המוח האנושי עדיין מנצח את מעבדי ה־AI בפער עצום – לא רק ביכולות, אלא בעיקר ביעילות האנרגטית. בהרצאה שנעלה את המושב על IoT ובינה מלאכותית בכנס 2025 TSMC Europe Open Innovation Platform (OIP) Ecosystem Forum באמסטרדם, הציג פרופ’ כריסטיאן מייר, ראש הקתדרה Highly Parallel VLSI Systems ב-TU Dresden, כיצד פרויקט המחשוב הנורומורפי SpiNNaker-2 מנסה להתקרב לביצועים של המוח, ולהריץ מודלים גדולים של בינה מלאכותית בזמן אמת – בעלות אנרגטית נמוכה בהרבה מזו של כרטיסי GPU קלאסיים.

מייר מוביל קבוצת מחקר של יותר מ־40 מהנדסים וחוקרים – מתכנני אנלוג ודיגיטל, אנשי אלגוריתמיקה ל-AI, ביוטכנולוגים ורובוטיקאים – שסביבה צמחו כמה ספין־אופים, ובהם Racyics, Siliconally, SpiNNcloud Systems ו-Silicon Matter. יחד מדובר באקו־סיסטם של יותר מ־250 אנשים. הקבוצה ביצעה בעשור האחרון עשרות טייפ־אאוטים של מערכות SoC מורכבות, מתהליכי 90 ננומטר ועד 22 ננומטר, המשמשים כ־30 קבוצות חיצוניות.

נקודת הפתיחה של מייר חדה: כיום יש פער של כ־שבעה סדרי גודל ביעילות האנרגטית בין המוח לבין חומרת ה-AI הטובה ביותר. לדבריו, כדי לבצע משימה חישובית מסוימת, המוח צורך בערך ‎10⁷‎ פחות אנרגיה מאשר מערכות אימון והסקה מודרניות. חלק מהפער הזה כבר מתחיל להיסגר באמצעים כמו זיכרון חישובי (in-/near-memory computing), חישוב בדיוק מופחת (reduced precision) ודילול סטטי של רשתות נוירונים (static sparsity). כל אחד מן הכיוונים הללו נותן בערך סדר גודל אחד של שיפור, יחד כשלושה סדרי גודל – “אבל עדיין נשארים לנו בערך ארבעה סדרי גודל באוויר”, כפי שהוא מנסח זאת. כדי לסגור אותם, צריך, לדבריו, ללמוד מהמוח עצמו.

המוח עובד בתדר נמוך יחסית – סדר גודל של מאה הרץ – אבל עם כ־80 מיליארד נוירונים שפועלים במקביל ובאופן א־סינכרוני. אין “טיק” גלובלי שמחכה שכולם יסיימו; מידע נכנס, משולב ומעובד כל הזמן. מערכות על־חישוב (HPC) קלאסיות, לעומת זאת, נתקעות על מגבלת אמדאל: גם אם מוסיפים עוד ועוד ליבות, חלק מהקוד נשאר סדרתי והאצה נעצרת. המוח פותר זאת בכך שהחישוב הוא אירועי וזמני – כל נוירון מגיב כשהוא צריך, לא כשמגיע תורו בשעון אחיד. זו גם נקודת המפתח לחיסכון האנרגטי: לא כל היחידות עובדות כל הזמן, אלא רק כאשר יש מידע רלוונטי.

כאן נכנסת לתמונה האסטרטגיה הכפולה שמייר הציג: שינוי ברמת האלגוריתם ושינוי ברמת החומרה. ברמת האלגוריתם, אחת הדוגמאות היא מודלים מסוג mixture-of-experts: במקום להפעיל בכל שאילתה את כל פרמטרי המודל, אפשר לבחור רק חלק זעיר מהרשת – למשל אלפית מן הנוירונים – בהתאם לתוכן השאילתה. תיאורטית, זה נותן שלושה סדרי גודל חיסכון באנרגיה, משום שרוב ה"נוירונים" במודל אינם נכנסים לפעולה. בפועל, על GPU רגיל אפשר לממש אולי סדר גודל אחד בלבד, משום שהמעבד לא בנוי לעבודה כל־כך דינמית וספרסית: גם כשהוא “מדלל” את הרשת, הוא עדיין משלם כמעט את כל מחיר הגישה לזיכרון והתקשורת.

