תא עצב יחיד בקליפת המוח האנושית עשוי לבצע חישובים מורכבים בהרבה מן הפעולה הפשוטה של חיבור אותות והפקת תגובת "כן או לא". כך עולה ממחקר של חוקרים מהאוניברסיטה העברית ומאוניברסיטת אמסטרדם, שהשתמשו ברשתות עצביות מלאכותיות כדי למדוד את המורכבות החישובית של נוירונים ביולוגיים.

במקום לבדוק רק את מספר הקשרים של כל תא או את המבנה הפיזי שלו, החוקרים שאלו עד כמה קשה לרשת עצבית מלאכותית ללמוד לחקות את הקשר בין הקלט שמקבל תא העצב לבין התגובה החשמלית שהוא מפיק. ככל שנדרשה רשת מלאכותית עמוקה ומורכבת יותר כדי לחקות את התא, כך הוערכה המורכבות החישובית של הנוירון כגבוהה יותר.

המחקר נערך בידי עידו אייזנבוד, דניאלה יואלי ודוד בניאגייב, בהנחיית פרופ' מיקי לונדון ופרופ' עידן שגב מהמרכז למדעי המוח על שם אדמונד ולילי ספרא באוניברסיטה העברית. במחקר השתתף גם פרופ' כריסטיאן דה קוק מהאוניברסיטה החופשית של אמסטרדם. הוא פורסם בכתב העת PNAS.

"אנשים נוטים לחשוב על נוירון כעל מתג פשוט שנדלק או כבה", אמר פרופ' שגב. "מה שאנחנו מראים הוא שתא עצב אנושי יחיד הוא בעצמו התקן חישובי מתוחכם להפליא".

הנוירון אינו רק שער לוגי

היחידות הבסיסיות ברוב הרשתות העצביות המלאכותיות פשוטות יחסית: הן מקבלות מספר ערכי קלט, מכפילות אותם במשקלים, מחברות את התוצאות ומעבירות את הפלט לשכבה הבאה.

תא עצב ביולוגי פועל בצורה מורכבת יותר. הוא מקבל אלפי אותות באמצעות סינפסות המפוזרות לאורך דנדריטים – שלוחות מסועפות היוצאות מגוף התא. התוצאה אינה נקבעת רק לפי עוצמת האותות, אלא גם לפי מיקומם, העיתוי שבו הגיעו, הצירוף ביניהם והתכונות החשמליות של הענפים השונים.

אותות המגיעים יחד לענף דנדריטי אחד יכולים להפיק תגובה שונה מאותם אותות כשהם מגיעים לאזורים שונים בתא. כתוצאה מכך, עיבוד משמעותי של המידע מתרחש עוד לפני שהאות מגיע לגוף התא ולנקודה שבה הנוירון מחליט אם להפיק דחף חשמלי.

החוקרים יצרו מודלים מפורטים של תאי עצב, הזינו אותם בדפוסים שונים של פעילות סינפטית ואספו את תגובותיהם. לאחר מכן אומנו רשתות מלאכותיות לשמש "תאום חישובי" של כל תא ולחזות את הפלט שלו.

הממצאים הראו כי כדי לחקות נוירונים אנושיים בקליפת המוח נדרשו רשתות עמוקות יותר מאלה שנדרשו לחיקוי נוירונים של יונקים אחרים שנבדקו. החוקרים מייחסים את היתרון למבנה הדנדריטי המסועף ולתגובות הלא־ליניאריות של הסינפסות.

השראה לארכיטקטורות AI חדשות

לתוצאות עשויה להיות משמעות לפיתוח מערכות בינה מלאכותית וחומרה נוירומורפית. כיום, חלק ניכר מהשיפור במודלי AI מושג באמצעות הוספת שכבות, יחידות חישוב, זיכרון והספק. המחקר מציע כיוון משלים: שימוש ביחידות עיבוד בסיסיות מורכבות יותר.

במקום לבנות מערכת ממספר גדול מאוד של יחידות פשוטות, ייתכן שבעתיד ניתן יהיה לפתח רכיבים מלאכותיים המבצעים עיבוד פנימי רב־שלבי, בדומה לאופן שבו ענפי הדנדריטים מסננים ומשלבים אותות.

גישה כזאת עשויה להיות רלוונטית במיוחד לשבבים נוירומורפיים, שמטרתם לבצע עיבוד מקבילי וחסכוני באנרגיה באמצעות חיקוי עקרונות פעולה של מערכת העצבים. בחומרה כזאת, כל יחידת עיבוד יכולה לכלול מנגנונים מורכבים יותר של זיכרון מקומי, שילוב אותות וחישוב לא־ליניארי.

עם זאת, הגדלת מורכבותה של כל יחידה אינה מבטיחה שיפור אוטומטי. יחידות מורכבות יותר עלולות לדרוש שטח סיליקון גדול יותר, תכנון מסובך ואלגוריתמי אימון חדשים. יהיה צורך לבדוק האם העברת חלק מן החישוב אל תוך "הנוירון המלאכותי" מפחיתה את מספר היחידות והשכבות הדרושות ומספקת יתרון בצריכת אנרגיה או בהשהיה.

לא רשת עצבית בתוך תא

ההשוואה לרשת עצבית עמוקה אינה אומרת שבתוך כל תא עצב קיימת רשת מלאכותית זעירה. הרשת שימשה ככלי מתמטי למדידת הקושי לחקות את התנהגות התא.

גם הטענה כי תא עצב יחיד הוא "סוד האינטליגנציה האנושית" דורשת זהירות. המחקר אינו מודד אינטליגנציה ואינו מוכיח שתא יחיד מסוגל לבצע משימות קוגניטיביות כמו זיהוי תמונה, הבנת שפה או פתרון בעיות.

המשמעות היא שהרכיב הבסיסי שממנו בנויה רשת המוח מורכב יותר מן היחידה המלאכותית המקובלת. האינטליגנציה האנושית נוצרת מפעילות משולבת של מיליארדי תאים, אך כל אחד מהם עשוי לבצע עיבוד מקומי משמעותי לפני העברת המידע הלאה.

המסגרת שפיתחו החוקרים עשויה לשמש בעתיד להשוואה בין סוגי נוירונים, אזורי מוח ומינים שונים, וכן לבחינת שינויים בתפקוד התאים במחלות נוירולוגיות. עבור תעשיית המחשוב, המחקר מספק נקודת מבט נוספת על הפער שבין רשתות AI מודרניות לבין המערכת הביולוגית שממנה שאבו את שמן.

מקור: Dendritic morphology and synaptic nonlinearities enhance functional complexity in human cortical neurons – PNAS

הפוסט מחקר ישראלי: תא עצב אנושי יחיד מורכב כמו רשת עצבית עמוקה הופיע לראשונה ב-Chiportal.

משרד המסחר האמריקני הקל באופן משמעותי את מגבלות היצוא לאיחוד האמירויות, והעניק לממשלת המדינה ולחברות מאושרות אפשרות לקבל מארצות הברית שבבי בינה מלאכותית מתקדמים ושרתים ללא צורך ברישיון יצוא פרטני. ההחלטה עשויה להאיץ את הקמתם של מרכזי נתונים גדולים באמירויות ולחזק את מעמדה כמרכז אזורי לתשתיות בינה מלאכותית.

במסגרת השינוי העביר משרד המסחר את איחוד האמירויות לקבוצת המדינות A:5 בתקנות מינהל היצוא האמריקניות, EAR. חברות וממשלות בקבוצה זו יכולות להשתמש בפטור המכונה Strategic Trade Authorization, או STA, לצורך יצוא, יצוא מחדש והעברה מקומית של פריטים מסוימים הנתונים לפיקוח אמריקני. בין היתר מדובר בציוד בעל שימוש צבאי או דו־שימושי, לוויינים מסחריים, חלליות וטכנולוגיות המשמשות בתעשיות האנרגיה, ההתפלה והגרעין האזרחי.

במקביל, ובהתאם למסגרת שיתוף הפעולה בתחום הבינה המלאכותית שנחתמה בין ארצות הברית לאמירויות במאי 2025, אישר משרד המסחר לממשלת האמירויות ולחברות מסוימות לקבל ללא רישיון פרטני גם רכיבי מחשוב מתקדם, ובהם שבבי AI ושרתים. ההקלה אינה חלה אוטומטית על כל חברה הפועלת במדינה, אלא על גופים שאושרו בידי הממשל האמריקני ובכפוף להתחייבויות בתחום אבטחת הטכנולוגיה ומניעת העברתה לגורמים בלתי מורשים.

בין החברות האמירתיות הזכאיות למסלול החדש נמצאות G42 והחברה הבת Core42. גם ענקיות טכנולוגיה אמריקניות ופעילויותיהן באמירויות צפויות ליהנות מהפטור, ובהן אמזון, אפל, גוגל, מטא, מיקרוסופט, OpenAI, אורקל ו־xAI. משרד המסחר הודיע גם כי בקשות של חברת ההשקעות האמירתית MGX לקבלת שבבים ושרתים ייבחנו בגישה חיובית, אך לא העניק לה בשלב זה פטור גורף.

