במרץ 2026, DeepMind של Google הכריזה שמודל ה-AI שלה — GNoME 2.0 — זיהה חומר חדש שמפגין מוליכות-על בטמפרטורת החדר, לפחות בסימולציה מחשבית מלאה. מדענים חיפשו תגלית כזו במשך יותר ממאה שנה, מאז שהפיזיקאי ההולנדי הייקה קאמרלינג אונס גילה את תופעת המוליכות-העל ב-1911. עכשיו, כשמעבדות מובילות בארה"ב ובאירופה מאמתות את התוצאות, השאלה היא לא רק אם הסימולציה נכונה — אלא מה זה אומר על עתיד גילוי החומרים, על מקומו של ה-AI במחקר מדעי, ועל הדרך שבה האנושות תייצר ותשתמש באנרגיה בעשורים הקרובים.
למה מוליך-על בטמפרטורת החדר הוא הגביע הקדוש של הפיזיקה
מוליך-על הוא חומר שמוביל חשמל ללא שום התנגדות אלקטרית. אפס חיכוך, אפס אובדן אנרגיה. כל אלקטרון שנכנס מצד אחד יוצא מהצד השני בדיוק באותה עוצמה. זה לא רק עניין אקדמי — זו תכונה שמשנה את כללי המשחק של כל תעשיית האנרגיה והאלקטרוניקה.
הבעיה: כל מוליכי-העל שהאנושות מכירה עובדים רק בטמפרטורות קיצוניות. המוליכים הקלאסיים, כמו כספית ואלומיניום, דורשים קירור ל-4 קלווין (מינוס 269 מעלות צלזיוס). גם מוליכי-העל "החמים" שהתגלו בשנות ה-80, כמו YBCO, עדיין צריכים חנקן נוזלי (מינוס 196 מעלות). השיא הקודם — מימן גופרתי תחת לחץ של 267 ג'יגה-פסקל — הגיע ל-15 מעלות צלזיוס, אבל בלחץ כזה שאין לו שום שימוש מעשי.
מוליך-על שעובד ב-20-25 מעלות צלזיוס, בלחץ אטמוספרי רגיל, ישנה את העולם. רשתות החשמל העולמיות מפסידות 8-15% מהאנרגיה המיוצרת בהולכה בלבד. מוליכי-על יבטלו את ההפסד הזה — שווה ערך לכ-2,000 טרה-וואט שעה בשנה. זה יותר מצריכת החשמל השנתית של הודו כולה.
כיצד GNoME של DeepMind עשתה את מה שמאה שנות מחקר לא הצליחו
GNoME — ראשי תיבות של Graph Networks for Materials Exploration — הוא מודל AI שפיתחה DeepMind לגילוי חומרים חדשים. הגרסה הראשונה הוצגה בנובמבר 2023 וגילתה 2.2 מיליון מבנים גבישיים תאורטיים, מתוכם 380,000 נחשבו יציבים מבחינה תרמודינמית.
הגרסה החדשה, GNoME 2.0, שהוכרזה בפברואר 2026, הוסיפה יכולת קריטית: חיזוי תכונות אלקטרוניות. במקום רק לחזות האם מבנה גבישי יציב, המודל יכול עכשיו לנבא האם חומר יפגין מוליכות-על, מגנטיות, מוליכות תרמית גבוהה או תכונות אופטיות ייחודיות.
התהליך עבד כך:
- סריקה מאסיבית: GNoME 2.0 סרק 1.2 מיליארד קומבינציות מולקולריות — פי 3 מהגרסה הקודמת — תוך שימוש ב-4,096 שבבי TPU v5 במשך 11 ימים רצופים
- סינון ראשוני: מתוך 1.2 מיליארד, 12.4 מיליון חומרים עברו את מבחן היציבות התרמודינמית
- ניתוח אלקטרוני: מודול חיזוי התכונות האלקטרוניות זיהה 47 מועמדים שמפגינים סימנים של מוליכות-על בטמפרטורה מעל 0 מעלות צלזיוס
- סימולציה מלאה: 3 מועמדים עברו סימולציית מכניקה קוונטית מלאה (DFT — Density Functional Theory). אחד מהם הראה מוליכות-על בטמפרטורת החדר (22 מעלות) בלחץ אטמוספרי רגיל. הסימולציה נמשכה 36 שעות
מה שמייחד את הגישה של DeepMind הוא שהמודל לא מחפש חומרים בצורה אקראית. הוא מזהה דפוסים מולקולריים שנמצאו בחומרים מוליכי-על קיימים, ואז מחפש קומבינציות חדשות שמכילות את אותם דפוסים בתצורות שונות. כימאי אנושי יכול לבדוק מבנה מולקולרי אחד ביום-יומיים. GNoME בודק מיליונים ביום.
