הטכנולוגיה מאחורי Codex

בלב Codex נמצא המודל codex-1 – גרסה ייעודית של מודל ההיסק o3 של OpenAI, שאומנה במיוחד למשימות תכנות. לדברי החברה, המודל החדש מפיק קוד “נקי יותר”, מציית להוראות בדיוק גבוה יותר, ומריץ בדיקות על הקוד שלו באופן איטרטיבי עד להשגת תוצאה תקינה. Codex פועל בענן, בתוך סביבת sandbox מבודדת. כאשר הוא מחובר ל-GitHub, הוא יכול להיטען מראש עם קוד מהמאגר שלכם – מה שמאפשר לו להבין את ההקשר של הפרויקט ולעבוד עליו בצורה מושכלת יותר.

איך Codex עומד מול מודלים אחרים?

Codex-1 מבוסס על גרסה מותאמת של מודל o3, אך הוא מראה שיפור מדוד בביצועים, גם בתרחישים ריאליים (SWE-Bench) וגם במשימות תכנות פנימיות של OpenAI. בתרשים מצד שמאל רואים ש-Codex-1 משיג תוצאות טובות יותר ככל שמספר הניסיונות עולה. בתרשים הימני – הוא מוביל על פני o3-high, o4-mini-high, ואפילו o1-high, ברמת דיוק במשימות קוד אמיתיות.

היתרון של Codex-1 על פני מודלים אחרים

היסטוריה של Codex

השם “Codex” מוכר למי שעוקב אחרי תחום ה-AI כבר מ-2021, אז השיקה OpenAI את הגרסה הראשונה של Codex, ששימשה כבסיס ל-GitHub Copilot המקורי והובילה לפריצת הדרך של עוזרי קוד מבוססי בינה מלאכותית. במרץ 2023, המודל ההוא הושבת רשמית, ו-GitHub Copilot עבר להשתמש ב-GPT-4 כחלק מהשדרוג ל-Copilot X, שהביא איתו יכולות מתקדמות יותר, כולל אינטגרציה עמוקה יותר עם IDEs, צ’אט מובנה, והשלמות קוד חכמות יותר.

Codex החדש, שהוצג כעת ב-ChatGPT, שונה מהותית מהגרסה הישנה: הוא פועל כסוכן עצמאי בענן, ומסוגל לבצע משימות שלמות – הרבה מעבר להשלמות קוד נקודתיות.

סם אלטמן מצייץ בחשבון x שלו על השקת Codex

מי יכול להשתמש ב-Codex?

Codex זמין למשתמשי ChatGPT במסלולי Pro, Team ו-Enterprise. בהמשך, OpenAI מתכננת להרחיב את הגישה גם למשתמשי ChatGPT Plus ולמוסדות חינוך דרך ChatGPT Edu. בתחילת ההשקה, כל המשתמשים הזכאים יקבלו גישה נדיבה ללא תשלום נוסף, למשך תקופה מוגבלת. לאחר מכן, תוטל מגבלת קצב על השימוש, עם אפשרות לרכוש קרדיטים נוספים כדי להרחיב את היקף השימוש.

מה Codex יודע לעשות?

Codex מסוגל לטפל במשימות קוד שלמות, מקצה לקצה, בתוך סביבת sandbox מבודדת בענן. הוא מקבל הוראות מהמשתמש, מריץ את הקוד בעצמו, ומחזיר את התוצאה כשהעבודה הושלמה. המשימות ש-Codex יודע לבצע כוללות כתיבת קוד לפיצ’רים חדשים, תיקון באגים, מענה על שאלות לגבי הקוד שלך, הרצת בדיקות, הפקת תיעוד וגם יצירת Pull Requests. לפי OpenAI, משימות אלו נמשכות לרוב בין דקה ל-30 דקות, בהתאם למורכבות. כל משימה רצה בסביבה מבודדת משל עצמה, כדי לשמור על בטיחות וניקיון סביבת העבודה.

יתרונות בולטים של Codex

הרצת משימות במקביל

בניגוד לעוזרי קוד שפועלים מקומית, Codex מריץ משימות בענן – כך שניתן להאציל לו כמה פעולות במקביל מבלי להעמיס על סביבת הפיתוח שלך.

שקיפות ובקרה

כל משימה ש-Codex מבצע כוללת תיעוד מלא: יומני מסוף, תוצאות בדיקה, ושינויים בקוד. זה מאפשר לבדוק ולאמת כל שלב בתהליך לפני הטמעה.

התאמה אישית לפי הצרכים שלכם

באמצעות קובץ AGENTS.md, מפתחים יכולים להנחות את Codex לגבי סגנון הקוד הרצוי, מבנה הפרויקט, או פורמט הפלט, כדי להתאים אותו בדיוק לזרימת העבודה שלהם.

מופעל כולו בענן

Codex רץ על שרתי OpenAI ולא על המחשב שלך, כך שאפשר להמשיך לעבוד כרגיל בזמן שהוא מטפל במשימות הקידוד ברקע.

בטיחות ואבטחה

Codex פועל בסביבה מבודדת לחלוטין (air-gapped), בלי גישה לאינטרנט או ל-APIs חיצוניים. ההגבלה הזו נועדה לצמצם סיכונים ולמנוע שימוש לרעה, אך עשויה להגביל את Codex בתרחישים שדורשים גישה למקורות חיצוניים בזמן ריצה. לדברי החברה, Codex מתוכנן לסרב באופן עקבי לבקשות ליצירת קוד זדוני, והוא כולל שכבות אבטחה ומגבלות דומות לאלו שבמודל o3.

דיוק ומגבלות

כמו כל מערכת AI גנרטיבית, גם Codex עלול להפיק קוד שגוי או לא אופטימלי. לכן, חשוב לבדוק ולאמת את הקוד שהוא מייצר – במיוחד לפני הטמעה בסביבת ייצור. OpenAI עצמה מדגישה שמומלץ לבצע סקירה אנושית. לשם כך, Codex מספק יומני בדיקה מפורטים, תוצאות ריצה, ושינויים בקוד כדי להקל על תהליך האימות והבקרה.

איך להשתמש ב-Codex

Codex משולב ישירות בממשק של ChatGPT (בתוכניות הרלוונטיות), ונמצא בלשונית ייעודית בסרגל הצד. משם, אפשר להפעיל אותו במספר דרכים:

• Code – להקצות משימות קידוד חדשות דרך טקסט חופשי.

• Ask – לשאול שאלות המבוססות על הקוד שלך.

• GitHub – לחבר את Codex למאגרים שלך לקבלת הקשר טוב יותר.

• משימות פעילות – לעקוב אחר התקדמות המשימות והפלט שמתקבל.

הממשק פשוט ואינטואיטיבי, ומאפשר שליטה מלאה על כל אינטראקציה עם Codex מתוך חלון הצ’אט.

כך זה נראה בפועל:

Codex משולב ישירות בממשק של ChatGPT

בממשק הזה, כל משימת קידוד מתחילה מהוראה פשוטה בשפה טבעית. אפשר לבחור את סביבת העבודה (ריפו ו-branch), ולשלוח את ההוראה בלחיצת כפתור Code. התוצאה מתועדת אוטומטית תחת רשימת המשימות הפעילות, עם מידע מפורט על סטטוס, שינויים בקוד (diff), ועדכון merge אם רלוונטי.

גרסאות שונות של Codex

OpenAI מציעה כיום שתי גרסאות שונות של Codex, בהתאם לאופי השימוש:

1.  Codex ב-ChatGPT

סוכן קידוד מבוסס ענן שפועל על שרתי OpenAI. הוא מסוגל להריץ מספר משימות במקביל, ונגיש ישירות מתוך ממשק ChatGPT בסרגל הצד.

2.  Codex CLI

גרסה מקומית וקלת-משקל בקוד פתוח, שפועלת דרך שורת הפקודה (terminal). בניגוד לגרסת הענן, Codex CLI מריץ את הקוד על המחשב שלך, בתוך סביבת sandbox מבודדת.

הגרסה החדשה של Codex CLI מבוססת על המודל codex-mini-latest – גרסה מותאמת של o4-mini, שכוונה למענה על שאלות קוד ועריכת קוד באופן מהיר וחסכוני יותר במשאבים.

We've made some improvements to Codex CLI, based on your feedback:

⬥ Sign in with ChatGPT to quickly connect your API org
⬥ New model, codex-mini, optimized for low-latency code Q&A and editing pic.twitter.com/HyFmmj5Fff

— OpenAI Developers (@OpenAIDevs) May 16, 2025

Codex בזירה התחרותית

השקת Codex מגיעה בתקופה של תחרות מתגברת בעולם כלי הקידוד מבוססי AI. יותר ויותר מפתחים מאמצים עוזרי קוד ככלים חיוניים ולא רק כתוספות ניסיוניות. חברות כמו Anthropic (עם Claude Code ב-Claude 3.7 Sonnet), Google (עם Gemini Code Assist), ו-Microsoft מתחרות כולן על נתח שוק בתחום הזה. כעת, OpenAI מציבה את Codex כסוכן עצמאי מתקדם ומחזקת את מעמדה כמובילה בתחום. לפי הערכות בתעשייה, חלק משמעותי מהקוד כיום כבר נכתב בעזרת בינה מלאכותית, מה שמעיד על שינוי עמוק בתהליכי הפיתוח.

חזון עתידי לסוכני קידוד

ג’וש טובין, ראש צוות מחקר הסוכנים ב-OpenAI, מתאר את כיוון ההתפתחות כך: “אנחנו רואים בסוכנים מערכות AI שפועלות בשמך לאורך זמן, ומשלימות חלקים גדולים מהעבודה, תוך אינטראקציה עם העולם האמיתי.” לדבריו, החזון הוא ש-ChatGPT יהפוך לעמית וירטואלי – לא רק כלי שמספק תשובות, אלא שותף אמיתי למשימות משמעותיות.

OpenAI מדמיינת עתיד שבו מפתחים מתמקדים במשימות החשובות להם, ומעבירים את השאר לסוכנים אוטונומיים. לשם כך, נבנים כעת כלים המאפשרים גם שיתוף פעולה בזמן אמת, וגם האצלת משימות אסינכרונית  – לפי הצורך.

בסופו של דבר, שני מצבי העבודה הללו יתכנסו: סוכני Codex יעבדו מתוך ה-IDE, ישיבו לשאלות, יציעו קוד, ויטפלו במשימות ארוכות – בזרימה אחת מאוחדת, לצד המפתח. תוכניות עתידיות כוללות סוכנים גמישים ואינטראקטיביים יותר, שיאפשרו למפתחים לשנות הנחיות בזמן אמת, לקבל עדכוני התקדמות, ולשתף פעולה על האסטרטגיה, לא רק על הביצוע.

טיפים חשובים למפתחים שמשתמשים ב-Codex

לפני שמתחילים לעבוד עם Codex, כדאי לקחת בחשבון כמה עקרונות שישפרו את הדיוק והיעילות:

קובץ AGENTS.md

אם אתם רוצים שליטה מדויקת יותר על ההתנהגות של Codex, תוכלו להשתמש בקובץ AGENTS.md כדי להנחות את הסוכן בנוגע למבנה הקוד, סגנון כתיבה, בדיקות, ואפילו הודעות Pull Request. הקובץ יכול להופיע בכל מקום בפרויקט, וטווח ההשפעה שלו מוגדר לפי מיקום בתיקייה. במקרים של התנגשות בין הנחיות – הקובץ הכי פנימי (deepest nested) מנצח. כך Codex יתאים את עצמו לזרימת העבודה שלכם.

קוד מסודר = תוצאות טובות יותר

Codex מתפקד הכי טוב על בסיסי קוד מאורגנים היטב – כאלה עם מבנה מודולרי ובדיקות תקינות. ככל שהקוד שלך ברור יותר, כך Codex יבין ויפעל טוב יותר.

ביקורת קוד היא חובה

גם כשCodex עושה את העבודה – האחריות נשארת אצלכם. חשוב לבדוק את הקוד שמתקבל לפני הפעלה בסביבת ייצור. המערכת מספקת יומני הרצה ופרטים טכניים כדי להקל על תהליך הבדיקה.

מגבלות סביבת הרצה

Codex פועל בסביבה מבודדת וללא גישה לרשת או ל-API חיצוניים, מה שמגביר את האבטחה אך מגביל את היכולת לפעול מול שירותים חיצוניים בזמן אמת.

לסיכום, Codex הוא הרבה יותר מהשלמת קוד – מדובר בסוכן קידוד עצמאי שמסוגל להריץ משימות מורכבות מקצה לקצה. הוא מאפשר למפתחים להאציל חלקים מהעבודה, להגדיל את הפרודוקטיביות, ולפנות זמן לעבודה יצירתית ואסטרטגית. למרות שכרגע הוא זמין רק למנויי ChatGPT במסלולים מתקדמים, OpenAI כבר הודיעה על כוונתה להרחיב את הגישה ולהמשיך לשפר את יכולות הכלי לאורך זמן. ועדיין, חשוב לזכור: Codex לא מחליף שיקול דעת אנושי. כמו כל כלי AI, גם הוא עלול לטעות – ולכן סקירה ובקרה נשארות חלק בלתי נפרד מהשימוש בו.

הפוסט OpenAI מציגה את Codex – סוכן הקידוד החדש של ChatGPT הופיע ראשון בLet's AI בינה מלאכותית

ההסכם ההיסטורי והאליטה הטכנולוגית

הנשיא דונלד טראמפ הגיע לריאד כחלק מביקור מדיני בן ארבעה ימים במזרח התיכון כשהוא מלווה בצמרת התעשייה הטכנולוגית האמריקאית. במהלך פגישה חגיגית בארמון המלכותי הסעודי, באותו חדר שבו נחתמו בעשור האחרון עסקאות ענק בתחומי האנרגיה והטכנולוגיה, נפגשו בכירי עמק הסיליקון עם יורש העצר מוחמד בן סלמאן.

ברשימת המשתתפים אפשר היה למצוא את סם אלטמן (OpenAI), אילון מאסק (Tesla, SpaceX, xAI), ג’נסן הואנג (NVIDIA), אנדי ג’סי (Amazon), רות׳ פורת (Google), ליסה סו (AMD) ואחרים – כולם אנשי מפתח בשוק הטכנולוגי העולמי. חלקם גם מזוהים עם מדיניות אגרסיבית של השקעות, חדשנות והשפעה גיאופוליטית.

המרכיבים המרכזיים של העסקה

העסקה כוללת ארבעה מרכיבים מרכזיים, בהיקף מוצהר של כ-600 מיליארד דולר – מספר שמעורר לא מעט הרמות גבה. החלק הבולט ביותר הוא חבילת נשק עצומת ממדים בשווי 142 מיליארד דולר – העסקה הביטחונית הגדולה ביותר שנחתמה אי פעם, הכוללת חוזים עם יותר מתריסר חברות הגנה אמריקאיות.

מעבר לכך, סעודיה וארה”ב הודיעו על השקעות טכנולוגיות משותפות של מעל 80 מיליארד דולר בתחומי בינה מלאכותית, תשתיות דיגיטליות, מציאות מדומה ומערכות ענן.

בנוסף, חברת DataVolt הסעודית התחייבה להשקיע 20 מיליארד דולר בהקמת דאטה סנטרים ותשתיות אנרגיה מבוססות AI – לא בסעודיה, אלא דווקא בארה”ב.

המרכיב הרביעי כולל פרויקטי תשתיות חכמות בערב הסעודית בהובלת חברות אמריקאיות כמו AECOM, Parsons ו-Jacobs, שיתכננו ויבנו ערים חכמות, פארקים דיגיטליים ושדות תעופה עם מערכות חכמות מבוססות נתונים.

שיתופי פעולה טכנולוגיים מובילים

בתוך שלל ההכרזות, בולטים במיוחד שיתופי הפעולה הטכנולוגיים, בעיקר סביב חברת Humain, סטארט-אפ בינה מלאכותית סעודי חדש, שהוקם ביוזמת קרן ההשקעות הציבורית של סעודיה (PIF) במטרה להפוך את הממלכה לשחקנית גלובלית בזירת ה-AI.

NVIDIA הודיעה על שיתוף פעולה עם Humain להקמת “מפעלי AI” בערב הסעודית, עם הספק כולל של עד 500 מגה-וואט. במסגרת ההסכם, תספק NVIDIA מאות אלפי יחידות עיבוד גרפי מתקדמות במהלך חמש השנים הקרובות – החל מ־18,000 שבבים מסוג GB300 Grace Blackwell מהדור החדש.

גם AMD נכנסה לתמונה, עם הסכם בהיקף של 10 מיליארד דולר להקמת תשתיות בינה מלאכותית משותפות עם Humain, מהלך שמשקף את המאבק הגלובלי על עתיד השבבים ומרכזי המידע.

השילוב בין ענקיות השבבים האמריקאיות לבין גוף סעודי חדש עם גב ממשלתי חזק מעיד על שאיפה ברורה: למצב את סעודיה לא רק כמשקיעת הון, אלא כשחקן עצמאי ואסטרטגי בליבת העשייה הטכנולוגית.

ההקשר הרגולטורי והגיאופוליטי

ימים ספורים לפני הביקור בריאד, ממשל טראמפ חשף כוונה לבטל שורה של מגבלות שהוטלו בתקופת הנשיא ביידן – מגבלות שנועדו להגביל את הפצת שבבי בינה מלאכותית למדינות יריבות. המהלך הזה משתלב היטב ברוח העסקה, ונתפס כחלק ממדיניות חדשה שמעדיפה שיתופי פעולה כלכליים על פני מגבלות טכנולוגיות.

הביקור עצמו מסמן גם מפנה חד ביחסים הדיפלומטיים – בניגוד לקו של ממשל ביידן, שהבטיח להפוך את סעודיה ל”מנודה” בעקבות רצח העיתונאי ג’מאל חשוקג’י ב-2018 – טראמפ לא רק שמחזיר את בן סלמאן לקדמת הבמה, אלא עושה זאת באור הזרקורים של עולם הטכנולוגיה.

המשמעות בפועל לעולם הבינה המלאכותית

מעבר להצהרות המרשימות ולחיבוקים המלכותיים, העסקה הזאת עשויה להשפיע באופן ממשי על תעשיית הבינה המלאכותית העולמית. הכסף הסעודי, שעד היום שימש בעיקר כרוכש מוצרים, מוזרם כעת ישירות לפרויקטים עתירי משאבים בלב ארה”ב – דאטה סנטרים, תשתיות ענן, מערכות הגנה מבוססות AI, ואולי גם ייצור שבבים מתקדם.

מעבר להשקעות, סעודיה תופסת לראשונה מקום בתוך שרשרת האספקה של טכנולוגיות אמריקאיות, לא רק כצרכנית, אלא כמשתתפת פעילה בפיתוח והקמה. הקמת “מפעלי AI” עם יכולת חישוב של 500 מגה-וואט והאספקה הצפויה של אלפי שבבי Grace Blackwell מ-NVIDIA צפויים להוסיף נפח חישוב משמעותי לשוק העולמי.

ומעל לכל, הקמת Humain כסטארט-אפ לאומי בגיבוי ממשלתי מהווה הצהרה: סעודיה לא מסתפקת בהשקעה בטכנולוגיה, היא מתכוונת להפוך לשחקנית בפני עצמה בזירה הגלובלית של בינה מלאכותית.

באמת עומד מאחורי המספרים?

למרות ההכרזה הדרמטית על עסקה בשווי 600 מיליארד דולר, הפרטים בפועל מספרים סיפור אחר. הבית הלבן סיפק מידע חלקי ומעורפל, והסכומים שצוינו במפורש מגיעים בפועל לפחות ממחצית מהסכום הכולל. יורש העצר מוחמד בן סלמאן אמנם דיבר על הזדמנויות השקעה בשווי 600 מיליארד דולר, אך הבהיר כי רק כ-300 מיליארד מתוכם מהווים עסקאות שכבר נחתמו במהלך הפורום.

השאר? הבטחות, כוונות ותכנונים לעתיד, כשבן סלמאן אף הצהיר על שאיפה להרחיב את המספר הזה לטריליון דולר בשלב הבא. במילים אחרות – לא כל מה שמוצג כבר קרה. חלק ניכר מהעסקה הוא חזון, ולא חוזה.

כל הנוצץ זהב?

המספרים אמנם מרשימים, אבל הסיפור האמיתי טמון במה שלא נאמר, ובמה שמסתתר בין השורות. העסקה שנחתמה בריאד לא נועדה רק להזרים הון, היא נועדה להזרים תדמית. טראמפ, בעיצומו של קאמבק פוליטי, ובן סלמאן, שמבקש לשכתב את סיפור הממלכה, בחרו להשתמש בבינה מלאכותית כשפת הדיפלומטיה החדשה. הנוכחות של בכירי הטכנולוגיה סיפקה את הבמה, אבל המונחים שנזרקו לחלל האוויר – “מפעלי AI”, “שיתופי פעולה היסטוריים”, “500 מגה-וואט” – משדרים יותר הצגה מאשר תשתית.

