הגידול בהיצע מאיצי הבינה המלאכותית עדיין אינו מתורגם לירידה במחירי כוח המחשוב. להפך: נתונים חדשים מ־Nebius ומ־CoreWeave מצביעים על כך שלקוחות ממשיכים לשלם יותר עבור קיבולת GPU, CPU וזיכרון — גם כאשר דורות חדשים של חומרה נכנסים לשוק.

Nebius הודיעה כי החל מ־1 באוקטובר תעלה את מחירי ה־pay-as-you-go של מספר מאיצי NVIDIA בשיעור של 17%–21%. זו העלאת המחירים השנייה של החברה בתוך שלושה חודשים.

לפי הנתונים שנמסרו, מחיר השימוש לפי שעה ב־H100 יעלה בכ־17%, בעוד שמחיר B300 יעלה בכ־21%. גם שירותים שאינם מבוססי GPU מתייקרים: מופעי CPU מסוימים יעלו בכ־25%, ומחירי זיכרון מסוימים בכ־41%.

Nebius מדגישה שלקוחות שמתחייבים לאשכולות גדולים למשך חודשים יכולים לקבל הנחות, ולכן המחירים החדשים אינם משקפים בהכרח את המחיר שמשלמים הלקוחות הגדולים ביותר בחוזים ארוכי טווח.

CoreWeave: חוזים חדשים בכ־40 מיליון דולר למגה־ואט

התמונה מקבלת חיזוק גם מ־CoreWeave. החברה מסרה כי ברבעון השלישי חתמה על חוזים קצרי טווח של שלושה עד שישה חודשים במחיר שקול לכ־40 מיליון דולר הכנסה שנתית לכל מגה־ואט של הספק הנדרש להפעלת אשכולות המחשוב.

CoreWeave דיווחה גם כי הוסיפה יותר מ־25 מיליארד דולר של התחייבויות לקוחות חדשות בתחילת הרבעון השלישי, וכי ההספק החוזי שלה גדל מכ־3.7 גיגה־ואט בסוף יוני לכ־4.2 גיגה־ואט באוגוסט.

הנתון של מחיר למגה־ואט חשוב משום שהוא מראה עד כמה שוק מחשוב ה־AI כבר אינו נמדד רק במספר GPUs. מגה־ואט מגלם למעשה מערכת שלמה: מאיצים, CPUs, זיכרון, מתגים, רשתות אופטיות, קירור, מערכות חשמל, שטח במרכז נתונים ותפעול.

מדוע המחיר עולה כשנכנסים שבבים חדשים?

בשווקים טכנולוגיים רגילים, הגדלת היצע והכנסת דורות חדשים נוטות להוזיל בהדרגה את המחיר ליחידת ביצוע. שוק ה־AI מתנהג כרגע אחרת משום שהביקוש גדל מהר יותר מהקיבולת שמתווספת.

הגורם הראשון הוא האצה בהיקף ה־inference. אימון מודל גדול הוא אירוע מוגבל בזמן, אך לאחר שהמודל נפרס הוא עשוי לשרת מיליוני או מיליארדי בקשות מדי יום. ככל שיותר שירותים משלבים AI, הביקוש לחישוב הופך רציף.

הגורם השני הוא שמאיץ אינו פועל לבד. גם אם היצע GPUs גדל, יש צורך ב־HBM, אריזה מתקדמת, אופטיקה, מתגים, CPUs, אחסון, קירור וחשמל. מחסור בכל אחד מהרכיבים הללו יכול להגביל את הקיבולת הכוללת.

הגורם השלישי הוא זמן ההקמה. מרכז נתונים חדש דורש חיבור לרשת החשמל, תשתיות קירור ולעיתים בניית תחנת משנה. זמני ההמתנה לחשמל ולציוד יכולים להיות ארוכים יותר מזמן הייצור של ה־GPU עצמו.

כוח תמחור ל"ניאו־קלאוד"

Nebius ו־CoreWeave שייכות לקבוצת חברות שמכונות לעיתים neoclouds — ספקיות ענן המתמקדות בתשתיות AI עתירות GPU. הן מתחרות בענקיות כמו AWS, Microsoft Azure ו־Google Cloud, אך מציעות לעיתים אשכולות גדולים ומותאמים יותר לאימון ולהרצת מודלים.

עליית המחירים מצביעה על כך שלספקיות הללו יש כרגע כוח תמחור. לקוחות שמבקשים גישה מיידית למאיצים החדשים מוכנים לשלם פרמיה, במיוחד כאשר החלופה היא להמתין חודשים לקיבולת.

עם זאת, אין להסיק מכך שמחירי מחשוב AI יעלו ללא הגבלה. קיבולת חדשה נבנית במהירות, NVIDIA, AMD וחברות נוספות משיקות דורות חדשים, וספקיות הענן הגדולות מפתחות מאיצים עצמאיים. בטווח הארוך התחרות עשויה להפעיל לחץ כלפי מטה.

בטווח הקצר, הנתונים של ספטמבר 2026 מצביעים דווקא על ההפך: למרות השקעות עתק והרחבת היצע השבבים, הביקוש למחשוב AI ממשיך לגדול מהר מספיק כדי לאפשר לספקיות להעלות מחירים.

הפוסט מחקרי שוק: מחירי מחשוב ה־AI ממשיכים לעלות למרות התרחבות היצע המאיצים הופיע לראשונה ב-Chiportal.

חוקרים מהמכון הטכנולוגי של מסצ׳וסטס, MIT, וממרכז NY CREATES פיתחו תהליך המאפשר לייצר שבבי פוטוניקת סיליקון שהם גם גמישים וגם שקופים, על גבי פרוסות בקוטר 300 מילימטר — הגודל המקובל בקווי ייצור מתקדמים של תעשיית המוליכים למחצה.

החידוש המרכזי אינו עצם יצירתו של רכיב אופטי גמיש. רכיבים כאלה כבר הודגמו בעבר במעבדות. ההתקדמות היא ביכולת לבצע את התהליך ברמת פרוסה שלמה, באמצעות ציוד ייצור יציב המשמש מפעלי שבבים, ובכך לפתוח אפשרות לייצור מספר רב של רכיבים בעלי מאפיינים אחידים.

המחקר פורסם בכתב העת השפיט Optica. הוביל אותו טל סנה מ־MIT, והחוקרת הבכירה היא פרופ׳ ילנה נוטרוס מהמחלקה להנדסת חשמל ומדעי המחשב במכון.

להוציא את הסיליקון ולהשאיר את המעגל האופטי

שבבי פוטוניקת סיליקון משתמשים במבנים זעירים כדי להוליך, לפצל ולעבד אור בתוך השבב. הטכנולוגיה משמשת כיום בעיקר לתקשורת אופטית ולחיבורי נתונים מהירים, אך נחקרת גם עבור חישה, הדמיה, מחשוב ומערכות רפואיות.

מעגלים פוטוניים רגילים מיוצרים על מצע סיליקון עבה, קשיח ואטום. המצע מקל על הייצור ועל הטיפול בפרוסה, אך מגביל את השימוש במעגלים במערכות שצריכות להתכופף או לאפשר מעבר של אור נראה.