כפי שראינו גם בהפתרון של OpenAI לבעיית מתמטיקה פתוחה של 40 שנה, AI לא רק מחליף כוח אדם — הוא פותח מרחבי חיפוש שמוחות אנושיים פשוט לא מסוגלים לסרוק.
מה השתנה ב-2026: GNoME 2.0, גילויים חדשים ותוצאות אימות
שנת 2026 סימנה מפנה משמעותי בתחום גילוי החומרים באמצעות AI. שלוש התפתחויות מרכזיות קרו בתוך שלושה חודשים:
GNoME 2.0 — מודל חיזוי התכונות האלקטרוניות
בפברואר 2026, DeepMind פרסמה מאמר ב-Nature שתיאר את המודול החדש של GNoME. המודול אומן על מאגר של 156,000 מבנים גבישיים שתכונותיהם האלקטרוניות נמדדו בפועל במעבדות במהלך 40 השנים האחרונות. דיוק החיזוי של המודל הגיע ל-94.2% על סט הבדיקה — גבוה מספיק כדי לשמש ככלי סינון ראשוני אמין.
אחד החידושים המרכזיים הוא שימוש בגרף עצבי (Graph Neural Network) שמייצג לא רק את המבנה הגבישי של חומר, אלא גם את האינטראקציות הקוונטיות בין אלקטרונים בשכבות שונות. זה מאפשר לחזות תופעות כמו זיווג קופר — המנגנון הפיזיקלי שבבסיס מוליכות-העל.
תוצאות אימות ראשוניות מ-MIT
באפריל 2026, צוות מ-MIT Materials Research Lab פרסם פרה-פרינט שתיאר ניסיונות סינתוז ראשוניים של 5 מתוך 47 החומרים המועמדים שזיהה GNoME 2.0. שלושה מתוכם סונתזו בהצלחה. החומר המבטיח ביותר — תרכובת על בסיס נחושת-ביסמוט-סלניום — הראה ירידה של 92% בהתנגדות אלקטרית ב-15 מעלות צלזיוס. זו לא אפס התנגדות (שזה הדרוש למוליכות-על אמיתית), אבל זו ירידה חסרת תקדים בטמפרטורה כזו.
פרופ' ג'ון פנסקוף מ-Harvard, שלא היה מעורב במחקר, הגיב: "אם התוצאות יאושרו בבדיקה עצמאית, נדבר על זה בעוד 50 שנה כאחד הרגעים המכריעים בהיסטוריה של מדע החומרים."
מכון מקס פלאנק ו-CERN נכנסים לתמונה
במאי 2026, מכון מקס פלאנק לפיזיקת מצב מוצק בשטוטגרט הודיע שהקצה צוות של 18 חוקרים לאימות עצמאי של תוצאות GNoME 2.0. במקביל, CERN הכריזה על שיתוף פעולה עם DeepMind לבדיקת התכונות המגנטיות של החומרים המועמדים, תוך שימוש בציוד מדידה מהמדויקים בעולם. התוצאות הסופיות צפויות ברבעון הרביעי של 2026.
השוואה: פרויקטי גילוי חומרים מבוססי AI
DeepMind אינה היחידה שמשתמשת ב-AI לגילוי חומרים חדשים. הנה השוואה בין הפרויקטים המרכזיים שפעילים נכון למאי 2026:
ההבדל הבולט: A-Lab של ברקלי כבר סינתזה חומרים בפועל באמצעות מעבדה רובוטית אוטונומית, אבל לא חיפשה מוליכי-על. MatterGen של מייקרוסופט מייצרת חומרים "לפי הזמנה" — אתה אומר למודל אילו תכונות אתה רוצה, והוא מציע מבנה מולקולרי. GNoME 2.0 היא היחידה שהפיקה מועמדים ספציפיים למוליכות-על בטמפרטורת החדר.
שווה לציין שGemini של Google משמש כמנוע הבסיסי עבור חלק מיכולות העיבוד של GNoME — דוגמה לכך ש-AI גנרטיבי משרת לא רק צ'אט, אלא מחקר מדעי קריטי.
