משרד המסחר האמריקני הקל באופן משמעותי את מגבלות היצוא לאיחוד האמירויות, והעניק לממשלת המדינה ולחברות מאושרות אפשרות לקבל מארצות הברית שבבי בינה מלאכותית מתקדמים ושרתים ללא צורך ברישיון יצוא פרטני. ההחלטה עשויה להאיץ את הקמתם של מרכזי נתונים גדולים באמירויות ולחזק את מעמדה כמרכז אזורי לתשתיות בינה מלאכותית.

במסגרת השינוי העביר משרד המסחר את איחוד האמירויות לקבוצת המדינות A:5 בתקנות מינהל היצוא האמריקניות, EAR. חברות וממשלות בקבוצה זו יכולות להשתמש בפטור המכונה Strategic Trade Authorization, או STA, לצורך יצוא, יצוא מחדש והעברה מקומית של פריטים מסוימים הנתונים לפיקוח אמריקני. בין היתר מדובר בציוד בעל שימוש צבאי או דו־שימושי, לוויינים מסחריים, חלליות וטכנולוגיות המשמשות בתעשיות האנרגיה, ההתפלה והגרעין האזרחי.

במקביל, ובהתאם למסגרת שיתוף הפעולה בתחום הבינה המלאכותית שנחתמה בין ארצות הברית לאמירויות במאי 2025, אישר משרד המסחר לממשלת האמירויות ולחברות מסוימות לקבל ללא רישיון פרטני גם רכיבי מחשוב מתקדם, ובהם שבבי AI ושרתים. ההקלה אינה חלה אוטומטית על כל חברה הפועלת במדינה, אלא על גופים שאושרו בידי הממשל האמריקני ובכפוף להתחייבויות בתחום אבטחת הטכנולוגיה ומניעת העברתה לגורמים בלתי מורשים.

בין החברות האמירתיות הזכאיות למסלול החדש נמצאות G42 והחברה הבת Core42. גם ענקיות טכנולוגיה אמריקניות ופעילויותיהן באמירויות צפויות ליהנות מהפטור, ובהן אמזון, אפל, גוגל, מטא, מיקרוסופט, OpenAI, אורקל ו־xAI. משרד המסחר הודיע גם כי בקשות של חברת ההשקעות האמירתית MGX לקבלת שבבים ושרתים ייבחנו בגישה חיובית, אך לא העניק לה בשלב זה פטור גורף.

מעמד שאינו ניתן כיום לישראל

איחוד האמירויות הופכת למדינה היחידה בקבוצת A:5 שאינה חברה באחד ממשטרי הפיקוח הרב־לאומיים על יצוא טכנולוגיות רגישות. רוב המדינות בקבוצה הן חברות נאט״ו או בעלות ברית ותיקות אחרות של ארצות הברית.

רויטרס מציינת כי ישראל וסעודיה אינן נכללות בקבוצת A:5. המשמעות אינה שיצוא שבבי בינה מלאכותית לישראל נאסר, אלא שישראל אינה נהנית מהפטורים החדשים ומהמסלול המועדף שניתן לאמירויות. הדרישה לרישיון תלויה בסוג השבב, בזהות המשתמש הסופי, בשימוש המתוכנן ובסיווג המוצר בתקנות היצוא האמריקניות.

הפער הרגולטורי עשוי להפוך לשיקול בתחרות האזורית על הקמת מרכזי נתונים ומתקני אימון למודלים גדולים. בעוד שחברות הפועלות בישראל עשויות להידרש במקרים מסוימים לעבור הליכי רישוי ובדיקה, חברות מאושרות באמירויות יוכלו לקבל שבבים ושרתים במסלול מהיר יותר. זמינות ודאות של מאיצי AI היא גורם מרכזי בהחלטות על מיקום מרכזי נתונים, לצד עלויות חשמל, קרקע, קירור, קישוריות ומימון.

לאמירויות כבר יש תוכניות רחבות להקמת תשתיות AI. פרויקט Stargate UAE באבו דאבי אמור להתחיל בקיבולת של 200 מגה־ואט ולהשתלב במתחם מתוכנן בהספק של עד 5 ג׳יגה־ואט. בפרויקט מעורבות G42, OpenAI, אורקל, אנבידיה, סיסקו וסופטבנק, והוא צפוי להשתמש במערכות המבוססות על מעבדי Grace Blackwell של אנבידיה.