התהליך החדש מתחיל בדומה לייצורו של שבב פוטוני רגיל. החוקרים מפקידים ומעצבים על מצע הסיליקון מוליכי גל — מבנים זעירים המשמשים נתיבים לאור. לאחר מכן הם מחברים לחלק העליון פרוסת סיליקון זמנית וקשיחה, הופכים את המבנה ומסירים כמעט את כל מצע הסיליקון המקורי.

בתום ההסרה נותרות רק שכבות התחמוצת ומוליכי הגל, בעובי קטן מעשירית מעובייה של שערת אדם. אל השכבות הדקות מוצמדת יריעת פוליאסטר שקופה, ולבסוף מופרדת מהן פרוסת התמיכה הזמנית. התוצאה היא פרוסה פוטונית שקופה וגמישה שעובייה מיקרונים בודדים.

האתגר: לשמור על פרוסה שלמה ושטוחה

הסרת רוב החומר מפרוסת סיליקון בקוטר 300 מילימטר היא תהליך עדין. מאמצים מכניים המצטברים בשכבות עלולים לגרום לפרוסה להתעקם, לפתח גלים או להישבר בתוך קו הייצור.

כדי לשלוט במאמצים הגבילו החוקרים את טמפרטורת התהליכים ל־500 מעלות צלזיוס לכל היותר ותכננו בקפידה את סדר הסרת השכבות. בתחילה דיללו את הסיליקון בתהליכים תעשייתיים מהירים, ואת השכבה האחרונה הסירו באיכול כימי בררני ומדויק יותר, כדי שלא לפגוע במוליכי הגל שמתחתיה.

לדברי סנה, העבודה עם כלי ייצור יציבים המותאמים לפרוסות 300 מילימטר מאפשרת לתכנן מערכות הכוללות מספר גדול מאוד של רכיבים, תוך ביטחון גבוה יותר בכך שהרכיבים השונים יעמדו במפרט.

ייצור בפרוסות גדולות גם עשוי להפחית בעתיד את העלות לרכיב, משום שאפשר לייצר ולבדוק מספר רב של שבבים באותו מחזור. עם זאת, המחקר עדיין אינו מציג קו ייצור מסחרי או מוצר מוגמר.

אלפי כיפופים ללא ירידה בביצועים

החוקרים בחנו את תכונות מוליכי הגל ואת יכולתם להעביר אור, ולאחר מכן כופפו שבב אלפי פעמים סביב גלילים בקטרים שונים. לפי הדיווח של MIT, לא נמדדה פגיעה בביצועים גם לאחר כיפוף סביב גליל שעוביו דומה לבורג קטן. ירידה בביצועים הופיעה רק לאחר כיפופים חוזרים סביב עצם דק במיוחד, שעוביו דומה לקיסם.

בניסוי נוסף הציבו החוקרים את השבב לפני מערכת המדמה עין אנושית ובדקו אם המבנה השקוף מטשטש או מעוות את התמונה. הם מצאו כי השבב גרם לערפול אופטי מזערי ולא יצר עיוות בולט של העצמים שנצפו דרכו.

שילוב של שקיפות וגמישות עשוי לאפשר להצמיד מעגלים פוטוניים לגוף כחיישני בריאות שקשה להבחין בהם, לשלב אותם בשמשות ובתצוגות עיליות מעוקלות, או להתקין מערכת מציאות רבודה בתוך משקף של טייס. במערכות כאלה אפשר יהיה להחליף חלק מהרכיבים האופטיים הגדולים במעגל דק המונח ישירות על המשטח השקוף.

עדיין לא מערכת פוטונית שלמה

הפלטפורמה הודגמה באמצעות מוליכי גל ורכיבים אופטיים פסיביים. לפני שאפשר יהיה להפוך אותה למוצר מסחרי יהיה צורך לשלב בה רכיבים מורכבים יותר, ובהם מקורות אור, גלאים, מאפננים וממשקים למעגלים אלקטרוניים.

יידרשו גם תהליכי אריזה שיגנו על השכבות הדקות, חיבורים אמינים לסיבים אופטיים או למקורות אור חיצוניים ובדיקות עמידות ארוכות טווח בתנאי חום, לחות ומתיחה.

החוקרים מתכוונים כעת לשפר את יעילות מוליכי הגל ואת השקיפות ולהוסיף לפלטפורמה פונקציות פוטוניות נוספות. הם מקווים שהעבודה עם קו הייצור של NY CREATES במתחם Albany NanoTech תאפשר בעתיד להנגיש את הפלטפורמה לקבוצות מחקר ולמפתחי מערכות נוספים.

המחקר מומן בחלקו בידי הקרן הלאומית למדע של ארצות הברית, DARPA ומלגת MathWorks. עיבוד הפרוסות בוצע ב־NY CREATES וחיתוך השבבים בוצע במתקני MIT.nano.

הפוסט MIT פיתח תהליך לייצור שבבים פוטוניים גמישים ושקופים על פרוסות 300 מ״מ הופיע לראשונה ב-Chiportal.

לקרנות ההון סיכון הישראליות נותרו כ־8.07 מיליארד דולר זמינים להשקעה, אולם קצב גיוסי ההון של הקרנות עצמן האט במחצית הראשונה של 2026. כך עולה מדוח המשקיעים של IVC למחצית הראשונה של השנה.

לפי הדוח, קרנות הון סיכון ישראליות גייסו במחצית הראשונה של 2026 סכום של 631 מיליון דולר, לאחר שנת גיוסים חזקה ב־2025. IVC מעריכה כי גיוסים נוספים בהיקף של 100–150 מיליון דולר עדיין לא פורסמו. בסך הכול השלימו 12 קרנות בתקופה זו סגירה ראשונה או סופית.

שלוש הקרנות הגדולות שגייסו הון בתקופה היו Deep33, שגייסה 200 מיליון דולר; StageOne V, שגייסה 165 מיליון דולר; ו־Hetz IV, שגייסה 140 מיליון דולר.

הרבה כסף – אך רובו מיועד להשקעות המשך

לפי מודל ה"אבקה היבשה" – Dry Powder – של IVC, לקרנות הישראליות נותרו 8.07 מיליארד דולר להשקעה, לעומת 8.7 מיליארד דולר בסוף 2025.

אלא שהחלוקה הפנימית של הסכום משמעותית: כ־1.6 מיליארד דולר בלבד זמינים להשקעות ראשונות בחברות, בעוד שכ־6.5 מיליארד דולר מיועדים להשקעות המשך בחברות שכבר נמצאות בתיקי הקרנות.

לדברי גיא הולצמן, יו"ר IVC, ההאטה בגיוסי הקרנות אינה מעידה על כך שההון נעלם מהשוק, אך לחלוקת הכסף יש חשיבות. לדבריו, הירידה היחסית בכמות ההון הזמינה להשקעות ראשונות לעומת השקעות המשך עלולה להפוך את שוק ההשקעות לסלקטיבי עוד יותר.

מתוך הכספים שגויסו במחצית הראשונה של 2026 מעריכה IVC כי נותרו כ־505 מיליון דולר להשקעות חדשות ולהשקעות המשך, לאחר הפחתת דמי ניהול והוצאות תפעול מוערכים בשיעור של 20%.

26 קרנות עדיין מגייסות

במקביל, 26 קרנות הון סיכון ישראליות נמצאות כיום בתהליך גיוס, עם יעדי גיוס מצטברים של כ־930 מיליון דולר.

