הבום העולמי בבינה מלאכותית ממשיך להזרים ביקושים לשרשרת האספקה הסינית. נתוני המכס של סין לחודש מאי 2026 מצביעים על עלייה של 19.4% ביצוא במונחי דולר לעומת מאי אשתקד, לרמה של כ־376.8 מיליארד דולר. היבוא עלה במקביל ב־27.4% לכ־271.4 מיליארד דולר, אך עודף הסחר של סין עדיין התרחב לכ־105.4 מיליארד דולר. (english.customs.gov.cn)

הנתון הכללי מסתיר שינוי חשוב בהרכב היצוא הסיני: הצמיחה כבר אינה נשענת רק על מוצרי צריכה זולים או תעשיות מסורתיות, אלא יותר ויותר על רכיבים הקשורים לתשתיות מחשוב, תקשורת ואנרגיה. לפי רויטרס, יצוא המעגלים המשולבים מסין זינק במאי בכ־111% לעומת השנה שעברה, ויצוא ציוד עיבוד נתונים אוטומטי — קטגוריה הכוללת מחשבים וציוד שרתים — עלה ב־66.1%. (Reuters)

גם הוול סטריט ג’ורנל ייחס את הזינוק לביקוש העולמי ל־AI, למוצרים ירוקים ולרכיבי שבבים. לפי הדיווח, ערך יצוא השבבים מסין עלה בכ־110%, בין היתר בשל עליית מחירים בשוק השבבים, ואילו ערך יצוא המתכות הנדירות זינק ב־237% אף שהכמות שיצאה בפועל ירדה — סימן לכך שחלק גדול מהעלייה משקף מחירי חומרי גלם ולא רק גידול פיזי במשלוחים. (The Wall Street Journal)

הנקודה הזו חשובה במיוחד לתעשיית השבבים. סין עדיין מוגבלת בגישה לציוד ולשבבים המתקדמים ביותר בגלל מגבלות יצוא אמריקניות ובעלות ברית, אך היא מחזיקה בעוצמה תעשייתית בתחומים רחבים יותר: רכיבים אופטיים, חומרים, אריזה, ציוד תקשורת, שרתים, כלי רכב חשמליים ורכיבי אנרגיה. במילים אחרות, גם אם סין אינה שולטת בכל שכבות הייצור של שבבי AI מתקדמים, היא ממשיכה להיות חוליה מרכזית בשרשרת שמאפשרת לבנות חוות שרתים ומרכזי נתונים.

אחת הדוגמאות הבולטות היא אינדיום פוספיד, חומר מרכזי ברכיבים פוטוניים המשמשים לתקשורת אופטית מהירה בין שרתים ומאיצי AI. רויטרס דיווחה בשבוע שעבר כי השליטה הסינית ביצוא אינדיום פוספיד מאיימת להפוך לצוואר בקבוק בפריסת מרכזי נתונים חדשים, משום שהחומר חיוני לדור הבא של רכיבי פוטוניקה למרכזי AI.

במקביל, מגבלות היצוא הסיניות על מתכות נדירות ומגנטים ממשיכות להעסיק את התעשייה. סין הציגה את ההגבלות כחוקיות ולגיטימיות, אך חברות אמריקניות מדווחות כי חלק מהמינרלים הקריטיים הפכו “כמעט בלתי ניתנים להשגה” בגלל עיכובים ברישיונות וקשיי אספקה. לפי סקר של מועצת העסקים ארה”ב־סין, 76% מהחברות שנפגעו מחפשות ספקים חלופיים או עוברות אליהם.

ההשלכות כבר ניכרות גם באירופה. דיווח בגרדיאן מצביע על כך שהגירעון המסחרי של האיחוד האירופי מול סין הגיע באפריל 2026 לרמה חריגה של כמיליארד אירו ביום, בין היתר בשל יבוא מוגבר של כלי רכב חשמליים, רכיבים תעשייתיים ומוצרים הקשורים לשרשראות הייצור החדשות. (The Guardian)

לכן, נתוני מאי אינם רק עוד חודש חזק בסחר החוץ הסיני. הם מצביעים על תופעה רחבה יותר: מהפכת ה־AI, שנחשבת במערב למנוע צמיחה אסטרטגי, מחזקת גם את היצוא הסיני בתחומים שבהם סין כבר מחזיקה יתרון — ייצור בקנה מידה גדול, חומרים קריטיים, רכיבי תקשורת ושרשראות אספקה עמוקות. מבחינת וושינגטון ובריסל, זו תזכורת לכך שמדיניות מגבלות היצוא על שבבים מתקדמים אינה מספיקה לבדה כדי לצמצם תלות תעשייתית בסין.