לא ברור מה מההבטחות יתקיים, אבל דבר אחד כן: סעודיה כבר לא מוכנה להיות רק קונה של טכנולוגיה, היא דורשת מקום ליד ההגה. השאלה הגדולה היא האם העולם באמת על סף עידן חדש של בריתות טכנולוגיות, או שזהו עידן חדש של “AIwashing” (שימוש ציני או שטחי בבינה מלאכותית לצורך מיתוג, יחסי ציבור או הסחת דעת, בלי תוכן טכנולוגי אמיתי מאחוריו), שבו כל הצדדים לובשים את גלימת החדשנות כדי לכסות על אינטרסים ישנים מאוד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

בין הצהרה למציאות

העסקה בין ארה”ב לסעודיה עשויה לסמן שינוי פרדיגמה בעולם הבינה המלאכותית. לא רק בגלל היקף ההשקעות או רשימת המשתתפים המרשימה, אלא בגלל המיקום החדש שסעודיה דורשת לעצמה בזירה הטכנולוגית: מממנת, שותפה, ואולי גם שחקנית מרכזית. אם המספרים אכן יתממשו, זו עשויה להיות אחת ההשקעות הגדולות אי פעם בתשתיות AI – מהלך שיכול להאיץ את קצב הפיתוח הגלובלי ולשנות את מאזן הכוחות בתחום. אבל עד שזה יקרה בפועל, העסקה הזו נעה על הציר שבין שאיפה אמיתית להובלה טכנולוגית – לבין מופע ראווה פוליטי עטוף בשפה של קידמה. האם מדובר בעידן חדש? ייתכן. אבל כדי לדעת את התשובה, נצטרך לא רק לעקוב אחרי המספרים – אלא גם אחרי המעשים.

הפוסט טכנולוגיה, נפט ושבבים – הברית החדשה בין טראמפ לסעודיה הופיע ראשון בLet's AI בינה מלאכותית

רקע על Windsurf

Windsurf, ששמה הרשמי הוא Exafunction Inc, היא חברת סטארט-אפ המתמחה בפיתוח כלים מבוססי בינה מלאכותית שנועדו לסייע למפתחי תוכנה. במילים פשוטות, החברה מפתחת תוכנה שעוזרת למתכנתים לכתוב קוד מהר יותר ובאיכות גבוהה יותר. המוצר המרכזי שלה מאפשר כתיבת קוד באמצעות הנחיות בשפה טבעית – למשל: “צור לי כפתור שמשנה צבע כשלוחצים עליו”. בכך הוא משפר את יעילות תהליך הפיתוח ומסייע בין היתר בכתיבת קוד מורכב, באיתור באגים (שגיאות בקוד), ובהשלמה אוטומטית של שורות קוד.

Windsurf הוקמה ב-2021 על ידי ורון מוהן ודאגלס צ’ן, חברים מילדות ובוגרי MIT. בשנת 2024 הוערכה החברה בשווי של 1.25 מיליארד דולר בסבב גיוס שהובילה קרן General Catalyst. בחודשים האחרונים, ניהלה מגעים עם קרנות כמו Kleiner Perkins ו-General Catalyst לגיוס לפי שווי של כ-3 מיליארד דולר.

משמעות הרכישה

רכישת Windsurf מהווה צעד אסטרטגי משמעותי עבור OpenAI בשלושה היבטים עיקריים:

התחרות בשוק כלי הקידוד החכמים

העסקה תחזק את מעמדה של OpenAI בזירה המתפתחת של כלי קידוד מבוססי בינה מלאכותית. בשוק הזה החברות שואפות לבנות את ה”עוזר האולטימטיבי” למתכנתים – תוכנה שלא רק משלימה שורות קוד, אלא גם מבינה את כוונת המשתמש ומציעה פתרונות שלמים. OpenAI מתמודדת כאן ישירות מול שחקנים כמו Anthropic (מפתחת Claude), GitHub (בבעלות מיקרוסופט) ו-Anysphere (המפתחת של Cursor).

שיפור יכולות ה-ChatGPT

המטרה המוצהרת היא להפוך את ChatGPT לעוזר תכנות חכם ויעיל יותר. למרות שהוא כבר מסוגל לסייע בכתיבת קוד, שילוב הטכנולוגיה של Windsurf צפוי לשדרג את הביצועים – במיוחד בהבנת פרויקטים מורכבים ובהצעת פתרונות מדויקים.

מענה לתחרות הגוברת

לאחרונה פתחה GitHub את Copilot לשימוש גם עם מודלים של Google (Gemini) ושל Anthropic (Claude). הצעד הזה הגביר את הלחץ התחרותי, והמהלך של OpenAI מהווה תגובה ישירה לאיום החדש.

האתגרים והשאלות הפתוחות

למרות הפוטנציאל הרב, הרכישה מעוררת גם שאלות ואתגרים שראוי להתעכב עליהם:

ניגוד עניינים פוטנציאלי

קרן ההשקעות של OpenAI היא מהמשקיעות המרכזיות ב-Cursor – מתחרה ישירה של Windsurf. המשמעות – OpenAI מחזיקה אינטרסים בשתי חברות שמתמודדות על אותו שוק, מה שעלול לעורר חוסר אמון בקרב יזמים וחברות סטארט-אפ, במיוחד כאלה ששוקלות שיתוף פעולה עם הקרן.

פער בביצועים פיננסיים

הכנסותיה השנתיות של Windsurf מוערכות בכ-40 מיליון דולר, לעומת כ-200 מיליון דולר של Cursor. על רקע זה, תג המחיר של 3 מיליארד דולר מעלה סימני שאלה בנוגע לשווי הגבוה – והאם הוא אכן מוצדק עסקית.

אינטגרציה טכנולוגית

גם בצד המעשי קיימים אתגרים. שילוב הטכנולוגיה של Windsurf במערכות הקיימות של OpenAI אינו מובן מאליו ודורש התאמה של ארכיטקטורות תוכנה, תשתיות ולעיתים גם תרבויות ארגוניות שונות.

הרכישה מתבצעת גם על רקע שינויים עמוקים במבנה הארגוני של OpenAI. לאחרונה הודיעה החברה על מעבר לתאגיד ציבורי לתועלת הציבור (Public Benefit Corporation – PBC), תוך שמירה על שליטה בידי הגוף הלא-רווחי שמעליה. מדובר במהלך אסטרטגי שנועד לאזן בין הצורך בצמיחה עסקית לבין המחויבות לפיתוח בינה מלאכותית שתיטיב עם האנושות.

במקביל, OpenAI השלימה גיוס ענק של 40 מיליארד דולר בהובלת SoftBank, לפי שווי של 300 מיליארד דולר – מהלך שממחיש את האמון שהשוק נותן בה. עם זאת, החברה מתמודדת עם ביקורת ציבורית ואתגרים משפטיים, ובראשם תביעה מצד אילון מאסק, אחד ממייסדיה, שמחו על שינוי הייעוד – ממיזם לא-רווחי לחברה שפועלת למטרות רווח.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

עתיד הקידוד בעידן הבינה המלאכותית

רכישת Windsurf על ידי OpenAI מסמנת שלב חדש בהתפתחות הטכנולוגית של כלי קידוד אוטומטיים. אנחנו עדים למירוץ גובר בין ענקיות הטכנולוגיה לפיתוח מערכות שישנו את הדרך שבה מפתחים כותבים קוד – לא רק כתיבה מהירה יותר, אלא גם הבנה עמוקה יותר של הכוונה שמאחורי הקוד.

העסקה צפויה להביא לשדרוג משמעותי ביכולות הקידוד של ChatGPT, ולחזק את מעמדו בשוק המתעצם של עוזרי תכנות חכמים. עבור מפתחי תוכנה, המשמעות ברורה: כלים מתקדמים יותר שיאפשרו להתמקד באתגרים היצירתיים והמורכבים, תוך השארת המשימות החזרתיות והטכניות בידיה של הבינה המלאכותית. עבור צרכנים, מדובר בסיכוי למוצרים איכותיים יותר – ומהירים יותר – שיגיעו לשוק.

רק הזמן יכריע אם ההשקעה האדירה של 3 מיליארד דולר תוכיח את עצמה, אבל דבר אחד ברור כבר עכשיו: עתיד פיתוח התוכנה משתנה לנגד עינינו – והמהלך הזה הוא צעד גדול בדרך לשם. השלמת העסקה צפויה בחודשים הקרובים, אז גם ייחשפו פרטים נוספים על שילוב הצוותים והטכנולוגיות.

הפוסט OpenAI רוכשת את Windsurf תמורת 3 מיליארד דולר הופיע ראשון בLet's AI בינה מלאכותית

גל חדש של פניות מנכ”לים

באחרונה אנחנו עדים לגל חסר תקדים של פניות ישירות מצד מנכ”לים לעובדים, שמטרתן להבהיר בצורה חד-משמעית: עידן הבינה המלאכותית כבר כאן, והוא משנה את כללי המשחק בשוק העבודה. מנכ”לים בחברות מובילות כמו פייבר ושופיפיי שלחו מכתבים פנימיים בהם הדגישו כי אימוץ כלים וטכנולוגיות של AI הפך לדרישה בסיסית מכל עובד – ולא רק לאנשי טכנולוגיה. המסר ברור: מי שלא ילמד, יתעדכן וישתמש בבינה מלאכותית בעבודתו, עלול למצוא את עצמו לא רלוונטי. פניות אלו לא נועדו להפחיד, אלא לעורר מוטיבציה ולהניע את העובדים לקחת אחריות אישית על ההתפתחות המקצועית שלהם, כדי להבטיח את מקומם בשוק העבודה המשתנה.

למה דווקא עכשיו?

לפי פון אהן, הבינה המלאכותית כבר משנה את הדרך שבה עבודה מתבצעת – לא בעתיד, אלא עכשיו. הוא טוען שלא מדובר בשאלה של “האם”, אלא רק “מתי”, וההזדמנות היא לפעול לפני שהשוק כולו משתנה. ההמלצה שלו ברורה: לחכות זה הסיכון האמיתי.

איך AI משנה את המשחק?

קצב יצירת תוכן

בכדי ללמד מיליוני אנשים, צריך לייצר כמויות עצומות של תוכן חינוכי. תהליך ידני פשוט לא מסוגל לעמוד בקצב הזה. דואלינגו החליפה תהליך יצירת תוכן איטי במנוע שמופעל על ידי בינה מלאכותית – והמהירות השתפרה באופן דרמטי.

יכולות חדשות

פיצ’רים שבעבר היו בלתי אפשריים, כמו שיחות וידאו ללמידת שפה, הפכו כעת לאפשריים בזכות AI.

שיפור באיכות ההוראה

לראשונה, יש לחברה יכולת ללמד בקנה מידה עולמי – באיכות שיכולה להשתוות לזו של המורים הטובים ביותר. פון אהן מציין שזו נקודת מפנה אמיתית.

שינוי מערכתי ולא תיקון קוסמטי

המעבר ל-AI-First מחייב לא רק שילוב טכנולוגי, אלא עיצוב מחדש של הדרך בה החברה עובדת. לא מדובר ב”שיפוצים קטנים” – אלא ברה-ארכיטקטורה של תהליכים. במקרים רבים, יהיה צורך לבנות מערכות מאפס. פון אהן מודה שזה לא יהיה מושלם מההתחלה, אבל מדגיש שעדיף לפעול מהר ולשפר תוך כדי, מאשר להיתקע בחיפוש אחר שלמות. דואלינגו כבר החלה ביישום שורה של צעדים פרקטיים שמטרתם לשלב את הבינה המלאכותית בליבת הפעילות הארגונית.

אחד הצעדים המרכזיים הוא צמצום הדרגתי של ההסתמכות על קבלני משנה עבור משימות שה-AI מסוגל לבצע בצורה מהירה ויעילה. המשמעות היא שהחברה שואפת להעביר יותר משימות לביצוע אוטומטי, במקום להוציא אותן החוצה.

גם תהליכי הגיוס משתנים: השימוש ב-AI הפך לשיקול מוצהר בעת קבלת עובדים חדשים. מועמדים יידרשו להראות יכולת עבודה עם כלים מבוססי AI, והבנה של הטכנולוגיה לא תיחשב כתוספת – אלא כדרישה בסיסית. בהתאם לכך, גם מדדי ההערכה הפנימיים יעודכנו כך שישקפו את האופן שבו עובדים עושים שימוש בכלים אלו בעבודתם.

בנוסף, מדיניות גיוס עובדים חדשה קובעת כי תוספת כוח אדם תאושר רק אם לא ניתן לפתור את הצורך באמצעות אוטומציה. כלומר, לפני כל גיוס – נשקלת האפשרות ש-AI יכול למלא את התפקיד.

לבסוף, כל מחלקה בארגון, בלי יוצא מן הכלל, תידרש לעבור התאמה לעבודה עם מערכות מבוססות בינה מלאכותית – מה שמרמז על שינוי עמוק ורוחבי בתרבות העבודה כולה.

ומה עם העובדים?

המסר המרכזי: לא באים להחליף אנשים – באים להוריד מהעובדים משימות שחוזרות על עצמן, כדי שיוכלו להתמקד בפתרון בעיות משמעותיות יותר. דואלינגו מבטיחה להמשיך להשקיע בעובדים – דרך הכשרות, חניכה, וכלים חדשים – כדי שיצליחו להוביל בעידן שבו AI הוא חלק בלתי נפרד מכל תפקיד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס בינה מלאכותית במשרד

לפרטים נוספים לחצו כאן >>

לא טכנולוגיה, אלא תפיסה

המייל של פון אהן לא מדבר רק על כלים חדשים, אלא על שינוי תרבותי עמוק. המטרה של דואלינגו לא השתנתה – חינוך נגיש ואיכותי לכל אדם, בכל מקום. הדרך לשם משתנה: טכנולוגיה חכמה – והכי חשוב, אנשים שמובילים את השינוי.

הפוסט דואלינגו משנה כיוון ובונה את עצמה מחדש סביב בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

בינה מלאכותית חוקרת את עצמה

דו”ח פורץ דרך – פרי יוזמה חדשנית וראשונה מסוגה מבית משרד החדשנות, המדע והטכנולוגיה, בשיתוף רשות החדשנות – חושף תמונת מצב מרתקת. מה הופך אותו לייחודי? הדו”ח נוצר לא בידי מומחים אנושיים, אלא על-ידי מערכות בינה מלאכותית אוטונומיות שאספו נתונים, ניתחו מגמות וגיבשו מסקנות עצמאיות. המערכת הורכבה ממגוון סוכני AI, מודל בקרת איכות ומנגנון מיזוג אוטומטי של הממצאים. זהו שילוב של כלי מחקרי וניסוי טכנולוגי חדשני. המטרה? להציג ניתוח מעמיק, אובייקטיבי ועכשווי של מעמד ישראל בתעשיית הבינה המלאכותית העולמית.

אגב, מעבר לתוכן שלו, הדו”ח מהווה גם התנסות בשאלה כיצד ייראו מחקרים בעתיד. אמנם, הדו”ח כולל הסתייגויות: חלק מהנתונים – במיוחד אלה המתייחסים לרבעון הראשון של 2025 – טרם אומתו במלואם ונועדו בעיקר להדגמה. עם זאת, המגמות העיקריות מוצגות בבהירות, נתמכות בנתונים עדכניים, ומדגישות בעקביות את יתרונות הליבה של האקוסיסטם הישראלי בתחום ה-AI. לכן, הדו”ח אינו רק מקור מידע – הוא חלון הצצה לעתיד שבו הבינה המלאכותית עצמה מנסחת גם את השאלות וגם את התשובות.

אז מה הסיפור? אפשר כבר להרים כוסית ולחגוג?

כמעט מחצית מכלל ההשקעות בטכנולוגיה בישראל זורמות לסטארטאפים שמתמקדים ב-AI. וזה קורה למרות שהם מהווים רק שלושים אחוזים מסך הסטרטאפים. במילים אחרות: הקטר שמוביל את החדשנות הישראלית מונע על-ידי בינה מלאכותית.

קצת נתונים: בישראל פועלות כיום כ-2,500 חברות בינה מלאכותית – פי שניים ממה שהיה לפני שבע שנים בלבד. אם המגמה תימשך, שוק ה-AI יזרים למשק כ-4.6 מיליארד דולר עד 2030, עם צמיחה שנתית של כמעט שלושים אחוזים. ההשקעה השנתית צפויה לטפס לשבעה מיליארד דולר – זינוק של כמעט 300% מאז 2018.

וזה לא רק עניין של כמות – זו גם איכות. ישראל מובילה עולמית במספר חברות AI לנפש ובריכוז כישרונות. ענקיות הטכנולוגיה כמו גוגל, אמזון ומייקרוסופט מזהות את הפוטנציאל ורוכשות חברות ישראליות, מה שמעיד על אמון בתעשייה ובמוח היהודי, שגם הפעם ממשיך להמציא פטנטים מבריקים. חדשנות פורצת דרך בתחומי הבריאות, הסייבר, האנרגיה והחקלאות מציבה אותנו בחזית החדשנות העולמית, וה-AI רק מאיץ את כל הקדמה הזו לגבהים חדשים.

רכישות של חברות בינה מלאכותית ישראליות

הגרף המצורף מציג מגמת עלייה משמעותית ברכישות של חברות בינה מלאכותית ישראליות על-ידי ענקיות טכנולוגיה עולמיות בשנים האחרונות. ניתן לראות עלייה מתמדת במספר הרכישות – מ-5 בשנת 2020 ל-17 בשנת 2024. המגמה ממשיכה גם ברבעון הראשון של 2025 עם 6 רכישות נוספות, המעידות על ההכרה הגוברת בחדשנות הישראלית בתחום ה-AI בזירה העולמית:

 

רכישות של חברות AI ישראליות. נתונים: משרד החדשנות, המדע והטכנולוגיה

מגמות השקעה בחברות ישראליות

הגרף הבא מציג את מגמות ההשקעה בחברות AI ישראליות בין השנים 2018-2025, המבוסס על שני מקורות נתונים שונים. העמודות בתכלת מייצגות השקעות שנתיות מ-2020 עד 2025 (עם אומדן לשנת 2025). הקו הכחול מספק נתונים מורחבים יותר משנת 2018 עד 2025. ניתן לראות עלייה משמעותית בהשקעות לאורך השנים, מכ-1.8 מיליארד דולר ב-2018 לכ-7 מיליארד דולר ב-2025, עם ירידה קלה ב-2022 בעקבות תיקון גלובלי בהשקעות טכנולוגיה:

מגמות השקעה בחברות AI ישראליות. נתונים: משרד החדשנות, המדע והטכנולוגיה

שחקנים מרכזיים בזירת ה-AI הישראלית

ישראל הפכה למעצמה עולמית בתחום הבינה המלאכותית, עם אקוסיסטם משגשג של חברות חדשניות בתחומים מגוונים. הטבלה שלפניכם מציגה את השחקנים המרכזיים בזירת ה-AI הישראלית, מחברות שפיתחו מודלי שפה מתקדמים כמו AI21 Labs, ועד לפתרונות אבטחת סייבר פורצי דרך כמו Wiz שגייסה למעלה מ-1.9 מיליארד דולר. ניתן לראות נתונים שונים על כל חברה וכוכב כחול ליד חברות שנרכשו על-ידי תאגידי ענק בינלאומיים בעסקאות מרשימות:

השחקנים המרכזיים בזירת ה-AI הישראלית. נתונים: משרד החדשנות, המדע והטכנולוגיה

השוואה גלובאלית במדדי השקעה שונים בתחום הבינה המלאכותית

תרשים הרדאר מציג השוואה בין ישראל, ארצות הברית והאיחוד האירופי במדדי השקעה שונים בתחום הבינה המלאכותית (כשהערך 100 מייצג את הביצוע הטוב ביותר). ניתן לראות כי ישראל מובילה במדדים של אחוז השקעות ה-AI מתוך סך ה-VC, צמיחת השקעות פרטיות ב-AI וחברות AI לכל מיליון תושבים. ארה”ב מובילה בהשקעות ציבוריות ב-AI, בעוד שבריכוז כישרונות בתחום ה-AI ופטנטים לנפש, שתי המדינות מציגות ביצועים חזקים. האיחוד האירופי נמצא מאחור ברוב המדדים, אך מראה ביצועים סבירים בהשקעות ציבוריות:

השוואת השקעות גלובליות בתחום ה-AI. נתונים: משרד החדשנות, המדע והטכנולוגיה

התפלגות סקטורים בתעשיית הבינה המלאכותית בישראל

בגרף הבא ניתן לראות את התפלגות חברות הסטארט-אפ הישראליות בתחום הבינה המלאכותית לפי סקטורים תעשייתיים נכון לשנת 2025. ניתן לראות שהסקטור המוביל הוא בריאות עם 24% מהשוק, אחריו אבטחת סייבר (18%), תוכנה ארגונית (15%) ופינטק (12%). סקטורים מתפתחים כמו חקלאות (8%), רכב (7%) ואנרגיה (6%) תופסים נתח קטן יותר אך משמעותי. הנתונים מדגישים את המגוון הרחב של תחומים בהם פועלות חברות בינה מלאכותית ישראליות, עם דגש משמעותי על פתרונות בתחום הבריאות והסייבר:

התפלגות חברות הסטארט-אפ הישראליות בתחום ה-AI. נתונים: משרד החדשנות, המדע והטכנולוגיה

הסקטורים המובילים

הדשבורד שלפניכם מציג סקירה מקיפה של תעשיית הבינה המלאכותית בישראל, עם  שמונת הסקטורים המובילים ותיאור קצר של הפעילות בתחום וחברות ישראליות מובילות. הדשבורד מדגיש את החוזקות הייחודיות של האקוסיסטם הטכנולוגי הישראלי:

