דור ה־AI

הקדמה

זה לא רק הצורך להשתנות כדי להגיב למציאות, אלא להבין לעומק מה משתנה ואיך השינוי משפיע עליי.

בהרצאות שלי לקהילות בתחום החינוך, אני מתחילה בשאלה שמעודדת אנשים לדמיין את העתיד — מה הסיכוי שבעוד עשר שנים לילדים שלכם יהיה חבר מלאכותי? התשובות נעות בין "אין מצב" לבין "ייתכן". תלוי בחשיפה של המשתתפים לחידושים הטכנולוגיים האחרונים. לעומת זאת, על השאלה מה הסיכוי שבעוד כעשור מקצוע ההוראה יהיה המבוקש ביותר? כולם עונים בפסקנות "אין מצב".

אני נעה בפער שבין המציאות המטורפת של תחומי הטכנולוגיה לבין התחושה של העמידה במקום או אפילו רגרסיה ממושכת ומתסכלת שהיא מנת חלקם של אנשי ונשות חינוך רבים. אז איך אני שורדת במערכת יותר משלושה עשורים? זה פשוט. אני יזמת.

לא רק יזמת שיוצרת פתרונות מקומיים אלא מניעה חדשנות ויזמות בכל הסביבה שלי, מרחיבה ככל האפשר את מרחב ההשפעה שלי, ומאיצה אותו כל הזמן באמצעות בניית רשת קשרים רחבה, סקרנות ללא גבולות וגישה קלילה לחיים. הגישה שאני פועלת בה בעולם משלבת יוזמה, דוגמה אישית ואופטימיות. אני כותבת כבר יותר מעשור פוסטים באתר שהקמתי ״חינוך ליצירתיות״ ומפתחת באמצעותו שיח עם הקהילה סביב ערכים, טכנולוגיה ופדגוגיה חדשנית.

במהלך שנות עבודתי בחינוך במגוון תפקידים, צברתי שעות רבות של ניסיון בהנחיה ובהדרכת צוותי חינוך, מדריכים ומנהלים. אני מאמינה שהדרך להשפיע על העולם עוברת בחינוך, ושהדבר החשוב ביותר בעולם החינוך הוא אמון. אני מאמינה באנשים ובכוח שלהם להשפיע, ומוטרדת כיום מהשיח הרדוד כלפי השינוי הענק שמביאה מהפכת הבינה המלאכותית לרוב תחומי חיינו.

ספר זה נכתב עבורכם — מחנכים, הורים, יועצים חינוכיים, פסיכולוגים, מובילי קהילות, יזמי אדטק (היי־טק בחינוך), מרצים באקדמיה ויזמים בתחום החברתי. מטרת הספר לסייע לכמה שיותר גברים ונשים להיות מעורבים באופן מעשי, ולעצב את העתיד הקרוב בעידן הבינה המלאכותית, על בסיס אמונות, מטרות וערכים משותפים. השוק העסקי, היזמי והטכנולוגי כבר עבר את נקודת האל־חזור וממשיך להאיץ.

אף שבעמק הסיליקון מעריכים שבינה מלאכותית כללית — שתוכל לבצע את רוב הפעולות ברמה אנושית — לא תושג בארבע השנים הקרובות, התקדמות המהפכה הטכנולוגית היא בלתי נמנעת. ההתקדמות המהירה הזו תשפיע ומשפיעה כרגע על הילדים ועל בני הנוער שלנו בכל התחומים. לפיכך, הימנעות שלנו, המבוגרים, מהבנת גודל השינוי ומהותו, נכון לעכשיו, מעמידה בסכנה את הדור הבא. בעיקר בישראל אשר עוצמתה ושרידותה מבוססות על איכות ההון האנושי במדינה. עכשיו נשמו עמוק וצללו איתי לעולם החדש, המופלא והמסוכן הזה.

בפרק הראשון המציאות השתנתה! מותק, המכונות הגיעו אציג את השינוי שהביאה איתה הכניסה המהירה של הבינה המלאכותית הגנרטיבית. נעסוק בשאלות מהותיות כמו — איך השינויים הללו משפיעים על הילדים שלנו ועל חיינו כהורים ומחנכים? כיצד נוכל להתכונן לעתיד שבו הטכנולוגיה משמשת תפקיד מרכזי כל כך? האם הבינה המלאכותית היא איום על עולם התעסוקה שאנו מכירים, או אולי היא פותחת בפנינו ובעיקר בפני הילדים שלנו הזדמנויות חדשות ומרתקות? אילו שינויים חברתיים עומדים בפנינו? וכיצד נוכל להכין את הדור הבא להתמודד עם אתגרי העידן החדש?

