במכון להנדסת חשמל ופיזיקה יישומית באוניברסיטה העברית יקיים ביום ראשון ושני הקרובים האקתון VLSI, הממוקד בתכנון שבבים ובפיתוח חומרה להאצת חישובים. את האירוע מוביל פרופ' פרדי גבאי, חבר סגל המכון. זו השנה השנייה שבה מתקיים ההאקתון, שנועד לחשוף סטודנטים באופן מעשי לאחד התחומים המבוקשים בתעשיית השבבים: תכנון משולב חומרה־תוכנה.

בהאקתון ישתתפו כ-60 סטודנטים, שיתחלקו ל-30 צוותים. המשתתפים הם סטודנטים משנים ג' וד' ותלמידי תואר שני. במהלך 24 שעות הם יקבלו סביבת עבודה מבוססת FPGA, הכוללת מעבד RISC-V פתוח, ויידרשו לזהות רכיבים קריטיים באלגוריתם נתון — למשל ברשת נוירונים או בחישוב קריפטוגרפי — ולהעביר אותם למימוש חומרתי כמאיץ ייעודי.

האתגר אינו מסתכם בהשגת תוצאה עובדת. הצוותים ייבחנו גם לפי זמן הריצה, יעילות צריכת ההספק, ניצול שטח ה-FPGA, רמת היצירתיות ואיכות הפתרון ההנדסי. בכך מדמה ההאקתון, בקנה מידה לימודי, את המתח הקיים בתכנון שבבים אמיתי: הרצון לשפר ביצועים, תוך עמידה באילוצי שטח, הספק ולוחות זמנים.

לקראת ההאקתון התקיימו כמה מפגשי הכנה, שבהם הסטודנטים הכירו את סביבת העבודה, כלי הפיתוח, עקרונות תכנון המאיצים ושלבי התכנון. ההאקתון מוכר גם כקורס אקדמי בהיקף של שתי נקודות זכות, משום שהוא משלב כמה תחומים הנלמדים בדרך כלל בנפרד: ארכיטקטורת מחשבים, תכנון ב-Verilog, וריפיקציה, סינתזה ותכנון פיזיקלי.

לצד ההיבט האקדמי, האירוע נועד גם לחזק את הקשר בין האוניברסיטה לתעשייה. חברות ובהן אנבידיה, גוגל, AWS, אינטל וטוגה משתתפות כנותנות חסות וכמנטוריות, ונציגיהן ילוו את הסטודנטים במהלך העבודה. עבור הסטודנטים זו הזדמנות להתנסות בפתרון בעיה הנדסית תחת לחץ זמן; עבור התעשייה זו דרך להיחשף לכישרונות צעירים בתחום שבו קיים מחסור מתמשך במהנדסים מנוסים.

לדברי גבאי, החשיבות המרכזית של ההאקתון היא בכך שהוא מחבר בין הידע התאורטי שנלמד בקורסים לבין חוויית תכנון מלאה, שבה הסטודנטים צריכים לקבל החלטות הנדסיות, לעבוד בצוות ולהתמודד עם מגבלות מערכת אמיתיות. נתוני ההאקתון הקודם מצביעים על השפעה חיובית: 80% מהסטודנטים דיווחו כי ההשתתפות הגבירה את העניין שלהם ב-VLSI, וכמעט 90% המליצו לחבריהם להשתתף באירועים דומים בעתיד. ממצאי הפעילות הקודמת אף הוצגו במאמר בכנס ISCAS, אחד הכנסים המרכזיים בתחום המעגלים והמערכות.

ההאקתון משקף מגמה רחבה יותר באקדמיה להנדסה: מעבר מהוראה המבוססת רק על הרצאות ותרגילים ללמידה מבוססת פרויקטים. בתחום תכנון השבבים, שבו ההפרדה בין תוכנה, חומרה ותכנון פיזיקלי הולכת ומיטשטשת, התנסות כזו עשויה להיות מרכיב חשוב בהכשרת הדור הבא של המהנדסים.

הפוסט האקתון VLSI באוניברסיטה העברית: הסטודנטים יתכננו מאיצי חישוב על FPGA הופיע לראשונה ב-Chiportal.

רשות החדשנות ומפא"ת במשרד הביטחון מפרסמות קול קורא להקמת תשתית מחקר ופיתוח בתחום הפוטוניקה המשולבת, בהשקעה כוללת של עד 150 מיליון שקל. המהלך נועד לצמצם פער מרכזי בתעשיית הדיפטק והשבבים בישראל: הפער בין יכולות מחקר ותכנון מתקדמות לבין גישה מוגבלת לתשתיות ייצור, אינטגרציה, בדיקה ואימות.

פוטוניקה משולבת היא טכנולוגיה המאפשרת לשלב על גבי שבב אחד רכיבים אופטיים כגון לייזרים, מוליכי גל, מאפננים וגלאים. במקום להעביר ולעבד מידע רק באמצעות אותות חשמליים, שבבים פוטוניים עושים שימוש באור. היתרון הפוטנציאלי הוא מהירות גבוהה, צריכת אנרגיה נמוכה יותר, מיזעור, אמינות גבוהה ויכולת להשתלב במערכות תקשורת, מרכזי נתונים, חישה, עיבוד מידע ומכונות ייצור בתעשיית השבבים.

מתכנון וסימולציה עד אבטיפוס

הקול הקורא מיועד לתאגידים תעשייתיים או לקבוצות חברות. הגופים שיגישו הצעות יידרשו להציג תוכנית טכנולוגית, תוכנית עסקית, מודל הפעלה, מבנה שיתופי פעולה ותוכנית להנגשת התשתית למשתמשים מהתעשייה ומהאקדמיה. התשתית שתיבחר אמורה לספק מעטפת מלאה: תכנון, סימולציה, פיתוח אבטיפוס, אפיון, בדיקות, אריזה ותמיכה במעבר לייצור סדרתי בישראל או מחוץ לה.

לפי תנאי המהלך, תקופת ההקמה לא תעלה על 18 חודשים. בתוך 12 חודשים ממועד האישור תידרש התשתית להתחיל לספק חלק משירותי המו"פ, עוד לפני השלמתה המלאה. הדרישה הזאת חשובה במיוחד בתחום שבו זמני סבב ארוכים ועלויות ייצור גבוהות עלולים לעכב חברות צעירות כבר בשלבים מוקדמים.

התמיכה תינתן במסגרת קרן תשתיות המו"פ של רשות החדשנות. המענק יכסה 55% או 66% מהתקציב, למשך שלוש שנים. לאחר מכן צפויה התשתית לפעול כחברת שירותי מו"פ למטרות רווח.

פער תשתיתי בתעשיית הדיפטק

המשמעות המעשית של המהלך היא לא רק תמיכה במחקר, אלא ניסיון לבנות שכבת תשתית משותפת לתעשייה. חברות בתחום השבבים הפוטוניים זקוקות לגישה לתהליכי ייצור, ציוד בדיקה, יכולות אריזה ואינטגרציה של חומרים והתקנים שונים. ללא תשתית כזאת, גם רעיון מוצלח או תכנון מתקדם עלולים להיתקע בשלב שבין הוכחת היתכנות למוצר מסחרי.

דרור בין, מנכ"ל רשות החדשנות, אמר כי פוטוניקה משולבת צפויה להיות אחת מטכנולוגיות הליבה של תעשיית השבבים בשנים הקרובות. לדבריו, לישראל יש יתרונות במחקר, בפיתוח ובהון האנושי, אך נדרשות תשתיות מתקדמות שיאפשרו להפוך ידע למוצרים ולחברות צומחות.

תא"ל במיל' ד"ר דני גולד, ראש מפא"ת במשרד הביטחון, אמר כי פוטוניקה משולבת פותחת אפשרויות לפיתוח מערכות מתקדמות בעלות ביצועים גבוהים, וכי שיתוף הפעולה נועד לחזק יכולת לאומית שתשרת את המחקר, התעשייה והביטחון לאורך שנים.

