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 OXMIQ Labs, שהקים ארכיטקט השבבים הוותיק ראג'ה קודורי, השלימה גיוס סדרה A בהיקף של 35 מיליון דולר. בעקבות הסבב הגיע סך ההון שגייסה החברה ל־60 מיליון דולר. החברה מבקשת לפתח מודל חדש בשוק מאיצי הבינה המלאכותית: במקום למכור שבבים מוגמרים, היא תציע ליצרניות שבבים ולמפעילות מרכזי נתונים ארכיטקטורת GPU וקניין רוחני שאפשר לשלב בשבבים מותאמים אישית.

הסבב הובל בידי Samsung Catalyst Fund וקרן Fundomo. בין המשקיעות הנוספות נמצאות MediaTek, ‏Pegatron Venture Capital, ‏AM Intelligence Labs, ‏CDIB-TEN, ‏Darwin Ventures, ‏Morgan Creek Digital ואינטל קפיטל. MediaTek, שהשתתפה גם בגיוס הקודם של החברה, השקיעה פעם נוספת. (intelcapital.com)

קודורי שימש בעבר בתפקידי הנדסה וניהול בכירים באפל, ב־AMD ובאינטל. בין היתר, הוא ניהל את קבוצת Radeon של AMD ובהמשך היה הארכיטקט הראשי של אינטל, שם היה מעורב בהקמת פעילות המעבדים הגרפיים ובפיתוח מאיצים למרכזי נתונים. לאחר שעזב את אינטל הוא הקים את OXMIQ, המחזיקה משרדים בקמפבל שבקליפורניה ובהיידראבאד שבהודו.

לדברי קודורי, מטרתה של החברה היא להיות “ה־Arm של העידן הבא”. ההשוואה מתייחסת בעיקר למודל העסקי: Arm אינה מייצרת את רוב השבבים המבוססים על הארכיטקטורה שלה, אלא מעניקה רישיונות לליבות ולמערכות ההוראות שלה. בדומה לכך, OXMIQ רוצה לאפשר לחברות לפתח מאיצי AI מבלי להשקיע שנים ומאות מיליוני דולרים ביצירת ארכיטקטורת חישוב ומערכת תוכנה מן היסוד. (Reuters)

שלושה מנועי חישוב בליבה אחת

המוצר המרכזי של החברה נקרא OxCore. זוהי ליבת GPU הניתנת לרישוי, המשלבת מנוע עיבוד גרפי התואם לעקרונות החישוב של CUDA, מנוע Tensor לחישובי בינה מלאכותית ומנוע תזמון דמוי CPU, האחראי לתיאום עומסי העבודה במערכת.

במערכות AI קיימות, המעבד המרכזי, המאיץ הגרפי ומנועי ה־Tensor פועלים לעיתים קרובות כרכיבים נפרדים. OXMIQ מבקשת להצמיד את שלושת סוגי העיבוד בתוך בלוק קניין רוחני אחד. לטענתה, הדבר עשוי להפחית את הצורך בהעברת מידע בין רכיבים ולהקטין את צריכת החשמל ואת זמני ההמתנה לזיכרון. הארכיטקטורה תוכננה גם לעיבוד בקרבת הזיכרון, כדי להתמודד עם צוואר הבקבוק הנוצר כאשר כמויות גדולות של נתונים מועברות שוב ושוב בין הזיכרון למאיץ. (intelcapital.com)

OxCore אמורה להתאים לטווח רחב של מוצרים: מליבה יחידה במכשיר קצה או ברובוט ועד למערכות הכוללות אלפי ליבות במרכזי נתונים. עם זאת, בשלב זה הליבה פועלת במימוש FPGA בלבד. החברה מציגה הדגמות חיות, אך עדיין לא חשפה שבב מסחרי המבוסס על הארכיטקטורה או מבחני ביצועים עצמאיים מול מאיצים קיימים.

לצד הליבה מפתחת החברה את OxQuilt, פלטפורמה להרכבת מערכת ממספר שבבונים. הארכיטקטורה נועדה לחבר באותה מארזת שבבוני חישוב, זיכרון וקישוריות, ולאפשר ללקוח לבחור את היחס ביניהם בהתאם לסוג עומס העבודה.

