שבבי GaN שמניעים AI רפואי: למה VisIC חשובה עכשיו

ב-11/12/2025 הודיעה VisIC מנס ציונה על גיוס 26 מיליון דולר בסבב B ועל התרחבות לעולמות מרכזי הנתונים. זה נשמע כמו חדשות “סמיקונדקטורס” קלאסיות—אבל מי שעובד עם בינה מלאכותית בתחום הבריאות והביוטכנולוגיה צריך לקרוא את זה אחרת: לא מדובר רק בשבב מהיר יותר, אלא בתשתית שמחליטה אם מודל רפואי ירוץ “בזמן”, “בעלות סבירה”, ועם פחות כאבי ראש של חשמל וחום.

הקשר מיידי: בסוף 2025, עומסי AI במרכזי נתונים ממשיכים לגדול בקצב שמכריח ארגונים לשאול שאלה פשוטה—כמה עולה לנו כל אחוז יעילות בחשמל. בבתי חולים, בחברות ביוטק ובמעבדות מחקר, החישוב הזה אפילו יותר חד: תקציב החשמל, מגבלות קירור, זמינות UPS, ודרישות יתירות. ההבדל בין ספק כוח “בסדר” לספק כוח יעיל הוא לפעמים ההבדל בין יכולת להרחיב מערכת AI קלינית—לבין עצירה.

הפוסט הזה חלק מסדרת "בינה מלאכותית בתעשייה וייצור מתקדם": כי גם במערכות רפואיות, התעשייה היא לא רק רובוטים על פס ייצור—אלא אוטומציה, רציפות תפעולית, תחזוקה מונעת ותשתיות שמסוגלות לשאת עומסים חישוביים אמיתיים.

מה הקשר בין שבבי GaN ל-AI רפואי?

התשובה הישירה: מודלים רפואיים צורכים הרבה חשמל, ו-GaN מאפשר להמיר ולהזרים את החשמל הזה ביעילות גבוהה יותר ובצפיפות הספק גבוהה יותר—כלומר פחות חום, פחות נפח, ולעיתים פחות עלויות תפעול.

AI רפואי לא “חי” רק בענן. הוא רץ על:

• שרתי אימון למודלים (GenAI לטקסטים רפואיים, מודלים מולטי-מודליים ל-CT/MRI)
• מערכות אינפרנס בזמן אמת (טריאז’ בחדר מיון, ניטור ICU)
• מחשוב בקצה (Edge) במכשור רפואי או בחדרי בדיקות

בכל אחד מהתרחישים האלה יש שרשרת חשמל: מהרשת → ספקי כוח → ממירים → לוחות, כרטיסים, מאיצים. כשעומסי AI עולים, הבעיה המרכזית הופכת מ"כמה FLOPS יש לי" ל"איך אני מזין את זה בחשמל בלי לשרוף תקציב ובלי להפוך חדר שרתים לסאונה".

כאן נכנס GaN (Gallium Nitride): חומר מוליך למחצה שמאפשר טרנזיסטורים עם מיתוג מהיר והתנגדות נמוכה במצב הולכה (RDS(on) נמוך), מה שמקטין הפסדי אנרגיה ומאפשר רכיבים קומפקטיים יותר.

למה ההתפשטות של VisIC למרכזי נתונים היא סיפור גדול

התשובה הישירה: כי מרכזי נתונים הם “המנוע” של אימון והפעלה של מודלי AI—ובבריאות, זה מתורגם ישירות לזמן פיתוח תרופות, יכולת אבחון, וסקייל תפעולי.

VisIC התחילה מעולמות הרכב החשמלי, והסיבה ברורה: EV צריך המרות אנרגיה יעילות. אבל האיתות החשוב ב-2025 הוא הביקוש הגובר ממרכזי נתונים, בגלל שני כוחות:

1) עומסי AI שינו את פרופיל הצריכה

שרתים לא רק “עובדים יותר”—הם צורכים חשמל בצורה שונה: יותר פיקים, יותר צפיפות, יותר תלות בקירור. התוצאה: כל הפסד בהמרה הופך לחום—וחום עולה כסף פעמיים: גם בהפסד החשמל וגם בקירור.

