חברת Asahi Kasei Microdevices, או AKM, הודיעה כי חיישני הזרם מסדרות CZ39 ו־CZ3K שלה שולבו בתכנון ייחוס של Microchip לזיהוי תקלות קשת חשמלית באמצעות למידת מכונה. המערכת מבוססת על בקר האותות הדיגיטלי dsPIC33A ומבצעת את עיבוד האותות ואת הרצת מודל הבינה המלאכותית באופן מקומי, ללא צורך במחשב חיצוני או בחיבור לענן.

קשת חשמלית נוצרת כאשר זרם עובר דרך האוויר בין מוליכים או דרך חיבור פגום. היא עלולה לגרום להתחממות, לנזק לציוד ואף לשריפות. התופעה רלוונטית במיוחד למערכות פוטו־וולטאיות, מערכות אגירת אנרגיה, מטענים לרכב חשמלי, מתקני תעשייה ומערכות חלוקת חשמל בבנייני מגורים.

מערכות מסורתיות לזיהוי קשתות מבוססות בדרך כלל על ספי מתח, זרם או רעש חשמלי. הבעיה היא שגם פעילות תקינה של שואבי אבק, מקדחות, עמעמים, ממירים, ממסרים ומנועים עשויה ליצור אותות הדומים לאלה של קשת מסוכנת. התוצאה עלולה להיות התרעות שווא והשבתות מיותרות, או לחלופין העלאת סף הזיהוי באופן שמגדיל את הסיכון להחמצת תקלה אמיתית.

תכנון הייחוס של Microchip משתמש במודל למידת מכונה שאומן להבחין בין דפוסי הפעילות השונים. המודל מופעל על בקר dsPIC33A הכולל מעבד בתדר 200 מגה־הרץ, מנוע DSP ויחידת חישוב בנקודה צפה. לדברי Microchip, מודלים שאומנו על נתונים מהעולם האמיתי יכולים להגיע לדיוק של עד 98% בסיווג תקלות קשת. מדובר בנתון של החברה ולא בתוצאת בדיקה בלתי תלויה.

לחיישני הזרם נטולי הליבה של AKM תפקיד מרכזי בשרשרת האות. סדרות CZ39 ו־CZ3K מציעות זמן תגובה של 100 ננו־שניות ואות בעל רמת רעש נמוכה. מהירות החיישן ואיכות האות חשובות משום שחיישן איטי או רועש עלול לטשטש את החתימה החשמלית הקצרה של הקשת, להקשות על אימון המודל ולפגוע בדיוק הזיהוי.

צוותי AKM ו־Microchip עבדו יחד על תצורת מדידת הזרם ועל אימות המערכת. ההדגמה מיועדת לשמש בסיס למהנדסים המפתחים מערכות הגנה למתקנים סולאריים, מערכות אגירה, עמדות טעינה, מערכות הצתה חכמות, נתיכים אלקטרוניים ומפסקי בטיחות ביתיים ותעשייתיים.

בחברות מצביעים גם על מרכזי נתונים כיישום אפשרי. העלייה בצריכת החשמל של מאיצי AI והמעבר לארכיטקטורות הספק בעלות מתח וצפיפות גבוהים מגדילים את הצורך בזיהוי מהיר של תקלות, מבלי לגרום להשבתות שווא של ציוד יקר.

עם זאת, חשוב להדגיש כי מדובר בתכנון ייחוס ובהדגמת יכולת, ולא במערכת הגנה מסחרית מוגמרת. יצרני ציוד שיבחרו להשתמש בו יצטרכו להתאים את החיישנים, מערך הנתונים ומודל הלמידה לסביבת ההפעלה שלהם ולעמוד בתקני הבטיחות הרלוונטיים.

הפוסט Microchip משלבת חיישני AKM במערכת לזיהוי קשתות חשמליות באמצעות AI הופיע לראשונה ב-Chiportal.