לדוגמה, מערכת המיועדת לאימון מודלים יכולה להקצות שטח גדול יותר למנועי חישוב, ואילו מערכת המיועדת להרצת מודלי שפה גדולים עשויה לדרוש יותר זיכרון ורוחב פס. החברה אומרת כי OxQuilt לא תהיה קשורה למפעל ייצור, סוג זיכרון או תהליך ייצור מסוים, ותוכל לתמוך בתקני קישוריות ובטכנולוגיות אריזה ממקורות שונים.

ניסיון לצמצם את התלות ב־CUDA

החלק המשמעותי ביותר במערכת התוכנה של OXMIQ הוא OxPython. לדברי החברה, השכבה נועדה לאפשר ליישומי Python שפותחו עבור CUDA של אנבידיה לפעול על מאיצים של חברות אחרות, ללא שינויים בקוד או הידור מחדש.

גרסה ראשונה של המערכת מיועדת לפעול על מאיצי Wormhole ו־Blackhole של Tenstorrent. מנכ"ל Tenstorrent, ג'ים קלר, אמר כי הטכנולוגיה עשויה לשפר את ניידות התוכנה ולאפשר למפתחים להעביר עומסי Python ו־CUDA בין פלטפורמות חומרה שונות. (oxmiq.ai)

זהו יעד שאפתני במיוחד. כוחה של אנבידיה אינו נובע רק מביצועי המעבדים הגרפיים שלה, אלא גם מסביבת CUDA, הכוללת ספריות, כלי פיתוח, מהדרים ומערכות תוכנה שנבנו במשך קרוב לשני עשורים. חברות רבות ניסו ליצור שכבות תאימות או כלי המרה, אך תאימות ליישום מסוים אינה שקולה בהכרח לתמיכה מלאה בכל המערכת האקולוגית של CUDA.

גם OXMIQ עצמה מרחיבה את ההתמקדות מעבר לתאימות ברמת היישום. החברה מפתחת את OxCapsule, מערכת המאפשרת לנהל חומרה הטרוגנית ולהקצות עומסי עבודה למעבדים ולמאיצים שונים. לפי EE Times, חלק מהתוכנה מבוסס על טכנולוגיה שקיבלה OXMIQ ברישיון מאינטל.

למרכזי נתונים גדולים מפתחת החברה מערכת נוספת בשם OxFactory. לדברי קודורי, ניהול אלפי מאיצים מחייב טיפול בתקלות חומרה, שיבושי רשת וחלוקת משימות בהיקף השונה מהותית מזה של מחשב אישי או מערכת קצה. OxFactory אמורה לשמש שכבת תזמור עבור “מפעלי AI” הכוללים אלפי מעבדים ומאיצים מסוגים שונים.

לא רק ספקית IP

למרות ההשוואה ל־Arm, OXMIQ אינה מתכוונת להסתפק במכירת רישיונות. החברה מתכננת לספק גם שירותי תכנון לשבבים מותאמים אישית ולמערכות שלמות למרכזי נתונים. בכך היא עשויה להתחרות, לפחות בחלק מהפרויקטים, בברודקום, מארוול ו־MediaTek, המסייעות לענקיות ענן לפתח מאיצים ייעודיים.

קודורי טוען כי העלייה החדה בעלות הקמת תשתיות AI משנה את הכלכלה של פיתוח שבבים מותאמים. לדבריו, כאשר ציוד מרכז נתונים בהספק של 100 מגה־ואט המבוסס על מאיצים מתקדמים עשוי לעלות מיליארדי דולרים, השקעה של כמאה מיליון דולר בפיתוח שבב ייעודי עשויה להפוך לכדאית. עם זאת, מדובר בהערכות של החברה, ולא בנתונים שהוכחו עדיין באמצעות פרויקט מסחרי המבוסס על OxCore. (EE Times)

החברה מסרה כי היא כבר פועלת עם מספר לקוחות לקראת הפיכת הקניין הרוחני שלה לשבבים ממשיים. כספי הגיוס ישמשו להשלמת חבילות ה־IP הראשונות, להרחבת פעילות התכנון ולגיוס מהנדסים נוספים. קודורי אמר כי הוא מעוניין לשמור על צוות קטן יחסית, המונה עשרות עובדים, ולהסתייע בכלי תכנון מבוססי בינה מלאכותית ובשותפים חיצוניים.

