מהצ'יפלט ועד הדף האלקטרוני: איך AI מרענן את הארכיטקטורה של השבבים והקריאה

מהלך נגד Nvidia: ה-OPU של Tsavorite משנה את כללי המשחק

סטארט-אפ הסמיקונדקטור Tsavorite Scalable Intelligence מציג גישה אגרסיבית לשוק ה-AI העמוס של Nvidia ושות'. החברה הכריזה על Omni Processing Unit (OPU) – צ'יפלט קומפוזיציוני שמנסה לאחד את כל אבני היסוד של מחשוב AI ולשבור צווארי בקבוק של עלות, הספק וסקייל.

ה-OPU משלב על גבי רכיב אחד:

• GPU
• CPU
• זיכרון
• קישוריות Scale-out ברמת מערכת ומרכז נתונים

המפתח הוא MultiPlexus fabric – טכנולוגיית interconnect שמאפשרת לחבר צ'יפלטים, חבילות, שרתים וארונות שלמים למערכת אחת, עם latency נמוך במיוחד, caches מבוזרים ברמת גיגה-בייטים, ורוחב פס ברמת פטה-בייט. המטרה: ליצור unified memory pods שיכולים להתמודד עם מודלי AI עצומים, עד טריליוני פרמטרים.

Tsavorite לא בונה הכול מאפס: הארכיטקטורה נשענת על Arm Neoverse compute subsystem, שמספק ביצועים גבוהים לוואט ותאימות לפריסות ענן, on-prem ו-edge.

שכבת התוכנה: TAOS במקום CUDA-lock

לצד החומרה, Tsavorite מציגה את Tsavorite Agentic Operating Stack (TAOS) – סטאק תוכנה מלא, בקוד פתוח, שנועד לצמצם את תלות המפתחים ב-CUDA:

• התאמה ליישומים קיימים שנבנו ל-Nvidia ללא שינוי קוד
• תמיכה ב-Kubernetes, PyTorch, Ray, Triton, vLLM, Hugging Face ועוד
• דגש על "agentic workflows" – אורכזטרציה חכמה של מודלים וסוכני AI

החברה מדווחת על הזמנות בהיקף של יותר מ-100 מיליון דולר עוד לפני ייצור המוני, עם לקוחות ראשונים, ביניהם חברות Fortune 500, אינטגרטורים אמריקאיים וספקי ענן ריבוניים בארה"ב, אירופה ואסיה. Eviden (חברת-בת של Atos) תהיה בין הראשונות לשלב את ה-OPU לצרכי אימון, inference ו-agentic AI.

המסר לתעשייה – כולל שחקנים ישראלים: עידן שבו Nvidia היא ברירת המחדל היחידה כבר לא מובן מאליו.

---

כש-AI מגיע לדף: Viwoods AiPaper Reader

בזמן שמרכזי הנתונים עוברים לארכיטקטורות קומפוזיציוניות, חברת Viwoods מנסה לפתור בעיה יומיומית הרבה יותר: איך לקרוא טקסטים ארוכים, טכניים ואקדמיים בלי לקפוץ כל רגע ל-Google או ChatGPT.

AiPaper Reader הוא קורא E Ink קל במיוחד (138 גרם), מבוסס Android 16, שמביא "AI על הדף":

• מסך 6.13" E Ink Carta 1300, רזולוציה 300ppi, תאורה קדמית מתכווננת
• עובי 6.7 מ"מ, כפתורי דפדוף פיזיים
• קישוריות 4G + Wi‑Fi 2.4/5GHz
• כפתור AI ייעודי בתחתית – לחיצה והחזקת הכפתור מאפשרות שאילתת קול עד 15 שניות

איך זה עובד בפועל?

ה-AI פועל על גבי העמוד ולא בחלון צד מנותק:

• בחירת פסקה / נוסחה / קוד → לחיצה על כפתור ה-AI → תשובה תמציתית מופיעה ליד הטקסט
• אפשרויות: סיכום, הסבר במילים פשוטות, תרגום, השוואת מונחים, הבלטת נקודות מפתח
• צילום אזור מהעמוד (screenshot לוגי) לצורך ניתוח ותיוג
• Knowledge Base מובנה: שמירת השאלות, התשובות והציטוטים עם חותמת זמן, ארגון לתיקיות וייצוא

המיקוד כאן חשוב לקוראים טכנולוגיים, סטודנטים וחוקרים: לא עוד רסס של טאבים, אלא קריאה רציפה שבה ה-AI משרת את הטקסט ולא משתלט עליו.

---

AI בתוך פס הייצור: הבטחה מול מציאות בבדיקת שבבים

בצד השני של עולם החומרה, תעשיית הסמיקונדקטור מחפשת דרכים להשתמש ב-AI כדי להפוך בדיקות ייצור (Test) לחכמות, מהירות וזולות יותר. המודלים, תיאורטית, מציעים מהפכה; בפועל, הדרך מורכבת.

ההבטחה: Adaptive Test

AI-driven adaptive test שואף לנצל נתונים בזמן אמת כדי לקצר תהליכי בדיקה:

• שימוש בנתוני wafer test ונתוני inline משלבי תהליך מרובים
• אימון מודלים שמבדילים טוב יותר בין die טובים לבעייתיים בשלב מוקדם
• התאמת תסריטי הבדיקה לכל die – ביטול בדיקות מיותרות, קיצור זמנים, חיסכון בעלויות

מודלים מתקדמים, כולל Deep Neural Networks, מסוגלים להתמודד עם עשרות אלפי עד מאות אלפי פרמטרים ל-die וללכוד יחסים לא לינאריים שקשה לגלות עם סטטיסטיקה קלאסית.

המציאות: דאטה, עלויות וארגון

האימוץ עדיין מוגבל, בעיקר בגלל:

• איכות נתונים: חוסרים, הטיות וקורלציות שגויות פוגעים באמון במודלים
• סילואים ארגוניים: קושי לשתף דאטה בין שלבי ייצור, ספקי ציוד וקווי בדיקה
• עלות חישוב: ריצה של DNN על ציוד בדיקה מצריכה אופטימיזציה אגרסיבית של מודלים
• צורך בתשתית סטנדרטית: יוזמות כמו SEMI STT ו-aTest נועדו לאפשר גישה אחידה לנתוני בדיקה

מודל העבודה המתהווה: אימון כבד בענן, inference קל על גבי ה-tester, ועיבוד קצה (edge) שמסנן נתונים רלוונטיים לרה-טריינינג. זה כיוון קריטי עבור יצרנים גלובליים – וגם עבור חברות IP, סטארט-אפים וכל מי שמפתח בישראל כלים ל-yield, analytics ו-test.

---

שורת הסיכום: שכבת התשתית של ה-AI עוברת רענון

השילוב בין OPU קומפוזיציוני, קורא חכם עם AI מובנה, ו-בדיקות ייצור מונעות AI מצביע על מגמה ברורה: AI זולג מטופ-מערכת לתוך השכבות העמוקות ביותר – מהחומרה במרכזי הנתונים, דרך חוויית הקריאה האישית, ועד לאופטימיזציה של תהליכי ייצור שבבים.

לאקוסיסטם הטכנולוגי בישראל זהו אות אזהרה ואות הזדמנות: המשחק האמיתי עובר לתחום שבו חומרה, תוכנה ו-AI מעוצבים יחד, מלמטה למעלה.