מעמד שאינו ניתן כיום לישראל

איחוד האמירויות הופכת למדינה היחידה בקבוצת A:5 שאינה חברה באחד ממשטרי הפיקוח הרב־לאומיים על יצוא טכנולוגיות רגישות. רוב המדינות בקבוצה הן חברות נאט״ו או בעלות ברית ותיקות אחרות של ארצות הברית.

רויטרס מציינת כי ישראל וסעודיה אינן נכללות בקבוצת A:5. המשמעות אינה שיצוא שבבי בינה מלאכותית לישראל נאסר, אלא שישראל אינה נהנית מהפטורים החדשים ומהמסלול המועדף שניתן לאמירויות. הדרישה לרישיון תלויה בסוג השבב, בזהות המשתמש הסופי, בשימוש המתוכנן ובסיווג המוצר בתקנות היצוא האמריקניות.

הפער הרגולטורי עשוי להפוך לשיקול בתחרות האזורית על הקמת מרכזי נתונים ומתקני אימון למודלים גדולים. בעוד שחברות הפועלות בישראל עשויות להידרש במקרים מסוימים לעבור הליכי רישוי ובדיקה, חברות מאושרות באמירויות יוכלו לקבל שבבים ושרתים במסלול מהיר יותר. זמינות ודאות של מאיצי AI היא גורם מרכזי בהחלטות על מיקום מרכזי נתונים, לצד עלויות חשמל, קרקע, קירור, קישוריות ומימון.

לאמירויות כבר יש תוכניות רחבות להקמת תשתיות AI. פרויקט Stargate UAE באבו דאבי אמור להתחיל בקיבולת של 200 מגה־ואט ולהשתלב במתחם מתוכנן בהספק של עד 5 ג׳יגה־ואט. בפרויקט מעורבות G42, OpenAI, אורקל, אנבידיה, סיסקו וסופטבנק, והוא צפוי להשתמש במערכות המבוססות על מעבדי Grace Blackwell של אנבידיה.

ההחלטה הנוכחית הופכת את ההסכמות המדיניות למנגנון רגולטורי מעשי: במקום לקבל אישור נפרד לכל משלוח, גופים מאושרים יוכלו להכניס למדינה תשתיות מחשוב מתקדמות במסגרת הפטור. בתמורה התחייבה ממשלת האמירויות להמשיך להשקיע בתשתיות דיגיטליות ובינה מלאכותית בארצות הברית, בהיקף התואם להשקעות האמריקניות באמירויות.

החשש: זליגת טכנולוגיה לסין

ההקלות מעוררות גם ביקורת בוושינגטון בשל קשריהן הקודמים של חברות אמירתיות עם סין. G42 הייתה בעבר קשורה לחברות סיניות, ובהן וואווי, אך הודיעה כי צמצמה קשרים אלה כדי להעמיק את שיתוף הפעולה עם חברות אמריקניות.

מבקרי ההחלטה חוששים ששבבים אמריקניים מתקדמים או ידע שנצבר באמצעותם עלולים להגיע בעקיפין לגופים סיניים. הסנאטורית הדמוקרטית אליזבת וורן טענה כי הענקת גישה ללא רישיון ל־G42 יוצרת סיכון לביטחון הלאומי, במיוחד לנוכח מעורבותם העסקית של גורמים מאיחוד האמירויות בחברות ובמיזמים אמריקניים.

משרד המסחר הצדיק את ההחלטה בשיתוף הפעולה הביטחוני והכלכלי המתהדק בין שתי המדינות ובהתחייבות האמירויות למנוע שימוש לרעה בטכנולוגיה אמריקנית. לפי המשרד, ההקלה נועדה גם לחזק את מעמדן של חברות אמריקניות בשוק העולמי מול חלופות מסין.

מבחינת ישראל, ההתפתחות מעלה שאלה רחבה יותר מהליכי רישוי בלבד: האם המעמד המועדף שניתן לאמירויות ימשוך אליה השקעות במרכזי נתונים ובתשתיות מחשוב שהיו יכולות להגיע לישראל. בשלב זה לא פורסמה תגובה ישראלית רשמית להחלטה, ולא ידוע אם ישראל פועלת לקבל מעמד דומה או הסדר דו־צדדי נפרד.

הפוסט ארה״ב מעניקה לאמירויות מסלול מועדף ליבוא שבבי AI – ישראל נותרת מחוץ לקבוצת הפטור הופיע לראשונה ב-Chiportal.

חברות השבבים חוזרות לאופנה ועם האופנה אנחנו שבים ומגלים את חשיבות מגזר השבבים להייטק הישראלי. בסקר שערך לאחרונה העיתון גלובס נבחרה חברת השבבים מג'סטיק לאבס במקום הראשון ברשימת הסטרטאפים המבטיחים לשנת 2026. מדובר בבחירה מרשימה שנעשתה ע"י 103  קרנות השקעה מקומיות וזרות שהתבקשו ע"י גלובס לבחור את עשרת הסטארטאפים המבטיחים, רגע לפני הפריצה הגדולה שלהם. ברוב קולות נבחרה מג'סטיק לאבס (Majestic Labs) שהוקמה בשנת 2023 .

מדובר בחברה דו- לאומית חציה בישראל וחציה בעמק הסיליקון שהוקמה ע"י שלושה יזמים. ד"ר עופר שחם, (לשעבר בכיר בגוגל ובמטא) המשמש כמנכ"ל ושני שותפיו האמריקאים מטסומי ריינדרס ושאה ראבי.

השותפות בין השלושה נפרשת כבר על פני כ-  14 שנים. היא החלה בשנת 2011, כאשר שאה הקים את קבוצת הסיליקון של גוגל ושכר את שירותיה של "חברת Chip Genesis – חברת ספין-אאוט מאוניברסיטת סטנפורד שהוקמה על ידי עופר. Chip Genesis התמחתה בפיתוח שבבים דיגיטליים בעלי יעילות אנרגטית משופרת ועלויות תכנון מופחתות. באוגוסט 2013 נרכשה החברה על ידי גוגל, וזהו הרגע שבו החל שיתוף הפעולה ההדוק בין עופר ושאה. מטסומי, שעבדה בגוגל עוד קודם לכן, הצטרפה לצוות, וביחד פיתחו השלושה שבבים מתקדמים לרכבים האוטונומיים, לשרתי ה AI ולטלפונים הסלולריים של גוגל.

עבודתם המשותפת של השלישיה היה כה מוצלחת ופוריה עד שב 2018 כשמרק צוקרברג החליט לפתח משקפי מציאות מדומה הוא גייס את שלושתם במטרה לפתח את מערך הסיליקון של המשקפיים המתקדמים. הפרויקט, המכונה Orion נמצא עדיין בשלבי פיתוח בעוד שכיום קיימים בשוק משקפי Smart Glass  , מדובר בפתרון חלקי בלבד שאינו מעניק חוויית מציאות רבודה מלאה (Full Augmented Reality).

בשנת 2023 עזב עופר את מטא כדי להקים סטארטאפ חדשני. שיחת הטלפון הראשונה שלו הייתה לשני שותפיו הוותיקים, שהסכימו מיד להצטרף אליו למסע. יחד, הם ישבו להגדיר כיצד יוכלו להביא בשורה שונה וייחודית לכל מה שקיים בגזרת הבינה המלאכותית. מהר מאוד הם הגיעו למסקנה כי מבחינה עסקית ברצונם לפתח פלטפורמת מחשוב חדישה ופורצת דרך, ובהיבט הטכנולוגי זיהו כי צוואר הבקבוק המרכזי של פתרונות הAI- טמון דווקא במערכות הזיכרון. בעוד שיחידות העיבוד צמחו לאורך השנים בקצב אקספוננציאלי (בהתאם לחוק מור), יחידות הזיכרון נותרו מאחור. כך הפך הזיכרון לצוואר הבקבוק הראשי בעידן הבינה המלאכותית היוצרת (Generative AI) שממשיך לצמוח בקצב מסחרר מאז פרץ לחיינו בשנת 2022.

אז כיצד מתמודד הפתרון שלכם עם הבעיה?

כיום GPUs מגיעים לניצולת של 5%-2% בלבד בגלל שהם מחכים למידע שיגיע מיחידות הזכרון. אנשי תוכנה בחברות הבינה המלאכותית  מנסים לפתור את הבעיה אך ללא הצלחה גדולה. מה שהצלחנו לעשות במג'סטיק הוא לחבר פי 1000 יותר זכרון לכל מעבד ועדיין לשמור על רוחב פס שגדול יותר מכל HBM High Bandwidth Memory)). אנחנו משתמשים ביחידות זכרון קיימות (כמו אלו של מיקרון, SK או סמסונג) ולחבר כמות גדולה של יחידות זכרון שיעבדו יחד ויראו שיפור ביצועים משמעותי לעומת כל מה שקיים כולל הפתרונות של אנבידיה.