OXMIQ מציגה שילוב מעניין של מודל רישוי המזכיר את Arm, ליבת GPU מותאמת ל־AI, שבבונים ותוכנה שנועדה לצמצם את התלות באנבידיה. אולם הדרך מהדגמת FPGA למוצר מסחרי ארוכה. הצלחתה תהיה תלויה ביכולת להציג שבבים מיוצרים, לקוחות משלמים, תאימות תוכנה רחבה ותוצאות ביצועים וצריכת חשמל שניתן להשוות למאיצים הקיימים בשוק.

הפוסט OXMIQ גייסה 35 מיליון דולר ומבקשת להפוך ל־Arm של מאיצי ה-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.

סרברס מערכות (Cerebras Systems), אחת החברות השאפתניות ביותר בתחום שבבי הבינה המלאכותית, השלימה הנפקה ראשונה לציבור בנאסד"ק תחת הסימול CBRS, במהלך שהפך מיד לאחד מאירועי השוק הבולטים של 2026. החברה מכרה 30 מיליון מניות במחיר של 185 דולר למניה, וגייסה כ־5.55 מיליארד דולר. ביום המסחר הראשון זינקה המניה לפתיחה של 350 דולר וסגרה ב־311.07 דולר, עלייה של כ־68% לעומת מחיר ההנפקה. ביום המסחר הבא כבר נרשמה נסיגה, והמניה ירדה ל־279.72 דולר, אך גם לאחר הירידה היא עדיין נסחרה הרבה מעל מחיר ההנפקה. (Investors)

ההתלהבות סביב ההנפקה נובעת מהעובדה שסרברס אינה מציגה את עצמה כעוד ספקית מאיצים לשוק ה־AI, אלא כחלופה ארכיטקטונית למודל שעליו בנתה אנבידיה את שליטתה. בעוד אנבידיה מובילה את השוק באמצעות מערכות GPU, רשתות תקשורת מהירות, ספריות CUDA ומערכת תוכנה רחבה, סרברס מנסה לעקוף חלק מהמורכבות הזאת באמצעות שבב עצום בגודל פרוסת סיליקון שלמה. החברה טוענת כי מנוע ה־Wafer-Scale Engine 3 שלה כולל ארבעה טריליון טרנזיסטורים, 900 אלף ליבות מותאמות AI ו־125 פטה־פלופס של חישוב AI, על גבי שבב יחיד בשטח 46,225 מ"מ רבוע. לפי החברה, מדובר ב־19 פעמים יותר טרנזיסטורים ו־28 פעמים יותר חישוב לעומת NVIDIA B200. (Cerebras)

זו בדיוק הסיבה שההנפקה נתפסת כמתקפה ישירה על אנבידיה. סרברס אינה מנסה רק למכור שבב מתחרה ללקוחות שכבר בונים חוות GPU. היא מנסה לשכנע את השוק שאפשר לבנות חלק מעומסי ה־AI, במיוחד אינפרנס מהיר והרצת מודלים גדולים, בצורה פשוטה יותר: פחות חלוקה בין אלפי מאיצים, פחות צווארי בקבוק בזיכרון ובתקשורת בין רכיבים, ויותר חישוב וזיכרון על אותו משטח סיליקון. באתר החברה מוצגת הטכנולוגיה כגדולה פי 58 ממעבדי GPU וכמהירה עד פי 15 במקרי אינפרנס מסוימים, אם כי החברה עצמה מסייגת כי השוואות ביצועים תלויות בעומס העבודה, בתצורה ובמודל הנבדק. (Cerebras)

החזית החשובה ביותר היא ענן ה־AI. אנבידיה נהנית לא רק ממכירת שבבים, אלא ממעמד כמעט תשתיתי אצל ספקיות הענן, חברות AI ומרכזי נתונים. סרברס מנסה להיכנס בדיוק לשם. החברה מציעה שלושה מסלולים: שירות ענן למפתחים, קיבולת ייעודית למודלים מותאמים, ומערכות מקומיות לארגונים שרוצים שליטה מלאה על המודלים והנתונים. באתר החברה מופיעים לקוחות ושותפים כמו OpenAI, מטא, AWS, Mayo Clinic ו־GSK, והיא מדגישה תאימות לממשקי API בסגנון OpenAI כדי להקל על מעבר עומסים ממערכות קיימות. (Cerebras)