2) תכנון תשתיות הופך לבעיה הנדסית-כלכלית

בפרויקטים של AI רפואי, ההחלטה אם לבנות On-Prem או ללכת לענן מושפעת מאוד מעלות כוללת (TCO). יעילות ספקי כוח וממירים היא פרמטר שמתחיל להיכנס לשולחן של מנהלי IT ותשתיות, לא רק של מהנדסי חומרה.

משפט שאני חוזר עליו עם לקוחות: “סקייל של AI הוא קודם כל סקייל של חשמל.”

מה בדיוק VisIC מפתחת—ומה זה אומר למערכות רפואיות

התשובה הישירה: VisIC מפתחת שבבי הספק מבוססי GaN עם צפיפות הספק גבוהה והפסדים נמוכים, ומדגישה שיפור ב-RDS(on), הגדלת דירוגי מתח והרחבת יכולות ייצור—אלו דברים שמקרבים טכנולוגיה משלב המעבדה לשלב הפריסה.

בידיעה צוין ש-VisIC עובדת על:

• דור חדש של שבבי GaN
• רכיבים עם דירוגי מתח גבוהים יותר
• הרחבת יכולת ייצור (Scaling manufacturing)
• שיפור משמעותי ב-RDS(on) בדור השני
• חיזוק שרשרת אספקה עם יותר מפאבים (פחות תלות בספק יחיד)
• פתיחת ערוץ הפצה גלובלי דרך DigiKey

למה זה חשוב לבריאות וביוטק?

RDS(on) נמוך = פחות חום = יותר יציבות

במערכת רפואית, יציבות היא לא מותרות. כשספקי כוח מתחממים:

• אמינות יורדת (רכיבים מזדקנים מהר יותר)
• נדרשים מאווררים חזקים יותר (רעש, תחזוקה, נקודות כשל)
• צפיפות התקנה מוגבלת

כשיעילות עולה, אפשר:

• לדחוס יותר “כוח חישוב” לאותו ארון
• להוריד עומסי קירור
• להאריך חיי רכיבים

דירוגי מתח גבוהים = מרחב תכנון רחב יותר

במרכזי נתונים יש מגמה לעבור לרמות חלוקה יעילות יותר (למשל, מעבר לארכיטקטורות חלוקת מתח שמפחיתות הפסדים). רכיבים עם דירוגי מתח גבוהים נותנים למהנדסים יותר אפשרויות להנדסת המערכת.

ייצור ושרשרת אספקה: הקריטריון הסמוי של חברות HealthTech

ברוב פרויקטי AI רפואי, הכשל לא מגיע מהאלגוריתם—אלא מהפריסה: זמני אספקה, רכיבים אלטרנטיביים, תאימות רגולטורית, ויכולת להבטיח תחזוקה לאורך שנים. הרחבה לפאבים נוספים וערוץ הפצה מסודר הם איתות שהחברה חושבת “סקייל תעשייתי”, לא רק “הדגמה”.

דוגמה פרקטית: איך GaN יכול לחסוך כסף בפרויקט AI בבית חולים

התשובה הישירה: שיפור יעילות בהמרת חשמל מצמצם הפסדי אנרגיה וחום, מה שמוריד עלויות חשמל וקירור ומגדיל צפיפות שרתים—שלושה סעיפים שמופיעים בתקציב מהר מאוד.

ניקח תרחיש פשוט (בכוונה לא “מחקרי” אלא תפעולי):

• בית חולים מפעיל אשכול שרתים קטן לאינפרנס והכשרת מודלים מקומיים
• עומס חשמלי כולל: 200 קילוואט
• המרה/הספקה ו-PDU גורמים להפסדים (שיעור תלוי ארכיטקטורה)

גם שינוי של אחוזים בודדים ביעילות יכול להיות משמעותי. למה?

1. ההפסד הופך לחום
2. החום דורש קירור נוסף
3. הקירור עצמו צורך חשמל

כלומר, “וואט מבוזבז” הוא לא וואט אחד—הוא מתחיל שרשרת עלויות.