ומה צריך לעשות כדי ליהנות מהפתרונות שלכם?

אנחנו מוכרים שרתים שמסוגלים להריץ מודלים בצורה יעילה פי חמישים מבחינת עלות לכל טוקן. כיום לשימוש בכל שרת AI יש מחיר ומה שאנחנו מציעים הוא שרת שכל מי שישתמש בו יקבל פי 50 יותר טוקנים או יותר משתמשים.  

ומה מבחינת צריכת חשמל?

כיום המגבלה המרכזית של מרכזי עיבוד נתונים היא צריכת החשמל שלהם. לדוגמא מרכז הצורך 100 מגה ואט יכול לשרת כמות משתמשים מוגבלת. אנחנו יודעים לשפר את אותו מרכז כך שעם אותה כמות חשמל ישרת בין פי 10 לפי 50 יותר משתמשים.

אז מי הלקוחות הפוטנציאלים שלכם?

יש לנו שלושה סוגים של לקוחות:

1.חברות ה- AI הידועות  – כולל אמזון, גוגל, אורקל, Open AI, אנטרופיק ודומיהן

2. חברות ספקי ענן  החדשות (Newclouds) – חברות כגון Nebius ,Together AI, CoreWeave . חברות מתמחות המספקות את כוח המחשוב הדרוש לעומסי העבודה התובעניים ביותר של בינה מלאכותית ומחשוב עתיר ביצועים (HPC).

3. חברות ענק ממגזרי שוק שונים – בנקים, חברות השקעה, חברות ביטוח וגופים פיננסים אחרים

ובאיזה שלב נמצא המוצר שלכם?

אנחנו עדיין בשלב הייצור וצפויים לספק את המערכות הראשונות בשנת 2027. כמה מהלקוחות שלנו כבר עושים ניסויים עם המערכת שפיתחנו כדי לבדוק ביצועים וזה נראה מבטיח.

האם יש לכם כבר הזמנות?

כן, יש לנו הזמנות מכמה חברות גדולות בסדרי גודל של מאות מליוני דולר.

האם אתה בטוח שהמערכת שלכם תעבוד כמו בסימולציות?

יש לי בטחון גבוה מאד במערכות הללו ואני מאמין שהן יעבדו כמו בסימולציות.

מה עם תחרות?

יש הרבה חברות שעוסקות בפיתוח תשתיות ל- AI אבל בסופו של דבר הן כולן me too של אנבידיה.

מה לדעתך הסיבה שבחרו בכם לחברה המבטיחה ביותר ברשימת גלובס?

רק אנחנו פותרים את הבעיה ועושים את זה בקצבים יותר מהירים מכל אחד שאני מכיר. אנחנו מספקים פתרון בתחום החם ביותר בעולם ה-AI. ישראל יחסית חדשה בעולם ה- ,AIנכנסנו לזה קצת בפיגור ופה אנחנו מביאים הבטחה לצמצום פערים בתחום שהוא הכי גדול והכי מבטיח בעולם ה- AI!  

כמו כן, הצוות שהקמנו בישראל הוא צוות חזק. אני קורא לו צוות מנצח. הצלחנו לבנות צוות שהוא כמו סיירת בעולם ה- AI ומפתחים כאן משהו מרענן בתחום הסטרטאפים. פתאם קמה פה חברת שבבים חדשה שמכוונת להשפיע על השוק כמו מלאנוקס או מובילאיי.

ואם כבר אנחנו מדברים על חברות שבבים האם לדעתך יש מקום לעודד הקמת חברות נוספות בתחום השבבים בישראל?

זה אכן תחום שדורש השקעות גדולות בתחילת הדרך. אבל אני בהחלט חושב שיש מקום ליצור עוד חברות וכדי לעשות זאת צריך לשמור על האקו סיסטם של חברות, של מהנדסים, של אקדמיה שמכשירה מהנדסים לתחום ושל משקיעים בתחום. יחד עם זאת אני  מאמין שהמדינה צריכה לתמוך בתחום השבבים ולהקל על יזמים שרוצים להקים חברות בתחום השבבים כולל מתן סיוע בעזרת כספי הרשות לחדשנות.

כיום יש בישראל נציגות מרשימה לחברות השבבים הגדולות ויש סמביוזה גדולה בין החברות הגדולות לסטראפים כי היכולת האנושית קיימת כאן. אבל זה עדיין אתגר גדול להקים כיום חברת סטרטאפ בתחום השבבים.

אם זה כל כך קשה מדוע שאנשים יקימו חברות סטרטאפ?

עבדתי בגוגל ובמטא וכמובן התגמול הכספי היה מצוין אבל כדי לעשות שינוי אמיתי ולהביא טכנולוגיה חדשה שתהפוך לפתרון מוביל בכל העולם אתה צריך להקים חברה משלך. זה משהו שאתה קם איתו בבוקר ובוער לך בעצמות וזו דרך אגב תכונה די יחודית לישראל. במקרה שלי למרות שהייתי בכיר בכמה מחברות הטק הגדולות והחשובות ביותר עדיין הייתי "בורג" במערכת. כעת חזרתי לעשות בעצמי דברים מהותיים.

לדעתי אנחנו נמצאים כעת בעיתוי שמאד קורא להקים סטרטאפים. מה שקורה היום בעולם הקומפיוט זו מהפיכה שלא קרתה הרבה שנים. דרישות המחשוב הקיימות כיום דורשות פתרונות יצירתיים ולמזלי מג'סטיק לאבס נמצאת במרכז הסערה. עם הידע והיכולות שלנו אנחנו יכולים לחסוך משאבי מחשוב משמעותים. אנחנו מכוונים את פיתוחינו אל המגדלור של עולם ה -AI והוא מאד ברור וחזק.

הפוסט ברוב מוחץ של 103 קרנות: הסטארטאפ הדו-לאומי שמשגע את עולם השבבים הופיע לראשונה ב-Chiportal.

אפל פתחה חזית משפטית נגד OpenAI, שעד לא מכבר נחשבה לשותפה מרכזית שלה בתחום הבינה המלאכותית. בתביעה שהוגשה ב־10 ביולי 2026 לבית המשפט הפדרלי במחוז הצפוני של קליפורניה טוענת אפל כי OpenAI ושני עובדים לשעבר שלה השתמשו בסודות מסחריים כדי להאיץ את כניסתה של מפתחת ChatGPT לשוק מוצרי החומרה.

התביעה, שמספרה Apple Inc. v. Liu, 5:26-cv-07078, הוגשה נגד OpenAI Foundation, הזרוע המסחרית OpenAI Group PBC, חברת החומרה io Products ושני עובדים לשעבר באפל: טאנג יו טאן וצ’אנג ליו. מדובר בשלב פתיחת ההליך בלבד, והטענות המפורטות בתביעה טרם נבחנו או הוכחו בבית המשפט.

לפי כתב התביעה, OpenAI ניהלה מאמץ שיטתי לגיוס עובדי אפל ולהשגת מידע על מוצרים שטרם הוכרזו, תהליכי פיתוח, ספקים ושיטות ייצור. אפל טוענת כי יותר מ־400 מעובדיה לשעבר מועסקים כיום ב־OpenAI, אך עצם המעבר של עובדים בין החברות אינו בלתי חוקי. במוקד התביעה עומדת הטענה כי עובדים מסוימים לא הסתפקו בשימוש בניסיון ובמיומנויות שרכשו, אלא נטלו עמם מסמכים ומידע מוגנים.

בכירים לשעבר במערך החומרה של אפל

טאנג יו טאן עבד באפל במשך כ־24 שנים והיה סגן נשיא לעיצוב מוצרים, ובין היתר היה מעורב בפיתוח האייפון וה־Apple Watch. לאחר שעזב את אפל הצטרף למיזם io, שהוקם עם מעצב אפל לשעבר ג’וני אייב, ובהמשך מונה למנהל החומרה הראשי של OpenAI.

אפל טוענת כי עוד לפני עזיבתו שלח טאן לעצמו מידע על ספקים וסיכומים פנימיים של תעשיית החומרה. החברה מייחסת לו גם הנחיות לכאורה למועמדים לעבודה שהגיעו מאפל להביא לראיונות ב־OpenAI רכיבים פיזיים ששימשו בעבודתם, במסגרת מפגשי “הצג וספר”.