IVC מציינת כי כאשר מביאים בחשבון גם כספים שגויסו במחצית הראשונה על ידי קרנות משנות בציר אחרות, הסתכמה פעילות גיוסי הקרנות ב־731 מיליון דולר – פחות מהיקף הגיוסים שנרשם במחצית הראשונה של 2025.

הדוח מבוסס בין היתר על ניתוח של 993 השקעות שביצעו קרנות הון סיכון, 520 קרנות שהשקיעו בחברות טכנולוגיה ישראליות ו־228 סבבי גיוס שבהם השתתפו קרנות הון סיכון.

Team8 מובילה במספר ההשקעות החדשות

בקרב קרנות ההון סיכון הישראליות הגדולות, Team8 הייתה הפעילה ביותר במספר השקעות חדשות במחצית הראשונה של השנה, עם תשע השקעות.

Deep33 ביצעה חמש השקעות חדשות, ואילו F2, RedDot Capital ו־StageOne ביצעו ארבע השקעות כל אחת.

מבין הקרנות הזרות הייתה Insight Partners הפעילה ביותר עם חמש השקעות חדשות, ואחריה Bessemer ו־ICI Fund עם ארבע השקעות כל אחת.

בקרב הקרנות הישראליות הבינוניות התמונה הייתה חלשה יותר: לפי IVC, אף אחת מהן לא ביצעה יותר מהשקעה חדשה אחת במחצית הראשונה של השנה.

המוסדיים הישראלים מגדילים פעילות

הדוח מצביע גם על עלייה בפעילות המשקיעים המוסדיים הישראלים בהייטק.

עסקאות שבהן השתתפו משקיעים מוסדיים ישראלים היוו במחצית הראשונה של 2026 כ־17% מכלל ההון שגייסו חברות הטכנולוגיה הישראליות.

הנתון מצביע על המשך התבססותם של הגופים המוסדיים המקומיים כמקור הון לענף הטכנולוגיה, במקביל לפעילות קרנות ההון סיכון המקומיות והזרות.

התמונה שעולה מהדוח היא אפוא כפולה: הון רב עדיין נמצא בידי הקרנות וממתין להשקעה, אך גיוס הכסף החדש לקרנות האט, ורוב ה"אבקה היבשה" הקיימת כבר מיועדת לתמיכה בחברות קיימות. עבור סטארטאפים המבקשים לגייס סבב ראשון מקרן חדשה, המשמעות עשויה להיות תחרות קשה יותר על ההון הזמין.

הפוסט IVC: לקרנות ההון סיכון הישראליות נותרו 8.07 מיליארד דולר להשקעה הופיע לראשונה ב-Chiportal.

חברת ההזנק Architect Labs חשפה מאיץ בינה מלאכותית בשם Redwood, שלטענתה תוכנן, אומת ותוכנת כמעט כולו בידי מערכת בינה מלאכותית בתוך פחות משבועיים. שני מהנדסי שבבים אנושיים הגדירו את המפרט והיעדים הארכיטקטוניים, ואילו המערכת יצרה את יתר רכיבי התכנון.

החברה טוענת כי המערכת יצרה מאפס את מודל הביצועים, קוד ה־RTL, סביבות אימות המבוססות על UVM, הוכחות פורמליות, קושחה, דרייברים וגרעיני חישוב מותאמים. לדבריה, לא נעשה שימוש בקניין רוחני קיים של מאיץ אחר ולא הייתה התערבות אנושית מתחת לרמת המפרט.

מדובר בטענה חריגה בענף שבו פיתוח מערכת על שבב מורכבת נמשך בדרך כלל שנים, מעסיק עשרות או מאות מהנדסים ועלול לעלות מאות מיליוני דולרים.

גרסה מצומצמת כבר פועלת על FPGA

Redwood מיועד להסקת מודלים בהשהיה נמוכה ובצריכת חשמל מוגבלת, בין היתר ברובוטים, ברחפנים ובמערכות בינה מלאכותית בקצה הרשת.

הארכיטקטורה מבוססת על מערך אריחים. כל אריח משלב ליבת בקרה מסוג RISC-V, מנועי מטריצות, יחידת עיבוד וקטורית וזיכרון מקומי בנפח 512 קילובייט. האריחים מחוברים ברשת פנימית שתוכננה להעברת נתונים בין מנועי החישוב בלי להעמיס על המעבד המארח.

גרסה מצומצמת בשם Redwood Nano הוטמעה על רכיב FPGA מסוג AMD Versal VPK180 ופועלת בתדר של 250 מגה־הרץ. בניסוי החברה היא הריצה את המודל Qwen3-0.6B בקצב ממוצע של 12.1 אסימונים בשנייה.

Architect Labs דיווחה כי כל אחד מבלוקי התכנון הגיע לכיסוי קוד ופונקציונליות של לפחות 95%, וכי המעבר הראשון מהדמיה לחומרת FPGA לא חשף תקלות. כל שינוי ארכיטקטוני נוצר מחדש, אומת והוטמע על ה־FPGA בתוך פחות מ־48 שעות.

ההשוואה לאנבידיה עדיין תיאורטית

Architect Labs מעריכה כי אם Redwood Nano ייוצר בתהליך המקביל ל־8 ננומטר של סמסונג, הוא יספק תפוקת פענוח גבוהה פי 1.75 מ־NVIDIA Jetson Orin Nano, בצריכת חשמל נמוכה פי 1.9. שילוב הנתונים אמור להניב שיפור של פי 3.4 בביצועים לוואט.

אלא שההשוואה מבוססת על הקרנה מתוצאות ה־FPGA אל שבב ASIC עתידי. Redwood עדיין לא עבר tape-out ולא יוצר במפעל שבבים. לפיכך, טרם נבדקו ביצועיו, צריכת החשמל שלו, תפוקת הייצור ואמינותו בסיליקון אמיתי.

החברה אומרת כי היא ממשיכה לפתח את התכנון עד לשלב GDSII ומתכוונת להעבירו לייצור ב־TSMC. היא לא מסרה מועד לביצוע ה־tape-out.

זהו הבדל מהותי: FPGA מאפשר לבדוק פונקציונליות ותוכנה, אך אינו מוכיח שהשבב המיוצר יעמוד בתחזיות התדר, ההספק והשטח.

ניסיון לשנות את תהליך התכנון כולו

כלי בינה מלאכותית כבר משמשים את חברות ה־EDA לשיפור הצבת רכיבים, ניתוב, אימות ואופטימיזציה של צריכת חשמל. Architect Labs מנסה ללכת צעד נוסף ולחבר את כל שלבי הפיתוח למערכת אחת, שבה המפרט הוא מקור האמת וממנו נוצרים במקביל החומרה והתוכנה.

המייסדים מכנים את החזון הזה „designless”: כשם שמודל ה־fabless אפשר לחברות לתכנן שבבים בלי להחזיק מפעל, אוטומציה של התכנון עשויה לאפשר לחברות תוכנה ולמפתחי יישומים ליצור מאיצים מותאמים בלי להקים צוות שבבים גדול.