לכן, טוען מייר, נדרשת גם חומרה חדשה – חומרה נורומורפית. השכבה הראשונה שהוא מציג היא שבבי Thin-Edge ASICs לעיבוד מקדים מהיר של רשתות עצביות בקצה הרשת. הרעיון: לא לשלוח לענן זרם גולמי של וידאו או חיישנים, אלא לבצע כבר בקצה חישוב עשיר – דחיסה, סאב־סמפולינג, חילוץ מאפיינים, סיווג ראשוני ורשתות חוזרות (RNN) פשוטות – ולהעביר למרכז רק ייצוג דחוס מאוד. בדוגמה שנתן: מצלמה אירועית (event-based) שמגיבה רק לשינויים בתמונה. צומת הקצה יכול להחליט “עכשיו מחפשים מכוניות” או “עכשיו מחפשים אופניים”, ולכן להפעיל רק את המאפיינים הרלוונטיים בתמונה ולהתמקד בזמן אמת רק באזורים מעניינים בסצנה.

מעל שכבת ה-Thin-Edge יושב המחשב הנורומורפי SpiNNaker-2 – מערך ענק של שבבים עם מאות ליבות ועשרות מאיצים נורומורפיים על כל שבב. לפי מייר ועמיתיו, המערכת השלם מיועדת להגיע לכ-10 מיליון ליבות ARM על פני כ־16 ארונות שרתים – שדרוג של פי עשרה לעומת הדור הראשון, SpiNNaker-1. כל שבב כולל לא רק ליבות כלליות, אלא גם מאיצים לרשתות עמוקות, חישוב הסתברותי, מקורות אקראיות ויחידות המתאימות במיוחד לרשתות "קופצות" (spiking neural networks). הזיכרון הפנימי בנוי כ-scratchpad גמיש שיכול לשמש בזמן ריצה כ-L1 או L2, לפי צורך. רשת-על-שבב ורשת התקשורת בין השבבים מעוצבות כך שחבילות אירועיות קטנות יגיעו לקצה השני של המכונה בתוך מילישנייה, כל עוד לא חוצים את מגבלת רוחב-הפס – דרישה קריטית כשמפעילים, למשל, צי של עשרות אלפי רובוטים עירוניים בזמן אמת ממרכז נתונים אחד.

כדי שהמחשב הזה יהיה באמת "פרופורציונלי לאירועים", נדרשה גם הנדסת אנרגיה קיצונית. מייר הסביר שהשבבים מתוכננים לפעול במתחים נמוכים מאוד, סביב חצי וולט ואף פחות, ובפינות תהליך של זליגה נמוכה – כדי להוריד את צריכת הסטנד-ביי כמעט לאפס. כך, כרטיס אחד של המערכת צורך אמנם כמה מאות ואט כשהוא פועל בעומס מלא, מספר דומה לזה של כרטיס NVIDIA A100, אך עומד על כמה ואטים בודדים במצב ממתין, לעומת עשרות רבות של ואטים ב-GPU קלאסי גם כשהוא “לא עושה כלום”. עבור עומסים אירועיים – מצלמות שמדי פעם "מתעוררות", חיישנים שמדווחים רק כשמשתנה משהו או מודל שפה גדול שלא כל הלקוחות מדברים איתו כל הזמן – המשמעות היא חיסכון משמעותי בעלות האנרגיה המצטברת.

המערכת כבר נמצאת בשירות לשורה של יישומים ניסיוניים ותעשייתיים. ספין-אוף החברה SpiNNcloud Systems משווקת מערכות מבוססות SpiNNaker-2 למרכזי מחקר ולחברות, בין היתר לחקר תרופות, רובוטיקה ועיבוד זמן-אמת של נתוני חישה בקנה מידה גדול. באפריל 2025 הודיעה TU Dresden כי מערכת SpiNNcloud בקמפוס נכנסה לפעולה עם כ-35 אלף שבבים ויותר מחמישה מיליון ליבות.

בסיום ההרצאה חזר מייר לנקודת המוצא: אם רוצים שבינה מלאכותית תתקרב באמת ליעילות של המוח, אי-אפשר רק "להאיץ" אלגוריתמים קיימים על חומרה קיימת. צריך לשאול בכל רמה – מהאלגוריתם, דרך האופן שבו מידע מיוצג ומועבר, ועד הארכיטקטורה הפיזית של השבב – איך המוח היה פותר את הבעיה בצורה א־סינכרונית, ספרסית ודינמית. רק שילוב כזה, לדבריו, יוכל לצמצם באמת את פער שבעת סדרי הגודל בין המוח האנושי למחשבי ה-AI של היום.

