למה דווקא בים צריך אוטונומיה מבוזרת?

הסיבה הבסיסית היא שהים הוא סביבה מורכבת לשליטה ריכוזית -מחקרים צבאים ואזרחיים מצביעים שוב ושוב על ארבעה אתגרים מרכזיים: תקשורת, ניווט, בקרה והפעלה מבוססת-נתונים. בתקשורת הבעיה חריפה במיוחד: תקשורת אקוסטית, תקשורת אלקטרומגנטית ואופטית סובלים כל אחד ממגבלות של רוחב פס, שיהוי, טווח, הפרעות וסביבה משתנה. במילים פשוטות – קשה לסמוך עליהן במיוחד שהמצב נהיה כאוטי.

גם הניווט אינו מובן מאליו; תוכנית SBIR של הצי האמריקאי (שנחשב המתקדם בעולם) הגדירה צורך בטכנולוגיות מיקום פסיביות כאשר GPS נפגע או אינו זמין, והדגישה כי הטכנולוגיה הקיימת יכולה רק “למתוח זמן” לפני שהשגיאה מצטברת גורמת לכלי לצאת מהמסלול. לכן, בים, השאלה איננה האם נוח להוסיף AI, אלא איך שומרים על משימה כאשר הקישור לא אמין והניווט חלקי. אם כל שינוי מסלול, העברת תפקיד או תגובה לאיום חייבים לעבור דרך מפעיל אנושי, הלהקה כולה נהפכת לשברירית.

USV בים עוין: ניווט ושרידות תחת שיבושי GPS ותקשורת

מה הופך “להקה” למערכת שמסוגלת להחליט?

הנקודה הטכנית החשובה היא שאוטונומיה ימית איננה אלגוריתם אחד, אלא שכבות של שיטות שעובדות יחד. בשכבה הראשונה נמצאת התפיסה: הכלי צריך להבין איפה הוא ומה יש סביבו. כאן נכנסים מיזוג חיישנים, או sensor fusion, ושיטות localization עמידות ל-GNSS פגוע. במקום להישען רק על GPS, המערכת מחברת יחד IMU, מדידות מהירות, מצלמות, מכ"ם, ולעיתים גם חיישני עומק או סונר, כדי לבנות הערכת מצב יציבה יותר. דוגמה בולטת הופיעה ב-2025, כש-Saildrone הודיעה שהמערכת שלה מסוגלת לפעול אוטונומית גם בסביבה של GPS-denied או spoofed באמצעות “multiple forms of localization” ולא דרך מקור יחיד. מחקרי USV חדשים מצביעים על אותו כיוון בדיוק: ניווט ימי נעשה עמיד יותר ככל שהמערכת נשענת על כמה מקורות חישה ומבצעת ביניהם הצלבה מתמשכת.

השכבה השנייה היא בקרה וניווט. כאן לא מדובר רק ביכולת להחזיק קו, אלא ביכולת לתכנן מסלול מחדש בזמן אמת. מערכות כאלה משלבות מתכנני מסלול קלאסיים עם שיטות הסתגלותיות יותר, ולעיתים גם עם למידת חיזוק, כדי להתמודד עם מכשולים, ים דינמי, כללי COLREGs, ומגבלות תנועה של כלי קטן. הסקירות האחרונות בתחום מדגישות מגמה ברורה: מעבר ממערכות ניווט “קשיחות” יחסית למערכות guidance and control שיש בהן שכבה data-driven ולמידה מבוססת ניסיון. במערך להקתי, זה מתרחב מהשאלה “לאן אני מפליג?” לשאלה “איך אני מפליג כך שהקבוצה כולה תשמור על המבנה ועל המשימה?”.

השכבה השלישית, והיא זו שהופכת אוסף כלים ללהקה, היא תיאום מבוזר. כאן מופיעים מושגים כמו distributed consensus, task allocation ו-multi-agent reinforcement learning. הרעיון אינו שכל כלי יקבל תמונה מלאה של כל הזירה, אלא להפך: שכל יחידה תעבוד עם תמונה מקומית, תשתף רק את המידע החיוני, ותדע להסיק כיצד להתאים את עצמה לקבוצה. אם יחידה אחת נופלת, אחרות מחלקות מחדש את הגזרה; אם זוהה אזור מסוכן, המבנה משתנה; אם נפתח חלון תקשורת קצר, המערכת מסנכרנת רק את מה שבאמת קריטי. ב-ONR מגדירים זאת בפשטות יחסית אבל בצורה חדה: פיתוח distributed algorithms שיאפשרו לקבוצת סוכנים לתפקד כנחיל, כולל חקירה של יכולת פעולה ללא תקשורת בין המשתתפים. זה בדיוק הלב של הלהקה הימית האוטונומית.

