המירוץ ל-AGI: בזמן שאנחנו משפרים בוטים, העולם נלחם על השליטה בעתיד

האם ישראל מפספסת את הרכבת המהירה ביותר בהיסטוריה? בזמן שהאקדמיה והתעשייה המקומית תקועות בשיפור ארכיטקטורות ישנות, המעצמות כבר מזמן עברו למלחמה על הדבר האמיתי: בינה מלאכותית כללית (AGI). זה הזמן להפסיק להשתמש בכלים, ולהתחיל להמציא אותם מחדש. היום, כמעט כל מי שעוסק ב-AI בישראל – בין אם באקדמיה ובין אם בתעשייה – ממוקד באחד משני כיוונים: שיפור מודלי שפה (LLMs) קיימים המבוססים על ארכיטקטורת ה-Transformer המוכרת, או ניסיון ליישם כלי AI  קיימים כדי לפתור בעיות ספציפיות במדע ובהנדסה. זה נחמד, זה חשוב, וזה אפילו עובד. אבל זה רחוק מלהיות מספיק.

המבט החוצה: לאן העולם באמת הולך?

כשאנחנו מסתכלים על מה שקורה בסין, בארה"ב, בסעודיה וברוסיה, אנחנו רואים תמונה אחרת לגמרי. האומות הללו לא עסוקות רק ב"איך ליישם AI". הפוקוס הגדול ביותר שלהן הוא על בינה מלאכותית כללית או AGI – Artificial General Intelligence.

אילוסטרציה: המרוץ הגלובלי ל-AGI

למה? כי זהו המגרש של הגדולים באמת. המלחמה על ה-AGI תקבע מי תהיה המעצמה הדומיננטית בעולם. בניגוד לבינה המלאכותית שאנחנו מכירים היום, ל-AGI  אמיתית תהיה השפעה גלובלית על כל תחומי המדע והטכנולוגיה – בבת אחת. זה לא עוד "עוזר אישי" לכתיבת קוד או מיילים; זהו מנוע שיזניק את האנושות קדימה בכל דיסציפלינה אפשרית.

2023 כנקודת מפנה: מהפכת הכלים הכלליים והניבטים הראשונים של ה-AGI

הבינה המלאכותית שהייתה ידועה לנו עד שנות ה-2023 ועדיין קיימת היא בעצם סט של כלים (שיטות ואלגוריתמים) כלליים, שניתן בעזרתם לפתור בעיות קונקרטיות. כלומר "להלביש" אותם על גבי איזשהו דאטאסט קיים ולעבד אותו לצרכים שלנו. עושים את זה כיום בכל תחום אפשרי: בתחומי חקלאות, מים, שיווק, גיוס עובדים, רפואה, סייבר, ביטחון, ועוד. ראינו דוגמאות לזה בכלים פנטסטיים שהתעלו מעל ביצועים אנושיים, כמו בזיהוי אובייקטים בתמונות ובוידאו, במשחקי GO ושחמט, בג'ינרוט חלבונים, ועוד.

אבל משהו השתנה ב-2023, וכולנו חווינו את זה – היציאה של ChatGPT לעולם. לראשונה היה לנו כלי כללי, שמסוגל לענות להרבה מאוד צרכים שונים, ולא רק עונה לבעיות קונקרטיות ולא מבצע אך ורק משימות מסוימות. עם חיזוק תחום הרובוטיקה לאחרונה, כלים אלו, של מודלי שפה, ביחד עם יכולות של סוכנים, מסוגלים לבצע פעולות מעבר לטקסט. כלומר להפעיל תוכנות, לבצע פעולות באינטרנט, ועם רובוטים יוכלו אפילו לבצע מטלות בבית.

כל זה באמת פנטסטי, וכפי שהזכרנו לעיל, זה יהיה עוזר אישי נפלא ואכן יקל עוד יותר על חיינו, כמו כל טכנולוגיה קודמת שפגשנו. אבל היציאה של מודלי שפה לעולם ב-2023 עשתה דבר נוסף. לראשונה האנושות נפגשה עם כלי שמגיב בצורה מאוד ברורה, דמויית בן אדם, גמישה ואדפטיבית לבקשות רבות ומגוונות של אנשים. זה בעצם כמו גרסה התחלתית של בינה מלאכותית כללית.

