השיח הציבורי סביב בינה מלאכותית התרגל לעסוק בשנים האחרונות בעיקר ביכולות דיגיטליות. מערכות שכותבות טקסט, מנסחות קוד, יוצרות תמונות או עונות על שאלות במהירות מרשימה. אין ספק שאלה התפתחויות משמעותיות, והן כבר משנות את האופן שבו אנו עובדים, לומדים ומתקשרים. אך מתחת לפני השטח, הרחק מהיישומים הזוהרים, מתרחש שינוי עמוק יותר, כזה שלא מתמקד במידע בלבד אלא בעולם הפיזי עצמו.
יותר ויותר מערכות בינה מלאכותית אינן מסתפקות בניתוח נתונים, אלא מקבלות החלטות שמשפיעות ישירות על חומר, תנועה ואנרגיה. מדובר במערכות שמחליטות כיצד לעבד מתכת, כיצד להפעיל רובוט בסביבה בלתי צפויה, או כיצד לשלוט בתהליך תעשייתי שבו סטייה קטנה עלולה לגרום לנזק משמעותי. זהו תחום שמכונה לעיתים Physical AI, אך מעבר למונח עצמו, מדובר בשינוי תפיסתי עמוק באופי של טכנולוגיה מבוססת בינה מלאכותית.
בניגוד למערכות דיגיטליות הפועלות במרחב סימבולי יחסית נקי, מערכות הפועלות בעולם הפיזי נדרשות להתמודד עם אי ודאות מתמדת, רעש, שחיקה, חיכוך, שונות בין מכונות וחומרים, ותלות הדוקה בהקשר. בעולם כזה אין פתרון אחד נכון, אלא רצף של החלטות תלויות נסיבות, כאשר כל החלטה נמדדת לא רק בנכונותה התיאורטית אלא בהשפעתה המעשית.
הקושי שמייצר הזדמנות
הקושי המרכזי בבניית מערכות כאלה אינו נעוץ בהכרח באלגוריתמים. רבים מהכלים המתמטיים והחישוביים כבר קיימים. האתגר האמיתי נמצא בדאטה. בעולמות של טקסט, תמונות וקוד, הדאטה זמין בשפע, מתויג ומאורגן במאגרים פתוחים. האינטרנט כולו שימש במשך שנים כחומר גלם לאימון מודלים. לעומת זאת, בעולמות פיזיים אין מאגרי ידע מסודרים. אין ספריית קוד שמתארת כיצד מתנהג חומר מסוים בתנאי חום משתנים, אין מאגר פתוח של תקלות מכניות, ואין דרך פשוטה לשכפל ניסיון שנצבר במכונה אחת לסביבה אחרת.
כל מערכת שפועלת בעולם הפיזי נדרשת לבנות לעצמה שכבת ידע ייחודית, המבוססת על קריאות חיישן, נתונים הנדסיים, תהליכי ייצור והחלטות אנושיות קודמות. הלמידה איטית יותר, יקרה יותר, ולעיתים קרובות גם פחות יציבה. היא דורשת לא רק זיהוי של תבניות אלא הבנה עמוקה של הקשר, של סיבתיות ושל גבולות פעולה. זו אחת הסיבות לכך שחברות רבות מתקשות להדגים ערך ברור בשלבים מוקדמים, וזו גם אחת הסיבות לכך שמשקיעים רבים נרתעים מהתחום.
אלא שדווקא הקושי הזה הוא שמייצר את ההזדמנות. בניגוד לעולמות תוכנה שבהם יתרון תחרותי נשחק במהירות, מערכות שפועלות בעולם הפיזי בונות יתרון מצטבר שקשה מאוד להעתיק. הדאטה שהן אוספות הוא לרוב סגור, ספציפי לתצורת מערכת מסוימת, ונשען על שילוב של חומרה, תוכנה וידע תהליכי. כל שיפור קטן נצבר לאורך זמן וכל שכבת ידע נוספת מעמיקה את החפיר סביב הטכנולוגיה.
כאשר מערכות כאלה מצליחות לפעול בקנה מידה, ההשפעה שלהן חורגת בהרבה מעבר לנוחות או לאוטומציה. הן משפיעות ישירות על פריון תעשייתי, על איכות מוצרים, על זמני ייצור ועל צריכת אנרגיה. במובנים רבים, זהו החיבור הישיר בין בינה מלאכותית לבין הכלכלה הריאלית.