שמונה סקטורים מובילים. נתונים: משרד החדשנות, המדע והטכנולוגיה

ניתוח מדד ה-AI העולמי 2024

דירוג מדד ה-AI העולמי לשנת 2024 חושף תמונה מרתקת של המובילות הטכנולוגית בעולם, כאשר ארצות הברית שולטת בפסגה עם ציון מרשים, כפול כמעט מזה של סין שבמקום השני. בריטניה מחזיקה במקום השלישי, ואחריה מתקבצת קבוצה של מדינות עם ציונים דומים. למרות ממדיה הקטנים, ישראל משתלבת היטב בחברת מדינות גדולות ועשירות, והיא מדורגת במקום השישי בין עשר המדינות המובילות בתחום. גרמניה, צרפת, סינגפור ודרום קוריאה משלימות את העשירייה המובילה, עם פערים קטנים יחסית ביניהן. הדירוג משקף היטב את הפער המשמעותי בין המעצמות הגדולות לשאר העולם, ובו בזמן מדגיש את ההישג הישראלי החריג – מדינה קטנה שמצליחה להתחרות ברמה הגבוהה ביותר בזירה העולמית של טכנולוגיות בינה מלאכותית, עדות לחדשנות ולאיכות ההון האנושי שלה:

דירוג מדד ה-AI העולמי. נתונים: משרד החדשנות, המדע והטכנולוגיה

המעמד של ישראל בזירה הגלובלית

הגרף הבא מציג השוואה של אקוסיסטם הבינה המלאכותית העולמי לשנת 2025, ומדגים את מעמדה המרשים של ישראל בזירה הגלובלית. ניתן לראות שארה”ב מובילה בפער ניכר עם כ-8,500 סטארטאפים בתחום ה-AI והשקעות של כ-80 מיליארד דולר, אחריה סין עם כ-3,800 סטארטאפים והשקעות של כ-45 מיליארד דולר. בריטניה במקום השלישי עם כ-2,800 סטארטאפים והשקעות של כ-15 מיליארד דולר. ישראל ממוקמת במקום הרביעי עם כ-2,500 סטארטאפים והשקעות של כ-7 מיליארד דולר, הישג יוצא דופן בהתחשב בגודלה ובאוכלוסייתה הקטנים בהשוואה למדינות האחרות. קנדה, גרמניה וצרפת מציגות מספרים נמוכים יותר הן במספר הסטארטאפים והן בהיקף ההשקעות, עם פחות מ-2,000 סטארטאפים וכ-5 מיליארד דולר השקעות או פחות בכל אחת מהן:

אקוסיסטם ה-AI העולמי לשנת 2025. נתונים: משרד החדשנות, המדע והטכנולוגיה

סימני אזהרה ואתגרים בדרך למעצמת AI

רצינו מאוד להרים ודיברנו הרבה על החיובי – ויש הרבה ממנו, יחד עם זאת, ולמרות ההישגים המרשימים, ישנם גם מספר סימני אזהרה שאסור להתעלם מהם. “בריחת מוחות” מדאיגה – כ-8,300 עובדי היי-טק עזבו את המדינה מאז אוקטובר 2023, וענף ההיי-טק חווה ירידה של 10% במספר המועסקים. המחסור בכוח אדם מיומן מחריף, כשרק כ-700 בוגרי תואר שני רלוונטיים מצטרפים לשוק מדי שנה, ו-15%-21% מבעלי התארים המתקדמים מהגרים לחו”ל. המצב הביטחוני המתמשך, הסנקציות האמריקאיות על חברות סייבר ישראליות, והיעדר אסטרטגיה לאומית מקיפה לבינה מלאכותית מקשים אף הם. כל זה מצטרף לממצאים שעלו מדו״ח מבקר המדינה האחרון בנושא ההיערכות הלאומית בתחום הבינה המלאכותית. אם ברצוננו לשמר את מעמדנו כמעצמת AI, עלינו להתמודד עם אתגרים אלה בנחישות ובמהירות!

יש גאווה ותחזיות אופטימיות – אבל יש עוד הרבה עבודה

למרות האתגרים הרבים, קיימות גם הזדמנויות משמעותיות והרבה עבודה לעשות. וכן, בינה מלאכותית צריכה גם בני אדם. אנשים אמיתיים שיובילו את הפוטנציאל הזה למימוש. הדו”ח ממליץ לחזק את האסטרטגיה הלאומית, להשקיע בהכשרת הון אנושי, לפתח רגולציה שתאפשר חדשנות אחראית, ולטפח שותפויות בינלאומיות, כולל בסביבה האזורית שלנו דרך הסכמי אברהם. בתחום הסייבר אנחנו מעצמה – בתחום ה-AI יש עוד דרך ארוכה לצעוד. חיוני לגוון את התעשייה ולהביא נקודות מבט מגוונות, ולהקים תשתיות לאומיות, תוכניות ומשאבים נוספים, שיאפשרו למוחות המבריקים שלנו להישאר כאן ולעצב את העתיד הכלכלי המשותף לכולנו.

הגרף שלפנינו מציג את תחזית הצמיחה של שוק הבינה המלאכותית בישראל בין 2023-2030. נקודת ציון חשובה מסומנת בשנת 2025 – השקעה של 500 מיליון דולר מצד Nvidia, שמהווה זרז לצמיחה המואצת בשנים הבאות. הגרף מדגים קצב צמיחה שנתי ממוצע של כ-28.33%, עם קפיצה משמעותית בין 2027 ל-2030, שם השוק יותר ממכפיל את עצמו מ-2.1 מיליארד דולר ל-4.6 מיליארד דולר. צמיחה זו משקפת את התבססותה של ישראל כמעצמת בינה מלאכותית עולמית, עם השקעות גוברות והולכות בתחום זה. כל שנותר לקוות הוא שהתחזית אכן תתממש ושנדע לעשות את הנדרש כדי להגביר את סיכויי מימושה:

תחזית צמיחה של שוק ה-AI בישראל . נתונים: משרד החדשנות, המדע והטכנולוגיה

אז ביום שבו כולנו חוגגים עצמאות, כדאי לזכור: עצמאות אמיתית היא גם עצמאות טכנולוגית. עם קצת תכנון והרבה תעוזה, נוכל להפוך את הסטארט-אפ ניישן ל-AI ניישן. העתיד הכלכלי והבטחוני של ישראל מושתת על ההנחה שנמשיך להיות אור לגויים. שנמשיך לייצר עליונות טכנולוגית, שתהפוך את משאב הטבע היקר ביותר שלנו – המוח היהודי – למוצר צריכה אטרקטיבי בשדה הגלובלי. כי בעתיד לא יהיו יותר מדינות מערביות מול מדינות עולם שלישי. בעתיד יהיו רק שני סוגים של מדינות: מדינות AI וכל השאר. חג עצמאות שמח!

הפוסט בינה מלאכותית כחול-לבן הופיע ראשון בLet's AI בינה מלאכותית

מהי אוטומציה?

אוטומציה היא התשתית הטכנולוגית שמאפשרת לנו לבצע משימות שגרתיות באופן אוטומטי, ללא התערבות אנושית מתמדת. בליבה של הטכנולוגיה הזו עומדת היכולת לחסוך זמן יקר ולהפחית טעויות אנוש בתהליכים חוזרים ונשנים. כשמדברים על אוטומציה, מתכוונים למערכת שפועלת על פי כללים מוגדרים מראש. היא עובדת באמצעות לוגיקה פשוטה וברורה – אם מתקיים תנאי מסוים, תתבצע פעולה מסוימת. חשבו על מערכת השקיה שמופעלת בשעות קבועות, על דוחות חודשיים שנשלחים אוטומטית למנהלים, או על מיון אוטומטי של הודעות דוא”ל לתיקיות שונות. כל אלה דוגמאות לאוטומציה פשוטה אך יעילה שכבר משולבת בחיי היומיום שלנו.

היתרון המרכזי של אוטומציה הוא העקביות המושלמת שלה. בניגוד לבני אדם, מערכת אוטומטית תבצע את אותה פעולה באותה צורה בדיוק בכל פעם, ללא תלות בגורמים חיצוניים כמו עייפות או הסחות דעת. היא מספקת תוצאות אמינות במהירות גבוהה, מה שמשפר באופן דרמטי את היעילות התפעולית של כל ארגון.

עם זאת, חשוב להכיר גם במגבלות המובנות של אוטומציה. בניגוד לטכנולוגיות מתקדמות יותר כמו בינה מלאכותית, אוטומציה מוגבלת אך ורק למה שהוגדר מראש בתכנות שלה. היא אינה יכולה לאלתר, להסתגל למצבים חדשים או לקבל החלטות מורכבות מעבר למה שתוכנתה לעשות. כאשר מתרחש אירוע בלתי צפוי או חריג שלא הוגדר במערכת, האוטומציה פשוט לא תדע כיצד להגיב.

בעולם העסקי המודרני, אוטומציה משמשת כאבן יסוד לייעול תהליכים בסיסיים. היא משחררת עובדים ממשימות שגרתיות ומאפשרת להם להתמקד בעבודה יצירתית ואסטרטגית שדורשת חשיבה אנושית. ככל שהטכנולוגיה מתקדמת, אנו רואים שילוב הולך וגובר בין אוטומציה בסיסית לבין טכנולוגיות מתקדמות יותר, מה שמרחיב את טווח היכולות ומאפשר פתרונות מורכבים ואינטליגנטיים יותר.

מהי אינטגרציה?

אינטגרציה אינה טכנולוגיה העומדת בפני עצמה, אלא מתודולוגיה. היא הגשר הדיגיטלי המחבר בין מערכות טכנולוגיות שונות, ומאפשר להן לתקשר ולהחליף מידע באופן יעיל. בעוד שאוטומציה מתמקדת בביצוע משימות, אינטגרציה מתמקדת בזרימת המידע בין מערכות שבעבר פעלו כאיים מבודדים. במהותה, אינטגרציה מבוססת על פרוטוקולים ותקנים לחילופי מידע, המבטיחים שמערכות שונות “מדברות” זו עם זו בשפה משותפת. כשהיא מיושמת נכון, היא יוצרת אקוסיסטם טכנולוגי מסונכרן שמאפשר לארגונים לראות תמונה הוליסטית של הנתונים שלהם.

בעולם העסקי, אינטגרציה מתבטאת במגוון יישומים. בחנויות מקוונות, למשל, היא מחברת בין מערכת המכירות, ניהול המלאי והנהלת החשבונות – כך שרכישה מעדכנת את המלאי ונרשמת בספרים אוטומטית. בשיווק, היא מאפשרת סנכרון בין מערכת CRM לפלטפורמות דיוור, ובמשאבי אנוש היא מבטיחה שעדכוני עובדים מתעדכנים בכל המערכות בו-זמנית.

היתרונות של אינטגרציה משמעותיים: היא מונעת כפילויות והזנה ידנית של מידע, משפרת את זרימת העבודה, ומספקת תמונה מדויקת יותר של הנתונים הארגוניים. כל אלה מובילים להגברת היעילות התפעולית ולחיסכון במשאבים.

עם זאת, אינטגרציה מציבה גם אתגרים: המורכבות הטכנית בחיבור בין מערכות שונות, אתגרי אבטחת מידע, ותלות הדדית בין המערכות. תקלה במערכת אחת עלולה להשפיע על התפקוד של מערכות אחרות, ועלויות התחזוקה של מערכת משולבת יכולות להיות גבוהות.

בעידן הדיגיטלי הנוכחי, אינטגרציה הפכה מאופציה לצורך הכרחי. ארגונים שמצליחים ליישם אינטגרציה יעילה בין המערכות השונות שלהם נהנים מיתרון תחרותי משמעותי, עם תהליכים מהירים יותר, שירות לקוחות משופר, וקבלת החלטות מבוססת נתונים.

מהי בינה מלאכותית?

בינה מלאכותית (AI) היא הטכנולוגיה המתקדמת ביותר מבין השלוש, המעניקה למחשבים יכולת לחשוב, ללמוד ולהסתגל באופן דומה לבני אדם. בניגוד לאוטומציה המסורתית, AI אינה מוגבלת להוראות קבועות מראש, אלא יכולה להשתפר עם הזמן ולהתמודד עם מצבים חדשים. הכוח האמיתי של בינה מלאכותית טמון ביכולתה לזהות דפוסים מורכבים בתוך מסות נתונים, לחשוף קשרים סמויים ולעבד מידע לא מובנה כמו טקסטים, תמונות וקול. היא מסוגלת לקבל החלטות מושכלות המבוססות על ניתוח מעמיק של נתונים רבים ומגוונים, לעתים בהיקפים שאדם לא היה מסוגל לעבד.

בינה מלאכותית מתבטאת במספר טכנולוגיות מרכזיות:

1. תהליכי עבודה מבוססי AI – משלבים מודלי שפה גדולים (כמו ChatGPT, Gemini או Claude) בתוך מערכות אוטומטיות, ומאפשרים להן להתמודד עם משימות מורכבות שדורשות הבנה והסתגלות.

2. למידת מכונה (ML) – אלגוריתמים המסוגלים ללמוד מנתונים ולשפר את ביצועיהם עם הזמן, כמו מערכות המלצות בנטפליקס או ספוטיפיי שלומדות את העדפותיכם.

3. עיבוד שפה טבעית (NLP) – מאפשר למחשבים להבין ולייצר שפה אנושית, כפי שרואים בעוזרים קוליים ובצ’אטבוטים חכמים.

היתרונות של בינה מלאכותית כוללים את היכולת להתמודד עם משימות מורכבות, הסתגלות מהירה לשינויים, זיהוי תובנות עמוקות מנתונים, ואוטומציה של משימות שבעבר דרשו שיקול דעת אנושי. עם זאת, היא מציבה גם אתגרים משמעותיים: מורכבות גבוהה בפיתוח והטמעה, דרישה למערכי נתונים גדולים ואיכותיים, שקיפות מוגבלת בתהליך קבלת ההחלטות (“קופסה שחורה”), ושאלות אתיות ורגולטוריות הנוגעות לפרטיות, הטיות אלגוריתמיות ואחריות משפטית.

בעידן הדיגיטלי המתפתח, בינה מלאכותית הופכת מאופציה לצורך הכרחי עבור ארגונים המבקשים להישאר תחרותיים ולהוביל בתחומם.

הסינרגיה בין הטכנולוגיות

דמיינו לרגע תזמורת סימפונית. הכינורות מצוינים, הפסנתר מרהיב, והחצוצרות מדהימות – אבל הקסם האמיתי מתרחש כשכולם מנגנים יחד. כך בדיוק עובדות הטכנולוגיות המתקדמות בעולם העסקי המודרני.

השילוב המנצח

אוטומציה, אינטגרציה ובינה מלאכותית אינן פועלות בבידוד – הן משלימות זו את זו ויוצרות יחד מערכת חזקה בהרבה מסכום חלקיה:

אוטומציה ובינה מלאכותית פועלות כצמד מושלם. האוטומציה מטפלת במשימות השגרתיות והחוזרות, משחררת את ה-AI להתמקד במה שהיא עושה הכי טוב – פתרון בעיות מורכבות וקבלת החלטות חכמות. במקביל, ה-AI מנתחת את הנתונים שנאספים דרך תהליכי האוטומציה ומגלה תובנות שעין אנושית הייתה מחמיצה.

לדוגמה, חברת ביטוח יכולה להשתמש באוטומציה לעיבוד טפסי תביעות בסיסיים, בעוד שמקרים מורכבים מועברים למערכת AI שמנתחת את הפרטים, משווה למקרים דומים בעבר, ומציעה המלצות מדויקות. אינטגרציה היא הדבק שמחבר הכל יחד. היא מאפשרת לאוטומציה ולבינה המלאכותית לתקשר עם כל המערכות בארגון – מהמחסן ועד שירות הלקוחות. בלעדיה, גם האוטומציה המתקדמת ביותר וה-AI החכם ביותר יישארו מבודדים ומוגבלים.

אוטומציה חכמה 2.0

כשמשלבים את שלוש הטכנולוגיות נוצרת “אוטומציה חכמה” – הדור הבא של פתרונות עסקיים. מחקרים מראים שאוטומציה חכמה יכולה להגדיל את הפרודוקטיביות בעד 50% – מספר מדהים שמסביר מדוע ארגונים מובילים משקיעים בה.

חשבו על מערכת שיווק דיגיטלית מודרנית: היא אוספת נתונים מכל נקודות המגע עם הלקוח (אינטגרציה), מבצעת פעולות שגרתיות כמו שליחת אימיילים ופרסום בזמנים אופטימליים (אוטומציה), ומנתחת את התוצאות כדי להתאים אישית את המסרים ולחזות מגמות עתידיות (בינה מלאכותית).

התוצאה הסופית

השילוב של שלוש הטכנולוגיות לא רק מאיץ את הטרנספורמציה הדיגיטלית של ארגונים – הוא מאפשר להם להיות זריזים וגמישים בעולם עסקי שמשתנה במהירות. חברות שמצליחות לרתום את הכוח המשולב הזה נהנות מיתרון תחרותי משמעותי, עם תהליכים יעילים יותר, החלטות חכמות יותר, ויכולת טובה יותר לענות על צרכי הלקוחות המשתנים. כמו בתזמורת טובה, הערך האמיתי לא נמצא בכלי נגינה בודד, אלא בהרמוניה המושלמת שנוצרת כשכולם מנגנים יחד.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס אוטומציה עסקית ובינה מלאכותית

לפרטים נוספים לחצו כאן >>

ההבדלים המרכזיים

למרות הסינרגיה, חשוב להבין את ההבדלים המהותיים בין הטכנולוגיות:

חשיבה לעומת עשייה

אוטומציה מבצעת את משימותיה כמו סוס עבודה נאמן. היא לא צריכה לחשוב; היא רק צריכה לעשות. לעומת זאת, בינה מלאכותית משתמשת בתהליכים קוגניטיביים הדומים לחשיבה אנושית. היא יכולה לקרוא הודעות דוא”ל וצורות אחרות של נתונים לא מובנים כדי לחלץ משמעות או למצוא דפוסים בנתונים כדי להפיק תובנות או אפילו תחזיות.

פיתוח

אוטומציה היא מונחית תהליכים. מפתחים ממפים את המשימות שהם רוצים להפוך לאוטומטיות והופכים את השלבים לסקריפט מחשב המבצע את המשימות. בינה מלאכותית, לעומת זאת, היא מונחית נתונים. היא משתמשת בלמידת מכונה כדי למצוא דפוסים במערכי נתונים גדולים, אשר מאומנים לייצר פלטים.

מחסום כניסה

אוטומציה זכתה לאימוץ נרחב מכיוון שהיא חסכונית, מהירה ליישום ובעלת עקומת למידה רדודה. בינה מלאכותית, לעומת זאת, היא טכנית מאוד, קשה לאימון ויקרה, במידה רבה בשל הסתמכותה על מערכי נתונים ענקיים.

טבלת השוואה מקיפה
 

קבלו החלטות מושכלות לגבי איזו טכנולוגיה מתאימה לצרכים הספציפיים שלכם

חשוב להדגיש: הדירוגים בטבלה הם יחסיים ולא אבסולוטיים – כאשר מצוין שבינה מלאכותית היא “יחסית איטית”, הכוונה היא בהשוואה לאוטומציה פשוטה שמבצעת משימות חוזרות ומוגדרות היטב, אך לא שהיא איטית באופן אבסולוטי. למעשה, בינה מלאכותית יכולה להיות מהירה מאוד בתרחישים מסוימים, במיוחד כשהיא מותאמת לחומרה ייעודית ולמשימות ספציפיות שדורשות עיבוד מורכב של נתונים.

איך לבחור את הטכנולוגיה המתאימה לעסק שלכם?

למרות ההתלהבות סביב AI וטכנולוגיות מתקדמות, חשוב לזכור שלא כל עסק צריך את הטכנולוגיה המתקדמת ביותר. הנה כמה שיקולים שיעזרו לכם לבחור:

קריטריונים להערכת התאמת פתרונות טכנולוגיים

לא טכנולוגיה לשם טכנולוגיה

בעולם שבו מונחים טכנולוגיים חדשים צצים כמעט מדי יום, הבנת ההבדלים בין אוטומציה, אינטגרציה ובינה מלאכותית היא יותר מסתם ידע טכני – היא מפתח להצלחה עסקית בעידן הדיגיטלי. לאורך המאמר הזה, ראינו כיצד אוטומציה מייעלת תהליכים שגרתיים, אינטגרציה מחברת בין מערכות נפרדות, ובינה מלאכותית מעניקה למחשבים יכולות קוגניטיביות מתקדמות. ראינו גם כיצד השילוב ביניהן יוצר ערך שהוא גדול בהרבה מסכום חלקיו.

אך בסופו של יום, הטכנולוגיה לעולם אינה המטרה – היא רק האמצעי. האתגר האמיתי אינו לאמץ את הטכנולוגיה החדשה ביותר, אלא לזהות את הבעיות העסקיות האמיתיות שלכם ולבחור את הפתרון המתאים ביותר עבורן. לפעמים, אוטומציה פשוטה תהיה יעילה יותר מפתרון AI מורכב. במקרים אחרים, שילוב של כל שלוש הטכנולוגיות יהיה הכרחי.