אוניברסיטת בן־גוריון בנגב הודיעה על כוונתה לפתוח בשנת הלימודים תשפ"ז תוכנית לתואר ראשון (B.Sc) בבינה מלאכותית, בכפוף לאישור המועצה להשכלה גבוהה. מדובר במהלך שמטרתו להעניק הכשרה ממוקדת בתחום שהפך בשנים האחרונות לאחד ממנועי הצמיחה המרכזיים של תעשיית ההייטק והמחקר.

עד כה נלמדה הבינה המלאכותית ברוב המוסדות האקדמיים בישראל כחלק מתואר במדעי המחשב, באמצעות קורסי בחירה או מסלולי התמחות. התוכנית החדשה מבקשת להפוך את התחום לליבת התואר כולו, תוך שילוב קורסים במדעי המחשב, מתמטיקה, סטטיסטיקה ולמידת מכונה לצד נושאים מתקדמים כגון למידה עמוקה, מודלים גנרטיביים, עיבוד שפה טבעית וראייה ממוחשבת.

התוכנית אמורה לפעול במסגרת הפקולטה למדעי המחשב והמידע באוניברסיטה, ותהיה מבוססת על סגל החוקרים העוסק בבינה מלאכותית בתחומים שונים. בראש התוכנית צפוי לעמוד פרופ' ערן טרייסטר, חוקר בתחום למידת המכונה והחישוב המדעי.

המהלך מגיע על רקע מחסור עולמי באנשי מקצוע בעלי הכשרה מתקדמת בבינה מלאכותית. חברות טכנולוגיה, מוסדות מחקר וגופי ממשל מגבירים בשנים האחרונות את הביקוש למהנדסים וחוקרים בעלי הבנה עמוקה של אלגוריתמים, מודלים גדולים ותשתיות חישוב מתקדמות.

עם זאת, מומחים בתחום מציינים כי השאלה המרכזית אינה רק פתיחת מסלולים חדשים, אלא גם התאמת תוכניות הלימודים לקצב ההתפתחות המהיר של התחום. טכנולוגיות שנלמדות כיום עשויות להשתנות בתוך שנים ספורות, ולכן נדרשת הכשרה המבוססת על יסודות מתמטיים ומדעיים לצד חשיפה לכלים העדכניים ביותר.

לדברי האוניברסיטה, התוכנית תסתמך על תשתיות מחשוב ייעודיות, לרבות אשכול חישוב מבוסס GPU המאפשר אימון והרצה של מודלים מתקדמים, וכן על מעבדות רובוטיקה ושיתופי פעולה עם חברות טכנולוגיה. בנוסף ייכללו בתוכנית קורסים העוסקים בהשלכות החברתיות והאתיות של הבינה המלאכותית, נושא הזוכה לתשומת לב גוברת בעולם האקדמי והרגולטורי.

פתיחת התוכנית משתלבת במגמה רחבה יותר בישראל, שבה מוסדות אקדמיים מנסים להרחיב את ההיצע בתחומי הבינה המלאכותית, מדעי הנתונים והסייבר, במטרה לענות על צורכי המשק ולחזק את מעמדה של ישראל בזירה הטכנולוגית העולמית.

עד לקבלת אישור המל"ג, טרם פורסמו היקף הקליטה הצפוי, תנאי הקבלה הסופיים או מספר המקומות שיוצעו במחזור הראשון.

הפוסט אוניברסיטת בן־גוריון מבקשת לפתוח תואר ראשון ייעודי בבינה מלאכותית הופיע לראשונה ב-Chiportal.

חברת הבינה המלאכותית הסינית דיפסיק (DeepSeek) מטלטלת את עולם הטכנולוגיה עם השקת מודלים חדשניים ויעילים במיוחד, המסוגלים להתחרות במוצרים מתקדמים של חברות ענק אמריקניות כמו OpenAI ואנתרופיק. המודלים הללו, אשר פותחו תוך שימוש במשאבים מוגבלים ובתקציבים נמוכים, מהווים לא פחות ממהפכה בעולם הבינה המלאכותית.

