מרכזי נתונים ל-AI בישראל: למה הענן המקומי הפך לצוואר בקבוק
הביקוש ל-GPU בישראל מזנק, אבל היצע מרכזי הנתונים לא עומד בקצב. מה קורה בשוק המקומי, מה זה עושה למחירים ומה האפשרויות של סטארטאפים.
כל מי שניסה בחודשים האחרונים להזמין מכונות GPU חזקות מהאזור המקומי (region) של ספקיות הענן בישראל נתקל באותה תופעה: רשימות המתנה, מכסות (quotas) נמוכות והפניות מנומסות לאזורים באירופה. הביקוש לאימון ולהרצת מודלים בישראל גדל מהר יותר ממה שהתשתית הפיזית מסוגלת לספק, והפער הזה מתחיל להיות מורגש בכיס ובלוחות הזמנים של חברות מקומיות.
מה קורה בשוק: ביקוש שרץ קדימה, בטון שנבנה לאט
מאז שנכנסו לפעולה האזורים המקומיים של AWS ו-Google Cloud במסגרת פרויקט נימבוס, ארגונים ישראליים רבים, ובראשם גופים ממשלתיים, בנקים וחברות ביטוח, מחויבים או מעדיפים להריץ עומסים רגישים בתוך גבולות המדינה. במקביל, גל המוצרים מבוססי ה-AI של השנתיים האחרונות הפך את ה-GPU ממשאב נישתי של צוותי מחקר למשאב שכל צוות פיתוח שני צריך, בין אם ל-fine-tuning של מודלים פתוחים ובין אם ל-inference בקנה מידה של פרודקשן.
הבעיה היא שמרכז נתונים לא מקימים ברבעון אחד. שרשרת ההקמה כוללת הקצאת קרקע, חיבור לרשת החשמל, אישורי תכנון, קירור, ורק בסוף גם את השרתים עצמם. בישראל מתווספים לזה אתגר החשמל, כשחברת החשמל ורשות החשמל כבר איתתו שחיבורים חדשים בהיקפי צריכה של עשרות מגה-ואט הם תהליך של שנים, ומחירי קרקע ותכנון שהופכים כל פרויקט למרתון בירוקרטי.
- עומסי inference של מוצרים בפרודקשן, שדורשים זמינות גבוהה וקרבה גיאוגרפית למשתמשים
- דרישות רגולטוריות של רזידנטיות נתונים (data residency) בפיננסים, בריאות וממשלה
- אימון ו-fine-tuning של מודלים פתוחים על דאטה עסקי שאסור להוציא מהארץ
- צוותי מחקר אקדמיים ותעשייתיים שמתחרים על אותם משאבים מקומיים
אנחנו רואים לקוחות שמוכנים לשלם פרמיה של עשרות אחוזים רק כדי שהדאטה לא יעזוב את ישראל. הבעיה היא שגם במחיר הזה, לפעמים פשוט אין מה למכור להם
ההקשר הגלובלי: כולם רודפים אחרי אותם שבבים
המחסור המקומי הוא הד של תמונה עולמית. ענקיות הענן מפנות את עיקר ההקצאות של מאיצי הדור החדש של NVIDIA לאזורי הליבה שלהן בארצות הברית ובאירופה, שם נבנים קמפוסים של ג'יגה-ואט עבור עומסי האימון של המודלים הגדולים. אזורים קטנים יחסית כמו ישראל מקבלים הקצאות מוגבלות, ובדרך כלל דור אחד או שניים אחרי הקצה. מי שרוצה H200 או מאיצי Blackwell באזור המקומי מגלה שהתור ארוך, בעוד שבאזור פרנקפורט או אירלנד המלאי גמיש בהרבה.
במקביל צומחת בעולם שכבה של ספקי GPU מתמחים, המכונים לפעמים neoclouds, שמציעים מחירים אגרסיביים על שעות מחשוב. חלקם כבר משרתים לקוחות ישראליים, אבל השרתים שלהם יושבים באירופה ובארצות הברית, כך שהם לא פותרים את בעיית הרגולציה, ומוסיפים latency שמורגש במוצרי זמן-אמת.