העתיד שייך לארגונים שיודעים לא רק להבין את הטכנולוגיות השונות, אלא גם לשלב ביניהן בחוכמה כדי ליצור ערך אמיתי. אלה שיתמקדו בפתרון בעיות באמצעות הכלים הנכונים, ולא באימוץ טכנולוגיה לשם הטכנולוגיה, הם אלה שיובילו את השוק. כשאתם ניגשים לפרויקט הטכנולוגי הבא שלכם, שאלו את עצמכם: מהי הבעיה האמיתית שאנחנו מנסים לפתור? האם אנחנו צריכים לייעל תהליכים חוזרים, לחבר בין מערכות נפרדות, או להעניק למחשבים יכולת לקבל החלטות מורכבות? התשובה לשאלות אלו תוביל אתכם לבחירה הנכונה.

בעולם הטכנולוגי המתפתח במהירות, הבנת ההבדלים והסינרגיה בין אוטומציה, אינטגרציה ובינה מלאכותית תעזור לכם ולארגון שלכם להישאר לא רק מעודכנים, אלא גם רלוונטיים, יעילים ותחרותיים בעתיד המתהווה לנגד עינינו.

הפוסט מה ההבדלים בין אוטומציה, אינטגרציה ובינה מלאכותית? הופיע ראשון בLet's AI בינה מלאכותית

מתודולוגיית המחקר

Anthropic השתמשה בכלי הניתוח הפנימי שלה, Clio (Claude Insights and Observations), כדי לנתח את השיחות תוך שמירה על פרטיות המשתמשים. הכלי מאפשר גילוי דפוסי שימוש ב-AI מלמטה למעלה על ידי זיקוק שיחות משתמשים לסיכומי שימוש ברמה גבוהה, כמו “פתרון בעיות בקוד” או “הסבר מושגים כלכליים”. מתוך כמיליון שיחות שנותחו, כ-574,740 זוהו כקשורות לסטודנטים ולאקדמיה.

מי מוביל באימוץ טכנולוגיית AI?

אימוץ טכנולוגיית בינה מלאכותית בקרב סטודנטים מציג תמונה מעניינת של פערים משמעותיים בין תחומי לימוד שונים. סטודנטים למדעי המחשב מובילים באופן דרמטי את השימוש בכלי AI כמו Claude, כאשר הם אחראים לכמעט 37% מכלל השיחות עם המערכת, למרות שהם מהווים רק כ-5.4% מכלל בעלי התארים האקדמיים בארה”ב. הפער הזה מדגיש את הקשר ההדוק בין הכשרה טכנולוגית לבין נכונות לאמץ חידושים בתחום הבינה המלאכותית. בדומה, תחומי מדעי הטבע והמתמטיקה מציגים ייצוג גבוה יחסית עם 15.2% מהשיחות לעומת 9.2% מהתארים, מה שמחזק את המגמה שסטודנטים בתחומי STEM (מדע, טכנולוגיה, הנדסה ומתימטיקה) נוטים להיות מאמצים מוקדמים של טכנולוגיות חדשניות.

לעומת זאת, תחומים כמו מנהל עסקים, מקצועות הבריאות ומדעי הרוח מציגים תמונה הפוכה – ייצוג נמוך משמעותית בשימוש בכלי AI ביחס לחלקם באוכלוסיית הסטודנטים. דפוס זה מעיד על פער דיגיטלי בין תחומי הלימוד השונים, כאשר סטודנטים מתחומים שאינם טכנולוגיים במהותם משלבים את כלי הבינה המלאכותית בקצב איטי יותר בעבודתם האקדמית, למרות הפוטנציאל הרב שיש לכלים אלה גם בתחומים הומניים ועסקיים.

הגרף המצורף משווה בין שיעור השימוש ב-Claude.ai לבין שיעור תארי הבוגר בארה”ב לפי תחומי לימוד. הגרף מדגים פער משמעותי במיוחד בתחום מדעי המחשב, שם 38.6% מהשימוש ב-Claude מגיע מסטודנטים בתחום זה, בעוד שהם מהווים רק 5.4% מכלל בעלי התארים. לעומת זאת, בתחומים כמו עסקים (8.9% שימוש לעומת 18.6% תארים), מקצועות הבריאות (5.5% לעומת 13.1%) ומדעי הרוח (6.4% לעומת 12.5%) ניכר שימוש נמוך יחסית. מדעי הטבע ומתמטיקה מראים מגמה הפוכה עם שימוש גבוה יותר (15.2%) מאשר שיעור התארים (9.2%). הגרף ממחיש בבירור את האימוץ הלא אחיד של טכנולוגיית AI בין תחומי הלימוד השונים:

אימוץ לא אחיד של טכנולוגיית AI בין תחומי הלימוד השונים. Credit: anthropic.com

למה סטודנטים משתמשים ב-Claude?

דו”ח Anthropic מציג תמונה מקיפה של האופנים השונים בהם סטודנטים מתקשרים עם מערכות בינה מלאכותית כמו Claude. הניתוח זיהה ארבעה דפוסי אינטראקציה מובחנים המסווגים לאורך שני צירים מרכזיים: סוג המשימה (פתרון בעיות או יצירת תוצרים) ואופן האינטראקציה (ישיר או שיתופי). מעניין לראות שכל אחד מארבעת הדפוסים הללו מיוצג בשיעור דומה בקרב כלל השיחות (בין 23% ל-29%), מה שמעיד על מגוון השימושים שסטודנטים מוצאים בטכנולוגיית AI. בפתרון בעיות ישיר, סטודנטים פונים למערכת לקבלת פתרונות מהירים לשאלות ספציפיות, בעוד שביצירת תוצרים ישירה הם מבקשים מהמודל ליצור תוצרים שלמים כמו מצגות או חיבורים. לעומת זאת, בפתרון בעיות שיתופי מתנהל דיאלוג אקטיבי בין הסטודנט למערכת לצורך הגעה לפתרון, וביצירת תוצרים בשיתוף פעולה הסטודנטים עובדים באופן איטרטיבי עם המודל ליצירת תוצרים מורכבים. 

התמונה המצורפת מציגה מטריצה המתארת ארבעה דפוסי שימוש עיקריים של סטודנטים במערכות AI כמו Claude. המטריצה מחולקת לפי שני צירים: אופן האינטראקציה (ישיר מול שיתופי) וסוג המשימה (פתרון בעיות מול יצירת תוצרים). בריבוע השמאלי העליון, סטודנטים מבקשים פתרונות ישירים כמו “פתור והסבר בעיות דיפרנציאליות בחשבון אינפיניטסימלי”. בריבוע הימני העליון, הם מבקשים יצירת חומרים שלמים כמו “צור סיכומי טקסט אקדמי וגרסאות מתומצתות”. בריבוע השמאלי התחתון, הם מחפשים הדרכה שיתופית לפתרון בעיות כמו “למד יסודות תכנות עם דוגמאות פייתון”. ובריבוע הימני התחתון, הם מבקשים שיפור איטרטיבי כמו “ספק משוב ותיקונים למטלות כתיבה”. התרשים ממחיש את מגוון הדרכים שבהן סטודנטים מנצלים כלי AI בלימודיהם:

מגוון הדרכים שבהן סטודנטים מנצלים כלי בינה מלאכותית. Credit: anthropic.com

בגרף הבא תוכלו לראות סגנונות אינטראקציה עם AI לפי תחומי לימוד שונים. הגרף מראה התפלגות של ארבעה סגנונות שונים: פתרון בעיות ישיר (סגול), יצירת תוצרים ישירה (ירוק), פתרון בעיות שיתופי (תכלת) ויצירת תוצרים בשיתוף פעולה (כחול) בתשעה תחומי לימוד. ניתן לראות הבדלים משמעותיים בין התחומים – למשל, סטודנטים למדעי הטבע ומתמטיקה מעדיפים פתרון בעיות שיתופי (32.5%), בעוד שסטודנטים לחינוך נוטים יותר ליצירת תוצרים בשיתוף פעולה (40.6%) וליצירת תוצרים ישירה (33.8%). סטודנטים למדעי המחשב מראים העדפה גבוהה יחסית לפתרון בעיות שיתופי (29.9%) בהשוואה לתחומים אחרים. 

סגנונות אינטראקציה עם AI לפי תחומי לימוד שונים. Credit: anthropic.com

כיצד סטודנטים מנצלים את היכולות של Claude?

ניתוח דפוסי השימוש של סטודנטים ב-Claude חושף תמונה מעניינת של העדפותיהם ביחס למטרות האקדמיות. יצירה ושיפור תוכן חינוכי מובילים בראש הרשימה עם כמעט 40% מכלל השיחות, כאשר סטודנטים מסתמכים על המערכת לעיצוב שאלות תרגול, עריכת חיבורים וסיכום חומרי לימוד. במקום השני ניצבים הסברים טכניים ופתרונות למשימות אקדמיות עם כשליש מהשיחות, הכוללים ניפוי שגיאות בקוד, יישום אלגוריתמים ופתרון בעיות מתמטיות מורכבות. ניתוח וויזואליזציה של נתונים תופסים כ-11% מהשיחות, בעוד ששימושים נוספים כמו תמיכה בעיצוב מחקר, יצירת תרשימים טכניים ותרגום או הגהת תוכן בין שפות מהווים אחוזים בודדים. דפוס זה משקף את הנטייה של סטודנטים להשתמש ב-AI בעיקר למשימות יצירתיות ואנליטיות מורכבות, בעוד שמשימות בסיסיות יותר נותרות בידיהם. התפלגות זו מעלה שאלות מהותיות לגבי האופן שבו טכנולוגיות AI משנות את תהליכי הלמידה והיצירה האקדמית, ומדגישה את הצורך בהתאמת שיטות ההוראה וההערכה למציאות החדשה.

בתמונה המצורפת רואים את סוגי הבקשות הנפוצות שסטודנטים מפנים למערכות AI כמו Claude. בצד ימין מופיעות בקשות בתחומי מדעי החברה והמשפטים, כמו תמיכה בכתיבה אקדמית על יחסים בינלאומיים, הסבר תיאוריות במדעי החברה, ניתוח פסקי דין ופתרון בעיות בתורת המשחקים. בצד שמאל מופיעות בקשות בתחומי העסקים והכלכלה, כמו סיוע במושגי חשבונאות, ניתוח מקרי בוחן עסקיים, מענה לשאלות פיננסיות עם חישובים, הסבר מושגי ניהול פרויקטים, ויצירת תרגילי משא ומתן מעשיים. התמונה ממחישה את מגוון השימושים של AI בתחומי לימוד שונים:

בקשות הנפוצות שסטודנטים מפנים לבינה המלאכותית. Credit: anthropic.com

משימות קוגניטיביות שסטודנטים מאצילים ל-AI

אחד הממצאים המפתיעים והמטרידים ביותר בדו”ח Anthropic הוא הדפוס שבו סטודנטים מאצילים למערכות בינה מלאכותית דווקא את המשימות הקוגניטיביות המורכבות ביותר. בניגוד למה שניתן היה לצפות, הטקסונומיה של בלום (Bloom’s Taxonomy) – מסגרת חינוכית מוכרת המדרגת מיומנויות חשיבה מהפשוטות למורכבות – מתהפכת כשמדובר בשימוש ב-AI. סטודנטים נוטים להשתמש במערכות כמו Claude בעיקר למשימות ברמות הגבוהות של יצירה, בעוד שמשימות ברמות הנמוכות יותר כמו יישום, הבנה והיכולת לזכור נתונים נותרות בידי האדם. דפוס זה מעורר דאגה עמוקה בקרב אנשי חינוך, שכן הוא מרמז על תלות גוברת של סטודנטים במערכות AI דווקא עבור מיומנויות חשיבה ביקורתית וחשיבה יצירתית – יכולות שנחשבות לליבת ההתפתחות האינטלקטואלית.

כפי שמציינים מומחים בתחום החינוך, יכולות חשיבה מסדר גבוה נשענות על בסיס איתן של מיומנויות יסוד, ואם סטודנטים מדלגים על פיתוח עצמאי של מיומנויות אלה, הם עלולים לפתח “קביים קוגניטיביים” שיפגעו ביכולתם לפתח חשיבה עצמאית ומקורית לטווח ארוך. בעידן שבו AI הופך לכלי זמין ונגיש, האתגר החינוכי המרכזי הוא למצוא את האיזון הנכון בין ניצול יתרונות הטכנולוגיה לבין הבטחת פיתוח עצמאי של מיומנויות חשיבה חיוניות.

הגרף המצורף מתאר את השימוש במיומנויות Claude לפי טקסונומיית החשיבה של בלום. הגרף מחולק לשתי רמות: מיומנויות חשיבה מסדר גבוה ומיומנויות חשיבה מסדר נמוך. ניתן לראות שסטודנטים משתמשים ב-Claude בעיקר למשימות חשיבה מסדר גבוה: יצירה (39.8%) וניתוח (30.2%), בעוד ששימוש במיומנויות מסדר נמוך כמו הבנה (10.0%) וזיכרון (1.8%) נמוך משמעותית. הערכה (5.5%) ויישום (10.9%) נמצאים בשימוש בינוני. הגרף ממחיש את הנטייה של סטודנטים להאציל ל-AI דווקא את המשימות הקוגניטיביות המורכבות ביותר, מה שמעלה שאלות לגבי פיתוח מיומנויות חשיבה עצמאיות בקרב סטודנטים בעידן ה-AI:

סטודנטים מאצילים ל-AI משימות קוגניטיביות מורכבות. Credit: anthropic.com

המענה של Anthropic לאתגרי ה-AI בחינוך הגבוה

בתגובה לממצאים המעלים חששות לגבי האופן שבו סטודנטים משתמשים בבינה מלאכותית, Anthropic השיקה ב-2 באפריל 2025 את Claude for Education – יוזמה מקיפה המותאמת במיוחד למוסדות חינוך גבוה. בלב היוזמה עומד “מצב למידה” (Learning Mode) חדשני, המשנה באופן מהותי את אופי האינטראקציה בין סטודנטים למערכת ה-AI. במקום לספק תשובות מוכנות, מצב זה מיישם גישה סוקרטית המעודדת חשיבה עצמאית באמצעות שאילת שאלות מנחות כמו “כיצד היית ניגש לבעיה זו?” או “איזה ראיות תומכות במסקנה שלך?”. הגישה מדגישה הבנה מושגית עמוקה ומספקת תבניות מובנות לעבודות מחקר, מדריכי למידה וראשי פרקים, במטרה לפתח מיומנויות חשיבה ביקורתית אמיתיות במקום לעקוף אותן.

Introducing Claude for Education.

We're partnering with universities to bring AI to higher education, alongside a new learning mode for students. pic.twitter.com/PXekAICIKV

— Anthropic (@AnthropicAI) April 2, 2025

Anthropic כבר יצרה שותפויות אסטרטגיות עם מוסדות חינוך מובילים, ביניהם אוניברסיטת Northeastern שמשמשת כשותפת העיצוב הראשונה של החברה ומספקת גישה ל-Claude ל-50,000 סטודנטים וחברי סגל ב-13 קמפוסים גלובליים. גם London School of Economics (LSE) ו-Champlain College הצטרפו ליוזמה, במטרה להבטיח גישה שוויונית לכלי AI ולחקור את האופן שבו ניתן לשלב טכנולוגיות אלה באופן אחראי בסביבה האקדמית. במקביל, Anthropic הצטרפה לקונסורציום Internet2, ארגון ללא מטרות רווח התומך בתשתיות טכנולוגיות לחינוך ומחקר, ויצרה שיתוף פעולה עם Instructure, החברה מאחורי מערכת ניהול הלמידה Canvas, במטרה לשלב את Claude בתשתיות חינוכיות קיימות.

היוזמה כוללת גם שתי תוכניות ייעודיות לסטודנטים: תוכנית Claude Campus Ambassadors, המאפשרת לסטודנטים לעבוד ישירות עם צוות Anthropic כדי להוביל יוזמות חינוכיות בקמפוסים שלהם, ותוכנית Claude for Student Builders, המציעה קרדיטים לשימוש ב- API לפרויקטים בהובלת סטודנטים המשתמשים ב-Claude. לפי Anthropic, מטרת היוזמות הללו היא להבטיח שסטודנטים ואנשי חינוך ימלאו תפקיד מרכזי בעיצוב תפקידה של הבינה המלאכותית בחברה, תוך איזון בין היתרונות הטכנולוגיים לבין הצורך לפתח מיומנויות חשיבה עצמאיות וביקורתיות.

אתגרים ושאלות לעתיד החינוך בעידן ה-AI

דו”ח Anthropic מהווה אבן דרך משמעותית בהבנת האופן שבו סטודנטים משתמשים במערכות בינה מלאכותית בסביבה האקדמית. הממצאים המקיפים של מחקר Anthropic מציבים בפני עולם החינוך הגבוה שורה של אתגרים מורכבים שדורשים התייחסות מעמיקה. בראש ובראשונה עולה השאלה כיצד ניתן להבטיח שסטודנטים ימשיכו לפתח מיומנויות קוגניטיביות ומטה-קוגניטיביות בסיסיות בעידן שבו AI יכול להחליף חלק ניכר מהעבודה האינטלקטואלית. כאשר סטודנטים מאצילים למערכות בינה מלאכותית את המשימות המורכבות ביותר, קיים חשש ממשי שמיומנויות חשיבה קריטיות כמו ניתוח ביקורתי, פתרון בעיות יצירתי וסינתזה של מידע עלולות להיחלש. במקביל, מוסדות חינוך נדרשים להגדיר מחדש את מדיניות ההערכה והרמאות האקדמית.

כאשר AI יכול לכתוב חיבור מלוטש או לפתור בעיה מתמטית מורכבת בשניות, האם השימוש בכלים אלה מהווה רמאות או כלי לגיטימי? מעל הכל מרחפת שאלת היסוד: מהי בכלל למידה משמעותית בעידן שבו טכנולוגיה יכולה לייצר תוצרים שבעבר היו דורשים שעות של מאמץ אינטלקטואלי? האם עלינו להתמקד יותר בתהליכי למידה מאשר בתוצרים סופיים? האם יש לשנות את מבנה הקורסים והתרגילים כדי להדגיש מיומנויות שAI מתקשה בהן? שאלות אלו דורשות דיאלוג מתמשך בין מחנכים, מפתחי טכנולוגיה, קובעי מדיניות וסטודנטים כדי לעצב מחדש את מערכת החינוך באופן שינצל את יתרונות הטכנולוגיה מבלי לוותר על הערכים המהותיים של למידה אמיתית ופיתוח אינטלקטואלי.

הפוסט תובנות ומגמות מדו”ח Anthropic על שימוש סטודנטים ב-Claude הופיע ראשון בLet's AI בינה מלאכותית

שלושה מודלים חדשים

OpenAI הציגה את משפחת GPT-4.1, סדרה של שלושה מודלים חדשים שזמינים דרך ה-API בפלטפורמת הפלייגראונד של החברה. המודלים החדשים מתאפיינים באיזון בין עוצמה, מהירות ונגישות, תומכים בחלון הקשר ענק של מיליון טוקנים, מאפשרים פלט של עד 32 אלף טוקנים, ומציעים יכולות מולטימודאליות מתקדמות. 

אינטליגנציה מתקדמת

המודל הבכיר GPT-4.1 מציג שיפור משמעותי ביכולות הקוגניטיביות, במיוחד בשלושה תחומים מרכזיים: פיתוח קוד, הבנת הוראות מורכבות, ושמירה על הקשר לאורך מסמכים וטקסטים ארוכים. חלון ההקשר העצום של מיליון טוקנים (פי 8 מהדור הקודם) מאפשר למודל לעבד כמויות מידע חסרות תקדים בבת אחת. למרות שהוא מציע את רמת האינטליגנציה הגבוהה ביותר בסדרה, הוא מגיע במחיר גבוה יחסית של 2$ למיליון טוקנים קלט ו-8$ למיליון טוקנים פלט.

מהירות ביצוע

גרסת ה-Mini מהירה פי שניים מ GPT-4o – מה שמאפשר זרימת עבודה חלקה יותר, במיוחד בסביבות עבודה דינמיות ובתהליכי פיתוח תובעניים. גרסת ה-Mini מציעה איזון מצוין בין מהירות ואינטליגנציה, עם מחיר נגיש יותר של 0.40$ למיליון טוקנים קלט ו-1.60$ למיליון טוקנים פלט. 

נגישות אמיתית

המודל הקטן ביותר, GPT-4.1 Nano, הוא המהיר והחסכוני ביותר בסדרה, עם מחיר של 0.10$ בלבד למיליון טוקנים קלט ו-0.40$ למיליון טוקנים פלט. למרות גודלו הקטן, הוא מציג ביצועים חזקים במחירים נמוכים משמעותית, ומהיר ב-50% מ-GPT-4o.

יחס אינטליגנציה-מהירות 

התרשים המצורף מציג את היחס בין רמת האינטליגנציה (לפי מדד MMLU) לבין זמן התגובה (Latency) של מודלי משפחת GPT-4.1 החדשה בהשוואה למודלי GPT-4o. ניתן לראות בבירור שמשפחת GPT-4.1 (בנקודות כחולות) מציעה ביצועים עדיפים על פני משפחת GPT-4o (בנקודות ירוקות) בכל נקודת השוואה. המודל המלא GPT-4.1 מציג את רמת האינטליגנציה הגבוהה ביותר אך עם זמן תגובה ארוך יחסית, בעוד GPT-4.1 nano מציע את זמן התגובה המהיר ביותר אך עם רמת אינטליגנציה נמוכה יותר. GPT-4.1 mini ממוקם בנקודת איזון אטרקטיבית בין השניים, עם יחס טוב בין אינטליגנציה למהירות.

