E100 - Vibe RTL (Tzviel Lemberger)
עודכן: מאת צוות פודקאסט·ישראל
האזינו לפרק המלא
אנחנו עוזרים למצוא את הפרק, ההאזנה המלאה נמצאת אצל היוצרים, בפלטפורמה שלהם.
/ הפרק במספרים
| פורסם | 14 בספטמבר 2026 |
|---|---|
| אורך | 1 שע׳ 5 דק׳ (ארוך ב-21% מהממוצע בתוכנית) |
| הנושא המרכזי | השפעת ה-AI על פיתוח חומרה |
| אורחים | צביאל למברגר |
| קטגוריה | הייטק וסטארטאפים |
על מה הפרק עם צביאל למברגר?
צביאל למברגר מדבר על השפעת ה-AI על פיתוח חומרה וכיצד הוא משנה את תהליכי העבודה של מהנדסים.
צביאל למברגר, המוביל את תחום ה-AI בגוגל קלאוד, משתף את מסלולו המקצועי והמעבר שלו מעולמות הנדסת החשמל להנדסת AI. הוא מדגיש את השפעת ה-AI על תהליכי פיתוח החומרה, כולל האוטומציה והיכולת של AI לחקור פתרונות רבים יותר. השיחה נוגעת גם לאתגרים ולשינויים הנדרשים בהכשרת מהנדסים בעידן החדש.
ה-AI לא מחליף את המהנדס, אלא משנה את תפקידו, ומאפשר לו לחקור יותר פתרונות בזמן קצר יותר.
/ תובנות מרכזיות
- ה-AI משנה את הדרך שבה מהנדסים פועלים, ומאפשר להם לבדוק מספר רב של פתרונות בו זמנית.
- המעבר לעבודה עם AI דורש שינוי במתודולוגיות הפיתוח וההכשרה של מהנדסים.
- ה-AI יכול להוריד את העלות של חקר פתרונות, אך עדיין יש צורך במעורבות אנושית בקבלת החלטות.
- המהנדסים הצעירים מביאים עימם יתרון טכנולוגי ויכולת להסתגל לשינויים מהירים בעבודה עם AI.
איך ניתן להבטיח שה-AI לא יחליף את המהנדסים, אלא ישפר את עבודתם?
- 1להשקיע בהכשרה מתמשכת של מהנדסים כדי להכיר את הכלים החדשים.
- 2לפתח מתודולוגיות עבודה חדשות המשלבות AI בתהליכי הפיתוח.
- 3ליצור סביבות עבודה המאפשרות למידת מכונה ול-AI להשתלב בתהליכי העבודה הקיימים.
- 4לעודד שיח פתוח בין מהנדסים צעירים ומנוסים כדי לשתף ידע וניסיון.
ניתוח מאת מערכת פודקאסט·ישראל, מבוסס תמלול אוטומטי של הפרק. על המתודולוגיה והמגבלות
שאל את הפרק (Chat with Episode)
קבל תשובות מיידיות מתוך תמלול וניתוח ה-AI
שאלות מומלצות בלחיצה אחת:
/ שאלות נפוצות על הפרק
- כיצד צביאל למברגר מתאר את המעבר שלו מעולם ההנדסה הביו-רפואית לעולם פיתוח השבבים ו-AI?
- צביאל החל את דרכו בהנדסת חשמל, עבר ללימודי הנדסה ביו-רפואית מתוך רצון ליזמות בתחום הביו-טק, אך במהלך התואר השני גילה עניין בלמידת מכונה, חזר לתחום הפיתוח בחברות כמו מרוול ואינטל, והמשיך להתמקד ביישומי Machine Learning בפיתוח שבבים עד שהצטרף לגוגל להוביל את תחום ה-AI בפיתוח שבבים.
- מהם תחומי האחריות המרכזיים של צביאל בגוגל בקבוצת CI2 בפיתוח שבבים?
