מנכ״ל ASML מגיב לאיומים: הדומיננטיות בתשתית שבבי הבינה המלאכותית מובטחת

שרשרת האספקה של שבבי בינה מלאכותית: מעמד הברזל של ASML

מנכ"ל החברה ההולנדית ASML, כריסטוף פוקה, מבהיר בראיון ל-TechCrunch כי מעמדה המונופוליסטי של החברה בייצור מערכות ליתוגרפיה אינו נתון בסכנה, למרות ניסיונות של סטארט-אפים בארה"ב וחששות מריגול תעשייתי בסין. על פי הדיווח, צווארי הבקבוק בייצור השבבים צפויים להימשך בין שנתיים לחמש שנים, נתון שמשליך ישירות על עלויות יכולות המחשוב ברחבי העולם.

מה זה ליתוגרפיה בתדר אולטרה-סגול קיצוני (EUV)?

מערכות EUV (Extreme Ultraviolet Lithography) הן המכונות המורכבות ביותר בעולם המשמשות להדפסת התבניות המיקרוסקופיות על גבי פרוסות סיליקון (Wafers). בהקשר עסקי, מכונות אלו מהוות את התשתית הפיזית ההכרחית לייצור השבבים המתקדמים ביותר, כגון אלו המשמשים לאימון והרצת מודלים של בינה מלאכותית.

ASML, חברה הולנדית בת 42 שנים המעסיקה כ-44,000 עובדים ומשקיעה כ-4.5 מיליארד אירו בשנה במחקר ופיתוח, היא החברה היחידה בעולם שמסוגלת לייצר מכונות אלו. לפי הדיווח, כל מכונה כזו היא בגודל של אוטובוס תלמידים, דורשת חודשי הרכבה ארוכים ומאות ספקים, ועלותה נעה בין 200 ל-400 מיליון דולר ליחידה. הבלעדיות הזו הפכה את ASML לחברה בעלת שווי שוק של למעלה מ-530 מיליארד דולר.

האיומים התחרותיים על השליטה בשוק

בראיון, התייחס פוקה לסטארט-אפים המנסים לאתגר את הדומיננטיות של ASML. החברה הבולטת בהקשר זה היא Substrate, שגייסה מעל ל-100 מיליון דולר ולפי הדיווחים מוערכת בשווי של למעלה ממיליארד דולר, בתמיכת משקיעים כמו פיטר טיל (Peter Thiel). חברה נוספת היא xLight, המגובה חלקית על ידי ממשלת ארה"ב, ומנסה לפתח מקור לייזר חלופי.

פוקה הודף את הטענות וטוען כי "הפער בין לרצות משהו לבין להשיג אותו הוא עצום". לדבריו, ASML הצליחה לבנות את מכונות ה-EUV רק משום ש-80% מהטכנולוגיה כבר הייתה קיימת מידע קודם שצברה החברה. פיתוח מקור האור לבדו דרש 20 שנות מחקר. פוקה מוסיף כי האתגר אינו רק לייצר תמונה בודדת ברמת הננומטר, אלא לעשות זאת בכמויות תעשייתיות, בעלות נמוכה ובמהירות שיא.

גיאופוליטיקה, סין ומדיניות הייצוא

סוגיה נוספת שעלתה בראיון נוגעת לדיווחים כי מהנדסי ASML לשעבר בסין הצליחו לבצע הנדסה לאחור (Reverse Engineering) למכונות החברה. פוקה מכחיש זאת בתוקף ומסביר כי על מנת להנדס לאחור, יש צורך במכונה הפיזית – ו-ASML מעולם לא ייצאה מערכת EUV אחת לסין. כל המערכות שנמכרו בעולם מנוטרות באופן קפדני. כמו כן, החברה יצרה הפרדה מוחלטת ("חומת אש" ארגונית) בין עובדים הרשאים לגשת לטכנולוגיית ה-EUV לבין צוותי החברה בסין, להם אין גישה למסמכים או להדרכות בנושא.

בהקשר של מגבלות הייצוא (Export Controls), פוקה מצדד בגישתו של מנכ"ל אנבידיה, ג'נסן הואנג. הגישה גורסת כי יש לשמר יתרון טכנולוגי באמצעות יצירת פער דורות יזום של החומרה הנמכרת למדינות תחת הגבלה. בעוד שאנבידיה מוכרת שבבים המפגרים בכשמונה דורות טכנולוגיים אחורה, פוקה מציין כי ASML מייצאת כיום לסין טכנולוגיה שהוצגה לראשונה בשנת 2015, מה שמייצג פער של שניים או שלושה דורות לעומת המערכות החדישות ביותר.