הנתבע השני, צ’אנג ליו, עבד כמהנדס חשמל בכיר באפל במשך שמונה שנים. לפי התביעה, ליו לא החזיר מחשב נייד של החברה לאחר עזיבתו, ניצל פרצת אימות כדי להמשיך להתחבר לרשת הפנימית והוריד עשרות קבצים חסויים הקשורים לפיתוח חומרה. אפל טוענת גם כי נעזר במחשב של עובדת אחרת כדי לקבל גישה למסמכים נוספים.

אלה הן טענות אפל בלבד בשלב זה. ליו וטאן טרם מסרו תגובה פומבית מפורטת לטענות שהועלו נגדם.

טענות גם נגד השימוש בספקים

התביעה אינה מוגבלת להעברת מידע בידי עובדים. אפל טוענת כי אנשי OpenAI פנו גם לחברות בשרשרת האספקה שלה וביקשו מהן מידע או הדגמות של תהליכי ייצור חסויים.

במקרה אחד, לפי אפל, ספק התבקש להדגים עבור OpenAI שיטה ייחודית לגימור מתכת, לאחר שנאמר לו לכאורה כי אפל אישרה את הדבר. אפל טוענת כי האישור לא ניתן וכי מדובר היה בטכניקה סודית שפותחה עבור מוצריה.

החברה מסרה כי פנתה ל־OpenAI כבר בפברואר 2026 והביעה חשש שמידע חסוי שלה מגיע לפעילות החומרה של החברה, אך לטענתה לא קיבלה מענה. כעת היא מבקשת מבית המשפט להוציא צו שימנע מן הנתבעים להחזיק במידע או להשתמש בו, וכן לפסוק לה פיצויים כספיים.

OpenAI מסרה בתגובה כי היא עדיין בוחנת את התביעה. “אין לנו עניין בסודות המסחריים של חברות אחרות”, אמר דובר החברה. “אנו נשארים ממוקדים בבניית טכנולוגיה חדשנית שמעצימה אנשים בכל מקום”.

משותפות בבינה מלאכותית לתחרות בחומרה

התביעה משקפת שינוי חד במערכת היחסים בין החברות. בשנת 2024 שילבה אפל את ChatGPT באייפון, באייפד ובמחשבי מק כחלק ממערך Apple Intelligence. משתמשים יכלו להעביר ל־ChatGPT שאלות שסירי לא הצליחה להשיב עליהן ולגשת לשירותי OpenAI מתוך מערכת ההפעלה.

מאז התרחבה OpenAI אל מעבר לתוכנה. בשנת 2025 היא רכשה את io Products, חברת המוצר וההנדסה שהקים ג’וני אייב עם טאן ושותפים נוספים, בעסקה שהוערכה בכ־6.5 מיליארד דולר. מטרת המהלך היא לפתח ממשק חומרה חדש לשימוש בבינה מלאכותית, שאינו מבוסס בהכרח על המסך, היישומים ומערכת ההפעלה המקובלים בסמארטפונים.

אפל רואה במיזם איום אפשרי על האייפון ועל שליטתה בנקודת המפגש שבין המשתמש לשירותים דיגיטליים. מכשיר AI עצמאי שיופעל בעיקר בקול, במצלמות ובחיישנים עשוי לאפשר ל־OpenAI לפתח קשר ישיר עם המשתמשים, מבלי להיות תלויה במכשירי אפל או בחנויות היישומים שלה.

OpenAI טרם חשפה את צורתו המדויקת של המכשיר שמפותח עם אייב. סמנכ”לית הכספים של החברה, שרה פרייר, אמרה באפריל כי חומרה צרכנית צפויה להגיע לקראת סוף 2026, אך לא מסרה פרטים טכניים.

מקלדת הקיצורים אינה המכשיר של ג’וני אייב

בנפרד ממיזם החומרה הצרכני, OpenAI מתכננת לחשוף ב־15 ביולי את Codex Micro – לוח מקשים קטן ומתוכנת שפותח בשיתוף יצרנית האביזרים Work Louder. המכשיר נועד לספק קיצורי דרך פיזיים למשתמשי Codex, כלי התכנות של OpenAI.

אף שהוא עשוי להיות מוצר החומרה הראשון הנושא את המותג OpenAI, מדובר באביזר למפתחים הדומה ללוח מקשי מאקרו, ולא במוצר הצרכני החדש שמפתחים אייב וצוות io. לכן אין לראות בהשקתו חשיפה של המכשיר שעומד במרכז מאבק החומרה בין אפל ל־OpenAI.

גם הנפקת OpenAI עדיין אינה ודאית. החברה אישרה ביוני כי הגישה לרשות ניירות הערך האמריקנית טיוטת תשקיף S-1 חסויה, צעד המאפשר לה להתכונן להנפקה. עם זאת, OpenAI הדגישה כי טרם החליטה על מועד וכי ייתכן שתישאר חברה פרטית עוד זמן מה.

המבחן המשפטי: ניסיון מקצועי או מידע גנוב

קליפורניה מאפשרת לעובדים לעבור בחופשיות יחסית בין חברות מתחרות, וחברות אינן יכולות למנוע מעובדים להשתמש בידע הכללי ובניסיון המקצועי שרכשו. לכן העובדה שמאות עובדים לשעבר של אפל עברו ל־OpenAI אינה מספיקה כשלעצמה להוכחת גניבת סודות מסחריים.

המקרה יהיה חמור יותר מבחינת OpenAI אם אפל תצליח להראות שהועתקו מסמכים, חלקים פיזיים או מידע טכני מוגן, וכי החברה השתמשה בהם בפועל. מומחים משפטיים מציינים כי ההליך עשוי גם להבהיר כיצד דיני הסודות המסחריים יחולו על התחרות המתפתחת בשוק חומרת הבינה המלאכותית.

התביעה מסמנת כי המאבק בין ענקיות הטכנולוגיה כבר אינו מתנהל רק סביב מודלים ושירותי תוכנה. הוא עובר כעת אל המכשיר הפיזי שיחליף, ישלים או יתחרה בסמארטפון — ואל הידע התעשייתי הדרוש כדי לייצר אותו.

הפוסט אפל תובעת את OpenAI: טוענת לגניבת סודות מסחריים לצורך פיתוח חומרת AI הופיע לראשונה ב-Chiportal.

קוואלקום הודיעה כי תרכוש את חברת תוכנת הבינה המלאכותית Modular בעסקת מניות המוערכת בכ־3.92 מיליארד דולר. במסגרת העסקה תנפיק קוואלקום עד 19.2 מיליון מניות חדשות לבעלי המניות של Modular. השלמת הרכישה צפויה במחצית השנייה של 2026, בכפוף לקבלת האישורים הרגולטוריים הנדרשים.

הרכישה אינה מוסיפה לקוואלקום רק צוות נוסף של מהנדסים, אלא שכבת תוכנה שנועדה להתמודד עם אחת הבעיות המרכזיות בשוק מאיצי הבינה המלאכותית: הקושי להעביר מודלים ויישומים בין ארכיטקטורות חומרה שונות.

המערכת של Modular מאפשרת למפתחים להפעיל מודלים על מעבדים מרכזיים, מעבדים גרפיים, מעבדים עצביים ושבבים ייעודיים, בלי לכתוב מחדש חלקים נרחבים מהתוכנה עבור כל רכיב. החברה מנסה למצב את עצמה כשכבת תוכנה אופקית, שאינה תלויה ביצרן חומרה יחיד ויכולה לפעול על שבבים של אנבידיה, AMD וספקים נוספים.

האתגר האמיתי נמצא בתוכנה

הרכישה מדגישה כי התחרות בשוק שבבי הבינה המלאכותית אינה מתנהלת רק סביב מספר הליבות, רוחב הפס לזיכרון או ביצועי החישוב. אחד מיתרונותיה המרכזיים של אנבידיה הוא סביבת CUDA, הכוללת כלי פיתוח, ספריות תוכנה ותשתיות שעברו התאמה במשך שנים למעבדים הגרפיים של החברה.

השימוש הנרחב ב־CUDA מקשה על לקוחות לעבור למאיצים מתחרים, גם כאשר אלה מציעים מחיר נמוך יותר או יעילות אנרגטית גבוהה יותר. מעבר לחומרה חדשה מחייב לעיתים התאמות תוכנה, בדיקות ביצועים ושינויים בתהליכי ההפעלה של המודלים.

Modular מבקשת לצמצם את התלות הזאת באמצעות שכבת תוכנה המפרידה בין מודל הבינה המלאכותית לבין המעבד שעליו הוא מופעל. מבחינת קוואלקום, רכישת החברה עשויה לספק לה את החלק החסר באסטרטגיית מרכזי הנתונים: סביבת תוכנה שתאפשר ללקוחות להשתמש במאיציה בלי לוותר על יכולת להעביר עומסי עבודה בין פלטפורמות שונות.

