החברה הישראלית דרייבנטס, שפועלת ממרכז רעננה, נמצאת כיום בעמדת זינוק לא שגרתית בקרב על עתיד תשתיות הבינה המלאכותית. מה שהתחיל כניסיון להחליף את סיסקו וג'וניפר אצל ספקיות תקשורת, הפך בשנה האחרונה להזדמנות אסטרטגית לכבוש נתח הולך וגדל מ"מפעלי ה-AI" – חוות שרתים ענקיות שמספקות כוח עיבוד לשירותי בינה מלאכותית.

לפי מידע שנחשף לאחרונה, צבר ההזמנות של דרייבנטס עומד על כמיליארד דולר לחמש השנים הקרובות, והחברה כבר משרתת חברות AI כמו WhiteFiber – שהחלה את דרכה בכריית ביטקוין וכעת בונה מרכזי GPU באיסלנד. דרייבנטס מסתמכת על גישה של קונסולידציה מודולרית: "קופסאות לבנות" מבוססות אתרנט ושבבים מברודקום, נוקיה או סיסקו, המתחברות למערך אחד וירטואלי של נתב מתקדם.

בשונה מהגישה הסגורה של אנבידיה, הנשענת על פרוטוקול InfiniBand ושבבי ה-Hopper או Blackwell, מציעה דרייבנטס פתרון פתוח, גמיש וזול יותר, שמבוסס על Ethernet. הביצועים שהושגו עד כה שכנעו לקוחות גדולים, ובמיוחד "ניאו-עננים" – חברות חדשות דוגמת CoreWeave או NVAIS המציעות שירותי GPU-as-a-Service, ושואפות להחליף את תשתיות הענן הוותיקות של גוגל, אמזון ומיקרוסופט.

גם בשוק ספקיות התקשורת דרייבנטס ממשיכה להרחיב את נוכחותה, עם חוזים מול AT&T, קומקאסט, NTT וקונצרן התקשורת היפני KDDI, שמיישם את פתרונות החברה כדי להתמודד עם עומסי המידע שמייצרות מערכות הבינה המלאכותית.

החברה הוקמה בשנת 2015 על ידי עידו סוסן (מייסד Intucell שנמכרה לסיסקו ב-475 מיליון דולר) והלל קוברינסקי (מייסד Interwise), וכיום מעסיקה כ-500 עובדים. בגיוס האחרון ב-2022 הוערכה דרייבנטס בשווי של 3.1 מיליארד דולר. בשוק שבו אנבידיה מובילה ו-Arista נחשבת לאלטרנטיבה השנייה, מתכוונת דרייבנטס לתפוס את המקום השלישי.

מעבר להיבטים הטכנולוגיים, דרייבנטס מבקשת לשנות את מבנה העלויות של תשתיות תקשורת בכלל ושל מרכזי עיבוד AI בפרט. "זה לא עניין של חיסכון של 10% — זו מהפכה במבנה העלויות," אמר קוברינסקי לאחרונה, והוסיף כי האסטרטגיה ארוכת הטווח של החברה כוללת איחוד בין תשתיות AI לתשתיות ספקיות שירות, כך שהן יתמזגו בעתיד.

באקלים תחרותי בו גם אנבידיה עצמה מאמצת כעת את פרוטוקול האתרנט, דרייבנטס מצליחה להוכיח שניתן לבנות תשתית AI מהירה, חסכונית וסקלאבילית — מבלי להיכנע לסטנדרטים הסגורים של השחקנית הגדולה בשוק.

תגיות:
דרייבנטס, עידו סוסן, הלל קוברינסקי, בינה מלאכותית, אנבידיה, חוות שרתים, תקשורת נתונים, ניאו-עננים

הפוסט דרייבנטס מאתגרת את אנבידיה: זכתה בהזמנות בכמיליארד דולר הופיע לראשונה ב-Chiportal.

רק שני אורחים מחברות שותפות של TSMC זכו להציג את החדשות האחרונות שלהם בכנס הטכנולוגי השנתי שנערךהיום (ג') באמסטרדם. האחד היה קורט סיברס, מנכ"ל NXP והשני היה יוסי מיוחס מנכ"ל XSight הישראלית שהדגים כיצד עובדת TSMC עם השותפות הטכנולוגיות שלה.

מיוחס הציג שני מוצרים חדשים שנועדו לתת מענה לצרכים הגדלים של תעשיית הענן והבינה המלאכותית: מתג רשת בקנה מידה היברידי (Hybrid-Scale Switch) ומעבד תשתית (Infrastructure Processor) מסדרת E1. שני השבבים מבוססים על טכנולוגיית ייצור 5 ננומטר של TSMC ומציעים שילוב בין עוצמת חישוב, יכולת תכנות גמישה ויעילות הספק גבוהה – תכונות שממקמות את Xsight כחברה צעירה עם שאיפות גדולות בשוק צפוף ותובעני.

חיבור בין רשת לעיבוד – פתרון כולל בענן

בהרצאתו, הציג מיוחס שצאת חזון החברה להציע פתרונות קצה-לקצה, המשלבים בין תשתית תקשורת לתשתית חישוב, בייחוד בסביבות עתירות עומס כמו מרכזי נתונים ציבוריים, מקבצי GPU ותשתיות AI. "בעוד חברות אחרות מתמקדות בקצה הרשת או בהאצת ה-Edge," אמר מיוחס, "אנחנו מתמקדים בלב המערכת – בליבת הענן, במתגים, ובמעבדים שעושים את העבודה ברקע."

לדבריו, חברת Xsight, שהוקמה ב־2017 מונה כיום כ־190 עובדים, מבוססת על צוות מייסדים ועובדים שמגיעים מרקע של ענקיות שבבים כמו NVIDIA, מלאנוקס, ברודקום, מרוול ואחרות. גם מבחינת מימון, Xsight נתמכת על ידי קבוצת משקיעים בולטים, ביניהם אביגדור וילנץ, שצוין אישית במהלך ההרצאה. ונכח אף הוא בכנס.

שני שבבים – כל אחד עם ייעוד שונה

השבב הראשון שהוצג הוא מתג מדגם X2 – מתג רשת בטכנולוגיית 5 ננומטר, שתוכנן לספק קצב תעבורה של 12.8 טרה-ביט לשנייה. השבב כולל מנועי עיבוד פנימיים מבוססי ARM ותשתית מיקרוקודית המאפשרת תכנות דינמי של פעולות הרשת. "זהו לא עוד מתג, אלא תשתית ניתנת לתכנות שמאפשרת ללקוחות להתאים את ההתנהגות של הרשת לדרישות היישומים שלהם," הסביר מיוחס.

המוצר השני – מסדרת E1 – הושק רשמית שבוע בלבד לפני הכנס, והוא מיועד לשמש כמעבד תשתית עצמאי (Infrastructure Processor) עם 64 ליבות ARM N2, ממשקי PCIe Gen5, זיכרון DDR5, ותמיכה בקישוריות של עד 800GbE. יתרונו המרכזי הוא ביכולת לבצע תכנות מלא של מסלול הנתונים (Full Data Path Programmability) – תכונה שמאפשרת גמישות רבה בתכנון מערכות AI מודרניות.

השקה מהירה – ומערכות פעילות כבר בשטח

מיוחס הדגיש את קצב הפיתוח יוצא הדופן של שני המוצרים. המתג X2 הגיע למעבדה באפריל 2024, וכבר באותו יום הופעל והחל לעבוד. "הפעלנו את המערכת באותו ערב שבו קיבלנו את הסיליקון מהמפעל. מאז עברנו שלבי בדיקה, וכיום המערכת זמינה להערכה אצל לקוחות בתעשייה." שבב ה-E1, לעומת זאת, הגיע לסבב סיליקון ראשון רק במרץ 2025, אבל בתוך פחות מחודשיים כבר פועל באופן מלא עם מערכת תוכנה ולינוקס, תומך בכלל הממשקים, ומוצג בכנס.