נחיל ימי מתואם: מסלולים דינמיים, איומים משתנים, ורשת מבוזרת

זה כבר לא מדע בדיוני

בינואר 2024 הוקמה Task Group 59.1, שממוקדת בפריסה מבצעית של מערכות בלתי מאוישות בשילוב מפעילים מאוישים, ובאוקטובר 2024 תיאר הצי את Digital Talon 3.0 כזירה לבחינת פתרונות תעשייתיים והפעלה מבצעית של צוותים מאוישים ובלתי מאוישים יחד. בדוגמה אחרת, בתרגיל Digital Horizon, Task Force 59 הדגימה גם שכבת תקשורת רלוונטית מאוד לדיון הזה: mesh networking. לפי הודעת הצי, הרשת אפשרה למערכות בלתי מאוישות להעביר דימות למפקדות בים ובחוף גם ב־communications denied environment. המשמעות המבצעית עמוקה: לא ערוץ יחיד שנשבר ומשתק את הכוח, אלא רשת שבה כל פלטפורמה יכולה לשמש גם כחיישן וגם כצומת תקשורת. כך AI והאלגוריתמיקה אינם רק “קבלת החלטות”, אלא גם חסכון בתקשורת ועמידות תקשורתית.

גם בצד הרכש והבנייה זה כבר קורה. באוגוסט 2024 הודיעו הצי ו-DIU על שותפות לפרוטוטייפים של small unmanned surface vehicles. בדף העובדות של הצי, שפורסם ב-2025, כבר מופיעה משפחת sUSV כמסגרת מבצעית רחבה יותר, כולל הדגמות שיגור של כמה GARC מספינה במרץ 2025 ותעסוקה של Saildrone Voyager עבור משימות ISR. זו בדיוק התמונה האסטרטגית החדשה: לא כלי בודד, אלא ארכיטקטורה של הרבה כלים קטנים, מחוברים חלקית, שמסתמכים על אוטונומיה מקומית.

כלים אוטונומיים מנתחים איומים ומסתגלים בזמן אמת בתנאי ערפל מידע

אם מחברים את ההתפתחויות האילו למלחמה באיראן, רואים עד כמה הרעיון של להקה ימית אוטונומית כבר אינו תרגיל עתידני אלא צורך מבצעי. המרחב שבין המפרץ הפרסי, מצרי הורמוז ומפרץ עומאן מציג בדיוק את תנאי הקצה שעליהם המערכות האלה נבנות: MARAD האמריקאי מזהיר כעת מפני תקיפות איראניות על כלי שיט מסחריים באזור, ו-JMIC/UKMTO מדווחות על שיבושי GNSS/GPS, spoofing, jamming ואנומליות AIS מתמשכות, שפוגעים באמינות הניווט ומגדילים את הסיכון למיסקלקולציה גם בלי פגיעה ישירה. בתנאים כאלה, כוח ימי שמבוסס רק על קישור רציף, GPS נקי ומספר קטן של פלטפורמות גדולות נעשה פגיע יותר. לעומת זאת, להקה של כלים קטנים עם חישה מבוזרת, sensor fusion, תיאום מקומי ורשת mesh יכולה לשמר נוכחות, סיור והתרעה גם בתוך “ערפל אלקטרוני” וגם תחת איום של טילים, כטב"מים וכלים מהירים.

הפוסט הים השקט, ה-AI הפעיל: איך להקה ימית מקבלת החלטות לבד הופיע ראשון בLet's AI בינה מלאכותית

מהי הצפנה הומומורפית?

לחידה הזאת יש פתרון - הצפנה הומומורפית (Homomorphic Encryption) , תחום מתפתח שמתחיל לשנות את הדרך שבה אנחנו חושבים על פרטיות בעולם של בינה מלאכותית. מה זה בעצם הצפנה הומומורפית? בוא נתחיל במה היא לא.