תחום אסטרטגי בתעשיית השבבים

ההשקעה מגיעה בתקופה שבה תעשיית השבבים העולמית מחפשת פתרונות חדשים למגבלות ההספק, החום ורוחב הפס של מערכות מחשוב מתקדמות. פוטוניקה משולבת אינה מחליפה את כל עולם המוליכים למחצה, אך היא הופכת לרכיב חשוב יותר במערכות תקשורת מהירות, בחיבורים בין שבבים, במרכזי נתונים ובחישה מתקדמת.

עבור ישראל, המהלך יכול לסייע בבניית חוליה חסרה בין אקדמיה, סטארט־אפים ותעשייה. אם התשתית שתיבחר אכן תהיה נגישה, מהירה ובעלת סטנדרטים תעשייתיים, היא עשויה לקצר את הדרך של חברות ישראליות משלב התכנון לשבב עובד, ולהפחית את התלות בגישה נקודתית ויקרה לתשתיות מחוץ לישראל.

הפוסט רשות החדשנות ומפא"ת ישקיעו עד 150 מיליון שקל בתשתית לשבבים פוטוניים בישראל הופיע לראשונה ב-Chiportal.

Cadence ו־Intel Foundry הודיעו על הרחבת שיתוף הפעולה ביניהן סביב טכנולוגיות הייצור הבאות של אינטל, ובראשן Intel 14A. ההסכם, שנפרש על פני כמה שנים, נועד לחבר בין כלי התכנון, ה־EDA וה־Design IP של Cadence לבין פיתוח תהליך הייצור והאריזה של Intel Foundry, כדי להקל על לקוחות אינטל בתכנון שבבים מתקדמים למחשוב עתיר ביצועים ולמכשירים ניידים.

תכנון וייצור כבר לא מתקדמים בנפרד

במרכז ההסכם עומדת מתודולוגיית DTCO – Design Technology Co-Optimization. במקום לפתח תחילה תהליך ייצור ורק אחר כך להתאים אליו כלי תכנון, DTCO מחבר בין שני העולמות כבר בשלבים המוקדמים: כללי התכנון, ספריות ה־IP, מודלי הסימולציה ודרישות הביצועים נבנים ומתוקנים במקביל.

המטרה היא לשפר את שלושת המדדים המרכזיים של כל תהליך ייצור מתקדם: ביצועים, צריכת הספק ושטח שבב – PPA. ככל שהצמתים נעשים צפופים ומורכבים יותר, הפער בין מה שאפשר לצייר בכלי התכנון לבין מה שאפשר לייצר בפועל במפעל הופך לאחד הסיכונים המרכזיים בפרויקטים של שבבים.

Intel 14A כמבחן לאסטרטגיית הפאונדרי

Intel 14A הוא הדור שאמור להגיע אחרי Intel 18A, והוא חלק מרכזי בניסיון של אינטל לבסס את עצמה מחדש כשחקנית פאונדרי מתקדמת ללקוחות חיצוניים. באירוע Intel Foundry Direct Connect 2025 מסרה אינטל כי חילקה ללקוחות מובילים גרסה מוקדמת של PDK עבור 14A, וכי כמה לקוחות הביעו כוונה לפתח שבבי בדיקה על בסיס התהליך. אינטל גם ציינה כי 14A יכלול את PowerDirect, טכנולוגיית אספקת מתח ישירה הנשענת על PowerVia של Intel 18A.

בהודעת Cadence נאמר כי שתי החברות יעבדו יחד כדי להביא את Intel 14A למצב של PDKs מוכנים לייצור. כלומר, לא רק תמיכה תיאורטית בתהליך, אלא ערכת תכנון שמאפשרת ללקוחות להתחיל פרויקטים אמיתיים בביטחון גבוה יותר. ההסכם יכלול גם שימוש בתזרימי Agentic AI ובמוצרי הליבה של Cadence כדי לקצר זמני תכנון ולהפחית סיכונים.

חיזוק האקוסיסטם סביב אינטל

עבור Intel Foundry, ההסכם חשוב לא פחות מהטכנולוגיה עצמה. לקוחות פאונדרי אינם בוחרים רק תהליך ייצור; הם בוחרים אקוסיסטם שלם של כלי תכנון, ספריות IP, שירותי אימות, תזרים סופי ל־tape-out ויכולת להגיע בזמן לשוק. שיתוף פעולה עמוק עם ספקית EDA גדולה כמו Cadence הוא חלק מהמאמץ של אינטל להראות כי 14A לא יהיה רק צומת מתקדם על הנייר, אלא פלטפורמת תכנון שניתנת לשימוש על ידי חברות שבבים חיצוניות.

אנירוד דווגאן, נשיא ומנכ"ל Cadence, אמר כי הרחבת היחסים עם אינטל לשותפות עמוקה יותר היא “אבן דרך משמעותית” לשתי החברות. נאגה צ'נדראסקארן, סמנכ"ל בכיר ומנכ"ל Intel Foundry, אמר כי שילוב תהליכי הייצור והאריזה של אינטל עם כלי התכנון מבוססי ה־AI של Cadence יאפשר קו־אופטימיזציה עמוקה יותר עבור לקוחות הפאונדרי.

הפוסט Cadence ו-Intel Foundry מרחיבות שיתוף פעולה סביב תהליך Intel 14A הופיע לראשונה ב-Chiportal.

אבי סלמון , אוונגליסט החדשנות של אינטל הציג ב-ChipEx2026 מבט מעשי על אחד השינויים המעניינים שמתחילים להתרחש כיום בתעשיית השבבים: מעבר משימוש בבינה מלאכותית כמילת באזז כללית לשימוש יומיומי יותר בתהליכי תכנון, אימות ופיתוח חומרה. אם הקדימון להרצאה התמקד במקרה העבודה שבו מהנדס אחד הצליח, בעזרת AI, לבצע בתוך כשבועיים משימה שבעבר דרשה כמה סטודנטים במשך שני סמסטרים, ההרצאה עצמה חידדה נקודה רחבה יותר: השינוי אינו רק בקיצור זמן העבודה, אלא בשינוי תפקידו של המהנדס.

המסר המרכזי היה שה-AI אינו הופך את תכנון השבבים לפעולה אוטומטית ופשוטה. להפך. ככל שהכלים חזקים יותר, כך גדלה החשיבות של מי שמפעיל אותם. מהנדס חומרה צריך לדעת להגדיר את הבעיה, לפרק אותה לתת־משימות, לבקש מהמערכת תוצרים מדויקים, לבדוק אם הקוד או הלוגיקה אכן נכונים, ולתקן את הכיוון כאשר המודל מחזיר תוצאה שאינה מתאימה. במילים אחרות, ה-AI יכול להאיץ מאוד את העבודה, אך הוא אינו מחליף את ההבנה ההנדסית.

מהנדס כמכוון, לא רק כמבצע

בתהליכי תכנון שבבים יש שלבים רבים שאינם מסתכמים בכתיבת קוד. יש הגדרת דרישות, בחירת ארכיטקטורה, כתיבת לוגיקה, עבודה מול FPGA או סביבות סימולציה, בניית בדיקות, אימות התנהגות, טיפול במקרי קצה ותיעוד. חלק מהשלבים האלה כוללים עבודה סיזיפית וחוזרת, ולכן הם מתאימים במיוחד לסיוע של כלי AI. אבל דווקא משום שמדובר בתחום שבו טעות קטנה עלולה להיות יקרה מאוד, אסור לוותר על שכבת הבקרה האנושית.

