AI אוטונומי קיצר את דיבאג השבבים מימים לדקות
AI אוטונומי נכנס לשני תחומים נישתיים אך קריטיים: דיבאג של שבבים תלת-ממדיים ואבטחת מידע. בתחום השבבים, ChipAgents קיצרה את זמני הדיבאג מימים לדקות — על רקע שיעור הצלחה של פחות מ-15% בסבב הסיליקון הראשון. בתחום האבטחה, MIND מאפשרת לצוותים לחזור לעסוק באסטרטגיה במקום בכיבוי שריפות, עם חיסכון שעליו כבר מדווחת OpenWeb הישראלית.
ה-AI האוטונומי נכנס לתפקידים שפעם היו שמורים רק למהנדסים מנוסים
תעשיית ההייטק הישראלית והעולמית רגילה לדבר על AI בקונטקסט של צ'אטבוטים, תמונות וקוד. אבל בזמן שאתם מתווכחים אם Copilot באמת חוסך זמן, קורה משהו מעניין הרבה יותר מתחת לפני השטח: AI אוטונומי — כזה שלא רק מייצר תשובה אלא מקבל החלטות ומבצע פעולות בעצמו — נכנס לשני תחומים טכניים צפופים במיוחד: הנדסת מוליכים למחצה ואבטחת מידע.
ובניגוד לרוב הבאזז, כאן מדובר במדדים קונקרטיים.
מה קרה בעולם דיבאג השבבים?
פיתוח שבבים מודרניים, במיוחד בטכנולוגיית 3D IC (מעגלים משולבים תלת-ממדיים), הפך למשימה מטורפת. אנחנו מדברים על מיליארדי טרנזיסטורים, צ'יפלטים הטרוגניים, מספר אזורי שעון, היררכיות זיכרון מורכבות ואינטראקציות חומרה-תוכנה מסובכות.
התוצאה? שיעור ההצלחה בסבב הסיליקון הראשון ירד אל מתחת ל-15%. כן, קראתם נכון — פחות מ-1 מתוך 6 שבבים עובד בניסיון הראשון. ואם זה לא מספיק, מחקרים מראים שדיבאג אחראי לכמחצית ממאמץ ה-Verification הכולל.
למה דיבאג כל כך קשה?
הבעיה כפולה:
ראשית — מרחק בין הסימפטום לשורש הבעיה. תקלה אחת עשויה לנבוע מאירוע שקרה מאות או אלפי מחזורי שעון קודם לכן. מהנדס צריך לעבור על לוגים, גלים (waveforms), אסרטות, מפרטים, RTL, היסטוריית קומיטים ודוחות וריפיקציה — ואף מקור אחד לא מספר את הסיפור המלא.
שנית — כמות. הרצה אחת של רגרסיה יכולה לייצר עשרות כשלים בו-זמנית, וכל אחד מהם דורש חקירה עמוקה. הנתונים שמופקים מכל סימולציה יכולים להגיע לטרה-בייטים.
דוגמה אמיתית שמסבירה את הכאב
לקוח אנונימי של ChipAgents — חברה שפיתחה מערכת AI אוטונומית לדיבאג — שיתף מקרה שממחיש כמה דברים צריכים להסתדר כדי לחשוף באג אחד:
המקרה כלל Manager ו-Subordinate על ממשק סריאליזציה דו-כיווני, עם טסט שביצע פעולה באמצע טרנזקציה. בזמן שמידע הועבר, ה-Manager שלח בטעות ערך שנראה כמו קוד התחלה. ה-Subordinate פירש את הערך כתחילתה של מסגרת חדשה לגמרי, והשגיאה גררה כשל הרבה יותר מאוחר.
כדי לשחזר את הבעיה נדרשו להתרחש בו-זמנית: איפוס באמצע טרנזקציה, ערך מידע שנראה בטעות כמו קוד התחלה ושידור Manager שעבר את תקופת החסד. זה בדיוק הסוג של באג שאי אפשר למצוא בבדיקה ידנית.
איך AI אוטונומי פותר את זה?