בפרק השני זה הזמן להגיב! מודל פעולה לטובת דור האלפא (הילדים שנולדו בין השנים 2010–2025), נסקור איך התמודדנו כחברה עם המהפכות הקודמות ומה אפשר ללמוד מכך אל מול המהפכה הנוכחית של הבינה המלאכותית. נכיר את המושג "ברבור שחור" — תופעה בלתי צפויה ומערערת במציאות כמו טכנולוגיית הבינה מלאכותית, ואת הדרכים להתמודד עם התופעה כאן ועכשיו. התמודדות זו תסייע לילדינו לפתח עמידות ואפילו אנטי־שבירות אל מול המציאות המשתנה.

בפרק השלישי מודל הוליסטי לפיתוח אנטי־שבירות בעידן המכונות נחשוב על הערכים המרכזיים שעלינו לשמר בעידן הבינה המלאכותית, ועל המיומנויות שעלינו לפתח כדי להתמודד בהצלחה עם השינויים המהירים שמביאה הטכנולוגיה. האם פיתוח כשירות בינה מלאכותית מספיק או בנוסף לה נדרשות יצירתיות ומיומנויות חברתיות כדי לשגשג בעולם החדש? אילו עקרונות עלינו לאמץ היום כדי להגיב ביעילות לשינויים המהפכניים של העידן החדש על מנת להכין את הדור הבא למצות את ההזדמנויות ולהתמודד היטב עם האתגרים הרבים שנכונו להם?

בפרק הרביעי כך נשפיע על המציאות — אומה של יזמים נכיר יישומים קונקרטיים של מודל הפעולה שהוצג בפרק השלישי, ונתוודע למיזמים חדשניים שפותחו על ידי אנשי חינוך. באמצעות מורים יזמים אלה נכיר דרכים לרתום את הבינה המלאכותית לשיפור החינוך בצורה מעשית. אילו מיזמים חדשניים שפותחו על ידי אנשי חינוך יצליחו להוביל שינוי משמעותי בשטח? מה אפשר ללמוד מהיוזמות הללו? ואילו אתגרים עדיין ניצבים בפנינו? האם הבינה המלאכותית תסייע בפיתוח מיומנויות חברתיות ורגשיות בקרב תלמידים? היכרות זו תוביל אותנו לשאלות החשובות — האם אנשי החינוך באמת יכולים להיות היזמים שישפיעו על המציאות ויעצבו עתיד חינוכי טוב יותר באמצעות בינה מלאכותית? וגם — אילו כלים ותובנות יוכלו לסייע להם להפוך את השינוי הזה למציאות?

בפרק החמישי מה בעשור הבא? מבט לתרחישי העתיד, נבחן יחד תרחישי עתיד אפשריים בנוגע לחינוך בעידן הבינה המלאכותית. נחשוב כיצד יכולים השינויים המהפכניים שחווינו כמו סגרי הקורונה, מהפכה משטרית ומלחמה, להשפיע על מערכת החינוך ועל חיי ההורים והתלמידים בעשור הבא. האם משברים בחברה ובחינוך הם גם הזדמנות לשינוי מהותי? כיצד הטכנולוגיה תוכל לסייע להוביל יחד לגל שינויים שיקדם הוגנות, חדשנות וערכים חברתיים? האם הבינה המלאכותית תהיה המפתח לחינוך מיטבי, או תערער אותו? דרך סיפוריהם של תלמידים, מורה ומנהלת במוסד חינוכי עתידי בשם "כפר" נציץ לעולם החדש ונשאל — האם זהו עתיד שנרצה ליצור יחד?

פרק ראשון:

המציאות השתנתה! מותק, המכונות הגיעו

בינה מלאכותית (Artificial Intelligence, AI) היא תחום במדעי המחשב העוסק בפיתוח מערכות ותוכנות המנסות לחקות את היכולות הקוגניטיביות של בני אדם, כמו למידה, חשיבה, הסקת מסקנות, זיהוי דפוסים, הבנת שפה טבעית, ואפילו יצירתיות. מערכות AI נועדו לבצע משימות שדורשות אינטליגנציה אנושית, כגון זיהוי תמונות, פתרון בעיות מורכבות, הבנת טקסטים ושפה, ולמידה מתוך ניסיון ונתונים.

