeds meer rekenkracht vragen.
Vraag naar AI-tests stijgt
De wereldwijde honger naar rekenkracht voor kunstmatige intelligentie zorgt voor extra druk op de chipketen. AI-processors werken op hoge snelheid en temperatuur, waardoor het risico op uitval toeneemt. Daarom vragen fabrikanten meer en zwaardere tests voor levering. Deze order onderstreept die verschuiving richting strengere kwaliteitscontrole.
De testfase schuift bovendien eerder in het productieproces. Door al op wafer-niveau fouten te vangen, gaat minder kostbaar materiaal verloren. Dit verkort de doorlooptijd naar het datacenter. Het verlaagt ook de kans op storingen bij uitrol.
Voor leveranciers van testapparatuur betekent dit meer vraag naar capaciteit. Niet alleen voor eindtest, maar juist voor langdurige stresstests. Dat vraagt om schaalbare platforms en specialistische fixturen. Fabrikanten zoeken daarbij naar kostenbeheersing per geteste chip.
Klant niet publiek genoemd
De opdrachtgever is niet bij naam genoemd, wat gebruikelijk is in de halfgeleidersector. Grote chipontwerpers en foundries hanteren strikte vertrouwelijkheid. Zij willen geen inzicht geven in volumes of timing richting concurrenten. Het maakt de marktdynamiek minder transparant voor buitenstaanders.
Wel is duidelijk dat het om productiegerichte inzet gaat, niet alleen om onderzoek. Dat wijst op een commerciële uitrol van nieuwe AI-chips of chiplets. Zulke programma’s lopen vaak over meerdere kwartalen. Leveringen en installaties worden gefaseerd opgeschaald.
De markt voor testen is bovendien competitief en gefragmenteerd. Spelers als Advantest en Teradyne domineren eindtest, terwijl Aehr zich richt op zogeheten burn-in eerder in de keten. Dat nicheprofiel kan aantrekkelijk zijn bij snel opschalen. Het verkleint het risico op vroege uitval bij nieuwe chipontwerpen.
Wafer-level burn-in uitgelegd
Een wafer is een ronde plak silicium waarop honderden chips tegelijk worden gemaakt. Burn-in is een stresstest waarbij chips kort op hogere temperatuur en spanning draaien. Het doel is ‘kinderziektes’ vroeg te vinden. Zo belanden zwakke exemplaren niet in servers.
Een burn-in test belast chips tijdelijk extra zwaar om vroege uitval op te sporen, vaak al terwijl ze nog op de wafer zitten.
Testen op wafer-niveau verlaagt de kosten per onderdeel. Een fabrikant kan in één run veel chips tegelijk screenen. Dat scheelt tijd en dure verpakking. Het verbetert de opbrengst van latere processtappen.
De aanpak kent ook grenzen. Niet elke latere fout laat zich vooraf uitlokken. Daarnaast vragen lange tests om veel energie en koeling. Daarom zoeken leveranciers naar de juiste balans tussen testduur en risicoverlaging.
Europese impact en AI-verordening
Voor Europa is de extra testvraag relevant voor de eigen toeleveringsketen. Bedrijven als ASML, ASM International, BE Semiconductor en NXP vormen hier een sterk cluster. Meer testen betekent vaak meer investeringen in verpakkings- en backend-capaciteit, ook in de EU. Dat sluit aan op de Europese Chips Act, die productie en testen dichter bij huis wil brengen.
De Europese AI-verordening (AI Act) richt zich op risico’s van algoritmen, niet op hardwaretests. Toch speelt betrouwbaarheid van systemen ook daar een rol, zeker in hoogrisico-toepassingen. Overheden en cloudproviders in de EU willen stabiele en energiezuinige datamodellen. Strakkere testregimes helpen om uitval en energieverspilling te beperken.
Voor Nederland is er nog een extra haakje: het debat over datacenter-energie. Gemeenten stellen grenzen aan verbruik en restwarmtegebruik. Betere, zuiniger hardware en robuuste chips passen in dat beleid. Grondige tests zijn daarvoor een praktische voorwaarde.
Betrouwbaarheid en kostenafweging
Datacenters kunnen storingen in AI-rekensessies slecht verdragen. Een enkele defecte processor kan hele trainingsruns doen mislukken. De kosten daarvan zijn hoog, in tijd en energie. Daarom betalen klanten liever vooraf voor strengere screening.
Tegenover die winst staan extra testkosten en langere cycli. Fabrikanten optimaliseren daarom testprofielen en selecteren kritieke metingen. Ze combineren snelle checks met doelgerichte stresstests. Zo houden ze de kosten per datamodel of inferentieservice beheersbaar.
Bij dure AI-accelerators wegen kleine kwaliteitsverbeteringen snel op tegen de meerprijs. Elke procentpunt hogere opbrengst telt. Naarmate Europese cloudregio’s uitbreiden, groeit de vraag naar bewezen betrouwbare hardware. Deze order laat zien dat die verschuiving nu al in de teststraat begint.