ההחלטה הנוכחית הופכת את ההסכמות המדיניות למנגנון רגולטורי מעשי: במקום לקבל אישור נפרד לכל משלוח, גופים מאושרים יוכלו להכניס למדינה תשתיות מחשוב מתקדמות במסגרת הפטור. בתמורה התחייבה ממשלת האמירויות להמשיך להשקיע בתשתיות דיגיטליות ובינה מלאכותית בארצות הברית, בהיקף התואם להשקעות האמריקניות באמירויות.

החשש: זליגת טכנולוגיה לסין

ההקלות מעוררות גם ביקורת בוושינגטון בשל קשריהן הקודמים של חברות אמירתיות עם סין. G42 הייתה בעבר קשורה לחברות סיניות, ובהן וואווי, אך הודיעה כי צמצמה קשרים אלה כדי להעמיק את שיתוף הפעולה עם חברות אמריקניות.

מבקרי ההחלטה חוששים ששבבים אמריקניים מתקדמים או ידע שנצבר באמצעותם עלולים להגיע בעקיפין לגופים סיניים. הסנאטורית הדמוקרטית אליזבת וורן טענה כי הענקת גישה ללא רישיון ל־G42 יוצרת סיכון לביטחון הלאומי, במיוחד לנוכח מעורבותם העסקית של גורמים מאיחוד האמירויות בחברות ובמיזמים אמריקניים.

משרד המסחר הצדיק את ההחלטה בשיתוף הפעולה הביטחוני והכלכלי המתהדק בין שתי המדינות ובהתחייבות האמירויות למנוע שימוש לרעה בטכנולוגיה אמריקנית. לפי המשרד, ההקלה נועדה גם לחזק את מעמדן של חברות אמריקניות בשוק העולמי מול חלופות מסין.

מבחינת ישראל, ההתפתחות מעלה שאלה רחבה יותר מהליכי רישוי בלבד: האם המעמד המועדף שניתן לאמירויות ימשוך אליה השקעות במרכזי נתונים ובתשתיות מחשוב שהיו יכולות להגיע לישראל. בשלב זה לא פורסמה תגובה ישראלית רשמית להחלטה, ולא ידוע אם ישראל פועלת לקבל מעמד דומה או הסדר דו־צדדי נפרד.

הפוסט ארה״ב מעניקה לאמירויות מסלול מועדף ליבוא שבבי AI – ישראל נותרת מחוץ לקבוצת הפטור 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.

חברת DriveNets הישראלית מרחיבה את פעילותה בתחום תשתיות הבינה המלאכותית ומשיקה שתי פלטפורמות תקשורת חדשות, DriveNets 2600SL ו־DriveNets 2601S, המיועדות להקמת אשכולות מחשוב גדולים המבוססים על מעבדים ומאיצים מסוגים שונים.

שתי הפלטפורמות מבוססות על שבב המיתוג Tomahawk 6 של ברודקום ומציעות קיבולת כוללת של 102.4 טרה־ביט לשנייה. המערכות כוללות 64 חיבורים בקצב של עד 1.6 טרה־ביט לשנייה לכל חיבור, וניתן להגדיר אותן גם למספר גדול יותר של חיבורים בקצבים נמוכים יותר.

Tomahawk 6 הוצג בידי ברודקום כשבב מיתוג Ethernet למרכזי נתונים, בעל קיבולת כפולה מזו של הדור שקדם לו ומיועד לרשתות המחברות מספר גדול מאוד של מאיצי AI.

DriveNets מסרה כי המערכות יהיו זמינות למשלוח ברבעון השלישי של 2026. דגם 2601S יתבסס על קירור אוויר, ואילו דגם 2600SL יציע קירור נוזלי מלא. המעבר לקירור נוזלי נעשה משמעותי יותר ככל שצפיפות ההספק בארונות השרתים עולה וככל שמרכזי הנתונים מנסים לצמצם את צריכת החשמל של מערכות הקירור.

הפלטפורמות מיועדות לתמוך בכמה שכבות של רשתות AI: חיבור בין מאיצים בתוך אשכולות, חיבור בין אשכולות, וכן קישור למערכות אחסון ולרשת הקדמית של מרכז הנתונים. לדברי החברה, ניתן לפרוס באמצעותן רשתות הכוללות מאות ועד מאות אלפי יחידות עיבוד מסוג XPU – מונח כללי הכולל מעבדים גרפיים, מאיצי AI ומעבדים ייעודיים אחרים.

האתגר המרכזי בתשתיות כאלה אינו רק כוח החישוב של כל מאיץ, אלא היכולת להעביר במהירות נתונים בין אלפי מאיצים. כאשר הרשת אינה עומדת בעומס, מעבדים יקרים נותרים ללא עבודה בזמן שהם ממתינים למידע.

"המשאב היקר ביותר בעולם כיום שעומד ללא שימוש הוא מעבד XPU שממתין לרשת התקשורת שתעביר לו מידע", אמר עידו סוסן, מנכ"ל ומייסד שותף ב־DriveNets. לדבריו, הפלטפורמות נועדו לשפר את ניצול המאיצים ואת היעילות האנרגטית של אשכולות AI.

DriveNets מקדמת ארכיטקטורה פתוחה המבוססת על Ethernet, המאפשרת לשלב מאיצים, כרטיסי רשת ורכיבים של ספקים שונים. בכך היא מתחרה הן ביצרניות ציוד רשת מסורתיות והן במערכות סגורות המשלבות מאיצים ותקשורת של ספק יחיד.

ההשקה מגיעה לאחר שהחברה הודיעה על גיוס של 410 מיליון דולר, שנועד בין היתר להרחיב את פעילותה בשוק רשתות התקשורת למרכזי AI.

הפוסט DriveNets משיקה פלטפורמות תקשורת בקצב 102.4 טרה־ביט לשנייה לתשתיות AI הופיע לראשונה ב-Chiportal.

מארוול טכנולוגיות דיווחה על הכנסות שיא של 2.418 מיליארד דולר ברבעון הראשון של שנת הכספים 2027. מדובר בעלייה של 28% לעומת הרבעון המקביל אשתקד ושל 9% לעומת הרבעון הקודם. התוצאות ממחישות את השינוי שמתרחש בשוק השבבים סביב בינה מלאכותית: הצמיחה אינה מתרכזת רק במאיצים ובמעבדים הגרפיים, אלא גם בשכבות התשתית שמאפשרות למרכזי הנתונים להעביר, לנתב ולעבד כמויות מידע גדלות בקצבים גבוהים יותר.

ברמת הרווחיות, מארוול דיווחה על רווח נקי GAAP של 34.5 מיליון דולר, או 0.04 דולר למניה בדילול מלא. במונחי Non-GAAP דיווחה החברה על רווח נקי של 718 מיליון דולר, או 0.80 דולר למניה בדילול מלא. תזרים המזומנים מפעילות שוטפת הגיע ל־638.8 מיליון דולר, שיא רבעוני עבור החברה.

הנתון המרכזי בדוחות הוא המשך ההתרחבות של עסקי הדאטה סנטר. הכנסות התחום הגיעו לכ־1.833 מיליארד דולר, עלייה של 27% לעומת השנה שעברה ושל 11% לעומת הרבעון הקודם. תחום זה היווה ברבעון כ־76% מהכנסות החברה. לפי מארוול, הביקוש מונע על ידי הצורך בקישוריות מהירה יותר בין שרתים, מאיצים, זיכרון ורשתות, לצד פתרונות אופטיים ומתגי Ethernet לדאטה סנטרים גדולים.

לא רק מאיצי AI

הדוחות של מארוול מצטרפים למגמה רחבה יותר בתעשייה: ככל שמודלי AI ומרכזי הנתונים שמריצים אותם גדלים, נוצר צוואר בקבוק סביב תנועת הנתונים עצמה. מערכות AI גדולות דורשות חיבור מהיר בין אלפי ולעיתים עשרות אלפי רכיבי חישוב. לכן, לצד הביקוש למאיצי AI, עולה גם הביקוש לרכיבי אופטיקה, מיתוג, Ethernet, DCI ופתרונות מותאמים אישית.

מאט מרפי, יו"ר ומנכ"ל מארוול, אמר כי החברה רשמה ברבעון הכנסות שיא של 2.418 מיליארד דולר, וצופה הכנסות של כ־2.7 מיליארד דולר ברבעון השני. לדבריו, החברה רואה הזמנות חריגות הקשורות ל־AI, ולכן מעלה את תחזית ההכנסות לשנות הכספים 2027 ו־2028.

בין התחומים שמארוול מציינת כמנועי צמיחה נמצאים אופטיקה בקצבי 800G ו־1.6T לתשתיות Scale-out, מתגי Ethernet בקצב 51.2T, פתרונות אופטיים ל־Scale-up, מודולי קישוריות בין מרכזי נתונים, וכן פתרונות Custom XPU ו־XPU-attach.