בהרצאה עלו מושגים כמו logic design, validation, software, floating point calculation ו-FPGA. הם ממחישים שהדיון לא עסק רק בכתיבה כללית של טקסט או קוד, אלא באזור שבו תוכנה, חומרה, מתמטיקה ואימות נפגשים. זהו גם המקום שבו יתרונו של מהנדס מנוסה נעשה ברור: הוא יודע מתי תוצר נראה סביר אך אינו נכון, מתי יש צורך בבדיקה נוספת, ומתי המודל “ממציא” פתרון שאינו עומד בדרישות ההנדסיות.

אחד הלקחים החשובים הוא שהעבודה עם AI דומה פחות ללחיצה על כפתור ויותר לניהול תהליך. המהנדס אינו רק מבקש תשובה. הוא מגדיר את גבולות הבעיה, בוחן חלופות, מריץ בדיקות, מחזיר משוב למערכת ומוודא שהתוצאה משתלבת בתהליך התכנון הרחב. לכן, מיומנות העבודה עם AI הופכת בהדרגה לחלק מארגז הכלים של מהנדסי חומרה, לצד כלי EDA, סימולטורים ושפות תיאור חומרה.

בין חשיבה מהירה לחשיבה בודקת

בהרצאה הוזכר גם ההבחנה בין System 1 ו-System 2, המוכרת מספרו של דניאל כהנמן על חשיבה מהירה ואיטית. בהקשר של AI לתכנון שבבים, ההבחנה הזו מועילה במיוחד: כלי AI מסוגלים לייצר במהירות רעיונות, קוד, הסברים ותבניות עבודה. זו שכבת העבודה המהירה. אבל בתכנון שבבים אי אפשר להסתפק בכך. נדרש גם שלב איטי, ביקורתי ומבוקר יותר, שבו המהנדס בודק את ההיגיון, את הכיסוי, את הביצועים ואת ההתאמה לדרישות.

המשמעות היא שהשימוש הנכון ב-AI אינו מבטל את שלב האימות, אלא מעביר אליו משקל גדול עוד יותר. אם בעבר חלק גדול מזמן העבודה הוקדש לכתיבה ידנית של רכיבים, הרי שבעבודה עם AI יותר זמן עשוי לעבור לבדיקה, השוואה, תיקון והכוונה. זהו שינוי תרבותי לא פחות מטכנולוגי: המהנדס הופך ממי שמייצר כל שורה בעצמו למי שמנהל תהליך יצירה מואץ ומוודא שהוא עומד בסטנדרט הנדרש.

כאן גם נמצא ההבדל בין שימוש שטחי ב-AI לבין שימוש מקצועי. מהנדס שאינו מבין את התחום עלול לקבל תוצר משכנע למראה אך שגוי. מהנדס מנוסה, לעומת זאת, יכול להשתמש באותו כלי כדי להאיץ עבודה, להרחיב בדיקות, לנסות חלופות ולשפר תיעוד. לכן, ה-AI אינו מצמצם את הצורך במומחיות; הוא משנה את הדרך שבה המומחיות באה לידי ביטוי.

לא רק שבבים ל-AI, אלא AI לתכנון שבבים

ההרצאה של סלמון משתלבת במגמה רחבה יותר בתעשייה. בשנים האחרונות עיקר השיח עסק בשבבים שמריצים בינה מלאכותית: מעבדים, מאיצים, GPU, רכיבי תקשורת, זיכרון ותשתיות למרכזי נתונים. אבל כעת ה-AI נכנס גם לצד השני של המשוואה – אל תהליכי הפיתוח של השבבים עצמם.

זהו שינוי חשוב במיוחד בתקופה שבה מרכזי נתונים ל-AI דורשים ביצועים גבוהים יותר, רוחב פס גדול יותר, צריכת הספק נמוכה יותר ויכולת הרחבה בין מערכות רבות. מושגים כמו scale up ו-scale out, שעלו בהרצאה, אינם רק עניין של ארכיטקטורת מרכזי נתונים. הם משפיעים גם על סוג השבבים שיש לתכנן, על הממשקים ביניהם, על עומסי התקשורת, על הזיכרון ועל מערכות האימות שנדרשות כדי לוודא שהכול עובד יחד.

במובן הזה, AI יוצר דרישה לשבבים מורכבים יותר, ובמקביל מתחיל לספק כלים שעוזרים לתכנן אותם. התעשייה נכנסת למעגל שבו הבינה המלאכותית גם מגדילה את הצורך בחומרה מתקדמת וגם הופכת לחלק מתהליך העבודה שמאפשר לפתח חומרה כזו.

ההזדמנות והסיכון

עבור חברות כמו אינטל, המשמעות כפולה. מצד אחד, יש כאן אפשרות לשפר את יעילות הפיתוח, לקצר חלק מהשלבים ולסייע למהנדסים להתמודד עם עומס הולך וגדל של משימות. מצד שני, הטמעה לא זהירה של AI בתהליכי תכנון עלולה לייצר תחושת ביטחון מדומה. בתעשיית השבבים, תוצאה שנראית נכונה אינה מספיקה. היא חייבת לעבור אימות, סימולציה ובדיקה מול דרישות ברורות.

לכן, הגישה שהוצגה בהרצאה הייתה מעשית וזהירה. לא חזון שבו AI מתכנן שבב לבדו, אלא תהליך שבו מהנדס משתמש בו ככלי עבודה חזק. זהו כלי שיכול להאיץ כתיבה, להציע מבנים, לסייע בבדיקות, לנסח הסברים ולשפר תיעוד, אך אינו מחליף אחריות הנדסית.

הלקח המרכזי מההרצאה הוא שתעשיית השבבים אינה עומדת רק בפני שינוי במוצרים שהיא מפתחת, אלא גם בשיטת העבודה של מי שמפתחים אותם. מהנדסי שבבים יידרשו להבין לא רק חומרה, תוכנה ואימות, אלא גם כיצד לעבוד נכון עם מודלים של AI. מי שישלוט בשילוב הזה יוכל לעשות יותר, מהר יותר, ובמידת זהירות גבוהה יותר.

בסופו של דבר, השאלה אינה אם AI ייכנס לתכנון שבבים, אלא איך הוא ייכנס. ההרצאה של סלמון הציעה תשובה ברורה: לא כתחליף למהנדס, אלא כמכפיל כוח למהנדס שמבין היטב מה הוא עושה.

הפוסט אבי סלמון, אינטל, ב- ChipEx2026: ה-AI לא מחליף את מתכנן השבבים, הוא משנה את אופן העבודה שלו הופיע לראשונה ב-Chiportal.

קיידנס ואנבידיה הודיעו במסגרת Computex 2026 על שלב חדש בשילוב סוכני בינה מלאכותית בתהליכי תכנון ואימות שבבים. ההכרזה מתמקדת ב-ChipStack AI Super Agent של קיידנס, מערכת סוכני AI שמיועדת לבצע חלקים משמעותיים מתהליך אימות התכנון ברמת RTL, אחד השלבים הארוכים והיקרים בפיתוח שבבים מתקדמים. לפי קיידנס, המערכת הורחבה ליכולת שהיא מכנה Level 5 autonomy – כלומר ביצוע עצמאי של תהליכי תכנון ואימות מורכבים, תוך אפשרות למהנדסים לעקוב, לכוון ולהתערב בעת הצורך.

הטענה המרכזית של קיידנס היא שהמערכת יכולה לקצר מחזור אימות RTL טיפוסי, שאורך כחמישה שבועות, לפחות מיום אחד בסביבות פריסה מתקדמות – האצה של יותר מפי 40. ההדגמה מתבססת על הרצת מאות סימולציות דינמיות באמצעות כלי Cadence, ובהם Xcelium Logic Simulation ו-Jasper Formal Verification, במסגרת תהליכי אימות של אנבידיה. חשוב לציין כי מדובר בנתון שמקורו בהודעת החברה ובהוכחת היתכנות מוקדמת, ולכן הוא אינו בהכרח משקף כל תכנון, כל צוות או כל סביבת עבודה.