Architect Labs נוסדה ב־2025 בידי אברהים חוסיין ואדיטיה סובדי. ביוני גייסה החברה 24 מיליון דולר בסבב Seed בהובלת Kindred Ventures, בהשתתפות משקיעים ובהם המדען הראשי של Google DeepMind, ג׳ף דין, ובכירים מ־OpenAI ומאנבידיה.

החברה אף הפעילה מודל Qwen על Redwood והשתמשה בו כדי לחפש שיפורים בתזמון ובגרעיני החישוב של הדור הבא. היא מציגה זאת כצעד ראשון לקראת תהליך שבו מודל AI מסייע לשפר את החומרה שעליה ירוצו דורות עתידיים של המודל.

עם זאת, המבחן החשוב יהיה ייצור השבב. רק לאחר tape-out, בדיקות סיליקון והשוואה עצמאית ניתן יהיה לקבוע אם קיצור זמן התכנון אכן מייצר מאיץ תחרותי ולא רק אב־טיפוס מרשים על FPGA.

סוף הכתבה

מקורות:

ההודעה והפרטים הטכניים של Architect Labs

המאמר הטכני על Redwood

בדיקת הטענות והסתייגויות מומחי תכנון שבבים – Business Insider

שדות התמונה:

מקור התמונה: Architect Labs, מתוך עמוד Redwood

כיתוב: תרשים ארכיטקטורת Redwood. החברה טוענת כי מערכת AI יצרה את תכנון החומרה, סביבת האימות והתוכנה בתוך פחות משבועיים. איור: Architect Labs

טקסט חלופי: תרשים ארכיטקטורה של מאיץ הבינה המלאכותית Redwood שפיתחה Architect Labs

שם הקובץ: architect-labs-redwood-ai-chip-architecture.jpg

הפוסט Architect Labs טוענת: מערכת AI תכננה מאיץ שבבים בתוך שבועיים הופיע לראשונה ב-Chiportal.

שישה מכל עשרה מנהלים מעריכים כי הארגון שלהם יפעיל צי רובוטים בתוך חמש שנים, אך רק ארבעה מכל עשרה מדווחים שכבר קיימת אצלם אסטרטגיה רשמית לניהול כוח עבודה משולב של בני אדם ורובוטים. כך עולה ממחקר בינלאומי חדש שהוזמן על ידי אינטל, תחת הכותרת The Robotics Readiness Gap.

המחקר מצביע על פער בין קצב ההתפתחות של רובוטיקה חכמה לבין יכולתם של ארגונים לשלב אותה בפעילות השוטפת. 67% מהמשיבים סבורים כי עד שנת 2030 יהיה הארגון שלהם ערוך לניהול כוח עבודה משולב, ו־74% מאמינים שעד אז לא יהיה עוד אפשר להפריד בין תכנון כוח האדם לבין אסטרטגיית הרובוטיקה.

מנגד, רק 40% מהארגונים כבר מחזיקים באסטרטגיה רשמית בתחום. האחריות על הרובוטיקה מפוצלת כיום בין מנהלי טכנולוגיה, מערכות מידע ותפעול: 29% מהמשיבים מסרו כי האחריות העיקרית מוטלת על סמנכ"ל הטכנולוגיות, 18% על מנהל מערכות המידע ו־16% על מנהל התפעול. רק ב־12% מהארגונים קיים מנהל ייעודי לרובוטיקה או לאוטומציה.

תפקידים חדשים – אך לא בהכרח יותר משרות

אחד הנתונים הבולטים במחקר הוא ש־75% מהמשיבים צופים כי הכנסת רובוטים תחייב את ארגוניהם ליצור תפקידים אנושיים מסוגים חדשים – ובהם ניהול ציי רובוטים, תחזוקה, פיקוח, בטיחות ושיתוף פעולה בין עובדים למכונות. 67% מעריכים שהרובוטיקה תהפוך את העובדים למיומנים יותר.

עם זאת, הנתונים אינם מוכיחים כי מספר המשרות הכולל יגדל. המחקר בדק את הערכותיהם של מנהלים ובעלי תפקידים, ולא מדד בפועל את מספר המשרות שנוצרו או בוטלו בעקבות הכנסת רובוטים. בנוסף, המשיבים מעריכים כי בתוך כשלוש שנים יהיה בממוצע זול יותר להציב רובוט מאשר להעסיק אדם לצורך אותה משימה.

המנהלים העריכו כי הרובוטיקה כבר שחררה או אפשרה להקצות מחדש כ־14% מיכולת העבודה האנושית בארגוניהם. הם צופים ששיעור זה יעלה ל־24% עד שנת 2030.

רק 45% אמרו שהכנסת הרובוטים גרמה לעובדים האנושיים להרגיש מוערכים יותר. 41% סבורים שמנהלי משאבי האנוש עדיין אינם ערוכים לתכנון כוח עבודה הכולל גם רובוטים.

מחסור בכישורים ובתשתיות

ארבעה מכל עשרה מנהלים ציינו שמחסור בכוח אדם מיומן מעכב את הרחבת השימוש ברובוטיקה. הפער הגדול ביותר נמצא בתחומי מחשוב הקצה ובינה מלאכותית הפועלת על גבי המכשיר עצמו. פערים נוספים נמצאו בהנדסת נתונים, אבטחת סייבר, בינה מלאכותית, תחזוקת רובוטים וניהול ציים.

מחשוב קצה חיוני במיוחד משום שרובוטים הפועלים לצד בני אדם אינם יכולים תמיד להמתין לתשובה משרת מרוחק. 78% מהמשיבים אמרו שיישומי רובוטיקה קריטיים צריכים לקבל החלטה בתוך פחות מ־100 אלפיות השנייה, ו־23% זקוקים לזמן תגובה קצר מעשר אלפיות השנייה.

כיום, 42% מהארגונים כבר מחזיקים באסטרטגיה מתוקצבת למחשוב קצה או ל־AI מקומי עבור מערכות רובוטיות, ועוד 39% נמצאים בתהליך גיבושה.

הבטיחות עדיין מעכבת את הפריסה

31% מהמנהלים ציינו כי שיפור הבטיחות הוא התחום שבו הרובוטיקה סיפקה לארגונם את הערך הגדול ביותר. רובוטים יכולים לקבל על עצמם משימות מסוכנות, פיזיות או חזרתיות ולהפחית את חשיפת העובדים לפציעות.

אלא שהסקר מציג גם תמונה מורכבת יותר: 55% אמרו שחששות בטיחותיים עיכבו אצלם פרויקטים רובוטיים, ו־48% דיווחו כי בארגונם כבר התרחש אירוע בטיחות שבו היה מעורב רובוט. בנוסף, 42% רואים בסיכוני סייבר או מידע חסם בפני הרחבת השימוש.

68% מהמנהלים סבורים שתקני בטיחות בינלאומיים ברורים יותר יאיצו את אימוץ הרובוטיקה, אך רק 37% מהארגונים מפעילים כיום תקנים אחידים בכל האתרים והשווקים שבהם הם פועלים.

פחות עניין ברובוטים דמויי אדם

למרות תשומת הלב הרבה שמקבלים רובוטים דמויי אדם, מנהלי החברות מתעניינים יותר במערכות ייעודיות. 77% אמרו שביצועים ואמינות חשובים יותר ממראה הרובוט, ו־40% סבורים שרובוטים דמויי אדם לעולם לא יהיו כדאיים לפריסה המונית.

