מנכ"ל אנבידיה ג'נסן הואנג, מנכ"ל מיקרוסופט סאטיה נאדלה, מנכ"ל גוגל דיפ-מיינד ובכירים נוספים תיארו את הצרכים השונים של כל שכבה – מהתשתית ועד היישומים
בדאבוס תיאר מנכ״ל אנבידיה, ג׳נסן הואנג, את הבינה המלאכותית לא כיישום תוכנה בודד אלא כ״עוגה״ בת חמש שכבות: אנרגיה, שבבים ותשתיות מחשוב, מרכזי נתונים וענן, מודלים, ולבסוף שכבת היישומים. מאחורי המטפורה מסתתרת טענה טכנולוגית ברורה: כדי להפעיל AI בקנה מידה של מדינות, תעשיות ובריאות – נדרשת שרשרת הנדסית מלאה, פיזית וחישובית, שמתחילה בחשמל ומסתיימת בתהליכי עבודה שמוטמעים בארגונים.
שכבה 1: אנרגיה היא צוואר הבקבוק הראשון
AI “גדול” הוא קודם כול עומסי חשמל וחום. אימון מודלים מתקדמים דורש אלפי מאיצים (GPU/accelerators) שרצים שבועות, וברגע שעוברים מהדגמות למערכות ייצור – גם ההיסק (inference) הופך לצרכן חשמל מתמשך. זו הסיבה ששכבת האנרגיה אינה רק “עוד עלות תפעולית”, אלא חלק מהארכיטקטורה: זמינות חשמל, גיבוי, איכות מתח, והיכולת לפזר עומסים לפי זמני שיא. כאן נכנסים פתרונות כמו אגירה (סוללות/UPS), אופטימיזציית רשת, וגם תכנון תשתיות קירור ומים. במילים אחרות: אם אי-אפשר להזרים קילוואט-שעות בזמן ובמקום הנכון – אין “AI בכל מקום”, לא משנה כמה המודל חכם.
שכבה 2: שבבים, זיכרון, אריזה מתקדמת ורשתות בתוך המחשב
כדי להגיע לביצועים של AI מודרני לא מספיק “שבב חזק”. צריך מערכת: מאיצים, זיכרון מהיר, תקשורת פנימית (interconnect), ואחסון. צווארי בקבוק טיפוסיים הם רוחב-פס לזיכרון (במיוחד בזיכרונות עתירי-רוחב-פס כמו HBM), קישוריות בין מאיצים (כדי לחלק מודל ענק בין כרטיסים), והיכולת להזין נתונים במהירות. גם הייצור עצמו מורכב: תהליכי ליתוגרפיה מתקדמים, אבל לא פחות חשוב – advanced packaging שמאפשר לחבר רכיבים שונים (לוגיקה וזיכרון) קרוב יותר זה לזה ולהקטין השהיות. השכבה הזו היא המקום שבו “תעשיית השבבים” פוגשת את “תעשיית המערכות”: לא רק לבנות טרנזיסטורים, אלא לבנות מחשב שמסוגל להזיז נתונים בקצב שנדרש ללמידה עמוקה.
שכבה 3: מרכזי נתונים וענן – הנדסת קנה מידה
גם אם יש שבבים – צריך להפעיל אותם. מרכז נתונים ל-AI הוא מפעל חישוב: תכנון ארונות (racks), הזנת חשמל צפופה, רשתות מהירות מאוד (לרוב בקצבים גבוהים במיוחד כדי שהמאיצים לא “יחכו” לנתונים), ניטור תקלות, ותוכנות תזמון שמחליטות מי מקבל משאבים ומתי. לצד זה, קירור הופך לאתגר הנדסי: צפיפות הספק גבוהה דורשת פתרונות קירור יעילים, לעיתים נוזליים, כדי לשמור על יציבות ושחיקה נמוכה. כאן גם נוצרת תלות בתפעול: מהירות תיקון, זמני השבתה, אבטחת מידע, והקשחת שרשרת אספקה – כי מרכז נתונים הוא יעד רגיש.
שכבה 4: מודלים – לא רק אימון, גם ניהול חיים (MLOps)
“המודל” הוא שכבת האלגוריתמים והנתונים: אימון, כיוונון (fine-tuning), הערכה, ומעקב אחרי ביצועים. ברגע שמודל יוצא לייצור, מתחילות בעיות פרקטיות: הטיות נתונים, “דריפט” (השתנות המציאות), עלויות היסק, והצורך ב-guardrails – מדיניות שמגבילה שימוש מסוכן או טעויות. מודלים גדולים דורשים גם צנרת נתונים מאובטחת, הרשאות, ולוגים כדי שאפשר יהיה להסביר החלטות ולבקר אותן. במובן הזה, “אוריינות AI” היא לא רק לדעת לכתוב פרומפט, אלא להבין איך מאמתים תוצאות, איך בודקים שינויים אחרי עדכון, ואיך מונעים דליפת מידע.