היא לא כמו רוב שיטות ההצפנה אשר מגינות על המידע בכך שהופכות אותו לבלתי קריא. הצפנות האלה לא טובות במקרה שלנו כי אם רוצים לעבד את המידע (לחשב משהו, לעשות פרדיקציה, להריץ עליו אלגוריתם), צריך קודם לפענח קודם ואז מי שמריץ את העיבוד רואה את המידע לא מוצפן. בהקשר הזה, הצפנה הומומורפית מאפשרת לבצע חישובים ישירות על המידע המוצפן, בלי לפתוח אותו.

לדוגמה, נניח ששני אנשים מחזיקים במספרים סודיים ורוצים לדעת את הסכום הכולל בלי לחשוף את המספרים עצמם. באמצעות הצפנה הומומורפית, אפשר להצפין את שני המספרים, לחשב עליהם את הסכום כשהם מוצפנים ולקבל תוצאה מוצפנת. רק מי שמחזיק במפתח הפרטי יוכל לפענח את הסכום הסופי.

המגבלות והאתגרים בהצפנה הומומורפית במודלי שפה גדולים

אז אפשר להשתמש בהצפנה הומומורפית על מודלי שפה גדולים? מסתבר שלא בקלות כל כך והסיבה נאוצה בדרך שהמודלים האלה עובדים. באופן דיי גורף, מודלי שפה גדולים לומד לחזות את המילה הבאה (או התו הבא) על בסיס מה שכתוב לפני. כדי לעשות זאת, המודל מעביר את המילים דרך תהליך של קידוד (encoding) כלומר המרת טקסט למספרים ומחשב עליהם הסתברויות מתמטיות.

כל הקסם של מודלי שפה גדולים הוא בעצם כלי חישובי גדול שיודע לנחש מילה לפי מה שסטטיסטית סביר שתהיה לאור טקסטים שהמודל ראה כבר.

הרעיון של שילוב הצפנה הומומורפית הוא לאפשר למודל לבצע את אותו תהליך על טקסט מוצפן. במקום לראות את המילים עצמן, הוא יקבל גרסה מוצפנת שלהן, יחשב את ההסתברות של ה"טוקן" הבא (המילה או החלק של מילה הבא), גם היא בצורה מוצפנת, ויחזיר תוצאה מוצפנת. רק הצד שמחזיק במפתח יוכל לפענח את התוצאה ולקרוא את הטקסט החוזר. במילים אחרות: הטקסט נכנס מוצפן המודל מחשב על נתונים מוצפנים רק הפלט הסופי מפוענח.

הצפנה הומומורפית עם מודלי שפה גדולים

איך הצפנה הומומורפית עובדת במודלי שפה

איך הקסם הזה עובד? אז קודם כל, הוא עדיין לא עובד הכי טוב כי כרגע האלגורתמים הם מאוד יקרים לחישוב מה שעושה את השימוש בטכנולוגיה מאוד איטי. אבל, הרעיון המרכזי הוא כזה.

מודלי שפה רגילים (כמו GPT) עובדים על טוקנים, מספרים שמייצגים מילים, חלקי מילים או תווים. כל טוקן כזה עובר דרך שכבות של חישובים מתמטיים רגילים על מספרים. אבל ברגע שאנחנו מצפינים את המספרים האלה, הם כבר לא "מספרים רגילים" אלא הם הופכים להיות אובייקטים מתמטיים אחרים לגמרי.

המודל לא יכול סתם לעשות עליהם חישוב רגיל, כי הוא לא מכיר אותם, הרי הוא מעולם לא למד עליהם. לכן, אי אפשר פשוט להצפין את הקלט הרגיל ולתת למודל המאומן לעבוד עליו – יש צורך לשנות משהו עמוק יותר.

השלבים המרכזיים

כדי להתמודד עם זה, עושים 4 שלבים מרכזים:

1. המודל עצמו מאומן באופן רגיל על טקסט לא מוצפן. במהלך האימון הוא לומד את החוקים הסטטיסטיים של השפה: אילו מילים נוטות לבוא אחרי אילו מילים, איך משפטים בנויים, וכדומה – השלב הזה כולם עושים ואתם מקבלים חינם בעצם.