במערכות בריאות, המקום שבו זה מתחדד הוא:

• חדרי שרתים במבנים ישנים עם מגבלות HVAC
• יחידות דימות/מעבדות עם תשתיות חשמל מוגבלות
• פריסה בקצה (Edge) שבה כל סנטימטר וכל דציבל חשובים

למה משקיעים אסטרטגיים מרכב זה איתות לשוק הבריאות

התשובה הישירה: כשיצרניות רכב כמו Hyundai ו-Kia נכנסות כמשקיעות אסטרטגיות, הן מכניסות סטנדרט של אמינות, סקייל ותכנון לייצור—וזה בדיוק מה שמרכזי נתונים ותשתיות רפואיות דורשים.

רכב חשמלי הוא בית ספר אכזרי ליעילות ואמינות: תנאי טמפרטורה משתנים, חיי מוצר ארוכים, ורגישות להפסדים. אם טכנולוגיה עוברת את הסף הזה, קל יותר לדמיין אותה עוברת גם את “סף הארגון” במרכז נתונים שמריץ AI.

עבור חברות ביוטק ו-HealthTech, זה מסר שימושי: טכנולוגיית הספק הופכת לחלק מהיתרון התחרותי, לא רק “רכיב שקונים לפי מחיר”.

שאלות שעולות כמעט תמיד (ותשובות קצרות)

האם GaN רלוונטי רק לספקי כוח?

לא. הוא רלוונטי לכל מקום שבו יש המרת הספק יעילה: ספקי שרתים, ממירים על לוחות, מערכות UPS, ולעיתים גם באפליקציות Edge במכשור.

האם מעבר ל-GaN דורש שינוי ארכיטקטורה?

לפעמים כן, כי מיתוג מהיר יותר משנה דרישות EMI, תכנון תרמי ומכניקה. אבל זה לא חסרון—זה מחיר כניסה שמאפשר יעילות וצפיפות.

מה הקשר ל"תעשייה וייצור מתקדם"?

אותה לוגיקה: שיפור יעילות, אמינות ורציפות. בדיוק כמו במפעל חכם שמחפש להפחית השבתות, גם ארגון בריאות מחפש להפחית תקלות תשתית ולהגדיל תפוקה חישובית.

מה לעשות עם זה כבר עכשיו (אם אתם בונים AI בבריאות)

התשובה הישירה: אל תחכו לשלב “תשתיות” בסוף. תכננו חשמל וקירור יחד עם בחירת מודלים וחומרה—והכניסו KPI של יעילות מהיום הראשון.

שלושה צעדים פרקטיים שעובדים טוב:

1. מדדו TCO אמיתי של חשמל וקירור: לא רק מחיר ענן/שרת, אלא גם הפסדים והשלכות HVAC.
2. דרשו מהספקים נתוני יעילות ותכנון תרמי: מה הטמפרטורות בעומס, מה מרווחי בטיחות, מה דרישות EMI.
3. חשבו “סקייל בצפיפות”: כמה מאיצים/שרתים נכנסים לאותה מעטפת חשמל וקירור—זה משתנה אסטרטגי בהרחבת AI רפואי.

משפט ששווה לתלות בחדר פרויקט: אם אין לכם אסטרטגיית חשמל, אין לכם אסטרטגיית AI.

הסיפור של VisIC הוא תזכורת טובה לסוף 2025: פריצות דרך ב-AI רפואי לא מגיעות רק מאלגוריתמים, אלא גם מהשכבות שמתחת—מהנדסת הספק, שרשרת אספקה, ותכנון מרכזי נתונים. מי שמבין את זה מוקדם, בונה מערכות חכמות יותר, יציבות יותר, ובסוף גם זולות יותר לתפעול.

אם אתם מתכננים להרחיב תשתיות AI בארגון בריאות או בביוטק ב-2026, איזה חלק מהמערכת שלכם הוא צוואר הבקבוק האמיתי—המודל, הנתונים, או החשמל?