כאשר פרץ הסכסוך בין איראן לארה"ב לישראל בשנת 2025 והסלים ב- 2026, העולם ראה חילופי טילים, נחילי רחפנים, מתקפות סייבר והתגייסות מהירה ברחבי המזרח התיכון. אך מאחורי שדה הקרב הנראה לעין, חזית נוספת החלה להתגבש – חזית שנבנתה לא מפלדה וחומרי נפץ, אלא מסיליקון, אלגוריתמים ומיקרואלקטרוניקה מתקדמת.

תעשיית השבבים, שכבר הייתה תחת לחץ מהביקוש העולמי, מצאה את עצמה לפתע במרכזו של טרנספורמציה גיאופוליטית. משרדי הגנה, סוכנויות מודיעין וקבלני צבא העבירו בדחיפות את המיקוד שלהם לשבבים בעלי ביצועים גבוהים, בינה מלאכותית בשדה הקרב, מעבדי תקשורת מאובטחים ומערכות מחשוב מחוספסות. מה שהיה בעבר מגמה הדרגתית לעבר סיליקון מוכוון הגנה הפך לציר אסטרטגי בקנה מידה.

כפי שניסח זאת פיט הגסת' , שר ההגנה האמריקאי במהלך פורום טכנולוגיות הגנה לשנת 2026: "שדה הקרב השתנה לנצח. המלחמה הבאה לא תסתיים בנצחון מי שיש לו יותר חיילים – אלא על ידי מי שיש לו שבבים טובים יותר." דבריו לכדו את מהותו של עידן חדש: לוחמה מודרנית היא לוחמה חישובית.

הסכסוך שחיווט מחדש את סדרי העדיפויות של הסיליקון

הסכסוך בין השנים 2025 ל-2026 חשף אמת שהובנה זה מכבר על ידי מתכנני ביטחון: כל מערכת נשק מודרנית , מרחפנים ועד יירוטי טילים, תלויה בשבבים מתקדמים. ולא סתם שבבים, אלא שבבים קשיחים לקרינה, מואצים על ידי בינה מלאכותית, מאובטחים ואמינים במיוחד המסוגלים לפעול בתנאים קיצוניים.

עם התגברות הלחימה, סוכנויות רכש בוושינגטון, ירושלים ובירות בעלות הברית פרסמו בקשות דחופות ל:

 • מאיצי בינה מלאכותית לזיהוי איומים בזמן אמת

 • זיכרון ברוחב פס גבוה לניתוח שדה קרב

 • שבבי תקשורת מאובטחים לרשתות מוצפנות

 • מעבדים מחוספסים לרחפנים אוטונומיים

 • מיקרו-בקרים לתחמושת מונחת מדויקת

הנשיא דונלד ג'יי טראמפ הדגיש את השינוי הזה במהלך תדרוך ביטחון לאומי בשנת 2026:  "אנו משקיעים בשבבים המתקדמים ביותר שנבנו אי פעם. אמריקה תוביל בטכנולוגיית ביטחון – לא רק היום, אלא במשך עשרות שנים." המסר היה ברור: חדשנות בסיליקון הפכה לעדיפות ביטחון לאומית.

בינה מלאכותית: המוח בשדה הקרב החדש

אולי השינוי הדרמטי ביותר היה הביקוש הנפיץ לסיליקון בינה מלאכותית ברמה צבאית.  במהלך הסכסוך, מערכות התקפיות והגנתיות כאחד הסתמכו על קבלת החלטות בזמן אמת: זיהוי איומים נכנסים, תיאום נחילי רחפנים, ניתוח תמונות לוויין וגילוי חדירות סייבר. מעבדים מסורתיים לא יכלו לעמוד בקצב.

דבר זה הוביל לפיתוח קטגוריה חדשה של שבבים: מאיצי בינה מלאכותית ברמת שדה קרב, שנועדו:

 • להריץ מודלים של הסקה עם השהייה נמוכה במיוחד

•  לפעול בסביבות חום גבוה ורעידות גבוהות

 • לעמוד בהפרעות אלקטרומגנטיות

• לתמוך בקבלת החלטות מאובטחת במכשיר ללא גישה לענן

מומחי הגנה ישראלים, שעבדו על מערכות אוטונומיות במשך שנים, ראו בסכסוך נקודת מפנה. טכנולוג צבאי בכיר ישראלי ציין: "בינה מלאכותית אינה עוד כלי תמיכה. זוהי מערכת העצבים של שדה הקרב המודרני."

המערכת הכלכלית הביטחונית של ישראל האיצה את הפיתוח של יירוטי בינה מלאכותית, שבבי ניווט רחפנים ומעבדי סיווג איומים בזמן אמת. המלחמה לא רק הגבירה את הביקוש לבינה מלאכותית – היא הגדירה מחדש את תפקידה בקרב.

שבבים ואריזות מתקדמות יוצאים למלחמה

הסכסוך גם דחף ארכיטקטורות מבוססות שבבים ואריזות מתקדמות למיינסטרים הביטחוני. מערכות צבאיות דורשות יותר ויותר:

 • אינטגרציה הטרוגנית (לוגיקה + RF + זיכרון + חיישנים)

•  התאמה אישית מהירה לצרכים ספציפיים למשימה

•  אמינות גבוהה יותר בתנאים קיצוניים

 • צריכת חשמל נמוכה יותר עבור פלטפורמות אוטונומיות

שבבים מאפשרים לקבלני ביטחון לשלב ולהתאים רכיבים. לדוגמה, צימוד מודול RF מוגן קרינה עם מאיץ בינה מלאכותית מאובטח ובקר בעל צריכת חשמל נמוכה – הכל בתוך חבילה אחת.

מנהל מחקר ופיתוח ביטחוני ישראלי הסביר את השינוי: "שבבים מאפשרים לנו לבנות חומרה ספציפית למשימה תוך חודשים במקום שנים. מהירות זו חיונית כעת."