שילוב בין שני השבבים – מתג חכם (Smart Switch)

אחת ההכרזות המעניינות ביותר הייתה סביב יכולת השילוב בין שני השבבים: "אנחנו מסוגלים ליישם פתרון מלא של מתג חכם, שבו המתג מנתב את התעבורה למעבד התשתית, שמבצע עליה ניתוח או טרנספורמציה, ומחזיר אותה ליעד – כל זה עם שבבים שתכננו בעצמנו, מבפנים." זהו מודל שמתאים במיוחד לסביבות AI שבהן דרוש עיבוד מקומי מהיר, כגון ניתוב תעבורה, סינון, קידוד, או אופטימיזציית ביצועים.

ביקורת מרומזת על פתרונות קיימים

בשלב זה ציין מיוחס את הדמיון של ה-E1 לפתרון Nitro של AWS – רכיב חישוב עצמאי שנטמע בתוך שרתים במרכזי נתונים. אך הוא הדגיש: "אנחנו מציעים גמישות רבה יותר, ביצועים טובים יותר, וצריכת הספק נמוכה יותר. מבחינתנו זה 'Nitro על סטרואידים'."

תמיכה מצד TSMC – שותפות טכנולוגית של ממש

מיוחס הקדיש חלק מדבריו להבעת תודה ל-TSMC: "עבור חברה קטנה כמונו, התמיכה שקיבלנו – הטכנולוגית, הלוגיסטית והאנושית – מצד TSMC והאקוסיסטם שלה, היא יוצאת דופן. היא זו שאפשרה לנו להשיק שתי מערכת תוך פחות משנה."

הפוסט יוסי מיוחס, מנכ"ל Xsight הציג בכנס TSMC פתרון חדש לעיבוד תשתיות ענן ובינה מלאכותית הופיע לראשונה ב-Chiportal.

“בלי סיליקון, AI היה נשאר מושג תיאורטי” פרקש נאריין, מנכ״ל Real Intent בפאנל בהנחיית מנכ"ל ASG שלמה גרדמן, השתתפו דב מורן ,מנהל קרן גרוב ונצ'רס, ד"ר פרקש נאריין, מנכ"ל חברת Real Intent ואורי תדמור, נשיא KLA ישראל וסגן נשיא KLA העולמית. במסגרת הפאנל המיוחד על בינה מלאכותית (AI) בכנס ChipEx2025, נשאלו שלושת בכירי תעשיית השבבים סדרת שאלות מפתח על ההשפעות ההדדיות בין AI לסיליקון, האתגרים בהטמעת טכנולוגיות חדשות, והעתיד של הענף כולו.

מה משפיע יותר – AI המוטמע בשבבים או השבבים המאפשרים AI?

דב מורן: “אי־אפשר להפריד בין שני הגורמים הללו, שכן הם מהווים מערכת אקולוגית משולבת. מצד אחד, ללא שבבים חזקים המסוגלים לבצע חישובים בקצב גבוה, אין יישום מעשי של אלגוריתמים מתקדמים שיוגדרו כ-AI. מצד שני, אלגוריתמים חכמים שמשתמשים בלמידת מכונה ובאינטליגנציה מלאכותית משפיעים עמוקות על תכנון חומרה, אופטימיזציה של תהליכים ופיתוח חומרים וחלקיקים חדשים. לכן, כל שינוי בתכנון השבב—בין אם מדובר בארכיטקטורת מעבד או במימוש הנדסי של רכיבי זיכרון—מניע שיפורים ביכולות ה-AI. במקביל, כל פיתוח אלגוריתמי חדש דורש התאמות בתשתית הסיליקונית, כך שכל אחד מעצבי התחום חייב לפעול בשיתוף פעולה הדוק עם חוקרי האלגוריתמים כדי למקסם את פוטנציאל החדשנות.”

ד"ר נאריין: “בימים אלה הסיליקון הוא ‘הדלק’ שמפעיל את מנועי ה-AI: ללא פלטפורמות חומרה המסוגלות לבצע עשרות טריליוני חישובים בשנייה, רוב אלגוריתמי הלמידה העמוקה היו נשארים בגדר ניסוי מדעי. בטווח הקצר, אין AI מעשי ללא שבבים מתקדמים, אך לטווח הארוך צפוי מצב שבו יוכלו אלגוריתמים חכמים להשפיע גם על תהליכי פיתוח וייצור השבבים עצמם—בעזרת ניתוח נתוני ייצור בזמן אמת, זיהוי דפוסים בלתי־אינטואיטיביים ואופטימיזציה דינמית של פרמטרים פיזיקליים. עם זאת, ברגע זה, אנחנו בעיצומו של מחזור שבו הסיליקון מוביל את ה-AI, אך השפעת ה-AI על עולם החומרה תתעצם ככל שנצבור יותר נתוני ייצור ונפתח כלים אנליטיים חזקים.”

אורי תדמור : “ב-KLA אנו עדים להשפעה הדדית ומתמשכת: מצד אחד, לקוחותינו מפתחים שבבים הכוללים HBM, אריזה תלת־מימדית ומבנים מורכבים שדורשים פתרונות yield ו-defectivity מתקדמים. מצד שני, אנו משלבים אלגוריתמים של למידת מכונה בכלי המטרולוגיה והבקרה שלנו כדי לייעל זיהוי פגמים ולחזות כשלי ייצור עוד בטרם קרו. התוצאה היא כי ה-AI שכבר מוטמע בתהליך הייצור מוביל לרמת דיוק ואמינות שנדרשים להמשך פיתוח שבבים מתקדמים, ואילו הצורך בשבבים עם ביצועים גבוהים ומאפייני חישוב מורכבים מדרבן אותנו לשכלל את אלגוריתמי ה-AI שלנו בכלי הניטור.”

אם הייתה לכם “כדור בדולח” ל-AI, כיצד הייתם משתמשים בו?

דב מורן: “בתור משקיע הון סיכון העוסק בטכנולוגיות עמוקות (deep tech), הכדור בדולח שלי היה משמש לחיזוי מגמות שוק חצי־מוליכים בטווח של חמש עד עשר שנים. הייתי שואל את הכדור מתי תגיע הערכת השווי של חברות דוגמת NVIDIA או TSMC לרמות קיצון, אילו טכנולוגיות יצרו מהפכות (כגון מעבר ל-2 ננומטר או שילוב neuromorphic), ואילו שווקים גאוגרפיים יובילו השקעות משמעותיות. הכוח הגדול של ה-VC הוא לראות סטארט-אפים בשלב מוקדם, ולוודא שההשקעה תממש את הפוטנציאל; הכדור בדולח היה מסייע לי לאמוד מראש אילו מיזמים יניבו תשואה גבוהה ואילו יתקעו את ענף ה-AI במבוי סתום.”

ד"ר נאריין: "אם הייתי מקבל מידע אנליטי מדויק מתחום ה-AI, הייתי מנצל אותו כדי לייעל את תהליכי ה-EDA שאנו מספקים ללקוחותינו: אילו תרחישי בדיקה יניבו פחות תקלות בשלב sign-off, באיזו תצורת RTL בשימוש חישובים מקבילים יוביל לביצועים מיטביים, ואיך להפחית את שטח הסיליקון הנדרש למעגל. בין אם מדובר בחיזוי זמן tape-out או באופטימיזציה של אוטומציה אנלוגית מבוססת למידת מכונה, היכולת להניח את הכדור לפני תחילת התהליך תעניק לנו יתרון תחרותי חד–משמעי.”

אורי תדמור: “בכדור הבדולח שלי הייתי מבקש תחזית על התפתחות תהליכי הייצור והבדיקות בעידן ה-3 ננומטר ומטה: באיזו מהירות יטמיעו foundries תהליכים חדשים, באילו תבניות אריזה אקטיביות יפחיתו defectivity בצורה דרמטית, ומה תהיה השילוב האופטימלי בין AI בענן לבין AI המוטמע בכלי הבדיקה. תשובות אלו יאיצו תכנון פיתוח כלים מותאמי AI, ימקמו את KLA בחוד החנית של טכנולוגיית ה-yield control ויספקו ללקוחותינו יכולות תובנה ובקרה לפני שיושקו הדורות הבאים של שבבים.”

אילו רעיונות פורצי דרך ראיתם אצל הסטארט-אפים וכיצד הם מתכננים לנצל AI?