לא רק צ’אטבוט למהנדסים

החידוש שעליו מדברות קיידנס ואנבידיה אינו שימוש כללי במודל שפה גדול, אלא שילוב של סוכן AI עם כלי EDA קיימים ומאומתים. שכבת הבינה המלאכותית מנהלת את הרצף: הבנת מפרטים, תכנון בדיקות, הרצת סימולציות, ניתוח תוצאות, איתור כשלים והצעת תיקונים. עם זאת, הפעולות עצמן נשענות על מנועי האימות של קיידנס, ולא על “ניחוש” חופשי של מודל שפה.

המערכת מבוססת על פורטפוליו ה-EDA של קיידנס, על מודלי NVIDIA Nemotron, ופועלת בתוך NVIDIA OpenShell – סביבת הרצה מבודדת לסוכנים אוטונומיים, שנועדה לאכוף בקרת מדיניות, הרשאות וגישה מבוקרת לכלים, לתשתיות ולנתוני תכנון רגישים. עבור תעשיית השבבים, שבה קניין רוחני הוא נכס קריטי, השילוב הזה חשוב לא פחות מהאוטומציה עצמה.

צוואר הבקבוק של אימות השבבים

אימות RTL הוא שלב שבו בודקים אם התכנון הלוגי של השבב אכן מתנהג כפי שנדרש לפני המעבר לשלבים יקרים יותר של מימוש פיזי וייצור. ככל ששבבי AI ומערכות על שבב הופכים גדולים ומורכבים יותר, מספר הבדיקות, התרחישים והחריגות האפשריות גדל במהירות. כתוצאה מכך, צוותי הפיתוח משקיעים זמן רב בהרצת סימולציות, בניתוח תקלות ובתיקון מקרי קצה.

במובן זה, ChipStack אינו מחליף את המהנדסים אלא משנה את נקודת הכובד של עבודתם: פחות כתיבת בדיקות חוזרת, פחות ניהול ידני של רגרסיות ופחות חיפוש ידני אחרי מקור הכשל; יותר הגדרת מטרות, פיקוח על התהליך וקבלת החלטות ארכיטקטוניות. זו גם הדרך שבה קיידנס מציגה את המערכת – מעבר מ-AI שמסייע למהנדס, ל-AI שמבצע משימות הנדסיות מוגדרות תחת בקרה.

ד"ר זיאד חנא, מנכ"ל מרכזי הפיתוח של Cadence בישראל וראש תחום ה-AI בקיידנס העולמית, אמר כי “מורכבות הסיליקון של מערכות הבינה המלאכותית עולה על קצב הגידול של כוח האדם ההנדסי, ולכן האוטונומיה הופכת כיום לצורך קיומי ולא רק לתוספת רצויה. התעשייה שלנו מתמודדת עם מחסור מובנה במהנדסים; הטכנולוגיה החדשה שהצגנו הופכת את העבודה השוחקת והחזרתית של שלב האימות לאוטומטית, ומאפשרת למהנדסים להתמקד בחדשנות, בארכיטקטורה ובאסטרטגיה בעלת ערך גבוה יותר”.

קיידנס ציינה כי יכולות Level 5 של ChipStack, יחד עם מסגרת התיאום AgentStack, צפויות להיות זמינות ללקוחות Early Access במחצית השנייה של 2026. המשמעות היא שהטכנולוגיה כבר עברה שלב הדגמה משמעותי, אך עדיין תיבחן בשטח לפני שתהפוך לכלי סטנדרטי בתהליכי פיתוח שבבים רחבים.

הפוסט קיידנס ואנבידיה מציגות סוכן AI לאימות שבבים: מקצר מחזור RTL משבועות לפחות מיום הופיע לראשונה ב-Chiportal.

בינה מלאכותית משנה במהירות את הדרך שבה כותבים קוד, מנתחים מידע ומפתחים מוצרים. כעת היא מתחילה להיכנס גם לאחד התחומים המורכבים ביותר בעולם ההנדסה: תכנון שבבים. אבי סלמון מאינטל יציג בכנס ChipEx2026, שיתקיים ב-12 במאי באקספו תל אביב, שיטה מעשית לתכנון שבבים בעזרת AI, שבמסגרתה הצליח מהנדס אחד לבצע בתוך כשבועיים עבודה שבעבר דרשה חמישה עד שישה סטודנטים במשך שני סמסטרים.

הדוגמה שסלמון יציג אינה עוד הצהרה כללית על “AI שישנה את העולם”, אלא מקרה עבודה הנדסי. מדובר בתהליך שבו מהנדס מנוסה משתמש בכלי בינה מלאכותית כדי לפרק משימה מורכבת לשלבים, לנסח דרישות, לייצר רכיבי תכנון, לבדוק תוצרים, לתקן שגיאות ולהתקדם במהירות אל תוצאה שימושית. במקום צוות גדול שעובד חודשים על משימה מוגדרת, מתקבל תהליך מהיר בהרבה, שבו ה-AI משמש כמכפיל כוח למהנדס ולא כתחליף לו.

המשמעות עבור תעשיית השבבים עשויה להיות רחבה. תכנון שבב הוא תהליך ארוך, יקר ומרובה שלבים. הוא כולל הגדרת ארכיטקטורה, כתיבת קוד חומרה, בניית סביבות בדיקה, הרצת סימולציות, אימות פונקציונלי, איתור תקלות, אופטימיזציה ותיעוד. כל אחד מהשלבים האלה דורש ידע מקצועי עמוק, ניסיון ותשומת לב לפרטים. לכן, גם קיצור חלקי של משימות תכנון ואימות יכול להשפיע על לוחות הזמנים של פרויקטים, על עלויות הפיתוח ועל היכולת להביא שבבים חדשים לשוק מהר יותר.

הנקודה החשובה בהרצאה של סלמון היא שה-AI אינו מוצג כמהנדס עצמאי שמחליף את אנשי החומרה. להפך. השיטה נשענת על מהנדס שמבין היטב את תחום השבבים, יודע להגדיר את הבעיה, לזהות תוצרים שגויים, לבדוק את ההיגיון ההנדסי ולכוון את הכלים למקום הנכון. ה-AI יכול להאיץ כתיבה, בדיקה, השוואה וארגון של עבודה, אך האחריות המקצועית נשארת אצל האדם.

הנושא הזה מקבל חשיבות מיוחדת בתקופה שבה המורכבות של שבבים ממשיכה לגדול. מעבדים, מאיצי AI, רכיבי תקשורת ומערכות על שבב כוללים כיום מספר עצום של יחידות, ממשקים, מצבי פעולה ותרחישי בדיקה. במקביל, התעשייה מתמודדת עם מחסור במהנדסים מנוסים ועם לחץ גובר לקצר זמני פיתוח. בתנאים כאלה, כלי AI עשויים להפוך לחלק בלתי נפרד מארגז הכלים של מהנדסי חומרה, בדומה לכלי EDA ששינו בעבר את עולם התכנון האלקטרוני.

אחד השינויים המרכזיים הוא המעבר מעבודה ידנית ארוכה לעבודה מונחית יותר. מהנדס השבבים של השנים הקרובות יידרש לא רק לכתוב קוד RTL או לבנות סביבות אימות, אלא גם לדעת להפעיל מודלים של AI, לנסח להם משימות מדויקות, לבדוק את התוצרים, לשלב אותם בתהליך העבודה ולמנוע טעויות. במובן הזה, היכולת לעבוד נכון עם AI עשויה להפוך למיומנות הנדסית בסיסית.

עבור אינטל, הנושא משתלב בשאלה רחבה יותר: כיצד מטמיעים בינה מלאכותית לא רק במוצרים עצמם, אלא גם בתהליכי הפיתוח הפנימיים. אינטל היא אחת מחברות השבבים הגדולות והוותיקות בעולם, ופעילותה בישראל כוללת מרכזי פיתוח וייצור משמעותיים. הכנסת כלי AI לתהליכי תכנון ואימות עשויה לשנות לא רק את הקצב שבו מהנדסים עובדים, אלא גם את הדרך שבה צוותים מתארגנים סביב בעיות הנדסיות מורכבות.