מטרת המומחים והחברות בתחום הבינה המלאכותית היא ליצור מערכות שיכולות לא רק לפעול לפי כללים שנקבעו מראש, אלא גם ללמוד ולשפר את ביצועיהן על בסיס נתונים וניסיון שנצבר לאורך זמן. בפרק זה נבחן את התפתחות הבינה המלאכותית ואת ההשלכות על החברה שלנו. נתחיל מסע בזמן דרך חמש שאלות מרכזיות, שבכל אחת מהן נתייחס להתקדמות של תחום הבינה המלאכותית, תוך כדי השוואתה לבינה האנושית. השאלות הללו יאפשרו לנו להבין טוב יותר את השינויים המהותיים של העידן הזה, במטרה להשתמש בידע זה כדי להגיב לתמורות שהטכנולוגיות הביאו לחברה שלנו באופן ביקורתי ומעשי.

בינה מלאכותית מול בינה טבעית: מסע בין חמש שאלות

שאלה ראשונה: האם אפשר לתכנן מכונה המחקה חשיבה אנושית?

חשיבה אנושית מאופיינת ביכולת להבין הקשרים, ליצור משמעות מתוך חוויות אישיות, ולבצע שיפוטים אינטואיטיביים ומורכבים. לעומת זאת, חשיבה של מכונות נשענת על עיבוד נתונים לוגי וחישובי, ללא חוויות סובייקטיביות או תודעה פנימית. בפועל, קיימת מחלוקת רחבה בשאלה — מהי חשיבה אנושית וכיצד אפשר למדוד אותה? אך כאשר מדברים על מכונות "חושבות", שיטה מקובלת היא לעקוף את הדיון על ידי בחינה של תוצאות ולא של תהליכים פנימיים.

אחת הדרכים להתמודד עם בעיית ההגדרה של חשיבת מכונה הייתה יצירת מבחן טיורינג.¹ בשנת 1950 המתמטיקאי הבריטי אלן טיורינג הציע לערוך משחק פשוט: תנו לבוחן לשוחח עם שתי ישויות — אדם ומכונה. אם הבוחן לא יכול להבדיל בין השניים — כלומר, אם הוא חושב שהמחשב הוא בן אדם — אפשר לומר שהמכונה "עברה" את מבחן טיורינג. חשוב להבהיר כי טיורינג לא טען שהמכונה "חושבת" באופן עצמאי, אלא שהמכונה מסוגלת לחקות את התהליך המחשבתי האנושי כך שתוצאות פעולתה ייראו דומות לתוצר מחשבה אנושית.

בגישה מעט שונה למדידת "חשיבה" של מכונות, הפילוסוף האמריקאי ג'ון סירל הציע ניסוי מחשבתי בשם החדר הסיני.² הרעיון המרכזי היה שמכונה עשויה לעבור את מבחן טיורינג בלי להבין דבר. במבחן שלו, אדם הסגור בחדר שמצויד במערכת חוקים סדורה מקבל שאלה בסינית ומחזיר תשובה נכונה בלי להבין את השפה כלל. סירל טען שמכונה מבצעת הוראות, אבל זה לא אומר שהיא "מבינה" באמת. הוויכוח על "הבנה" מכנית ממשיך עד היום, במיוחד כאשר מדובר בצ'טבוטים המתקדמים שאנחנו משוחחים עימם.

המונח בינה מלאכותית (Artificial Intelligence) נטבע ב־1956 באוניברסיטת דארטמות׳ במסגרת הצעה של קבוצת חוקרים, ביניהם ג׳ון מקארתי ומרווין מינסקי, לסדנת מחקר ראשונה שדנה באפשרות ליצור מכונות חכמות.³ על פי חוקרים אלה, בינה מלאכותית הוגדרה דרך הפקודות המדויקות שיש לתת למכונה כדי שתגיע לביצוע המשתווה לביצועי בן אדם. כלומר, מהרגע הראשון מדובר היה בתחום שנמצא במרוץ לחיקוי הבינה האנושית.