דב מורן: “הרעיון שהכי תפס אותי הוא שילוב AI בפתרונות דיאגנוסטיקה רפואית: חברות שמשתמשות ברשתות עצביות לזהוי מוקדם של מחלות נדירות מתבססות על אוספי נתוני רנטגן, MRI וביוכימיה שמגיעים ממספר בתי חולים עולמיים, ומסוגלות לבצע אבחנה מדויקת בתוך שניות. במקום שמתלמיד רפואה יראה 50–100 חולים ביום, אלגוריתם טרained ב-AI רואה עשרות אלפי מקרים ומשפר את החלטות הרופאים. בנוסף, בחלק מהסטארט-אפים נבחנו פלטפורמות לזרז פיתוח תרופות על ידי חיקוי מולקולרי בינה מלאכותית, כך שתהליך אמריקה מסתיים תוך שנתיים במקום עשור, עם חסכון של מיליארדי דולרים.”

ד"ר נאריין: “בתחום התכנון עצמו, נחשפתי לחברות המפתחות מסלולי אוטומציה אנלוגית מבוססת למידת מכונה, שנותנות מהנדסים אפשרות להגדיר בפרמטרים גבוהי־רמה את מגבלות המעגל, ולקבל בעזרת AI הצעות לתכנון מבנים שמפחיתים רעש חשמלי ושיפור SNR ללא עריכת הסכמה ידנית של תאי ה-layout. הפתרונות הללו משתמשים בכמות אדירה של נתוני ניסוי, ולמידה על־ידי העברת לוחות סיליקון אמיתיים, ופותחים פתח למהפכה שתפחית באופן משמעותי את הזמן הדרוש לאפיון מעגלים אנלוגיים.”

אורי תדמור: “בחברות סטארט-אפ שהצגתי כלי ל-ML-driven defect detection בפאבים, ראינו גידול של למעלה מ-30% בזיהוי מוקדם של פגמים עוד בטרם הם גורמים לכשל. כמו כן, חברות שפיתחו AI-driven metrology adaptive sampling מצליחות להקטין את כמות ההדגימות הפיזיות על ופר על כל wafer ב-40%, תוך שמירה ואף שיפור של ה-yield. הפוטנציאל ליישם אלגוריתם חיזוי פגמים בזמן אמת בעזרת מצלמות תעשייתיות ושבבי עיבוד תמונה מוטמעים בכלי ה-inspection, מציג מהפכה פרוצדורלית ב-fab automation.”

פרקש, מהם האתגרים בהטמעת AI ב-IPs וב-design flow? האם בעתיד AI יעצב שבבים טוב יותר מהמהנדס האנושי?

“האתגר המרכזי הוא ניהול הסיכונים והאחריות: כדי לאמן מודל AI אמין דרושות כמויות עצומות של נתוני RTL והתנהגות post-layout, שהלקוחות לרוב אינם מוכנים לחשוף לספקים חיצוניים. ללא גישה ל-data sets רחבים, המודלים עלולים להציג תוצאות חריגות ולגרום לשגיאות בזיהוי בעיות timing או functional coverage, אך האחריות לכלי ולתקלות שנובעות ממנו נשארת על כתפי הספק. יתרה מזו, תהליך העדכון וה־re-training של המודל צריך להיות מתועד ובקרת איכות עליו קפדנית, כדי למנוע “drift” של הדיוק לאורך זמן. מסיבה זו פיתוח AI אמיתי בעולמות EDA מחייב תשתית שיתוף נתונים סגורה, אבטחת מידע ברמה גבוהה ומתודולוגיות אימות ו־rollback שיקחו בחשבון כישלונות אפשריים.”

“במחקר שהוזכר, העמידו בפני מודלים גנרטבייים הצעות לתכנון מעגל אנלוגי למול 5G שהיו בלתי־אינטואיטיביות ולרוב קרוּעש־המיתרי: מבנים דחוסים במיוחד עם יחסי W/L ייחודיים שנבדקו במעבדה והציגו ביצועים שעקפו תכנונים מסורתיים. עם זאת, מתוך עשרות הצעות רק חלק קטן עבד בפועל, ולעיתים כשל בצורה לא צפויה. זה מדגיש את הצורך ב”האדם שבמעגל” שיאמת, ידרג וישפר את המודל. בטווח של שנתיים–חמש, נראה AI כמשלים כוח עבודה אנושי, אך לא מחליף מהנדסים; הוא יגביר את Skew של ביצועים, יסייע באופטימיזציה מורכבת ויאפשר רעיונות חדשים, אך יידרש תהליך רגולציית ובקרה קפדן כדי לשלב תכנון “לא אינטואיטיבי” תוך שמירה על רמת אמינות וטעות נמוכה מאוד.”

אורי תדמור, כיצד AI ישפר את yield ו-defectivity בכלים שלכם? מה עוד ניתן לשפר בתהליכי ה-AI שלכם מעבר למטרולוגיה ובדיקות?

“ב-KLA אנו ממשיכים להטמיע אלגוריתמים של למידת מכונה במטרולוגיה ובבקרת תהליכים כבר למעלה מעשור. בשנים האחרונות, הוספנו מודולים מתקדמים ל-AI-driven pattern recognition, המסוגלים לזהות דפוסים עדינים של פגמים בתמונות הסורקות של wafers במהירות של מאות אלפי נקודות בדיקה לשנייה, ולא רק לדווח על קיומם אלא גם לדרג אותם לפי חומרת ההשפעה על הגרעין. התוצאה ב-fab היא הפחתה של עד 20% בכמות wafer scrapped ובשיפור של 15% ב-First Pass Yield. בנוסף, אנו משתמשים בטכניקות reinforcement learning כדי לכוונן פרמטרים במכשירים בזמן אמת, כך שהמערכת “לומדת” את האופן האופטימלי להפעלת הלייזר או המיקרוסקופ כדי לצמצם רעש ולשפר רזולוציה. היתרון בשילוב AI הוא היכולת להתעדכן כל הזמן בנתונים ריאל-טיים מהייצור ולאפשר התראות מוקדמות לצוות ה-fab לפני שהבעיה תתפתח לכשל יקר.”

“אנו מתמקדים פיתוח קווי אריזה רובוטיים אוטונומיים, שישמשו כ’מפעל של אחד’—קו ייצור גמיש המאפשר הרכבה של חבילות chiplets מותאמות אישית בלחיצת כפתור, בדומה לאוטומציה במפעלי foundry מודרניים. במקביל, הקמנו Knowledge Hub פנימי, שמאגד תיעוד, מדריכים ודאטה סטים מבוססי AI, כדי להכשיר צוותים בשטח ולהעניק להם תמיכה בזמן אמת באמצעות chatbots חכמים המובנים במכשירים. בנוסף, אנו מיישמים AI־driven Supply Chain Analytics לניהול מיטבי של מלאי חומרים קריטיים (למשל rare earth metals) ולחיזוי זמני אספקה, מה שמאפשר לנו לצמצם עומסי הזמנות ולאזן בין יעילות לעלויות.”

דב מורן, האם סטארט-אפים נפגעים מחוסר יכולת להפעיל AI ברמה של תאגידי הענק?

“להיפך: הפרדיגמה החדשה מאפשרת לסטארט-אפים קטנים לנצל פלטפורמות AI ציבוריות בענן ולהתחרות בשוק גלובלי, גם בלי תקציבי ענק. בזכות APIs לניהול מחזור חיי data pipelines, מודלים מוכנים לתפעול ו־AutoML, חברה שמורכבת ממפתח בודד או צוות מצומצם יכולה לחקור תרחישים מורכבים, לייצר אב-טיפוס במהירות ולהגיע למספרים גבוהים של inference calls ביום, בלי להשקיע במרכז נתונים פרטי. כך נוצרת “מערכת הרגעה” לטכנולוגיות עמוקות: במקום להשקיע מיליוני דולרים ב-GPU farms, סטארט-אפ יכול להתחיל עם Tier קטן בענן ולהגדיל משאבים ככל שהמודל מוכח. בנוסף, החברות הקטנות גמישות יותר באימוץ טכנולוגיות חדשות, בעוד תאגידים בכורים להגן על השקעות קיימות ומתקשים לבצע פריצות דרך מהירות.”