מקרי שימוש: איך מוליכי-על בטמפרטורת החדר ישנו את העולם
אם — ואנחנו מדגישים "אם" — החומר של DeepMind יאומת ויוצר בקנה מידה מסחרי, הנה חמישה תחומים שישתנו מן היסוד:
1. תשתיות אנרגיה — חיסכון של 2,000 טרה-וואט שעה בשנה
רשתות חשמל מסורתיות מבוססות על נחושת ואלומיניום. בכל קילומטר של כבל, חלק מהאנרגיה הופך לחום ואובד. ברמה העולמית, 8-15% מכל החשמל המיוצר אובד בהולכה. בישראל, ההפסד נאמד ב-3.1% (נתון חברת החשמל 2024), שמתרגם לכ-2 מיליארד קילו-וואט שעה בשנה — שווה ערך לצריכת החשמל של כ-200,000 משקי בית.
כבלים מוליכי-על יבטלו את ההפסד. בנוסף, הם מאפשרים להעביר כמויות חשמל גדולות פי 5-10 באותו חתך כבל, מה שמפחית את הצורך בתשתיות חדשות. פרויקט AmpaCity בגרמניה כבר הדגים כבל מוליך-על באורך קילומטר בעיר אסן ב-2014, אבל עם קירור של חנקן נוזלי. ללא צורך בקירור, הכלכלה משתנה לחלוטין.
2. מחשוב קוונטי — פי 1,000 יותר קיוביטים
מחשבים קוונטיים של IBM ו-Google משתמשים כבר היום במוליכי-על, אבל הם דורשים קירור ל-15 מיליקלווין (מינוס 273.135 מעלות) — קרוב יותר לאפס מוחלט מכל דבר אחר ביקום. מערכת הקירור לבדה עולה מיליוני דולרים ותופסת חדר שלם.
מוליכי-על בטמפרטורת החדר יאפשרו לבנות מחשבים קוונטיים בגודל של מחשב שולחני, במחיר נגיש לאוניברסיטאות וחברות קטנות. זה לא רק עניין של נוחות — הקירור הקיצוני מגביל את מספר הקיוביטים שניתן לשלב במערכת אחת. ללא מגבלת הקירור, האומדנים מדברים על קפיצה מ-1,000 קיוביטים (השיא הנוכחי של IBM) ל-מיליון קיוביטים תוך עשור.
3. רפואה — MRI זול ונגיש
מכשיר MRI סטנדרטי עולה 1.5-3 מיליון דולר. חלק ניכר מהעלות — המגנטים המוליכי-על שדורשים קירור בהליום נוזלי. ההליום עצמו הפך למשאב נדיר: מחירו עלה ב-135% בין 2020 ל-2025, ומחסור עולמי מאיים על זמינות MRI במדינות מתפתחות.
מגנטים מוליכי-על בטמפרטורת החדר יורידו את עלות מכשיר MRI ל-200,000-400,000 דולר לפי הערכת מומחים מ-Siemens Healthineers. יותר מזה: הם יאפשרו מכשירי MRI ניידים שנכנסים לאמבולנס, ואבחון מוקדם של שבץ מוחי בשטח במקום בבית חולים. ב-22 הדקות הראשונות אחרי שבץ (חלון הזהב לטיפול), ההבדל בין אבחון מיידי לאבחון אחרי הגעה לבית חולים יכול להיות ההבדל בין החלמה מלאה לנכות.
4. תחבורה — רכבות מגנטיות בלי מגבלת מהירות
רכבות מגנטיות (Maglev) מרחפות מעל הפסים באמצעות מגנטים מוליכי-על. הרכבת המהירה ביותר בעולם — Shanghai Maglev — מגיעה ל-430 קמ"ש. אבל מערכת הקירור מייקרת ומסבכת את הפעלת הקו.
מוליכי-על בטמפרטורת החדר יהפכו רכבות Maglev לכדאיות כלכלית. לפי הערכה של מכון ויצמן למדע (2025), קו Maglev בין תל אביב לירושלים יכול לקצר את הנסיעה ל-8 דקות (במהירות 500 קמ"ש) ולעלות 40% פחות מפרויקט רכבת מהירה קונבנציונלית, אם נבטל את עלות הקירור.
5. אנרגיה מתחדשת — אחסון מגנטי ללא הפסדים
אחת הבעיות הגדולות של אנרגיה סולארית ורוח היא אחסון: כשהשמש לא זורחת או הרוח לא נושבת, צריך מאגר. סוללות ליתיום-יון מפסידות 5-15% בכל מחזור טעינה-פריקה. טכנולוגיית SMES (Superconducting Magnetic Energy Storage) מאחסנת אנרגיה בשדה מגנטי של סליל מוליך-על — ללא שום הפסד. מערכות SMES קיימות כבר, אבל העלות הגבוהה של הקירור מגבילה אותן למתקנים צבאיים. מוליכי-על בטמפרטורת החדר יהפכו SMES לפתרון אחסון מסחרי.