בשלב מוקדם זה, בשנות החמישים, המתכנתים השתמשו בלמידת מכונה מבוססת כללים (Rule-based AI Learning), שבה הם כתבו פקודות ברורות למכונה בשפתה, והנחו אותה לבצע פעולות בסדר מסוים. איכות הביצוע של המכונה הייתה תלויה בכוח החישוב ובאיכות הפקודות שניתנו לה. לדוגמה, פותחו תוכנות שיכלו ליישם את חוקי משחק השחמט.

עובדה מעניינת היא שתחום זה במדעי המחשב התפתח בד בבד עם תחום נוסף — הרובוטיקה. כבר בשנת 1961 חברת GM ניסתה לפתח רובוט שיבין שפה טבעית. חיבור משמעותי נוסף היה בין מדעי המחשב למדעי המוח. בשנים הללו הבנת רשתות קוגניטיביות במוח האנושי חוללה שינוי מהותי גם בתחום המחשוב. רעיון זה הוביל להתפתחות של רשתות עצביות (Neural Networks) — מערכות מחשב המדמות את האופן שבו רשתות של תאי עצב (נוירונים) במוח מעבדות מידע. רשתות עצביות מורכבות משכבות רבות של יחידות עיבוד המחוברות זו לזו, כאשר כל שכבה לומדת לזהות מאפיין מסוים מתוך הנתונים שהוזנו למערכת. עם השנים גברה היכולת ליישם רשתות עצביות מתוחכמות יותר, והובילה לטביעת המונח רשתות עצביות עמוקות (Deep Neural Networks) באמצע שנות ה־60 על ידי ולנטין לאפה ואלכסיי יאבקנקו. רשתות עצביות עמוקות הן שיטה מתקדמת בלמידת מכונה, שמחקה את אופן הפעולה של המוח האנושי, המורכב ממיליארדי נוירונים שמאפשרים לנו לאחסן ולעבד מידע, ולהגיב במהירות לשינויים בסביבה. ב־2024 זכו בפרס נובל לפיזיקה פרופסור ג'פרי הינטון מאוניברסיטת טורונטו ופרופסור ג'ון הופפילד מאוניברסיטת פרינסטון, על המצאות וגילויים יסודיים המאפשרים למידת מכונה באמצעות רשתות עצביות מלאכותיות. הכרה זו משקפת את השפעתה הגדולה של עבודתם על תחום הבינה המלאכותית, וכן את הקשר ההדוק בין תחומי הפיזיקה ולמידת המכונה.

המוח האנושי שונה ממערכות בינה מלאכותית בעיקר בזכות המודעות העצמית (Consciousness) — היכולת להבין את קיומנו, לשקול מחשבות ורגשות מנקודת מבט פנימית, ולשאול שאלות על זהותנו ועל רגשותינו. מודעות זו מאפשרת לנו להבין את עצמנו ואת מקומנו בעולם. לעומת זאת, מערכות בינה מלאכותית, כולל רשתות עצביות עמוקות, עוסקות בעיבוד נתונים ובזיהוי דפוסים, אך חסרות מודעות פנימית או הבנה של עצמן. הן פועלות על פי אלגוריתמים ותהליכי עיבוד מתמטיים, שנבנו ותוכננו על ידי בני אדם. בעוד הבינה המלאכותית יעילה בניתוח מידע ובביצוע משימות מוגדרות, היא אינה מסוגלת לחקות את העומק הרגשי ואת ההכרה העצמית של בני האדם.

אם כך, נראה שבתנאים מסוימים מהנדסי תוכנה בנו מכונה המחקה חשיבה אנושית, אם חשיבה אנושית מוגדרת על פי התוצאה. פעולת עיבוד המידע של מחשב היא חישובית ומבוססת על נתונים שקיבל, התאמן ולמד עד שהצליח להפיק תוצרים איכותיים. איכות העיבוד של המחשבים עולה כל העת וכך גם התוצרים שאפשר להפיק באמצעותם. הדבר מעורר שאלה מרתקת — כיצד מתמודדות מערכות בינה מלאכותית עם אחד היישומים המורכבים ביותר של החשיבה האנושית — קבלת החלטות ואיך אפשר למדוד זאת?

שאלה שנייה: האם מחשב יכול לחקות קבלת החלטות ברמה של מומחה אנושי?