האם אתם אופטימיים לגבי עידן הבינה המלאכותית?

דב מורן: “בהחלט. בהשוואה למהפכות טכנולוגיות קודמות—המצאת המחשב, הרשת, הענן—AI מביא קפיצה קוונטית ביכולת עיבוד, ניתוח נתונים וקבלת החלטות אוטונומטיות. בדומה לאופן שבו חוקקו תקנות תעבורה והטמיעו טכנולוגיות בטיחות בכבישים כדי להפחית תאונות, אני צופה שממשלות ואיגודים מקצועיים יגבשו מסגרות רגולטוריות ואתיות שיבטיחו שימוש אחראי ב-AI. לאחר מכן, נוכל לראות צמצום דרמטי במקרי כשל קריטיים (כגון תאונות דרכים) ובאקלים החברתי-כלכלי. כמי שהשקיע וחי בלב תעשיית deep tech בישראל ובארה״ב, אני משוכנע שעם כלים רגולטוריים מתאימים, AI יוביל לשגשוג כלכלי, לדחיית מחלות ולפריצות דרך בתחומי אנרגיה וסביבה.”

ד"ר נאריין : “כניסיוננו בתחום ה-EDA, אני רואה ב-AI מנוע לייעול תהליכי בדיקה ואימות המבוססים על חזרות רבות, אך התלות בנתונים מדויקים ומאומתים יוצרת דילמות אחראיות. מצד אחד, זה תחום מלא הזדמנויות: פתרונות לזיהוי סביר של כשלים, אופטימיזציה אוטומטית של timing closure והמלצות תכנוניות בזמן אמת. מצד שני, קיים חשש ש-AI יאמן את עצמו על פלטפורמות של AI, דבר שייגרום ל’drift’ של איכות התוצאות ולטשטוש גבולות האחריות. כדי לשמר את האופטימיות, נחוץ פיתוח מסגרות וניהול מחמירים של חיי המודל (model lifecycle), כולל audit trails ו-mechanisms ל־rollback במקרה של תקלות בלתי צפויות.”

אורי תדמור : “בהחלט. היישומים כבר מחוללים שינויים מהותיים בכל שלב של ייצור שבבים, החל ממטרולוגיה, דרך בקרה על תהליכים ועד בניית מאגרי ידע לתפעול ואחזקה. עם כל גל אימון חדש, המודלים שלנו לומדים מדאטה ריאלי מהפאבים וממדגמי הייצור, מה שמאפשר לייעל קטן raw data ולהפיק insights שמייקרים את ערך המידע. אני מאמינה שבשנים הקרובות נראה פריצות דרך נוספות באריזה תלת־מימד, בניהול מלאי חכם ומתודולוגיות דיאגנוסטיקה מהירה יותר, שיביאו לעלייה משמעותית ב-yield, לירידה בעלות הייצור ולהגדלת קצב ההגעה לשוק.”

פרקש, אילו חששות יש לך לגבי AI בעתיד?

“אחד החששות המרכזיים הוא שבשנים הבאות AI יתאמן לא רק על תכנים אנושיים, אלא גם על תוכן שיוצר על־ידי מערכות AI אחרות, מה שעלול להוביל ל״boulevard of mirrors״ שבו המודל מאבד יכולת אבחנה בין אמת לשגיאה. בנוסף, ככל שהמודלים יהפכו מורכבים יותר, יגדל קושי להסביר את ההחלטות שלהן (explainability), מה שיכול להוביל לביטחון יתר או חוסר אמון כאשר המערכת מבצעת החלטה קריטית שאין לגביה תימוכין אנושיים. כדי להתמודד עם זאת, חשוב להמשיך בפיתוח שיטות בקרה, audit ו־ethics-by-design שיעצימו את האמון במערכות ה-AI ויבטיחו שהן נשענות על מקורות מידע אמינים, מגוונים ומבוקרים.”

הפוסט ד"ר פרקש נאריין ב- ChipEx2025: “בלי סיליקון, AI היה נשאר מושג תיאורטי” הופיע לראשונה ב-Chiportal.

במפגש בכירי תעשיית השבבים במסגרת כנס ChipEx2025, הציג קובי חנוך, מנכ"ל וויביט ננו, סקירה מעמיקה של עתיד הזיכרונות הבלתי־נדיפים (NVM) והטמעתם במערכות על־שבב (SoC).

“חנוך פתח בהצגת המגבלות האופייניות לטכנולוגיית פלאש המובנית, לרבות מהירות גישה נמוכה, צריכת הספק גבוה, עמידות מוגבלת בטמפרטורות קיצוניות וקושי בסקלאביליות מתחת ל-28 ננומטר, והסביר מדוע המעבר לפתרונות אלטרנטיביים הפך לנחוץ בתכנון שבבים מודרניים.”

בהמשך, הציג חנוך סיכום קצר של ניסיונות העבר והכשלונות הטכנולוגיים שאפיינו ויכוחים בתחילת שנות האלפיים סביב מחליפי פלאש, כגון FeRAM, PCM, MRAM ו-3D XPoint.

“אף ש-MRAM הגיע לייצור סדרתי דרך חברות כמו Everspin, העלויות הגבוהות והרגישות לשדות מגנטיים הגבילו את אימוצו. בשנים האחרונות צבר תאוצה פתרון ה-RERAM (Resistive RAM), אשר מציע עלות ייצור נמוכה משמעותית, עמידות עד 150 °C ומחזורי כתיבה של יותר מ-100,000.”

חנוך תיאר את עקרון הפעולה הפשוט יחסית של RERAM ומיקד ארבעה תחומי יישום בולטים: מוצרי צריכה עם ניהול הספק חכם, רכבים בתהליכים מתקדמים, בינה מלאכותית בקצה ונוירומורפיקה.

“שילוב RERAM מאפשר למקם את הזיכרון בסמוך למעגלים האנלוגיים ללא פגיעה בתפקודם, ובכך לייעל עלויות ולצמצם את מספר השבבים הנדרש במערכת.”

בסיום, הציג חנוך את מסלול ההטמעה של וויביט ננו בשיתוף LETI בצרפת, SkyWater בארה"ב ו-BB Hi-Tech, כולל שבבים תפקודיים ב-22 ננומטר ותעודות AEC-Q100.

חנוך סיכם: “וויביט ננו עומדת כספקית העצמאית היחידה של טכנולוגיית RERAM המוכנה לייצור סדרתי, וצפויה להניע מהפכה בזיכרונות בלתי-נדיפים, שתעצים יכולות עיבוד, תפחית צריכת הספק ותייעל עלויות ביישומים מתקדמים.”

הפוסט ReRAM – העתיד של הזיכרונות הבלתי־נדיפים במערכות על־שבב הופיע לראשונה ב-Chiportal.

אנבידיה תרחיב את משרדיה בתל אביב בעשר קומות, שיצטרפו לשמונה קומות בהן מחזיקה החברה כיום. לאחר ההתרחבות, יתפרשו משרדי החברה על פני 18 קומות, בשטח של כ-22,000 מ"ר – למעלה ממחצית משטחו של הבניין. במרכז המורחב של החברה בתל אביב יהיו למעלה מ-1,200 מקומות ישיבה, לצד מעבדות מחקר בינה מלאכותית וכן חלל כנסים ואירועים. כמו כן, אנבידיה תקים מתחם הסעדה שיופעל על ידי קבוצת מחניודה בהובלת השף אסף גרניט, שנבחרה להוביל את  המערך הקולינרי בכל משרדי החברה מוקדם יותר השנה. 

האתר יחל לפעול במתכונת מלאה עד סוף השנה, ויתמוך בהרחבת פעילות המחקר והפיתוח של אנבידיה בישראל, כשהוא משרת עשרות קבוצות מוצר והנדסה, המפתחות טכנולוגיות פורצות דרך עבור מרכזי נתונים – חומרה ותוכנה בתחום התקשורת המואצת, עיצוב מעבדים (CPU), תוכנה בתחום ה-AI ועוד.

18 הקומות של משרדי אנבידיה במגדלי "תאומי רובינשטיין" מצטרפות למשרדים ואתרי הנדסה של החברה הפרוסים ברחבי המדינה מצפון לדרום: תל-חי, יקנעם ומבוא כרמל בצפון הארץ, רעננה ותל אביב במרכזה, ובאר שבע בדרום. משרדי אנבידיה בתל אביב הם השניים בגודלם בישראל, אחרי הסייט המרכזי של החברה ביקנעם. 

"אנחנו שמחים להמשיך ולהעמיק את ההשקעה שלנו בישראל, מתוך אמונה בהון האנושי וביכולת שלו להוביל חדשנות עולמית", אמר עמית קריג, סגן נשיא בכיר להנדסת תוכנה ומנהל מרכז המחקר והפיתוח של אנבידיה בישראל. "הרחבת המרכז בתל אביב תאפשר לנו להמשיך לגדול, לגייס עוד עובדות ועובדים מצוינים, ולקדם בישראל חדשנות פורצת דרך בבינה מלאכותית". 

אנבידיה היא אחת המעסיקות הפרטיות הגדולות ביותר במשק עם למעלה מ -4,500 עובדות ועובדים. מאז רכישת חברת מלאנוקס בשנת 2020, מספר העובדות והעובדים של אנבידיה בישראל יותר מהכפיל את עצמו, והחברה ממשיכה להתרחב עם מאות משרות פתוחות במשרדיה ביקנעם, תל אביב, רעננה, באר שבע ותל חי.

הפוסט NVIDIA מכפילה את מרכז המו"פ בתל אביב כחלק מהעמקת פעילותה בישראל הופיע לראשונה ב-Chiportal.

בכנס ChipEx2025 שנערך בתל אביב הציג אנדריאס אולופסון, מנכ"ל חברת Zero ASIC מבוסטון, חזון חדש למידול תכנון שבבים בדמות פלטפורמה מודולרית וחסרת תלות בתהליך tape-out. אולופסון פתח בדברי רקע על מצבה של תעשיית הסיליקון: “הלב הפועם של התעשייה נשען היום על mask-sets עיקריים שדורשים השקעה של עשרות מיליוני דולרים וזמן המתנה של חודשים”, וציין כי “למרות ההתקדמות בטכנולוגיות וותיקות, המחסום הכלכלי והלוגיסטי מונע מיזמים קטנים — מהנדסים בודדים או סטארט-אפים — להיכנס למשחק”.

לאחר מכן תיאר אולופסון את התשתית אותה בנתה Zero ASIC:

“במקצה ראשון פיתחנו ספריית chiplets קנונית, הכוללת כ־15–20 רכיבים מרכזיים — ליבות CPU, מאיצי AI, בקרי זיכרון HBM, רכיבי I/O ואנלוג — כולם מוגדרים עד לרמת ה-footprint וה-pin-out, כך שניתן להרכיב מהם כל שילוב שדורש כ-80% מהיישומים בענף”.

על גבי ספריה זו הוטמע interposer אקטיבי:

“ה-interposer שלנו מספק רוחב פס גבוה ושיהוי נמוך בין ה-chiplets, וכך מאפשר להטמיע תצורות מורכבות בפס רחב בלי לוותר על ביצועים”, הסביר.

השלב הבא בפלטפורמה הוא הסביבה האינטראקטיבית בענן, המאפשרת למשתמשים לאמת ולסמלץ כל שילוב של chiplets ברמת RTL, ללא צורך בייצור פיזי:

“באמצעות שירות FPGA מבוסס AWS F1, הלקוח יכול לגרור ולשחרר רכיבים בסביבת הדפדפן, להפעיל סימולציה בזמן אמת בתוך פחות מדקה ולבדוק את התוכנה שלו על החומרה הווירטואלית — כל זאת בלי להזמין wafer אחד”, אמר.

הדגש העיקרי של אולופסון היה על העברת חלק מתהליך האימות אל הלקוח עצמו:

“Verification הוא כיום אחד העלויות הגבוהות ביותר בתכנון שבבים. כדי להתגבר על כך, הפכנו את המשתמש לחלק בלתי נפרד מתהליך האימות — הוא כבר בודק את הקומבינציות שמעניינות אותו, במקביל לפיתוח », ציין.

בהמשך חשף אולופסון תכניות להקמת קו אריזה רובוטי אוטונומי, שישמש כ”מפעל של אחד” ל־chiplets:

“המטרה היא לאפשר אריזה ופריסת chiplets בכל קונפיגורציה שיידרש, במחיר ונפח ייצור תחרותי, בדומה לאקטואציה המלאה שקיימת במפעלי foundry”, ציין.

על השפעת פלטפורמת chiplets על מפת ה-foundry העולמית אמר:

“המודל המונוליטי הנוכחי יוצר בור נשכח של foundries שאין להן גישה לאקו־סיסטם רחב. ברגע שתהיה ספריה פתוחה ונגישה, כל מפעל יוכל לספק רכיבים ולהתממשק לפלטפורמה — כך ייווצר שוק מבוזר, תחרותי ודינמי יותר”.

אולופסון סיכם את דבריו בתקווה שהפלטפורמה תוזיל עלויות ותקצר לוחות זמנים עבור כל מפתח חומרה:

“אנו מציעים מהפכה תכנונית: בתוך שבוע אחד בלבד ניתן להפוך רעיון שבב לניסוי תוכנתי בענן, בלי ההוצאות הכבדות והסיכונים הגבוהים של mask-sets — וכך לפתוח את הדלת לעולם שלם של חדשנות חומרתית”.

ההרצאה לוותה בהדגמות חיות והדגמת סביבת הענן של Zero ASIC, וברובה נשענה על דבריו של אולופסון, שהבהיר כי העתיד של תכנון הסיליקון עובר מהמונוליטיות של wafer יחיד לפלטפורמות מודולריות ברמה של chiplet.

הפוסט Zero ASIC משיקה פלטפורמת chiplets בענן לפיתוח שבבים ללא tape-out הופיע לראשונה ב-Chiportal.

במפגש הבכירים של כנס ChipEx2025 ערך יו"ר הכנס ומנכ"ל ASG שלמה גרדמן שיחה עם מיכאל כגן, ה-CTO של אנבידיה, שצמח באינטל ולאחר מכן במלאנוקס שנרכשה על ידי אנבידיה.

גרדמן: מיכאל, נולדת בסנט פטרבורג למשפחה שסבלה מרדיפות פוליטיות קשות ובנוסף אמך נפטרה בילדותך כיצד השפיעו כל הארועים הללו על אתגריך האישיים והמקצועיים?
כגן: “אני נושא איתי את המורשת של סבי, שנרצח ב־1937 לאחר שסירב לוותר על עקרונותיו, ואת סיפורו של אבי, פיזיקאי דוקטורנט שנשלח לכלא למשך 11 שנה בשל ביקורת על המשטר. הבינו אותי שלא מדובר רק בטראומה אישית, אלא בשיעור לא רגיל בחוסן נפשי ובמאבק למען ערכים. מהר מאוד הבנתי שהיכולת להמשיך קדימה למרות כישלונות היא לא בחירה, אלא הכרח. בקריירה, כשמשהו לא הלך כפי שתיכננתי – דחייה, כישלון טכני או מחסור במשאבים – תמיד חיפשתי כמה צעדים קדימה כדי להבין איך להפוך את המכשול להזדמנות. המוטו שלי הפך להיות: אם משהו נראה כמו סוף העולם, זו ההזדמנות הגדולה ביותר שלך. ערך זה הוא זה שהוביל אותי לחקור רעיונות חדשניים, להקים מיזמים חדשים ואף לקחת סיכונים שאחרים היו נרתעים מהם.”