שכבה 5: יישומים – המקום שבו נוצרת תועלת, והיכן שהמורכבות הארגונית מתפוצצת
כאן הטכנולוגיה פוגשת מקצועות. כדי ש-AI יעבוד ברדיולוגיה, למשל, לא מספיק מודל שמזהה ממצא; צריך אינטגרציה למערכות רפואיות, תיעוד, אחריות משפטית, בקרת איכות, והגדרה ברורה של מה נשאר אצל אדם ומה עובר לאוטומציה. אותו דבר בסיעוד: אם AI מקצר תיעוד, זה מחייב שינוי תהליך, מדיניות פרטיות, ודרך עבודה שמוודאת שהמידע נכון ולא “הוזה”. לכן הטענה ש-AI “לא מחליף עובדים אלא משנה משימות” נשענת על תנאי אחד: שהארגון יודע לתרגם אוטומציה לשיפור זרימה ותוצאות, ולא רק לקיצוץ.
בשורה התחתונה, “עוגת חמש השכבות” היא דרך להסביר למה AI הוא פרויקט הנדסי רב-תחומי: חשמל, תרמודינמיקה, שבבים, רשתות, תוכנה, נתונים וממשל. מי שמסתכל על AI רק כצ׳ט-בוט מפספס את העיקר: זו מערכת תשתיתית שהביצועים והאמינות שלה נקבעים לא פחות על ידי כבלים, קירור וזיכרון – מאשר על ידי נוסחת האימון.
דמיס הסאביס (Demis Hassabis), מנכ״ל Google DeepMind
בנוסף עלו לבמות עוד כמה בכירים שמובילים את תחום ה-AI – וחלקם דיברו בדיוק על הנקודות הטכנולוגיות שמעניינות: אילוצי חישוב וחשמל, מודלים ויישומים, רגולציה, אבטחת מידע והטמעה בארגונים.
הסאביס התמקד בשאלה מה קורה “יום אחרי AGI”: אילו יכולות טכניות צריך כדי לעבור ממודלים שמצטיינים במשימות מוגדרות למערכות שמכלילות על פני תחומים. בהקשר הזה, הדיון סביב AGI נוגע פחות לסיסמאות ויותר לשילוב של שלושה גורמים: (1) איכות הנתונים והיכולת לייצר/לסנן נתונים סינתטיים בלי “להרעיל” את המודל, (2) שיפור יעילות האימון וההרצה (training/inference efficiency) כדי להתקדם גם בלי להכפיל צריכת חשמל כל שנה, ו-(3) שיטות בקרה והערכה שמזהות כשלי הכללה, הזיות, והטיות – לפני שמעלים את המודלים לשכבת היישומים הקריטית (בריאות, תשתיות, ביטחון). (World Economic Forum)
דריו אמודיי (Dario Amodei), מנכ״ל Anthropic
אמודיי שם דגש על “הצד התעשייתי” של סקיילינג: גם אם היכולות משתפרות, השאלה היא איך הופכים אותן לבטוחות וברות-תפעול בקנה מידה. זה כולל שיטות Alignment ובדיקות עמידות (evaluations) שנועדו להבין לא רק “האם המודל חכם”, אלא “מתי הוא נכשל, באילו תנאים, ואיך מונעים התנהגות לא צפויה”. בהקשר של תחרות גלובלית, השיח נוגע גם לשרשרת אספקה של שבבים, להגבלות ייצוא, ולכך שיתרון מודלים תלוי בפועל בגישה לחישוב, לא רק בכישרון אלגוריתמי. (World Economic Forum)
סאטיה נאדלה (Satya Nadella), מנכ״ל מיקרוסופט
נאדלה חזר על רעיון ה-AI כ”שכבת תוכנה” שמתחברת לכלים הקיימים בארגון: מסמכים, דוא״ל, מערכות ERP/CRM, וזרמי נתונים תפעוליים. הטוויסט הטכנולוגי הוא שהערך מגיע כשמיישמים “מערכתיות”: הרשאות וגישה לנתונים (identity & access), רישום פעולות ובקרת איכות (audit/eval), וחיבור למערכות קיימות דרך APIs בצורה שמאפשרת אוטומציה ולא רק צ’אט. במילים אחרות: פחות “דמו”, יותר אינטגרציה שמצליחה לשרוד עומסים, תאימות רגולטורית ומקרי קצה. (World Economic Forum)
בראד סמית’ (Brad Smith), נשיא מיקרוסופט
סמית’ דיבר מנקודת מבט של “ממשל טכנולוגי”: אם AI הופך לתשתית, צריך סטנדרטים מעשיים לאבטחה, להגנת מידע ולשיתוף פעולה בין מדינות. מבחינה טכנית זה מתרגם ל-Secure-by-design בענן, ניהול סיכונים לאורך מחזור חיי מודל (Model lifecycle risk), והקשחה של שרשרת האספקה (כולל רכיבי תוכנה וקוד פתוח). זה גם מתחבר לדיון על “סביבה מחקרית אמינה” והגנה על טכנולוגיות רגישות. (World Economic Forum)
מארק בניוף (Marc Benioff), מנכ״ל Salesforce
בניוף מסגר את ה-AI דרך הפריזמה של שכבת היישומים הארגונית: לא “מודל אחד גדול”, אלא “סוכנים” (agents) שמבצעים תהליכים עסקיים על נתונים ארגוניים. הטכנולוגיה כאן היא שילוב של LLM עם כללי עסק, הרשאות, ו-retrieval ממאגרי נתונים (לעיתים עם שכבות תיעוד/אימות) כדי לצמצם טעויות. זו גישה שמדגישה אמינות תפעולית: יכולת להסביר החלטות, לאכוף מדיניות, ולמדוד ביצועים לאורך זמן, במקום להסתפק ביכולת שיחה מרשימה. (World Economic Forum)
עוד בנושא באתר הידען:
