כיצד כלי AI יכולים ללוות משימות תכנון, כתיבה, בדיקה ואימות, אך הדגיש כי בתעשיית השבבים האחריות נשארת אצל המהנדס
אבי סלמון , אוונגליסט החדשנות של אינטל הציג ב-ChipEx2026 מבט מעשי על אחד השינויים המעניינים שמתחילים להתרחש כיום בתעשיית השבבים: מעבר משימוש בבינה מלאכותית כמילת באזז כללית לשימוש יומיומי יותר בתהליכי תכנון, אימות ופיתוח חומרה. אם הקדימון להרצאה התמקד במקרה העבודה שבו מהנדס אחד הצליח, בעזרת AI, לבצע בתוך כשבועיים משימה שבעבר דרשה כמה סטודנטים במשך שני סמסטרים, ההרצאה עצמה חידדה נקודה רחבה יותר: השינוי אינו רק בקיצור זמן העבודה, אלא בשינוי תפקידו של המהנדס.
המסר המרכזי היה שה-AI אינו הופך את תכנון השבבים לפעולה אוטומטית ופשוטה. להפך. ככל שהכלים חזקים יותר, כך גדלה החשיבות של מי שמפעיל אותם. מהנדס חומרה צריך לדעת להגדיר את הבעיה, לפרק אותה לתת־משימות, לבקש מהמערכת תוצרים מדויקים, לבדוק אם הקוד או הלוגיקה אכן נכונים, ולתקן את הכיוון כאשר המודל מחזיר תוצאה שאינה מתאימה. במילים אחרות, ה-AI יכול להאיץ מאוד את העבודה, אך הוא אינו מחליף את ההבנה ההנדסית.
מהנדס כמכוון, לא רק כמבצע
בתהליכי תכנון שבבים יש שלבים רבים שאינם מסתכמים בכתיבת קוד. יש הגדרת דרישות, בחירת ארכיטקטורה, כתיבת לוגיקה, עבודה מול FPGA או סביבות סימולציה, בניית בדיקות, אימות התנהגות, טיפול במקרי קצה ותיעוד. חלק מהשלבים האלה כוללים עבודה סיזיפית וחוזרת, ולכן הם מתאימים במיוחד לסיוע של כלי AI. אבל דווקא משום שמדובר בתחום שבו טעות קטנה עלולה להיות יקרה מאוד, אסור לוותר על שכבת הבקרה האנושית.
בהרצאה עלו מושגים כמו logic design, validation, software, floating point calculation ו-FPGA. הם ממחישים שהדיון לא עסק רק בכתיבה כללית של טקסט או קוד, אלא באזור שבו תוכנה, חומרה, מתמטיקה ואימות נפגשים. זהו גם המקום שבו יתרונו של מהנדס מנוסה נעשה ברור: הוא יודע מתי תוצר נראה סביר אך אינו נכון, מתי יש צורך בבדיקה נוספת, ומתי המודל “ממציא” פתרון שאינו עומד בדרישות ההנדסיות.
אחד הלקחים החשובים הוא שהעבודה עם AI דומה פחות ללחיצה על כפתור ויותר לניהול תהליך. המהנדס אינו רק מבקש תשובה. הוא מגדיר את גבולות הבעיה, בוחן חלופות, מריץ בדיקות, מחזיר משוב למערכת ומוודא שהתוצאה משתלבת בתהליך התכנון הרחב. לכן, מיומנות העבודה עם AI הופכת בהדרגה לחלק מארגז הכלים של מהנדסי חומרה, לצד כלי EDA, סימולטורים ושפות תיאור חומרה.
בין חשיבה מהירה לחשיבה בודקת
בהרצאה הוזכר גם ההבחנה בין System 1 ו-System 2, המוכרת מספרו של דניאל כהנמן על חשיבה מהירה ואיטית. בהקשר של AI לתכנון שבבים, ההבחנה הזו מועילה במיוחד: כלי AI מסוגלים לייצר במהירות רעיונות, קוד, הסברים ותבניות עבודה. זו שכבת העבודה המהירה. אבל בתכנון שבבים אי אפשר להסתפק בכך. נדרש גם שלב איטי, ביקורתי ומבוקר יותר, שבו המהנדס בודק את ההיגיון, את הכיסוי, את הביצועים ואת ההתאמה לדרישות.