החברה הוקמה בשנת 2023 ובזמן קצר הצליחה להגיע להישגים מרשימים. "דיפסיק הצליחה לשנות את כללי המשחק בתעשייה בזכות שתי גישות חדשניות שהן פורצות דרך. מדובר לא רק במודלים יעילים יותר אלא גם בזמינות רחבה יותר לקהילת המחקר," אומר פרופ' טונגליאנג ליו, מנהל מרכז הבינה המלאכותית באוניברסיטת סידני.

מה עשתה דיפסיק?

בדצמבר האחרון השיקה דיפסיק את מודל V3, מודל שפה גדול (LLM) המציג יכולות דומות לאלו של GPT-4o מבית OpenAI ו-Claude 3.5 מבית Anthropic. מודלים אלה ידועים ביכולתם לענות על שאלות, לכתוב מאמרים, לייצר קוד ועוד. עם זאת, לרוב הם סובלים מטעויות ולעיתים ממציאים מידע.

ה-V3 של דיפסיק מתגבר על חלק מהאתגרים הללו, והוא גם חסכוני בהרבה: בעוד שהכשרת GPT-4 עלתה למעלה מ-100 מיליון דולר, פיתוח V3 עלה כ-5.58 מיליון דולר בלבד. בנוסף, במקום להשתמש בעשרות אלפי יחידות עיבוד חזקות כמו NVIDIA H100, דיפסיק השתמשה ב-2,000 יחידות עיבוד בלבד מסוג H800, שהן פחות חזקות משמעותית.

ב-20 בינואר 2025, הציגה החברה את מודל R1, המתמקד ב"חשיבה" צעד-אחר-צעד, במטרה לפתור בעיות מורכבות בצורה מתודית. מודלים מסוג זה מצטיינים במשימות הדורשות הבנה של הקשר רחב ותכנון אסטרטגי, כמו קריאה ביקורתית ותכנון פרויקטים. ה-R1 הוא למעשה גרסה משופרת של ה-V3, שעברה התאמות על בסיס טכניקת למידה מחוזקת.

ההשקה האחרונה של דיפסיק, שהתרחשה ב-28 בינואר, כללה מודל חדשני המשלב יכולות לעבודה עם תמונות וטקסט בו זמנית. יכולת זו מציבה אותו ישירות בתחרות מול המודלים המתקדמים ביותר של מתחרותיה האמריקניות.

איך עשתה זאת דיפסיק?

הסוד הגדול של דיפסיק טמון בחדשנותה להשגת יעילות מרבית. החברה פיתחה שתי טכניקות ייחודיות שמאפשרות לה להפיק תוצאות טובות יותר עם פחות משאבים:

1. ספארסיות (Sparsity): מודלים של בינה מלאכותית כוללים מספר עצום של פרמטרים – ב-V3 מדובר בכ-671 מיליארד פרמטרים. אולם, רק חלק קטן מהם מופעל עבור כל קלט. דיפסיק הצליחה לזהות באילו פרמטרים יש להתמקד ולבצע הכשרה ממוקדת עליהם בלבד. הדבר צמצם משמעותית את הזמן והמשאבים הדרושים להכשרת המודל.
2. דחיסת מידע בזיכרון: החברה פיתחה דרך חדשנית לדחוס את המידע הרלוונטי בצורה שמאפשרת גישה מהירה ויעילה יותר אליו במהלך הפעולה. שיטה זו חוסכת לא רק בזמן עיבוד אלא גם בעלויות תפעול.

"בזכות חדשנות בתחום הספארסיות ודחיסת מידע, דיפסיק השיגה את מה שרבים חשבו לבלתי אפשרי," מציין פרופ' ליו. "הגישה הזו היא לא רק פורצת דרך מבחינה טכנולוגית, אלא גם מנגישה את התחום לחוקרים נוספים."

משמעות המהפכה של דיפסיק

המודלים והטכניקות של דיפסיק פורסמו תחת רישיון הקוד הפתוח MIT, כך שכל אחד יכול להורידם, להשתמש בהם ואף להתאימם לצרכיו. צעד זה מעורר סערה בעולם הטכנולוגיה. בעוד שחברות רבות עלולות להיפגע, הקהילה המחקרית כולה תיהנה מהשינוי.