הפוסט גל ה-AI דוחף את הייצוא הסיני: שבבים, ציוד מחשוב ומתכות נדירות מזניקים את המספרים הופיע לראשונה ב-Chiportal.

SpaceX השלימה ביום שישי הנפקה ראשונית לציבור בהיקף של 75 מיליארד דולר, הגדולה ביותר שנרשמה עד כה, לפי רויטרס. מניות החברה החלו להיסחר בנאסד"ק לאחר תמחור של 135 דולר למניה, ובפתיחת המסחר עלו ל־150 דולר. לפי מחיר ההנפקה, החברה קיבלה שווי של כ־1.77 טריליון דולר.

עבור תעשיית השבבים, הסיפור המרכזי אינו עצם ההנפקה אלא מה ש־SpaceX מתכוונת לממן באמצעותה: הרחבת Starlink, המשך פיתוח Starship, ותוכניות עתידיות המשלבות תשתיות חלל ובינה מלאכותית. SpaceX אינה עוד חברת שיגור בלבד. היא הופכת לחברת תשתיות גלובלית שמחברת בין חלל, תקשורת, מחשוב ו־AI.

Starlink כמנוע ביקוש לשבבים

לפי רויטרס, הכנסות SpaceX ב־2025 עלו ב־33% ל־18.67 מיליארד דולר, כאשר Starlink סיפקה כ־60% מההכנסות, עם כ־10.3 מיליון משתמשים וכ־9,600 לוויינים. באותה שנה עברה החברה להפסד נקי של 4.94 מיליארד דולר, בין היתר בשל ההוצאה הכבדה על מחשוב AI ופיתוח רקטה חדשה.

המשמעות לשוק השבבים ברורה: כל לוויין, כל מסוף קרקעי וכל הרחבה של רשת תקשורת לוויינית יוצרים ביקוש לרכיבי RF, אנטנות phased array, מעבדי תקשורת, שבבי הספק, רכיבי זיכרון, חיישנים ומערכות עיבוד אות. ככל ש־Starlink מתרחבת, SpaceX הופכת גם ללקוח קצה משמעותי של שרשרת אספקת שבבים מתקדמת — גם אם חלק ניכר מהתכנון והאינטגרציה נעשה בתוך החברה.

החלל כשוק חדש למחשוב AI

אחד הסעיפים המעניינים ביותר עבור CHIPORTAL הוא הכיוון החדש שעליו מדברת SpaceX: תשתיות AI מבוססות חלל. רויטרס ציינה כי SpaceX מציגה למשקיעים עתיד הכולל גם מרכזי נתונים במסלול, כחלק מהניסיון ליהנות מהגידול בהשקעות בתשתיות AI.

זה עדיין חזון מוקדם, ולא שוק קיים בקנה מידה מסחרי. עם זאת, עצם הצגת הכיוון מצביעה על מגמה רחבה יותר: תעשיית החלל עוברת ממודל של שיגור לוויינים בודדים למודל של תשתיות מחשוב ותקשורת מתמשכות. אם הכיוון הזה יתממש, הוא ידרוש דור חדש של שבבים יעילים אנרגטית, עמידים יותר לקרינה, בעלי יכולות עיבוד מקומיות ועם צריכת הספק נמוכה במיוחד.

Starship והקשר לשרשרת האספקה

פיתוח Starship הוא חלק מרכזי בהערכת השווי הגבוהה של SpaceX. לפי רויטרס, Starship מיועדת לשאת יותר מ־100 טונות למסלול נמוך סביב כדור הארץ, לעומת כ־22.8 טונות ב־Falcon 9 וכ־63.8 טונות ב־Falcon Heavy. יכולת כזו, אם תבשיל, עשויה להוזיל פריסה של תשתיות גדולות במסלול — ובהן לוויינים, ציוד תקשורת ואולי בעתיד גם רכיבי מחשוב גדולים יותר.

עבור ספקי שבבים, זו אינה בשורה מיידית של הזמנות, אלא איתות אסטרטגי. חלל מסחרי הופך משוק נישה לשוק תשתיות. חברות שיידעו לספק רכיבים אמינים, חסכוניים ועמידים לתנאים קשים עשויות למצוא בו הזדמנות גוברת.