תקן UCIe שפותח במקור עבור מיחשוב מסחרי, החל להופיע במסמכי רכש ביטחוני. סוכנויות צבאיות דרשו חיבורי שבבים מאובטחים, אריזות חסינות חבלה ומנועי הצפנה על החבילה. המלחמה לא רק הגדילה את הביקוש לשבבים; היא שינתה את הארכיטקטורה של הסיליקון הצבאי עצמו.

לוחמת סייבר ועליית הסיליקון המאובטח

הסכסוך ראה פעולות סייבר נרחבות המכוונות לתשתיות קריטיות, רשתות הגנה ומערכות לווייניות. הדבר עורר עלייה בביקוש לשבביםהמתמקדים באבטחה, כולל מודולי שורש אמון בחומרה,  שבבי נגד חבלה,  מעבדי מובלעת מאובטחים ומאיצי קריפטוגרפיים עמידים קוונטית.

סוכנויות הביטחון הבינו שאבטחה מבוססת תוכנה כבר אינה מספיקה. הגנה ברמת החומרה הפכה לחובה. חברות שבביםהגיבו על ידי שילוב  ערוצי זיכרון מוצפנים,  רצפי אתחול מאובטחים,  מערכות פיזיות פונקציות בלתי ניתנות לשיבוט (PUFs), זיהוי אנומליות בשבבים המופעל על ידי בינה מלאכותית.

כפי שציין שר ההגנה הגסת': "אם השבבים שלך אינם מאובטחים, הנשק שלך אינו מאובטח."

המלחמה האיצה מעבר שהתפתח באיטיות: האבטחה עברה מתוכנה לסיליקון.

פגיעויות בשרשרת האספקה ​​נחשפו

הסכסוך חשף גם עד כמה שברירית באמת שרשרת האספקה ​​של מוליכים למחצה. תקיפות טילים איראניות על נתיבי שיט אזוריים, מתקפות סייבר על מערכות לוגיסטיקה ומתחים מוגברים ברחבי המזרח התיכון שיבשו את זרימת חומרי הגלם, הכימיקלים המיוחדים והרכיבים הקריטיים. אפילו חברות רחוקות מהסכסוך חשו את גלי ההלם. זה הוביל לגיוון חירום של שרשראות האספקה, לעלייה בייצור המקומי בארה"ב ובישראל, להשקעה מואצת במפעלים מאובטחים, מכווני ביטחון, ולאגירת חומרים קריטיים כמו פוטורזיסטים ומתכות נדירות.

הנשיא טראמפ הדגיש את הדחיפות: "לעולם לא נסמוך שוב על מדינות עוינות לטכנולוגיה קריטית. אמריקה תבנה, תאבטח ותגן על שרשרת האספקה ​​של שבביםמשלה."

ממשלות החלו להתייחס לשרשראות אספקה ​​של שבביםכנכסי ביטחון לאומי, ולא כתשתית מסחרית.

ההגנה הופכת ללקוח עיקרי

עד סוף 2026, רכש ביטחוני ייצג נתח גדול משמעותית מביקוש השבביםמאשר לפני הסכסוך. חברות שבעבר ראו בביטחון שוק נישה ראו בו כעת עמוד תווך אסטרטגי.

המלחמה יצרה חוזי ביטחון ארוכי טווח, שותפויות מו"פ רב שנתיות, תוכניות חדשנות במימון ממשלתי   ומסלולי הסמכה מואצים לשבבים צבאיים.

אסטרטג ביטחון ישראלי סיכם את השינוי: "הדור הבא של כוח צבאי יימדד בטרה-פלופים, לא בספירת חיילים."

טרנספורמציה קבועה

הסכסוך בין איראן לארה"ב לישראל בשנים 2025-2026 לא רק הגדיל את הביקוש לשבבים צבאיים. הוא חיווט מחדש באופן מהותי את סדרי העדיפויות של תעשיית המוליכים למחצה.

התעשייה עוסקת כעת ב תכנון שבבים לכלי נשק אוטונומיים, בניית מאיצי בינה מלאכותית להסקת מסקנות בשדה הקרב, פיתוח סיליקון מאובטח להגנה בסייבר, יצירת מעבדים מוקשחים לסביבות קיצוניות, שילוב שבבים לחומרה ספציפית למשימה והתייחסות לשרשראות אספקה ​​כנכסים אסטרטגיים.

בקיצור, המלחמה דחפה את תעשיית השבבים לעידן חדש – עידן שבו חדשנות ביטחונית היא בלתי נפרדת מחדשנות סיליקון.

כפי שאמר פיט הגסת':"עתיד הלוחמה נבנה בפאבים לא במפעלים." ותעשיית השבבים בין אם מרצונה ובין אם לאו, נמצאת כעת בחזית.

הפוסט לא רק טילים ורחפנים: חזית הסיליקון מכריעה את גורל המזרח התיכון 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.

עלות העסקת מפתח בישראל גבוהה כיום בכ־8.2% מעלות העסקתו של מפתח מקביל בארצות הברית – כך עולה ממדגם שערך פורום חברות הצמיחה בקרב שבע חברות טכנולוגיה המעסיקות יחד יותר מ־10,000 עובדים בישראל ובעולם.

לפי הנתונים שמסר הפורום, עלות ההעסקה בישראל במונחי דולר עלתה בשנה האחרונה בכ־17%–22%. הסיבה המרכזית לכך היא התחזקות השקל מול הדולר, המייקרת את עלות העובדים בישראל עבור חברות שמרבית הכנסותיהן נקובות בדולרים.

הפורום מעריך כי שער האיזון שבו עלות עובד בישראל משתווה לזו של עובד מקביל בארצות הברית עומד על כ־3.21 שקלים לדולר. גם ברמה זו, לפי הפורום, ישראל אינה נהנית מיתרון בעלויות אלא מגיעה לשוויון בלבד.

