המעבר מצ’אטבוטים ל-Agentic AI ול-Physical AI משנה את דרישות המחשוב: מטוקנים וזיכרון, דרך סוכני AI שמפעילים כלים, ועד מערכות שמגיבות בזמן אמת בעולם הפיזי
המהפכה של הבינה המלאכותית הגנרטיבית נראתה בתחילה פשוטה מאוד: כותבים שאלה בחלון צ’אט ומקבלים תשובה. אך מאחורי הממשק הזה מסתתרת אחת התמורות הגדולות ביותר בעולם המחשוב. ככל שהמערכות נעשות שימושיות יותר, הן דורשות לא רק מודלים גדולים יותר, אלא גם תשתיות מחשוב שונות לגמרי.
אפשר לחשוב על התפתחות הבינה המלאכותית בשלוש מדרגות. הראשונה היא צ’אטבוטים: מערכות שמייצרות טקסט, תמונות, קוד או סיכומים בתגובה לבקשה. השנייה היא Agentic AI – בינה מלאכותית סוכנית – שמסוגלת לפרק משימה לשלבים, להשתמש בכלים, לבדוק תוצאות ולהמשיך לפעול עד להשלמת יעד. השלישית היא Physical AI – בינה מלאכותית שפועלת בעולם הפיזי: במכונית, ברובוט, במפעל, במכשיר רפואי או במערכת חישה.
בסימפוזיון הטכנולוגיות של TSMC באירופה הוצג המעבר הזה לא רק כשינוי תוכנה, אלא כשינוי עמוק בדרישות החומרה. כריס תומאס, נשיא TSMC Europe, תיאר את ה-AI כטכנולוגיה שמתרחבת מהענן וממרכזי הנתונים אל הקצה – סמארטפונים, מכוניות ורובוטים – ודורשת “צפיפות מחשוב קיצונית, רוחב פס גבוה ויעילות הספק”. במילים פשוטות: יותר חישובים, יותר נתונים, ופחות אנרגיה לכל פעולה.
השלב הראשון: צ’אטבוטים וכלכלת הטוקנים
בצ’אטבוטים, צוואר הבקבוק המרכזי הוא ייצור טוקנים. טוקן הוא יחידת הטקסט הקטנה שהמודל מעבד או מייצר. ככל שמיליוני משתמשים מפעילים מודלים גדולים יותר, וככל שהשיחות נעשות ארוכות יותר, נדרשים יותר זיכרון, יותר רוחב פס ומהירות תגובה גבוהה יותר.
לכן השלב הראשון של מהפכת ה-AI לא הסתכם במאיצים גרפיים חזקים. הוא יצר צורך במרכזי נתונים שלמים שמותאמים ל-AI: מאיצים, מעבדים, זיכרון מהיר, תקשורת מהירה בין שבבים, קירור ואריזות מתקדמות. המדד החשוב כבר אינו רק כמה פעולות חישוב מבצע שבב, אלא כמה תשובות אפשר להפיק בכל ואט ובכל דולר.
השלב השני: כשה-AI מתחילה לעבוד לבד
השלב הבא הוא Agentic AI. כאן המערכת אינה רק עונה לשאלה. היא יכולה לקבל משימה מורכבת, לפרק אותה, לחפש מידע, להפעיל תוכנות, לכתוב קוד, לבדוק אם הצליחה, ולנסות שוב במקרה הצורך. זו קפיצת מדרגה מכיוון שכל בקשה של המשתמש יכולה להפוך לעשרות פעולות משנה.
המשמעות למחשוב גדולה. סוכן AI צריך להחזיק הקשר לאורך זמן, לגשת למסמכים ולמסדי נתונים, להפעיל כלים חיצוניים, ולעיתים להריץ סימולציות או בדיקות. לכן עולה חשיבותם של מעבדים כלליים, אחסון מהיר, רשתות, אבטחה ותוכנות תזמון – ולא רק של מאיצי AI.
דוגמה לכך מגיעה דווקא מתעשיית השבבים עצמה. Siemens ו-TSMC הודיעו על שיתוף פעולה בתחום כלי תכנון שבבים מבוססי AI. המערכת של Siemens, Fuse EDA AI, מתוארת כסוכן AI ייעודי לתכנון שבבים, שמסוגל לבצע “אוטומציות מרובות-שלבים ומרובות-כלים” בתהליכי אימות ותיקון שגיאות תכנון. אנקור גופטה, סגן נשיא בכיר ב-Siemens EDA, אמר כי שילוב ה-AI עם טכנולוגיות הייצור של TSMC מסייע ללקוחות להגיע ל“רמות חדשות של מהירות, דיוק וביטחון בתכנון”.