הערכת שווי גבוהה וסיכונים לא קטנים

לצד ההזדמנות, יש גם סיכון. לפי רויטרס, SpaceX נסחרת במכפיל מכירות חריג של כ־94 על בסיס מחיר ההנפקה, גבוה ממכפילים של חברות טכנולוגיה גדולות כמו Nvidia, Amazon ו־Meta. מכיוון שהחברה הפסידה ב־2025, לא ניתן להשוות אותה לפי מכפיל רווח.

הנפקת SpaceX עשויה לכן להשפיע על כל שרשרת הערך: משוק ההון, דרך יצרני מערכות תקשורת, ועד ספקי שבבים לתחומי RF, הספק, AI וחלל. אם החברה תעמוד בציפיות, היא עשויה להפוך לאחד ממנועי הביקוש החשובים ביותר לרכיבים מתקדמים מחוץ לשוקי הסמארטפונים, המחשבים ומרכזי הנתונים הקרקעיים. אם לא, היא תזכיר למשקיעים שגם תשתיות חלל ו־AI כפופות בסופו של דבר לכלכלה, רווחיות ויכולת ייצור.

הפוסט הנפקת SpaceX מאותתת לתעשיית השבבים: החלל הופך לשוק תשתיות ענק 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.

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.

חברת Shifters הישראלית, המפתחת רובוטים קרקעיים אוטונומיים מבוססי בינה מלאכותית, הודיעה על גיוס של 10.2 מיליון דולר בסבב Seed. את הסבב הובילה Ace Capital Partners, והשתתפו בו גם Aurelius Capital Management, Corner Ventures, Arkin Capital ו-Fresh Fund. לאחר הסבב מגיע סך הגיוסים של החברה ל-15 מיליון דולר.

Shifters הוקמה ב-2023 על ידי עופר באלין, מנכ"ל החברה, ואסף צ'פרק, סמנכ"ל הטכנולוגיות. החברה מעסיקה כיום כ-20 עובדים בישראל, בארה"ב ובאירופה, ולדבריה היא מגייסת עובדים בתחומי AI, Embedded ומכטרוניקה.

רובוטים לפני בני אדם

החברה מפתחת מערכות רובוטיות שמיועדות לפעול בסביבות שבהן התנועה מסוכנת, קשה או בלתי צפויה. בין היישומים הביטחוניים שמציינת החברה: סיור, איסוף מודיעין, הגנה היקפית ומשימות בסיכון גבוה. בצד האזרחי היא מציינת בדיקות תשתיות, חקלאות, כרייה וחיפוש והצלה.

הרעיון המרכזי הוא לא רק רובוט בודד שנע בשטח, אלא צוותים של רובוטים קרקעיים שיכולים לפעול בתיאום. לפי החברה, המערכות אמורות לאפשר למפעיל אחד להכווין כמה רובוטים, כאשר חלק מההחלטות מתקבלות אוטונומית בשטח, בהתאם למשימה ולתנאים.

"הגורם הראשון שנכנס לסביבה מסוכנת צריך להיות רובוט, ולא בן אדם", אמר עופר באלין, מנכ"ל ומייסד-שותף של Shifters. לדבריו, הגיוס יאפשר לחברה להאיץ את פיתוח המערכות, ובהן צוותים רובוטיים מתואמים שניתן להפעיל באופן אינטואיטיבי ולהתאים לסביבות קרקעיות מורכבות.

האתגר: תיאום בין כמה רובוטים

אסף צ'פרק, CTO ומייסד-שותף של Shifters, הדגיש כי האתגר אינו מסתכם בתנועה של רובוט בשטח. לדבריו, "הבעיה המורכבת יותר היא לאפשר למספר רובוטים להבין את כוונת המפעיל, לתאם אחד עם השני ולבצע משימות בסביבות בלתי צפויות".

החברה מציינת כי היא פועלת לפי עקרונות MOSA, כלומר גישה של מערכות פתוחות ומודולריות, במטרה לאפשר שילוב של מטענים ייעודיים, חיישנים ותצורות שונות לפי משימה. גישה כזו חשובה במיוחד בשוק הביטחוני, שבו לקוחות מבקשים לעיתים להתאים פלטפורמות קיימות לצרכים משתנים ולא להינעל על מערכת סגורה אחת.