רכישות לחיזוק פלטפורמת ה־AI

במהלך הרבעון השלימה מארוול את רכישת Celestial AI ואת רכישת XConn Technologies. שתי הרכישות משתלבות באסטרטגיה של החברה להרחיב את יכולותיה סביב קישוריות מתקדמת ותשתיות AI. בנוסף, החברה הודיעה לאחרונה על רכישת Polariton Technologies, שנועדה לחזק את פעילותה בתחום האופטיקה המתקדמת.

מארוול גם הודיעה על שיתוף פעולה אסטרטגי עם אנבידיה בתחומי אופטיקה, NVLink Fusion ו־AI-RAN. שיתוף הפעולה מציב אותה באחד האזורים הצומחים של שוק הדאטה סנטרים: החיבור בין תשתיות חישוב, תקשורת מהירה ורשתות מבוססות AI.

תחזית גבוהה יותר ל־2027 ו־2028

מארוול צופה כי ההכנסות ברבעון השני של שנת הכספים 2027 יעמדו על כ־2.7 מיליארד דולר, עם סטייה אפשרית של 5% למעלה או למטה. לפי נקודת האמצע של התחזית, מדובר בצמיחה של כ־35% לעומת השנה שעברה. החברה מעריכה כי קצב הצמיחה ימשיך להאיץ לאורך שנת הכספים 2027.

בנוסף, מארוול עדכנה כלפי מעלה את התחזית לשנת הכספים 2028 וצופה הכנסות של כ־16.5 מיליארד דולר, כ־1.5 מיליארד דולר מעל התחזית הקודמת. החברה מעריכה כי עסקי הדאטה סנטר יובילו את ההאצה, וכי תחום הקישוריות יצמח בקצב גבוה במיוחד.

במבט קדימה, מארוול מציינת ביקוש חזק ל־800G PAM4, האצה של פתרונות 1.6T בתשתיות Scale-out, צפי להכנסות שנתיות של יותר ממיליארד דולר בתחום רכיבי TIA ו־Driver בתוך כמה רבעונים, והתקדמות במודולי DCI ובפתרונות Switching לדאטה סנטרים.

התמונה שעולה מהדוחות היא של חברה שמנסה למצב את עצמה כספקית תשתית מרכזית בעידן ה־AI, לא דרך המאיץ עצמו בלבד אלא דרך שכבות הקישוריות, האופטיקה והמיתוג שמאפשרות למערכות AI גדולות לפעול בקנה מידה רחב.

הפוסט מארוול מדווחת על הכנסות שיא: תשתיות AI ממשיכות להזיז את מרכז הכובד של שוק השבבים הופיע לראשונה ב-Chiportal.

אנבידיה פרסמה תוצאות שיא לרבעון הרביעי של שנת הכספים 2026, שהסתיים ב־25 בינואר 2026. החברה דיווחה על הכנסות של 68.1 מיליארד דולר ברבעון, עלייה של 20% לעומת הרבעון הקודם ועלייה של 73% לעומת הרבעון המקביל אשתקד. בסיכום השנה כולה הגיעו ההכנסות ל־215.9 מיליארד דולר, עלייה של 65% לעומת שנת הכספים הקודמת.

המנוע המרכזי של הצמיחה היה שוב תחום מרכזי הנתונים. הכנסות החטיבה הגיעו ברבעון ל־62.3 מיליארד דולר, עלייה של 75% לעומת השנה שעברה. בסיכום שנתי הגיעו הכנסות מרכזי הנתונים ל־193.7 מיליארד דולר. המשמעות היא שרוב מוחלט של פעילות אנבידיה כבר אינו מגיע מכרטיסים גרפיים לצרכנים, אלא ממערכות חישוב, מאיצים, רשתות ותשתיות למרכזי נתונים של בינה מלאכותית.

גם הרווחיות נותרה חריגה. שיעור הרווח הגולמי לפי GAAP עמד ברבעון על 75%, והרווח המדולל למניה לפי GAAP הגיע ל־1.76 דולר. שיעור רווחיות כזה מצביע על ביקוש גבוה, על יתרון טכנולוגי ועל יכולת תמחור חזקה בשוק שבו לקוחות הענן וחברות הבינה המלאכותית ממשיכות לרכוש כמויות גדולות של חומרה.