רק 6% העריכו שרובוטים דמויי אדם יהיו סוג הרובוט בעל ההשפעה הגדולה ביותר על הענף שלהם בחמש השנים הקרובות. לעומתם, 20% הצביעו על רובוטים ניידים אוטונומיים, 14% על זרועות תעשייתיות ו־11% על רובוטים לבדיקות ולחישה.

המחקר הוזמן על ידי אינטל ונערך באמצעות Coleman Parkes Research בשיתוף חברת הייעוץ Man Bites Dog. השתתפו בו 800 מנהלים בכירים, מנהלי מערכות מידע, מומחי רובוטיקה ונציגי ממשל ובריאות מארצות הברית, סין, גרמניה, יפן, בריטניה ודרום קוריאה. כל המשתתפים פעלו בארגונים בעלי הכנסה שנתית של לפחות 500 מיליון דולר.

מכיוון שאינטל משווקת מעבדים, תשתיות מחשוב קצה וכלים עבור רובוטיקה ו־Physical AI, יש להתייחס למחקר גם כחלק מהעניין העסקי שלה בהתרחבות השוק. עם זאת, הנתונים מצביעים על כך שהאתגר אינו מסתכם ברכישת רובוטים: הוא כולל שינוי ארגוני, הכשרת עובדים, אבטחת סייבר, תקינה ותשתיות מחשוב בזמן אמת.

הפוסט מחקר אינטל: ארגונים נערכים לציי רובוטים – אך לרובם עדיין אין אסטרטגיה הופיע לראשונה ב-Chiportal.

חוקרים מהאוניברסיטה העברית בירושלים השתמשו בהבזקי אור קצרים במיוחד כדי לשלוט במבנה הגבישי של שכבת מוליך למחצה, בלי לשנות את הרכבה הכימי. באמצעות שינוי משך ההבזק ועוצמתו הצליחו החוקרים לבחור בין שני מופעים גבישיים של תחמוצת ביסמוט — ולשמר בטמפרטורת החדר מופע מטא־יציב בעל תכונות אופטו־אלקטרוניות משופרות.

המחקר, שהתפרסם בכתב העת Small Structures, נערך בהובלת שחר ארצי וד״ר רונן גוטסמן מהמכון לכימיה, מרכז קזאלי לכימיה יישומית והמרכז לננו־מדע ולננו־טכנולוגיה באוניברסיטה העברית.

חומרים רבים יכולים להתקיים בכמה מבנים גבישיים, המכונים פולימורפים, אף שההרכב הכימי שלהם זהה. סידור שונה של האטומים עשוי לשנות במידה ניכרת את הולכת המטענים, בליעת האור ותכונות נוספות של החומר.

הבעיה היא שחלק מהמופעים השימושיים מתקיימים רק בטמפרטורות גבוהות או בתנאים הרחוקים משיווי משקל. כאשר החומר מתקרר באיטיות, האטומים חוזרים בדרך כלל למבנה היציב יותר.

הבזק של עשירית אלפית השנייה

החוקרים השתמשו בשיטה המכונה חימום פוטוני בהבזק — Flash Photonic Heating. בשיטה זו שכבת החומר נחשפת לפולס אור לבן חזק וקצר, היוצר קצבי חימום וקירור של מיליון עד עשרה מיליון מעלות צלזיוס בשנייה.

בניסוי הופקדו שכבות דקות של תחמוצת ביסמוט, Bi₂O₃, על זכוכית המצופה בתחמוצת בדיל מסוממת בפלואור — FTO — מצע שקוף ומוליך המשמש בין היתר בהתקנים אופטו־אלקטרוניים ובתאים סולאריים.

החוקרים בחנו שכבות שהוכנו בשתי שיטות: מריחה בשיטת Doctor Blade ושיקוע באמצעות פעימות לייזר. התוצאות הראו כי לא רק כמות האנרגיה הכוללת קובעת את המבנה שיתקבל, אלא גם הקצב שבו היא מועברת לחומר.

פולסים קצרים במיוחד, שנמשכו כ־0.1 מילישנייה, יצרו תנאים הרחוקים משיווי משקל וקיבעו את מופע בטא המטא־יציב של תחמוצת הביסמוט. פולסים ארוכים יותר, של יותר ממילישנייה, הובילו למופע אלפא היציב.

פער אנרגיה צר יותר וזרם גבוה יותר

למופע בטא שנוצר בהבזק נמדד פער אנרגיה של 2.35 אלקטרון־וולט, לעומת 3.15 אלקטרון־וולט במופע אלפא. פער האנרגיה הצר יותר מאפשר לחומר לבלוע חלק רחב יותר מתחום האור הנראה.

במדידות פוטואלקטרוכימיות הפיק מופע בטא צפיפות זרם גבוהה פי 10 עד פי 50 מזו של מופע אלפא, בהתאם למבנה השכבה ולשיטת הכנתה. החוקרים מייחסים את השיפור בין היתר לצמצום האיחוי מחדש של נושאי המטען — תהליך שבו אלקטרונים וחורים מתחברים מחדש לפני שניתן לנצל אותם ליצירת זרם.

הצוות הדגים גם מעבר הפיך בין שני המופעים. באמצעות בחירה שונה של פולסי האור ניתן היה להעביר את החומר ממופע אלפא למופע בטא ולאחר מכן להחזירו למבנה המקורי.

המשמעות לתעשיית החומרים האלקטרוניים

היתרון האפשרי של חימום בהבזק הוא היכולת לעבד שכבה פעילה בטמפרטורות ובקצבים קיצוניים בלי לחמם באותה מידה את המצע שעליו היא מונחת. בתהליכי חימום רגילים, תנור מחמם הן את השכבה והן את הזכוכית או הפלסטיק שמתחתיה, ולכן עמידות המצע מגבילה את טמפרטורת העיבוד.

הגישה עשויה בעתיד לאפשר ייצור ועיבוד של מוליכים למחצה ותחמוצות מתכת על זכוכית מוליכה, פלסטיק ומצעים גמישים הרגישים לחום. יישומים אפשריים כוללים התקנים להמרת אנרגיית שמש, פוטוקטליזה, חיישנים ורכיבים אופטו־אלקטרוניים.

עם זאת, המחקר אינו מציג עדיין רכיב מסחרי או תהליך המתאים לקו ייצור של שבבים. הניסויים נערכו על אלקטרודות דקות של תחמוצת ביסמוט, ונדרשת עבודה נוספת כדי לבחון את השיטה בחומרים אחרים, על שטחים גדולים ובתהליכים החוזרים על עצמם באחידות הנדרשת בתעשייה.

המחקר משתלב במאמץ רחב יותר לפתח שיטות ייצור ועיבוד לחומרים אלקטרוניים דקים. ב־CHIPORTAL דיווחנו לאחרונה על שיטה אופטית לבדיקת סרטי MXene דקים בלי לפגוע ברכיב, על שיטה לייצור רכיבי אלקטרוניקה גמישים ודקים ועל זיכרון דו־ממדי לא־נדיף שפעל בטמפרטורת החדר.

במחקר השתתפו שחר ארצי, שלומית רוזנבאום, שחר מצוינים, ג׳נאן רבאיעה, תום נאור, בוריס בנימינוב, יגאל לוין ורונן גוטסמן.

