סמסונג מכניסה את קלוד לחדר השבבים - והתוצאות מראות בדיוק איך נראית מהפיכת הבינה מלאכותית 💡
סמסונג מתחילה להראות איך בינה מלאכותית יכולה להפוך מתוכנת עזר לכלי עבודה אמיתי בתכנון ובבדיקה של שבבים - והתוצאות הראשונות - מעיפות את המוח!
יחידת מערכות ה־LSI של סמסונג, שעוסקת בין היתר במעבדים ניידים ובחיישני תמונה, הטמיעה את קלוד קוד במערכות שלה.
התוצאות נשמעות כמו חלום רחוק,
בתוך זמן קצר הופיעו תוצאות שקשה להתעלם מהן, משימות שתוכננו להימשך יותר מחודש הושלמו בתוך יומיים, ובמקרה אחר מהנדס עם כשנתיים ניסיון השלים משימת פיתוח של יותר מחודש בתוך יום אחד.
המספר החשוב כאן הוא לא רק "פי 15 מהר יותר".
הסיפור הגדול הוא שסמסונג מנסה להשתמש ב־AI כדי לפתור בעיה מבנית בתעשיית השבבים: מחסור במהנדסים ובכוח אדם מיומן.
כלומר, הנתון, פי 15 במהירות - הוא עם משמעות עמוקה יותר.
אחד המקרים המעניינים התרחש בפרויקט של שבב מערכת על שבב מותאם אישית ללקוח:
הפרויקט היה מורכב במיוחד, הלקוח דרש מבנה שבב חדש, נעשה שימוש ברכיבי תכנון חיצוניים, לא היו חומרי תכנון סטנדרטיים, ובקר זיכרון מסוג DRAM שהיה דרוש לבדיקה עדיין לא הגיע.
בתהליך הרגיל - כל אחד מהחסרים האלה יכול להפוך לצוואר בקבוק.
סמסונג הזינה את קלוד במידע על תכנון השבב, תקני תקשורת פנימיים ומידע על רכיבי תכנון חיצוניים.
המערכת הצליחה לזהות היכן נדרשו רכיבים לבדיקה, למקם ולחבר אותם, ליצור סביבת בדיקה ולבנות תרחישי בדיקה וירטואליים.
אפילו כשהתכנון האמיתי של בקר ה־DRAM עדיין לא היה מוכן, ה-AI יצר בלוקים וירטואליים שאפשרו לסמסונג לבדוק את נתיבי הנתונים המרכזיים מראש.
וזה משהו שקריטי מאד להבין:
במקום לחכות שכל חלקי השבב יהיו מוכנים ורק אז להתחיל לבדוק - החברה יכולה להזיז חלק מהבדיקות לשלב מוקדם יותר.
בפרויקט נבדקו 64 נתיבי נתונים, והבדיקה המוקדמת אפשרה לזהות בעיות לפני שהעיצוב המלא הגיע לשלב הבא.
כלומר, ה-AI לא רק "כותב קוד".
הוא מתחיל להשתלב בתוך תהליך ההנדסה עצמו!
אחד הנתונים המדהימים מהדיווח הוא, שסמסונג דיווחה שהיא מנסה לסגור פער של פי 9 בכוח האדם,
כאן נמצאת אולי המשמעות העסקית הגדולה ביותר:
יחידת מערכות ה-LSI של סמסונג מעסיקה לפי הדיווח כ-6,000 עובדים, בעוד שקוואלקום מעסיקה כ־52,000 עובדים.
מדובר בפער של כמעט פי 9 בגודל הארגון (!)
ברור שאי אפשר להשוות באופן ישיר בין מספר העובדים של שתי החברות, משום שקוואלקום פועלת במגוון רחב יותר של תחומים - אבל בתוך שוק כזה - הפער ממחיש את האתגר של סמסונג.
וכאן ה-AI נכנס לתמונה:
אם מהנדס אחד מסוגל לבצע בתוך יום עבודה משימה שבעבר דרשה יותר מחודש - החברה לא בהכרח צריכה פי 30 יותר עובדים כדי להגדיל את תפוקת הפיתוח.
המשמעות היא הגדלת התפוקה של כוח האדם הקיים,
וזה אחד הסיפורים החשובים ביותר של מהפכת ה-AI, לא רק החלפת עובדים, אלא הפיכת מהנדס מנוע בודד למערכת שמסוגלת לבצע חלק גדול מהעבודה שמסביבו,
מדובר למעשה בסימנים מהותיים של מהפכה.
במקום לשאול את המערכת שאלה ולקבל תשובה - הכלי מסוגל לקרוא מבנה שלם של קוד, לשנות קבצים ולהפעיל פקודות.
בתכנון שבבים המשמעות היא שימוש ב-AI ליצירת קוד בדיקה, בניית סביבות בדיקה, עבודה עם נתוני מעגלים, תוכניות בדיקה ותקני תקשורת.
זה הופך את ה-AI ממשהו שיושב ליד המהנדס למשהו שנכנס לתוך שרשרת העבודה - וזה הבדל עצום.
אבל יש גם נורה אדומה:
אחד האתגרים הוא שהAI עלול לבצע תיקונים לקוד תוך הסתרת שגיאות או ליצור תוצאה שנראית תקינה מבחוץ, אבל אינה בהכרח נכונה מבחינה הנדסית.
לכן השאלה כבר אינה רק:
"האם ה־AI יכול לעשות את העבודה?"
אלא:
"איך אנחנו יודעים שהוא עשה אותה נכון?"
בתכנון שבבים זו שאלה קריטית, טעות בקוד יכולה להפוך לטעות בתכנון, וטעות בתכנון יכולה להתגלגל לייצור יקר, עיכובים ואפילו כשל במוצר.
לכן הפוטנציאל של AI עצום - אבל גם הצורך בבקרה אנושית.
סמסונג לא עוצרת בקלוד - החברה הרחיבה את השימוש גם בכלי AI גנרטיביים נוספים, בהם ג'מיני ו־ChatGPT, והציגה תוכנית רחבה יותר של "טרנספורמציית AI" בכל הארגון.
אם המהלך יצליח, ההשפעה יכולה להיות הרבה מעבר לחיסכון של כמה שבועות בפרויקט בודד:
פחות זמן למהנדס, פחות זמן לבדיקות, זיהוי מוקדם יותר של תקלות, שימוש יעיל יותר בכוח אדם וקיצור מחזורי הפיתוח.
בעולם שבו כל דור חדש של שבבים דורש יותר מורכבות, יותר בדיקות ויותר כוח אדם - שיפור כזה יכול להפוך ליתרון תחרותי אמיתי.
והשוק? - הוא עדיין מסתכל בעיקר על כמה שבבים סמסונג מוכרת.
אולי השאלה החשובה יותר היא כמה מהר סמסונג מסוגלת לתכנן את השבב הבא.