בהשוואה לכמה ממדינות מזרח אירופה, טוען הפורום כי העסקת עובד טכנולוגיה בישראל יקרה פי 2.4. הפער אינו חדש, אך לטענתו הוא נעשה משמעותי יותר בעקבות השיפור ברמת כוח האדם במדינות אלה, הרחבת העבודה מרחוק והשימוש בכלי בינה מלאכותית בפיתוח תוכנה.

בסקר נפרד שערכה קרן Viola Growth בשיתוף הפורום בקרב 62 חברות צמיחה, 58% מהחברות דיווחו כי האטו או הקפיאו גיוסים בישראל נכון ליוני 2026. כ־55% ציינו את שער הדולר ואת השפעת הבינה המלאכותית בין הגורמים להחלטה, ו־15% מסרו כי כבר פתחו בחו"ל משרות שתוכננו במקור לישראל.

מיכל שריג־כדורי, מנכ"לית פורום חברות הצמיחה, אמרה כי הסיכון אינו בהכרח עזיבה מיידית של חברות או עובדים, אלא שינוי הדרגתי במיקום המשרות החדשות. לדבריה, כאשר חברות מקבלות שוב ושוב החלטה לגייס את העובד הבא מחוץ לישראל, ההשפעה המצטברת על המשק עלולה להיות גדולה.

עם זאת, יש להתייחס לנתונים בזהירות. המדגם המרכזי כולל שבע חברות בלבד, וזהות החברות, סוגי המשרות ושיטת חישוב העלות המלאה לא פורטו בהודעה. לפיכך, אין לראות בו מדגם מייצג של כלל תעשיית ההייטק או של חברות השבבים בישראל.

עבור תעשיית השבבים, שבה מרכזי הפיתוח בישראל מתחרים על תקציבים מול אתרים בארצות הברית, אירופה ואסיה, עלייה בעלות ההעסקה עלולה להשפיע על החלטות לגבי פתיחת צוותים, הרחבת מרכזים והעברת פרויקטים חדשים.

הפוסט פורום חברות הצמיחה: העסקת מפתח בישראל יקרה ב־8.2% מהעסקתו בארה"ב הופיע לראשונה ב-Chiportal.

מערכת למידת מכונה שפיתח צוות חוקרים בין־לאומי עשויה לקצר את השלב הראשוני בחיפוש אחר חומרים חדשים לתעשיית המוליכים למחצה. במקום לסרוק מספר עצום של תרכובות אפשריות באמצעות ניסויי מעבדה או חישובים קוונטיים עתירי משאבים, המערכת מקבלת פער אנרגיה רצוי ומציעה הרכבים כימיים מבוססי גליום שעשויים להציג אותו.

המחקר נערך בהובלת חוקרים מאוניברסיטת פלינדרס באוסטרליה ומאוניברסיטת ח'ליפה באיחוד האמירויות, ופורסם בכתב העת ACS Materials Letters. השיטה משלבת מודל חיזוי המבוסס על אלגוריתם השכנים הקרובים ביותר – K-Nearest Neighbors או KNN – עם אופטימיזציה בייסיאנית וסינון של נוסחאות שאינן סבירות מבחינה כימית.

המטרה אינה רק לחזות את פער האנרגיה של חומר מוכר, אלא לבצע תכנון הפוך: להתחיל בתכונה האלקטרונית המבוקשת ולחפש תרכובות שעשויות לספק אותה.

חיפוש ממוקד במקום סריקה ממצה

אחד האתגרים המרכזיים בפיתוח חומרי שבבים הוא גודלו של המרחב הכימי. גם כאשר החיפוש מוגבל לתרכובות המכילות גליום, ניתן ליצור מספר עצום של שילובים בין יסודות, יחסים סטויכיומטריים ומצבי חמצון.

שיטות המבוססות על תורת פונקציונל הצפיפות, DFT, מאפשרות לחשב את המבנה האלקטרוני של חומרים בדיוק גבוה יחסית, אך ביצוע חישובים כאלה עבור כל תרכובת אפשרית דורש זמן ומשאבי מחשוב רבים. ניסוי וסינתזה במעבדה יקרים ואיטיים עוד יותר.

הגישה שהציגו החוקרים אינה מנסה לבצע חישוב מלא לכל מועמד. היא משתמשת בנתונים שנאספו על אלפי מוליכים למחצה מוכרים כדי ללמוד את הקשר בין ההרכב הכימי לבין פער האנרגיה. החוקרים בחנו כמה מודלים של רגרסיה, ומצאו כי מודל KNN סיפק את הביצועים הטובים ביותר, עם מקדם התאמה R² של 0.812.

המודל משמש כמודל מחליף, או surrogate model, שמספק הערכה מהירה וזולה יחסית של תכונות החומר. מעליו פועלת האופטימיזציה הבייסיאנית, שבוחרת בכל שלב את המועמדים שכדאי לבחון בהמשך. האלגוריתם מאזן בין התמקדות באזורים שבהם כבר נמצאו תוצאות מבטיחות לבין בדיקת אזורים חדשים במרחב החיפוש.

באמצעות התהליך ביקשו החוקרים לייצר תרכובות מבוססות גליום עם פערי אנרגיה מוגדרים מראש בטווח שבין 0.5 ל־3.5 אלקטרון־וולט.

סינון כימי לפני המלצה על חומר

מודל למידת מכונה עלול להציע נוסחאות שנראות מתאימות מבחינה מתמטית, אך אינן יכולות להתקיים כחומרים אמיתיים. כדי לצמצם את הבעיה שילבו החוקרים את מערכת SMACT, המבצעת בדיקות ראשוניות של סבירות כימית.

הסינון בוחן בין היתר איזון מטענים, מצבי חמצון אפשריים, התאמה בין היסודות וסבירות פיזיקלית בסיסית. רק מועמדים שעברו את הבדיקות הוחזרו לתהליך האופטימיזציה.