לדברי מנכ"ל קוואלקום, כריסטיאנו אמון, התרחבות הבינה המלאכותית הסוכנת במרכזי נתונים ובמערכות קצה מובילה לשימוש בארכיטקטורות מבוזרות המשלבות מוצרים של כמה ספקים. לדבריו, מערכות כאלה דורשות תשתית תוכנה פתוחה ומודרנית יותר, המאפשרת ללקוחות לבחור היכן וכיצד להפעיל את היישומים שלהם.

מפיתוח שפת Swift לתשתיות AI

Modular הוקמה בשנת 2022 בידי כריס לאטנר וטים דייוויס. לאטנר מוכר בתעשייה כאחד ממפתחי תשתית המהדרים LLVM וכיוצר שפת התכנות Swift של אפל. בהמשך מילא תפקידים בטסלה ובגוגל, שם עסק גם בתשתיות תוכנה עבור מעבדי הבינה המלאכותית TPU.

החברה פיתחה סביבת תוכנה לביצוע היסק – הפעלת מודלים שכבר אומנו – וכן את שפת Mojo, שנועדה לשלב תחביר הדומה ל־Python עם ביצועים והתאמה לעבודה קרובה יותר לחומרה. לפי דיווחים, כ־150 עובדי Modular, ובהם שני המייסדים, צפויים להצטרף לקוואלקום עם השלמת העסקה.

ההתמקדות בהיסק משמעותית במיוחד. בשלב הראשון של פריחת הבינה המלאכותית הושקע חלק גדול מההון באימון מודלים גדולים. ככל שמספר המודלים והמשתמשים גדל, מרכז הכובד עובר בהדרגה לעלות הפעלת המודלים: צריכת החשמל, ניצול הזיכרון, זמני התגובה ומספר הבקשות שכל שרת מסוגל לעבד.

שכבת תוכנה המאפשרת לבצע אופטימיזציה של ההיסק על סוגים שונים של חומרה עשויה להקל על מפעילי ענן וחברות גדולות לשלב מאיצים מתחרים לצד מעבדי אנבידיה.

קוואלקום מחפשת צמיחה מעבר לטלפונים

שבבים לטלפונים חכמים עדיין מהווים חלק מרכזי מפעילותה של קוואלקום, אך החברה מנסה להרחיב את נוכחותה במחשבים אישיים, במכוניות, במערכות קצה ובמרכזי נתונים.

בתחום האחרון היא מתמודדת לא רק עם אנבידיה, אלא גם עם AMD, אינטל וספקיות הענן הגדולות המפתחות מאיצים ושבבים ייעודיים בעצמן. קוואלקום מתכננת להתחיל לספק מעבדי ומאיצי בינה מלאכותית למרכזי נתונים, והרכישה נועדה לחזק את יכולתה לספק לצד החומרה גם סביבת פריסה וניהול של מודלים.

עם זאת, רכישת Modular אינה מבטיחה שקוואלקום תוכל לשחזר במהירות את האקוסיסטם שבנתה אנבידיה. CUDA נהנית מבסיס גדול של מפתחים, מספריות שעברו אופטימיזציה למגוון יישומים ומקשרים עמוקים עם ספקיות ענן, חברות תוכנה ומוסדות מחקר.

בנוסף, קוואלקום תצטרך לאזן בין שאיפתה להפוך את Modular לפלטפורמה ניטרלית התומכת בשבבים של ספקים רבים לבין הרצון להשתמש בה כדי לקדם את מוצריה שלה. הצלחת העסקה תיבחן בשאלה האם מפתחים ולקוחות ימשיכו לראות בפלטפורמה שכבה עצמאית – ולא כלי שנועד בעיקר להכניס אותם לסביבת החומרה של קוואלקום.

אם תצליח בכך, הרכישה עשויה לאפשר לקוואלקום להתחרות בשוק הבינה המלאכותית לא רק באמצעות שבבים חדשים, אלא גם בנקודה שבה חלק גדול מהיתרון התחרותי נוצר כיום: הקשר שבין התוכנה לחומרה.

הפוסט קוואלקום רוכשת את Modular בכ־3.9 מיליארד דולר ומכוונת לחומת התוכנה של אנבידיה הופיע לראשונה ב-Chiportal.

תעשיית השבבים משקיעה משאבים עצומים בהגדלת כוח החישוב הזמין לבינה מלאכותית: מאיצים חזקים יותר, זיכרונות מהירים, רשתות תקשורת למרכזי נתונים, מערכות קירור וארכיטקטורות המאפשרות לחבר עשרות אלפי מעבדים למודל אחד.

אולם מדען המחשבים פיטר ג'יי דנינג טוען כי הגדלת התשתית החומרתית והיקף המודלים לא תוביל בהכרח לבינה מלאכותית כללית ברמה אנושית.

בספר חדש הוא מציג טענה שלפיה המחקר בתחום פועל במשך יותר מ־75 שנה על בסיס פרשנות מוטעית של הצעת אלן טיורינג. טיורינג הציע בשנת 1950 לבחון אם מכונה יכולה להציג בשיחה התנהגות שאינה ניתנת להבחנה מזו של אדם. מבחן זה, שנודע לימים כמבחן טיורינג, הפך לאחת מנקודות הייחוס המרכזיות בדיון על מכונות חושבות.

לדברי דנינג, יכולתה של מערכת לחקות שיחה אנושית אינה מוכיחה שהיא מבינה את המילים שבהן היא משתמשת. הוא טוען כי אינטליגנציה אנושית אינה תוכנה בלבד, אלא תוצר של גוף ביולוגי, ניסיון מצטבר, קשרים חברתיים, רגשות, הקשר ותרבות.

מדובר בתזה המוצגת בספר ולא בממצא ניסויי שעבר ביקורת עמיתים. חוקרים וחברות בתעשיית הבינה המלאכותית עשויים לחלוק עליה, במיוחד לנוכח השיפור המהיר ביכולותיהם של מודלים גדולים. עם זאת, הטיעון מציב שאלה מהותית בפני תעשיית החומרה: האם הבעיה בדרך ל־AGI היא בעיקר מחסור בכוח חישוב, או שמדובר במחסום מסוג אחר לחלוטין?

הגדלת המודל אינה בהכרח הגדלת ההבנה

בלב טיעונו של דנינג נמצא "ידע סמוי" – ידע שבני אדם משתמשים בו, אך אינם מסוגלים להפוך לסדרה מלאה של מילים, סמלים או הוראות.

הידע הזה כולל שכל ישר, מיומנויות גופניות, אינטואיציה, הבנת התנהגות של אחרים, נורמות חברתיות, תרבות והיסטוריה משותפת. אנשים יודעים לזהות מתי אמירה היא סרקסטית, מתי נדרש טקט ומתי אפשר להתבדח, אף שבדרך כלל אינם מחשבים במודע את כל הכללים שהובילו אותם למסקנה.

מערכת מחשב, לעומת זאת, יכולה לעבד רק מידע שיוצג לה בצורה הניתנת לקידוד. דנינג מכנה זאת "בעיית הייצוג": כל נתון והוראה חייבים להיות מיוצגים בצורה פיזית שהמעבד מסוגל לזהות, לאחסן ולשנות.

ידע סמוי אינו בהכרח קיים בצורה כזו. אפשר לתעד את התוצאה של מיומנות, אך לא תמיד את הידע הגופני והתחושתי המאפשר לבצע אותה. כנר, למשל, יכול להדגים נגינה מעולה, אך אינו מסוגל להעביר לתלמיד את מלוא המיומנות באמצעות רשימת הוראות.

מנקודת המבט של תעשיית השבבים, משמעות הטענה היא כי יותר טרנזיסטורים, יותר זיכרון ורוחב פס גדול יותר יכולים לשפר את מהירות המודל, את גודלו ואת מספר המשימות שהוא מבצע – אך אינם מבטיחים מעבר מחיקוי מוצלח להבנה אנושית.

גם רובוט אינו בהכרח פותר את בעיית הגוף

חלק מחוקרי הבינה המלאכותית מנסים להתמודד עם מגבלת הטקסט באמצעות בינה מלאכותית מגולמת: רובוטים ומערכות אוטונומיות הלומדים באמצעות מצלמות, חיישני מגע, מיקרופונים ותנועה בעולם הפיזי.

מגמה זו צפויה להגדיל את הביקוש לשבבי קצה, מעבדי ראייה, חיישנים, מערכות זמן אמת ומאיצים חסכוניים באנרגיה. היא עשויה לאפשר למכונות ללמוד קשרים בין פעולה לתוצאה ולא רק לנתח מאגרי טקסט.

אולם דנינג טוען כי גם גוף רובוטי אינו זהה לגוף ביולוגי. רובוט יכול לצפות בביצוע, לאסוף נתוני חיישנים ולחקות תנועה, אך אין פירוש הדבר שהוא חווה את התחושות, הרגשות והמשמעויות שבני אדם מייחסים לפעולה.