מרכזי הנתונים כזירת הקרב החדשה
אותו עיקרון מתגלה כיום גם בעולם התשתיות, ובעיקר סביב מרכזי נתונים. עד לא מזמן, Data Center נתפס כמרכיב תפעולי הכרחי אך לא מרגש. כיום הוא הפך לאחת הזירות המרכזיות של עידן הבינה המלאכותית. כל שאילתתAI,כל מודל גדול יותר וכל יישום עתיר חישוב דורשים עוד כוח עיבוד, וכל כוח עיבוד כזה דורש אנרגיה, קירור ותשתית חשמלית מתאימה.
מרכזי הנתונים הפכו בתוך זמן קצר לאחד מצרכני האנרגיה הגדולים בעולם, ומדינות נדרשות להשקעות עתק בתשתיות חשמל רק כדי לעמוד בביקוש. במקביל, מתברר כי השליטה ביכולת להריץ מודלים מתקדמים אינה רק עניין טכנולוגי אלא גם עניין גיאו-פוליטי. מדינות וחברות שמחזיקות בתשתיות החישוב המתקדמות ביותר מחזיקות גם בכוח כלכלי וביטחוני משמעותי. זהו מרוץ חדש, שאינו מתנהל בטנקים או מטוסים אלא במגה-וואטים, שבבים ויכולות קירור.
סביב הזירה הזו מתפתחת שכבת חדשנות עמוקה, הכוללת תכנון שבבים, אופטיקה מתקדמת, ניהול אנרגיה, שימוש בחום עודף, ותיאום בין חומרה לתוכנה בקנה מידה חסר תקדים. מה שנתפס בעבר כמחסן שרתים הפך למערכת מורכבת שבה כל שיפור קטן יכול לייצר יתרון משמעותי.
עבור יזמים, זהו רגע יוצא דופן. לא משום שקל לפעול בו, אלא משום שהוא פותח הזדמנויות בשכבות העמוקות ביותר של הכלכלה הטכנולוגית. זהו רגע שבו ניתן לבנות חברות שלא נשענות רק על חוויית משתמש טובה יותר, אלא על פתרון בעיות יסודיות שמגבילות את הצמיחה של העולם הדיגיטלי כולו.
ההזדמנות הישראלית - לגשר בין דיסציפלינות
בהקשר הזה, לישראל יש הזדמנות ייחודית. לא בזכות גודל שוק, ולא בזכות יתרון בייצור, אלא בזכות היכולת להעביר ידע מדיסציפלינה לדיסציפלינה. הניסיון הישראלי אינו מתמצה בתחום אחד, אלא ביכולת לקחת כלים, שיטות חשיבה וניסיון מעשי וליישם אותם בעולמות תוכן חדשים לחלוטין. יזמים שצמחו ביחידות טכנולוגיות והקימו חברות ברפואה דיגיטלית, יזמים שהגיעו מעולמות סייבר והובילו פריצות דרך בביולוגיה חישובית, או יזמים שעברו מדאטה לתחום הבנייה, אינם יוצאי דופן אלא ביטוי לדפוס עמוק.
עם זאת, דיפטק אינו מתאים תמיד למודלים הקלאסיים של אקו-סיסטם ההייטק. זמני הפיתוח ארוכים יותר, הקשר בין הצלחה טכנולוגית לאימוץ שוק מורכב יותר, ושלבי הצמיחה דורשים סבלנות והון משמעותי. כדי שהתחום הזה יפרח, נדרש אקו-סיסטם שמבין מסעות ארוכים, שמסוגל להעריך סיכון טכנולוגי, ושיודע ללוות חברות גם כאשר הדרך לשוק עדיין אינה ברורה לחלוטין.
אם ההייטק הישראלי מבקש לשמר את יתרונו לאורך זמן, הוא אינו יכול להסתפק בהמשך הצלחה בתחומים שבהם כבר נבנו אקו-סיסטמים חזקים. עליו להעמיק ולהתרחב לעולמות שבהם הטכנולוגיה פוגשת חומר, אנרגיה ותשתיות. אלה עולמות קשים יותר, אך גם כאלה שבהם ניתן לבנות יתרון עמוק ובר קיימא. מי שיבחר בדרך הזו, ויצליח בה, לא יקים רק עוד חברה מוצלחת, אלא יתרום לבניית הקטגוריות הבאות של הכלכלה הטכנולוגית.
הכותב הוא שותף בקרן ההון-סיכון Grove Ventures, המתמחה בהשקעות בטכנולוגיות עמוקות (Deep Tech)