סלמון צפוי להציג גישה מעשית וזהירה: AI יכול לקצר תהליכים, להאיץ משימות ולפתוח אפשרויות חדשות, אך הוא מחייב בקרה אנושית הדוקה. בתחום השבבים, טעות קטנה בתכנון עלולה להתגלות מאוחר מדי ולהפוך ליקרה מאוד. לכן, השימוש ב-AI אינו מבטל את הצורך באימות, בסימולציה ובשיקול דעת הנדסי. הוא משנה את הדרך שבה מגיעים אליהם.

המסר המרכזי הוא שתעשיית השבבים נמצאת בתחילתו של שינוי עמוק גם בצד הפיתוח, לא רק בצד המוצרים. הבינה המלאכותית אינה רק עומס עבודה חדש עבור מרכזי נתונים ומאיצים. היא הופכת לכלי עבודה של המהנדסים שמתכננים את השבבים עצמם. אם משימה שבעבר דרשה חמישה עד שישה סטודנטים במשך שני סמסטרים יכולה להתבצע על ידי מהנדס אחד בתוך כשבועיים, מדובר בסימן ברור לכך שתהליכי התכנון והאימות עומדים להשתנות במהירות.

הפוסט בלעדי: אינטל תציג לראשונה ב ChipEx2026 שיטה מהפכנית לתכנון שבבים באמצעות AI הופיע לראשונה ב-Chiportal.

מהפכת הבינה המלאכותית אינה משנה רק את הביקוש לשבבים. היא משנה גם את הדרך שבה מתכננים אותם. משה (מושיקו) אמר (Moshe Emmer), המוביל בקיידנס את תחום הצ'יפלטים ואת פיתוח Janus, ‏IP מסוג non-coherent NoC, מתאר את השינוי הזה משתי זוויות: מצד אחד, קיידנס מספקת פתרונות סיליקון שנדרשים לבניית מערכות AI. מצד שני, היא משלבת יכולות AI בתוך כלי התכנון עצמם, כדי לשנות את הדרך שבה מהנדסים מגיעים לסגירת תכנון, וריפיקציה ואופטימיזציה.

אמר עובד בקיידנס מעט יותר משנתיים ומשתייך ל-Silicon Solutions Group, חטיבה העוסקת בפתרונות סיליקון מקצה לקצה: מ-IP, דרך תתי־מערכות ועד פתרונות מותאמים ללקוחות, כולל שירותי תכנון של שבבים שלמים. לפני כן עבד במשך כ-20 שנה באינטל בישראל. לדבריו, אחד המאפיינים המרכזיים של עידן ה-AI הוא שהמגבלה אינה נמצאת רק בכוח החישוב, אלא גם בגישה לזיכרון. מערכות אימון והסקה זקוקות לרוחב פס גבוה, זמן השהיה נמוך ויכולת להזרים כמויות גדולות של נתונים אל המאיצים ומהם.

לכן, קיידנס משקיעה כיום בשורה של רכיבי IP וממשקים המיועדים לעולם הזה. אחד התחומים המרכזיים הוא זיכרון, ובמיוחד HBM, שהפך לרכיב קריטי במערכות AI מתקדמות. לצד זאת החברה מפתחת ממשקי תקשורת מהירים בין רכיבים, ובהם PCIe, Ethernet בקצבים גבוהים, SerDes ו-UCIe, שמאפשר חיבור מהיר בין צ'יפלטים שונים בתוך אותו מארז. המטרה היא לאפשר בניית מערכות AI שבהן רכיבי החישוב, הזיכרון והתקשורת עובדים כמערכת אחת צפופה ומהירה.

הצ'יפלטים הם אחד המוקדים המרכזיים בעבודתו של אמר. לדבריו, התחום עדיין חדש יחסית, אך הוא עובר תהליך מהיר של סטנדרטיזציה והנגשה. בעבר, שימוש בצ'יפלטים היה בעיקר נחלתן של חברות גדולות מאוד, שיכלו להרשות לעצמן אינטגרציה יקרה ולא תמיד סטנדרטית בתוך המארז. כעת, בזכות תקנים כמו UCIe, התקדמות בכלי התכנון ושיפור יכולות האינטגרציה אצל הפאונדריז, השימוש בצ'יפלטים הופך נגיש יותר גם לחברות קטנות ובינוניות.

בקיידנס רואים בצ'יפלט לא רק רכיב טכנולוגי, אלא גם שירות תכנוני. לקוח אחד יכול לבקש רק תכנון פיזי עבור ארכיטקטורה קיימת. לקוח אחר יכול לבקש פתרון מלא, מהארכיטקטורה ועד סיליקון עובד. יש מי שירצה לקבל GDS ולבצע את ה-tapeout בעצמו, ויש מי שיבקש לקבל שבב מתפקד. הגמישות הזו, לדברי אמר, היא חלק מהשינוי שעובר שוק הסיליקון.

לצד ביצועים ותקשורת, תחום נוסף שמקבל משקל גובר הוא אבטחה. אמר מציין כי קיידנס שילבה בתוך Silicon Solutions Group את חברת SecureIC הצרפתית, שנרכשה על ידי החברה, וכי יכולות האבטחה שלה כבר משולבות כחלק מהפתרונות שמוצעים ללקוחות. בעולם של צ'יפלטים ותתי־מערכות מורכבות, אבטחה אינה יכולה להיות תוספת מאוחרת. היא צריכה להיות חלק מארכיטקטורת המערכת.

הציר השני שבו מתמקדת קיידנס הוא הכנסת AI לתוך כלי ה-EDA עצמם. כאן הדגש עובר מ-AI כחומרה אל AI ככלי עבודה למהנדסים. אמר מתאר את הכיוון הזה כמעבר לעבודה ברמת הפשטה גבוהה יותר. במקום שהמהנדס יריץ כלי בודד, יבחר ידנית קונפיגורציות וינסה סדרה של ריצות, סוכני AI יכולים לסייע בבניית חלופות, בהרצת ניסויים מקבילים, בהמלצה על תצורות מתאימות ובקישור בין כלים שונים לאורך זרימת העבודה.

לדבריו, אחד השינויים החשובים הוא שהפתרונות החדשים אינם נשארים בתוך כלי יחיד. בעבר עולם ה-EDA היה מחולק לכלים נפרדים: כלי אימפלמנטציה, כלי ניתוח תזמון, כלי סגירת תכנון, סימולטורים, כלי דיבאג וכלי וריפיקציה. Agentic AI מחייבת אינטגרציה חזקה יותר בין הכלים האלה, משום שסוכן AI יעיל צריך להבין את התמונה הרחבה ולא רק פעולה נקודתית אחת. המטרה היא לאפשר למהנדס לעבוד מול מערכת שמסייעת לו לייעל את התכנון כולו, ולא רק להריץ פקודה בכלי מסוים.

לישראל יש תפקיד משמעותי במאמץ הזה של קיידנס. אמר מציין כי לקיידנס מרכז פיתוח חשוב בארץ, הכולל בין היתר את פיתוח Jasper, שאותו מוביל זיעד חנה, וכן פעילות משמעותית סביב שילוב Agentic AI בתוך כלי החברה. לדבריו, קבוצת Silicon Solutions Group משמשת במידה רבה כ-Customer Zero פנימי: אנשי התכנון של קיידנס משתמשים ביכולות החדשות ראשונים, מסייעים להגדיר את הסוכנים ומספקים משוב שמאפשר לשפר אותם לפני הגעה רחבה יותר ללקוחות.