הנתונים ממחישים את עומק השינוי שעברה אנבידיה. החברה, שהייתה מזוהה במשך שנים עם כרטיסים גרפיים לגיימרים ולתחנות עבודה, הפכה לספקית תשתית מרכזית של מהפכת הבינה המלאכותית. תחום הגיימינג עדיין צמח, אך הוא כבר משני בהיקפו לעומת פעילות מרכזי הנתונים. לפי ניתוח Tom’s Hardware, תחום הגיימינג היווה בשנת הכספים 2026 רק כ־11.45% מהכנסות החברה.

לצד המאיצים הגרפיים, אנבידיה מוכרת כיום מערכות שלמות הכוללות שבבים, רשתות, תוכנה וארכיטקטורות שרתים. כך היא נהנית לא רק ממכירת שבב בודד, אלא מהקמת שכבה שלמה בתשתית ה־AI. המגמה הזו בולטת במיוחד במעבר של השוק מאימון מודלים גדולים להרצתם בפועל, תהליך שמגדיל את הצורך במערכות חישוב יעילות, מהירות וחסכוניות יותר באנרגיה.

התוצאות גם מצמצמות, לפחות בטווח הקצר, את החשש מפני האטה חדה בביקוש לתשתיות בינה מלאכותית. לפי דיווחים כלכליים, החברה עקפה את תחזיות האנליסטים והציגה תחזית הכנסות של כ־78 מיליארד דולר לרבעון הבא. תחזית זו מצביעה על כך שהלקוחות הגדולים עדיין ממשיכים להשקיע בבניית מרכזי נתונים חדשים ובשדרוג תשתיות קיימות.

עם זאת, התלות של אנבידיה בשוק מרכזי הנתונים יוצרת גם ריכוז סיכונים. האטה בהשקעות הענן, מגבלות יצוא, תחרות מצד שבבים ייעודיים של ענקיות טכנולוגיה, או לחץ על מחירי המאיצים עלולים להשפיע על קצב הצמיחה בעתיד. בשלב זה, הנתונים מלמדים כי הביקוש עדיין חזק מאוד, אך גם כי החברה תלויה יותר מאי פעם בהמשך ההתרחבות של תשתיות הבינה המלאכותית.

בסיכום הרבעון והשנה, אנבידיה מציגה תמונה ברורה: הבינה המלאכותית אינה עוד תחום צומח בתוך החברה, אלא ליבת פעילותה. ההכנסות, הרווחיות והתחזית קדימה מציבים אותה במרכז שרשרת הערך של תעשיית ה־AI, משבבים ורשתות ועד מערכות מחשוב שלמות למרכזי נתונים.

הפוסט אנבידיה מסכמת שנת שיא עם הכנסות של 216 מיליארד דולר הופיע לראשונה ב-Chiportal.

חברת Niv-AI מתל אביב יוצאת מהפיתוח החשאי ומדווחת על גיוס סיד בהיקף של 12 מיליון דולר, במהלך שממקם אותה באחד מצווארי הבקבוק המרכזיים של עידן ה־AI: הפער בין עוצמת החישוב של מאיצי GPU לבין היכולת לספק להם חשמל באופן יעיל, מדויק ורציף. את הסבב הובילו Glilot Capital Partners ו־Grove Ventures, ובהשתתפות הקרנות האמריקאיות Arc VC, Encoded VC, Leap Forward ו־Aurora Capital Partners. לפי החברה, ההון ישמש להשקת פלטפורמת Power-Compute AI Stack, להרחבת צוות הפיתוח ולהקמת מעבדת מחקר בתל אביב שתדמה עומסי AI בתנאי חשמל מציאותיים.

הבעיה ש־Niv-AI מנסה לפתור אינה מחסור כללי בחשמל, אלא חוסר היכולת של מפעילי מרכזי נתונים להבין מהי צריכת החשמל האמיתית של עומסי AI. בניגוד לעומסי מחשוב מסורתיים, מאיצי GPU מודרניים מאופיינים בזינוקים חדים ומהירים מאוד בצריכת ההספק, לעיתים בפרקי זמן קצרים כל כך שמערכות הניטור הסטנדרטיות כלל אינן “רואות” אותם. התוצאה היא שמפעילי דאטה־סנטרים נערכים תמיד לתרחיש הקיצון, רוכשים קיבולת חשמל גבוהה יותר מזו שנחוצה בפועל, אך אינם מצליחים לנצל אותה באופן מלא. לפי החברה, לעיתים מדובר בכ־20%–30% מקיבולת החשמל שנותרת “כלואה” ובלתי מנוצלת.