לאחר השלמת החיפוש דיווחו החוקרים כי ההרכבים שהציעה המערכת היו ייחודיים ולא הופיעו בנתוני האימון. שיעור גבוה יותר של תרכובות שעברו את סינון SMACT התקבל בחיפוש אחר פערי אנרגיה שבין 1.5 ל־2.5 אלקטרון־וולט.

עם זאת, מעבר של סינון SMACT אינו מוכיח שהחומר יציב תרמודינמית, שאפשר לסנתז אותו או שניתן לגדלו כשכבה גבישית באיכות המתאימה לייצור רכיבים. לשם כך נדרשים חישובי DFT מפורטים יותר, בחינת מבנים גבישיים, סינתזה במעבדה ומדידה של התכונות החשמליות והאופטיות.

המשמעות האפשרית לתעשיית השבבים

פער האנרגיה הוא אחד המשתנים המרכזיים הקובעים את התאמתו של מוליך למחצה ליישום מסוים. חומרים בעלי פער קטן עשויים להתאים לגלאי אינפרה־אדום וליישומים פוטו־וולטאיים מסוימים. פערים בינוניים רלוונטיים לרכיבים אופטיים, לדיודות פולטות אור ולפוטוניקה, ואילו חומרים רחבי פער משמשים בפיתוח רכיבי הספק, אלקטרוניקה לטמפרטורות גבוהות ומערכות העמידות למתחים ולקרינה.

תרכובות גליום כבר תופסות מקום חשוב בתעשייה. גליום ארסניד משמש ברכיבי תדר רדיו, במערכות תקשורת ובאופטואלקטרוניקה; גליום ניטריד נמצא ברכיבי הספק, בתחנות בסיס ובמערכות תאורה; ותחמוצת גליום נחקרת כחומר רחב־פער לדורות עתידיים של רכיבי מתח גבוה.

השיטה החדשה אינה מציעה תחליף מיידי לחומרים אלה ואינה מוכיחה כי נמצא חומר מתאים לייצור מסחרי. תרומתה האפשרית נמצאת בשלבים מוקדמים יותר של שרשרת המחקר: צמצום של מיליוני אפשרויות לרשימה קצרה של מועמדים שניתן לבחון בחישובים מדויקים ובמעבדה.

עבור יצרני חומרים, חברות רכיבים ומכוני מחקר, תהליך כזה עשוי להפחית את מספר החישובים והניסויים שאינם מובילים לתוצאה. הוא גם עשוי לאפשר חיפוש ממוקד של חומר המותאם לדרישה הנדסית מסוימת, במקום הסתפקות בחומרים שתכונותיהם כבר מוכרות.

המחקר מדגים את התרחבות השימוש בבינה מלאכותית בתעשיית השבבים מעבר לתכנון מעגלים, אימות ותהליכי ייצור. במקרה זה, האלגוריתם משתלב בשלב שקודם לתכנון הרכיב עצמו – בחירת החומר שממנו ייוצר.

המאמר המדעי:
Tarek Khater ואחרים, “Bayesian Optimization-Guided Discovery of Gallium-Containing Semiconductors with Targeted Band Gaps”, ‏ACS Materials Letters, כרך 8, גיליון 5, עמודים 1375–1381, 2026.
DOI: 10.1021/acsmaterialslett.5c01482

הפוסט בינה מלאכותית מציעה חומרי גליום עם פער אנרגיה לפי דרישה הופיע לראשונה ב-Chiportal.

לייזרים אולטרה־מהירים הם כלי עבודה חשובים במדע ובטכנולוגיה. הם מפיקים פולסים קצרים במיוחד, בסדר גודל של פמטו־שניות, ומשמשים בין היתר במדידת תהליכים מהירים, בספקטרוסקופיה, בשעונים אטומיים, בעיבוד חומרים וביישומים רפואיים. הבעיה היא שמערכות כאלה הן לרוב גדולות, יקרות ומורכבות לתפעול. מחקר חדש של חוקרי EPFL, שפורסם ב־Nature, מציג דרך להקטין חלק מהיכולות האלה לשבב פוטוני. (Nature)

החוקרים הדגימו לייזר נעול־מצבים משולב, המבוסס על שבב סיליקון ניטריד שבו הושתלו יוני ארביום. לפי המאמר, הלייזר מפיק רכבת פולסים בתדירות 176 מגה־הרץ, עם אנרגיית פולס בתחום הננו־ג’ול, וניתן לדחוס את הפולסים ל־147 פמטו־שניות. הנתונים האלה חשובים משום שמקורות פוטוניים משולבים קודמים התקשו לספק אנרגיית פולס מספקת לתהליכים לא־ליניאריים, כמו יצירת סופר־קונטינואום.

לא רק מזעור

הכותרת המתבקשת היא “לייזר על שבב”, אך הסיפור אינו רק גודל. בלייזרים אולטרה־מהירים, השאלה המרכזית היא לא רק אם אפשר לייצר פולסים קצרים, אלא אם הם חזקים, יציבים וקוהרנטיים מספיק כדי להניע יישומים ממשיים. Nature מדווח כי המערכת החדשה מפיקה אנרגיית פולס שגדולה ביותר משני סדרי גודל ממקורות פוטוניים משולבים קודמים, ומתקרבת מבחינה זו לביצועי לייזרי סיב גדולים יותר.

המערכת מבוססת על ארכיטקטורה המכונה Mamyshev oscillator. במקום להסביר אותה כ”קסם אופטי”, נכון יותר לתאר אותה כמנגנון סינון ובקרה: האור עובר הרחבה ספקטרלית בתווך לא־ליניארי, ולאחר מכן מסננים אופטיים מאפשרים רק לחלק מהאור להמשיך להסתובב בחלל הלייזר. בדרך זו פולסים חזקים נשמרים ומתעצבים, ואילו רכיבים חלשים יותר מסוננים החוצה.