תחומי פעילות נוספים בישראל כוללים וריפיקציה, VIP ו-Verisium. אף שאמר עצמו יושב באוסטין, טקסס, ולא מנהל צוות פיתוח בישראל, הוא מדגיש כי הוא עובד באופן הדוק עם הצוותים בארץ, בעיקר סביב לקוחות, מכירות ותמיכה טכנית. לדבריו, החיבור לישראל חשוב לו גם ברמה האישית, והוא רואה בהשתתפות בכנס בישראל בתקופה הנוכחית עניין בעל משמעות מעבר להיבט העסקי.

אחת התופעות שאמר רואה בכנסים ובמפגשים עם לקוחות בעולם היא פתיחה מחודשת של תחום הסיליקון גם בפני קבוצות קטנות. אם לפני עשור סטארט-אפ של חמישה או עשרה אנשים היה כמעט תמיד סטארט-אפ תוכנה, כיום ניתן לראות קבוצות קטנות שמקימות חברות סיליקון ומכוונות להגיע לשבב אמיתי. בעבר רק חברות עם כיסים עמוקים מאוד וארגוני פיתוח גדולים יכלו לדבר ברצינות על tapeout. כיום, בזכות התקדמות בכלי התכנון, נגישות גבוהה יותר לייצור ופתרונות IP ותכנון מוכנים יותר, גם חברות קטנות יכולות לקחת IP חדשני, לבנות סביבו סיליקון, להדגים אותו במעבדה ולעיתים להפוך אותו למוצר.

אמר רואה בכך התפתחות חיובית לתעשייה. ההייפר־סקיילרים והחברות הגדולות ימשיכו להיות לקוחות מרכזיים, אך הגיוון בשוק מביא חדשנות ממקומות חדשים. עבור קיידנס, המשמעות היא צורך לספק פתרונות שמתאימים לא רק לענקיות הטכנולוגיה, אלא גם לחברות צעירות שמבקשות להגיע מהר יותר לאב־טיפוס או למוצר סיליקון ראשון.

השלב הבא של עולם הצ'יפלטים צפוי להתרחב מעבר לדאטה סנטרים ולתשתיות AI. לפי אמר, בעולמות אלה הצ'יפלטים כבר צוברים תאוצה, אך בעולמות הקצה התהליך עדיין בתחילתו. כאשר צ'יפלטים נכנסים למערכות ניידות, כמו רכב, רובוט, רחפן או מערכת הגנה ניידת, נדרשות בדיקות נוספות מעבר לאמינות חשמלית ותרמית רגילה. צריך לוודא גם אמינות מכנית: שהחיבורים בין הצ'יפלטים לא ייפגעו בתנועה, ברעידות או בתנאי סביבה משתנים. אלה אתגרים חדשים יחסית, והם עדיין בתהליך התגבשות בתעשייה.

התמונה שמציג אמר היא של תעשייה שעוברת משבב יחיד למערכת סיליקון מורכבת יותר. זיכרון, תקשורת, אבטחה, צ'יפלטים, אריזה מתקדמת וכלי EDA מבוססי AI כבר אינם תחומים נפרדים. הם מתחברים למערכת אחת, שבה קצב החדשנות תלוי ביכולת לשלב בין ארכיטקטורה, IP, תכנון פיזי, וריפיקציה ותשתיות ייצור. עבור קיידנס, זהו בדיוק המקום שבו היא מבקשת למצב את עצמה: לא רק כספקית כלים, אלא כשותפה בבניית הדור הבא של הסיליקון לעידן הבינה המלאכותית.

הפוסט ChipEx2026: קיידנס מסמנת את השלב הבא בשבבים ל-AI: צ'יפלטים, זיכרון מהיר ו-Agentic AI בתכנון סיליקון הופיע לראשונה ב-Chiportal.

פרופ' פרדי גבאי, חבר סגל במכון להנדסת חשמל ופיזיקה יישומית באוניברסיטה העברית, יציג בכנס ChipEx2026 בתל אביב עבודה מחקרית העוסקת בשילוב בינה מלאכותית בתוך תהליך תכנון השבבים. גבאי הגיע לאקדמיה לאחר 27 שנים בתעשייה, בעיקר בתחום השבבים. רוב שנותיו בתעשייה עברו עליו במלנוקס (כיום Nvidia), שבה היה חלק מהצוותים הראשונים של החברה. בתפקידו האחרון שימש סמנכ"ל פיתוח שבבים וסמנכ"ל  Back-End. בשנתיים האחרונות הוא חוקר באוניברסיטה העברית, ובשנה האחרונה הקים בה את  VLSI Systems Research Lab  – מעבדה לפיתוח ולמחקר מערכות  VLSI.

המעבדה, שאותה מוביל גבאי יחד עם שרית שוימר, בכירה לשעבר באינטל עם 27 שנות ניסיון בתעשייה וכיום מנהלת המעבדה ושותפה למחקר, מונה כיום כעשרה סטודנטים לתואר שני ושלישי. תחומי המחקר שלה משקפים את המעבר של תעשיית השבבים לעידן שבו הביצועים לבדם אינם מספיקים. המעבדה עוסקת בארכיטקטורות מחשב, מאיצים חישוביים ל-Generative AI ול-Agentic AI, תכנון פיזי של שבבים, אמינות, הזדקנות טרנזיסטורים וכלים מבוססי AI שמטרתם לסייע למהנדסים בשלבי התכנון והאימות.

לדברי פרופ' גבאי, אחד מכיווני המחקר המרכזיים במעבדה הוא חישובים מקורבים (approximate computing). במקום לבצע כל פעולת כפל מטריצות בדיוק מלא, החוקרים מנצלים את העובדה שמודלי AI רבים עמידים לרעש ולשגיאות קטנות. גישה זו יכולה לחסוך שטח סיליקון, להאיץ ביצועים ולהפחית צריכת אנרגיה, תוך פגיעה קטנה יחסית בדיוק המודל. כיוון נוסף עוסק בהתמודדות עם “קיר הזיכרון” – צוואר הבקבוק שנוצר כאשר הגישה לזיכרון נעשית יקרה בהרבה מהחישוב עצמו מבחינת זמן ואנרגיה. כאן בוחנת המעבדה שימוש בדחיסה מאבדת מידע, שמקטינה את נפח הנתונים הנשמרים בזיכרון ואת רוחב הפס הנדרש לגישה אליהם.

העבודה שתוצג ב ChipEx2026 -אשר נעשתה יחד עם הסטודנטים עידו פרחומובסקי, מוחמד עומרי ואיתי יונתנוב, מתמקדת באתגר אחר, אך קשור: אמינות שבבים בשלבי התכנון הפיזי. אחת התופעות הקריטיות בשבבים מתקדמים היא Dynamic Voltage Drop – נפילת מתח דינמית בתוך השבב. כאשר אלמנטים לוגיים רבים מתמתגים בו־זמנית, הם מושכים זרם מרשת האספקה של השבב. מכיוון שברשת האספקה ובאריזת השבב קיימות התנגדות והשראות, משיכת הזרם גורמת לנפילת מתח מקומית. ירידה זו אינה משפיעה רק על התא הלוגי שמתמתג, אלא גם על סביבתו, ועלולה לגרום להאטה בתזמון, לשגיאות חישבויות ולבעיות אמינות.

בתהליכי הפיתוח המקובלים, בעיות מסוג זה נבדקות באמצעות סימולציות כבדות בכלי  EDA. אלה כלים מדויקים, אך הרצתם עשויה להימשך ימים ואף שבועות. בעיה נוספת היא שהתהליך מתבצע לעיתים בשלבים מאוחרים מאוד, סמוך ל-.tapeout  אם מתגלות בעיות בשלב זה, חלון הזמן לתיקון מצטמצם מאוד, והתיקון עלול להיות יקר ומורכב.