2. אחרי שהמודל כבר מאומן, עוברים עליו ומחליפים את פעולות החישוב הרגילות בגרסאות תואמות להומומורפיות. למשל, במקום חיבור רגיל משתמשים בחיבור הומומורפי. המשמעות היא שכל החישובים ייעשו על ערכים מוצפנים, אבל בצורה שמובטחת לתת את אותה תוצאה כמו אם היו רגילים (לאחר פיענוח).

3. בזמן שאתם משתמשים במודל, הטקסט שלכם עובר קידוד יעודי שלכם עם ההצפנה. הטוקנים עצמם לא מועברים למודל כפי שהם, במקום זאת הם עוברים קידוד למספרים (כמו תמיד) ואז מוצפנים לפי שיטה הומומורפית שמבטיחה שניתן לבצע עליהם פעולות מתמטיות (ולא רק לשמור אותם סודיים).

4. הטקסט המוצפן עובר למודל השפה שלכם והפלט הסופי חוזר מוצפן גם כן. במחשב שלכם אתם פותחים את ההצפנה ומקבלים טקסט רגיל, כאילו מעולם לא הייתה הצפנה בכלל.

4 שלבי ההצפנה

המשמעות והפוטנציאל של הצפנה הומומורפית

המשמעות של טכנולוגיה כזו עצומה: ניתן לשלוח למודל מידע סודי בלי לחשוש שיחשף – לא משנה מה הספק מבטיח לכם. חברות יכולות להריץ ניתוחים משותפים על נתונים רגישים, מבלי לחשוף אותם זו לזו. המודל יכול לפעול על שרת חיצוני מבלי לדעת כלל מה המידע שעליו הוא עובד.

אז מה כן אפשרי כבר היום? אפשר להריץ מודלים בסביבות חומרה שמצפינות את הזיכרון ומבודדות את זמן הריצה (TEE), כך שהדאטה והמשקלים מוגנים גם מספק התשתית. בענן זה קיים היום על גבי מכונות GPU חסויות (למשל Azure Confidential GPU VMs עם NVIDIA H100/‏AMD SEV-SNP) ומשמש כבר לחישוב חסוי מקצה לקצה. זה לא אותה שיטה אבל בפועל מונע גישה חיצונית לקלטים/פלטים בזמן הריצה, עם עלות תפעולית מבחינת חישוב נמוכה יחסית.

החסרון של הפתרון הזה הוא שגם פה יש רכיב אמון עצום אל מול ספק ה LLM שלנו שאי אפשר להבטיח אם כי יותר קל לבדוק שהבטחות של אותו ספק אכן מתקימות. פתרון אחר שעוקף את הבעיה אך שמור רק לארגונים הגדולים ביותר הוא חוזים עם חברות LLM שיתקינו להם שרתים עם ה LLM בסביבה שלהם.

פתרון זה מייתר צורך בהצפנה אך כאמור שמור רק לחברות גדולות מאוד והוא שימושי רק אם השימוש ב LLM בתוך הארגון מספיק גדולה כדי להצדיק מהלך שכזה. בהקשר של הצפנה הומומורפית, ישנם כבר פתרונות עובדים על SML (Small Language Models) יעודים שמפותחים לצרכים ספציפים לאור העלות החישובית הגדולה של הפתרון עבור LLMs.

חזון חדש

הצפנה הומומורפית מציבה חזון חדש לעולם הבינה המלאכותית: מודלים שיכולים לעבוד על מידע מבלי לדעת מה הוא. זהו שינוי תפיסתי עמוק, בינה מלאכותית שאינה “מבינה” תוכן, אלא רק מבצעת חישובים מתמטיים מדויקים שמניבים תוצאה נכונה גם כשהכול מוצפן.

השילוב בין פרטיות מלאה וביצועי למידה חישוביים עשוי לאפשר בעתיד שימוש בטכנולוגיות כמו ChatGPT בתחומים רגישים במיוחד (לדוגמה, רפואה, משפטים ופיננסים) מבלי לוותר על סודיות.

הדרך לשם עוד ארוכה, אבל אם נצליח לגרום למכונות לחשוב על נתונים בלי לדעת מה הם, אולי נוכל סוף־סוף לשלב חכמה מלאכותית עם ביטחון אנושי אמיתי.

הפוסט איך בינה מלאכותית יכולה להבין בלי להבין? הצפנה הומומורפית ומודלי שפה גדולים הופיע ראשון בLet's AI בינה מלאכותית