לדברי החברה, היא כבר ביצעה הדגמות מול גופי ביטחון והגנה. המימון החדש מיועד להרחבת יכולות ה-Agentic AI, להיערכות לייצור מסחרי ולהגדלת הפעילות בארה"ב, באירופה ובמזרח התיכון.

חלק ממגמת האוטונומיה הביטחונית

הגיוס של Shifters משתלב במגמה רחבה יותר בתעשיית הביטחון: מעבר מכלים נשלטים מרחוק למערכות שמסוגלות לבצע חלק מהמשימה באופן אוטונומי, תוך שמירה על שליטה אנושית ברמת ההכוונה והפיקוח. רחפנים כבר שינו את האופן שבו כוחות אוספים מידע מהאוויר, וכעת חברות רבות מנסות להביא יכולות דומות גם לקרקע, שם תנאי השטח מורכבים יותר והניווט קשה יותר.

שמעון צנציפר, שותף ב-Ace Capital Partners, אמר כי הקרן רואה ב-Shifters חברה הפועלת בתחום האוטונומיה הדו-שימושית, וכי החברה מתמודדת עם אחד האתגרים הקשים בתחום: ניווט ותיאום רובוטי בסביבות מורכבות שאינן מוכרות מראש.

Shifters משתתפת גם בתוכנית Next October, שבמסגרתה היא מנציחה את מרגריטה גוסק, שנרצחה במסיבת הנובה ב-7 באוקטובר.

הפוסט Shifters מגייסת סבב Seed של 10.2 מיליון דולר בהובלת Ace Capital Partners לרובוטיקה קרקעית מבוססת 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.

מארוול (Marvell Technology) הכריזה בתערוכת Computex 2026 בטאייפי על Teralynx T100, מתג Ethernet חדש למרכזי נתונים, המציע קצב העברת נתונים של 102.4 טרה־ביט לשנייה. השבב מיועד בעיקר לרשתות תקשורת המשרתות מערכות בינה מלאכותית גדולות, שבהן אלפי ואף עשרות אלפי מאיצים פועלים במקביל.

ההכרזה משקפת את השינוי שעובר שוק התשתיות למרכזי נתונים. בעוד שבעבר עיקר תשומת הלב הופנתה למעבדים ולמאיצים עצמם, כיום הופכת רשת התקשורת הפנימית לאחד מצווארי הבקבוק המרכזיים במערכות AI גדולות. ככל שמספר המאיצים באשכול גדל, כך גובר הצורך בהעברת כמויות עצומות של נתונים במהירות ובאמינות.

לדברי מארוול, השבב החדש פועל בטכנולוגיית ייצור של 3 ננומטר ומספק צריכת חשמל נמוכה יחסית לקטגוריה שלו. החברה טוענת כי צריכת האנרגיה נמוכה בכ-25% לעומת פתרונות מתחרים, אם כי נתונים אלה טרם נבחנו באופן בלתי תלוי.

אחד המאפיינים המרכזיים של Teralynx T100 הוא תמיכה בעד 512 חיבורים (Ports) במתג יחיד. מספר גבוה של חיבורים מאפשר לבנות רשתות פשוטות יותר, עם פחות שכבות ציוד ביניים ופחות קישורים אופטיים. המשמעות היא צמצום בעלויות התשתית ובהשהיית התקשורת בין השרתים והמאיצים.

האתגר אינו רק טכנולוגי אלא גם אנרגטי. מרכזי נתונים המוקדשים לבינה מלאכותית צורכים כמויות חשמל הולכות וגדלות, וחלק ניכר מהאנרגיה מוקדש למערכות התקשורת עצמן. לפי נתוני מארוול, רכיבי הרשת עשויים להוות בין 15% ל-25% מצריכת החשמל הכוללת של שרתים מתקדמים.

השבב החדש נועד לתמוך הן בארכיטקטורות Scale-Out, שבהן מחברים מספר גדול של שרתים ומאיצים לאשכול רחב, והן בארכיטקטורות Scale-Up, שבהן נדרש חיבור צפוף ומהיר במיוחד בין מאיצים בתוך מערכת אחת. לצורך כך הוא תומך בתקנים וביוזמות חדשות בתחום רשתות ה-Ethernet למערכות AI.

מרכז הפיתוח של מארוול בישראל היה מעורב בפיתוח הרכיב. לפי החברה, מאות מהנדסים בישראל השתתפו בשלבי הארכיטקטורה, התכנון הפיזי, הבדיקות וההכנה לייצור.