זו נקודה חשובה: AI אינו רק עומס חדש על שבבים. הוא גם כלי שמתחיל לסייע בתכנון הדור הבא של השבבים שיריצו אותו.
השלב השלישי: בינה מלאכותית שפועלת בעולם האמיתי
השלב השלישי מורכב יותר. Physical AI אינה פועלת רק בתוך מסך או שרת. היא צריכה להבין סביבה פיזית, לשלב מידע מחיישנים, לקבל החלטות ולהפעיל מנועים או מערכות בקרה. מכונית שמזהה מכשול בכביש, רובוט שמרים חפץ במחסן או מכונה במפעל שמזהה תקלה אינם יכולים תמיד לשלוח הכול לענן ולהמתין לתשובה. ההחלטה צריכה להתקבל קרוב למקום שבו נאסף המידע, ובזמן קצר מאוד.
ז’אן-מארק שרי, מנכ”ל STMicroelectronics, הציג בסימפוזיון את Physical AI כדוגמה להתכנסות בין עולמות שבעבר נחשבו נפרדים: רכב חשמלי, רובוטיקה תעשייתית וממשקי אדם-מכונה. בשלושתם מופיעים רכיבים דומים – מחשוב מרכזי, בקרה אזורית, חיישנים, מנועים, בקרים ורכיבי הספק. לכן Physical AI אינה תלויה רק בשבב חזק אחד, אלא במערכת שלמה של רכיבים שעובדים יחד.
בשלב הזה חשובים גם שבבים שאינם נמצאים בחזית המזעור: חיישנים, מיקרו-בקרים, רכיבי תקשורת, שבבי ניהול אנרגיה ורכיבי הספק. חלק מהאימון והסימולציה ימשיך להתבצע בענן, אך הפעולה עצמה תתרחש בקצה – ברכב, ברובוט או במכשיר.
ג’נסן הואנג, מנכ”ל אנבידיה, סיכם את הכיוון הזה בשיחת הוועידה של החברה כשאמר כי “העולם בונה מחדש את המחשוב עבור Agentic AI ועבור Physical AI רובוטי”. זו אולי אמירה עסקית, אבל היא משקפת שינוי טכנולוגי רחב יותר: המחשב כבר אינו רק מכונה שמריצה תוכנה; הוא הופך לתשתית שמייצרת החלטות, פעולות ותגובות בעולם האמיתי.
לא מודל גדול יותר, אלא מערכת שלמה
שלושת השלבים אינם מחליפים זה את זה. צ’אטבוטים ימשיכו להשתפר ולדרוש מרכזי נתונים חזקים יותר. סוכני AI יוסיפו שכבת עבודה מורכבת שתפעיל כלים ומערכות. Physical AI תעביר חלק מהבינה המלאכותית אל העולם הפיזי, שבו זמן תגובה, בטיחות וצריכת אנרגיה חשובים לא פחות מדיוק המודל.
לכן עתיד ה-AI לא ייקבע רק לפי גודל המודל או מספר הפרמטרים שלו. הוא ייקבע לפי היכולת לבנות מערכות מחשוב שלמות: שבבים מתקדמים, זיכרון מהיר, אריזות תלת-ממדיות, תקשורת אופטית, חיישנים, רכיבי הספק ותוכנה שמחברת ביניהם. הבינה המלאכותית התחילה עבור רובנו כחלון צ’אט. בשלב הבא היא תהפוך למערכת שפועלת, מתכננת ומגיבה – לא רק במסך, אלא גם בעולם שסביבנו.
FAQ קצר:
מה ההבדל בין צ’אטבוט ל-Agentic AI?
צ’אטבוט עונה לבקשה. Agentic AI יכול לפרק משימה לשלבים, להשתמש בכלים, לבדוק תוצאות ולהמשיך לעבוד עד להשלמת היעד.
מהי Physical AI?
Physical AI היא בינה מלאכותית שפועלת בעולם הפיזי, למשל ברובוטים, מכוניות אוטונומיות, מכונות תעשייתיות או מערכות חישה.
למה Physical AI לא יכולה להסתמך רק על הענן?
במערכות פיזיות רבות נדרשת תגובה בזמן קצר מאוד. לכן חלק מהחישוב חייב להתבצע קרוב לחיישנים ולמנועים, כלומר במחשוב קצה.
למה שבבים וזיכרון חשובים כל כך ל-AI?
מודלי AI מעבדים כמויות גדולות של מידע. כדי להפעיל אותם במהירות וביעילות נדרשים שבבים חזקים, זיכרון מהיר, תקשורת מהירה וצריכת חשמל נמוכה.
עוד בנושא באתר הידען:
