AI פיזי: למה TOPS זה כבר לא מה שחשוב

הכותרות עוסקות בכוח עיבוד — המציאות עוסקת בזיכרון, זמן אחזור ואמינות

אתם מכירים את זה: כל חברה שמשיקה שבב AI לקצה מתגאה במספר ה-TOPS שלה. מיליון TOPS, עשרה מיליון TOPS, מאה מיליון TOPS. כאילו שזה מה שקובע אם המערכת תעבוד בעולם האמיתי. אבל מי שעוסק בתכנון מערכות AI פיזיות — רובוטיקה, רכבים, מכשור רפואי, מכונות תעשייתיות — יודע שהמספר הזה הוא בערך הדבר הכי פחות חשוב בתמונה הכוללת.

Physical AI, כלומר מערכות שבהן בינה מלאכותית חשה, מפרשת ופועלת בעולם הפיזי, נמצאות תחת אילוצים קשיחים לחלוטין: זמן תגובה נמדד במילישניות, תקציבי הספק נמדדים בוואטים, גבולות תרמיים שאי אפשר לעבור, ודרישות אמינות שלא יכולות להיכשל. כשזרוע רובוטית מבצעת חתך כירורגי, כשחיישן lidar ברכב מזהה מכשול, או כשמנגנון בקרה במפעל עוקב אחרי לחץ בדוד — המערכות האלה חייבות לפעול בזמן אמת.

האתגר ההנדסי האמיתי הוא לא לדחוס כמה שיותר כוח עיבוד לאריזה קטנה יותר. זה לתזמר מחזור שלם של קלט חיישנים → עיבוד → החלטה → פעולה, שבו כל רכיב — זיכרון, קישוריות, קלט/פלט, מחשוב — חייב לספק ביצועים צפויים בתנאים לא צפויים.

מה באמת מכתיב ביצועים?

Sathish Balasubramanian, ראש מוצר EDA AI ב-Siemens EDA, מבהיר שהקצה מתפרש הרבה מעבר למה שנהוג לחשוב:

״בצד הצרכני, יש לך מכשירים אישיים קטנים — שעון שעוקב אחרי ה-ECG שלך. אם קצב הלב שלך חריג, הוא מתקשר ישירות לבית החולים. בתעשייה, יחידת בקרה שעוקבת אחרי לחץ בקו ייצור. ובקיצון — כל אצבע של רובוט שמרים משהו היא מכשיר קצה בפני עצמו.״

ומה עם רכבים?

״רכב כמכלול הוא לא מכשיר קצה״, מבהיר Balasubramanian. ״מכשירי הקצה הם ה-lidar, הרדאר, המצלמה — כל אחד מהם צריך לעבד את הנתונים שלו מקומית. המערכת כולה היא מכשיר קצה.״

בתחום הרפואי, זה אפילו יותר קריטי: ״מנתח רובוטי יודע את המיקום הנכון לבצע את החתך, עם הלחץ הנכון. אבל אם דופק הלב של המטופל עולה, או שהוא מנסה להתעורר — המערכת חייבת להגיב מיידית. אי אפשר לשלוח את הנתונים לענן ולחכות.״

אז מה באמת מכתיב ביצועים? לא כמה חישובים השבב יכול לבצע בשיא, אלא:

• רוחב פס זיכרון — כמה נתונים יכולים לזרום דרכו בבת אחת
• זמן אחזור — כמה זמן לוקח לנתונים לעבור מחיישן לפעולה
• יעילות הספק — כמה וואט עולה כל החלטה
• תנועת נתונים — כמה יעילה התקשורת בין הרכיבים השונים
• סנכרון — כמה מהר כל החלקים מתאמים ביניהם

הבעיה המבנית: מודלים שמשתנים מהר מדי מול סיליקון שמשתנה לאט מדי

אחת הבעיות המרכזיות של תחום ה-edge AI היא פער הזמנים. צוותי הנדסה חייבים לתכנן שבב — תהליך שלוקח שנתיים-שלוש — עבור מודלי AI, עומסי עבודה ודרישות פריסה שצפויים להשתנות עשרות פעמים עד שהסיליקון מוכן. מה שהיה נכון בזמן ה-tape-out כבר לא רלוונטי כשהמוצר מגיע לשוק.

הפתרון? גמישות ארכיטקטונית. מתכננים הולכים יותר ויותר לכיוון:

• מחשוב הטרוגני — CPU, GPU ו-NPU שמשלימים זה את זה
• נתיבי נתונים מתוכנתים — שאפשר לשנות אחרי הייצור
• זיכרון מורחב — עם ממשקים שמאפשרים גידול
• עדכוני שדה מאובטחים — כדי לעדכן מודלים אחרי הפריסה
• תכנון משותף חומרה-תוכנה — Hardware-software co-design

Rob Fisher, מנהל בכיר בניהול מוצר ב-Imagination Technologies, מתאר את מה שקורה בשוק:

״מעבדי CPU נעשים דומים יותר ל-GPU בניסיון לבצע יותר עיבוד מקביל. מעבדי NPU נעשים גמישים יותר כדי להתקרב ליכולות של GPU. נקודת המפגש היא באמצע. אנחנו מגלים שיותר לקוחות מנסים לגדר את ההימורים שלהם מול העתיד מאשר לנסות לסחוט כל טיפת ביצועים ממה שיש היום. זה כבר לא עניין של GPU שאפשר 'להכניס' לתוך SoC ושהוא יעשה רק דברים של GPU. יש לזה השפעות על כל המערכת.״

אבטחה: לא משהו שאפשר להוסיף בסוף

עוד נושא קריטי שנדחק לעיתים קרובות לשוליים: אבטחה. מערכות AI פיזיות מרחיבות את משטחי התקיפה — על מודלים, נתונים, מפתחות קושחה וצנרת היקש (inference pipelines). תקיפות יכולות להיות מפורשות: לא רק גניבת נתונים, אלא הזרקת שיבושים תפיסתיים שקטים — הטעיית המערכת כך שהיא מקבלת החלטות שגויות בלי שאף אחד שם לב.