התרשים ממחיש את הגמישות שמציעה משפחת המודלים החדשה, המאפשרת למפתחים לבחור את המודל המתאים ביותר לצרכים הספציפיים שלהם בהתאם לאיזון הרצוי בין עוצמת עיבוד למהירות תגובה:

מקבלי החלטות צריכים לבחור את המודל המתאים לפי צורכי הארגון

נכנסים לעובי הקורה

המודלים החדשים מציגים שיפורים מרשימים בשלושה תחומים מרכזיים:

1. יכולות תכנות וקידוד משופרות

המודל החדש של OpenAI מציג שיפורים מרשימים ביכולות הקידוד, עם ציון של 54.6% בבנצ’מרק התכנות SWE-bench Verified – שיפור דרמטי של 21.4% בהשוואה ל-GPT-4o. בפועל, המשמעות היא קוד נקי ומסודר יותר, במיוחד בפיתוח front-end, וזיהוי מדויק יותר של השינויים הנדרשים בקוד קיים. הסיכוי שהקוד שהמודל מייצר יתקמפל וירוץ בהצלחה גבוה משמעותית מבעבר, מה שחוסך למפתחים זמן יקר בתיקון באגים ושגיאות. אחד השיפורים המשמעותיים ביותר הוא ביכולות ה-diff (שינויים ספציפיים בין גרסאות קוד) של המודל – במקום לכתוב מחדש קובץ שלם, GPT-4.1 יכול להציע בדיוק את השינויים הנדרשים בקוד.

הגרף המצורף מציג את דיוק המודלים השונים של OpenAI בבנצ’מרק, כאשר GPT-4.1 מוביל עם 55% דיוק, משמעותית גבוה יותר מ-GPT-4o (33%) ו-GPT-4.5 (38%), בעוד שגרסאות ה-mini מציגות ביצועים נמוכים יותר עם GPT-4.1 mini ב-24% ו-GPT-4o mini ב-9% בלבד:

דיוק המודלים השונים של OpenAI בבנצ’מרק SWE-bench Verified

בבנצ’מרק Ader polyglot, שבוחן יכולות תכנות במגוון שפות, המודל החדש הכפיל את ביצועי ה-diff בהשוואה לדור הקודם. שיפור זה לא רק מייעל את תהליך הפיתוח, אלא גם חוסך זמן עיבוד, טוקנים וכסף – יתרונות משמעותיים למפתחים וארגונים שמשתמשים ב-AI ככלי עזר בפיתוח תוכנה.

הגרף המצורף מראה כמה טוב כל מודל בינה מלאכותית מצליח לכתוב ולתקן קוד בשפות תכנות שונות:

היכולת לזהות ולתקן קוד בצורה ממוקדת

2. מעקב מדויק יותר אחר הוראות

OpenAI מציגה פריצת דרך משמעותית ביכולת המודלים לעקוב אחר הוראות מורכבות. הגרף המצורף מציג את ביצועי המודלים השונים של OpenAI בבנצ’מרק MultiChallenge, המודד את יכולת המודלים לעקוב אחר הוראות מורכבות. GPT-4.1 משיג ציון מרשים של 38%, שיפור משמעותי של 10% לעומת GPT-4o (28%). גם GPT-4.1 mini מציג ביצועים מצוינים עם 36%, עולה בהרבה על GPT-4o mini (20%). המודלים הפנימיים של OpenAI מובילים עם ביצועים גבוהים יותר: OpenAI o1 מגיע ל-45% ו-GPT-4.5 ל-44%. מעניין לראות שאפילו GPT-4.1 nano, המודל הקטן והמהיר ביותר, משיג 15% – תוצאה סבירה בהתחשב בגודלו ובמחירו הנמוך.

הנתונים מדגישים את המאמץ המתמשך של OpenAI לשפר את יכולת המודלים להבין ולבצע הוראות מדויקות – יכולת קריטית ליישומים מעשיים:

יכולת המודלים לעקוב אחר הוראות מורכבות

בנוסף, GPT-4.1 מציג ביצועים משופרים בבנצ’מרק IFEval עם ציון של 87.4%, לעומת 81.0% בלבד ב-GPT-4o. מה שהופך את השיפור הזה למשמעותי במיוחד הוא שהוא מאפשר למודל להיות מדויק יותר בביצוע הוראות עם שלבים מרובים, לציית טוב יותר לדרישות פורמט ספציפיות, ולהיות אמין יותר בשמירה על עקביות לאורך שיחות ארוכות.

השיפורים הללו הופכים את המודלים לשימושיים יותר ביישומים מעשיים, במיוחד בתחומים כמו קידוד, תמיכת לקוחות, משפטים ותחומים אחרים שדורשים הבנה מדויקת של הוראות מורכבות:

השיפורים הופכים את המודלים לשימושיים יותר ביישומים מעשיים

בעקבות משוב ממפתחים אנושיים, OpenAI פיתחה בנצ’מרקים פנימיים המדמים בדיוק כיצד מפתחי API משתמשים במודלים בפועל. הבנצ’מרקים הללו כוללים קטגוריות מגוונות כמו פורמט, דירוג וסדר הוראות, עם רמות קושי שונות. כתוצאה מכך, GPT-4.1 מסוגל לעקוב אחר ההוראות שלכם – אפילו כשהן מורכבות, כמו למשל “הפלט חייב להיות בפורמט טבלה עם 5 שורות ו-3 עמודות”. עם זאת, חשוב לציין שהמודל החדש נוטה להיות ליטרלי יותר בפירוש ההוראות, ולכן OpenAI ממליצה להיות מפורשים וספציפיים בפרומפטים. 

3. חלון הקשר ענק 

כל המודלים בסדרת GPT-4.1 תומכים בחלון הקשר של עד מיליון טוקנים, כולל הדגם הקטן ביותר – GPT-4.1 nano. זה שיפור של פי 8 לעומת המודלים הקודמים שתמכו ב-128K טוקנים.

מה זה אומר בפועל?

• יכולת לעבד כמות עצומה של מידע בבת אחת (יותר מ-8 עותקים של קוד המקור המלא של React!).
• הבנה משופרת של הקשר ארוך, עם יכולת לזהות מידע רלוונטי גם כשהוא מופיע במקומות שונים בתוך החלון.
• ביצועים מרשימים בהבנת תוכן ויזואלי, כולל וידאו ארוך.

OpenAI פיתחה בנצ’מרקים ייעודיים לבדיקת יכולות הקשר ארוכות, כולל “Needle in a haystack” (״מחט בערימת שחת״ או מציאת פיסת מידע ספציפית בתוך מסמך ענק) ו-OpenAI MRCR (בנצ’מרק מורכב יותר שבודק הבנה מעמיקה של שיחות סינתטיות ארוכות). התוצאות מראות שהמודלים החדשים מצליחים לשמור על ביצועים טובים לאורך כל חלון ההקשר, אפילו עד מיליון טוקנים. 

התמונה המצורפת מציגה שלושה גרפים מבנצ’מרק OpenAI-MRCR Accuracy, שבודק את יכולת המודלים למצוא מידע ספציפי (“מחט”) בתוך כמויות גדולות של טקסט (“ערימת שחת”). הגרפים מציגים את הדיוק של מודלים שונים של OpenAI בהתאם לכמות הטוקנים בקלט. ניתן לראות שGPT-4.1 (בכחול כהה) מציג ביצועים עדיפים משמעותית על פני GPT-4o (בירוק) לאורך כל טווח הטוקנים, במיוחד בהקשרים ארוכים. בגרף “2 Needle”, המודל שומר על דיוק של כ-45% גם עם מיליון טוקנים, בעוד שמודלים אחרים צונחים לדיוק נמוך יותר. אפילו GPT-4.1 mini (בכתום) מציג ביצועים טובים יותר מ-GPT-4o במרבית הטווח.

הגרפים מדגימים את היתרון המשמעותי של משפחת GPT-4.1 בעיבוד הקשר ארוך – יכולת קריטית ליישומים מעשיים כמו ניתוח מסמכים ארוכים, מחקר משפטי, או עיבוד ספרות מדעית:

היכולת למצוא מידע ספציפי בתוך כמויות גדולות של טקסט

בבנצ’מרק Video-MME להבנת וידאו, GPT-4.1 השיג נתון מדהים על וידאו של 30-60 דקות ללא כתוביות. התרשים המצורף מציג השוואה ישירה בין יכולות הבנת וידאו ארוך של GPT-4.1 לעומת GPT-4o. ניתן לראות שהמודל החדש GPT-4.1 משיג ציון מרשים של 72% בבנצ’מרק Video-MME, שיפור משמעותי של 7% לעומת GPT-4o שהשיג 65% בנובמבר 2024. הנתונים מדגישים את היתרון המשמעותי של GPT-4.1 בניתוח והבנה של תוכן וידאו ארוך, יכולת חיונית ליישומים כמו סיכום הרצאות, ניתוח ראיונות, או הבנת סרטונים הדרכתיים מורכבים.

שיפור זה נובע מחלון ההקשר המורחב של מיליון טוקנים והיכולת המשופרת לעבד ולהבין מידע מולטימודלי לאורך זמן:

השוואה ישירה בין יכולות הבנת וידאו ארוך

דוגמאות מעשיות מהשטח

המודלים החדשים של OpenAI מסדרת GPT-4.1 שהושקו אתמול כבר נבחנו על ידי חברות שונות בתרחישי עבודה אמיתיים. הנה התובנות המרכזיות מהניסיון המעשי של חברות שכבר התנסו במודלים החדשים:

 Windsurf

חברת Windsurf, המתמחה בפיתוח כלים מתקדמים למפתחי תוכנה, פרסמה נתונים על השיפורים שמביא מודל GPT-4.1 החדש של OpenAI. לפי הדיווחים, המודל החדש הציג שיפור דרמטי של 60% בבנצ’מרק הקידוד הפנימי של החברה – מדד המשקף את הסיכוי שקוד יתקבל בסקירה הראשונה ללא צורך בתיקונים נוספים. זהו נתון משמעותי במיוחד עבור צוותי פיתוח שמעריכים יעילות וזרימת עבודה מהירה. בנוסף, GPT-4.1 מציג יעילות גבוהה ב-30% בקריאה לכלים חיצוניים (tool calling), מה שמאפשר אינטגרציה חלקה יותר עם מערכות וספריות חיצוניות – יתרון קריטי בסביבות פיתוח מודרניות המשלבות מגוון טכנולוגיות. מה שמרשים במיוחד הוא הירידה של 50% בסיכוי לחזור על עריכות מיותרות או לקרוא קוד בצורה צרה ואיטית מדי, מה שמונע בזבוז זמן יקר של מפתחים. משתמשי Windsurf מדווחים שהשיפורים הללו מתורגמים לאיטרציות מהירות יותר ולזרימת עבודה חלקה יותר. 

Qudo

חברת Qodo, המתמחה בכלי סקירת קוד אוטומטיים, פרסמה תוצאות מחקר מקיף שבחן את ביצועי מודל GPT-4.1 החדש של OpenAI בהשוואה למודלים מתחרים. הבדיקה המעמיקה כללה 200 בקשות משיכה (pull requests) אמיתיות ומשמעותיות ב-GitHub, כשכל המודלים נבחנו תחת אותם תנאים ופרומפטים. התוצאות מרשימות במיוחד: GPT-4.1 ייצר הצעות איכותיות יותר ב-55% מהמקרים בהשוואה למודל המוביל הקודם, Claude 3.7 Sonnet. המודל החדש הצטיין במיוחד בשני תחומים קריטיים – דיוק (ידע מתי לא להציע שינויים מיותרים) ומקיפות (סיפק ניתוח יסודי כאשר היה צורך בכך). Qodo הדגישה במיוחד את היכולת המרשימה של GPT-4.1 לזהות בעיות אמיתיות כמו באגים בלוגיקה, שגיאות “off-by-one” ושימוש לא תקין בפונקציות, תוך שמירה על מיקוד בבעיות קריטיות באמת במקום הצפת הערות שוליות. יכולת זו חיונית במיוחד בסביבות פיתוח עמוסות, שבהן זמן המפתחים יקר והתמקדות בבעיות המהותיות היא קריטית להצלחת הפרויקט.

Blue J

חברת Blue J, המובילה בפיתוח פתרונות AI למערכות מס ומשפט, פרסמה נתונים על ביצועי מודל GPT-4.1 החדש של OpenAI. לפי הדיווח, המודל החדש הציג שיפור דרמטי של 53% בדיוק בהשוואה ל-GPT-4o בבנצ’מרק הפנימי של החברה, שבוחן תרחישי מס מאתגרים מהעולם האמיתי. מה שמרשים במיוחד הוא ההבנה המשופרת שהפגין המודל של תקנות מס מורכבות ויכולתו לעקוב אחר הוראות מדויקות בהקשרים ארוכים – יכולת קריטית בעולם המס הרווי בחוקים, תקנות וסעיפים מורכבים. עבור אלפי משתמשי Blue J ברחבי העולם, השיפורים הללו מתורגמים למחקר מס מהיר ואמין יותר, ולפינוי זמן יקר לעבודת ייעוץ בעלת ערך גבוה. הקפיצה בדיוק היא משמעותית במיוחד כשמדובר בהחלטות פיננסיות בשווי מיליונים, הדיוק הוא לא רק עניין טכני – הוא משפיע ישירות על התוצאה הסופית עבור הלקוח. 

Hex

חברת Hex, המפתחת פלטפורמה מובילה לניתוח נתונים ומדעי נתונים, חשפה תוצאות מרשימות מבדיקות מקיפות של מודל GPT-4.1 החדש של OpenAI. לפי הדיווח, המודל החדש הציג שיפור דרמטי של כמעט פי 2 בערכת הערכת SQL המאתגרת ביותר של החברה – קפיצה משמעותית בעולם ניתוח הנתונים. בניגוד לשיפורים קודמים שהושגו בעיקר באמצעות טכניקות פרומפטינג מתקדמות, GPT-4.1 מציג רווחים מהותיים בהבנה הסמנטית עצמה של בסיסי נתונים. המודל הפגין יכולת מרשימה במיוחד בבחירת הטבלאות הנכונות מתוך סכמות גדולות ולא ברורות – החלטה קריטית שמשפיעה ישירות על הדיוק הכולל של שאילתות SQL.

התובנה העסקית המרכזית ביותר היא שמודל GPT-4.1 מייצג קפיצת מדרגה משמעותית ביכולת של מודלי שפה גדולים לתרום ערך עסקי ממשי. השיפורים בדיוק, במהירות ובהבנה הסמנטית מאפשרים לארגונים להאיץ תהליכים, לשפר את איכות התוצרים, להתמודד עם משימות מורכבות יותר, ולספק חוויית משתמש טובה יותר – כל אלה מתורגמים ישירות ליתרון תחרותי ולתוצאות עסקיות משופרות. חשוב כמובן לציין שהנתונים מגיעים מחברות שיש להן אינטרס בהצלחת המודל החדש (שכן הן משתמשות בו במוצריהן), ולכן יש להתייחס אליהם בזהירות המתבקשת. עם זאת, העובדה שהנתונים מפורסמים באופן פומבי ומדויק בהכרזה הרשמית של OpenAI ובבלוג של החברות מחזקת את אמינותם.

טבלת השוואה מקיפה בין המודלים

הטבלה המסכמת מפרטת את יכולות כל מודל מבחינת אינטליגנציה ומהירות, אפשרויות הקלט והפלט שלהם, מחירי השימוש לפי מיליון טוקנים, וכן נתונים על חלון ההקשר, מספר טוקנים מקסימלי לפלט ותאריך חתך הידע. כל שלושת המודלים תומכים בחלון הקשר זהה של למעלה ממיליון טוקנים ובפלט מקסימלי של למעלה משלושים אלף טוקנים, אך נבדלים ביכולות האינטליגנציה, המהירות והמחיר:

השוואה בין שלושת המודלים החדשים

כמה עדכונים חשובים

בהכרזה המפתיעה מאתמול, OpenAI הדגישה שהמספר 4.1 אינו סתם שדרוג קטן או עדכון שגרתי. הוא נבחר בכוונה תחילה כדי לסמל את השיפור המשמעותי שהמודלים החדשים מציגים בכל התחומים, כשבחלק מהמדדים הם אפילו מתעלים על GPT-4.5 Preview שנחשב עד כה למודל החדש ואחד המתקדמים ביותר של החברה. עובדה זו מקבלת משנה תוקף לאור ההחלטה הדרמטית של OpenAI להסיר את GPT-4.5 מהשימוש החל מחודש יולי הקרוב, מכיוון שGPT-4.1 מציע ביצועים גבוהים במחיר נגיש יותר. השילוב הייחודי של ביצועים חזקים ומחירים תחרותיים צפוי לחולל מהפכה של ממש בתעשייה, כשהוא מאפשר ליותר ארגונים, מפתחים ויוצרים ליהנות מיכולות AI מתקדמות, ללא צורך בהשקעות כבדות או תקציבים מופרזים (מישהו אמר GPT-4.5?). במקביל, החברה הודיעה שמודל GPT-4o, שמציג יכולות מולטימודליות מרשימות המשלבות טקסט, תמונה ואודיו עם זמן תגובה מהיר במיוחד, יחליף את מודל GPT-4 הוותיק החל מסוף חודש אפריל, כחלק ממגמה רחבה יותר של פישוט והנגשת פורטפוליו המוצרים של החברה.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

לסיכום, משפחת מודלי GPT-4.1 החדשה של OpenAI מייצגת קפיצת מדרגה בתחום הבינה המלאכותית הגנרטיבית. עם שלושה מודלים שונים המציעים איזון ייחודי בין עוצמה, מהירות ונגישות, המשפחה החדשה מביאה שיפורים מרשימים בשלושה תחומים מרכזיים: יכולות קידוד מתקדמות, מעקב מדויק אחר הוראות מורכבות, וחלון הקשר ענק שמאפשר עיבוד כמויות מידע חסרות תקדים. חברות שכבר התנסו במודלים החדשים מדווחות על שיפורים דרמטיים בפרודוקטיביות, דיוק ויעילות בתחומים מגוונים. בין אם אתם מפתחים המחפשים יכולות קידוד מתקדמות, חוקרים שצריכים לעבד כמויות עצומות של טקסט, או עסק שמחפש פתרון AI חסכוני – משפחת GPT-4.1 מציעה פתרון מותאם לצרכים שלכם, ומסמנת את העתיד של יישומי בינה מלאכותית מעשיים בעולם העסקי.

הפוסט OpenAI משיקה את משפחת המודלים החדשה של GPT-4.1 הופיע ראשון בLet's AI בינה מלאכותית

מדיניות המכסים של טראמפ

הכרזת החירום הלאומית 

ב-2 באפריל 2025, הנשיא טראמפ הכריז על מצב חירום לאומי בטקס בגן הוורדים של הבית הלבן, בהתייחסו למה שהוא כינה “יום השחרור” ו”גירעון מסחרי גדול ומתמשך” המהווה “איום לאומי המסכן את הביטחון ואת אורח החיים האמריקאי”. באמצעות הפעלת סמכויות מיוחדות תחת חוק IEEPA (חוק סמכויות כלכליות בשעת חירום בינלאומית), טראמפ הטיל מכס בסיסי של 10% על כל היבוא לארה”ב, שנכנס לתוקף ב-5 באפריל 2025.

מכסים גורפים

בנוסף למכס הבסיסי, הממשל הטיל מכסים “הדדיים” גבוהים יותר על מדינות שונות, שנכנסו לתוקף ב-9 באפריל בחצות. טראמפ הציג בגאווה טבלה עם רשימת מדינות והמכסים החדשים שיוטלו עליהן, כשהוא מסביר שהוא גובה “בערך חצי ממה שהן גובות מאיתנו” במה שהוא כינה “מכס הדדי מתחשב”. להלן טבלה מסכמת של המכסים שהטיל נשיא ארה”ב דונלד טראמפ על מדינות נבחרות במסגרת תוכנית המכסים:

מכסי טראמפ על יבוא ממדינות נבחרות

פטור לשבבים ומוליכים למחצה

בעוד שמרבית המוצרים הוכפפו למכסים החדשים, שבבים מוליכים למחצה קיבלו פטור זמני. עם זאת, פטור זה חל רק על יבוא ישיר של שבבים, ולא על מוצרים מוגמרים המכילים שבבים. כתוצאה מכך, מוצרי בינה מלאכותית שלמים, כולל שרתים, מעבדי GPU, ורכיבים אחרים הנדרשים לתשתיות מרכזי נתונים לבינה מלאכותית, עדיין כפופים למכסים. 