גרדמן: בגיל 18 נידחת ממוסדות הלימוד ברוסיה בשל שמך היהודי – מה שאילץ אותך לברוח מרוסיה אך לא לוותר על עתיד אקדמי?
כגן: “הדחייה ממוסדות ההשכלה הגבוהה ברוסיה הייתה קשה ומרגיזה. הסתכלתי סביב וראיתי שאם אלך לצבא הרוסי, אני עלול למצוא את עצמי מותש, ברוטציה אינסופית שמונעת ממני לבנות עתיד. זה הוביל אותי למחשבה שיש מקום אחר שבו אוכל להגשים את שאיפותיי – ישראל. לא הכרתי אף אחד בארץ, לא ידעתי אפילו מילה בעברית או אנגלית, אבל הייתי נחוש. הנחישות הזו ניזונה מאמונה שעולם גדול מחכה, ושכדי להצליח צריך לפעמים לקבל החלטות קיצוניות. ההגירה לישראל הייתה צעד ראשון במסע למצות את הפוטנציאל שלי: שכירת דירת חדר קטן, לימוד השפות בעזרת חברים דוברי רוסית, והסתגלות לתרבות חדשה. ערך קבלת הסיכון הזה מלווה אותי עד היום, כשאני מנתח פעולות ואסטרטגיות עסקיות מורכבות של NVIDIA.”

גרדמן: איך למדת להסתדר בטכניון ללא שליטה בעברית או אנגלית, ולפתח יכולת למידה עצמאית ברמה אקדמית גבוהה?
כגן: “ההגעה לטכניון הייתה שיא האתגר. ההרצאות התקיימו בשפה זרה לי, ולכן הייתי מסתמך על קבוצת חברים דוברי רוסית שתרגמו במילים פשוטות את החומר. עם הזמן פיתחתי שיטה: אני מאזין להרצאה פעם ראשונה כדי לתפוס את הקו הכללי, פוגש חבר שמסביר לי בעילום שם ובעיבוד מילולי, ואז קורה חיבור פנימי בין לבין. בנוסף, הייתי מגיע לספריה שעות אחר שעות, לומד מהספרים והמחברות, מתרגל בעזרת תרגילי סוף פרק, ומשחזר לעצמי את השפה הטכנית באנגלית דרך מילון. עם סיום כל סמסטר, הבנתי לא רק חומר לימודי, אלא גם צברתי מיומנות למידה מהירה בסביבה רבת מידע ושפה מורכבת—מיומנות שהיום מסייעת לי להתעדכן בטכנולוגיות חדשות ולהטמיע מידע במהירות בארגון גלובלי כמו NVIDIA.”

גרדמן: במהלך עבודתך השתתפת בצוות פיתוח המעבד Intel 487 והובלת את ארכיטקטורת השבבים של אינטל, מה למדת על החדשנות בעיצוב חומרה וכיצד זה משפיע על אסטרטגיה טכנולוגית?
כגן:“בתקופת Intel 487 למדתי שכל הצלחה טכנית היא תוצאה של שילוב בין ראייה רחבה ותשומת לב לפרטים קטנים. המעבד 487 דרש איזון בין מהירות חישובית, צריכת אנרגיה וקומפקטיות פיזית. הבנתי שיש שתי דרכים: אחת, להמשיך לדחוס את מה שיש ולנסות לשפר בו את הביצועים, והשנייה — לצאת לגמרי מפרדיגמת העיצוב הנוכחית וליצור ארכיטקטורה שמנצל פלטפורמות חדשות, דרכי תקשורת ואופטימיזציה של זיכרון. המחקר שם הוביל אותי למסקנה שאם רק נמשיך לדחוף תוספים לחומרה נוכחית, נגיע לגבול פיזיקלי מהר. לכן למדנו לחשוב ‘במחזור הבא’ — לחשוב על פלטפורמה שלמה, ולא על שבב בודד. גישה זו הובילה בהמשך לפיתוחים ב־Mellanox ולאחר מכן לפלטפורמות ה- AI של NVIDIA, שבהן החומרה והפרוטוקולים עובדים כיחידה אחת.”

גרדמן: בשיא הקרירה באינטל וממש מיד לאחר שאשתך ילדה את ילדתכם המשותפת החלטת לעזוב ולהצטרף לחברת סטרטאפ האם אתה הרפתקן?
כגן:“ב־1999 הייתי מנהל בפרויקט גדול באינטל, עם הצעה לנדוד לסנטה קלרה ולנהל צוות בארה״ב. באותם ימים נולדה הבת הרביעית שלי, והייתי במחלוקת בין המשך ביטחון תעסוקתי לבין הצורך ליצור משהו חדש. כשאייל ולדמן, שהיה עובד שלי באינטל, הציע לי להצטרף לסטארט-אפ שיפתח רשת חישובית חדשה (InfiniBand), הבנתי שההזדמנות לעצב פרוטוקול שיחבר מרכזי נתונים כישות אחת היא נדירה. השיקול היה גם אישי: רציתי להישאר בישראל ליד המשפחה, וגם מקצועי: הרגשתי שאני יכול להשפיע בצורה עמוקה בהרבה סטארט-אפ קטן מאשר במגדל השן של אינטל. לקח לי דקה של חשיבה ועוד דקה לשכנע את אשתי , לגבי סיכונים כלכליים ותמיכה משפחתית. כשהשתכנעתי שבתוך הסטארטאפ אצליח לממש רעיון שיקבע את עתיד התשתיות, חתמתי – ואחרי כמה שנים ראינו את Mellanox מובילה את שוק חיבורי הענן.”

גרדמן: כיצד צמח במוחך הלהט של פיתוח InfiniBand, ואיזה תפקיד שיחקה גישת ה־“Morphing Cloud” בעיצוב מרכזי הנתונים המודרניים?
כגן: “הרעיון נולד מתוך תסכול מול מגבלות התקשורת במחשוב-על. כשעבדנו ב־Intel על תהליכי סימולציה, גילינו שהקשר לשרת מירכזות ירושלים נעשה פקוק ויקר. חשבנו: מה אם נרשה למחשבים שוליים לשתף זיכרון ויכולות חישוב כאילו הם חלק ממחשב ענק אחד? כך נוצר הקונספט של “Morphing Cloud” — שינוי מצב הדינמי שבו כל יחידת חישוב מתפקדת כחלק ממערכת משותפת. בפרקטיקה, זה אומר קישוריות רשת ברוחב פס גבוה מאוד ושיהוי נמוך – המרכיבים העיקריים של InfiniBand. החזון הזה סלל את הדרך למבני ענן שבהם שרתים, זיכרון ואמצעי אחסון פועלים כיחידה אחת, מה שמאפשר כיום להריץ מודלי AI ענקיים בסקלות שלא היינו מצליחים להגיע אליהן עם ארכיטקטורת TCP/IP קונבנציונלית.”

גרדמן: כ־CTO של NVIDIA, כיצד אתה רואה את תפקידה של הבינה המלאכותית והשפעתה על חיינו?
כגן: “אני מביט על AI לא ככלי סטטי, אלא כישות למידה מתמשכת. בכל פעם שהמודל לא מספק את הפלט הרצוי, אני לא זורק אותו — אני מלמד אותו מחדש באמצעות דוגמאות נוספות או התאמת פרמטרים. זו אינטראקציה, תהליך שני־כיווני שבו אתה מוביל ומכוון את ה־AI. כלי סטטי, לעומת זאת, מבצע פקודה חד־פעמית. ב־AI, התהליך הוא כמו עבודה עם עמית: אתה מסביר, מתקן, נותן פידבק, והמנוע משתפר בכל סבב. גישה זו מאפשרת לנו בפיתוח שבבים ומערכות חישוב להתאים את החומרה לדרישות המודל, ולתכנת את התוכנה כך שתנצל את המשאבים הקיימים באפקטיביות מרבית. השותפות הזו מאפשרת ל־NVIDIA להעביר אסטרטגיה עסקית וטכנולוגית למרחבים חדשים ללא גבולות שהיו קיימים לפני כן.”