ההקשר הרחב: ביקושי ענק ועלויות ייצור פוטנציאליות

המונופול של ASML פוגש שוק צמא לכוח מחשוב. על פי הנתונים שפורסמו, ארבע ענקיות הטכנולוגיה האמריקאיות – מיקרוסופט, מטא, אמזון וגוגל – צפויות להשקיע למעלה מ-600 מיליארד דולר בתשתיות בינה מלאכותית השנה. הביקוש האדיר הזה מוביל להצהרה פומבית של פוקה כי העולם יסבול ממחסור בשבבים בשנתיים עד חמש השנים הקרובות.

בתגובה לטענות של ענקית ייצור השבבים הטאיוואנית TSMC כי מכונות ה-High-NA (הדור החדש) של ASML יקרות מדי, פוקה מבהיר כי למרות תג המחיר שעומד על 350 מיליון דולר ויותר למכונה, עלות הייצור של כל פרוסת סיליקון תרד. החברה מדווחת כי הטכנולוגיה החדשה מאפשרת הפחתת עלויות ייצור בשיעור של 20% עד 30% בטווח הארוך, נתון קריטי לחברות שמפעילות חוות שרתים עצומות.

ההשלכות לעסקים בישראל

מהפרספקטיבה של עסקים ישראליים, המחסור העולמי בשבבי בינה מלאכותית ועלויות התשתית הגבוהות אינם רק עניין תיאורטי של ענקיות הטכנולוגיה. ישראל היא מוקד מרכזי בפיתוח חומרת בינה מלאכותית (עם נוכחות מסיבית של אינטל, אנבידיה ישראל ומעבדות רבות אחרות), אך השפעת המחסור מורגשת קודם כל במחירי שירותי הענן וקריאות ה-API עבור חברות ה-B2B ו-B2C המקומיות.

כאשר היצע כוח המחשוב (Compute) מוגבל לשנים הקרובות, העלויות של שימוש במודלים מתקדמים דוגמת GPT-4 או מודלים מקבילים דרך API לא צפויות לרדת בצורה חדה כפי שחלק מהשוק ציפה. המשמעות עבור ארגונים, חברות פיננסיות, חברות מסחר אלקטרוני ומשרדי שירותים בישראל היא שיש לנהל את משאבי ה-AI בצורה שקולה ומחושבת. הסתמכות עיוורת על תהליכים בזבזניים השולחים שאילתות עצומות לענן על כל פעולה קטנה עלולה לגרור עלויות חודשיות תופחות. חוק הגנת הפרטיות הישראלי, לצד הצורך באבטחת מידע קפדנית, גם הוא מוסיף נדבך של צורך בתשתיות אמינות שלא ניתן להעביר בקלות למערכות צד שלישי זולות ולא מוכרות.

מה לעשות עכשיו

לאור המגמות בחומרת הבינה המלאכותית העולמית, עסקים ישראלים צריכים לנקוט בצעדים טקטיים לניהול תשתיות האוטומציה שלהם:

1. אופטימיזציה של תהליכי אוטומציה וקריאות API: יש לבנות מערכי אוטומציה עסקית דרך פלטפורמות כמו N8N בצורה שמסננת את המידע לפני שהוא נשלח לעיבוד במודלי שפה, במקום לשלוח נתונים גולמיים שמנפחים את עלויות העיבוד.
2. הטמעת מודלים מקומיים או קטנים (SLMs): עבור ניתוח טקסט בסיסי או חילוץ נתונים, שקלו שימוש במודלים קטנים וממוקדים (Small Language Models) שדורשים פחות כוח מחשוב ויכולים לפעול במהירות גבוהה יותר ובפחות עלות.
3. שילוב מנגנוני זיכרון במערכות CRM: השתמשו במסדי נתונים וקשרו אותם למערכת ה-CRM שלכם (לדוגמה, Zoho CRM) על מנת ליצור ארכיון תשובות היסטורי (Caching). כך, סוכני AI לעסקים המשיבים לשאלות לקוחות יוכלו לשלוף תשובות מוכנות מראש ללא צורך ביצירת טקסט חדש (וקריאת API יקרה) עבור כל פנייה חוזרת.
4. תכנון תקציבי ארוך טווח: אל תבנו את המודל העסקי שלכם על ההנחה שעלויות ה-AI יהפכו לאפסיות בשנה הבאה. היערכו לתקציב IT שמביא בחשבון את צווארי הבקבוק העולמיים בייצור השבבים.

מבט קדימה

התחרות על כוח המחשוב בעידן הבינה המלאכותית רק מתחילה, אך המונופול של ASML בתחום הליתוגרפיה צפוי להשאיר את המערכת תלויה בשרשרת אספקה אחת ומרכזית. כדי לשגשג בסביבה שבה כוח חישוב נותר משאב מוגבל ויקר, ההמלצה לעסקים בישראל היא להשקיע בבניית תהליכי עבודה חכמים וחסכוניים המשלבים בין N8N, מערכות ניהול לקוחות מתקדמות ומודלים מדויקים שמפיקים את המירב מכל שאילתה.