הצגת Teralynx T100 מצטרפת למגמה רחבה יותר בתעשיית השבבים, שבה ספקיות התשתית מנסות להתחרות לא רק על ביצועי העיבוד אלא גם על יעילות התקשורת בין המאיצים. עם העלייה בגודל מודלי הבינה המלאכותית ובדרישות ההסקה והאימון, יכולת הרשת הופכת לגורם קריטי כמעט כמו כוח החישוב עצמו.

שבב Teralynx T100 צפוי להימסר ללקוחות ראשונים לצורכי הערכה במהלך הרבעון הנוכחי.

הפוסט מארוול חושפת מתג חדש למרכזי נתוני AI במהירות 102.4 טרה־ביט לשנייה הופיע לראשונה ב-Chiportal.

קווין ז'אנג, סגן מנהל התפעול המשותף וסגן נשיא בכיר לפיתוח עסקי ולמכירות גלובליות ב־TSMC, הציג במסיבת עיתונאים במסגרת TSMC Technology Symposium Europe באמסטרדם מסר ברור: הבינה המלאכותית כבר אינה רק סיפור של חוות שרתים ו־GPU גדולים. השלב הבא שלה יהיה פיזי – כלי רכב, רובוטים, מערכות חישה ויישומי קצה – והוא ידרוש מהתעשייה להגדיר מחדש מהו "שיפור" בטכנולוגיית שבבים.

לדברי ז'אנג, מנוע הצמיחה המרכזי של תעשיית השבבים עבר לבינה מלאכותית ולמחשוב עתיר ביצועים. TSMC מעריכה כי עד סוף העשור שוק השבבים העולמי יעבור את רף 1.5 טריליון הדולר, כאשר AI ו־HPC יהיו אחראים ליותר ממחציתו. המשמעות היא שינוי בסדר העדיפויות: סמארטפונים עדיין חשובים, אך הם כבר אינם המנוע היחיד שמכתיב את קצב ההתקדמות הטכנולוגית.

צוואר הבקבוק: חשמל וחום

הנקודה המרכזית בדברי ז'אנג הייתה כי מגבלת הבינה המלאכותית אינה רק כמה טרנזיסטורים אפשר להכניס לשבב, אלא כמה חישוב אפשר להפיק מכל ואט. לקוחות TSMC, לדבריו, מבקשים ביצועים גבוהים יותר בלי עלייה מקבילה בצריכת החשמל – בדרישות שחוזרות על עצמן במרכזי נתונים, במכשירי קצה, ברכב ובאינטרנט של הדברים.

לכן, יעד היעילות האנרגטית הפך למרכזי במפת הדרכים. ז'אנג הצביע על יעד של שיפור של כ־30% ביעילות האנרגטית מדור טכנולוגי אחד למשנהו, למשל במעבר מ־N2 לדורות מתקדמים יותר כגון A14. מבחינת מרכזי נתונים, זהו שיפור משמעותי הרבה יותר מהתאמות תשתיתיות כמו שינוי מערכות אספקת החשמל, שמניבות בדרך כלל אחוזים בודדים בלבד.

עם זאת, ז'אנג הדגיש כי הטרנזיסטור לא נעלם מהתמונה. להפך: פיתוח טרנזיסטורים מתקדם, ובכלל זה שימוש ב־EUV ובמבני nanosheet, עדיין צורך את עיקר מאמצי המחקר והפיתוח. ההבדל הוא שהצפיפות כבר אינה נמדדת רק בשטח דו־ממדי על פני הפרוסה, אלא בנפח תלת־ממדי של מערכת שלמה.

ממפת דרכים של צמתים למפת דרכים של מערכות

בצד טכנולוגיות הייצור, TSMC מציגה משפחה רחבה של תהליכים מתקדמים. N2, טכנולוגיית ה־2 ננומטר של החברה, נכנסת להאצה מסחרית עם עניין רחב מצד לקוחות. בהמשך צפויות גרסאות משופרות כמו N2U, וכן A16, A14, A13 ו־A12. לפי TSMC, A12 תשלב טכנולוגיית אספקת חשמל מהצד האחורי של השבב, Super Power Rail, ותכוון במיוחד ליישומי AI ו־HPC.