שבב במקום שולחן אופטי

על פי הודעת EPFL, השבב מציג ארכיטקטורת לייזר שבעבר הייתה מוגבלת למערכות גדולות יותר, ומכווץ אותה לקנה מידה של מילימטרים. בתמונה שפרסמה האוניברסיטה נראה השבב מונח על מטבע של פרנק שווייצרי אחד, כדי להמחיש את קנה המידה.

המשמעות האפשרית היא מעבר הדרגתי ממערכות אופטיות גדולות ומורכבות אל רכיבים שמיוצרים בטכנולוגיות של שבבים. ייצור כזה עשוי לאפשר בעתיד התקנים קומפקטיים יותר, יציבים יותר וזולים יותר, אם הפיתוח יבשיל לייצור רחב. כאן חשוב להיזהר: המחקר מציג הדגמה מדעית מתקדמת, לא מוצר מסחרי מיידי.

מה אפשר לעשות עם פולסים כאלה

במאמר ב־Nature מדווחים החוקרים כי הלייזר הצליח להניע ישירות יצירת סופר־קונטינואום במוליך גל מסיליקון ניטריד, ללא הגברה נוספת. סופר־קונטינואום הוא אור רחב־ספקטרום שנוצר מתהליכים לא־ליניאריים, והוא שימושי למדידות, ספקטרוסקופיה, מטרולוגיה ויישומים נוספים.

החוקרים גם הדגימו ספקטרומטר קומפקטי בתחום הטרה־הרץ שהופעל באמצעות המקור החדש, עם רוחב פס של 5 טרה־הרץ וטווח דינמי של 90 דציבל. לפי Nature, המערכת שימשה להדגמת ניתוח כימי ללא מגע ובדיקה של חומרים. אלה עדיין הדגמות מחקר, אך הן מראות שהפולסים אינם רק נתון מספרי יפה, אלא יכולים להניע מערכת מדידה שלמה.

חשיבות לשבבים ולפוטוניקה משולבת

הפיתוח משתלב במגמה רחבה יותר: העברת רכיבים אופטיים שהיו בעבר חיצוניים, גדולים ומדויקים מאוד אל שבבים פוטוניים. בדומה לשבבים אלקטרוניים, גם שבבים פוטוניים יכולים להיבנות בפרוסות שבבים, לשלב כמה פונקציות על אותו רכיב ולהתחבר למערכות אחרות. אם לייזרים אולטרה־מהירים יוכלו להשתלב בדרך זו, הם עשויים להרחיב את השימוש בכלי מדידה מתקדמים מחוץ למעבדות ייעודיות.

עבור CHIPORTAL, הזווית המרכזית היא פוטוניקה משולבת וייצור רכיבים אופטיים בקנה מידה של שבבים. עבור הידען, הזווית הרחבה יותר היא מדע מדידה: כלי קטן יותר למדוד תהליכים מהירים, לזהות חומרים, לשפר ספקטרוסקופיה ולפתח מערכות חישה ניידות. בשני המקרים, הניסוח הנכון הוא לא “מהפכה מיידית”, אלא שלב חשוב בהקטנת טכנולוגיה אופטית מתקדמת.

למאמר המדעי

FAQ קצר:

מהו לייזר פמטו־שניות? לייזר שמפיק פולסים קצרים במיוחד, בסדר גודל של קוודריליונית השנייה.
מה חדש במחקר שלEPFL? החוקרים הצליחו לשלב על שבב פוטוני מקור שמפיק פולסים קצרים ובעלי אנרגיה גבוהה יחסית למערכות משולבות קודמות.
האם מדובר במוצר מסחרי? לא. זו הדגמה מחקרית, אך היא מצביעה על כיוון ליישומים קומפקטיים יותר בעתיד.


הפוסט לייזר פמטו־שניות הוקטן לשבב פוטוני הופיע לראשונה ב-Chiportal.

צוות מחקר גרמני־ישראלי הדגים שיטה לא הרסנית לבדיקת סרטים דקים מבוססי MXene במהלך ייצור רכיבים זעירים. השיטה, אליפסומטריית הדמיה, מאפשרת למפות את עובי הסרט, את אחידותו ואת תכונותיו החשמליות בלי לגעת ברכיב ובלי לפגוע בו. המחקר פורסם בכתב העת Applied Physics Letters ונבחר כ־Editor’s Pick.

MXenes הם חומרים דו־ממדיים שיכולים לשמש אבני בניין לרכיבים אלקטרוניים ופוטוניים בקנה מידה מיקרוסקופי. באוניברסיטת תל אביב נחקרים סרטים דקים ומובנים של MXene כאלקטרודות אחוריות בגלאי אור מהדור הבא. ברכיבים כאלה, אפילו שינוי קטן בעובי או באחידות הסרט עלול להשפיע על ביצועי המכשיר, ולכן נדרשת שיטת מדידה רגישה שאינה פוגעת ברכיב.

לראות גם את המבנה וגם את התפקוד

אליפסומטריה מבוססת על מדידת שינויי הקיטוב של אור המוחזר מפני הדגימה. מהשינויים האלה אפשר להסיק נתונים כמותיים על הסרט הדק, ובהם עובי, הרכב ותכונות הקשורות להעברת מטען. במקרה של סרטים דקים מאוד, השיטה רגישה גם להבדלים מקומיים קטנים בין אזורים שונים של הרכיב.

ייחודה של הגישה שהודגמה במחקר הוא בכך שהיא אינה רק “מצלמת” את המבנה. היא מאפשרת לקבל מידע על תפקוד החומר והרכיב בזמן תהליך הייצור. בכך היא יכולה לשמש כלי לבקרת איכות, לאיתור בעיות מקומיות ולשיפור תהליכים ליתוגרפיים המשמשים ליצירת מבנים זעירים.

שילוב בין מדידה נקודתית למיפוי מלא

החוקרים השתמשו בשתי גישות משלימות. הראשונה היא מיקרו־אליפסומטריה ספקטרוסקופית, הזמינה באוניברסיטה העברית בירושלים. גישה זו מאפשרת מדידות נקודתיות ברזולוציה גבוהה, ולכן מתאימה לבדיקות מהירות של אזורים מוגדרים ברכיב ולמעקב אחר איכות הדגימות במהלך הייצור.