"עכשיו, גם חוקרים באוניברסיטאות, שמוגבלים במשאבים, יכולים להתנסות בפיתוחים מורכבים," מסביר פרופ' ליו. לדבריו, המודלים החדשים גם יוזילו את העלויות לצרכנים. במקום להשתמש בשירותי ענן יקרים, חלק מהמודלים יוכלו לפעול ישירות על מחשבים אישיים או טלפונים חכמים.

ההשפעה של דיפסיק מורגשת כבר עכשיו: מנייתה של חברת NVIDIA צנחה ב-600 מיליארד דולר, בעוד הביקוש לאפליקציית הצ'אט של דיפסיק מבוססת V3 זינק בצורה חסרת תקדים.

למרות זאת, לא ברור עדיין אם הגישה של דיפסיק תאפשר פיתוח מודלים חזקים יותר, או שתתרכז בעיקר בשיפור היעילות של המודלים הקיימים.

הפוסט דיפסיק משנה את כללי המשחק בעולם ה-AI: מהפכה טכנולוגית בעלות נמוכה הופיע לראשונה ב-Chiportal.

חוקרי אוניברסיטת מינסוטה הציגו חידוש חומרה בשם CRAM, המפחית את צריכת האנרגיה של AI עד פי 2,500 על ידי עיבוד נתונים בתוך הזיכרון, ומבטיחים שיפורים משמעותיים ביעילות ה-AI.

התקן זה יכול להפחית את צריכת האנרגיה של אינטליגנציה מלאכותית לפחות פי 1,000. חוקרים בתחום ההנדסה באוניברסיטת מינסוטה פיתחו התקן חומרה מתקדם שיכול להפחית את צריכת האנרגיה ביישומי מחשוב של אינטליגנציה מלאכותית לפחות פי 1,000.

המחקר פורסם בכתב העת המדעי "NPJ Unconventional Computing" שמפרסם Nature. לחוקרים יש מספר פטנטים על הטכנולוגיה שבה השתמשו בהתקן.

עם הביקוש הגובר ליישומי AI, מחפשים החוקרים דרכים ליצור תהליך יעיל יותר באנרגיה, תוך שמירה על ביצועים גבוהים ועלויות נמוכות. בדרך כלל, תהליכי למידת מכונה או אינטליגנציה מלאכותית מעבירים נתונים בין הלוגיקה (היכן שהמידע מעובד במערכת) לזיכרון (היכן שהנתונים מאוחסנים), מה שצורך כמות גדולה של אנרגיה.

הצגת טכנולוגיית CRAM 

צוות חוקרים במכללת המדע וההנדסה של אוניברסיטת מינסוטה הציג מודל חדש שבו הנתונים לא עוזבים את הזיכרון, הנקרא זיכרון גישה אקראית חישובית (CRAM).

"זוהי ההדגמה הניסויית הראשונה של CRAM, שבה הנתונים יכולים להיות מעובדים לחלוטין בתוך מערך הזיכרון ללא צורך לעזוב את הרשת שבה המחשב מאחסן מידע," אמר יאנג לו, חוקר פוסט-דוקטורט במחלקה להנדסת חשמל ומחשבים באוניברסיטת מינסוטה והמחבר הראשון של המאמר.

התקן חומרה מותאם אישית מתוכנן לסייע ל-AI להיות יעיל יותר באנרגיה. קרדיט: אוניברסיטת מינסוטה.

סוכנות האנרגיה הבינלאומית (IEA) פרסמה תחזית גלובלית לשימוש באנרגיה במרץ 2024, שחזתה כי צריכת האנרגיה עבור AI תכפיל את עצמה מ-460 טרה-וואט שעה (TWh) ב-2022 ל-1,000 TWh ב-2026. זה שווה בערך לצריכת החשמל של כל יפן.