אך החלק החשוב לא פחות הוא האריזה המתקדמת. ז'אנג הציג את CoWoS כאחד ממנועי הצמיחה המרכזיים של AI. הטכנולוגיה מאפשרת לשלב שבבי חישוב גדולים עם זיכרון HBM בתוך מארז אחד, וכך לקצר את המרחק הפיזי שהמידע צריך לעבור. TSMC כבר מייצרת מארזי CoWoS בגודל 5.5 שדות חשיפה, ומתכננת לעבור למארזים גדולים בהרבה, עד 14 שדות חשיפה, שיוכלו להכיל מספר רב של שבבי חישוב וערימות HBM.

המשמעות היא שחוק מור אינו נעלם, אלא משנה צורה. במקום להסתמך רק על הקטנת טרנזיסטורים, TSMC מנסה להגדיל את צפיפות החישוב באמצעות שילוב תלת־ממדי של לוגיקה, זיכרון, חיבוריות ופוטוניקה.

פוטוניקה משולבת: האור נכנס לאריזת השבב

אחד הכיוונים החשובים שהציג ז'אנג הוא מעבר הדרגתי מנחושת לסיבים אופטיים בתוך מרכזי הנתונים. לדבריו, אלקטרונים מצוינים לחישוב, אך פוטונים יעילים יותר להעברת מידע למרחקים קצרים ובינוניים בתוך מערכות גדולות.

כאן נכנסת לתמונה COUPE, טכנולוגיית הפוטוניקה המשולבת של TSMC. הרעיון הוא לקרב את מנוע ההמרה האופטית אל יחידת המיתוג והחישוב, במקום להשאיר את ההמרה ברמת הלוח או המודול החיצוני. שילוב כזה אמור להפחית את צריכת החשמל ואת ההשהיה בתקשורת בין שבבים ובין שרתים. מבחינת AI, שבו מאות אלפי מאיצים צריכים לעבוד יחד, זהו צוואר בקבוק מרכזי.

הבינה המלאכותית יוצאת מהשרתים

חלק בולט בהרצאת ז'אנג הוקדש למה שהוא כינה "בינה מלאכותית פיזית". הכוונה היא למערכות שאינן רק מנתחות טקסט, תמונה או וידאו, אלא פועלות בעולם הפיזי: כלי רכב אוטונומיים, רובוטים תעשייתיים, רובוטים דמויי אדם ומערכות חישה מתקדמות.

ז'אנג תיאר את הרכב כ"רובוט פשוט יחסית" בדרך לדורות מורכבים יותר של רובוטיקה. בניגוד לרובוטים תעשייתיים ישנים, שפעלו לפי תסריט קבוע בסביבה סגורה, רובוטים חכמים יצטרכו להבין סביבה משתנה ולהגיב אליה בזמן אמת. לשם כך הם יזדקקו לשילוב של חישוב, חישה, בקרה, מיקרו־בקרים, ניהול הספק וזיכרון – לא רק למעבד אחד חזק.

בהקשר זה הכריזה TSMC גם על N2A, תהליך ייצור המיועד לרכב ומבוסס nanosheet, שאמור לעמוד בדרישות האמינות המחמירות של תעשיית הרכב. החברה מציגה את התחום הזה כחיבור בין AI, רכב ורובוטיקה – שלושה שווקים שבעבר נחשבו נפרדים יותר.

אירופה כמגרש מרכזי ל־Physical AI

ז'אנג הדגיש כי לאירופה יש תפקיד חשוב בשלב הבא של הבינה המלאכותית. היתרון האירופי אינו בהכרח במרכזי הנתונים הגדולים ביותר, אלא בעומק ההנדסי של תעשיית הרכב, בניהול הספק, במיקרו־בקרים ובמערכות תעשייתיות. חברות כמו Infineon, Bosch ו־NXP מייצגות בדיוק את שכבת השבבים הנדרשת כאשר AI יוצאת מהענן אל העולם הפיזי.

בהקשר זה משתלבת ההשקעה של TSMC באירופה. מפעל ESMC בדרזדן, מיזם משותף של TSMC, Bosch, Infineon ו־NXP, מיועד לחזק את ייצור השבבים לתעשיות הרכב והתעשייה באירופה. במקביל, מרכז התכנון של TSMC במינכן נועד לסייע ללקוחות אירופיים להתאים את התכנונים שלהם לטכנולוגיות הייצור של החברה.

הפוסט קווין ז'אנג מ־TSMC: עתיד ה־AI יוכרע ביעילות אנרגטית ובאריזות שבבים תלת־ממדיות 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.