הפער הזה חשוב במיוחד במערכות הפועלות לצד בני אדם. מכונית אוטונומית, רובוט תעשייתי, מערכת רפואית או סוכן תוכנה עשויים להצליח ברוב המצבים שנכללו באימון – ועדיין להיכשל במצב חריג שבו נדרש ידע הקשרי שלא הוגדר מראש.

הסכנה המעשית אינה מחייבת מחשב־על תבוני

דנינג אינו טוען כי כישלון אפשרי בהשגת AGI מבטל את הסיכונים של הבינה המלאכותית. לדבריו, מערכות שאינן מבינות את העולם כמו בני אדם עדיין יכולות להיות מהירות, אוטונומיות ובעלות השפעה רחבה.

רשתות של סוכני בינה מלאכותית עשויות לבצע משימות, לקבל החלטות ולתקשר זו עם זו ללא פיקוח רציף. הן אינן חייבות להיות בעלות תודעה או תבונה כללית כדי לגרום לשיבושים פיננסיים, להפיץ מידע שגוי, להפעיל מערכות באופן בלתי צפוי או לקבל החלטות שאינן מתיישבות עם מטרות המשתמשים.

לדברי דנינג, יישור מערכות בינה מלאכותית עם ערכים אנושיים נותר קשה משום שחלק מן הכוונות, הנורמות וההקשרים האנושיים כלל אינם מנוסחים. מערכת יכולה לציית להוראה המילולית ועדיין להחמיץ את מטרתה האמיתית.

לתעשיית השבבים אין מכאן מסקנה שלפיה הביקוש לחומרת AI עומד להיעלם. גם ללא AGI, מודלים ייעודיים, מערכות סוכניות, רובוטיקה, עיבוד שפה, תכנון שבבים, רפואה ומערכות אוטונומיות צפויים לדרוש כוח חישוב משמעותי.

אולם הטענה של דנינג מערערת על ההנחה שכמות החישוב היא המדד המרכזי להתקדמות לעבר אינטליגנציה אנושית. ייתכן שתעשיית החומרה תמשיך לשפר במהירות את ביצועי המכונות – בלי שהמכונות יתקרבו באותה מידה להבנה, משמעות או שיקול דעת אנושי.

הפוסט האם עוד שבבים וכוח חישוב יספיקו לבינה מלאכותית כללית? מדען מחשבים טוען שלא הופיע לראשונה ב-Chiportal.

המעבר מצ'אטבוטים המשיבים על שאלה יחידה לסוכני בינה מלאכותית שמפרקים משימות לשלבים, מפעילים כלי תוכנה ובודקים את תוצאותיהם עלול להגדיל מאוד את צריכת האנרגיה ואת עלויות התשתית. מחקר של המכון המתקדם למדע וטכנולוגיה של קוריאה, KAIST, מצא כי משימה המבוצעת באמצעות סוכן AI עשויה לצרוך עד פי 136.5 יותר אנרגיה משאילתת בינה מלאכותית גנרטיבית רגילה.

המחקר, שהוצג בסימפוזיון IEEE הבינלאומי לארכיטקטורת מחשבים בעלי ביצועים גבוהים, HPCA 2026, ניתח את התנהגותם של סוכני AI מנקודת המבט של מרכז הנתונים. החוקרים מדדו את מספר הפניות למודל השפה, זמני ההמתנה, ניצולת המעבדים הגרפיים וצריכת החשמל של כמה שיטות לביצוע משימות מורכבות. המאמר פורסם גם כהדפסה מקדימה תחת הכותרת The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective. (arXiv)

לא שאילתה אחת אלא שרשרת של הפעלות

בשירות בינה מלאכותית רגיל, המשתמש שולח בקשה ומודל השפה מייצר תשובה. סוכן AI פועל בצורה מורכבת יותר: הוא מתכנן את המשימה, מנסח בקשות משנה, מפעיל חיפוש, מחשבון או סביבת קוד, בוחן את התוצאה ולעיתים חוזר על התהליך.

כל שלב כזה עשוי לדרוש קריאה נוספת למודל השפה. מספר הפעלות המודל אינו בהכרח ידוע מראש, משום שהוא תלוי בתוצאות הביניים ובהחלטות שמקבל הסוכן במהלך המשימה.

החוקרים מכנים התנהגות זו "היגיון דינמי". בניגוד להסקה בעלת מסלול קבוע יחסית, הסוכן יוצר בזמן הביצוע גרף משתנה של פעולות חישוב, תקשורת והמתנה לכלים חיצוניים.

התוצאה היא עומס עבודה שונה מזה שעבורו תוכננו רבים ממרכזי הנתונים הנוכחיים. הביצוע אינו רצף רציף של פעולות על ה־GPU, אלא מעבר תכוף בין חישוב במודל השפה, פעילות של מעבד מרכזי, גישה לרשת, חיפוש במאגרי מידע והפעלת תוכנות.

עד פי 153.7 בזמן התגובה

לפי המחקר, ריבוי הפניות למודל וההמתנה לכלים חיצוניים עשויים להאריך את זמן התגובה עד פי 153.7 בהשוואה להסקה רגילה המבוססת על שרשרת חשיבה.

במהלך ההמתנה, המעבד הגרפי שהוקצה לבקשה אינו תמיד מסוגל לעבור ביעילות לעבודה אחרת. החוקרים מצאו שבתרחישים מסוימים נותרו יחידות ה־GPU ללא פעילות עד 54.5% מזמן הביצוע הכולל.

מדובר בבעיה כלכלית ולא רק אנרגטית. GPU המשמש להסקת מודל גדול הוא אחד הרכיבים היקרים ביותר במרכז נתונים. אם המאיץ שמור למשימה אך אינו מבצע חישוב במשך מחצית מזמן העבודה, עלות ההון אינה מתורגמת לניצולת בפועל.

עומסי סוכנים מציבים אפוא אתגר למתזמני משימות. עליהם לדעת לפנות משאבים בזמן שהסוכן ממתין לכלי חיצוני, להעביר אליהם בקשות אחרות ולהחזיר במהירות את המשימה המקורית כאשר התוצאה מגיעה — בלי לפגוע בזיכרון המטמון, בהקשר של המודל ובזמן התגובה.

348 ואט־שעה לבקשה

החוקרים בחנו תרחיש המבוסס על מודל שפה בעל 70 מיליארד פרמטרים, סדר גודל המקובל במודלים פתוחים ומסחריים גדולים. לפי החישוב שלהם, ביצוע בקשת סוכן צרך בממוצע 348.41 ואט־שעה.

הצריכה גבוהה פי 136.5 מזו של מערכת בינה מלאכותית גנרטיבית המבצעת מענה רגיל לשאלה, לפי תצורת הבדיקה שנבחרה במחקר.

המספר אינו משקף בהכרח כל סוכן AI וכל מרכז נתונים. צריכת האנרגיה תלויה בגודל המודל, בחומרה, במספר שלבי ההסקה, באורך ההקשר, בשיטת הכימות, במערכת הקירור וביעילות תוכנת ההגשה.

עם זאת, היחס הגבוה מדגים את הסיכון שבהתייחסות לסוכן כאל שאילתת צ'אט רגילה. בקשה אחת של משתמש עשויה להפעיל מאחורי הקלעים עשרות פעולות הסקה וכלים נוספים.

תרחיש של כמעט 200 גיגה־ואט

כדי להמחיש את משמעות ההתרחבות, החוקרים חישבו תרחיש שבו סוכני AI מטפלים ב־13.7 מיליארד בקשות ביום — נפח שאותו השוו להיקף החיפושים היומי בגוגל.

לפי הנחות המחקר, הפעלת עומס כזה תדרוש הספק כולל של כ־198.9 גיגה־ואט. זהו הספק רציף עצום, הגדול בסדרי גודל ממרכזי הנתונים הבודדים המתוכננים כיום, שהספקם נע בדרך כלל ממאות מגה־ואט ועד כמה גיגה־ואט.

אין לראות בתרחיש תחזית לכך שכל החיפושים בעולם אכן יוחלפו בסוכנים המשתמשים במודל של 70 מיליארד פרמטרים ובאותה שיטת ביצוע. זהו תרגיל קנה מידה שנועד להראות כי שימוש המוני בסוכנים ללא שיפור משמעותי ביעילות אינו מעשי מבחינת חשמל, קירור ותשתית.

התרחיש גם מדגיש שהמגבלה על התרחבות ה־AI עשויה לעבור מזמינות שבבים לזמינות הספק חשמלי, חיבורי רשת והקמת מרכזי נתונים.

תשואה חישובית פוחתת

החוקרים בחנו גם שיטות של הרחבת החישוב בזמן ההסקה — test-time scaling — שבהן המערכת משקיעה יותר חישוב כדי לשפר את איכות התשובה.

דוגמאות לכך הן יצירת כמה מסלולי פתרון במקביל, הוספת דוגמאות להנחיה, ביצוע ביקורת עצמית או חזרה על התהליך בכמה סבבים.