הגישה השנייה היא אליפסומטריית הדמיה ספקטרוסקופית, שבוצעה במרכז הלמהולץ ברלין. מערכת זו מאפשרת מיפוי מרחבי של רכיבים שלמים, ובשילוב אופטיקה ייחודית מגיעה לרזולוציה צדית של עד מיקרון אחד. כך אפשר לחבר בין תמונה בקנה מידה של מילימטרים לבין פרטים מקומיים בקנה מידה מיקרוני.

במחקר הודגמו מפות של מבני “מסרק” קיבוליים המבוססים על MXene, ובהן נמדדו עובי הסרט ותכונות הקשורות להולכה. באחת הדוגמאות דווח על סרט בעובי ממוצע של 5.4 ננומטר בלבד, ובכל זאת ניתן היה לזהות שונות מקומית בתוך המבנה.

מעקב אחרי תהליך הייצור בזמן אמת

אחד היתרונות המרכזיים של השיטה הוא היכולת לעקוב אחר שינויים שמתרחשים במהלך שלבי עיבוד, למשל בפיתוח שכבת פוטורזיסט בתהליך ליתוגרפי. שינויים כאלה משפיעים על התגובה האופטית של החומר, ולכן אפשר לזהותם בלי לחבר אלקטרודות, בלי לגרד את הדגימה ובלי להרוס את הרכיב.

יכולת זו חשובה במיוחד ברכיבים מבוססי חומרים דו־ממדיים. בחומרים כאלה, שכבות דקות מאוד נושאות חלק גדול מהפונקציונליות של המכשיר. לכן בקרת איכות לא הרסנית יכולה לקצר תהליכי פיתוח, להפחית כשלים ולסייע בהעברת חומרים חדשים ממעבדה ליישומים.

החוקרים מציינים כי השיטה אינה מוגבלת ל־MXene בלבד. היא יכולה לשמש גם למדידת מגוון רחב של חומרים איזוטרופיים ואנאיזוטרופיים, ובכללם חומרים דו־ממדיים נוספים. לכן היא עשויה להיות רלוונטית לפיתוח רכיבים ננו־אלקטרוניים, פוטוניים וחיישנים עתידיים.

למאמר המדעי DOI: 10.1063/5.0314586

הפוסט שיטה אופטית חדשה מאפשרת לבדוק סרטי MXene דקים בלי לפגוע ברכיב הופיע לראשונה ב-Chiportal.

מכון קמפנר לחקר הבינה הטבעית והמלאכותית באוניברסיטת הרווארד והמרכז למדעי המוח על שם אדמונד ולילי ספרא, ELSC, באוניברסיטה העברית בירושלים, הודיעו על שיתוף פעולה חדש בתחום NeuroAI. זהו תחום מחקר מתפתח המחבר בין  מדעי המוח, בינה מלאכותית, מדעי הקוגניציה ולמידת מכונה.

שיתוף הפעולה נועד לחזק את הקשרים בין קהילות המחקר בשני המוסדות. הוא יכלול חילופי ידע בין חברי סגל וחוקרים צעירים, סדנאות, מפגשים אקדמיים ופעילויות משותפות נוספות. מטרת המהלך היא להניח תשתית ליוזמות מחקר עתידיות, שיבחנו כיצד מערכות ביולוגיות ומערכות מלאכותיות לומדות, מייצגות מידע, חוזות אירועים ומתאימות את התנהגותן לסביבות מורכבות.

תחום NeuroAI מבקש להבין אינטליגנציה על פני רצף רחב של מערכות, מהמוח האנושי ומוחות בעלי חיים ועד מודלים חישוביים ומערכות בינה מלאכותית. מצד אחד, חוקרים משתמשים בכלי AI מתקדמים כדי לפענח כיצד המוח לומד, מחשב ומסתגל. מצד אחר, הם שואבים השראה ממערכות ביולוגיות כדי לפתח מערכות AI יעילות, יציבות ואמינות יותר.

מכון קמפנר בהרווארד הוא מכון בין־תחומי העוסק בחקר אינטליגנציה במערכות טבעיות ומלאכותיות, ומאגד חוקרים בתחומים כמו למידת מכונה, מדעי המוח ומדעי הקוגניציה. לפי אתר המכון, משימתו המרכזית היא לקדם את חקר האינטליגנציה ולפתח פתרונות לבעיות מורכבות לטובת האנושות. (Kempner Institute)

המרכז למדעי המוח על שם אדמונד ולילי ספרא באוניברסיטה העברית הוא אחד המרכזים הבולטים בישראל למדעי המוח החישוביים. לפי אתר המרכז, ELSC פועל לחיבור בין מחקר קוגניטיבי, ביולוגי וחישובי, במטרה לקדם תגליות חדשות בחקר המוח. (elsc.huji.ac.il)

שיתוף הפעולה החדש נשען גם על קשרים קיימים בין החוקרים בשני המוסדות. בין הדמויות המחברות בין הקהילות נמצא פרופ' חיים סומפולינסקי, חבר סגל עמית במכון קמפנר ופרופסור אמריטוס ב־ELSC; פרופ' דפנה ויינשל מהאוניברסיטה העברית, המשמשת חוקרת אורחת במכון קמפנר; וד"ר יונתן קדמון מ־ELSC, שהיה בעבר חוקר אורח בהרווארד.

המהלך משקף מגמה רחבה יותר במדעי המוח ובבינה מלאכותית: מעבר ממחקר נפרד של מוח ומחשב אל חקר משותף של עקרונות אינטליגנציה. בתחום זה, הבנת המוח עשויה לסייע בבניית מערכות AI טובות יותר, ואילו כלי בינה מלאכותית עשויים לספק למדענים דרכים חדשות לנתח פעילות מוחית ולפענח מנגנוני למידה, זיכרון וקבלת החלטות.