במילים אחרות, סרברס תוקפת את אנבידיה בשתי רמות. ברמת החומרה, היא טוענת שהבעיה המרכזית של AI אינה רק כמות החישוב, אלא תנועת הנתונים בין הזיכרון, המאיץ והרשת. ברמת המודל העסקי, היא מציעה ללקוחות גדולים לא להמתין רק לעוד דור GPU, אלא להעביר חלק מהעומסים לפלטפורמה ייעודית שמבטיחה זמן תגובה קצר יותר ועלות נמוכה יותר לאינפרנס. עבור יישומים כמו סוכני AI, חיפוש בזמן אמת, עוזרי קוד ושיחות קוליות, השהיה נמוכה היא לא תוספת נחמדה אלא תנאי שימוש מרכזי.

עם זאת, ההנפקה גם מחדדת את הסיכון. אנבידיה אינה רק יצרנית שבבים. היא מחזיקה במערכת אקולוגית רחבה של תוכנה, רשתות, שרתים, תכנון מערכות, קשרים עם יצרני ענן ויתרון עצום באמון הלקוחות. סרברס צריכה להוכיח שהארכיטקטורה החריגה שלה עובדת לא רק בהדגמות ובמקרי שימוש נבחרים, אלא גם בפריסה רחבה, לאורך זמן ובמגוון עומסים. אנליסטים כבר הזהירו שהשווי של החברה גבוה מאוד ביחס להכנסותיה, ושחלק ניכר מהאופטימיות מגולם במחיר המניה כבר אחרי ימי המסחר הראשונים. (MarketWatch)

לכן, ההנפקה של סרברס אינה רק עוד סיפור על חברת שבבים שנהנית מגל ה־AI. היא מבחן לשאלה גדולה יותר: האם שוק הבינה המלאכותית ימשיך להיבנות כמעט כולו סביב ארכיטקטורת GPU ורשתות של אנבידיה, או שייפתח מקום ממשי לארכיטקטורות ייעודיות שמציעות דרך אחרת להריץ מודלים גדולים. סרברס עדיין רחוקה מערעור ההובלה של אנבידיה, אבל עצם ההנפקה, גודל הגיוס והעניין מצד לקוחות ענן ו־AI גדולים מראים שהשוק מחפש אלטרנטיבות. עבור אנבידיה, זהו לא איום מיידי על הכתר, אבל זהו סימן ברור לכך שהמאבק הבא אינו רק על מי מייצר את השבב החזק ביותר, אלא על מי יגדיר את תשתית החישוב של עידן ה־AI.

הפוסט סרברס הונפקה בנאסד"ק – ומכוונת אל נקודת התורפה של אנבידיה 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.

מנכ"ל אנבידיה, ג'נסן הואנג, אמר בכנס של מורגן סטנלי בסן פרנסיסקו כי ההשקעות האחרונות של החברה ב־OpenAI וב־Anthropic הן כנראה האחרונות בשתיהן. לדבריו, אם החברות אכן יתקדמו להנפקה בהמשך 2026, האפשרות של אנבידיה להמשיך להשקיע בהן תצטמצם משמעותית.

לפי הדיווחים, אנבידיה כבר צמצמה את היקף המחויבות שעליה דובר בעבר מול OpenAI. בעוד שבשלב מוקדם יותר הוזכרה אפשרות להשקעה של עד 100 מיליארד דולר, ההשקעה שעליה סוכם לבסוף בסבב האחרון של OpenAI עמדה על 30 מיליארד דולר. במקביל, אנבידיה השקיעה 10 מיליארד דולר ב־Anthropic.

ההסבר הרשמי של אנבידיה נשען על קו אסטרטגי רחב יותר. בשיחת המשקיעים לרבעון הרביעי אמר הואנג כי כל השקעות החברה ממוקדות "באופן חד מאוד" בהרחבת והעמקת הגעת האקוסיסטם של אנבידיה. כלומר, מבחינת החברה, ההשקעות אינן רק פיננסיות אלא גם אמצעי לחיזוק מעמדה כספקית התשתית המרכזית לעולם ה־AI.