הפוסט לקרב את המחשבים ליעילות האנרגטית של המוח הופיע לראשונה ב-Chiportal.

Polyn Technology Ltd. מודיעה על ייצור ובדיקה מוצלחים של מימוש הסיליקון הראשון לטכנולוגיית NASP (עיבוד אותות נוירומורפי אנלוגי). ההישג כולל אימות הן של טכנולוגיית NASP והן של כלי התכנון, שממירים אוטומטית מודלים מאומנים של רשתות עצביות דיגיטליות לליבות נוירומורפיות אנלוגיות עתירות-חיסכון באנרגיה, המוכנות לייצור בתהליכי CMOS סטנדרטיים. שבב המוצר הראשון כולל ליבה נוירומורפית אנלוגית למודל זיהוי פעילות דיבור (VAD).

לפי החברה, הפלטפורמה מפעילה רשתות עצביות מאומנות בתחום האנלוגי כדי לבצע החזרת מסקנות (Inference) ב-AI בצריכת אנרגיה נמוכה בהרבה ממעבדי AI דיגיטליים מקובלים. ניתן לתכנן שבבי NASP ייעודיים למגוון יישומי Edge AI, בהם אודיו, רטט, לביש, רובוטיקה, תעשייה וחיישני רכב.

זו הפעם הראשונה ש-Polyn ייצרה בליבת סיליקון יישום נוירוני אנלוגי מלא ואסינכרוני ישירות ממודל דיגיטלי. “זה פותח פרדיגמת תכנון חדשה — חישוב נוירוני בתחום האנלוגי, עם דיוק ברמת-דיגיטל וצריכת אנרגיה ברמת מיקרו-ואט,” אמר מנכ״ל ומייסד Polyn, אלכסנדר טימופייב.

מיועד למכשירי Edge "תמיד-פועלים", שבבי NASP בעלי ליבות ה-AI מעבדים אותות חיישנים בצורתם האנלוגית הטבעית בתוך מיקרושניות, בצריכת הספק של מיקרו-ואטים, ובכך מבטלים את כל התקורה הכרוכה בעיבוד דיגיטלי, הסבירה Polyn.

מפרט עיקרי
המעבד הנוירומורפי הראשון כולל ליבת VAD לזיהוי פעילות דיבור בזמן אמת ופועל באסינכרוניות מלאה. מאפיינים מרכזיים: צריכת הספק אולטרה-נמוכה של כ-34 µW בעת פעולה רציפה, והשהיה אולטרה-נמוכה של כ-50 מיקרושניות לכל החזרה (Inference).

בנוסף לליבת ה-VAD, Polyn מתכננת לפתח ליבות נוספות לזיהוי דוברים ולהפרדת קול, במיקוד למכשירי בית חכם, אוזניות תקשורת ומכשירים נשלטי-קול אחרים.

רקע ופיתוחים קודמים
באפריל 2022 הודיעה החברה על שבב מבחן NASP ראשון, שיושם ב-CMOS של ‎55‎ נ״מ והדגים ארכיטקטורה מחקה-מוח. באוקטובר 2022 הציגה את NeuroVoice, שבב Tiny AI להפרדת קול על-גבי השבב מרעש רקע מכל סוג. ב-2023 הושקה VibroSense, פתרון Tiny AI לניטור רטט בצמתים מבוססי חיישנים. (Polyn דורגה ב-EE Times Silicon 100 של 2025 כחברה למעקב.)

לקוחות המפתחים מוצרים עם שליטה קולית בחש功 נמוכה במיוחד יכולים להגיש בקשה מקוונת לערכת הערכה לשבב NASP VAD. Polyn תדגים את שבבי ה-NASP הראשונים שלה, הזמינים להזמנה, בתערוכת CES 2026 בלאס וגאס, נבדה, בתאריכים ‎6–9 בינואר‎ (Hall G, ביתן ‎#61701‎). מבחר מצומצם יוצג גם באירוע CES Unveiled Europe באמסטרדם, ‎28 באוקטובר‎ (ביתן HB143).