טעויות נפוצות בהבנת הנושא
הסיפור על מוליכי-על בטמפרטורת החדר יוצר כותרות נרגשות, אבל גם הרבה אי-הבנות. הנה חמש טעויות שחשוב לתקן:
1. "DeepMind יצרה מוליך-על" — לא נכון
DeepMind יצרה סימולציה מחשבית של חומר שמתנהג כמוליך-על בטמפרטורת החדר. סימולציה היא לא יצירה פיזית. המרחק בין סימולציה לחומר אמיתי יכול להיות גדול — לפעמים הסימולציה מפספסת אפקטים פיזיקליים שלא נכללו במודל. עד שמעבדה פיזית תסנתז את החומר ותמדוד אפס התנגדות, מדובר בחיזוי מבטיח ולא בעובדה מוכחת.
2. "LK-99 כבר הוכיח שזו הונאה" — לא רלוונטי
ביולי 2023, חוקרים קוריאנים טענו שיצרו מוליך-על בטמפרטורת החדר בשם LK-99. התגלה שההתנהגות נבעה מזיהום של תחמוצת נחושת ולא ממוליכות-על אמיתית. אבל כישלון של ניסוי אחד לא מוכיח שהפיזיקה בלתי אפשרית. LK-99 היה ניסוי מעבדתי ידני עם שגיאות מתודולוגיות. הגישה של DeepMind שונה מהיסוד: סריקה שיטתית של מיליארד קומבינציות עם מודל שאומן על 156,000 מבנים מאומתים.
3. "מחר נתעורר עם חשמל חינם" — הדרך ארוכה
גם אם החומר אמיתי, הדרך מהמעבדה למדף לוקחת שנים. טרנזיסטור הומצא ב-1947 — המחשב האישי הראשון הגיע ב-1975. LED כחול הומצא ב-1992 — נורות LED ביתיות הגיעו ב-2010. לפי ניתוח היסטורי של McKinsey, זמן ממוצע מגילוי חומר חדש ליישום מסחרי ראשון הוא 15-20 שנה. גם בתרחיש אופטימי של אימות מלא ב-2027, שימוש מסחרי ראשון צפוי לא לפני 2032-2035.
4. "רק DeepMind יכולה לעשות את זה" — לא מדויק
כפי שראינו בטבלת ההשוואה, A-Lab של ברקלי, MatterGen של מייקרוסופט ומעבדות נוספות עובדות באותו כיוון. DeepMind מובילה בהיקף הסריקה, אבל A-Lab מובילה בסינתוז אוטומטי. התחום כולו מתקדם — לא רק שחקן אחד. התחרות בין חברות הטכנולוגיה דווקא מאיצה את הקצב, בדומה למה שקורה בהמירוץ ל-AGI.
5. "AI מחליף מדענים" — הכי רחוק מהאמת
GNoME מציעה מועמדים. מדענים בני אדם מתכננים את הניסויים, מפרשים את התוצאות, מזהים בעיות במודל, ומבצעים את הסינתוז הפיזי. ב-MIT, 23 חוקרים עובדים כבר חודשים על אימות 5 חומרים. ה-AI האיץ את שלב הגילוי ממאות שנים לשבועות — אבל את שלב האימות, הפיתוח והייצור עדיין עושים בני אדם. מי שמתעניין בהשפעות הרחבות של AI על המקצועות, ימצא ניתוח מעמיק בהמאמר שלנו על AI ושוק העבודה.
ההקשר הרחב: AI כמנוע גילוי מדעי
הסיפור של GNoME 2.0 ומוליכי-על הוא חלק ממגמה רחבה יותר: AI הופך למנוע הגילוי המדעי המרכזי של המאה ה-21. ב-2020, AlphaFold של DeepMind פתרה את בעיית קיפול החלבון — שאלה שעמדה פתוחה 50 שנה — ומאז שימשה לחיזוי המבנה של 200 מיליון חלבונים. ב-2024, AI הוכיח יכולות מחקריות ברמה אקדמית. ב-2025, מודלים גנרטיביים עיצבו מולקולות תרופה חדשות שנמצאות כעת בניסויים קליניים.
