הבינה המלאכותית הגנרטיבית התחילה מבחינת רוב המשתמשים כחלון צ’אט. אבל מבחינת תעשיית השבבים, הצ’אטבוטים היו רק השלב הראשון. בסימפוזיון הטכנולוגיות של TSMC באירופה הוצגה תמונה רחבה יותר: AI מתקדמת מהענן וממרכזי הנתונים אל הקצה, אל מכוניות, רובוטים, מכונות תעשייתיות וחיישנים. כל מעבר כזה אינו רק שדרוג תוכנה, אלא קפיצת מדרגה בדרישות החומרה.

כריס תומאס, נשיא TSMC Europe, תיאר את ה-AI כטכנולוגיה שמתפשטת במקביל בענן, במרכזי נתונים ובקצה. לפי סיכום דבריו, ההתפשטות הזו דורשת “צפיפות מחשוב קיצונית, רוחב פס גבוה ויעילות הספק”. זהו למעשה קיצור של האתגר כולו: יותר חישוב, יותר נתונים, ופחות אנרגיה לכל פעולה.

שלב ראשון: צ’אטבוטים וכלכלת הטוקנים

השלב הראשון של הגל הנוכחי הוא הצ’אטבוט. כאן צוואר הבקבוק המרכזי הוא ייצור טוקנים: כמה מהר המודל עונה, כמה עולה כל תשובה, וכמה זיכרון נדרש כדי לשמור את ההקשר. ככל שהמודלים גדלים וחלונות ההקשר מתארכים, עולה החשיבות של HBM, רוחב פס לזיכרון, רשתות מהירות בין מאיצים ואריזות מתקדמות.

בשלב הזה המדד אינו רק ביצועי שיא של GPU יחיד. מרכזי נתונים נמדדים יותר ויותר בטוקנים לוואט, טוקנים לדולר, ניצול מערכת וזמן הגעה לייצור. לכן תעשיית השבבים עוברת מחשיבה על שבב בודד לחשיבה על מערכת שלמה: מאיץ, זיכרון, רשת, קירור, תוכנה ואריזה.

שלב שני: Agentic AI הופך תשובה לתהליך עבודה

השלב השני הוא Agentic AI — בינה מלאכותית סוכנית. כאן המערכת אינה מסתפקת בתשובה אחת. היא מפרקת משימה לשלבים, מפעילה כלים, בודקת תוצאות, מתקנת שגיאות וממשיכה לפעול לאורך זמן. מבחינת המחשוב, שאילתה אחת יכולה להפוך לעשרות פעולות משנה: קריאות למודלים, קוד, חיפוש, גישה למסדי נתונים, בדיקות והרצות חוזרות.

לכן Agentic AI מחזיר למרכז הבמה גם את המעבדים הכלליים, את מערכות האחסון ואת שכבות התזמור. לא מדובר רק בעוד עומס על GPU, אלא במפעל AI שמנהל תהליכים מתמשכים.

הדוגמה של Siemens ו-TSMC ממחישה שהשינוי הזה נכנס גם לתכנון השבבים עצמו. סימנס תיארה את מערכת Fuse EDA AI כ-Agentic AI ייעודי לתעשיית השבבים, שנועד לבצע “אוטומציות מרובות-שלבים ומרובות-כלים” סביב אימות פיזי, תיקון הפרות DRC וגישה מהירה למידע תכנוני. אנקור גופטה, סגן נשיא בכיר ב-Siemens EDA, אמר כי השילוב עם טכנולוגיות הייצור של TSMC מסייע ללקוחות להגיע ל“רמות חדשות של מהירות, דיוק וביטחון בתכנון”.

גם מצד TSMC הודגש הקשר בין AI לבין יעילות אנרגטית. אביק סרקר מ-TSMC אמר כי ההתקדמות המשותפת בכלי EDA מבוססי AI מסייעת לקדם “חדשנות שבבים יעילה אנרגטית” בעידן ה-AI.

שלב שלישי: Physical AI יוצא מהדאטה סנטר

השלב השלישי הוא Physical AI — בינה מלאכותית שפועלת בעולם הפיזי. כאן מדובר ברכבים אוטונומיים, רובוטים תעשייתיים, מכונות ייצור, מערכות לוגיסטיקה, ציוד רפואי וחיישנים חכמים. בשונה מצ’אטבוט, מערכת כזו אינה יכולה תמיד להמתין לענן. היא צריכה לראות, להבין, להחליט ולפעול בזמן אמת, תחת מגבלות הספק, חום ובטיחות.

ז’אן-מארק שרי, מנכ”ל STMicroelectronics, הציג בסימפוזיון את Physical AI כדוגמה להתכנסות בין תחומים שבעבר נראו שונים: רכב חשמלי, רובוטיקה תעשייתית וממשקי אדם-מכונה. בשלושתם מופיעים אותם רכיבים מערכתיים: מחשוב מרכזי, בקרה אזורית, חיישנים, דרייברים, מיקרו-בקרים ורכיבי הספק.

המשמעות היא ש-Physical AI אינו שוק של מאיצים בלבד. הוא דורש גם חיישנים, רכיבי הספק, SiC ו-GaN, בקרים, תקשורת, תוכנה משובצת ומודלים יעילים בקצה. בענן מאמנים ומדמים. בקצה מקבלים החלטות.

ג’נסן הואנג מאנבידיה ניסח זאת בשיחת הוועידה של החברה בצורה חדה: “The world is rebuilding computing for Agentic AI and robotic physical AI.” כלומר, לא מדובר בעוד מחזור שדרוג רגיל של מחשבים, אלא בבנייה מחדש של שכבת המחשוב סביב דפוסי שימוש חדשים.

המסקנה: AI הופך לארכיטקטורת מערכת

שלושת השלבים אינם מחליפים זה את זה. הם מצטרפים זה לזה. צ’אטבוטים ימשיכו לדרוש מרכזי נתונים עצומים וזיכרון מהיר. Agentic AI יוסיף עומסי תזמור, CPU, אחסון ואבטחה. Physical AI יוסיף אתגרי זמן אמת, חישה, אמינות והספק בקצה.

לכן קפיצת המדרגה הבאה ב-AI לא תימדד רק בגודל המודל. היא תימדד ביכולת לבנות מערכת מלאה: שבבים מתקדמים, זיכרון קרוב, אריזות תלת-ממדיות, קישוריות אופטית, רכיבי הספק, תוכנה, קירור ויכולת ייצור בהיקף גדול. עבור תעשיית השבבים, זהו מעבר ממירוץ על טרנזיסטורים למירוץ על ארכיטקטורה מערכתית שלמה.

הפוסט מצ’אטבוטים לרובוטים: שלוש קפיצות המחשוב של עידן ה-AI 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.