אלא שהמהלך מעלה שאלות רחבות יותר. אחת מהן נוגעת למבנה המעגלי של העסקאות: אנבידיה משקיעה בחברות שהן גם לקוחות ענק של מעבדי ה־AI שלה. לכן, יש מי שרואים בחלק מהעסקאות הללו מצב שכמעט "מאפס" את עצמו כלכלית, או לפחות מייצר רושם של ניפוח הדדי של שווי וצמיחה בשוק הבינה המלאכותית.

ברקע נמצאת גם הסלמה סביב Anthropic. לפי רויטרס, הפנטגון הגדיר את Anthropic כ"סיכון בשרשרת האספקה", צעד שמגביל קבלנים ביטחוניים משימוש בטכנולוגיה שלה בעבודה עבור משרד ההגנה האמריקני. זמן קצר קודם לכן דיווחה רויטרס כי ממשל טראמפ הורה לסוכנויות פדרליות להפסיק את השימוש בטכנולוגיה של Anthropic.

העימות הזה תרם גם לתזוזה בשוק האפליקציות: TechCrunch דיווחה כי Claude של Anthropic טיפסה למקום הראשון בדירוג האפליקציות החינמיות בארה"ב ב־App Store, אחרי המחלוקת סביב עסקת הפנטגון והביקורת הציבורית שהתפתחה בעקבותיה.

מנקודת המבט של תעשיית השבבים, המסר ברור: אנבידיה רוצה להישאר ספקית התשתית של כולם, ולא להיתפס כמזוהה יותר מדי עם מחנה אחד בתוך מאבקי הכוח של שוק ה־AI. כשהיא כבר נהנית מהכנסות עתק ממכירת מאיצים למרכזי נתונים, הצורך שלה להגדיל עוד את החשיפה ההונית לחברות כמו OpenAI ו־Anthropic קטן יחסית. אנבידיה דיווחה על הכנסות רבעוניות של 68.1 מיליארד דולר ועל הכנסות שנתיות של 215.9 מיליארד דולר לשנת הכספים 2026, נתון שממחיש עד כמה מנוע הצמיחה העיקרי שלה נשען על מכירת תשתיות, לאו דווקא על רווחי הון מהשקעות מיעוט.

בשורה התחתונה, ייתכן שהסבר ה"הנפקה סוגרת את החלון" הוא רק חלק מהתמונה. לא פחות סביר שאנבידיה מנסה לצאת בעדינות ממערך יחסים שהפך מורכב: גם ספקית שבבים קריטית, גם משקיעה, גם שותפה אסטרטגית, וגם מי שצריכה לעבוד בעת ובעונה אחת עם שחקניות שנמצאות בעימות הולך ומחריף זו עם זו.

הפוסט ג'נסן הואנג: אנבידיה צפויה לעצור השקעות נוספות ב־OpenAI וב־Anthropic הופיע לראשונה ב-Chiportal.

במסגרת פסגת ה-AI השנתית השנייה של סיסקו, שרטט מנכ"ל החברה, ליפ-בו טאן, את תמונת המצב הנוכחית של ענקית השבבים, תוך חשיפת פרטים חדשים על התקדמות עסקי הייצור (Foundry), הכניסה לשוק המעבדים הגרפיים והתחרות הגוברת מול סין.

בשיחה עם ג'יטו פאטל, הדגיש טאן כי אינטל נמצאת בעיצומו של תהליך לייצוב ושיקום יכולות הייצור, לצד הרחבת סל המוצרים לתחום הבינה המלאכותית.

התקדמות בייצור: "עסק של עבודה קשה ואמון"
טאן חשף כי עם כניסתו לתפקיד, תפוקת הייצור (Yield) בתהליך ה-18A הייתה נמוכה, אך לאחר שילוב כוחות עם חברות ציוד ובדיקה חיצוניות, החברה רושמת כעת שיפור עקבי של 7% עד 8% בתפוקה מדי חודש.

לגבי הדור הבא, טכנולוגיית ה-A14 (הנחשבת למתקדמת ביותר במפת הדרכים), ציין טאן כי החברה מכוונת ל"ייצור בסיכון" (Risk Production) בשנת 2028 ולייצור המוני מלא (Volume Production) בשנת 2029. "הקמנו תהליכים שיבטיחו ללקוחות לא רק תפוקה טובה, אלא גם את כל הקניין הרוחני (IP) הנדרש, כולל למכשירים ניידים", אמר, והוסיף כי לקוחות חיצוניים כבר מגלים עניין ומקבלים ערכות תכנון (PDK 0.5) לעבודה על שבבי ניסיון.