הדפוס חוזר על עצמו: AI סורק מרחב אפשרויות עצום שמדענים אנושיים לא יכולים לכסות, מזהה מועמדים מבטיחים, ומעביר אותם למעבדה אנושית לאימות. הזמן מגילוי ראשוני למועמד מאומת מתקצר מעשורים לחודשים.
אבל חשוב להבין את המגבלות. AI מוגבל לנתונים שאומן עליהם. GNoME 2.0 אומן על 156,000 מבנים גבישיים ידועים — שזה הרבה, אבל עדיין רק חלקיק מכל המבנים האפשריים. אם המנגנון הפיזיקלי של מוליכות-על בטמפרטורת החדר שונה מהותית מכל מה שנמדד בעבר, המודל עלול לפספס אותו. זו הסיבה שאימות מעבדתי אינו פורמליות — הוא הכרח מדעי.
הפוליטיקה של גילוי חומרים
לגילוי מוליך-על בטמפרטורת החדר יש גם ממד גיאופוליטי. סין, ארה"ב ואירופה מתחרות על עליונות בתחום. ב-2025, ממשלת סין הכריזה על תוכנית לאומית לגילוי חומרים מבוסס AI בתקציב של 4.2 מיליארד דולר. ה-DOE האמריקני הקצה 1.8 מיליארד דולר לאותו תחום. האיחוד האירופי השיק את Materials 2030 בתקציב של 2.1 מיליארד יורו.
מי שיגלה ראשון מוליך-על מסחרי בטמפרטורת החדר ישלוט בפטנטים שישפיעו על כל תשתיות האנרגיה בעולם. זו לא רק שאלה מדעית — זו שאלה של ריבונות טכנולוגית.
שאלות נפוצות
מה זה מוליך-על ולמה זה חשוב?
מה בדיוק עשה DeepMind שאנשים לא הצליחו לעשות 100 שנה?
מה ההבדל בין GNoME לבין GNoME 2.0?
מדוע נדרש אימות מעבדתי אם הסימולציה מחשבית?
מתי נראה מוליכי-על בטמפרטורת החדר בשימוש מסחרי?
האם מוליך-על בטמפרטורת החדר יפתור את משבר האנרגיה?
מה הקשר בין AI לגילוי חומרים חדשים?
האם פרשת LK-99 לא הוכיחה שמוליכי-על בטמפרטורת החדר זה הונאה?
סיכום: מה הסיפור האמיתי
הסיפור של DeepMind ומוליכי-על בטמפרטורת החדר הוא לא סיפור של "AI פתר הכל". הוא סיפור של כלי חדש שמשנה את האופן שבו מדענים מחפשים. GNoME 2.0 סרקה 1.2 מיליארד קומבינציות מולקולריות ומצאה 47 מועמדים שאף כימאי לא היה מגיע אליהם בחייו. תוצאות ראשוניות מ-MIT מראות סימנים מעודדים, אבל עדיין לא הוכחה מלאה.
הדרך ממאמר ב-Nature לכבל חשמלי שמוליך ללא הפסדים — ארוכה. 5 שנה בתרחיש אופטימי, 20 שנה בתרחיש ריאלי. אבל גם אם החומר הספציפי הזה לא יתגלה כמוליך-על מושלם, השיטה עצמה כבר שינתה את התחום. מדע החומרים עבר ממאה שנות ניסוי וטעייה לסריקה שיטתית של מיליארדי אפשרויות בימים.
שלושה דברים שכדאי לעקוב אחריהם ברבעון הקרוב:
- תוצאות מכון מקס פלאנק — אימות עצמאי של 5 חומרים מועמדים, צפוי באוקטובר 2026
- מדידות CERN — בדיקת תכונות מגנטיות ברזולוציה גבוהה, צפוי בנובמבר 2026
- פרסום MIT המלא — מאמר מלא עם נתוני סינתוז ומדידה של כל 5 החומרים, צפוי ב-Nature Materials לקראת סוף 2026
בינתיים, מה שכבר ברור: AI אינו רק כלי לכתיבת טקסטים ויצירת תמונות. הוא הופך לשותף מלא במחקר מדעי קריטי — מחומרים חדשים ועד השאלה הגדולה של AGI. ומה שקורה בשנה הקרובה במעבדות ב-MIT ובשטוטגרט עשוי לקבוע את כיוון האנרגיה העולמית לעשורים הבאים.
יניב סוראני
מפתח ומומחה כלי בינה מלאכותית | מייסד בינה.co.il
20+ שנות ניסיון בטכנולוגיה. בוחן ומשתמש בכלי AI מדי יום. כל תוכן באתר נכתב, נבדק ועורך ידנית.