כדי להתמודד עם הפער הזה פיתחה החברה שכבת מדידה ייעודית, המבוססת על חיישני הספק בתדר גבוה, שמסוגלים ללכוד את התנודות המהירות בצריכת החשמל של עומסי AI. על בסיס הנתונים האלה מייצרת המערכת פרופיל צריכה לכל יישום, מעין “חתימה אנרגטית” או “טביעת אצבע חשמלית”, ולאחר מכן מפעילה שכבת תוכנה שאמורה לתאם בזמן אמת בין עומסי החישוב לבין אספקת האנרגיה. במקום להאט את ה־GPU או “לחנוק” את הביצועים, המערכת מנסה להחליק את צריכת ההספק באמצעות הסטה מדורגת של עומסי העבודה, כך שניתן יהיה לנצל טוב יותר את התשתית הקיימת בלי לפגוע בתפוקה.

זהו ניסיון לגעת בבעיה שהופכת למרכזית יותר ויותר ככל שמרכזי AI גדלים. בשנים האחרונות הדיון סביב תשתיות בינה מלאכותית מתמקד לא רק בביצועי המעבדים או בזמינות של שבבים מתקדמים, אלא גם בעלות האנרגטית של הרצת המודלים. Niv-AI מבקשת לתפוס נישה שנמצאת בדיוק בתפר שבין תוכנה, חומרה ופיזיקה יישומית: לא עוד כלי לניהול עומסים בלבד, ולא עוד רכיב חשמלי, אלא מערכת בקרה מלאה שמחברת בין רשת החשמל לבין עומס ה־AI עצמו.

החברה הוקמה במאי 2025 בידי המנכ"ל תומר טימור וה־CTO אדוארד קיציס. לפי הדיווחים, השניים הם יוצאי יחידה 81 וסיירת מטכ"ל, ובצוות החברה עובדים מומחים בפיזיקה יישומית, הנדסת חשמל וארכיטקטורת מערכות מורכבות. בחברה מציגים את היתרון המרכזי שלה כיכולת לאחד באותו פתרון מומחיות מתחומי התשתיות החשמליות, שכבת ה־bare metal, עומסי ה־AI ומדידה פיזיקלית ברזולוציה גבוהה.

אם הטכנולוגיה של Niv-AI אכן תעמוד בהבטחה, היא עשויה לאפשר למפעילי דאטה־סנטרים להפיק יותר תפוקה מהקיבולת שכבר נרכשה והותקנה, במקום להמשיך ולהגדיל תשתיות חשמל בקצב יקר ואיטי. בעולם שבו כל GPU נחשב משאב יקר וכל מגה־ואט הפך למשאב אסטרטגי, לא בטוח שהמרוץ הבא יהיה רק על עוד שבבים — אלא על מי יידע להוציא מהם יותר, בלי לשלם בעודף על חשמל שלא באמת מנוצל.

הפוסט Niv-AI גייסה 12 מיליון דולר לפתרון צוואר הבקבוק האנרגטי של מרכזי AI הופיע לראשונה ב-Chiportal.

אפל, יחד עם Alibaba Cloud ו-Synopsys, הצטרפה לקונסורציום Ultra Accelerator Link (UALink) ונבחרה כחברה במועצת המנהלים שלו. ההודעה פורסמה זמן קצר לפני אישור התקן UALink 1.0 הצפוי ברבעון הראשון של 2025. התקן נועד לקדם חדשנות בקישוריות של מאיצי בינה מלאכותית (AI) ומחשוב עתיר ביצועים (HPC), ומהווה מתחרה ישיר לטכנולוגיית NVLink של אנבידיה.

מהו UALink?
UALink הוא תקן תעשייתי חדש, שנועד לאפשר חיבור של עד 1,024 מאיצים באותה מערכת מחשוב AI, ברשת מהירה במיוחד עם שיהוי נמוך וקצב העברת נתונים של 200 ג'יגה-ביט לשנייה. התקן יאפשר העברת נתונים ישירה בין זיכרונות המחוברים למעבדים, דבר המהווה יתרון משמעותי עבור עומסי עבודה של אימון AI, הדורשים כמות עצומה של נתונים במהירות גבוהה.

השחקנים המרכזיים מאחורי הקונסורציום
UALink זוכה לתמיכה של 65 חברות מובילות בתעשייה, כולל AMD, Broadcom, Cisco, Google, HPE, Intel, Meta ו-Microsoft. חברות אלו, כולן מפתחות בולטות של חומרה ותוכנה לבינה מלאכותית, רואות ב-UALink פתרון לבעיות קישוריות מורכבות בדאטה-סנטרים בקנה מידה גדול.