כניסה אסטרטגית לשוק ה-GPU

באחת ההצהרות המשמעותיות בשיחה, אישר טאן כי אינטל נכנסת באופן מלא לתחום המעבדים הגרפיים (GPU) כדי להתחרות על עומסי העבודה של העתיד. "גייסתי לאחרונה ארכיטקט GPU ראשי", חשף טאן. "אנו מבינים שכדי לספק מענה מלא, אי אפשר להסתמך רק על מעבדי CPU. הגישה שלנו גמישה – אנו לא נעולים רק על ארכיטקטורת x86, אלא מחבקים גם את RISC-V, מתוך הבנה שהתוכנה היא זו שמגדירה את החומרה". בנוסף, ציין טאן כי אינטל "מהמרת חזק" על שימוש במצעי זכוכית (Glass Substrates)  כמבודד, ובוחנת שימוש בחומרים מתקדמים נוספים כמו יהלומים מלאכותיים וגליום-ניטריד.

ליפ בו טאן התייחס לשינוי התרבותי והעסקי העצום שהחברה עוברת בימים אלה:

"ניהול של שני עסקים במקביל – מוצרים וייצור – הוא אתגר עצום", הסביר טאן. "בצד של המוצר עוסקים בחדשנות ובמפות דרכים, אבל הצד השני הוא עסק של שירות נטו. התרבות הארגונית שלנו חייבת להשתנות. אני אומר לצוות שלי: 'חברים, זה עסק של עבודה שחורה, סיזיפית (Grinding)'. זה לא מספיק שיש לך טכנולוגיה טובה ואנשים פשוט יבואו".

לדברי טאן, המפתח להצלחה טמון בבניית אמון מול הלקוחות: "צריך לטחון את העבודה עד שמוכיחים את התפוקה (Yield) , כדי שהלקוחות יוכלו לסמוך עליך, כי כל ההכנסות והרווחים שלהם תלויים בזה. אנו צריכים להרוויח את האמון הזה ביושר. לכן אני מבקש מלקוחות: 'תנו לי 5%, 10% או 20% מהמוצר הכי גדול וחשוב שלכם – תנו לי להרוויח את האמון שלכם".

טאן אישר כי כבר יש מעורבות עמוקה של כמה לקוחות בתהליך ייצור A14 "אנחנו מחכים לשרת אותם. אני מקווה שבמחצית השנייה של השנה אני כבר אראה התחייבויות לנפח ייצור (Volume commitment) מהלקוחות, איזה מוצרים הם רוצים, ואוכל לספק להם".

אתגרי השוק: מחסור בזיכרון ותחרות מסין טאן הציג גישה ריאליסטית ושקופה לגבי האתגרים בתעשייה:

מחסור בזיכרון: להערכת טאן, המבוססת על שיחות עם יצרניות הזיכרון הגדולות, המחסור העולמי בשבבי זיכרון עבור יישומי AI צפוי להימשך עד שנת 2028. "ה-AI שואב את כל קיבולת הזיכרון הקיימת", הסביר.

התחרות מול סין: בהתייחסו למודל DeepSeek ולהתעצמות הטכנולוגית בסין, הזהיר טאן משאננות. הוא ציין כי גילה שחברת Huawei מעסיקה כ-100 ארכיטקטי מעבדים (CPU Architects) מהשורה הראשונה, שמצליחים לייצר חלופות טכנולוגיות למרות הסנקציות ומגבלות הציוד. "DeepSeek הייתה קריאת השכמה", אמר טאן, והדגיש את הצורך של ארה"ב להאיץ תהליכי מחקר ורגולציה בתחום האנרגיה והתשתיות כדי לא לאבד את ההובלה.

דבריו אלו של טאן מצטרפים לדיווח החברה מאתמול על שיתוף פעולה עתידי עם חברת SAIMEMORY של סופטבנק לפיתוח זיכרון חדש בשם ZAM. בכך החברה הופכת רשמית גם ליצרנית שבבי זיכרון.