בהודעה על שיתוף הפעולה נמסר כי שני המוסדות רואים בו צעד לקידום  מדע האינטליגנציה ולתרגום תובנות בסיסיות מביולוגיה ומחישוב לטכנולוגיות עתידיות. עבור האוניברסיטה העברית, החיבור להרווארד בתחום NeuroAI מחזק את מעמדה בזירה הבין־לאומית של מדעי המוח החישוביים והבינה המלאכותית.

הפוסט הרווארד והאוניברסיטה העברית ישתפו פעולה במחקר NeuroAI הופיע לראשונה ב-Chiportal.

מהנדסים מאוניברסיטת קליפורניה בסן דייגו פיתחו אבטיפוס לשבב חדש שנועד לשפר את הדרך שבה מועבר חשמל למעבדים גרפיים, GPUs, במרכזי נתונים. המחקר, שפורסם ב־Nature Communications, עוסק באחד האתגרים הבסיסיים של מערכות מחשוב מודרניות: כיצד להמיר ביעילות מתח חשמלי גבוה למתח נמוך בהרבה, הדרוש להפעלת רכיבי מחשוב רגישים.

מרכזי נתונים מודרניים צורכים כמויות הולכות וגדלות של חשמל, בעיקר בשל הביקוש למחשוב עתיר ביצועים ולבינה מלאכותית. ברוב המערכות האלה החשמל מופץ במתח של 48 וולט, אך המעבדים הגרפיים עצמם זקוקים בדרך כלל למתח נמוך בהרבה, בטווח של 1 עד 5 וולט. תהליך ההמרה הזה, המכונה DC-DC step-down conversion, חיוני כמעט בכל מערכת אלקטרונית, אך הוא נעשה מאתגר יותר ככל שהמערכות חזקות וצפופות יותר.

ממירי מתח מקובלים מבוססים בדרך כלל על רכיבים מגנטיים, בעיקר סלילים. במשך השנים שופרו רכיבים אלה מאוד, אך החוקרים מציינים כי הם מתקרבים למגבלות המעשיות שלהם. לפי פרופ' פטריק מרסייה, מהמחלקה להנדסת חשמל ומחשבים בבית הספר להנדסה ג'ייקובס באוניברסיטת קליפורניה בסן דייגו, התכנון של ממירים אינדוקטיביים הגיע לרמה גבוהה כל כך עד שנותר מעט מקום לשיפור משמעותי לקראת צורכי הדורות הבאים.

הגישה החדשה מבוססת על מהודים פיאזואלקטריים. בניגוד לסלילים, המאחסנים ומעבירים אנרגיה באמצעות שדות מגנטיים, מהודים פיאזואלקטריים עושים זאת באמצעות תנודות מכניות. עקרונית, רכיבים כאלה עשויים להיות קטנים יותר, בעלי צפיפות אנרגיה גבוהה יותר, יעילים יותר ומתאימים יותר לייצור בקנה מידה גדול. עם זאת, גרסאות קודמות של ממירים פיאזואלקטריים התקשו לשמור על יעילות גבוהה כאשר נדרש פער גדול בין מתח הכניסה למתח היציאה.

כדי להתמודד עם הקושי הזה, צוות המחקר פיתח תכנון היברידי. הוא משלב מהוד פיאזואלקטרי עם קבלים קטנים וזמינים מסחרית, המסודרים בתצורה ייחודית. הסידור הזה מאפשר למעגל להתמודד טוב יותר עם ירידת מתח גדולה, מפחית איבודי אנרגיה ומקטין את העומס על המהוד עצמו.

בניסוי המעבדה הצליח אבטיפוס השבב להמיר מתח של 48 וולט ל־4.8 וולט, רמה המקובלת במרכזי נתונים. יעילות השיא שנמדדה הייתה 96.2%. בנוסף, השבב סיפק זרם יציאה גבוה פי ארבעה בערך לעומת תכנונים פיאזואלקטריים קודמים. המשמעות היא שהטכנולוגיה אינה רק חסכונית יותר, אלא גם מתקרבת יותר ליכולת אספקת הספק הדרושה למערכות מחשוב מעשיות.

למרות התוצאות המבטיחות, החוקרים מדגישים כי מדובר עדיין בטכנולוגיה בשלבי פיתוח. ממירים פיאזואלקטריים אינם צפויים להחליף מיד את ממירי המתח הקיימים. יש צורך בשיפור נוסף של החומרים, המעגלים ושיטות האריזה. אחד האתגרים המעשיים הוא שהמהודים הפיאזואלקטריים רוטטים בזמן הפעולה, ולכן אי אפשר בהכרח לחבר אותם ללוחות מעגלים בשיטות הלחמה רגילות. שילובם במערכות אלקטרוניות יחייב שיטות אינטגרציה חדשות.

עם זאת, המחקר מצביע על כיוון אפשרי לשיפור יעילות האנרגיה של מרכזי נתונים. גם שיפור קטן בהמרת מתח יכול להיות משמעותי כאשר הוא מוכפל במיליוני רכיבים שפועלים ברציפות. בעידן שבו מעבדים גרפיים הפכו לתשתית מרכזית של בינה מלאכותית, כל חיסכון באנרגיה, חום ושטח עשוי להשפיע על עלויות התפעול ועל היכולת להרחיב מערכות מחשוב.

המחקר בוצע בידי ג'יי־יאנג קו, ון־צ'ין ב' ליו ופטריק פ' מרסייה, ופורסם ב־17 במרץ 2026 ב־Nature Communications. DOI: 10.1038/s41467-026-70494-0.

FAQ מהיר

מה עושה השבב החדש?
השבב ממיר מתח גבוה למתח נמוך יותר, הדרוש להפעלת רכיבים אלקטרוניים כמו מעבדים גרפיים במרכזי נתונים.