הבינה המלאכותית היא תחום רחב במדעי המחשב שמנסה לפתח מערכות מחשב שיכולות לחקות יכולות אנושיות כמו חשיבה, הבנה, קבלת החלטות ופתרון בעיות. התפתחות התחום ידעה עליות ומורדות: בעוד שנות השבעים נחשבו ל"חורף" בתחום, שנות השמונים הביאו עימן פריחה משמעותית עם פיתוח מערכות מומחה, (Expert Systems) — מערכות מחשב שנועדו לחקות את תהליך קבלת ההחלטות של מומחה אנושי בתחומים כמו רפואה, הנדסה ושירות לקוחות. מערכות אלה פעלו באמצעות מאגרי ידע (Knowledge Bases) שהכילו כללים והנחות שנאספו ממומחים, אך היו מוגבלות בגמישותן וביכולתן להתמודד עם בעיות חדשות.

המגבלות הללו הובילו להתפתחות גישה חדשה — למידת מכונה (Machine Learning, ML). טכניקה שבה המחשב לומד ומשתפר בביצוע משימות על ידי ניתוח דוגמאות וניסיון, בדיוק כמו שילד לומד לזהות כלב אחרי שראה הרבה כלבים שונים. בניגוד למערכות המומחה המסורתיות, שהתבססו על כללים קבועים מראש, מערכות למידת מכונה מסוגלות לפתח את הידע שלהן בעצמן, מה שהוביל לשימושים המתקדמים בבינה מלאכותית שאנו רואים כיום.

בלמידת מכונה מחשבים לומדים לשפר את ביצועיהם באמצעות חשיפה לכמויות גדולות של נתונים, ללא צורך בהנחיות מפורטות ממתכנתים. אחד היישומים המתקדמים ביותר של למידת מכונה הוא רשתות נוירונים עמוקות (Deep Neural Networks) שמחקות את האופן שבו המוח האנושי מעבד מידע. רשתות אלו בנויות מנוירונים מלאכותיים — יחידות חישוב פשוטות שמסודרות בשכבות רבות, וכל יחידה מחוברת ליחידות בשכבה הבאה באמצעות מיליוני קישורים. דפוסי הקישוריות הללו מאפשרים לרשת ללמוד לזהות ולהבין תבניות מורכבות בנתונים שהמחשב נחשף אליהם, כמו זיהוי תמונות או הבנת שפה טבעית. ככל שיש יותר שכבות וקשרים ברשת, כך גדלה היכולת שלה לעבד מידע מורכב, ולבצע ניתוחים מתקדמים של הנתונים. רשתות נוירונים עמוקות הן בסיס לפריצות דרך רבות בתחום הבינה המלאכותית, ומאפשרות למחשבים לבצע משימות שבעבר נדרשה עבורן הבנה אנושית.

התחום למידת מכונה כולל כמה מושגים:

למידת מכונה בלתי מפוקחת (Unsupervised ML) היא פריצת דרך משמעותית בתחום הבינה המלאכותית בכך שהיא מאפשרת למחשבים ללמוד ממידע לא מתויג ולמצוא דפוסים בעצמם. בניגוד ללמידה מפוקחת, שבה כל דוגמה מתויגת (למשל, תמונות המסומנות כ"חתול" או "כלב"), בלמידה בלתי מפוקחת המכונה מקבלת מידע גולמי בלבד, ללא תיוגים או הסברים. לדוגמה, המערכת יכולה לקבל אוסף תמונות ולמצוא בעצמה קבוצות של תמונות דומות, או לזהות דפוסים חוזרים בנתוני לקוחות ללא ידע מוקדם על המאפיינים המשמעותיים.

למידת חיזוקים (Reinforcement Learning) היא אחת השיטות המתקדמות בלמידת מכונה. בשיטה זו, אלגוריתמים לומדים באמצעות אינטראקציה עם סביבתם, כשהם מקבלים חיזוקים חיוביים על פעולות מוצלחות ו"עונשים" על פעולות שגויות. לדוגמה, כאשר מודל למידת חיזוקים מתאמן במשחק לוח אסטרטגי כמו גו, הוא מקבל תגמולים חיוביים עבור מהלכים שמובילים לניצחון, ותגמולים שליליים על מהלכים שמובילים להפסד. באמצעות תהליך איטרטיבי זה, המודל משפר את ביצועיו בהדרגה ולומד לקבל החלטות אופטימליות. אלפא־גו זירו (AlphaGo Zero) היא דוגמה מצוינת להתקדמות בתחום למידת החיזוקים.

