ידיעות בינה מלאכותית בנושא CHIP DESIGN
OpenAI ו-Synopsys הודיעו על שותפות רב-שנתית לפיתוח GPT-Synopsys, מודל AI מיוחד לתכנון שבבים. המודל, שיאיץ תהליכי PPA ואימות, מגיע עם הסדר שיתוף הכנסות ואבטחת נתונים ברמה ארגונית – ועשוי לקצר לוחות זמנים ממספר חודשים לשבועות.
ניתוח חדש חושף שהאתגר המרכזי במערכות AI פיזיות ובמערכות קצה הוא אי-ההתאמה בין קצב ההתפתחות המהיר של המודלים לבין מחזורי הפיתוח הארוכים של הסיליקון, עם דגש על רוחב פס זיכרון, אבטחה ודרישות ארכיטקטוניות — גורמים שמשפיעים ישירות על שוק הרכבים האוטונומיים, התעשייה והרפואה, שצפוי להגיע לטריליון דולר.
Arm ו-SK Hynix הן שחקניות מפתח במרוץ שבבי ה-AI, עם מודלים עסקיים שונים: Arm מתכננת ארכיטקטורות וגובה תמלוגים, ואילו SK Hynix מייצרת זיכרון HBM. הניתוח מראה ש-SK Hynix נסחרת במכפילים נמוכים משמעותית — מכפיל רווח עתידי של 5.4x לעומת 125x אצל Arm — מה שהופך אותה להשקעה אטרקטיבית יותר כעת.
AMD רכשה את Taalas, סטארטאפ קנדי שפיתח שבבים שמקבעים מודלי AI בסיליקון כדי להאיץ inference. העסקה תחזק את AMD מול Nvidia עם ביצועים של אלפי tokens לשנייה, אך השימוש בשבבים דורש תכנון מחדש עבור מודלים חדשים. Taalas גייסה 219 מיליון דולר מאז 2023, והשבב הראשון שלה מריץ את Llama 3.1.
Anthropic, שהכנסותיה בקצב שנתי עברו את רף 30 מיליארד הדולר, מתחילה לגייס צוות מהנדסים שיתכנן שבבים מותאמים אישית. המטרה היא לשפר את היעילות ולהוריד את מחירי השימוש ב-Claude, וזאת מבלי לנתק את השותפויות עם Nvidia, AWS ו-Google.
טל ענבר, שהצטרף לאפל דרך רכישת אנוביט, מונה למנהל מרכז המו״פ בישראל במקום רוני פרידמן. פרידמן יעבור להוביל את קבוצת Chip-AI החדשה, שתשתמש בבינה מלאכותית לתכנון שבבים – מהלך שמסמן את הכיוון של אפל בתחום.
סוכני AI אוטונומיים חותכים פי 50 את זמן ה-verification בשבבים, לפי Synopsys ו-NVIDIA, אבל אף אחד לא באמת יודע מה קורה בקופסה השחורה. Siemens, Applied Materials ו-LAM Research רצות קדימה, ומהנדסים שלא ילמדו לעבוד עם הכלים החדשים יישארו מאחור — לא בעתיד, אלא כבר עכשיו.
גוגל מפתחת את Frozen v2, שבב AI מותאם אישית למודלי Gemini עם יעילות של פי 6-10 משבבי ה-TPU הנוכחיים. השבב צפוי להגיע למרכזי הנתונים ב-2028. החדשות קפצו את מניית Alphabet ב-3%, על רקע תוכנית השקעות ענק של 180-190 מיליארד דולר בתחום ה-AI.
עיצוב שבבי AI דורש תכנון טרום-סיליקון קפדני למניעת עיכובים ועלויות. אתגרי המפתח: איזון ביצועים-צריכת חשמל, אדריכלות סקאלבילית ו-IP מאובטח. הדרישה לשבבים חזקים יותר גוברת עם התפשטות למידת מכונה ו-AI גנרטיבי.