המשמעות היא שהשימוש הנכון ב-AI אינו מבטל את שלב האימות, אלא מעביר אליו משקל גדול עוד יותר. אם בעבר חלק גדול מזמן העבודה הוקדש לכתיבה ידנית של רכיבים, הרי שבעבודה עם AI יותר זמן עשוי לעבור לבדיקה, השוואה, תיקון והכוונה. זהו שינוי תרבותי לא פחות מטכנולוגי: המהנדס הופך ממי שמייצר כל שורה בעצמו למי שמנהל תהליך יצירה מואץ ומוודא שהוא עומד בסטנדרט הנדרש.
כאן גם נמצא ההבדל בין שימוש שטחי ב-AI לבין שימוש מקצועי. מהנדס שאינו מבין את התחום עלול לקבל תוצר משכנע למראה אך שגוי. מהנדס מנוסה, לעומת זאת, יכול להשתמש באותו כלי כדי להאיץ עבודה, להרחיב בדיקות, לנסות חלופות ולשפר תיעוד. לכן, ה-AI אינו מצמצם את הצורך במומחיות; הוא משנה את הדרך שבה המומחיות באה לידי ביטוי.
לא רק שבבים ל-AI, אלא AI לתכנון שבבים
ההרצאה של סלמון משתלבת במגמה רחבה יותר בתעשייה. בשנים האחרונות עיקר השיח עסק בשבבים שמריצים בינה מלאכותית: מעבדים, מאיצים, GPU, רכיבי תקשורת, זיכרון ותשתיות למרכזי נתונים. אבל כעת ה-AI נכנס גם לצד השני של המשוואה – אל תהליכי הפיתוח של השבבים עצמם.
זהו שינוי חשוב במיוחד בתקופה שבה מרכזי נתונים ל-AI דורשים ביצועים גבוהים יותר, רוחב פס גדול יותר, צריכת הספק נמוכה יותר ויכולת הרחבה בין מערכות רבות. מושגים כמו scale up ו-scale out, שעלו בהרצאה, אינם רק עניין של ארכיטקטורת מרכזי נתונים. הם משפיעים גם על סוג השבבים שיש לתכנן, על הממשקים ביניהם, על עומסי התקשורת, על הזיכרון ועל מערכות האימות שנדרשות כדי לוודא שהכול עובד יחד.
במובן הזה, AI יוצר דרישה לשבבים מורכבים יותר, ובמקביל מתחיל לספק כלים שעוזרים לתכנן אותם. התעשייה נכנסת למעגל שבו הבינה המלאכותית גם מגדילה את הצורך בחומרה מתקדמת וגם הופכת לחלק מתהליך העבודה שמאפשר לפתח חומרה כזו.
ההזדמנות והסיכון
עבור חברות כמו אינטל, המשמעות כפולה. מצד אחד, יש כאן אפשרות לשפר את יעילות הפיתוח, לקצר חלק מהשלבים ולסייע למהנדסים להתמודד עם עומס הולך וגדל של משימות. מצד שני, הטמעה לא זהירה של AI בתהליכי תכנון עלולה לייצר תחושת ביטחון מדומה. בתעשיית השבבים, תוצאה שנראית נכונה אינה מספיקה. היא חייבת לעבור אימות, סימולציה ובדיקה מול דרישות ברורות.
לכן, הגישה שהוצגה בהרצאה הייתה מעשית וזהירה. לא חזון שבו AI מתכנן שבב לבדו, אלא תהליך שבו מהנדס משתמש בו ככלי עבודה חזק. זהו כלי שיכול להאיץ כתיבה, להציע מבנים, לסייע בבדיקות, לנסח הסברים ולשפר תיעוד, אך אינו מחליף אחריות הנדסית.
הלקח המרכזי מההרצאה הוא שתעשיית השבבים אינה עומדת רק בפני שינוי במוצרים שהיא מפתחת, אלא גם בשיטת העבודה של מי שמפתחים אותם. מהנדסי שבבים יידרשו להבין לא רק חומרה, תוכנה ואימות, אלא גם כיצד לעבוד נכון עם מודלים של AI. מי שישלוט בשילוב הזה יוכל לעשות יותר, מהר יותר, ובמידת זהירות גבוהה יותר.
בסופו של דבר, השאלה אינה אם AI ייכנס לתכנון שבבים, אלא איך הוא ייכנס. ההרצאה של סלמון הציעה תשובה ברורה: לא כתחליף למהנדס, אלא כמכפיל כוח למהנדס שמבין היטב מה הוא עושה.