תרשים התפתחות ה‑AI והמעבר מ"פנטזיית AGI" להבנה שהוא כבר אפשרי

הבעיה ב-AI של היום: הזיות וחוסר יצירתיות

בואו נודה על האמת, ל-AI הנוכחי (ובעיקר ל-LLMs) יש לא מעט בעיות:

• הזיות מובנות במודלים (Hallucinations): המודלים ממציאים עובדות בביטחון עצמי מופרז.
• שגיאות במערכות סוכנים: בתהליך האינטראקטיבי כל שגיאה הכי קטנה מתעצמת אקספוננציאלית, ומכשילה משימות מורכבות.
• חוסר עקביות לוגית: תגובות לא מתאימות או הזיות באינטראקציות ממושכות.
• חוסר ביצירתיות אמיתית: המודלים לא טובים על דאטא מחוץ לתחום האימון שלהם, ובדרך כלל מתכנסים למגוון צר של תבניות.
• השלכות קוגניטיביות ופסיכולוגיות: השפעות שליליות שאנחנו רק מתחילים להבין.

היום ה-AI הוא בעיקר עוזר פרטי לכתיבה, בידור ותכנות. AGI לעומת זאת, עוסק בהשפעה גלובלית ובקידום המדע והטכנולוגיה בכל כיוון אפשרי. תאורטית, AGI אמיתי אולי יהיה אפילו מסוגל ליצור לוגיקה שלא מוכרת לנו, מה שיאפשר גם ליצור אולי מתמטיקה חדשה, שתאפשר בתורה ליצור מודלים חדשים בכל תחום בעולמנו. כל אלו יאפשרו לפתח טכנולוגיות שהן מעבר להשגותינו והבנתנו.

המהפכה מתחילה בחינוך: פרדיגמה חדשה

כדי להגיע לשם, אנחנו חייבים לשנות כיוון. עלינו להקצות חלק מההון המושקע ב-AI לטובת מחקר ב-AGI ובעיקר לטובת הוראה בתחום ה-AGI ליצירת חוקרים לתחום הזה ספציפית. אנחנו זקוקים לקורסים מיוחדים ששמים דגש על תיאוריה ופילוסופיה (לעומת הקורסים היותר פרקטיים וההנדסיים הקיימים היום) – כאלו שיעניקו הבנה עמוקה ורחבה יותר בAI ובתחומים רלוונטיים לפיתוח AI. לא רק במדעי מחשב, אלא גם בפיזיקה, מדעי המוח, פסיכולוגיה ועוד. כמובן, זה כולל גם להכיר מודלים של חוקרים של העבר ושל ימיינו שמנסים להשיג AGI.

המטרה היא לא ללמוד איך "להשתמש" בכלים, אלא להשתמש במושגים תיאורטיים כדי לפתח ארכיטקטורות חדשות לגמרי.

אפילו איליה סוצקבר, המדען הראשי לשעבר של OpenAI, אמר כמה פעמים שהזמן לטכניקות הנדסיות ולסקלאביליות נגמר, ושצריך רעיונות חדשים. והוא לא היחיד שמדגיש צורך בפיתוחים חדשים. הרבה מדעני AI בכירים ממליצים כמוהו ואף מציעים ארכיטקטורות אלטרנטיביות.

ארכיטקטורות אלטרנטיביות: מעבר לפרדיגמת הטרנספורמר

כדי לפרוץ את תקרת הזכוכית של המודלים הנוכחיים, עלינו לבחון מודלים שאינם מסתמכים רק על ניבוי הטוקן הבא, אלא על הבנה עמוקה של חוקי העולם, לוגיקה וגמישות מחשבתית.

1. 1. מודלי עולם (World Models) ו-JEPA

אחד הכיוונים המבטיחים ביותר מובל על ידי יאן לקון (Yann LeCun) עם ארכיטקטורת ה-JEPA (Joint-Embedding Predictive Architecture). בניגוד למודלים גנרטיביים המנסים לשחזר כל פיקסל או מילה, JEPA שואפת ללמוד ייצוגים מופשטים של העולם. היא מאפשרת למערכת לנבא תוצאות של פעולות במרחב לטנטי (חבוי), מה שמעניק לה יכולת "הבנה" של סיבתיות ותכנון, בדומה לאופן שבו בני אדם ובעלי חיים לומדים.

2. ארכיטקטורות קוגניטיביות (כמו NARS, SORA)

השאיפה ל-AGI מחזירה לקדמת הבמה מערכות המשלבות לוגיקה ומבנה קוגניטיבי:

• • NARS (Non-Axiomatic Reasoning System): מערכת השואפת לפעול תחת הנחת יסוד של "משאבים מוגבלים וידע חסר", תוך שימוש בלוגיקה לא-אקסיומטית המאפשרת הסקת מסקנות גמישה בזמן אמת.

• Soar: ארכיטקטורה קוגניטיבית סימבולית השואפת לדמות את תהליכי המחשבה האנושיים. היא מבוססת על פתרון בעיות במרחב מצבים(State Space) , שימוש בזיכרון עבודה ובזיכרון לטווח ארוך, ומנגנון למידה המבוסס על "Chunking" (קיבוץ מידע) כדי לשפר ביצועים לאורך זמן.