- צביאל אחראי על קידום חדשנות באמצעות כלי AI בארגון, עבודה צמודה עם קבוצת Google Deep Mind להטמעת מחקרים בחומרה, פיתוח והנגשת מוצרי AI פנימיים למהנדסי גוגל, שיתוף פעולה עם קבוצות חומרה אחרות וגופים חיצוניים כמו סטארט-אפים וספקים.
- איך צביאל מסביר את ההבדלים בין אוטומציה, Machine Learning ו-Agent בפיתוח חומרה?
- אוטומציה היא תהליך דטרמיניסטי שעובר שלבים מוגדרים מראש, Machine Learning מבוסס על קבלת החלטות מתוך מידע היסטורי וחיזוי סטטיסטי, ואילו Agent הוא שלב מתקדם שבו ה-AI מבצע תהליכים שלמים, כולל קבלת החלטות, בחינת תוצרים וחזרה על פעולות ללא התערבות ישירה של האדם.
- מדוע למידת מכונה קלאסית ו-reinforcement learning עדיין רלוונטיים בפיתוח שבבים לעומת מודלים כמו LLM?
- למודלים הקלאסיים יש יכולת לשמר קשרים גרפיים מורכבים בדאטה של פיתוח שבבים, בעוד ש-LLM מבצע השטחה של המידע ועלול לגרום ל'לוצינציות' שפוגעות באמון המהנדסים. לדוגמה, reinforcement learning שימש בהצלחה לשיפור תהליכי פלייס אנד ראוט, בעיה שהייתה קשה מאוד ל-LLM להתמודד איתה.
- כיצד צביאל רואה את השפעת ה-AI על תהליכי הפיתוח המסורתיים של שבבים ומהם האתגרים המרכזיים?
- צביאל מתאר תהליך שבו AI עובר מלהיות כלי שמספק תשובות לבן אדם, לכלי שמבצע תהליכים מורכבים באופן עצמאי, כולל קבלת החלטות ואיטרציות. האתגר הוא להטמיע AI בתוך workflow הנדסי אמין, שיאפשר למהנדסים לבחור בין מסלולים שונים ולמצוא פתרונות חדשים שלא היו מובנים קודם לכן.
מתיאור הפרק
ה-AI חסך לכם שבוע עבודה. אבל האם ה-Tapeout הוקדם אפילו ביום אחד? אפשר להאיץ את כתיבת ה-RTL, לייצר בדיקות מהר יותר ולחסוך שעות של ניתוח Logs. אבל אם צוואר הבקבוק נמצא במקום אחר, שיפרנו את הפרודוקטיביות של המהנדס - לא בהכרח את זמן הפרויקט כולו. לכן השאלה היא לא רק ״איזו משימה אפשר לתת ל-AI?״ אלא ״אילו משימות באמת מקדמות את השבב ל-Tapeout?״ כדי לענות עליה, צריך מומחה שמכיר לא רק את יכולות המודל - אלא גם את האילוצים של ארגון שמפתח שבבים. לכן לפרק ה-100 שלנו הזמנו את צביאל למברגר, שמוביל את פעילות ה-AI בארגון הסיליקון של Google Cloud. צביאל הוא בוגר תואר ראשון בהנדסת חשמל מאוניברסיטת תל אביב ותואר
איך נוצר העמוד הזה
100 פרקים של Hard Reset = 100 מאמרים שגוגל מדרג
את התקציר והניתוח בעמוד הזה הפקנו אוטומטית מתוך האודיו של הפרק, בלי שאיש כתב מילה. זה בדיוק מה ש-AuthorityRank עושה לארכיון שלם: כל פרק הופך למאמר עברי איכותי שמדורג בגוגל ומצוטט על ידי ChatGPT ו-Perplexity, ומתפרסם אוטומטית במגזין משלכם.
הארכיון שלכם הוא אודיו מת שמנועי החיפוש לא מוצאים. אנחנו הופכים אותו לנכס שמביא תנועה כל חודש.