הפתרון שמציגים גבאי והסטודנטים במעבדתו הוא מודל מבוסס AI, שאומן על בסיס מערך נתונים גדול ונועד לזהות מוקדם אזורים בעייתיים מבחינת נפילות מתח דינמיות. לדברי גבאי, לאחר שלב האימון זמן הריצה של המודל מהיר פי 25 אלף לעומת הרצה מלאה בכלי סימולציה סטנדרטי, והדיוק שלו מגיע לכ-94%. המודל אינו מחליף את כלי ה- EDA ואינו מבטל את הצורך בסימולציות סופיות, אך הוא מאפשר למהנדסים לאתר מוקדם את הבעיות המרכזיות, למקד את הריצות הכבדות ולהקטין את הסיכון להפתעות בשלב ה- sign-off.

סיוע למהנדס, לא החלפתו

גבאי מתאר את הגישה הזו כ-AI Core Pilots –  טייסי משנה מבוססי בינה מלאכותית לכלי EDA . הדגש הוא על סיוע למהנדס, לא על החלפתו. בעולם שבו תכנון שבב מתקדם מייצר כמויות עצומות של לוגים, סימולציות ונתוני תכנון, חלק מהמידע הזה יכול להפוך לחומר גלם לאימון מודלים פנימיים. חברות שבבים, לדבריו, אינן חייבות להמתין עד שכל היכולות האלה ישולבו בכלים המסחריים. הן יכולות לפתח כבר כיום יכולות פנימיות, מבוקרות וממוקדות, שיזהו מוקדם בעיות חוזרות ויקצרו תהליכי פיתוח.

עם זאת, כניסת AI לתהליך תכנון השבבים אינה מפחיתה את הצורך במהנדסים בעלי עומק מקצועי. להפך. כאשר מודל מסמן אזור בעייתי או מציע תיקון, המהנדס חייב להבין אם ההמלצה נכונה, האם היא רלוונטית למבנה השבב ומה המשמעות שלה מבחינת תזמון, שטח, הספק ואמינות. לכן גבאי מדגיש גם את חשיבות האקספלנביליות (Explainable AI) – היכולת של מערכת AI להסביר מדוע סימנה בעיה מסוימת או מדוע המליצה על פעולה מסוימת. בתהליכי תכנון קריטיים, שבהם נדרשים אחריות, בדיקות והוכחת תקינות, כלי AI שאינם ניתנים להסבר יתקשו להשתלב באופן מלא.

הזווית הרחבה יותר של העבודה קשורה גם למקומה של האקדמיה בהכשרת כוח האדם לתעשיית השבבים. לדברי גבאי, תחום השבבים וה-VLSI מתפתח כיום באוניברסיטה העברית בצורה משמעותית. במכון להנדסת חשמל ופיזיקה יישומית לומדים כ-600 סטודנטים לתואר ראשון, ולצידם יותר מ-100 סטודנטים לתארים מתקדמים. המעבדה החדשה מבקשת למצב את עצמה כאחת המעבדות המובילות בארץ בתחום, והיא מקיימת שיתופי פעולה עם מעבדות נוספות בישראל ובעולם.

שיתופי הפעולה עם התעשייה הם חלק מרכזי במודל הפעולה של המעבדה. גבאי מציין כי המעבדה מצוידת בין היתר בטסטר שהתקבל כתרומה מחברת Teradyne וכי מודלי ה-AI שלה רצים על שרת DGX של אנבידיה שניתן למעבדה. נוסף על כך מתקיימים שיתופי פעולה הדוקים עם קיידנס וסינופסיס, הן במחקר והן בהכשרה אקדמית. חברות נוספות המעורבות בשיתופי פעולה או בתמיכה במחקר ובהכשרה כוללות את סמסונג, אינטל, Altera, אפל, RubyEDA וחברות נוספות בתעשייה.

המסר של גבאי לתעשייה הוא שהצורך בכוח אדם עמוק ומיומן רק הולך וגובר. תעשיית השבבים אינה זקוקה רק למהנדסים שמכירים את הכלים, אלא למהנדסים שמבינים את עקרונות התכנון, הפיזיקה, האמינות והאלגוריתמיקה שמאחורי הכלים. המעבדה באוניברסיטה העברית מבקשת למלא בדיוק את התפקיד הזה: להכשיר דור חדש של מהנדסים וחוקרים שמסוגלים לעבוד בחזית שבין סיליקון, כלי תכנון ובינה מלאכותית.

העבודה של גבאי ומעבדתו ממחישה כיוון רחב יותר בתעשייה: AI כבר אינה רק עומס עבודה שרץ על שבבים מתקדמים. היא מתחילה להפוך לכלי עבודה בתוך תהליך התכנון של אותם שבבים. אם בעשור האחרון תעשיית השבבים בנתה את התשתית למהפכת הבינה המלאכותית, בשנים הקרובות צפויה הבינה המלאכותית להשפיע יותר ויותר גם על הדרך שבה מתכננים, מאמתים ומייצרים את הדור הבא של השבבים.

הפוסט לקראת ChipEx2026: פרופ' גבאי יחשוף בכנס כיצד ניתן בעזרת בינה מלאכותית לזהות בעיות אמינות בשלבי התכנון המוקדמים הופיע לראשונה ב-Chiportal.

סימנס ו-TSMC מרחיבות את שיתוף הפעולה ביניהן כדי להכניס בינה מלאכותית עמוק יותר לתהליך תכנון השבבים. ההכרזה, שפורסמה ב-22 באפריל 2026, מתמקדת בשילוב אוטומציה מבוססת AI בכלי EDA, כלומר כלי תוכנה המשמשים לתכנון, סימולציה, אימות והכנה לייצור של שבבים מתקדמים. המהלך כולל בין היתר תיקון אוטומטי של הפרות Design Rule Check, שילוב מערכת Fuse EDA AI של סימנס, והסמכות חדשות של כלי סימנס לתהליכי הייצור המתקדמים של TSMC.

החשיבות של ההכרזה נובעת מהעומס ההנדסי הגובר בתכנון שבבים בדורות החדשים. ככל שהשבבים עוברים לצמתים מתקדמים יותר, ולמבנים מורכבים יותר כמו 3D IC וצ’יפלטים, תהליך התכנון כבר אינו מסתכם במיקום טרנזיסטורים על פרוסת סיליקון. הוא מחייב תיאום בין תכנון לוגי, תכנון פיזי, בדיקות חום, בדיקות זרם, בדיקות אמינות, אימות חוקים גאומטריים, ותאימות לתהליך הייצור של המפעל. מערכת Fuse EDA AI Agent של סימנס נועדה לתזמר תהליכים כאלה על פני כמה כלים וכמה שלבים, משלב הרעיון ועד sign-off לייצור. סימנס הציגה את המערכת במרץ 2026 כמערכת AI סוכנתית ייעודית לתחום השבבים, תלת־ממד ו-PCB. (Siemens Digital Industries Software)

במסגרת שיתוף הפעולה, TSMC וסימנס מקדמות שימוש בבינה מלאכותית עבור תכנון מעגלים מותאמים אישית. אחד היעדים המרכזיים הוא אוטומציה של תהליכי DRC סביב כלי Calibre של סימנס. בדיקות DRC נועדו לוודא שהתכנון עומד בכללי הייצור של מפעל השבבים. בכל צומת ייצור מתקדם מספר הכללים גדל, והפרות קטנות עלולות לגרום לעיכובים, לתיקוני תכנון חוזרים, או לכישלון בשלב הייצור. לכן, תיקון אוטומטי ומונחה AI של הפרות כאלה עשוי לקצר מחזורי פיתוח ולהפחית עבודה ידנית.

שיתוף הפעולה אינו מוגבל ל-AI בלבד. סימנס הודיעה כי כלי Calibre nmPlatform שלה הוסמכו לתמיכה בתהליכי 3 ננומטר, 2 ננומטר, A16 ו-A14 של TSMC. גם Solido Simulation Suite הוסמך לדיוק SPICE בתהליכי N3A, N2P, A16 ו-A14, כדי לאפשר סימולציה ואימות של תכנוני אנלוג, אותות מעורבים, RF, תאי ספרייה וזיכרונות. נוסף על כך, Aprisa של סימנס הוסמך לתהליך N2P, ו-mPower analog הוסמך לבדיקות EM/IR ברמת טרנזיסטור בתהליך N2P.