זו תוכנה שהצליחה להתמחות במשחק הגו המורכב באמצעות למידת חיזוקים טהורה (ללא נתונים מבני אדם). איך זה עבד? התוכנה שיחקה מיליוני משחקים נגד עצמה, כמו אדם שמתאמן מול המראה. בכל משחק היא ניתחה את המהלכים שהובילו לניצחון או להפסד, והשתמשה במידע הזה כדי להשתפר בפעם הבאה. בניגוד לגרסה הקודמת, שהתבססה על למידה ממשחקי גו ששיחקו בני אדם אנושיים, אלפא־גו זירו פיתחה את אסטרטגיות המשחק שלה באופן עצמאי לחלוטין והייתה לשחקנית הגו הטובה בעולם.

סוג זה של למידת מכונה הוא דוגמה למה שקרוי בינה מלאכותית צרה (Narrow AI) שהיא בינה מלאכותית הממוקדת בתחום ספציפי בלבד — במקרה זה, משחק הגו. בינה מלאכותית צרה מתמחה במטלות מוגדרות היטב, כמו בקרת רובוטים או אופטימיזציה של מערכות.

המקרה של אלפא־גו זירו ממחיש היטב את העוצמה ואת המגבלות של בינה מלאכותית מודרנית. בעוד המערכת הצליחה להגיע לרמת משחק על־אנושית בתחום מוגדר היטב כמו גו, היא אינה מסוגלת להעביר את הידע שלה למשימות אחרות כמו זיהוי תמונות או ניהול שיחה. הצלחתה מדגימה את היעילות של למידת חיזוקים בעזרת חוקים ברורים ומשוב מיידי, אך גם מדגישה את המרחק הרב שעוד נותר עד להשגת בינה מלאכותית כללית.

נבחין בין מערכות למידת מכונה מודרניות לבין מערכות מסורתיות מבוססות חוקים מהדוגמה הבאה. המחשב כחול עמוק (Deep Blue) של חברת IBM שפותח בשנת 1997 הצליח להביס את אלוף העולם בשחמט, גארי קספרוב. בניגוד למערכות למידת מכונה מודרניות Deep Blue לא השתמש בלמידת חיזוקים או בלמידה עמוקה. במקום זאת, המחשב קיבל "ספר הוראות" מפורט מאוד שמסביר לו איך לשחק, והוא פשוט עקב אחרי ההוראות האלה במהירות ובדייקנות. הוא לא "למד" או "המציא" דברים חדשים בעצמו. יכולתו לנצח נבעה משילוב של כוח חישוב עצום, שאפשר לו לחזות מספר רב של מהלכים קדימה, עם אסטרטגיות משחק מתוכנתות היטב. עשור וחצי מאוחר יותר, בשנת 2011, המחשב ווטסון (Watson), גם הוא של חברת IBM ניצח את שני האלופים הגדולים ביותר של משחק הטריוויה Jeopardy! בניגוד לניצחון של Deep Blue בשחמט, שהתבסס על חישוב מהלכים, ווטסון הדגים יכולות מתקדמות בהבנת שפה טבעית ובעיבוד מידע לא מובנה. כך התקדמו יכולות הבינה המלאכותית לאורך השנים.

בזכות התקדמות הטכנולוגיה, אנו רואים כיום שילוב של שתי הגישות: כוח חישוב משמעותי עם אלגוריתמי למידה מתקדמים, המאפשרים למכונות להגיע לרמות ביצוע גבוהות במגוון רחב של משימות מורכבות. הטכנולוגיות הללו משפרות את חיי היום־יום בתחומים רבים. בתחום הרפואה, מערכות אלו מסייעות בניתוח נתונים מורכבים כמו צילומי רנטגן, לזיהוי מחלות באופן מדויק יותר, ואף לאופטימיזציה של מינוני תרופות לחולים במחלות כרוניות.

בתחום הרכב, כלי רכב אוטונומיים משתמשים בטכנולוגיות בינה מלאכותית כדי להכיר את סביבת הנהיגה ולהתאים את תגובותיהם לתנאים המשתנים בכביש, ובכך לשפר את הבטיחות ואת היעילות בנהיגה. כמו כן, בתחום בניית מבנים חכמים, למידה מחיזוקים מאפשרת אופטימיזציה של צריכת אנרגיה באמצעות התאמת חימום, קירור ותאורה לפי דפוסי השימוש של הדיירים.