מה החידוש בטכנולוגיה?
במקום להסתמך בעיקר על סלילים מגנטיים, השבב משתמש במהוד פיאזואלקטרי ובקבלים קטנים כדי לבצע את המרת המתח ביעילות גבוהה.

האם השבב כבר מוכן לשימוש מסחרי?
לא. החוקרים מדגישים כי מדובר באבטיפוס מעבדתי. נדרשים עוד שיפורים בחומרים, במעגלים ובשיטות האריזה לפני שימוש במרכזי נתונים.

הפוסט שבב חדש עשוי לשפר את יעילות האנרגיה של מעבדים גרפיים במרכזי נתונים הופיע לראשונה ב-Chiportal.

סקטור הטכנולוגיה, ובעיקר מניות השבבים, חזרו בשבוע האחרון למרכז תשומת הלב של המשקיעים בוול סטריט. לפי סקירת ההשקעות השבועית מ-3 במאי 201126 של הבנק הבינלאומי, הדוחות החזקים של חמש ענקיות הטכנולוגיה – גוגל, מיקרוסופט, אפל, אמזון ומטא – העניקו לשווקים שבוע ירוק נוסף, כאשר כולן היכו את תחזיות האנליסטים וסיפקו תחזיות מעודדות לרבעון הבא. הנתון החשוב יותר מבחינת השוק היה התרומה הגוברת של פעילות הענן והבינה המלאכותית לצמיחה בהכנסות וברווחים.

המשמעות רחבה יותר מתוצאות רבעוניות טובות. בחודשים האחרונים התנהל בוול סטריט דיון חריף בשאלה האם השקעות העתק של ענקיות הטכנולוגיה ב-AI, בעיקר בהוצאות הון על מרכזי נתונים, שרתים ושבבים, יצליחו להחזיר את עצמן. בעבר, המשקיעים הגיבו לעיתים בחשש לעלייה חדה ב-CAPEX, מתוך חשש שהחברות “שורפות” מזומנים מהר יותר מכפי שהן מייצרות צמיחה. הפעם, לפי הסקירה, התגובה הייתה שונה: המשקיעים קיבלו באופן חיובי את המשך ההשקעות, בעיקר משום שהן כבר משתקפות בצמיחה ממשית בפעילות הענן ובשירותי AI.

בולטת במיוחד גוגל, שלפי הסקירה הציגה זינוק של 63% בפעילות הענן לצד גידול בצבר ההזמנות. גם מיקרוסופט הציגה צמיחה של 39% בפעילות Azure וצמיחה של 123% בהכנסות מפעילות הקשורה ל-AI. הנתונים האלה מסמנים כי הבינה המלאכותית אינה נתפסת עוד רק כהבטחה עתידית או כמרכז עלות, אלא כגורם שמתחיל להשפיע בפועל על שורת ההכנסות של החברות הגדולות.

התגובה בשוק הייתה חדה. מדדי נאסד"ק רשמו באפריל זינוק חודשי של 15.3%–15.6%, אך את ההובלה תפס סקטור השבבים. לפי הסקירה, סקטור זה זינק באפריל ב-38.4%, ובתוך כך השלים מדד SOX רצף של 18 ימי עליות רצופים – הרצף החיובי הארוך ביותר שנרשם בו. העליות בשבבים משקפות את התפקיד המרכזי של המעבדים, המאיצים, הזיכרונות ורכיבי התקשורת בתשתית הפיזית של מהפכת ה-AI.

גם בסיכום השבועי ניכרה העדפה ברורה למניות טכנולוגיה גדולות. מדד S&P 500 עלה ב-0.9% וננעל בשיא חדש, נאסד"ק הכללי עלה ב-1.1%, ואילו נאסד"ק 100 עלה ב-1.5%. לפי הסקירה, הפער בין נאסד"ק הכללי לנאסד"ק 100 נובע בין היתר מכך שמשקלן של מניות השבבים גבוה יותר במדד החברות הגדולות. במילים אחרות, כאשר מניות השבבים מובילות את השוק, נאסד"ק 100 נהנה מכך יותר.

ההתעניינות בסקטור צפויה להימשך גם בשבוע הקרוב, כאשר עונת הדוחות עדיין לא הסתיימה. בין החברות שצפויות לפרסם תוצאות נמצאות AMD ו-Arm, שתי חברות בעלות חשיבות ישירה לשרשרת הערך של AI ושבבים. המשקיעים ינסו לבדוק האם מגמת הביקושים לתשתיות AI נמשכת גם מעבר לענקיות הענן, והאם היא מחלחלת גם לספקי השבבים, התכנון והשרתים.

גם בשוק המקומי נרשמה השפעה מסוימת של הראלי הטכנולוגי בחו"ל. בבורסה בתל אביב נרשמה מגמה חיובית ברוב המדדים, וביום שישי בלטו לטובה מדדי הטכנולוגיה והביטחוניות שעלו ב-2.5% ו-2.2% בהתאמה. מדד ת"א קלינטק עלה בסיכום השבועי ב-5.1%, בין היתר על רקע המומנטום החיובי במניות הטכנולוגיה בעולם.

התמונה הכוללת שעולה מן הסקירה היא של שוק שחוזר להאמין בסיפור הטכנולוגי, אך הפעם בצורה מפוכחת יותר. ה-AI עדיין דורשת השקעות ענק, אך הדוחות האחרונים מספקים למשקיעים אינדיקציה לכך שההשקעות האלה מתחילות להניב צמיחה. מבחינת תעשיית השבבים, זהו איתות חשוב: הביקוש למחשוב AI אינו אירוע נקודתי, אלא מנוע שממשיך להזרים הון, הזמנות וציפיות לתוך כל שרשרת הערך של התעשייה.

הפוסט הבינלאומי: דוחות ענקיות הטכנולוגיה החזירו את סקטור השבבים למרכז הראלי בוול סטריט הופיע לראשונה ב-Chiportal.