תוספת חישוב אכן יכולה לשפר את הדיוק, אך המחקר מצא כי התשואה פוחתת במהירות. כל סבב נוסף מגדיל את מספר האסימונים, זמן הביצוע וצריכת האנרגיה, בעוד שהתוספת לאיכות התוצאה נעשית קטנה יותר. (arXiv)

מבחינת מפעילי תשתיות, משמעות הדבר היא שלא מספיק להגדיר יעד ביצועים למודל. יש להחליט כמה אנרגיה, זמן ועלות מוצדקים עבור כל שיפור נוסף באיכות.

עומס עבודה חדש למרכזי הנתונים

סוכני AI משלבים כמה סוגים של פעילות:

• הסקת מודל שפה על GPU או מאיץ AI;
• פעולות תזמור ותכנון על מעבדים מרכזיים;
• גישה לזיכרון ולמאגרי וקטורים;
• תקשורת עם שירותים חיצוניים;
• הרצת קוד וכלים;
• המתנה לתוצאות וחזרה למודל.

המערכת אינה מוגבלת עוד למאיץ אחד או אפילו לשרת אחד. היא דומה יותר ליישום מבוזר שבו פעולות שונות דורשות חומרה שונה.

משום כך, החוקרים קוראים לתכנון משולב של מודלי הסוכנים, השבבים, תוכנת התזמון, מרכזי הנתונים ותשתיות החשמל. שיפור של אחד הרכיבים בלבד לא יפתור את הבעיה אם שאר המערכת תמשיך להשאיר מאיצים יקרים בהמתנה.

מחקרים נוספים בתחום מציעים לפצל את גרף הביצוע של סוכנים בין מערכות הטרוגניות — מעבדים מרכזיים, מאיצים מדורות שונים ורכיבים ייעודיים — ולשבץ כל פעולה בחומרה המתאימה לה. גישה כזו עשויה להפחית את עלות הבעלות הכוללת ולהאריך את השימוש בחומרה קיימת. (arXiv)

השלכות על תכנון שבבים

מבחינת תעשיית השבבים, עומסי סוכנים עשויים לשנות את סדרי העדיפויות בתכנון מאיצי AI.

במערכות אימון גדולות, המדד המרכזי הוא לרוב תפוקת פעולות חישוב מקביליות. בהפעלת סוכנים, לעומת זאת, נדרשים גם מעבר מהיר בין משימות, טיפול יעיל בבקשות קצרות ומשתנות, שיתוף זיכרון בין תהליכים והפחתת צריכת החשמל במצב המתנה.

מאיצים עתידיים עשויים להידרש לתמיכה טובה יותר בהשהיה ובהמשך של משימות, בניהול זיכרון מטמון של מודלי שפה ובשיתוף המשאב בין מספר גדול של סוכנים.

גם הקישוריות נעשית חשובה יותר. סוכן עובר בין המודל, מסדי נתונים, כלי תוכנה ושירותי רשת. זמן התקשורת בין הרכיבים עלול להיות משמעותי לא פחות מזמן החישוב עצמו.

הדבר עשוי לחזק את הביקוש לארכיטקטורות הטרוגניות, חיבורי רשת מהירים, מעבדי תשתית, זיכרון רחב פס ופתרונות תזמון המודעים למצב הסוכן.

לא כל משימה דורשת מודל ענק

דרך נוספת להפחתת הצריכה היא להימנע מהפעלת מודל גדול בכל שלב. משימות כמו בחירת כלי, בדיקת פורמט, סינון תוצאה או ביצוע החלטה פשוטה עשויות לעבור למודל קטן יותר או לרכיב תוכנה דטרמיניסטי.

מערכת סוכן יעילה יכולה לנתב כל שלב אל רמת החישוב הנדרשת: מודל גדול לשאלות מורכבות, מודל קטן לסיווג, ומעבד רגיל לפעולות שאינן דורשות למידת מכונה.

ניתן גם לבצע כמה פעולות במקביל, אך מקביליות אינה חינמית. היא עשויה לקצר את זמן התגובה במחיר של הפעלת מספר גדול יותר של מאיצים בו־זמנית. הבחירה בין זמן, עלות ואנרגיה תצטרך להיקבע בהתאם לשירות ולדרישות המשתמש.

לדברי פרופ' מינסו רו, שהוביל את המחקר, תחרותיות בעידן הסוכנים לא תימדד רק לפי מידת ה"חוכמה" של המודל, אלא גם לפי היכולת להפעיל אותו ביעילות. לדבריו, נדרש תכנון משותף של מודלי הסוכנים, תשתיות מרכזי הנתונים ומערכת החשמל.

המחקר מצביע על כך שהמעבר לבינה מלאכותית סוכנית אינו רק שינוי בתוכנה. הוא יוצר עומס עבודה חדש בעל דפוסי השהיה, ניצולת וצריכת חשמל שונים מהסקת LLM רגילה. אם הסוכנים יהפכו לשכבה מרכזית בשירותי תוכנה, השאלה כיצד להפעיל אותם ביעילות עשויה להיות חשובה לא פחות מהשאלה כיצד לשפר את יכולותיהם.

שם המאמר:
The Cost of Dynamic Reasoning: Demystifying AI Agents and Test-Time Scaling from an AI Infrastructure Perspective

DOI:
10.1109/HPCA68181.2026.11408569

הפוסט מחקר: סוכני AI עלולים לצרוך פי 136 יותר אנרגיה משאילתת בינה מלאכותית רגילה הופיע לראשונה ב-Chiportal.

חברת DriveNets הישראלית מרחיבה את פעילותה בתחום תשתיות הבינה המלאכותית ומשיקה שתי פלטפורמות תקשורת חדשות, DriveNets 2600SL ו־DriveNets 2601S, המיועדות להקמת אשכולות מחשוב גדולים המבוססים על מעבדים ומאיצים מסוגים שונים.

שתי הפלטפורמות מבוססות על שבב המיתוג Tomahawk 6 של ברודקום ומציעות קיבולת כוללת של 102.4 טרה־ביט לשנייה. המערכות כוללות 64 חיבורים בקצב של עד 1.6 טרה־ביט לשנייה לכל חיבור, וניתן להגדיר אותן גם למספר גדול יותר של חיבורים בקצבים נמוכים יותר.

Tomahawk 6 הוצג בידי ברודקום כשבב מיתוג Ethernet למרכזי נתונים, בעל קיבולת כפולה מזו של הדור שקדם לו ומיועד לרשתות המחברות מספר גדול מאוד של מאיצי AI.

DriveNets מסרה כי המערכות יהיו זמינות למשלוח ברבעון השלישי של 2026. דגם 2601S יתבסס על קירור אוויר, ואילו דגם 2600SL יציע קירור נוזלי מלא. המעבר לקירור נוזלי נעשה משמעותי יותר ככל שצפיפות ההספק בארונות השרתים עולה וככל שמרכזי הנתונים מנסים לצמצם את צריכת החשמל של מערכות הקירור.

הפלטפורמות מיועדות לתמוך בכמה שכבות של רשתות AI: חיבור בין מאיצים בתוך אשכולות, חיבור בין אשכולות, וכן קישור למערכות אחסון ולרשת הקדמית של מרכז הנתונים. לדברי החברה, ניתן לפרוס באמצעותן רשתות הכוללות מאות ועד מאות אלפי יחידות עיבוד מסוג XPU – מונח כללי הכולל מעבדים גרפיים, מאיצי AI ומעבדים ייעודיים אחרים.

האתגר המרכזי בתשתיות כאלה אינו רק כוח החישוב של כל מאיץ, אלא היכולת להעביר במהירות נתונים בין אלפי מאיצים. כאשר הרשת אינה עומדת בעומס, מעבדים יקרים נותרים ללא עבודה בזמן שהם ממתינים למידע.

"המשאב היקר ביותר בעולם כיום שעומד ללא שימוש הוא מעבד XPU שממתין לרשת התקשורת שתעביר לו מידע", אמר עידו סוסן, מנכ"ל ומייסד שותף ב־DriveNets. לדבריו, הפלטפורמות נועדו לשפר את ניצול המאיצים ואת היעילות האנרגטית של אשכולות AI.

DriveNets מקדמת ארכיטקטורה פתוחה המבוססת על Ethernet, המאפשרת לשלב מאיצים, כרטיסי רשת ורכיבים של ספקים שונים. בכך היא מתחרה הן ביצרניות ציוד רשת מסורתיות והן במערכות סגורות המשלבות מאיצים ותקשורת של ספק יחיד.

ההשקה מגיעה לאחר שהחברה הודיעה על גיוס של 410 מיליון דולר, שנועד בין היתר להרחיב את פעילותה בשוק רשתות התקשורת למרכזי AI.