כל אלה הם דוגמאות ספציפיות של שימושים בבינה מלאכותית במערכות המקיפות אותנו. אבל האם אנחנו יכולים ליצור קשר עם המכונות ולדבר איתן באופן שוטף כמו עם אנשים? האם הן יכולות להבין שפה טבעית ולספק לנו מענה מהיר ויעיל תוך הבנה טובה של ההקשר ומצב הרוח שלנו?

שאלה שלישית: האם המכונות מסוגלות לדבר עם בני אדם באופן טבעי ולחולל תשובות מקוריות?

מודלי שפה גדולים הופיעו כבר בשנות ה־80 וה־90 ב־MIT. הפריצה הגדולה של התחום הגיעה מהמעבדות של ענקית התקשורת AT&T Bell Labs. בשנת 2001 קבוצת מדענים בראשות יושה בנג׳יו וחוקרים נוספים פיתחו את ה־RNN — רשת הנוירונים הרקורסיבית הראשונה. רשת נוירונים רקורסיבית (RNN) היא סוג של רשת נוירונים שיכולה "לזכור" מידע לאורך זמן. היא מיועדת לעיבוד של נתונים סדרתיים, כמו טקסט או דיבור, על ידי כך שהפלט שלה תלוי לא רק בקלט הנוכחי אלא גם בקלטים קודמים. תכונה זו מאפשרת לה ללמוד הקשרים, ולהבין את ההקשר הכולל של רצפים.

מערכת ממוחשבת זו הצליחה לעבד טקסט ואודיו תוך יישום יכולות זיכרון משופרות ושמירת קשר בין אלמנטים. לדוגמה, לראשונה התאפשר לזהות דיבור, ליישם תרגום אוטומטי וכתיבה גנרטיבית. על בסיס הטכנולוגיה הזו, הגיעו מאוחר יותר לקהל הרחב עוזרות וירטואליות כמו סירי של אפל ואלכסה של גוגל.

היישומים הללו החלו לשנות את האופן שבו מכונות ובני אדם מתקשרים. רשת הנוירונים מסוג Transformer, שהוצגה לראשונה בשנת 2017, הייתה הבסיס לפיתוח ה־Generative Pre-trained Transformer (GPT) של OpenAI. בשנת 2018 יצא המודל הראשון של GPT שהתבסס על 117 מיליון פרמטרים, והציג את היכולות המתקדמות ביותר לעיבוד שפה טבעית באותה תקופה. המודל הזה היה צעד חשוב, אך הוא סימן רק את תחילת המרוץ הטכנולוגי בתחום.

בשנת 2019 הוצג מודל GPT-2 — גרסה משופרת עם 1.5 מיליארד פרמטרים — קפיצה משמעותית בהשוואה לגרסה הקודמת. המודל הזה לא רק שיפר את הביצועים ואת הדיוק של המכונה, אלא גם הרחיב את יכולתה להתמודד עם משימות מורכבות יותר וליצור טקסטים מרשימים ואיכותיים יותר.

ההתקדמות הגדולה ביותר התרחשה בשנת 2020 עם השקת GPT-3, מודל שמבוסס על ארכיטקטורה עצומה של 175 מיליארד פרמטרים — גידול עצום בהשוואה לגרסאות הקודמות. GPT-3 יצר לא רק מהפכה באופן שבו מכונות מתקשרות עם בני אדם, אלא גם אפשר יצירת תוכן חדש ומקורי, מה שהביא לפריצות דרך רבות בתחומים כמו יצירת טקסט, תמונות ואפילו מוזיקה.

המשמעות של כל זה חורגת מהיכולת הפשוטה של המכונה לתקשר בשפה טבעית — מדובר במכונות שמסוגלות לייצר תוכן חדש לחלוטין שלא היה קיים קודם, מה שמסעיר את עולם מדעי המחשב ופותח אפשרויות חדשות רבות. תחום הבינה המלאכותית הגנרטיבית, שמתמקד ביצירת תוכן מקורי באמצעות רשתות נוירונים ולמידת מכונה, הפך לתת־תחום מרכזי בבינה מלאכותית עם יישומים שממשיכים לגדול ולהתפתח בצורה מואצת. מי חלם פעם שאפשר יהיה לדבר עם מכונה כמו שאנחנו מדברים עם חבר?