3. יעילות ושינוי מבני: MAMBA ו-RWKV

בעיית הזיכרון והסיבוכיות של הטרנספורמרים ($O(N^2)$) מהווה חסם ללמידת הקשרים ארוכים. ארכיטקטורות כמו MAMBA (מבוססת State Space Models) ו-RWKV (המשלבת יתרונות של RNN וטרנספורמרים) מציעות סקלאביליות ליניארית. הן מאפשרות עיבוד מידע אינסופי כמעט ביעילות גבוהה, צעד הכרחי ליצירת מודלים בעלי "זיכרון עבודה" רציף.

4. מודלים השראתיים וביולוגיים: HTM ו-Darwin-Gödel

• HTM (Hierarchical Temporal Memory): מודל המבוסס על מבנה הניאוקורטקס האנושי, המתמקד בזיהוי תבניות בזמן ובחיזוי רציף.
• Darwin-Gödel Machine: גישה המשלבת אבולוציה של אלגוריתמים עם לוגיקה רקורסיבית (בהשראת משפטי גדל), המאפשרת למכונה לשפר את הקוד של עצמה באופן מוכח ובטוח.

5. מודלים של הסקה ותכנון: HRM ו-TITAN

• HRM (Hierarchical Reasoning Model) : בניגוד למודלים "שטוחים" המעבדים מידע ברצף אחד, ה-HRM מציע מבנה רב-שכבתי. הרמות הגבוהות עוסקות באסטרטגיה וביעדים מופשטים, בעוד הרמות הנמוכות מפרקות אותם לתתי-משימות טקטיות. מבנה זה קריטי לפתרון בעיות מורכבות הדורשות תכנון ארוך טווח ועקביות לוגית.
• TITAN: מודל המשלב מנגנוני זיכרון מתקדמים עם יכולת למידה מתמשכת, במטרה להתגבר על מגבלות ההקשר (Context) של המודלים הנוכחיים.

הדרך קדימה: ממעבדה לחינוך לאומי

המעבר ל-AGI דורש מאיתנו להפסיק להיות "צרכני טכנולוגיה" ולהפוך ל"אדריכלי בינה". זה מתחיל בשינוי התפיסה האקדמית:

1. אינטרדיסציפלינריות כהכרח: פיתוח AGI לא יכול להישאר רק בגבולות מדעי המחשב. הוא דורש שילוב של פיזיקה (להבנת דינמיקה), מדעי המוח (להשראה מבנית) ופילוסופיה (להגדרת תודעה, אתיקה ומטרות).
2. מחקר תיאורטי מול הנדסה: עלינו להשקיע בחיפוש אחר ה"אלגוריתם של התבונה" ולא רק בשיפור כוח המחשוב או איכות הדאטא של מודלים קיימים.
3. מעבר להוראה מופשטת (High-Level) וערך אנושי: כיוון שה-AI מחליפה בהדרגה משימות טכניות – בדגש על תפקידי ג'וניורים – עבודות העתיד יתמקדו בהבנה עמוקה ובערך אנושי מוסף. בהתאם לכך, הצורך בקורסים טכניים ויישומיים פוחת, וההוראה חייבת לעבור לרמה של הבנה גבוהה ומופשטת יותר, תוך השארת היישום והביצוע הטכני ליכולות ה-AI.
4. יצירת דור חוקרי ה-AGI: הקמת קורסי עילית שיתמקדו במודלים אלטרנטיביים, בלוגיקה מתקדמת ובארכיטקטורות שאינן מבוססות טרנספורמרים בלבד, כדי להכשיר את חוקרי המחר שיובילו את פריצת הדרך הבאה.

ה-AGI הוא לא העתיד – הוא המגרש שבו עלינו להתחיל לשחק

ישראל עומדת בפני צומת דרכים היסטורי. היצמדות למודלים הקיימים (LLMs) תשאיר אותנו כמעצמת יישום, אך לא כמעצמת הובלה. בעוד המעצמות נלחמות על השליטה בעתיד דרך ה-AGI, עלינו לנצל את היתרון היחסי שלנו – היצירתיות, החשיבה מחוץ לקופסה והיכולת לחבר בין תחומים – כדי להמציא את הכלים מחדש.

הזמן לשיפורים קוסמטיים נגמר. הגיע הזמן לבנות את התשתית המדעית והחינוכית שתאפשר לישראל לא רק "לתפוס את הרכבת", אלא לתכנן את המסילה עליה היא תדהר קדימה. ה-AGI הוא לא רק פרויקט טכנולוגי; הוא המפתח לדומיננטיות המדעית והכלכלית של המאה ה-21.