מעורבות אפל בקונסורציום
הצטרפותה של אפל לקונסורציום מעוררת עניין רב, שכן החברה מעולם לא הכריזה באופן רשמי על פיתוח מאיצי בינה מלאכותית משלה לדאטה-סנטרים. עם זאת, שמועות על כך נפוצו בשנים האחרונות, והצטרפותה ל-UALink עשויה להעיד על כוונותיה בתחום זה. "UALink מבטיח להתמודד עם אתגרי הקישוריות וליצור הזדמנויות חדשות להרחבת יכולות הבינה המלאכותית," ציינה Becky Loop, מנהלת ארכיטקטורת הפלטפורמות באפל. "אפל שמחה להצטרף למועצת המנהלים של הקונסורציום ולהוביל חדשנות בתעשייה."

יתרונות התקן החדש
UALink מתוכנן לשפר את ביצועי התשתיות בענן ולספק פתרונות קישוריות ברוחב פס גבוה, מה שיאפשר למערכות מחשוב מבוססות AI לעמוד בדרישות ההולכות וגדלות. התקן נועד גם להפחית את העלויות הכרוכות בשימוש במאיצי צד שלישי יקרים כמו אלה של Nvidia ו-AMD. עבור חברות כמו אפל, Google ו-Meta, זהו מהלך אסטרטגי שיאפשר להן שליטה רבה יותר בתשתיות שלהן, תוך חיסכון כספי משמעותי.

Alibaba Cloud על חשיבות החיבוריות
Alibaba Cloud, שנחשבת לשחקנית משמעותית בתחום הענן, מצטרפת גם היא לקונסורציום מתוך מטרה לקדם פיתוח מאיצי AI מותאמים אישית. "UALink ממלא תפקיד מרכזי בהגדרת פרוטוקולים לחיבור מאיצי AI, ומקדם חדשנות בתחום," אמר Qiang Liu, סגן נשיא Alibaba Cloud. "היכולת להגדיר צרכים ופתרונות מתוך הפרספקטיבה של יישומים בענן היא בעלת ערך עצום."

Synopsys תומכת בתקן החדש
בניגוד לאפל ו-Alibaba Cloud, Synopsys אינה מפתחת מאיצים בעצמה. עם זאת, החברה נחשבת לאחת המובילות בעולם בפיתוח פתרונות IP לתכנון שבבים. "UALink יספק מענה לדרישות התקשורת והביצועים של דאטה-סנטרים בקנה מידה גדול," אמר Richard Solomon, חבר מועצת המנהלים של הקונסורציום ומנהל מוצר בכיר ב-Synopsys. "אנחנו מחויבים לתרום מהידע שלנו לפיתוח תקנים מהירים שיאפשרו את ארכיטקטורות המאיצים המתקדמות בעולם."

מבט לעתיד
המהלך של אפל, Alibaba Cloud ו-Synopsys מצביע על מגמה רחבה יותר בתעשייה: מעבר לתשתיות AI מותאמות אישית ולשיתוף פעולה בין-תעשייתי במטרה לקדם סטנדרטים פתוחים. עבור אפל, מדובר בצעד אסטרטגי שעשוי להוביל לפיתוח מאיצי AI עצמאיים ולחיזוק מעמדה בתחום הדאטה-סנטרים.

תגים:
UALink, אפל, Alibaba Cloud, Synopsys, מאיצי AI, תקן פתוח, בינה מלאכותית, תשתיות AI, HPC.

כיתוב לתמונה:
Google TPUv4: דוגמה לפתרונות מתקדמים בתחום מאיצי הבינה המלאכותית.

הפוסט אפל מצטרפת לקונסורציום UALink ליצירת תקן פתוח לחיבורי מאיצי AI הופיע לראשונה ב-Chiportal.

ענקית השבבים אנבידיה (NVIDIA) הכריזה על השלמת רכישת חברת הבינה המלאכותית הישראלית Run:ai בעסקה ששוויה 700 מיליון דולר. העסקה, שהוכרזה באפריל 2024, זכתה לאישור רשויות ההגבלים העסקיים של האיחוד האירופי מוקדם יותר החודש, וזאת לאחר שעברה בדיקות מעמיקות שחשפו חששות לתחרותיות השוק. כעת היא זכתה לאישור משרד המשפטים האמריקני.