עוזרות דיגיטליות כמו סירי ואלכסה מתבססות על טכנולוגיות מתקדמות של זיהוי קול (Speech Recognition) והבנה של שפה טבעית (Natural Language Understanding, NLU) המאפשרות להן לזהות דיבור אנושי ולהגיב בהתאם. תהליך זה מתבצע בכמה שלבים: תחילה, העוזרת הדיגיטלית מתרגמת את הדיבור לקובץ טקסט בעזרת מודלים של זיהוי דיבור אוטומטי. לאחר מכן, היא מנתחת את משמעות המילים ומנסה להבין את הכוונה שמאחורי הבקשה של המשתמש.

המודלים המתקדמים ביותר בתחום זה מבוססים על למידה עמוקה (Deep Learning) במיוחד על רשתות נוירונים מסוג LSTM וטרנספורמרים (כמו מודלים מסוג GPT). רשתות אלה מאומנות על כמויות אדירות של נתונים, כולל מיליוני דוגמאות של דיבור אנושי וטקסטים שונים, כדי לשפר את הדיוק ואת היכולת לזהות דקויות שפתיות. לדוגמה, הן מסוגלות להבין את ההקשר של משפטים, להבחין בין שאלות דומות בעלות משמעויות שונות, ולזהות בקשות מורכבות.

החידוש הגדול בעוזרות הדיגיטליות הוא היכולת שלהן לפעול בסביבה טבעית ולהתאים את עצמן למשתמשים ספציפיים. כאשר משתמש מבקש מסירי להדליק את האורות בסלון, המערכת צריכה להבין את ההקשר, לזהות את הציוד החכם בבית, ולשלוח את הפקודה המתאימה. תהליך זה כולל קבלת החלטות מבוססות על הקשר (Contextual Decision-Making), כגון זיהוי השעה ביום, העדפות המשתמש או מיקומו הפיזי של המשתמש.

גם עוזרות דיגיטליות משתמשות לעיתים במודלים של למידה מחיזוקים כדי לשפר את הביצועים שלהן. באמצעות אינטראקציה מתמשכת עם המשתמשים, הן לומדות מה הן התשובות שמספקות את המשתמש ומה הם הצרכים החוזרים של כל משתמש. למשל, אם משתמש שואל את אלכסה על מזג האוויר בכל בוקר, המערכת תלמד לזהות את דפוס ההתנהגות הזה ותשפר את יכולתה להציע מידע רלוונטי באופן יזום. המטרה היא לספק חוויה מותאמת אישית יותר שמתאימה לצרכים ולשגרה של כל משתמש.

אך לצד היתרונות הרבים השימוש בעוזרות דיגיטליות מעלה גם שאלות אתיות ומורכבויות בתחום הפרטיות. כדי לשפר את הדיוק ואת ההתאמה האישית, המערכות אוספות מידע רב על המשתמשים. מידע זה יכול לכלול את ההעדפות, השגרות היומיות, ואפילו את נתוני המיקום של המשתמשים. השימוש במידע הזה דורש איזון עדין בין הצורך לספק שירותים מותאמים אישית לבין שמירה על פרטיות המשתמשים.

היכולת של מכונות לדבר איתנו בשפה טבעית וללוות אותנו בכל מקום דרך מכשירי הטלפון החכם נמצאת איתנו כבר שנים, ועם הזמן הולכת ומשתכללת. השאלה היא, האם הן מסוגלות לעשות עוד פעולות שייחודיות לאדם?

הערות

1 Whalen, T. (2009). A Computational Behaviorist Takes Turing's Test., 343-357. https://doi.org/10.1007/978-1-4020-6710-5_21.

2 Endicott, R. (1996). Searle, Syntax, and Observer Relativity. Canadian Journal of Philosophy, 26, 101 — 122. https://doi.org/10.1080/00455091.1996.10717446

3 McCarthy, J., Minsky, M., Rochester, N., & Shannon, C. (2006). A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, August 31, 1955. AI Mag, 27, 12-14. https://doi.org/10.1609/aimag.v27i4.1904.

המשך הפרק זמין בספר המלא