היבט נוסף הוא תחום השבבים התלת־ממדיים. עבור טכנולוגיות TSMC 3DFabric, סימנס מדגישה את התמיכה של Calibre 3DStack בבדיקות יישור וקישוריות בין שכבות וצ’יפלטים, בבדיקות DRC מודעות תלת־ממד, בניתוחי אנטנה ובחילוץ התנגדות וזרמים במערכות תלת־ממדיות. Calibre 3DThermal הוסמך לניתוח תרמי סטטי ודינמי, נקודה חשובה במיוחד כאשר שבבים מוערמים וצ’יפלטים מצופפים יוצרים עומסי חום חדשים. בעולם שבו שבבי AI צורכים הספק גבוה ומחוברים באריזות מתקדמות, ניהול חום הופך לחלק בלתי נפרד מהתכנון ולא רק לשלב בדיקה מאוחר.

הרקע הרחב יותר הוא מפת הדרכים האגרסיבית של TSMC. בכנס הטכנולוגיה שלה בצפון אמריקה באפריל 2026 הציגה החברה את המשך פיתוח הצמתים שלה עד 2029, כולל A14, A13, A12 ו-N2U. לפי הדיווחים, TSMC מכוונת כיום למסלול כפול: צמתים שמיועדים בעיקר לשוקי לקוח כמו סמארטפונים ומחשבים, וצמתים בעלי ביצועים גבוהים יותר שמיועדים ל-AI ולמחשוב עתיר ביצועים. A16 ו-A12, למשל, מכוונים לעומסי AI ומרכזי נתונים, עם דגש על שיפור אספקת ההספק והביצועים. (Tom's Hardware)

מבחינת TSMC, שיתופי פעולה עם חברות EDA הם חלק מרכזי ממודל Open Innovation Platform שלה. לפי החברה, ברית ה-EDA נועדה להפחית חסמי תכנון עבור לקוחות המאמצים תהליכי ייצור חדשים, באמצעות התאמה מוקדמת של כלי התכנון לדרישות הטכנולוגיות של TSMC. במילים פשוטות, ככל שהמפעל מתקדם לצמתים צפופים ומורכבים יותר, יצרני הכלים חייבים להיות מעורבים מוקדם יותר כדי שלקוחות יוכלו להוציא לשוק שבבים עובדים בזמן סביר. (tsmc.com)

המהלך של סימנס ו-TSMC משקף שינוי רחב בתעשיית השבבים: בינה מלאכותית אינה רק יעד לשבבים חדשים, אלא גם כלי מרכזי בתהליך התכנון שלהם. שבבי AI דורשים ארכיטקטורות מורכבות, אריזות מתקדמות, ניהול הספק הדוק ותהליכי אימות כבדים. לכן, יצרני כלי התכנון מנסים להפוך את ה-AI לשכבת אוטומציה שמלווה את המהנדס לאורך כל מחזור הפיתוח. אם הגישה תצליח, היא עשויה לקצר את הזמן משלב התכנון ועד הייצור, לצמצם טעויות, ולהקל על חברות שבבים לנצל את הצמתים המתקדמים ביותר של TSMC.

הפוסט סימנס ו-TSMC משלבות בינה מלאכותית בתכנון שבבים לדורות הייצור הבאים הופיע לראשונה ב-Chiportal.

קיידנס וגוגל הודיעו על שיתוף פעולה שנועד להכניס יכולות של בינה מלאכותית סוכנתית אל תוך תהליכי תכנון ואימות שבבים. במסגרת המהלך, מודלי Gemini של גוגל ישולבו ב־Cadence ChipStack AI Super Agent, הפועל על גבי Google Cloud וזמין דרך Google Cloud Marketplace. ההכרזה פורסמה ב־15 באפריל 2026, ומצטרפת להשקת ChipStack עצמה מוקדם יותר השנה. (cadence.com)

המהלך אינו משנה את העובדה שתכנון שבבים נותר תהליך הנדסי מורכב, ארוך ויקר. שבב מודרני כולל מיליארדי ולעיתים עשרות מיליארדי טרנזיסטורים, ודורש שלבים רבים של כתיבת תיאור חומרה, בניית סביבת בדיקה, אימות פונקציונלי, ניהול רגרסיות, איתור שגיאות והכנה למסירה לייצור. לפי דיווח רויטרס מפברואר 2026, קיידנס הציגה את ChipStack ככלי שמנסה להתמודד בדיוק עם צוואר הבקבוק הזה, כאשר מהנדסים מקדישים חלק גדול מזמנם לכתיבה ובדיקה של קוד תכנון.

במקום להציג את הבינה המלאכותית כתחליף מלא למהנדסי שבבים, נכון יותר לראות את ChipStack כשכבת תזמור מעל כלי ה־EDA הקיימים של קיידנס. הסוכן אמור לפרש משימות, להפעיל כלי תכנון ואימות, לבנות בדיקות, לנהל רגרסיות ולסייע באיתור באגים. קיידנס מכנה את הארכיטקטורה הזו Mental Model: מנגנון שנועד לעגן את פעולת מודל השפה בתוך היכולות והכללים של כלי ה־EDA, כדי לצמצם את הסיכון לתוצרים לא מדויקים שמקורם במודל שפה בלבד.

שילוב Gemini מוסיף לשכבה הזו יכולות הנמקה ושפה טבעית מצד גוגל, לצד תשתית ענן גמישה להרצת עומסי עבודה כבדים. מבחינת חברות שבבים, המשמעות האפשרית היא לא “כפתור קסם” שמייצר שבב שלם, אלא סביבת עבודה שבה חלק מהמשימות החוזרות והמתישות בתכנון ובאימות יכולות להתבצע באופן אוטומטי יותר. קיידנס טוענת לשיפור של עד פי 10 בפרודוקטיביות בתחומים כמו תכנון דיגיטלי, פיתוח testbench, תכנון אימות, ניהול רגרסיות ואיתור שגיאות אוטומטי. חשוב להדגיש כי מדובר בנתון של החברה, ולא במדד עצמאי אחיד לכל סוגי הפרויקטים.

החשיבות של ההכרזה נובעת מהלחץ הגובר על תעשיית השבבים. הביקוש למעבדי AI, שבבי תקשורת, מערכות לרכב, מרכזי נתונים ומחשוב קצה מגדיל את המורכבות ההנדסית, בזמן שמספר מהנדסי התכנון המנוסים אינו גדל באותו קצב. לכן, גם שיפור חלקי בתהליכי אימות ודיבוג עשוי להיות בעל ערך כלכלי ניכר, משום שכל עיכוב בתכנון עלול לדחות tape-out ולייקר את הדרך לשבב עובד.

עם זאת, האתגר המרכזי יהיה מבחן האמון. בתכנון שבבים, טעות שלא מתגלה בזמן עלולה להוביל לסבב ייצור חוזר בעלות גבוהה מאוד. לכן, אימוץ של סוכני AI בתהליכי EDA צפוי להיות הדרגתי, תחילה במשימות מוגדרות היטב ובפיקוח מהנדסים, ורק לאחר מכן בשלבים רגישים יותר של התכנון. ההכרזה של קיידנס וגוגל מצביעה על כיוון ברור בתעשייה: בינה מלאכותית לא רק תרוץ על שבבים חדשים, אלא תשתתף יותר ויותר גם בתכנון הדורות הבאים שלהם.

הפוסט קיידנס וגוגל משלבות את Gemini בתכנון שבבים בעזרת סוכני AI הופיע לראשונה ב-Chiportal.