לדברי מחברי המאמר החדש, מאיץ למידת מכונה מבוסס CRAM צפוי להשיג שיפור בסדר גודל של פי 1,000. דוגמה נוספת הראתה חיסכון באנרגיה של פי 2,500 ו-1,700 בהשוואה לשיטות מסורתיות.

התפתחות המחקר

מחקר זה מתבצע למעלה מעשרים שנה, 

"הקונספט הראשוני שלנו להשתמש בתאי זיכרון ישירות לחישוב לפני 20 שנה נחשב מטורף," אמר ג'יאן-פינג ואנג, המחבר הראשי של המאמר ופרופסור מכובד באוניברסיטת מקנייט ויושב ראש רוברט פ. הארטמן במחלקה להנדסת חשמל ומחשבים באוניברסיטת מינסוטה.

"עם קבוצה מתפתחת של תלמידים מאז 2003 וצוות סגל בין-תחומי אמיתי שבנינו באוניברסיטת מינסוטה – מפיזיקה, מדע והנדסת חומרים, מדעי המחשב והנדסה, למידול ובניית מודלים ויצירת חומרה – הצלחנו להשיג תוצאות חיוביות ועכשיו הדגמנו שטכנולוגיה מסוג זה ישימה ומוכנה להיכלל בטכנולוגיה," אמר ואנג.

מחקר זה הוא חלק ממאמץ עקבי וארוך טווח הבונה על מחקרו פורץ הדרך של ואנג ושותפיו בנושא התקני Magnetic Tunnel Junctions (MTJs), שהינם התקנים ננו-מבניים המשמשים לשיפור כוננים קשיחים, חיישנים ומערכות מיקרואלקטרוניקה אחרות, כולל Magnetic Random Access Memory (MRAM), שהשתמשו בהם במערכות משובצות כגון מיקרו-בקרים ושעונים חכמים.

ארכיטקטורת CRAM מאפשרת חישוב אמיתי בזיכרון ועל ידי הזיכרון ומפרה את החסימה בין החישוב לזיכרון כגורם מגביל בארכיטקטורת פון נוימן המסורתית, עיצוב תיאורטי למחשב עם תוכנית מאוחסנת המשמש כבסיס לרוב המחשבים המודרניים.

"כמצע חישובי מבוסס זיכרון דיגיטלי יעיל מאוד באנרגיה, CRAM גמיש מאוד בכך שניתן לבצע חישוב בכל מיקום במערך הזיכרון. בהתאם לכך, נוכל לקנפג את CRAM כך שיתאים בצורה מיטבית לצורכי הביצועים של מגוון רחב של אלגוריתמי AI," אמרה אוליה קרפוזקו, מומחית לארכיטקטורת חישוב, מחברת המאמר ופרופסור חבר במחלקה להנדסת חשמל ומחשבים באוניברסיטת מינסוטה. "הוא יעיל יותר באנרגיה מאשר בלוקים מסורתיים למערכות AI של היום."

CRAM מבצע חישובים ישירות בתוך תאי הזיכרון, מנצל את מבנה המערך ביעילות, מה שמבטל את הצורך בהעברות נתונים איטיות וצורכות אנרגיה, הסבירה קרפוזקו.

התקן הזיכרון הגישה האקראית (RAM) היעיל ביותר בטווח הקצר משתמש בארבעה או חמישה טרנזיסטורים לקידוד אפס או אחד, אך MTJ אחד, התקן ספינטרוני, יכול לבצע את אותה הפונקציה בחלק קטן של האנרגיה, במהירות גבוהה יותר, והוא עמיד לסביבות קשות. התקנים ספינטרוניים מנצלים את הספין של האלקטרונים במקום את המטען החשמלי לאחסון נתונים, מה שמספק חלופה יעילה יותר לשבבים מבוססי טרנזיסטורים מסורתיים.

כרגע, הצוות מתכנן לעבוד עם מנהיגי תעשיית המוליכים למחצה, כולל אלה במינסוטה, כדי לספק הדגמות בקנה מידה גדול ולייצר את החומרה לשיפור פונקציונליות AI.