גרדמן: מהם האתגרים העיקריים שאתה מזהה בניהול מרכזי נתונים בסדרי גודל, במיוחד בכל הנוגע לצריכת אנרגיה?
כגן:" אם בעבר בנינו מרכזי נתונים קרוב למקור כוח ולכן קרוב לעיר, היום אנחנו נדרשים לחשוב בקנה מידה גלובלי: הבעיה המרכזית היא לא רק אספקת חשמל בכמות מספקת, אלא גם הפצתו והטמעתה במקום שיכול להתמוטט מבחינה לוגיסטית. יש אזורים בעולם — למשל באוקיינוסים או באזורים מדבריים — שבהם יש עושר של אנרגיה מתחדשת שלא מנוצל. הפתרון שאני רואה הוא פריסה מבוזרת של “מצבורי” מודלים מרוחקים, בהם מאמנים את ה־AI במקומות עם אנרגיה זמינה, ואז שולחים רק משקלי המודל ונתוני ההפעלה למרכזים היותר קרובים למשתמש. כך מצמצמים תעבורת נתונים כבדה, חוסכים עלויות חשמל ותפעול, ומייעלים את הניהול הבינלאומי של המשאבים. זה דורש תכנון רשתות תקשורת חוסכות עצם, מערכות קירור חדשניות, ותשתיות תוכנה שמסנכרנות בין אתרים מרוחקים בזמן אמת.”

גרדמן: וכעת לאן פנך ופני אנבידיה?
כגן: “הרעיון המרכזי הוא להתייחס ל־Data Center כמחשב יחיד גדול, עם מערכת הפעלה ייעודית. מצד אחד יש לנו את מעבדי הווקטורים הגרפיים של NVIDIA שמבצעים מיליארדי חישובים במקביל, ומצד שני את רכיבי ה-BlueField של Mellanox שמנהלים את התקשורת והאבטחה ברמת הברזל. השילוב הזה מאפשר למנותבי התעבורה להעביר נתונים בתוך ובין שרתים בקצבים אסטרונומיים ובשיהוי של אלפיות השנייה. השכבה של התוכנה — SDKs, ספריות תקשורת יעילות, מערכות קירוּר מבוזרות — מפעילה את הרכיבים החומרתיים כך שהאינטגרציה תהיה חלקה ונטולת כשלים. התוצאה היא פלטפורמה שבה AI, סימולציות מדעיות ואינטליגנציה ארגונית רציפה יכולים לרוץ כעל מחשב-על אחד, בלי פשרות בין חומרה לתוכנה.”

גרדמן: לסיום, מה העיקרון המנחה אותך לאורך כל הקריירה, מיום בריחתך לישראל ועד לתפקידך הנוכחי כ־CTO של ענקית הטכנולוגיה NVIDIA? כגן:“העיקרון שקבע את מסע חיי הוא פשוט אך עוצמתי: ‘עשה מה שצריך להיעשות.’ בכל פעם שנתקלתי במחסום, בין אם זה דחייה מגורמים אקדמיים, אתגרים טכניים בפרויקטים גדולים, או הצורך לאזן בין עבודה לחיי משפחה, חיפשתי קודם כל את הצעדים הממשיים שנדרשים כדי להתגבר. גישה זו מחייבת אחריות אישית, מנהיגות באמון ובנתינת דוגמה, וקבלת החלטות שלעיתים דורשות אומץ ולאו דווקא נובעות מנתונים טהורים. כשאנשים שואלים אותי איך הגעתי עד הלום, התשובה היא: לא היה לי מדד אחר. כשאתה מתרכז בלבצע את המשימה הנכונה – כל יתר ההצלחות נוצרות מאליהן.”סיים כגן.

הפוסט מסעו הבלתי יאמן של מיכאל כגן: מתלאות ילדותו ברוסיה עד לפסגת ההייטק כ- CTO של NVIDIA הופיע לראשונה ב-Chiportal.

ביום רביעי ה־14 במאי 2025, במרכז פרס לשלום ביפו, התקיים במהלכו מפגש בכירים נפרד במסגרת כנס ChipEx 2025, שבו נשא דברים ד”ר אלון סטופל, יו"ר רשות החדשנות וכמדען הראשי לחדשנות במשרד המדע, הטכנולוגיה והחדשנות. הפורום, אליו הוזמנו בכירים בתעשייה, נציגי ממשל, אקדמיה ומשקיעים בינלאומיים, התרכז בצורך האסטרטגי למיצוב ישראל כמובילה עולמית בשרשרת הערך של תעשיית הסמיקונדקטור.

“עוצמתה של ישראל נובעת מיכולותיה האנושיות, מהמצוינות המדעית ומהיכולת להפוך רעיונות חדשניים לפריצת דרך בעלת השפעה עולמית”. לדבריו, שבב אינו עוד חלק רכיבני במערכת, אלא היסוד שעליו נבנות מהפכות בטכנולוגיות מתקדמות – מבינה מלאכותית ומחשוב קוונטי, דרך ביוטכנולוגיה ופוטוניקה ועד מערכות הגנה צבאיות." כך אמר ד”ר אלון סטופל, יו"ר רשות החדשנות וכמדען הראשי לחדשנות במשרד המדע, הטכנולוגיה והחדשנות במפגש הבכירים במסגרת כנס ChipEx 2025.

"בעשור האחרון פיתחה ישראל אקוסיסטם סמיקונדקטורי נרחב, מבלי להסתמך על השקעות ממשלתיות בסדר גודל ענק: בעוד עצמה הפיננסית של מדינות רבות מאפשרת להן לשפוך מאות מיליארדי דולרים בתשתיות שבבים, גישתנו מבוססת על ‘להשתרע במוח, לא בכיס’ – יצירת יתרון תחרותי באמצעות חשיבה, שיתופי פעולה וחדשנות מתמדת.”

כדי להעצים מגמה זו חשפו ברשות החדשנות מספר יוזמות מרכזיות: הקמת חממת שבבים לאומית שתעניק לסטארט-אפים גישה לתשתיות בדיקה ופיתוח מתקדמות (shared infrastructure); הקמת קונסורציום אקדמיה-תעשייה לפיתוח טכנולוגיות בהן ישראל כבר מחזיקה ביתרון יחסי, כגון פוטוניקה אינטגרטיבית, מיחשוב קוונטי, מחשוב נוירומורפי ו־advanced packaging; והרחבת מסלולי המענקים הציבוריים במאות מיליוני שקלים לשיתופי פעולה הדדיים בין חברות הזנק ובין מוסדות מחקר מובילים.

סטופל ציין כי המהלך יתמוך בשני מסלולים מקבילים: המסלול האופקי ייכון עבורו מוסדות ומעבדות משותפות, יופחתו חסמי הכניסה ליזמים ויושקו תכניות תמיכה לחדשנות פריצת דרך; המסלול האנכי יתמקד בהעמקת מומחיות ישראלית ויצירת “אשכולי מצוינות” סביב טכנולוגיות חדשות, כאשר הדגש יושם על טיפוח סטארט־אפים קטנים מהירים לצד שיתופי פעולה עם תאגידים בינלאומיים.

בהמשך דיבר סטופל על “צווארי בקבוק” שנתגלו במחקרי הרשות: שיעור הקמת הסטארט-אפים בתחום השבבים עתירי החישוב נמצא בירידה, מחסור במשקיעים המתמחים ב-semiconductor, וכן תלות מופרזת בשרשרת ייצור גלובלית שברירית. לטענתו, הפתרון כולל לגבש כלי מימון ותמרוץ עבור יזמים וקרנות הון־סיכון ישראליות, להרחיב תשתיות פאב (Fab) קטן לבדיקות מהירות של שבבים, וליצור מסלולי העברה מהירה של ידע ופיתוח טכנולוגי בין אקדמיה לתעשייה.

סטופל אף חשף כי בשבועות הקרובים תצא קריאה ציבורית רחבת היקף למענקי מחקר וחדשנות בסכום כולל העולה על חצי מיליארד שקלים, שתקצה משאבים להרחבת תשתיות השבבים ולמימון פרויקטים בשיתוף פעולה חוצה־גופים. בהקשר זה הוסיף כי “העידן שבו השקעות ענק שולטות בהכרעת גורלות הטכנולוגיה מתחלף בעידן של שיתופי פעולה ממוקדים, שנשענים על אקוסיסטם מחקרי־תעשייתי חזק וגישה גמישה ומהירה”.