הפוסט חוקרים מהעברית יצרו בהבזק אור מופע של מוליך למחצה שהפיק פי 10–50 יותר זרם בהארה הופיע לראשונה ב-Chiportal.

רובוט ארבע־רגלי הצליח לנוע באופן אוטונומי ביער, לטפס במדרגות, לעבור בין אבני דריכה ולקפוץ מעל גזעים שנפלו, באמצעות מערכת בקרה הבוחרת בזמן אמת בין כמה מיומנויות תנועה.

המערכת, המכונה APT-RL – ראשי תיבות של Action Pretrained Transformer–based Reinforcement Learning – פותחה בידי ג'ון־גיל קאנג ועמיתיו. המחקר מתפרסם בכתב העת Science Robotics של AAAS.

בעלי חיים בעלי ארבע רגליים מסוגלים לשנות במהירות את צורת התנועה בהתאם לשטח. הם יכולים לעבור מהליכה לריצה, להאט לפני מכשול, לזנק או לשנות את מיקום כפות הרגליים. אצל  רובוטים נדרשים בדרך כלל בקרי תנועה נפרדים ותכנון מדויק לכל משימה.

החוקרים ביקשו לפתח מערכת שלא תלמד כל משימה מחדש, אלא תוכל לבחור ולשלב מיומנויות שכבר נלמדו. לשם כך חילקו את תהליך האימון לשלושה שלבים, המתקדמים מתנועות בסיסיות להתנהגות מורכבת בסביבה אמיתית.

בשלב הראשון למד הרובוט דפוסי תנועה בסיסיים, כגון  ריצה קלה ודהירה, באמצעות מאגר גדול של תנועות דו־ממדיות. מיומנויות אלה שימשו מעין אוצר מילים מוטורי שעליו ניתן לבנות התנהגויות מורכבות יותר.

בשלב השני הופעלה למידת חיזוק. הרובוט התאמן בבחירת המיומנות המתאימה למצב: מתי להמשיך בריצה, מתי להאט, מתי לטפס ומתי לעבור לתנועת קפיצה. במהלך האימון קיבלה המערכת משוב על הצלחתה לעבור מכשולים תוך שמירה על יציבות ומהירות.

בשלב השלישי הותאמו הפעולות למידע מחיישנים אמיתיים. במקום להסתמך על מפה מפורטת או על מחשב חיצוני, הרובוט עיבד את המידע באמצעות מערכות התפיסה והמחשוב שעל גופו.

השילוב מאפשר מעבר מהיר בין צורות תנועה. כאשר הרובוט מזהה גזע נמוך, למשל, הוא עשוי לעבור מתנועה רציפה לקפיצה. מול מדרגות או אבנים הוא יכול לבחור תנועה אטית ומדויקת יותר, ולאחר מכן לחזור לריצה.

היכולת לעבור בין מיומנויות היא חשובה לשימוש ברובוטים בסביבות שאינן מסודרות מראש. רובוטים כאלה עשויים בעתיד לפעול באתרי אסון, במכרות, ביערות, במפעלי תעשייה או במשימות שבהן כלי רכב גלגליים מתקשים לנוע.

עם זאת, הדגמות מוצלחות במסלולי הניסוי אינן מבטיחות פעולה אמינה בכל סביבה. תנאי תאורה, בוץ, צמחייה צפופה, משטחים חלקים, מכשולים בלתי צפויים או תקלות בחיישנים עלולים עדיין להקשות על המערכת.

המחקר ממחיש מגמה ברובוטיקה: מעבר מבקר המיועד לתנועה יחידה אל מערכות המשתמשות במאגר מיומנויות ומחליטות בעצמן איזו מהן מתאימה לכל רגע.

הפוסט רובוט ארבע־רגלי למד להחליף סגנון תנועה כדי לחצות יער ולקפוץ מעל מכשולים הופיע לראשונה ב-Chiportal.

טלפונים חכמים, לוויינים זעירים ומודלים של בינה מלאכותית מתחברים בהדרגה לתשתית חישה עולמית, שנועדה לצמצם את הזמן החולף בין זיהויו של אסון טבע לבין קבלת ההתרעה בידי הציבור ורשויות החירום.

גילה לויקה, מנהלת מוצר לתחזיות שיטפונות וחוסן בפני משברים ב־Google Research, הציגה את המערכות בהרצאה בוועידה השנתית ה־54 למדע ולסביבה, שהתקיימה ביולי 2026 בבנייני האומה בירושלים. הכתבה מבוססת על הקלטה ותמלול של ההרצאה שערך אבי בליזובסקי, בתוספת אימות מול מקורות Google, Google DeepMind ו־Earth Fire Alliance.

“היעד שלנו הוא שאיש לא יופתע מאסון טבע — לפחות לא מאסון שמתקרב אליו”, אמרה לויקה. המערכות אינן מונעות את האסון ואינן מבטיחות שכל התרעה תהיה נכונה, אך הן ממחישות כיצד תשתיות מחשוב וחישה יכולות לספק שניות, שעות או ימים נוספים לפעולה.

מד התאוצה בטלפון הופך לחיישן סייסמי

מערכת Android Earthquake Alerts משתמשת במדי התאוצה המותקנים בטלפונים חכמים. רכיבים אלה משמשים בדרך כלל לזיהוי כיוון המכשיר, תנועה וספירת צעדים, אך הם מסוגלים לזהות גם דפוסי רעידה העשויים להעיד על התרחשות רעידת אדמה.

כאשר טלפונים רבים באזור מסוים מזהים בעת ובעונה אחת תנועה דומה, הם שולחים לשרתי גוגל אות בצירוף מיקום מקורב. המערכת משלבת את המדידות כדי להעריך אם החלה רעידת אדמה, את מיקומה ואת עוצמתה המשוערת.

אין מדובר בחיזוי של הרעידה לפני שהחלה. היתרון נובע מהפער בין מהירות העברת המידע האלקטרוני לבין מהירות התקדמות הגלים הסייסמיים בקרקע. משתמשים הנמצאים במרחק מהמוקד עשויים לקבל כמה שניות של התרעה לפני הגעת הטלטלה החזקה.

מבחינה טכנולוגית, המערכת הופכת מיליוני חיישני MEMS זולים שכבר נמצאים בידי הציבור לרשת מדידה מבוזרת. במקום להקים בכל מקום מערך ייעודי של סייסמומטרים, היא נשענת על חומרה קיימת, קישוריות סלולרית ועיבוד מרכזי בענן. עם זאת, היא תלויה במספר הטלפונים הפעילים באזור, באיכות החיבור וביכולת להפריד בין רעידת אדמה לבין תנועות אחרות.

FireSat: חיישן אינפרה־אדום ייעודי לשריפות

שכבת חישה נוספת נמצאת במסלול נמוך סביב כדור הארץ. ב־7 ביולי 2026 שוגרו שלושת הלוויינים המבצעיים הראשונים במערך FireSat, לאחר שיגורו של לוויין ניסויי במרץ 2025.

הלוויינים נבנו בידי Muon Space על בסיס פלטפורמת Condor-M עבור Earth Fire Alliance. כל לוויין נושא מטען חישה רב־ספקטרלי בעל שישה ערוצים בתחום האינפרה־אדום, שנועד לזהות מוקדי חום ולעקוב אחר שריפות גם בתנאי עשן ועננות.