הפוסט DriveNets משיקה פלטפורמות תקשורת בקצב 102.4 טרה־ביט לשנייה לתשתיות AI הופיע לראשונה ב-Chiportal.

אמיר פנוש, מנכ"ל חברת הקניין הרוחני לשבבים סיוה (CEVA), נבחר ל"מנכ"ל השנה של חברת בינה מלאכותית" במסגרת תוכנית הפרסים AI Breakthrough לשנת 2026. התוכנית מעניקה מדי שנה פרסים לחברות, מוצרים ומנהלים בתחומי הבינה המלאכותית, ובהם חומרת AI, למידת מכונה, בינה מלאכותית יוצרת, רובוטיקה וראייה ממוחשבת.

הפרס ניתן על רקע האסטרטגיה שמקדמת סיוה בתחום הבינה המלאכותית במכשירי קצה. החברה מתמקדת במעבר ממודל שבו מרבית העיבוד מתבצע במרכזי נתונים ובענן למודל היברידי, שבו חלק מהסקת המסקנות מתבצע ישירות במכשיר.

עיבוד מקומי מאפשר להפחית את זמן ההשהיה, לצמצם את כמות הנתונים המועברת לענן ולשפר את הפרטיות. הוא חשוב במיוחד במערכות שבהן נדרשת תגובה מיידית או שבהן החיבור לרשת אינו רציף, כגון מערכות רכב, מצלמות חכמות, ציוד תעשייתי, רובוטים ומוצרי אינטרנט של הדברים.

חיבור בין חישה, תקשורת ועיבוד

סיוה מפתחת ומעניקה רישיונות לקניין רוחני המשולב בשבבים של לקוחותיה. בניגוד ליצרנית שבבים המוכרת רכיבים פיזיים, המודל העסקי שלה מבוסס בעיקר על תשלום עבור רישיונות ועל תמלוגים מכל שבב או מוצר שבו שולבה הטכנולוגיה.

אסטרטגיית הבינה המלאכותית של החברה מרוכזת תחת Ceva AI Fabric, הכוללת מעבדי בינה מלאכותית, תוכנה, כלי פיתוח וטכנולוגיות קישוריות וחישה. המטרה היא לאפשר ליצרני שבבים ומערכות לשלב במוצר אחד קליטת מידע מחיישנים, תקשורת אלחוטית והפעלת מודלים של בינה מלאכותית.

מרכיב מרכזי בפלטפורמה הוא משפחת מעבדי NeuPro NPU, המיועדת להאצת רשתות עצביות במכשירי קצה בצריכת הספק נמוכה. לפי סיוה, החברה רשמה יותר מ־12 עסקאות רישוי למעבדים אלה ביישומים הכוללים מוצרי צריכה, מערכות תעשייתיות, רכב, תשתיות ומחשבים אישיים.

החברה אינה מפרטת בהודעה מי הם הלקוחות, באילו שבבים תשולב הטכנולוגיה או מתי המוצרים צפויים להגיע לשוק. בתעשיית הקניין הרוחני לשבבים עשוי לעבור זמן ממושך בין חתימת הסכם רישוי, השלמת תכנון השבב ותחילת ייצור המוני שמניב תמלוגים.

יותר משני מיליארד מכשירים בשנה

לדברי סיוה, יותר משני מיליארד מכשירים המבוססים על טכנולוגיות שלה נשלחים לשוק מדי שנה, ועד כה שולבו רכיבי הקניין הרוחני של החברה ביותר מ־21 מיליארד מוצרים. הטכנולוגיות שלה כוללות Bluetooth, Wi-Fi, UWB ודור חמישי, לצד עיבוד אותות, היתוך חיישנים ומעבדי בינה מלאכותית.

פנוש אמר כי המעבר לעיבוד מבוזר מחייב מיליארדי מכשירים מחוברים "לחוש, להבין ולפעול באופן מקומי", וכי החברה התאימה את סל הטכנולוגיות שלה לכיוון זה.

סטיב ג'והנסון, מנהל בתוכנית AI Breakthrough, אמר כי פנוש זיהה מוקדם את התרחבות שוק ה־Edge AI ובנה פורטפוליו שנועד לתמוך במכשירים המסוגלים להבין את סביבתם ולפעול בהתאם.

עבור סיוה, חשיבותו העסקית של המעבר ל־Edge AI תלויה ביכולתה להפוך את עסקאות הרישוי לשבבים מסחריים ובהמשך להכנסות מתמלוגים. החברה פועלת בשוק תחרותי הכולל פתרונות פנימיים של יצרניות שבבים, ארכיטקטורות פתוחות וספקיות אחרות של מעבדי NPU וקניין רוחני. יתרונה האפשרי הוא בשילוב בין עיבוד בינה מלאכותית, חישה וקישוריות בתוך פורטפוליו אחד המותאם למכשירים מוגבלי הספק.

הפוסט מנכ"ל סיוה אמיר פנוש זכה בפרס AI Breakthrough על הובלת אסטרטגיית הבינה המלאכותית בקצה הופיע לראשונה ב-Chiportal.

OpenAI וברודקום חשפו ב־24 ביוני 2026 את Jalapeño, שבב הבינה המלאכותית הראשון שתוכנן במיוחד עבור OpenAI. השבב מיועד בעיקר לשלב ההסקה – הפעלת מודל בינה מלאכותית שכבר אומן כדי לייצר תשובות, לכתוב קוד או לבצע משימות עבור המשתמשים.

OpenAI מכנה את הרכיב “מעבד בינה” – Intelligence Processor – ומציגה אותו כראשון במשפחה רב־דורית של מאיצים ומערכות מחשוב שתפותח בשיתוף ברודקום. בניגוד למעבדים כלליים שהותאמו עם השנים לעומסי בינה מלאכותית, Jalapeño תוכנן מהיסוד בהתאם לדפוסי החישוב, תנועת הנתונים, הזיכרון והתקשורת של מודלי שפה גדולים. (OpenAI)

לדברי החברות, דוגמאות הנדסיות של השבב כבר פועלות במעבדות OpenAI בתדר ובצריכת ההספק המתוכננים ומריצות, בין היתר, עומסי עבודה של מודל GPT-5.3-Codex-Spark. החברה מסרה כי התכנון נועד לקרב את הביצועים המעשיים של המערכת לביצועי השיא התאורטיים, באמצעות הפחתת תנועת הנתונים ואיזון בין יחידות החישוב, הזיכרון ורשת התקשורת.

OpenAI וברודקום עדיין אינן מפרסמות מדדי ביצועים מספריים. הן טוענות כי הבדיקות הראשוניות מצביעות על ביצועים לוואט טובים במידה ניכרת מאלה של המאיצים המתקדמים הקיימים, וכי דוח טכני מפורט יפורסם בחודשים הקרובים. מנכ"ל ברודקום הוק טאן אמר לרויטרס כי השבב משתווה, להערכתו, למעבדי Blackwell של אנבידיה ולמעבדי ה־TPU של גוגל, אולם מדובר בשלב זה בטענה של החברה ולא בהשוואה עצמאית.

מהנדסי OpenAI פיתחו את ארכיטקטורת השבב, ואילו ברודקום תרמה את יכולות מימוש הסיליקון, הקישוריות ורכיבי התקשורת, ובהם שבבי הרשת ממשפחת Tomahawk. חברת Celestica הקנדית אחראית על הכרטיסים, המסדים ושילוב מערכות השרתים. השבב נשלח לייצור ב־TSMC לאחר מחזור פיתוח של כתשעה חודשים בלבד, שלפי OpenAI הואץ גם באמצעות שימוש במודלי הבינה המלאכותית שלה בתהליכי התכנון והאופטימיזציה.

OpenAI מתכננת להתחיל לפרוס את Jalapeño עד סוף 2026. השבבים ומערכות השרתים צפויים לשמש את OpenAI עצמה ולא להימכר בשוק הפתוח. החברה מתכננת לפרוס את הפלטפורמה בהיקפים של גיגה־ואטים במרכזי הנתונים שלה ושל שותפותיה, ובהן מיקרוסופט.

המהלך מציב את OpenAI לצד גוגל, אמזון, מטא ומיקרוסופט, שפיתחו גם הן מאיצים ייעודיים כדי לשלוט בעלויות ובביצועים של מערכות הבינה המלאכותית שלהן. עם זאת, OpenAI אינה צפויה להפסיק להשתמש במעבדי אנבידיה או AMD. השבב החדש נועד להוסיף מקור חישוב נוסף, המותאם במיוחד להפעלת שירותים כמו ChatGPT, Codex וממשקי ה־API של החברה, בשעה שהביקוש העולמי לכוח חישוב ממשיך לעלות.

הפוסט OpenAI חושפת את Jalapeño: שבב ההסקה הראשון שפיתחה עם ברודקום להפחתת התלות באנידיה הופיע לראשונה ב-Chiportal.