התרסקות מניות הבינה המלאכותית

נפילה חדה בשווקים

בעקבות ההכרזה של הנשיא טראמפ, שוקי המניות חוו התרסקות דרמטית, כאשר מניות הטכנולוגיה והבינה המלאכותית ספגו את המכה הקשה ביותר. אנבידיה, הענקית בתחום השבבים לבינה מלאכותית, איבדה כמעט מחצית מערכה, עם ירידה מסחררת של יותר מ-200 מיליארד דולר בשווי השוק שלה. חברות טכנולוגיה מובילות אחרות לא נותרו מאחור – אפל (AAPL) שרושמת ירידה חדה של 25% מתחילת השנה, ברודקום (AVGO) שצנחה ב-37% משיאה, ופלנטיר (PLTR) שחוותה ירידה כה משמעותית עד שהוכללה ברשימת “מניות הבינה המלאכותית שעלולות להתרסק ב-2025″. המגמה השלילית לא פסחה על אף אחת מחברות ה”Magnificent Seven”, כאשר טסלה ואפל הובילו את הירידות עם נפילה של כ-5% כל אחת, ואמזון, גוגל, אנבידיה ומטא חוו גם הן ירידות של מעל 1%. בסך הכל, שבע החברות המובילות הללו איבדו יותר מ-2.1 טריליון דולר משווי השוק שלהן מאז הכרזת המכסים.

הגרף המצורף מציג את השינויים במדדי מניות מרכזיים – S&P 500, DAX, ו-Nikkei – בין ה-1 לאפריל עד ה-9 לאפריל 2025. ניתן לראות מגמת ירידה מתונה ועקבית בכל המדדים לאורך רוב התקופה, אך הנקודה המשמעותית ביותר היא הצניחה החדה שהתרחשה ב-9 באפריל. ביום הזה, כל שלושת המדדים חוו ירידה דרמטית של כ-3% עד 3.5%. הגרף ממחיש בבירור את ההשפעה המיידית והמשמעותית של החלטות מדיניות סחר על שווקי המניות הגלובליים:

השינויים החדים במדדי המניות המרכזיים

השהיה בת 90 יום

חשבתם שאפשר לקחת אוויר? בצעד דרמטי נוסף שהפתיע את העולם, הכריז נשיא ארה”ב דונלד טראמפ ב-9 באפריל 2025 על הקפאת מדיניות המכסים החדשה למשך 90 יום – פחות מיממה לאחר שנכנסה לתוקף. ההחלטה חלה על כל המדינות למעט סין, שלגביה דווקא החמיר טראמפ את המכסים והעלה אותם לשיעור חסר תקדים של 125%. בפוסט ברשת החברתית הסביר הנשיא כי ההחלטה התקבלה לאחר שיותר מ-75 מדינות פנו לנציגי ארה”ב במטרה לנהל משא ומתן על הסכמי סחר חדשים.

במהלך תקופת ההשהיה יחול מכס מופחת של 10% בלבד, שייכנס לתוקף באופן מיידי. טראמפ הבהיר שהמהלך נועד לאפשר זמן למשא ומתן על “פתרון לנושאים הנדונים בהקשר לסחר, מחסומי סחר, מכסים, מניפולציה של מטבע, ומכסים לא כספיים”. בשיחה עם עיתונאים בחדר הסגלגל בבית הלבן התגאה הנשיא: “אף נשיא לא עשה את מה שעשיתי”.

השווקים הגיבו בהתלהבות להודעה המפתיעה – מדדי המניות בוול סטריט זינקו לעליות חדות, במה שהוגדר כ”יום היסטורי” בשוק ההון האמריקאי. מדד הנאסד”ק זינק ב-12.1% – העלייה היומית הגדולה שלו מאז 2008, בעוד ה-S&P 500 עלה ב-9.5% ודאו ג’ונס ב-7.9%. עם זאת, המתיחות בין ארה”ב לסין ממשיכה להעיב על השווקים, כאשר בייג’ינג הגיבה בהטלת מכסים של 84% על יבוא מוצרים אמריקאיים. בסביבתו של טראמפ טוענים כי המהלך היה מתוכנן מראש, כשמזכיר האוצר הצהיר: “זו הייתה האסטרטגיה שלו מלכתחילה”, אך דיווחים אחרים מצביעים על כך שהירידות באג”ח האמריקאיות והלחץ מצד חברי קונגרס רפובליקנים ואנשי עסקים השפיעו על ההחלטה.

סיבות נוספות להתרסקות מעבר למכסים

בעוד מכסי טראמפ היוו את הזרז המיידי למפולת באפריל 2025, מתחת לפני השטח פעלו כוחות נוספים שהכינו את הקרקע למשבר. מניות הבינה המלאכותית סבלו מהערכות יתר קיצוניות, עם מכפילי רווח שהרקיעו שחקים והזכירו לרבים את בועת הדוט-קום. במקביל, התגברו החששות בקרב משקיעים מפני האטה אפשרית בקצב האימוץ של טכנולוגיות AI בארגונים, בעיקר בשל העלויות הגבוהות הכרוכות בהטמעתן ובתחזוקת התשתיות הנדרשות. גורם שלישי שהעיב על השוק היה הלחצים הרגולטוריים ההולכים וגוברים על התעשייה, כאשר מדינות רבות החלו לגבש מסגרות פיקוח מחמירות. הקש ששבר את גב הגמל הגיע עם פרסום מדד הבינה המלאכותית של סטנפורד לשנת 2025, שחשף עלייה מדאיגה של 56% במקרים מזיקים הקשורים לבינה מלאכותית, מה שהוביל משקיעים מוסדיים רבים לצמצם את חשיפתם לסקטור.

השלכות על תעשיית הבינה המלאכותית

השפעה על שרשראות האספקה הגלובליות

המכסים החדשים של ממשל טראמפ יצרו זעזוע משמעותי בשרשראות האספקה הגלובליות של תעשיית הבינה המלאכותית, עם השלכות נרחבות שכבר מורגשות בכל רחבי הענף. בניית מרכזי נתונים לבינה מלאכותית, שהייתה כבר יקרה במיוחד, צפויה כעת להתייקר עוד יותר. למרות שהשבבים עצמם קיבלו פטור זמני ממכסים, כל שאר רכיבי תשתית ה-AI מושפעים, כולל ציוד קירור, ציוד חשמל, רכיבי רשת וחומרי בנייה. רכיבים אלה מהווים לפחות רבע עד שליש מעלויות הקמת מרכזי הנתונים, מה שמייקר משמעותית את עלויות התשתית הכוללות.

בתגובה למציאות החדשה, חברות טכנולוגיה רבות כבר החלו לשקול הסטה מהותית של שרשרות האספקה שלהן. חלק מהחברות שוקלות להעביר חלק מהייצור לארה”ב או למדינות עם שיעורי מכס נמוכים יותר. למשל, רוב שרתי אנבידיה מורכבים במקסיקו, ולכן נהנים מפטור ממכסים תחת הסכם סחר חופשי. ההשפעה המיידית ביותר ניכרת בהאטה בתוכניות ההרחבה של תשתיות. לפי דיווחים, מיקרוסופט ביטלה מספר חוזי חכירה למרכזי נתונים בארה”ב, בהיקף של “מאות מגה-וואטים” של קיבולת. עם זאת, חשוב לציין שמיקרוסופט הכחישה דיווחים אלו והדגישה את מחויבותה להשקיע 80 מיליארד דולר בתשתיות AI בשנה הפיסקלית הקרובה.

למרות האתגרים, חברות הטכנולוגיה הגדולות ממשיכות להשקיע סכומי עתק בתשתיות AI. אמזון מתכננת להשקיע מעל 100 מיליארד דולר, אלפבית (גוגל) מתחייבת ל-75 מיליארד דולר, ומטא (פייסבוק) מתכננת להשקיע עד 65 מיליארד דולר. עם זאת, אי-הוודאות סביב המכסים עלולה להקפיא חלק מההשקעות בטווח הקצר, עד שהחברות יוכלו להעריך את ההשפעה המלאה על העלויות ולתכנן בהתאם.

השפעות מחיר צפויות

המכסים החדשים צפויים לחולל שינוי משמעותי במבנה העלויות של תעשיית הבינה המלאכותית, עם השלכות מרחיקות לכת על חברות טכנולוגיה וצרכנים כאחד. צפויה התייקרות משמעותית בעלויות התשתית הכוללות, אשר תוביל לעליית מחירים בשירותי הענן שתגולגל בסופו של דבר ללקוחות הקצה. במקביל, למרות מגמת הירידה בעלויות הבינה המלאכותית בשנה האחרונה, המכסים עלולים לקזז חלק מהחיסכון שהושג בזכות התייעלות טכנולוגית. החשש המרכזי נוגע למחסור אפשרי בשבבים מתקדמים כמו ה-H100 של אנבידיה, אם המכסים יורחבו אליהם בעתיד. תרחיש זה עלול להאט את קצב ההתקדמות של מהפכת הבינה המלאכותית בעיתוי קריטי, כאשר היא מתחילה להניב תוצאות עסקיות מוחשיות.

האצת האוטומציה והתחרות העולמית

באופן פרדוקסלי, המכסים שהטיל הנשיא טראמפ במטרה המוצהרת להחזיר משרות ייצור לארה”ב עשויים להוביל לתוצאה הפוכה, תוך האצת מגמת האוטומציה בתעשייה האמריקאית. עם העלייה בעלויות הייצור כתוצאה מהמכסים, חברות רבות צפויות להגביר את ההשקעה במערכות רובוטיות ואוטומציה מתקדמת כדי לקזז את העלויות הגבוהות. במקביל, למרות המכסים המשמעותיים על מוצרים סיניים, סין ממשיכה להתקדם במהירות בתחום הבינה המלאכותית. דו”ח מדד הבינה המלאכותית של סטנפורד לשנת 2025 מצביע על צמצום משמעותי בפער הביצועים בין ארה”ב לסין בתחום הבינה המלאכותית. יתרה מכך, בעוד ארה”ב מתמקדת במכסים, ענקית הטכנולוגיה הסינית אליבאבא הכריזה על השקעה של מעל 50 מיליארד דולר בבינה מלאכותית ומחשוב ענן, מה שעשוי להשפיע על מאזן הכוחות הטכנולוגי בין המעצמות.

השקעות מתוכננות של חמש ענקיות טכנולוגיה

הזדמנויות בתקופת משבר

למרות האתגרים המשמעותיים שמכסי טראמפ והתנודתיות בשוק המניות מציבים בפני תעשיית הבינה המלאכותית, המשבר הנוכחי מייצר גם הזדמנויות מעניינות למשקיעים ויזמים בעלי ראייה ארוכת טווח. ירידת מחירי המניות של חברות טכנולוגיה ובינה מלאכותית יצרה “מציאות מוזלת” – הזדמנות נדירה לרכישת מניות איכותיות בהנחה משמעותית, במיוחד עבור משקיעים שמאמינים בפוטנציאל ארוך הטווח של הטכנולוגיה. במקביל, המכסים על מוצרים מיובאים מאיצים את הפיתוח המקומי של טכנולוגיות בינה מלאכותית בארה”ב, כאשר חברות וממשלות משקיעות יותר בפיתוח יכולות מקומיות כדי להפחית את התלות ביבוא. אסטרטגיה שלישית שמתפתחת היא יצירת שיתופי פעולה בינלאומיים חדשים, כאשר חברות אמריקאיות מחפשות דרכים יצירתיות לעקוף את המכסים באמצעות שותפויות עם חברות במדינות שנהנות מיחסי סחר מועדפים עם ארה”ב, כמו מקסיקו, קנדה ומדינות באיחוד האירופי שקיבלו הקלות במכסים.

עתיד תעשיית הבינה המלאכותית בצל חוסר ודאות

תעשיית הבינה המלאכותית עומדת בצומת דרכים משמעותי בעקבות הטלת המכסים החדשים של ממשל טראמפ והתנודתיות בשווקים הפיננסיים. ההשהיה בת 90 יום של רוב המכסים, למעט אלה על סין, מספקת חלון זמן מוגבל לחברות להתארגן, אך אי-הוודאות לגבי העתיד נותרת גבוהה. למרות האתגרים, הפוטנציאל של בינה מלאכותית להשפיע על מגוון תעשיות נותר משמעותי. לפי דו”ח של Precedence Research, שוק הבינה המלאכותית העולמי מוערך ב-757.58 מיליארד דולר ב-2025 וצפוי להגיע לכ-3,680.47 מיליארד דולר עד 2034, עם שיעור צמיחה שנתי ממוצע של 19.20%:

צפי לצמיחה משמעותית בשוק ה-AI העולמי

לסיכום

מהלך הדברים מתחילת החודש ממחיש עד כמה תעשיית הבינה המלאכותית רגישה לשינויים גיאופוליטיים. המפתח להצלחה בסביבה הזו יהיה גמישות, חדשנות בשרשרת האספקה, והיכולת להתאים מודלים עסקיים לנסיבות המשתנות. חברות שיצליחו לנווט בסביבה המורכבת הזו עשויות לצאת מחוזקות כאשר השוק יתייצב. כפי שמציין דו”ח מדד הבינה המלאכותית של סטנפורד לשנת 2025, למרות האתגרים, ההשקעה בבינה מלאכותית ממשיכה לגדול, כאשר משקיעים פרטיים הזרימו 109.1 מיליארד דולר ל-AI בארה”ב בשנה האחרונה. בטווח הקצר, צפויה תנודתיות מתמשכת בשווקים ובמדיניות הסחר. עם זאת, הנתונים מראים כי מספר העסקים המדווחים על שימוש בבינה מלאכותית גדל מ-55% ב-2023 ל-78% ב-2024, מה שמעיד על המשך אימוץ הטכנולוגיה למרות האתגרים. אנו עדים לתקופה של שינוי מהיר, כאשר המדיניות הכלכלית, הטכנולוגיה והגיאופוליטיקה משתלבות באופן שמעצב מחדש את עתיד הבינה המלאכותית לשנים הבאות, ומחייב את כל השחקנים בתעשייה לאמץ גישה אסטרטגית ארוכת טווח.

הפוסט השפעת המכסים החדשים של טראמפ והתרסקות המניות על תחום הבינה המלאכותית הופיע ראשון בLet's AI בינה מלאכותית

פייבר – סיפור הצלחה ישראלי

פייבר (Fiverr) היא אחת מחברות הטכנולוגיה הישראליות הבולטות בעולם, שמפעילה פלטפורמת מסחר לשירותי פרילנס בכל תחום אפשרי – מתרגום ועד תכנות, מעיצוב גרפי ועד עריכת וידאו. מאז הוקמה ב-2010 בתל אביב, ועד להנפקתה בניו יורק ב-2019, החברה צמחה למעמד של ענקית גלובלית שפועלת ביותר מ-160 מדינות ומציעה שירותים בלמעלה מ-500 קטגוריות. עם חדשנות טכנולוגית שמובילה אותה קדימה והתרחבות עסקית לתחומים חדשים כמו דרופשיפינג, Fiverr הפכה לסמל של כלכלה דיגיטלית מבוזרת ומבוססת טכנולוגיה. אך כעת, כשהבינה המלאכותית משנה את חוקי המשחק, גם מנכ”ל החברה, מיכה קאופמן, מבין שאי אפשר להמשיך באותה הדרך.

“גוגל מתה!” כך אומר מיכה קאופמן – מנכ”ל פייבר.

גוגל מתה – ה-LLMים הם המלך החדש!

הפסקה המרכזית והבוטה ביותר במכתבו של קאופמן נפתחת במילים: “הנה האמת הלא נעימה: הבינה המלאכותית הולכת להחליף אתכם“. המשפט הזה, שלא מותיר הרבה מקום לפרשנות, משקף את התחושה המרכזית שהובילה את קאופמן – לא עוד ניסיונות ליפות את המציאות או לדחות את הקץ. השינוי כבר כאן, והוא עמוק, מקיף ובלתי הפיך. קאופמן לא מדבר על תסריטים עתידיים, אלא על כאן ועכשיו. לדבריו, לא משנה מה התפקיד שלך – מתכנת, מעצב, מנהל מוצר, עורך דין, נציג שירות או כל תפקיד אחר – הבינה המלאכותית צפויה לאתגר את עצם הרלוונטיות שלך. והדבר נכון גם לגביו: “היא באה גם בשביל התפקיד שלי”, הוא כותב.

המסר ברור: מדובר בהתפתחות שדורשת שינוי עמוק בתודעה, באסטרטגיה ובעשייה של כל מי שרוצה להמשיך לפעול בתחום שלו.

הפוסט של מיכה קאופמן בלינקדאין.

שינוי פרדיגמה: מה שהיה קל הופך לאוטומטי, ומה שהיה קשה – להכרחי

אחת מהטענות המרתקות ביותר במכתב של קאופמן היא לגבי השינוי בהיררכיה של הקושי בביצוע משימות: היו משימות “קלות”, משימות “קשות” ומשימות “בלתי אפשריות”. כעת, הסדר הזה משתבש: המשימות הקלות ייעלמו, המשימות הקשות יהפכו לבסיסיות – כי ה-AI יבצע אותן בקליק, ומה שנחשב לבלתי אפשרי – יהיה פשוט הדבר הבא שניתן לבינה המלאכותית לנעוץ בו את שיניה. מבחינתנו ה”איך” הפך לפחות חשוב. ה”מה” נהיה הרבה חשוב – כלומר, היום צריך לדעת “לדבר” לכלי GenAI כמו מודלי שפה גדולים (LLM) וצ’טבוטים ג’נרטיביים, ומי שיסגל לעצמו מיומנויות שכאלה, יוכל להפוך את הבלתי אפשרי לאפשרי.

המשמעות עבור העובדים היא ברורה: מי שלא יתבלט ביכולת יוצאת דופן, לא ישרוד. במילים אחרות, העידן של בינוניות תפקודית חלף. נדרש כישרון יוצא דופן, מסוגלות גבוהה, וגמישות מחשבתית מתמדת. זה לא עניין של הישרדות בפייבר, אלא של הישרדות מקצועית בכלל.

הקשה הוא הקל החדש – מיכל קאופמן, מנכ”ל פייבר.

אז מה כן עושים? שבע ההמלצות של קאופמן

קאופמן לא רק בא להפחיד או לזעזע – הוא בא לעורר השראה ובעיקר לייצר “קריאת השכמה” לעובדיו, ובאותה נשימה – לתעשייה כולה. לאורך החלק השני של המייל, קאופמן פורש תוכנית פעולה ברורה יחסית: לא להיבהל, לא לשקוע בפאניקה – אלא לפעול. הנה שבע ההמלצות המרכזיות שהוא מציע, וכל אחת מהן יכולה לשמש כשיעור עומק לכל אדם בארגון מודרני:

1. ללמוד ולהתנסות בכלי בינה מלאכותית – עד שמוצאים את ה”סופר-כוח”

קאופמן ממליץ לא להסתפק בלשמוע הרצאות או לקרוא כתבות – אלא ממש להתנסות, לבדוק, לחקור ולמצוא את הכלים שנותנים לך יתרון ייחודי. דוגמה לכך היא מתכנתים המשתמשים בכלים כמו Cursor או כלי No Code אחרים, נציגי שירות שמשתמשים בפתרונות AI למיון ופענוח פניות, ועורכי דין שמייעלים את עבודתם בעזרת שימוש בכלי AI.

המטרה: להגיע למצב שבו אתה מפיק יותר תוצרים ביחידת זמן נתונה – ובאיכות גבוהה יותר.

זמן הוא המשאב הכי יקר! בעידן ה-AI צריך לעשות יותר בפחות!

2. להקיף את עצמך באנשים שמבינים בבינה מלאכותית

זה לא הזמן להסתגר בתוך סיילו מקצועי. קאופמן ממליץ לאתר בתוך הארגון את האנשים שכבר שולטים בכלים המובילים ולהתחבר אליהם. ללמוד מהם, להסתייע בהם, ואולי אף לשתף פעולה.

3. להבין שעובדים מהר – לא בעתיד, אלא עכשיו

אם אתה מתנהל כאילו אתה חי בשנת 2024 – אתה כבר באיחור. לפי קאופמן, הדרישות בשוק העבודה השתנו דרמטית: מצופה ממך לעבוד מהר יותר, לייצר יותר תוצרים בפחות זמן, ולהיות יעיל יותר – לא מחר, לא בעוד חודש, אלא מיד.

4. להפוך למהנדס פרומפטים (Prompt Engineer)

קאופמן קובע נחרצות: “גוגל מתה”. מי שלא יודע להשתמש בבינה מלאכותית גנרטיבית ובמודלים מבוססי LLM, כמו ChatGPT, ימצא את עצמו מאבד ערך שוק במהירות. “הבסיס החדש הוא לשלוט בכלים האלה”, הוא כותב, ומדגיש: מי שלא יעשה זאת – יפגע.

5. לשפר את הארגון באמצעות הכלים הקיימים – לפני שמגייסים עוד אנשים

במקום לגייס עובדים נוספים, קאופמן מציע למקסם את השימוש במה שכבר יש. כלים מבוססי AI מאפשרים להפיק תפוקות גבוהות יותר עם פחות משאבים, ועל כן נדרש מכל עובד ללמוד איך להפוך את הארגון ליעיל יותר באמצעות הטכנולוגיות הקיימות.

6. להבין את האסטרטגיה הארגונית – ולפעול כדי לקדם אותה

קאופמן יוצא נגד תרבות של “ישיבות רעיונות” ומעודד יוזמה אישית. אל תחכה שיזמינו אותך לשולחן – קח יוזמה בעצמך. הבן לאן החברה הולכת, ונסה להשתלב ולתמוך באסטרטגיה בדרכים מעשיות.

קחו אחריות על העתיד המקצועי שלכם!

7. לייצר לעצמך הזדמנויות – ולא לחכות להן

אחד המסרים החזקים ביותר במייל הוא הקריאה לא לחכות לעולם או למעסיק שיפתח בפניך דלת. במקום זאת, צור לעצמך את ההזדמנויות: למידה, תרגול, יוזמות פנימיות. קאופמן מסיים בהבטחה אישית – הוא מוכן לתמוך בכל עובד שמוכן לעזור לעצמו.

אל תחכו לאף אחד!

מעבר לתוכן עצמו, מה שהופך את המסר של קאופמן למרתק הוא עצם הבחירה לשתף אותו בפומבי. מדובר בהודאה גלויה של מנכ”ל חברה ציבורית בעובדה שהוא עצמו אינו חסין מהשינויים, ובקריאה לשיח פתוח ואמיץ על עתיד התעשייה. זהו מכתב שאינו עוסק רק בפייבר או רק בטכנולוגיה, אלא בהשלכות הרוחביות של עידן הבינה המלאכותית על שוק העבודה כולו. המודל הניהולי שבא לידי ביטוי כאן הוא לא של שליטה מלמעלה, אלא של לקיחת אחריות אישית, חתירה לשקיפות, ודחיפה לאקטיביות.

מיכה קאופמן – Founder & CEO @ Fiverr (NYSE: FVRR)

קאופמן מסיים את המייל בצעד יוצא דופן נוסף – הוא פותח את יומנו האישי לעובדים ומזמין אותם לקיים עמו שיחה על עתידם המקצועי והארגוני. קריאה לשיח אמיתי, לא רק בתוך החברה, אלא בתוך כל אחד ואחת מאיתנו. בסופו של דבר, ייתכן שהשינוי ש-AI מחולל בשוק העבודה אינו רק טכנולוגי – אלא אנושי. הוא מאלץ אותנו לשאול את עצמנו מה הערך האמיתי שאנחנו מביאים, איך אנחנו ממשיכים ללמוד, ומה ייחודי בנו. המכתב של קאופמן הוא לא רק קריאת השכמה – הוא שילוב בין מצפון למצפן.

גם Shopify משנה את חוקי המשחק

אם היה אפשר לחשוב לרגע שמדובר במסר חד-פעמי של מנכ”ל יוצא דופן, הרי שסיפור דומה – ויש שיאמרו אף קיצוני יותר – מגיע מחברת שופיפיי (Shopify). מיכה קאופמן לא לבד: גם טובי לוטקה (Tobi Lütke), המנכ”ל המוערך של שופיפיי, שיגר לעובדיו תזכיר פנימי שהודלף והפך לויראלי ברשתות. בדומה לקאופמן, גם לוטקה לא מותיר מקום לספק. בינה מלאכותית היא לא אפשרות, אלא הכרח. כל עובד שלא שולט בה – פשוט נשאר מאחור. בלי ריכוך, בלי הסתייגות ובלי הרבה סבלנות. מי שלא יודע לעבוד עם בינה מלאכותית נכנס לסטגנציה, בזמן שכל האחרים מתקדמים. וזה, מבחינת לוטקה, שווה ערך לאי-רלוונטיות. ולא רק עובדים – גם המנהלים בשופיפיי נדרשים להסתגל. עליהם להצדיק כל גיוס חדש בכך שאין שום דרך שבה בינה מלאכותית תוכל לבצע את העבודה במקום אותו עובד. אם לא הצלחת להסביר למה AI לא מספיק – כנראה שלא תוכל לגייס. המסר ברור: לפני שמרחיבים את כוח האדם – מרחיבים את היכולות הטכנולוגיות.

החזון של לוטקה: AI כמנוע חדשנות בלתי נלאה

אחת מהנקודות החזקות ביותר בתזכיר של לוטקה נוגעת לאופן שבו החברה צריכה לייצר חדשנות. כל רעיון, כל פיתוח ניסיוני, כל אב-טיפוס – חייב להיווצר באמצעות בינה מלאכותית, תוך שעות ולא שבועות. זהו מודל חדש של עבודה, שבו מי שמאמץ את הכלים המתקדמים הופך למכונת רעיונאות אפקטיבית, בעוד מי שנשאר בשיטות עבודה מסורתיות – פשוט לא עומד בקצב. ואם עובד לא עומד בקצב? שופיפיי תדע זאת – בין אם דרך שאלוני ביצוע, מדדי תפוקה או ניתוח פרויקטים. ניסית להשתמש ב-AI והתייאשת? מבחינת לוטקה, אין לך את הפריבילגיה הזו. למידה והתמדה הן תנאי להמשך ההעסקה.

מגמה רחבה: יותר תפוקה, פחות גיוסים

המסר של לוטקה מהדהד עם המכתב של קאופמן, ומצביע על תהליך עמוק יותר בתעשייה: חברות לא ממהרות לפטר עובדים – אך הן מצמצמות דרמטית את קצב הגיוס. המשמעות היא שמי שכבר בארגון חייב להוכיח ערך מוסף ייחודי. ההזדמנות אמנם קיימת – אך היא תובענית. בינה מלאכותית מאפשרת לחברות להפיק יותר – אבל דורשת מכל עובד לשלוט בטכנולוגיה כאילו הייתה שפת האם שלו.

העובדים הופכים למנהלים של מערכות בינה מלאכותית

בעולם החדש, העובדים עצמם הם כבר לא רק “עושים”, אלא מנהלי מערכות – הם מפעילים את היכולות של AI, יודעים לנסח פרומפטים מדויקים, מנתחים תוצאות, מחדדים בקשות – וממנפים את הכלים כדי להשיג תוצרים בקנה מידה שלא היה אפשרי בעבר. זהו שינוי מהותי במהות התפקיד. מי שמצטיין בזה – הופך לעובד אחד שעושה את העבודה של עשרה. מי שלא – פשוט לא יוזמן להצטרף למשחק.

בין נאום מוטיבציה לאזהרה אמיתית

בעידן שבו גם מיכה קאופמן וגם טובי לוטקה אומרים לעובדיהם בפה מלא: “AI יחליף אתכם אם לא תשתנו” – כבר אי אפשר להמשיך להתנהל כאילו מדובר באופציה טכנולוגית צדדית. מה שאנחנו רואים כאן זו לא היסטריה ניהולית, אלא שינוי יסודי בכללי המשחק, שמתובל באחריות כנה ואמיתית לעתיד העובדים והתעשייה. אלה לא רק שתי חברות – זו תעשייה שלמה שמתארגנת מחדש. עובדים שידעו להתמקם נכון, להסתגל מהר, ללמוד כלים ולהוביל את האינטראקציה עם הבינה המלאכותית – יובילו גם את השוק. עובדים שיחשבו שאפשר להמשיך להתנהל כבעבר – לא יצליחו להשתלב בעתיד. ולכן, זה לא הזמן להיבהל. זה הזמן ללמוד. להיות אמיצים. לתרגל. לשאול. להתנסות. להבין שלא מדובר בסוף עידן, אלא בתחילתו של עידן חדש שבו השאלה אינה מה הטכנולוגיה יכולה לעשות – אלא מה אנחנו יכולים לעשות בעזרתה.

ותודה לקלוד על האינפוגרפיקה

אין ספק שבדברים של קאופמן יש נימה של “נאום השראה דרמטי”, ואולי דרמטי מדי. אחרים יאמרו שמדובר בנאום תיאטרלי. אבל מנגד, רבים יראו בכך מסר חיוני ומדויק, שמעז לומר בקול את מה שכולם ממילא מרגישים. אך בכל מקרה, קשה להתעלם מהשורה התחתונה: מי שלא יתאים את עצמו לעולם החדש – פשוט ייעלם ממנו. יותר מאי פעם, הגבול בין עובדים מצוינים לעובדים בינוניים ייקבע על בסיס היכולת להסתגל, ללמוד, ולהשתמש בטכנולוגיה כבסיס לעבודה ולא כאיום עליה. לא מדובר בעתיד רחוק – אלא באתגר ההווה. 

הפוסט מנכ”ל Fiverr לעובדיו: AI יחליף אתכם! הופיע ראשון בLet's AI בינה מלאכותית

רפורמה טכנולוגית מבית הנשיא

המשרד לניהול ותקציב של הבית הלבן (OMB) פרסם בתחילת אפריל 2025 שני מזכרים מתוקנים שנוגעים לשימוש בבינה מלאכותית ולרכש טכנולוגיות בתחום זה על ידי סוכנויות פדרליות. מדובר בצעד שנעשה בתיאום עם היועץ המדעי של הנשיא ועם המשרד למדיניות מדעית וטכנולוגית (OSTP), ומבקש ליישם את צו הנשיא טראמפ להסרת חסמים לחדשנות אמריקאית בתחום ה-AI. המסר הברור שעולה מהמזכרים הוא שממשלת ארצות הברית לא רק מכירה בחשיבותה של הבינה המלאכותית לעתיד, אלא רואה בה כלי שיש לפרוס וליישם גם ברמת הממשל. הדגש הוא על קידום חדשנות מתוך הממשלה פנימה – לא כהצהרה ערכית בלבד, אלא כפעולה אופרטיבית שכוללת רפורמות אמיתיות בתהליכים ביורוקרטיים ובמנגנוני רכש.

בין חדשנות לממשל: מה כוללת המדיניות החדשה?

המדיניות שפורסמה כוללת שני נדבכים מרכזיים: מדיניות שימוש ב-AI ומדיניות רכש טכנולוגי בתחום. מטרת העל היא לאפשר לסוכנויות ממשלתיות לאמץ כלים של בינה מלאכותית בצורה רחבה, תוך שיפור היעילות, הורדת עלויות והגברת השקיפות.

קציני AI בשירות הממשל

בהמשך ישיר למאמצי הרפורמה, המדיניות החדשה כוללת צעדים קונקרטיים שנועדו לתרגם את החזון האסטרטגי לפעולה בשטח. שני המזכרים שפורסמו אינם מסתפקים בהצהרות עקרוניות, אלא מציגים מנגנונים מעשיים שנועדו לייצר שינוי תשתיתי אמיתי. אחד הצעדים המרכזיים הוא הדרישה למנות קציני AI ראשיים (Chief AI Officers) בכל סוכנות פדרלית. תפקידם של קצינים אלו הוא לא רק טכני או ניהולי, אלא גם תרבותי – לשמש כסוכני שינוי פנים-ממשלתיים, לקדם את השימוש האחראי ב-AI, ולהוביל תהליכי אימוץ שיטתיים של טכנולוגיות מתקדמות תוך שמירה על אתיקה, אחריות ושקיפות.

מעבר לכך, המדיניות מבטלת חסמים ביורוקרטיים שהקשו בעבר על שילוב טכנולוגיות חדשות. במקומם, מוצעים כלים חדשים לניהול סיכונים שמאפשרים לסוכנויות להטמיע מערכות AI בעלות השפעה גבוהה תוך בקרת איכות הדוקה. מדובר בשינוי פרדיגמה – מעבר ממדיניות של חשש וזהירות יתר לעבר מדיניות של “אחריות מתוך פעולה”. כלומר, לא עצירת החדשנות בשם הסיכון, אלא ניהול סיכונים בצורה מושכלת כחלק מהתהליך הארגוני.

הדגש על שימוש בפתרונות AI שמקורם אמריקאי מהווה נדבך חשוב נוסף במדיניות. לא רק מתוך שיקולים של תחרות כלכלית, אלא גם על מנת להבטיח שמירה על סטנדרטים ערכיים כגון פרטיות, זכויות אזרח ובקרה ציבורית. בכך, המדיניות מבקשת לחזק את העצמאות הטכנולוגית של ארצות הברית ולהבטיח שהובלתה בתחום הבינה המלאכותית תישאר מושרשת בקרקעית של אחריות מוסרית ודמוקרטית.

שימוש בבינה מלאכותית בממשל

המזכר הראשון מתייחס לאופן שבו סוכנויות פדרליות יכולות וצריכות לשלב מערכות AI בפעילותן. ההתמקדות היא בהסרת מחסומים רגולטוריים וביצירת מסגרת שתומכת ביישום אחראי של הטכנולוגיה, באופן שמאזן בין חדשנות לבין שמירה על פרטיות, זכויות אזרח וחירויות אזרחיות.

רכש טכנולוגי רלוונטי

המזכר השני עוסק בשיפור תהליכי הרכש של טכנולוגיות AI. מדובר בשינוי מהותי בדרך שבה ממשלת ארצות הברית ניגשת לשוק הטכנולוגי – מיקוד במכרזים גמישים, קיצור תהליכים, התאמה למציאות דינמית ושאיפה למקסם את התועלת מכספי משלם המיסים. התוצאה: שוק ממשלתי פתוח יותר לתחרות מצד חברות חדשניות ולא רק קונגלומרטים ותיקים.

המנוע מאחורי השינוי: חזון נשיאותי והקשר רחב יותר

לין פארקר (Lynne Parker), סגנית המנהלת הראשית של OSTP, הדגישה בדבריה כי מדובר בצעד שמהווה יישום ישיר של חזון הנשיא טראמפ: מיצוב ארצות הברית כמובילה עולמית בתחום הבינה המלאכותית. לטענתה, “המזכרים החדשים מספקים את ההכוונה הנחוצה לשילוב הטכנולוגיה בממשל בצורה יעילה וחסכונית, ומעודדים שוק תחרותי שמבוסס על חדשנות אמריקאית”. במילים אחרות, לא מדובר רק בתיקון פרוצדורלי אלא במדיניות כוללת שמבקשת לשנות את הגישה. בניגוד לעבר שבו חדשנות נחשבה לנחלת ההייטק או למוקדי מחקר אקדמיים, הממשל הפדרלי שואף להיות כוח מניע בעצמו – משתמש אקטיבי ולא רק רגולטור.

לא רק טכנולוגיה – גם אמון ציבורי

גרג ברבאצ’ה (Greg Barbaccia), מנהל המידע הראשי הפדרלי, הצביע על פער מתרחב בין יכולות הטכנולוגיה המודרנית לבין היישום בפועל שלה בתוך מוסדות הממשל. לדבריו, תהליכים מיותרים והיעדר עדכון של מנגנוני הרכש יצרו חסמים של ממש ביכולת של הסוכנויות הממשלתיות להתייעל. בהקשר זה, ברבאצ’ה הדגיש כי המדיניות החדשה אינה עוסקת רק ביעילות תקציבית אלא גם בחיזוק האמון הציבורי. ההנחה: כאשר הממשלה עושה שימוש שקוף ואחראי ב-AI, האזרחים מגלים אמון גבוה יותר בשירות הציבורי.

ההשלכות על שוק ה-AI האמריקאי

אחת ממטרות הליבה של המדיניות היא עידוד צמיחה בשוק האמריקאי המקומי של בינה מלאכותית. על ידי פתיחת הדלת לרכש ממשלתי מצד סטארטאפים וחברות חדשניות, ארצות הברית מבקשת לחזק את שרשרת הערך המקומית של פיתוחים בתחום. מדיניות זו עשויה להביא עמה זריקת עידוד משמעותית לחברות AI אמריקאיות, בייחוד כאלה שפועלות בתחומים של אוטומציה אדמיניסטרטיבית, ניתוח נתונים ממשלתיים, שירותי בריאות ציבוריים ועוד. מדובר לא רק בשיפור פנימי של ממשל, אלא גם במנוף תעשייתי חשוב.

אתגרים צפויים: רגולציה, פרטיות ויישום

עם כל הרצון הטוב, המדיניות החדשה אינה חפה מאתגרים. שילוב של מערכות בינה מלאכותית בגופים ממשלתיים מעלה שאלות כבדות משקל – מי אחראי על הפיקוח? כיצד שומרים על פרטיות האזרחים? מהו גבול השימוש הראוי? הממשל האמריקאי מבקש להציג גישה שמאזנת בין חדשנות לאחריות, אך מימוש האיזון הזה בפועל ידרוש תיאום בין סוכנויות, הכשרות מתמשכות לעובדי מדינה, וכנראה גם לא מעט עדכונים עתידיים למדיניות עצמה.

מבט לעתיד: האם המדיניות תיושם בפועל?

כפי שקורה לא פעם ברפורמות ממשלתיות, ההבדל בין מדיניות כתובה לבין יישום בשטח הוא משמעותי. הצלחת המהלך תלויה לא רק בגיבוי פוליטי או בניסוחים רגולטוריים, אלא בעיקר ביכולת של סוכנויות לבצע את ההתאמות הנדרשות במהירות, ובשיתוף פעולה עם המגזר הפרטי והציבור האזרחי.

אם המדיניות אכן תיושם באופן רחב, היא עשויה להוות דוגמה גם לממשלות אחרות בעולם – שמבקשות לא רק להסדיר את התחום אלא גם לקחת בו חלק פעיל. ממשלת ארצות הברית בחרה להניף את דגל החדשנות מתוך הממשל פנימה, והשאלה שנותרה פתוחה היא האם גם השטח יעמוד בקצב של הרוח המדינית.

המדיניות החדשה של הבית הלבן מהווה רגע מבחן ליחסי הגומלין בין חדשנות ציבורית לפרטית. מצד אחד, היא מבטאת חזון שאפתני לשימוש יעיל, מודרני ואחראי בטכנולוגיות מתקדמות. מצד שני, היא מדגישה עד כמה עדיין נדרש תהליך עמוק של שינוי מחשבתי, רגולטורי ותרבותי כדי שהממשל באמת יוכל להפוך לגוף חדשני, דינמי ופתוח. עבור עולם ה-AI, זהו לא רק צעד טכני – אלא הכרזה על כיוון מחשבה חדש.

הפוסט כיצד הבית הלבן מוביל מהפכת AI בשירות הציבורי הופיע ראשון בLet's AI בינה מלאכותית

שלושה מודלים חדשים

Llama 4 Scout 

Scout מהווה פריצת דרך בעולם המודלים היעילים עם ארכיטקטורת (MoE (Mixture of Experts חדשנית המשלבת 17 מיליארד פרמטרים פעילים ו-16 “מומחים” המגיעים יחד לסך של 109 מיליארד פרמטרים. Scout מציג חלון הקשר מהפכני של 10 מיליון טוקנים, פי חמישים מהמתחרה הקרוב ביותר, המאפשר עיבוד של אלפי עמודי טקסט בבת אחת. יכולת זו הופכת אותו לאידיאלי לניתוח מסמכים מורכבים, בסיסי נתונים גדולים וקטעי קוד שלמים של תוכנות. למרות עוצמתו, המודל מתוכנן לרוץ ביעילות על כרטיס גרפי Nvidia H100 בודד, מה שהופך אותו לנגיש יחסית למפתחים ולארגונים בינוניים.

מהטבלה המצורפת ניתן להסיק כי Llama 4 Scout מציג ביצועים מרשימים ביחס למודלים אחרים, כולל דורות קודמים של Llama ומתחרים מובילים. המודל מצטיין במיוחד במשימות הבנת תמונות (עם ציון 88.8 ב-ChartQA ו-94.4 ב-DocVQA), משיג תוצאות גבוהות במדדי חשיבה וידע (74.3 ב-MMLU Pro ו-57.2 ב-GPQA Diamond), ומציג יכולות מרשימות בעבודה עם הקשר ארוך (MTOB) בהשוואה ל-Gemini 2.0. בולטת במיוחד העובדה שבניגוד לדורות קודמים של Llama (3.3 ו-3.1) שאינם תומכים במולטימודליות, Llama 4 Scout מציע תמיכה מלאה ביכולות אלו ומשיג תוצאות גבוהות במדדים כמו MMMU (69.4) ו-MathVista (70.7). הנתונים מחזקים את מעמדו של Llama 4 Scout כמודל יעיל ורב-תכליתי שמשלב יכולות טקסטואליות וויזואליות מתקדמות:

יתרונות במשימות מולטימודליות וחלון הקשר ארוך

Llama 4 Maverick 

Maverick מייצג את חוד החנית של מודלי הבינה המלאכותית הפתוחים עם 17 מיליארד פרמטרים פעילים ו-128 “מומחים” המגיעים לסך מרשים של 400 מיליארד פרמטרים. המודל מצטיין ביכולות מולטימודליות מתקדמות המאפשרות לו לעבד ולהבין טקסט, תמונות וקטעי וידאו באופן אינטגרטיבי, תוך שימוש בגישת “early fusion” המשלבת את כל סוגי הקלט לרצף אחיד של טוקנים. הישגיו המרשימים הביאו אותו למקום השני בדירוג ChatBot Arena של Hugging Face, מיד אחרי Gemini 2.5, מה שהופך אותו למודל הפתוח המוביל כיום בשוק. Maverick מציג ביצועים מרשימים במיוחד במשימות הדורשות הבנה מעמיקה של תוכן חזותי וטקסטואלי משולב, כמו ניתוח מסמכים עם תרשימים או מענה על שאלות לגבי תכני וידאו.