לקראת סיום דבריו פנה סטופל למנהלי מו”פ, למשקיעים ולשותפים הטכנולוגיים מכל רחבי העולם: “אנו מזמינים אתכם להצטרף אלינו למסע של ייצור שבבים בישראל, להעמיק את השתייכותנו לאורך כל שרשרת הערך ולתמוך בקידום החדשנות הלאומית. ייתכן שאין ביכולתנו להתחרות בתקציבים של המדינות הגדולות, אך אין לנו מתחרים בחזון, בגמישות ובמחויבות להפוך רעיונות לשבבים שמעצבים את העתיד.”

הפוסט אלון סטופל, יו"ר רשות החדשנות: “עוצמתה של ישראל נובעת מיכולותיה האנושיות, מהמצוינות המדעית ומהיכולת להפוך רעיונות חדשניים לפריצת דרך בעלת השפעה עולמית” הופיע לראשונה ב-Chiportal.

בפתח הרצאתה בכנס ChipEx2025 שהתקיים בתל אביב, הציגה אנה ברנוב, מנכ"לית HowHardAI, רעיון מהפכני להפיכת מודלי שפה גדולים (LLM) לסוכנים אוטונומיים המסוגלים לפתור בעיות טכניות מורכבות בזמן אמת. לדבריה, מרבית “Agentic Frameworks” המקובלים כיום – דוגמת Identity AI ואחרים – פועלים כמעין מעטפת תוכנה סביב ה-LLM, שבה היכולות המודליות נשמרות בגדר גנרי, והכוונה למשימות השונות מתבצעת באמצעות prompt engineering בלבד מבלי לשנות את המשקלים הפנימיים של המודל.

HowHardAI מנגישה במקום זאת גישה של Reinforcement Learning המבוססת על תהליך trial-and-error המוכר מעולמות אחרים בבינה מלאכותית. על פי ברנוב, כדי לאפשר למודל ללמוד באמת להפעיל אמצעים חיצוניים או לבצע סדרת פעולות מורכבות, יש לתרגם אתגרים כמו תכנון פריסה (floor planning) לסביבה סימולטיבית שסולקת ציון מוצקות לפעולותיו של המודל בכל איטרציה. רק כך ניתן לעדכן את המשקלים שלו באופו איטרטיבי, ולא להסתפק בפקודות טקסט בלבד

בתיאור הניסוי שהציגה, המודל התחיל במיקום ראשוני של שני רכיבי מפתח (MR ו-ML) וזכה לפידבק סביבתי שכלל דירוג תלוי־פעולות. באיטרציה הבאה הוא הריץ פעולת “rotate” לשיפור המיקום, ובאיטרציה השלישית הציע התאמות נוספות עד שהסביבה קבעה כי האופטימיזציה הושלמה ואתרו את נקודת העצירה האופטימלית. התהליך כולו נעשה ב–one shot גנרטיבי, ללא צורך בארגון המודל בפרדיקציה מוקדמת.

יתרונן של שיטות RL במרחב זה הוא ביעילות האימון ובהסתמכות על reasoning פנימי של ה-LLM, שאיננו מוגבל עוד למערכת חיצונית המורה לו מה לעשות. ברנוב מתחזקת כי ברגע שמגדירים נכון את הבעיה – את הסט המוגבל של הפעולות ואת אופן החישוב של ה-reward – ניתן להפעיל סוכנים חכמים שיבצעו אופטימיזציה בכל שלב של שרשרת הפיתוח, החל מנתוני post-silicon ועד לניתוב אוטומטי בין תהליכי ייצור בעלי node שונים.

HowHardAI נמצאת כבר כיום בשלבי שיתוף פעולה עם מספר חברות מובילות בתעשיית השבבים בישראל וברחבי העולם, במטרה ליישם את הגישה ולייעל באופן מהותי את שלבי התכנון והייצור. “ההצלחה תלויה קודם כל בפרמליזציה נכונה של הבעיה,” סיכמה ברנוב, “כשהמודל מבין בדיוק אילו פעולות הוא יכול לבצע ואיך לקבל על כך משוב, הוא הופך לכלי אימון רב־עוצמה.”

o4-mini-high

הפוסט “HowHardAI מאמנת LLM לתכנון אוטומטי של Netlist" הופיע לראשונה ב-Chiportal.

בכנס ChipEx2025, שנערך ב–13 במאי באקספו תל אביב, הציג  Kees Joosse , מנהל הפיתוח העסקי של TSMC ב–EMEA, את מפת הדרכים הטכנולוגית של ענקית השבבים לדרישות גוברות של יישומי בינה מלאכותית. לפתיחת דבריו ציין Jooss כי למרות “ימים קשים ואתגרים לוגיסטיים” – כולל ביטולי טיסות – הגיעו נציגי תעשיית השבבים מ־EMEA ונכחו בדיון, ובישראל מתבצע כיום כ־50% מכלל ה-tape-out המתקדמים באזור, נתון הממחיש את עוצמת הפעילות המקומית.

Joosse הדגיש כי אמנם מרכזי נתונים (data centers) הם “לב” יישומי ה-AI מבחינת ביצועים וצריכת הספק, אך הגידול עצום במספר המכשירים המחוברים – מטלפונים חכמים ו-AI PCs ועד למערכות עזר ברכב ו-robotaxis – מציב אתגרים חדשים. “המעבר ל-edge computing דורש שבבים קטנים, יעילים וחסכוניים באותה מידה כמו פתרונות הדאטה־סנטר”, אמר.

בסקירה של מפת הדרכים, הציג Jooss את הפיתווחים העיקריים:

• N5 → N3E / N3X: הדור האחרון של FinFET בגימור 3 ננומטר, עם שיפור תדר גבוהה (ב-15–20%) והפחתת הספק בשיעורים דומים.
• N2 / N2P: המעבר לארכיטקטורת nanosheet בגימור 2 ננומטר, המציע שיפור ביצועים של כ-20% ו־40% הפחתת הספק ביחס ל-N3. גרסת הייצור N2P (לשנת 2026) צפויה להוסיף עוד כ-5% “device uplift”.
• A16: שבב ייעודי ל-AI data centers, עם backside power rail (מתן הספק מאחור), שמספק 8–10% שיפור מהירות או 15–20% חסכון בספק. הדור הבא, A14, ו-A22 (דור שני של nanosheet) יאפו ביצועים עולים של 15–30% וצפיפות לוגית גבוהה יותר.

למרות העלייה בעלויות הפיתוח ובמורכבות התכנון, הדגיש Jooss כי מספר “take-offs” לטכנולוגיות חדשות גדל במהירות: “בשנה הראשונה ל-N2 ראינו כפליים את מספר הפרויקטים שהועלו לייצור בהשוואה ל-N5, ואפילו כ-4x בשנה השנייה.” נתון זה, לדבריו, מעיד על הביקוש הגובר לשבבי AI מתקדמים, ולא על האטה בדרך להמשך קיום חוק מור.

אריזה תלת־ממדית ו-CoWoS, סיליקון פוטוניקס ב-COOP

בתחום האריזה, הציג Jooss את פלטפורמת 3D Fabric של TSMC, הכוללת טכנולוגיות InFO (Integrated Fan-Out) ו-CoWoS (Chips on Wafer on Substrate). בגרסה המתקדמת CoWoS-R, מחולק ממסך הסיליקון לגשרים קטנים, שמקצרים מרחק בין מערכת השבבים לזיכרון HBM ומאפשרים רוחב פס גבוה ותפוקה מיידית – מרכיב קריטי לאימון מודלים גדולים.

שילוב אלקטרוניקה ואופטיקה הוא התחום הבא שעומד לצאת לשוק: פרויקט COOP (Compact Universal Photonic Engine) יאפשר הארכה של סיבי אור לפוטוניקת die המונחת על die אלקטרוני, והכל בחבילה אחת על גבי substrate. לפי Jooss, PDK מסחרי יפורסם לקראת סוף 2026, מה שיאפשר ללקוחות לשלב תקשורת אופטית מהירה וחסכונית ישירות בשבבים.

הזמנה לשיתוף פעולה
“אנחנו ממשיכים לדחוף קדימה – התעשייה רק מתחילה”, אמר, והזמין את חברות ישראל לקחת חלק במימוש הטכנולוגיות החדשות.

הפוסט Kees Joosse ב-ChipEx2025:“חוק מור לא מת” הופיע לראשונה ב-Chiportal.