לפי מפתחי המערכת, החיישנים מסוגלים לזהות מוקדי אש ששטחם כחמישה על חמישה מטרים. שלושת הלוויינים החדשים אמורים לספק עד סוף 2026 לפחות שתי תצפיות ביום על אזורים המועדים לשריפות. לכן אין לפרש את השיגור כאילו כבר הושג ניטור עולמי רציף.

התוכנית היא להרחיב את המערך ליותר מ־20 לוויינים בין 2027 ל־2029 ולהגיע לקצב עדכון של שעה או פחות. המערך המלא, המתוכנן לכלול כ־50 לוויינים משנת 2030 ואילך, אמור לספק עדכון עולמי מדי 20 דקות או פחות.

Google Research מתכננת להשתמש בבינה מלאכותית כדי להשוות את תמונות FireSat לתצלומים קודמים של אותו אזור ולשלב נתוני מזג אוויר ומשתנים נוספים. המטרה היא לאתר שריפות קטנות תוך צמצום מספר ההתראות המוטעות, ובהמשך לנתח את קצב התפשטותן.

מתחזית יחידה למערך הסתברויות

בתחום מזג האוויר הציגה לויקה את WeatherNext, משפחת מודלים שפותחה בידי Google DeepMind ו־Google Research. במקום להפיק תרחיש אחד, המערכת מחשבת במהירות אוסף של מסלולים אפשריים ומעריכה את ההסתברות לכל אחד מהם.

הגישה חשובה במיוחד במקרים שבהם כמה שינויים קטנים בתנאי ההתחלה עלולים לקבוע אם סופה תיחלש, תשנה מסלול או תתפתח לאירוע קיצוני.

כדוגמה הציגה לויקה את הוריקן מליסה, שפגע בג׳מייקה באוקטובר 2025 בדרגה 5. כאשר הסופה עדיין הוגדרה כשקע טרופי חלש, WeatherNext העריך חמישה ימים מראש הסתברות של כ־80% להתעצמות ולפגיעה בג׳מייקה בדרגה 5. שלושה ימים לפני הפגיעה עלתה ההסתברות לכמעט 100%.

המודל לא החליף את החזאים. הוא סיפק למרכז ההוריקנים האמריקני מקור מידע נוסף שניתן היה להשוות למודלים הפיזיקליים ולתצפיות. זוהי גם אחת המגמות המרכזיות בתחום המחשוב המדעי: שילוב בין סימולציות המבוססות על משוואות פיזיקליות לבין מודלים שאומנו על כמויות גדולות של נתוני עבר.

ג׳מיני הופך דיווחי חדשות למאגר אימון

גוגל כבר מספקת ב־Flood Hub תחזיות להצפות נהרות עד שבעה ימים מראש, ביותר מ־150 מדינות ובאזורים שבהם חיים כשני מיליארד בני אדם. שיטפונות בזק עירוניים הציבו קושי שונה, משום שהם מתפתחים במהירות ולעיתים אינם מתועדים באמצעות מדי גובה המים הקיימים בנהרות.

כדי להתגבר על המחסור בנתוני אימון פיתחה החברה את Groundsource. המערכת השתמשה בג׳מיני כדי לנתח דיווחי חדשות לא מובנים שנאספו במשך כ־20 שנה ולהמיר אותם למאגר של כ־2.6 מיליון רשומות על אירועי שיטפון.

המאגר שימש לאימון מודל המעריך את ההסתברות לשיטפון בזק באזור עירוני במהלך 24 השעות הבאות. המודל משלב רצף של שבעה ימי נתונים מטאורולוגיים וגאופיזיים עם תחזית מזג האוויר ליממה הקרובה. בשלב זה הרזולוציה היא כ־20 על 20 קילומטרים.

השימוש בדיווחי חדשות פותר בעיית נתונים אחת אך יוצר הטיות אחרות. אירועים בערים ובמדינות בעלות תקשורת מפותחת מתועדים טוב יותר משיטפונות בכפרים ובאזורים דלי אוכלוסייה. אירוע שלא דווח עלול להופיע במאגר כאילו לא התרחש. גוגל מגבילה בשל כך את המודל בשלב הנוכחי בעיקר לאזורים עירוניים וצפופי אוכלוסייה.

מתחזית להחלטה מעשית

הערך של התחזית נמדד ביכולת להפוך אותה לפעולה. בשיתוף פעולה בניגריה השתמש ארגון GiveDirectly בתחזיות Flood Hub ובמידע מקומי כדי לקבוע מתי להעביר כסף למשקי בית במדינת קוגי.

בשנת 2024 קיבלו 3,250 בני אדם תשלום מוקדם לפני שיא ההצפה. לאחר השלמת בדיקות זהות קיבלו תשלום כ־1,400 אנשים נוספים, ובסך הכול השתתפו בתוכנית יותר מ־4,600 תושבים. הכסף אפשר למשפחות להתפנות, להעביר רכוש למקום מוגן ולהצטייד במוצרים חיוניים.

המקרה גם מבהיר מדוע אין להסתמך על אלגוריתם בלבד. התחזיות שולבו במדידות מקומיות, בידע של התושבים ובבדיקות זכאות. בחלק מן האזורים הופסקו התשלומים זמנית בשל בעיות בזיהוי המשתתפים.

המערכות שהציגה לויקה בנויות על שרשרת טכנולוגית שלמה: חיישני MEMS, מטענים רב־ספקטרליים, לוויינים, רשתות תקשורת, תשתיות ענן, מאגרי נתונים ומאיצי AI. כשל בכל אחת מן החוליות עלול לעכב או לשבש את ההתרעה. כאשר השרשרת פועלת כמתוכנן, התוצר החשוב ביותר שלה אינו רק תחזית מדויקת יותר, אלא זמן נוסף לקבלת החלטות.

הפוסט מטלפונים חכמים ועד לווייני FireSat: תשתית החישה וה־AI שמנסה להקדים אסונות הופיע לראשונה ב-Chiportal.

חוקרים מאוניברסיטת פודן בסין פיתחו התקן זיכרון שבו שינוי במצבו של אלקטרון יחיד מייצג יחידת מידע. המחקר פורסם ב־16 ביולי 2026 בכתב העת Science, תחת הכותרת Robust single-electron memory with quantum states manipulation. (Science)

ההתקן מבוסס על מוליך למחצה דו־ממדי ועל מבנה מישורי שבו המקור, התעלה והמַשְׁנֵק מחוברים באותה שכבה. המבנה נועד לצמצם את הקיבול הטפילי, שבדרך כלל מחליש את האות החשמלי הזעיר הנוצר מהוספה או הסרה של אלקטרון יחיד. החוקרים מדדו שינוי של כ־0.5 וולט במתח הסף בעקבות אלקטרון אחד, והראו שהמצב נשמר גם לאחר הפסקת מתח התכנות בטמפרטורה של 27 מעלות צלזיוס. (ResearchGate)

החידוש אינו עצם הפעלתו של זיכרון חד־אלקטרוני בטמפרטורת החדר: התקן כזה כבר הודגם בשנת 1997. באותו ניסוי נוצר שינוי של כ־55 מיליוולט בלבד, והמטען נשמר פחות מחמש שניות. המחקר החדש מציג אות גדול כמעט פי עשרה יחד עם התנהגות לא־נדיפה, ולכן הוא מקרב את הרעיון מהדגמה פיזיקלית להתקן שעשוי בעתיד להשתלב במעגלים. (Science)