תגיות (מקור): AI inference, מעבדים נוירומורפיים אנלוגיים, CES 2026, Consumer Electronics Show, Edge AI, שבב NASP, מעבדים נוירוניים, מעבדים נוירומורפיים

—

אמפמ
ביטוי מפתח: שבב NASP אנלוגי לזיהוי פעילות דיבור
נרדפים: עיבוד נוירומורפי אנלוגי, אנלוג-AI, ליבת VAD אולטרה-חסכונית, Inference באנלוג, חיישני קול בחש功 נמוכה
SLUG: polyn-nasp-silicon-vad-ultralow-power-ces-2026

הפוסט Polyn מציגה מימוש לטכנולוגיית NASP שלה הופיע לראשונה ב-Chiportal.

סבסטיאן דובה, מנהל CEA-Leti, מציג תמונת מצב עדכנית של תעשיית השבבים באירופה ומסביר כיצד פרויקט הדגל FAMES עשוי לסייע לאירופה להיאבק בתלותה באסיה ובארה"ב – ולבסס יתרון בתחומים כמו בינה מלאכותית בקצה הרשת וחדשנות אקולוגית

לאחר מחסור השבבים בזמן מגפת הקורונה, שהבהיר לאירופה את תלותה באסיה ובארה"ב, הושקה בשנת 2022 תוכנית השבבים האירופית – CHIPS Act – במטרה להכפיל עד 2030 את חלקה של אירופה בשוק העולמי ל-20%. כיום, שלוש שנים מאוחר יותר, אירופה עדיין אחראית לפחות מ-10% מייצור השבבים בעולם. האם היא מסוגלת להחזיר לעצמה את הבכורה?

לדברי סבסטיאן דובה , מנהל CEA-Leti ומוביל פרויקט FAMES בגרנובל, אין מדובר במהפכה מיידית: "ההשקעות הנדרשות עצומות, וקשה לדמיין שינוי דרמטי בטווח הקצר. השוק נותר גלובלי ותלוי הדדית: עיצוב באמריקה, ייצור באסיה וחומרי גלם מסין." למרות זאת, לדובה יש תקווה באשר ליתרונות היחסיים של אירופה – בעיקר ביישומים משולבים כמו חיישנים, מיקרו-בקרים, רכיבים לרכב, לתעשייה ולתחום הבריאות. הוא מזכיר בגאווה את ההובלה של ASML ההולנדית בתחום ליתוגרפיה מתקדמת – תחום קריטי שכל יצרני השבבים בעולם תלויים בו.

במסגרת המאמצים האירופיים הוקם פרויקט FAMES , בהובלת CEA-Leti ושותפים נוספים, אשר נהנה מהשקעה של 830 מיליון אירו של האיחוד האירופי והממשל הצרפתי. "FAMES נכנס לפעולה בתחילת השנה – עמדנו בלוחות הזמנים, וזה חשוב. אסיה ידועה ביעילותה, אבל אנחנו מראים שגם אירופה מסוגלת לפעול באותה רמה," מדגיש דובה.

מטרת FAMES: להכין את הקרקע לדורות הבאים של טכנולוגיות FD-SOI בגדלים של 10 ואף 7 ננומטר, ולהאיץ פיתוח של טכנולוגיות מפתח לעשור הקרוב: זיכרונות לא נדיפים, רכיבי תדר רדיו לדור 6G ואינטגרציה תלת-ממדית הטרוגנית . אחת ההזדמנויות הבולטות עבור אירופה נמצאת דווקא בתחום שבו לא נדרשים שבבים מתקדמים במיוחד – אלא פתרונות משולבים ויעילים אנרגטית:

"בינה מלאכותית בקצה – edge AI – תדרוש שבבים שחוסכים באנרגיה ומבצעים למידה והסקה מקומית, ישירות במכשירים כמו סמארטפונים וחיישנים. זהו תחום שבו יש לאירופה יתרון מובהק," מסביר דובה.

לסיכום, למרות הפערים מול ענקיות כמו TSMC ו-Samsung, דובה בטוח שעם השקעה נכונה בשיתופי פעולה, מחקר וחדשנות סביבתית – אירופה יכולה לשמר ואף לחזק את מקומה בזירה הגלובלית.

"השוק הזה מחזורי מטבעו. מה שנכון היום – לא בהכרח יהיה נכון מחר. עלינו להמשיך לפעול בחזית החדשנות כדי להיות מוכנים לעתיד."

הפוסט אירופה מנסה להחזיר את הבכורה: האם תעשיית השבבים האירופית תצליח לצמצם פערים? הופיע לראשונה ב-Chiportal.