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.

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.

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.

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.