ChipAgents בנו מערכת מרובת סוכנים שמבצעת דיבאג אוטונומי ברמה ארגונית. המערכת מתחילה במיון חכם (intelligent binning) — ראשית, באמצעות התאמת תבניות דטרמיניסטית, ולאחר מכן במעבר שני שמאחד כשלים שנראים שונים על פני השטח אבל חולקים כנראה אותו שורש.
התוצאה: זמני דיבאג שירדו מימים לדקות. לא שיפור של אחוזים בודדים — קפיצה של סדר גודל.
ומה קורה באבטחת מידע?
אם דיבאג שבבים נשמע לכם רחוק, הדוגמה השנייה קרובה לכל מי שעובד בחברת טכנולוגיה.
הבעיה: עבודת יד שגוזלת את כל הזמן
תשאלו מהנדס אבטחה לאן נעלם השבוע שלו, והוא לא ידבר על תוקפים. הוא ידבר על:
- תור התראות שהתמלא מחדש בין לילה
- בקשה לשינוי מדיניות שפתוחה מאז יום שלישי
- בקשות חריגים שאף אחד לא קרא
- תחזוקת סיווגים — בכל פעם שהצוות המשפטי משנה קטגוריות חוזים, מישהו צריך לבנות מחדש את המסווגים
73% מצוותי האבטחה מדווחים שחיובי שווא הם האתגר המרכזי שלהם בזיהוי איומים, לפי סקר SANS מ-2025. במקביל, 92% מהארגונים מתקשים לקבל תמונה אחידה ומדויקת של המדיניות בסביבותיהם השונות.
ה-AI מאיץ את הבעיה
זה החלק האירוני: ככל שיותר ארגונים מאמצים AI גנרטיבי וסוכנים אוטונומיים, הבעיה מחריפה. מידע רגיש זז עכשיו בקצב מכונה — כלים מסכמים דאטה וסוכנים אוטונומיים מעבירים אותו בין פלטפורמות SaaS ומערכות AI. מחזור כיוונון מדיניות שנמדד בשבועות לא יכול לשלוט בתנועת מידע שנמדדת בשניות.
הפתרון: AI שמטפל במשימות, לא באסטרטגיה
MIND פיתחה גישה שבה סוכנים אוטונומיים מנהלים משימות מקצה לקצה: חוקרים התראות לפני שבן אדם פותח אותן, בונים ומשכללים מסווגים על בסיס מה שקורה בסביבה בפועל, מנסחים ומשנים מדיניות לפי תנועת מידע אמיתית, ומבצעים תיקונים מאושרים מראש באופן מיידי.
הצוות שומר על השליטה בהחלטות האסטרטגיות — איפה עוברים הגבולות, אילו פעולות רצות בלי אישור — אבל תור העבודה נמחק.
זווית ישראלית
Yaron Blachman, CISO ב-OpenWeb הישראלית, מדווח שהחברה חוסכת זמן משמעותי הודות לסינון מידע לא רלוונטי וחיובי שווא. ההערכה שלהם: צמצום משמעותי בזמן שהצוות מקדיש למשימות ידניות, מה שמשחרר מהנדסים להתמקד בארכיטקטורה ובהגנה אמיתית במקום בתחזוקה.
אז מה בעצם קרה כאן?
שני הסיפורים האלה חולקים מכנה משותף עמוק: בשני התחומים, עבודת החקירות הידנית הפכה לצוואר הבקבוק האמיתי — לא מחסור בכלי זיהוי, לא חוסר בדאטה, אלא העובדה שבן אדם צריך לחבר הכול ביחד.
ה-AI האוטונומי לא בא להחליף מהנדסים. הוא בא לקחת את העבודה שהם הכי פחות רוצים לעשות — ולתת להם להתמקד במה שהם הכי טובים בו. בתחום השבבים מדובר בהצלת פרויקטים. בתחום האבטחה מדובר בהחזרת שבוע עבודה שלם.
ומי שלא יפנים את השינוי הזה עכשיו, ימצא את עצמו עם צוות שעובד ידנית בעולם שזז בקצב מכונה. וזה, חברים, אף פעם לא נגמר טוב.