מה זה אומר לסטארטאפ ולארגון הישראלי
בפועל, השוק המקומי מתפצל לשלוש קבוצות. הראשונה היא ארגונים מחויבי רגולציה, שנאלצים לתכנן קיבולת שנה מראש, לחתום על התחייבויות reserved instances ולבנות ארכיטקטורה שמפרידה בקפדנות בין דאטה רגיש שחייב להישאר בארץ לבין עומסי חישוב שאפשר להוציא החוצה. השנייה היא סטארטאפים בשלב הצמיחה, שמגלים שסעיף ה-compute בתקציב מזנק ושכדאי להם לנהל אותו כמו שמנהלים גיוס: להתמקח, להשוות ספקים ולנצל את תוכניות הקרדיטים של OpenAI, אנתרופיק וגוגל כל עוד הן קיימות. השלישית היא חברות שפשוט מוותרות על אימון עצמי ועוברות לצריכת מודלים דרך API, ומעבירות את בעיית התשתית לספק.
לפני שנועלים את עצמכם על GPU ייעודי: בדקו אם quantization של המודל, batching חכם של בקשות או מעבר למודל קטן ומכוונן (distilled) חותכים את דרישות המחשוב. בהרבה מוצרי inference אפשר לרדת מ-80GB זיכרון ל-24GB בלי פגיעה מורגשת באיכות.
יש גם צד חיובי: המחסור יוצר הזדמנות עסקית. יזמי נדל"ן ותשתיות מקומיים, לצד קרנות בינלאומיות, מקדמים בשנתיים האחרונות שורה של פרויקטים חדשים למרכזי נתונים בישראל, חלקם עם מיקוד מוצהר בעומסי AI וקירור נוזלי. אם הפרויקטים האלה יבשילו, ההיצע המקומי צפוי להשתפר משמעותית לקראת 2027-2028, אבל בין ההיום לשם יש עוד תקופה ארוכה של תחרות על משאבים.
מה הלאה: חשמל, רגולציה והחלטות שצריך לקבל עכשיו
השאלה הגדולה של השנים הקרובות היא חשמל. עומסי AI צורכים אנרגיה בסדרי גודל שונים ממרכזי נתונים מסורתיים, ובלי החלטות ממשלתיות על חיבורים מהירים לרשת, ייצור עצמי באתרים ותעריפים תחרותיים, ישראל תתקשה למשוך הקצאות של שבבים מהדור הבא. גורמים בתעשייה מעריכים שכמו במדינות אחרות, גם כאן יידרש מהלך ממשלתי מתכלל שיתייחס למרכזי נתונים כתשתית לאומית ולא כעוד פרויקט נדל"ן.
אם המוצר שלכם תלוי ב-GPU באזור המקומי, אל תניחו שהמכסה של היום תהיה שם מחר. עגנו קיבולת בחוזה, ובנו תוכנית fallback לאזור אירופאי כולל טיפול משפטי בסוגיית העברת הדאטה.
בשורה התחתונה, שוק ה-compute הישראלי נמצא ברגע מעניין: ביקוש בשיא, היצע בפיגור, וגל השקעות שעוד לא הבשיל. מי שמתכנן מוצר AI ל-2027 צריך להתייחס לתשתית לא כפרט טכני שסוגרים בסוף, אלא כהחלטה אסטרטגית שמשפיעה על עלויות, על רגולציה ועל מהירות היציאה לשוק.
שאלות נפוצות
האם יש אזורי ענן (regions) של AWS וגוגל בישראל?
כן. במסגרת פרויקט נימבוס פועלים בישראל אזורים מקומיים של AWS ושל Google Cloud, המשרתים בעיקר גופים ממשלתיים וארגונים מחויבי רגולציה. עם זאת, היצע מכונות ה-GPU החזקות בהם מוגבל יחסית לאזורי הליבה באירופה ובארצות הברית.
למה קשה להשיג GPU לאימון מודלים בישראל?
ההקצאות של מאיצי הדור החדש מופנות בעיקר לאזורי הענן הגדולים בעולם, בעוד שבנייה של קיבולת מקומית חדשה מתעכבת בגלל חיבורי חשמל, אישורי תכנון וזמני הקמה ארוכים. התוצאה היא מכסות נמוכות ורשימות המתנה באזור המקומי.
מה עדיף לסטארטאפ ישראלי: GPU ייעודי או שימוש ב-API של מודלים?
לרוב הסטארטאפים בשלבים מוקדמים, צריכת מודלים דרך API זולה ומהירה יותר ומעבירה את בעיית התשתית לספק. GPU ייעודי משתלם בעיקר כשיש דרישות data residency, עומסי inference גבוהים וקבועים, או צורך ב-fine-tuning על דאטה רגיש.
דרגו את הכתבה
הדירוג עוזר לנו לדעת מה שווה לכם.
תגובות