המפתח: אבטחה חייבת להיות משולבת בחומרה מהיום הראשון, ולא להתווסף בדיעבד. זה כולל:

• הגנה על שרשרת האספקה של התוכנה
• הצפנה ברמת השבב
• אימות עדכוני קושחה
• אינטגרציה של כלי אימות שמודעים לחומרה

בכלים ובפרימוורקים השונים יש פיצול משמעותי, מה שהופך אופטימיזציה מודעת חומרה לחשובה באותה מידה כמו כוח עיבוד גולמי.

הרכב כמקרה בוחן: ההימור הגדול ביותר

יצרניות הרכב רואות את שוק ה-AI הפיזי כהזדמנות של יותר מטריליון דולר בעשור הקרוב. אבל המעבר מרכב מוגדר תוכנה (Software-Defined Vehicle) לרכב מוגדר AI (AI-Defined Vehicle) דורש חשיבה מחדש על הכול.

Paul Karazuba, סגן נשיא שיווק מוצר ב-Rambus, מסביר את ההבדל:

״רכב מוגדר תוכנה הוא כזה שהפונקציונליות שלו מתפתחת דרך עדכוני תוכנה אחרי שהוא עוזב את המפעל. רכב מוגדר AI הולך צעד קדימה — הוא משתמש ב-AI כדי לפרש נתונים באופן רציף, לקבל החלטות ולהתאים התנהגות בזמן אמת. ההבדל הוא לא רק תוכנה שמשתתפת, אלא אינטליגנציה שמעצבת באופן אקטיבי איך הרכב מתפקד.״

אבל יצרניות הרכב מהמרות על גישות שונות:

• גישה מרכזית — מעבדים גדולים ומרכזיים שמנהלים את הכול
• גישה מבוזרת — מחשוב מיוחד מפוזר בין מערכות שונות ברכב

Moritz Neukirchner, מנהל בכיר ב-Elektrobit, מבהיר ש״AI הוא לא הצעת ערך בפני עצמו, אלא טכנולוגיה מעצימה חיונית לאבולוציה של רכבים מוגדרי AI. AI היה חלק מרכבים כבר שנים — בערימות תפיסה ל-ADAS, למשל. מה שמשתנה זו החוויה: פונקציונליות הופכת גלויה ונגישה ישירות ללקוחות, מאיצי AI וכלי פיתוח הופכים נגישים יותר למתכנתים.״

אתגר הזיכרון ברכב

כשהמצלמות, ה-lidar והרדאר מייצרים כמויות אדירות של נתונים גולמיים (raw data), הדרישות מהזיכרון, מהממשקים, מהרשתות הפנימיות ומיעילות ההספק גדלות דרמטית. מערכות רכב מוגדר AI חייבות לאמת:

• קלטי חיישנים
• החלטות AI
• עדכונים
• התמודדות עם מקרי קצה קיצוניים
• פעולה לאורך מחזור חיים של 10–15 שנה

זה לא עניין של 'עובד במעבדה' — זה עניין של 'עובד בגשם, בלילה, בכביש חלק, עם חיישן שמתלכלך'.

מה זה אומר למי שבונה דברים בארץ?

האתגרים האלה רלוונטיים במיוחד לישראל. תעשיית הרכב כאן — Mobileye כדוגמה מרכזית, לצד עשרות סטארטאפים בתחום ה-Autonomous Driving, חיישנים ו-ADAS — נמצאת בחזית המשחק. חברות שמספקות פתרונות לזיכרון, זמן אחזור, קישוריות ואבטחה עבור מערכות AI בקצה הן שחקניות מפתח.

גם ברובוטיקה, מכשור רפואי ותעשייה — תחומים שבהם לישראל יש נוכחות משמעותית — האתגרים זהים. מי שפותר נכון את בעיית הזיכרון, זמן האחזור וההספק, לא מנצח כי יש לו את ה-TOPS הכי גבוה, אלא בגלל שהמערכת שלו עובדת בעולם האמיתי.

לסיכום: לא מרוץ סוסים, אלא תזמורת

הפיתוי לרדוף אחרי מספרי TOPS מובן — זה מה שקל לשווק, קל להשוות, וקל למכור. אבל המציאות של AI פיזי מורכבת בהרבה. זה לא עניין של מי מעבד הכי מהר, אלא של מי מתזמן הכי נכון: חיישנים, זיכרון, עיבוד, קישוריות, אבטחה — כולם חייבים לנגן ביחד, בזמן הנכון, עם הספק נכון.

וההימור? טריליון דולר ויותר, עם רכבים, רובוטים, מכשור רפואי ומכונות תעשייתיות שחייבים לקבל החלטות בזמן אמת בלי ליפול. מי שמבין את זה — בין אם הוא מתכנן שבב, מפתח תוכנה, או מקים סטארטאפ — נמצא בעמדה הנכונה.