ההסכם שכאמור נולד מתוך צורך מעשי של סופטבנק, הענקית היפנית שמקימה כיום רשת של מרכזי נתונים עבור בינה מלאכותית (AI) ברחבי יפן. כאשר הבעיה הגדולה של מרכזים אלו היא צריכת החשמל האדירה שלהם.

הזיכרון החדש, שאינטל וסופטבנק יפתחו יחד, נועד לפתור בדיוק את הנקודה הזו, לספק רכיב מהיר מאוד, אבל כזה שצורך הרבה פחות אנרגיה מהרכיבים הקיימים היום. הפיתוח ייעשה על בסיס ידע אמריקאי וטכנולוגיות ייצור של אינטל, כשהמטרה היא להגיע לייצור המוני בשנת 2029.

הפוסט מנכ"ל אינטל, ליפ-בו טאן: "נכנסים רשמית לתחום ה-GPU; שיפור עקבי של 8% בתפוקת הייצור (Yield) מדי חודש" הופיע לראשונה ב-Chiportal.

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.

אנבידיה ו-TSMC ציינו בפיניקס, אריזונה (17 באוקטובר 2025) אבן דרך תעשייתית: פרוסת שבבים (wafer) ראשונה של ארכיטקטורת Blackwell שיוצרה על אדמת ארה״ב – אינדיקציה לכך שהפלטפורמה נכנסה לייצור בכמויות. מנכ״ל אנבידיה, ג’נסן הואנג, ביקר במפעל TSMC Arizona וחתם יחד עם Y.L. Wang, סגן נשיא התפעול ב-TSMC, על הפרוסה הטקסית.

באנבידיה הגדירו את המהלך כחיזוק שרשרת האספקה האמריקנית ו״השבת״ שכבות מפתח בערימת הטכנולוגיה של ה-AI לייצור מקומי – ממירוץ הנתונים ועד ההסקה (Inference). לדבריהם, ייצור מקומי של רכיבי מפתח ל-AI צפוי לתמוך בחדשנות ולצמצם תלות בייבוא.

ה-wafer יעבור את שלבי העיבוד המקובלים – שכבות, הדפס תבניות, צריבה וחיתוך – עד להפיכתו ל-GPU בעל ביצועים גבוהים במיוחד בארכיטקטורת Blackwell, המיועדת למודלים גנרטיביים גדולים, אימון והיסק בקנה־מידה.

החברות מצביעות על כך שייצור מבוסס-ארה״ב הוא קריטי לעמידה בביקוש. במקביל, אנבידיה מתכננת לפרוס בארה״ב טכנולוגיות AI, רובוטיקה ו-Digital Twin לתכנון והפעלה של אתרי ייצור חדשים – כחלק מייעול תהליכים והאצת time-to-market. בנוסף צוין כנס NVIDIA GTC Washington, D.C. (27–29 באוקטובר), שבו יוצגו כלים ופתרונות ליישומי AI בארגונים, מגזר ממשל וקהילת המחקר.

לפי TSMC, האתר באריזונה ייצר טכנולוגיות מתקדמות, כולל שניים, שלושה וארבעה ננומטר, וכן דור A16, לשימושים ב-AI, טלקום ומחשוב עתיר ביצועים (HPC). זהו חלק מהרחבת הכושר היצרני בארה״ב לאור הביקוש הגואה לשבבי AI.

הואנג אמר באירוע: “זה רגע היסטורי… זו הפעם הראשונה זה עשרות שנים שבה השבב החשוב ביותר מיוצר בארה״ב, ב-fab המתקדם ביותר של TSMC כאן בארה״ב.” הוא קישר את המהלך לחזון “החנא״ת מחדש” של תעשייה מתקדמת בארה״ב וליצירת תעסוקה.

מנכ״ל TSMC Arizona, ריי ג׳ואנג, הוסיף: “להגיע בתוך כמה שנים קצרות לפרוסת Blackwell הראשונה שיוצרה בארה״ב משקף את הטוב ביותר של TSMC… זה נבנה על שלושה עשורים של שותפות עם אנבידיה ועל מחויבות העובדים והשותפים המקומיים.”

הפוסט אנבידיה ו-TSMC: פרוסת Blackwell ראשונה שיוצרה בארה״ב מסמנת ייצור סדרתי הופיע לראשונה ב-Chiportal.