החוקרים גם זיהו התנהגויות קוונטיות הקשורות למתח התכנות ולצפיפות המצבים האלקטרוניים. עם זאת, אין מדובר בזיכרון קוונטי המאחסן קיוביטים: המידע המאוחסן הוא עדיין מידע בינארי רגיל, והאפקטים הקוונטיים משמשים לשליטה במצבו של האלקטרון היחיד. (Science)

מדוע הוא מתאים ל־CHIPORTAL

המחקר משלב כמה נושאים מרכזיים לקוראי האתר: זיכרונות לא־נדיפים, מוליכים למחצה דו־ממדיים, מזעור אל מעבר למגבלות הסיליקון, שילוב עם CMOS והפחתת מספר האלקטרונים הנדרש לאחסון ביט. לצד ההישג, חשוב להדגיש שהודגם התקן מחקרי יחיד ולא מערך זיכרון צפוף, וכי טרם פורסמו נתונים מלאים על אמינות, מספר מחזורי כתיבה, זמן שמירת המידע, אחידות בין תאים ותהליך ייצור סדרתי.

המקור המדעי:
Chunsen Liu, Yutong Xiang, Chong Wang ו-Peng Zhou, ‏Robust single-electron memory with quantum states manipulation, ‏Science 393, עמודים 294–299, ‏2026. (Science)

הפוסט אלקטרון אחד לביט: זיכרון דו־ממדי לא־נדיף פעל בטמפרטורת החדר הופיע לראשונה ב-Chiportal.

חוקרים מ־IBM, מהמעבדה הלאומית אוק רידג', מ־Cleveland Clinic ומאוניברסיטת מישיגן סטייט הפעילו מעבד קוונטי מסוג IBM Heron r3 כדי לחשב את המבנה האלקטרוני של מלח מותך המשמש מועמד למעטפות של כורי היתוך.

המחקר התמקד ב־FLiBe, תערובת של ליתיום פלואוריד ובריליום פלואוריד. במעטפת כור היתוך אמורים נייטרונים מן הפלזמה לפגוע בליתיום־6 ולייצר טריטיום, המשמש יחד עם דאוטריום כדלק לתגובת ההיתוך.

כדי להפיק את הטריטיום מן המעטפת צריך לחזות אם הוא ייקשר בחוזקה ליוני הפלואור או יימצא בצורה כימית שקל יותר לחלץ מן המלח. חישוב כזה דורש תיאור מדויק של המתאם בין האלקטרונים במערכת יונית ומקוטבת.

המאמר פורסם כקדם־פרסום ב־arXiv וטרם עבר ביקורת עמיתים. הוא אינו מציג חומר חדש או פתרון מוכן לייצור טריטיום, אלא הוכחת היתכנות לארכיטקטורת מחשוב קוונטית־קלאסית.

המעבד הקוונטי כמאיץ בתוך מערכת היברידית

החוקרים דגמו תשע תצורות של צברי FLiBe שכללו 21 עד 23 אטומים. לאחר מכן חילקו כל צבר לקטעים ממוקדי־אטום באמצעות שיטת Embedded Wave Function.

קטעים בעלי פחות מ־13 אורביטלים מרחביים נפתרו במחשב קלאסי. קטעים גדולים יותר הועברו למעבד Heron r3 המכונה ibm_boston. הקטע הגדול ביותר כלל 33 אורביטלים מרחביים ומופה למעגל בן 66 קיוביטים על גבי המעבד, הכולל 130 קיוביטים.

החישוב השתמש בשיטת extended Sample-Based Quantum Diagonalization. המעבד הקוונטי הכין מצב קוונטי ודגם ממנו תצורות אלקטרוניות. המידע הוחזר למערכת קלאסית, שביצעה שחזור תצורות, בחירת תת־מרחב ואלכסון של ההמילטוניאן.

כלומר, ה־QPU לא החליף את מחשב־העל. הוא פעל כמאיץ ייעודי בתוך תהליך שכלל הדמיות מולקולריות, מחשבי־על, אופטימיזציה קלאסית ועיבוד לאחר החישוב הקוונטי.

החישוב הקוונטי לא היה מקור השגיאה העיקרי

בתשע תצורות ה־FLiBe, הפותר הקוונטי שחזר את הבדלי האנרגיה של פתרון הייחוס הקלאסי בסטייה מרבית של 0.7 קילוקלוריות למול ובסטייה מוחלטת ממוצעת של 0.3 קילוקלוריות למול.

בחישובי קישור הטריטיום, הסטייה הממוצעת ביחס לפותר הקלאסי של אותו קטע הייתה 0.7 קילוקלוריות למול והסטייה המרבית 0.9 קילוקלוריות למול.

אולם כאשר הושוו התוצאות של המודל המפוצל לחישובים המתייחסים לצבר כולו, נמצאו הבדלים גדולים בהרבה: כ־12 קילוקלוריות למול בממוצע באנרגיות התצורות וכ־110 קילוקלוריות למול באנרגיות קישור הטריטיום.

לכן מסקנת החוקרים היא שהפותר הקוונטי כבר מדויק יחסית למשימה המצומצמת, ואילו צוואר הבקבוק הוא שיטת חלוקת המערכת לקטעים והייצוג החלקי של קשרים ארוכי טווח וקיטוב אלקטרוני.

עדיין לא יתרון קוונטי

המחקר אינו מציג מדידת האצה מול מחשב־על או חיסכון כולל במשאבי חישוב. למעשה, חישובים קלאסיים שימשו להכנת המעגלים, לאתחול הפרמטרים, לאימות התוצאות ולעיבוד הדגימות.

החוקרים מציינים כי חישוב ייחוס מלא של חלק מן הקטעים כבר יקר מכדי לבצעו שוב ושוב בקמפיין רחב של תצורות. מכאן הפוטנציאל של המעבד הקוונטי: לא בהכרח להחליף היום את מחשב־העל, אלא לאפשר בעתיד הרחבה של מרחבי החישוב הכימיים כאשר מספר האורביטלים והתצורות יגדל.

כדי להגיע למודל בעל יכולת חיזוי עבור מלח מותך אמיתי יצטרכו החוקרים לעבור מתאים בני יותר ממאה אטומים, לשפר את שיטת בניית הקטעים ולבצע חישובי אנרגיה חופשית על מספר רב של תצורות.

עבור תעשיית המחשוב הקוונטי, המחקר מדגים את האופן שבו IBM מבקשת לשלב QPU במרכזי מחשוב עתירי ביצועים: לא כמחשב עצמאי, אלא כרכיב האצה המחובר למעבדים קלאסיים, למעבדים גרפיים ולמערכות תוכנה המחליטות איזה חלק מן הבעיה יישלח לכל סוג מעבד.

מקור: המאמר “Quantum Computations on Fusion Blanket Molten Salts”, קדם־פרסום ב־arXiv, ‏29 ביוני 2026.

הפוסט IBM הפעילה מעגל של 66 קיוביטים בחישוב חומר למעטפת כור היתוך הופיע לראשונה ב-Chiportal.