הפוסט התקן חומרה מתקדם מפחית צריכת אנרגיה של AI פי 1000 הופיע לראשונה ב-Chiportal.

חוקרים מבית החולים הכללי של מסצ’וסטס (MGH) השתמשו בשיטות הקלטה מתקדמות של המוח כדי לחשוף את תבנית שיתוף הפעולה של נוירונים במוח האנושי, מה שמאפשר לאנשים לעצב את מחשבותיהם למילים ולהביען בקול. המחקר, שפורסם בכתב העת Nature, מציע הצצה לתהליך היצירה וההבעה המילולית של מחשבות, חושף את התכנון המוקדם של צלילי הדיבור לפני שהם נאמרים.

החוקרים השתמשו במכשירים מתקדמים ביותר הנקראים נוירו-פיקסלים Neuropixels, אשר מסוגלים להקליט את פעילותם של נוירונים בודדים בקורטקס הפרה-חזיתי, אזור קדמי במוח האנושי. הם זיהו תאים המעורבים בייצור השפה ושעשויים להיות הבסיס ליכולת לדבר. נמצאו קבוצות נפרדות של נוירונים במוח המוקדשות לדיבור ולהאזנה.

השימוש בנוירו-פיקסלים, שבוצע בפעם הראשונה ב-MGH, מאפשר הצצה חסרת תקדים לאופן פעולתם המשותפת של נוירונים באדם ואיך הם פועלים יחד לייצור התנהגויות אנושיות מורכבות כמו השפה.

המחקר הראה איך נוירונים במוח מייצגים חלק מהאלמנטים הבסיסיים המעורבים בבניית מילים מדוברות – מצלילי דיבור פשוטים הנקראים פונמים ועד להרכבתם למיתרים מורכבים יותר כמו הברות. לדוגמה, העיצור “דה”, המיוצר על ידי נגיעת הלשון בחיך, נחוץ לייצור המילה dog (כלב). על ידי הקלטת נוירונים בודדים, החוקרים מצאו כי נוירונים מסוימים הופכים לפעילים לפני שהפונם הזה נאמר בקול רם. נוירונים אחרים השתקפו בהיבטים מורכבים יותר של בניית מילים, כמו הרכבה ספציפית של פונמים להברות.

בעזרת הטכנולוגיה שלהם, החוקרים הדגימו כי ניתן לקבוע באופן אמין את צלילי הדיבור שאנשים יאמרו לפני שהם מבטאים אותם. במילים אחרות, המדענים יכולים לחזות איזו שילוב של עיצורים ותנועות ייוצרו לפני שהמילים נאמרות בפועל. יכולת זו יכולה להינצל לבניית תותבי מוח מלאכותיים או ממשקי מוח-מכונה המסוגלים לייצר דיבור סינתטי, שיכולים להועיל למגוון רחב של חולים.

“הפרעות ברשתות הדיבור והשפה נצפות במגוון רחב של הפרעות נוירולוגיות – כולל שבץ, פגיעה במוח כתוצאה מטראומה, גידולים, הפרעות ניוון עצבי, הפרעות התפתחותיות נוירולוגיות ועוד,” אומר ארג’ון חאנה, שותף למחקר. “התקווה שלנו היא שהבנה טובה יותר של המעגלים העצביים הבסיסיים המאפשרים דיבור ושפה תפתח את הדרך לפיתוח טיפולים להפרעות אלו.”

החוקרים מקווים להרחיב את מחקרם על ידי חקר תהליכי שפה מורכבים יותר שיאפשרו להם לחקור כיצד אנשים בוחרים את המילים שהם מתכוונים לומר וכיצד המוח מרכיב מילים למשפטים שמעבירים את מחשבותיהם ורגשותיהם של האנשים לאחרים.

הפוסט קריאת מחשבות? חוקרים פיתחו שיטה שתאפשר לדעת מה אנו עומדים לומר לפני שדיברנו הופיע לראשונה ב-Chiportal.