האיחוד האירופי, אשר בחן את ההשלכות הפוטנציאליות של העסקה, הביע תחילה חשש מפני חיזוק מעמדה הדומיננטי של אנבידיה בשוק המעבדים הגרפיים (GPUs). שוק זה, המשמש בעיקר למשימות בינה מלאכותית, נשלט באופן כמעט מוחלט על ידי אנבידיה, שמחזיקה בכ-80% מהשוק. עם זאת, בדצמבר קבע האיחוד כי העסקה אינה צפויה להעלות חששות משמעותיים לתחרות בשוק ואישר אותה ללא תנאים נוספים. "החלטת האיחוד האירופי מהווה הבעת אמון בכך שהרכישה שלנו את Run:ai תתרום לשוק ותאפשר לנו להמשיך לפתח טכנולוגיות מתקדמות," מסרה אנבידיה בתגובה.

בהודעה רשמית שפירסמה החברה, התייחסו מייסדי Run:ai, רונן דיק וד"ר עמרי גילאי, להשלמת הרכישה. "אנחנו מסכמים פרק יוצא דופן במסע שלנו ומתחילים פרק חדש ומרגש עם הצטרפותנו למשפחת אנבידיה," כתבו. "בעוד צבעי המותג שלנו משתנים, המחויבות שלנו ללקוחות, לשותפים ולאקוסיסטם הבינה המלאכותית נותרת יציבה," הוסיפו. "נמשיך לעזור ללקוחותינו להפיק את המיטב מתשתיות הבינה המלאכותית שלהם ולתמוך בקהילה הגלובלית באמצעות טכנולוגיות מתקדמות."

המייסדים הדגישו גם את התוכניות להרחיב את השפעת החברה באמצעות פתיחת פלטפורמת התוכנה שלה לקוד פתוח. "בעוד שהפלטפורמה כיום תומכת רק במעבדים הגרפיים של אנבידיה, הפיכתה לקוד פתוח תאפשר לנו להנגיש את הטכנולוגיה שלנו לכל תעשיית ה-AI," הם הוסיפו.

Run:ai – סיפור של הצלחה ישראלית
Run:ai נוסדה ב-2018 עם חזון שאפתני: להוביל את מהפכת הבינה המלאכותית ולאפשר לארגונים לנצל את מלוא הפוטנציאל של תשתיות ה-AI שלהם. החברה פיתחה פלטפורמת תוכנה חדשנית המאפשרת לארגונים לייעל את השימוש במשאבי המחשוב שלהם, ובכך להגביר את היעילות והפרודוקטיביות של צוותי ה-AI שלהם. במהלך שש שנות פעילותה, הצליחה Run:ai למשוך לקוחות מרחבי העולם וליצור שיתופי פעולה משמעותיים בתעשייה. החברה זכתה להכרה על פיתוחיה הטכנולוגיים המתקדמים ושימשה כמנוע לשיפור ביצועי AI באקוסיסטם גלובלי.

כחלק מאנבידיה, Run:ai מתכננת להרחיב את המוצר שלה ולהנגישו לקהילה הרחבה. "אנחנו מחויבים להעצים את צוותי ה-AI ברחבי העולם ולתמוך בפלטפורמות ובסביבות עבודה מגוונות," ציינו המייסדים. ההחלטה לפתוח את התוכנה לקוד פתוח נועדה, לדבריהם, לתרום להתפתחות המהירה של תעשיית הבינה המלאכותית ולאפשר לקהילה לפתח יכולות חדשות בקצב מואץ.

רכישת Run:ai מחזקת את מעמדה של אנבידיה כמובילה בתחום המעבדים הגרפיים ובתשתיות ה-AI הגלובליות. GPUs משמשים כמנוע מאחורי מהפכת המחשוב המואץ והבינה המלאכותית, ואנבידיה ממוצבת היטב להוביל את השוק עם פתרונות טכנולוגיים מקיפים. "אנחנו רואים בהצטרפות לאנבידיה הזדמנות יוצאת דופן לפעול יחד למען פתרון האתגרים הגדולים של האנושות," אמרו המייסדים.

בהצהרתם, הדגישו המייסדים את המחויבות לקהילה, לשותפים וללקוחות: "הקמת Run:ai הייתה מסע מדהים, ואנחנו מודים לצוות, למשקיעים וללקוחות שליוו אותנו לכל אורכו. אנחנו נרגשים לקראת הפרק הבא במסע הזה, כחלק מאנבידיה."

הפוסט אנבידיה משלימה את רכישת Run:ai תמורת 700 מיליון דולר הופיע לראשונה ב-Chiportal.