מהטבלה המצורפת ניתן להסיק כי Llama 4 Maverick מציג ביצועים מרשימים ביחס למתחריו המובילים בשוק. המודל מצטיין במיוחד במשימות הבנת תמונות (עם ציון 90.0 ב-ChartQA ו-94.4 ב-DocVQA), עולה על Gemini 2.0 Flash ברוב המדדים, ומתחרה היטב ב-GPT-4o למרות פער המחיר העצום ($0.19-$0.49 לעומת $4.38 למיליון טוקנים). בתחום הקידוד, Llama 4 Maverick (43.4) מציג ביצועים טובים יותר מ-Gemini (34.5) ו-GPT-4o (32.3), אך נופל מעט מ-DeepSeek (45.8/49.2). בהקשר רב-לשוני, המודל משיג ציון 84.6 ב-Multilingual MMLU, גבוה יותר מ-GPT-4o (81.5). ביכולת עיבוד הקשר ארוך (MTOB), Llama 4 מוביל על פני המתחרים. הנתונים מחזקים את מעמדו של Llama 4 Maverick כמודל הפתוח המוביל בשוק, המציע תמורה מצוינת למחיר:

יתרון משמעותי למודל של מטא במרבית המדדים

מהתרשים המצורף ניתן להסיק כי Llama 4 Maverick 03-26 Experimental מציג ביצועים יוצאי דופן ביחס למחיר שלו. המודל משיג את הציון ELO (מדד להשוואת ביצועים בין מודלי בינה מלאכותית) הגבוה ביותר בהשוואה לכל המודלים האחרים המוצגים, כולל GPT-4.5 Preview ו-GPT-4o, תוך שמירה על עלות נמוכה משמעותית (פחות מ-$0.10 לשימוש). זה ממקם את Llama 4 Maverick בעמדה ייחודית של עליונות ביצועים וכדאיות כלכלית. מודלים אחרים כמו DeepSeek V3.1 ו-Gemini 2.0 Flash מציגים גם הם יחס טוב בין ביצועים לעלות, אך נופלים מ-Llama 4 Maverick בציון ה-ELO. מנגד, מודלים כמו GPT-4.5 Preview ו-GPT-4o מציגים ביצועים גבוהים אך בעלות גבוהה משמעותית, מעל $10 ואף $100 לשימוש. התרשים מדגיש את היתרון התחרותי המשמעותי של Llama 4 Maverick בשוק מודלי הבינה המלאכותית:

הציון הגבוה ביותר והעלות הנמוכה ביותר

Llama 4 Behemoth 

Behemoth מסמן את העתיד של מודלי בינה מלאכותית בקנה מידה ענק עם 288 מיליארד פרמטרים פעילים ו-16 “מומחים” המגיעים לסך מדהים של כ-2 טריליון פרמטרים. המודל מתוכנן להתחרות ישירות במודלים המובילים תוך שמירה על הגישה הפתוחה של מטא. המודל צפוי להציג יכולות מתקדמות בהבנת שפה טבעית, פתרון בעיות מורכבות, ויכולות הנמקה והסקה ברמה שטרם נראתה במודלים פתוחים. עם השלמת האימון, המודל עשוי לשנות את כללי המשחק בתעשייה ולהנגיש יכולות בינה מלאכותית מתקדמות למפתחים וארגונים שעד כה נאלצו להסתמך על שירותים קנייניים יקרים.

מהטבלה המצורפת ניתן להסיק כי Llama 4 Behemoth מציג ביצועים מרשימים ביותר בהשוואה למתחריו המובילים – Claude Sonnet 3.7, Gemini 2.0 Pro ו-GPT-4.5. המודל מוביל בכל קטגוריות הבנצ’מרק שנבדקו, עם הישגים בולטים במיוחד במתמטיקה (MATH-500) עם ציון מרשים של 95.0, לעומת 91.8 של Gemini ו-82.2 של Claude. גם ביכולות קידוד (LiveCodeBench) המודל משיג 49.4, הרבה מעל Gemini (36.0). בתחומי הידע והחשיבה (MMLU Pro, GPQA Diamond), הבנה רב-לשונית (Multilingual MMLU) וחשיבה ויזואלית (MMMU), Llama 4 Behemoth מציג עליונות עקבית על פני המתחרים. התוצאות מאשרות את הצהרתו של צוקרברג שמדובר ב”מודל הבסיס בעל הביצועים הגבוהים ביותר בעולם”, אפילו בטרם הושלם האימון שלו במלואו:

עליונות בכל הקטגוריות הנבדקות

מה החידושים הטכנולוגיים המרכזיים?

ארכיטקטורת Mixture of Experts (MoE)

הסוד מאחורי העוצמה והיעילות של מודלי Llama 4 טמון בארכיטקטורת ה-MoE (Mixture of Experts או תערובת של מומחים) החדשנית שלהם. דמיינו לעצמכם צוות של מומחים מתחומים שונים, כאשר בכל רגע נתון רק המומחים הרלוונטיים למשימה מתעוררים לפעולה. כך בדיוק פועלת הארכיטקטורה הזו – המודל מורכב ממספר רב של רשתות עצביות מתמחות, אך במקום להפעיל את כולן בו-זמנית, הוא מפעיל באופן סלקטיבי רק את אלו הנדרשות למשימה הספציפית. כשאתם מבקשים מהמודל לכתוב קוד, למשל, הוא מגייס את המומחים לתכנות בעוד שהמומחים לניתוח תמונות או לכתיבה יצירתית נשארים במצב רדום, חוסכים אנרגיה ומשאבי מחשוב יקרים. גישה חכמה זו מאפשרת למודלים להגיב במהירות מפתיעה למרות גודלם העצום, ובה בעת לשמר רמת אינטליגנציה גבוהה. היתרון המעשי הוא ברור – ארגונים יכולים להטמיע את המודלים בסביבות ייצור אמיתיות מבלי להתפשר על ביצועים או לסבול מעיכובים משמעותיים, מה שהופך את טכנולוגיית ה-MoE לאחד החידושים המשמעותיים ביותר בדור החדש של מודלי הבינה המלאכותית.

חלון הקשר עצום

האם אתם מסוגלים לקרוא 15,000 עמודים ולזכור כל פרט מהם? זה בדיוק מה שמודל Llama 4 Scout מסוגל לעשות הודות לחלון ההקשר המהפכני שלו של 10 מיליון טוקנים. זו קפיצת מדרגה אדירה בעולם הבינה המלאכותית. חשבו על זה – בעוד שהמודל המתקדם של OpenAI מוגבל ל-128,000 טוקנים בלבד, Llama 4 Scout מרחיב את האופקים פי 78. מאחורי הקלעים, מהנדסי מטא השיגו את הפריצה המרשימת הזו באמצעות ארכיטקטורת iRoPE החדשנית (interleaved Rotary Position Embeddings), טכנולוגיה מתוחכמת המשלבת שכבות תשומת לב (Attention) מיוחדות שפועלות ללא הטמעות מיקום (Positional Embeddings) מסורתיות. המודל משתמש בטכניקת סקיילינג לטמפרטורה חכמה בזמן אמת (real-time temperature scaling), המאפשרת לו להבין טקסטים ארוכים במיוחד. היכולת לעבד ולהבין כמויות עצומות של מידע בבת אחת פותחת אפשרויות חדשות לגמרי – מניתוח ספרים שלמים, דרך סקירת מאגרי מידע רפואיים ענקיים, ועד לבחינת קודבסים מורכבים של תוכנות מסחריות. זוהי לא רק התקדמות טכנית – זהו שינוי פרדיגמה בדרך שבה בינה מלאכותית יכולה לעבוד עם מידע בעולם האמיתי.

מולטימודליות מובנית

בניגוד לדורות קודמים שהוסיפו יכולות ויזואליות כתוספת חיצונית, מודלי Llama 4 נולדו מולטימודליים מהיסוד, עם ארכיטקטורה שמשלבת הבנת טקסט וראייה באופן אורגני לחלוטין. הסוד טמון בגישת ה-“early fusion” החדשנית, שבה המודל אינו מבחין בין סוגי מידע שונים – במקום זאת, הוא רואה תמונות, טקסט וקטעי וידאו כרצף אחיד ושלם של טוקנים. דמיינו לעצמכם שיחה עם חבר שמבין באופן טבעי את התמונה ששלחתם, את הטקסט שכתבתם, ואת הסרטון שצירפתם – כל זאת ללא מאמץ וללא “תפרים” מלאכותיים. זוהי בדיוק החוויה שמציעים מודלי Llama 4. היכולת המשולבת הזו מאפשרת למודלים להצטיין במשימות מורכבות במיוחד – הם יכולים לנתח מסמכים עסקיים עמוסי תרשימים, לפענח מאמרים מדעיים עם גרפים מורכבים, ואפילו לצפות בסרטון ולענות על שאלות מעמיקות הן על התוכן החזותי והן על הדיאלוגים. זוהי לא רק התקדמות טכנולוגית – זוהי קפיצת מדרגה בדרך שבה בינה מלאכותית מתקשרת עם העולם הרב-ממדי שלנו.

ביצועים ותמיכה בשפות

Llama 4 מתקרב לחזון האוניברסלי של צוקרברג עם תמיכה מרשימה ב-12 שפות מגוונות מרחבי העולם. מערבית ועד ויאטנמית, מהינדי ועד ספרדית, המודלים החדשים מגשרים על פערים תרבותיים ולשוניים באופן שלא נראה קודם במודלים פתוחים. מאחורי היכולות המרשימות הללו עומד תהליך אימון מסיבי על למעלה מ-30 טריליון טוקנים – כמות מידע מסחררת שהיא פי שניים ממה שהוזן לדור הקודם, Llama 3. המודלים לא רק “ראו” טקסטים בשפות שונות, אלא גם נחשפו למיליארדי תמונות וקטעי וידאו, מה שמעניק להם הבנה עשירה ומורכבת של העולם. התוצאות מדברות בעד עצמן – לפי נתוני מטא, Llama 4 Maverick מציג ביצועים עדיפים על מתחריו היוקרתיים כמו GPT-4o של OpenAI ו-Gemini 2.0 של Google במגוון תחומים קריטיים – מקידוד מורכב ועד חשיבה לוגית, מהתמודדות עם טקסטים ארוכים במיוחד ועד ניתוח תמונות מדויק. המודל מצטיין במיוחד במשימות רב-לשוניות, שם הוא מפגין הבנה עמוקה של ניואנסים תרבותיים ולשוניים שבדרך כלל אובדים בתרגום. עבור משתמשים מרחבי העולם, המשמעות היא פשוטה – גישה לטכנולוגיית בינה מלאכותית מתקדמת שסוף-סוף מבינה אותם בשפתם הטבעית.

יכולות באיתור מידע ספציפי (Needle-in-a-haystack – NIAH)

מהתרשים המצורף ניתן להסיק כי מודלי Llama 4 מציגים יכולות מרשימות במציאת מידע ספציפי (Needle-in-a-haystack) בתוך הקשרים ארוכים. Llama 4 Maverick מצליח לאחזר מידע בדיוק גבוה עד 1 מיליון טוקנים, עם כשלונות מינימליים (רק שניים) באזור ה-79%-86% מעומק הטקסט. Llama 4 Scout מציג ביצועים מושלמים באחזור מידע טקסטואלי לאורך 10 מיליון טוקנים, ללא כשלונות כלל. בנוסף, Llama 4 Scout מציג יכולת מרשימה גם באחזור מידע מתוך קטעי וידאו ארוכים עד 20 שעות (10.4 מיליון טוקנים), עם רק שלושה כשלונות בודדים. התוצאות מדגימות את היתרון המשמעותי של חלון ההקשר הענק של מודלי Llama 4 ואת יעילותם באחזור מידע מדויק מתוך מאגרי מידע גדולים במיוחד:

הצלחה כמעט מושלמת לאורך מיליוני טוקנים

זמינות ורישוי

רוצים לשים ידיים על הטכנולוגיה המתקדמת ביותר בעולם הבינה המלאכותית הפתוחה? מודלי Llama 4 Scout ו-Maverick זמינים כבר עכשיו להורדה באמצעות שני ערוצים מרכזיים – אתר Llama הרשמי ופלטפורמת Hugging Face המוכרת למפתחים. הגישה הנוחה מאפשרת למפתחים ולארגונים להתחיל לעבוד עם המודלים המתקדמים הללו כמעט מיד. מטא לא הסתפקה רק בשחרור המודלים לקהילה – החברה כבר שדרגה את העוזר האישי שלה, Meta AI, לעבוד עם Llama 4 ב-40 מדינות שונות ברחבי העולם. עם זאת, המשתמשים צריכים לקחת בחשבון שהתכונות המולטימודליות המתקדמות ביותר מוגבלות בשלב זה לדוברי אנגלית בארצות הברית בלבד. למרות שמטא מציגה את Llama 4 כ”קוד פתוח”, חשוב להכיר את המגבלות המשמעותיות שמלוות את הרישיון: ארגונים מסחריים גדולים במיוחד – אלה עם יותר מ-700 מיליון משתמשים פעילים מדי חודש – חייבים לקבל אישור מיוחד ממטא לפני שהם יכולים להשתמש במודלים. מגבלה משמעותית נוספת היא האיסור המוחלט על יחידים וחברות באיחוד האירופי להשתמש או להפיץ את המודלים – מגבלה שנובעת ככל הנראה מהתנגשות עם דרישות רגולטוריות מחמירות של חקיקת הבינה המלאכותית ופרטיות הנתונים האירופית. למרות המגבלות הללו, Llama 4 מייצג עדיין את אחת ההזדמנויות הגדולות ביותר לארגונים ומפתחים להשתמש בטכנולוגיית בינה מלאכותית מתקדמת ללא עלויות API גבוהות.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס מקיף לבינה מלאכותית - GenAI Master

לפרטים נוספים לחצו כאן >>

לסיכום, השקת Llama 4 מהווה נקודת מפנה בעולם הבינה המלאכותית הפתוחה, עם שלושה מודלים חדשניים – Scout, Maverick, וה-Behemoth העתידי. חידושים טכנולוגיים כמו ארכיטקטורת MoE, חלון הקשר של 10 מיליון טוקנים, ויכולות מולטימודליות מתקדמות מציבים את מטא בחזית החדשנות. עם תמיכה ב-12 שפות ואימון על למעלה מ-30 טריליון טוקנים, המודלים מתחרים ביעילות במובילי השוק. השקעה מתוכננת של 65 מיליארד דולר בתשתיות AI משקפת את מחויבותה של מטא לקדמה טכנולוגית. למרות מגבלות מסוימות על השימוש, בעיקר באיחוד האירופי ועבור תאגידי ענק, מטא ממשיכה במסורת הקוד הפתוח. הביצועים המרשימים של Llama 4 מציבים אתגר משמעותי למתחרים ומקדמים את חזונו של צוקרברג להנגשת AI מתקדמת לכלל האוכלוסייה. עם תכניות להקמת מרכז נתונים עצום והרחבת יכולות המחשוב, מטא מתכוננת להוביל את מהפכת ה-AI בשנים הקרובות.

הפוסט מטא משחררת את Llama 4 – דור חדש של מודלי בינה מלאכותית פתוחים הופיע ראשון בLet's AI בינה מלאכותית

Think you know Gemini? Think again.

Meet Gemini 2.5: our most intelligent model The first release is Pro Experimental, which is state-of-the-art across many benchmarks – meaning it can handle complex problems and give more accurate responses.

Try it now →… pic.twitter.com/bFcx0IlY24

— Google DeepMind (@GoogleDeepMind) March 25, 2025

מודל חשיבה

מה שמייחד את ג’מיני 2.5 הוא התכנון שלו כ”מודל חשיבה” שמנתח בעיות לפני מתן תשובה. גישה זו מאפשרת ביצועים משופרים ודיוק מוגבר במגוון משימות.

בפיתוח בינה מלאכותית, יכולות הנמקה חורגות מסיווג ותחזית פשוטים, ומאפשרות למערכת לנתח מידע, להסיק מסקנות לוגיות, לשלב הקשר וניואנסים, ולקבל החלטות מושכלות. גוגל בנתה על עבודה קודמת עם למידה מחיזוקים וטכניקות שרשרת-מחשבה (CoT), בהמשך למודל החשיבה המוקדם שלהם, ג’מיני 2.0 Flash Thinking.

רמת הביצועים החדשה בג’מיני 2.5 מגיעה משילוב של מודל בסיס משופר משמעותית עם טכניקות אימון-משני מתקדמות. גוגל מתכננת לשלב יכולות חשיבה אלו ישירות בכל המודלים שלה כדי להתמודד עם בעיות מורכבות יותר ולתמוך בסוכנים מודעי-הקשר מתקדמים יותר.

ביצועים במדדי השוואה

ג’מיני 2.5 Pro מציג ביצועים מרשימים במגוון רחב של מדדי השוואה, מה שמדגים את יכולותיו המתקדמות בתחומי הנמקה, מדע, מתמטיקה ותכנות. במבחן “המבחן האחרון של האנושות”, המודל משיג תוצאה של 18.8%, גבוה משמעותית ממתחריו. בתחום המדע, הוא מוביל ב-GPQA diamond עם 84%, ובמתמטיקה מציג ביצועים מעולים ב-AIME 2025 ו-2024. אפילו בתחומים מאתגרים כמו קידוד ועריכת קוד, ג’מיני 2.5 Pro מציג תוצאות מרשימות. מעניין במיוחד לראות את יכולותיו בהבנת הקשר ארוך (MRCR) ובמשימות מולטימודליות (MMMU), שם הוא משיג תוצאות גבוהות במיוחד.

טבלת ההשוואה מדגימה בבירור את מעמדו המוביל של ג’מיני 2.5 Pro בנוף הבינה המלאכותית העכשווי:

השוואת ביצועי ג’מיני 2.5 Pro למודלים מתחרים. Credit: Google Blog

יכולות מתקדמות

ג’מיני 2.5 Pro מצטיין ביצירת אפליקציות ווב מרשימות חזותית ויישומי קוד סוכני, לצד יכולות המרה ועריכת קוד.

המודל מגיע עם חלון הקשר של מיליון טוקנים, עם תוכניות להרחיב ל-2 מיליון טוקנים בקרוב. חלון ההקשר הנרחב הזה מאפשר למשתמשים להזין מספר ספרים ארוכים בהנחיה אחת, כאשר הפלט מוגבל ל-64,000 טוקנים. המודל יכול להבין מאגרי נתונים עצומים ולטפל בבעיות מורכבות ממקורות מידע שונים, כולל טקסט, אודיו, תמונות, וידאו ואפילו מאגרי קוד שלמים.

הדגמה מרשימה אחת מראה את המודל יוצר משחק וידאו מתפקד במלואו מהנחיה בודדת:

זמינות וגישה

ג’מיני 2.5 Pro כבר זמין לשימוש במספר פלטפורמות, מה שמאפשר למגוון משתמשים לנצל את יכולותיו המתקדמות. מפתחים וארגונים יכולים לגשת למודל דרך Google AI Studio, בעוד שמשתמשים פרטיים יכולים ליהנות ממנו דרך אפליקציית ג’מיני כחלק ממנוי Gemini Advanced במחיר של 20 דולר לחודש. בנוסף, גוגל עובדת על הרחבת הזמינות ומתכננת להשיק את המודל בפלטפורמת Vertex AI בשבועות הקרובים. החברה גם צפויה לפרסם בקרוב פרטי תמחור מדויקים שיאפשרו שימוש במודל עם מגבלות קצב שונות, מה שיתאים לצרכים שונים של פיתוח ויישום בקנה מידה גדול.

ג’מיני 2.5 Pro מסמן עוד נקודת מפנה משמעותית בהתפתחות הבינה המלאכותית, ומציב רף חדש למה שמודלים מתקדמים מסוגלים להשיג. עם יכולות חשיבה והנמקה פורצות דרך, ביצועים מובילים במגוון מדדים, ויכולת לעבד הקשרים ארוכים ומידע מולטימודלי, המודל החדש של גוגל פותח אפשרויות חדשות לפתרון אתגרים מורכבים. ככל שהטכנולוגיה ממשיכה להתקדם, ג’מיני 2.5 Pro לא רק מדגים את ההישגים הנוכחיים בתחום, אלא גם מרמז על העתיד המבטיח של מערכות בינה מלאכותית שמשלבות חשיבה מעמיקה עם יכולות ביצוע מעשיות. זהו צעד משמעותי קדימה בחזון של גוגל ליצירת בינה מלאכותית שמסייעת לאנושות להתמודד עם האתגרים המורכבים ביותר של עולמנו.

הפוסט הכירו את ג׳מיני 2.5 – מודל הבינה המלאכותית המתקדם ביותר של גוגל הופיע ראשון בLet's AI בינה מלאכותית

מה באמת בודק המחקר?

המאמר שפורסם תחת השם “The Cybernetic Teammate” מתאר ניסוי שדה בהיקף יוצא דופן, שבחן כיצד בינה מלאכותית גנרטיבית משנה את דפוסי העבודה בצוותים של עובדי ידע. את המחקר הובילו חוקרים ממספר מוסדות יוקרתיים, בהם הרווארד (Harvard), וורטון (Wharton), ו-ESSEC, בשיתוף פעולה הדוק עם חברת פרוקטר אנד גמבל – אחת החברות הגלובליות המובילות בתחום מוצרי הצריכה.

עבודת צוות נחשבת לאבן יסוד בארגונים מבוססי ידע. בין אם מדובר ביצירת מוצרים חדשים, פתרון בעיות מורכבות או תכנון אסטרטגי – שיתוף הפעולה האנושי נתפס כדרך היחידה להתמודד עם משימות הדורשות גיוון מחשבתי, שילוב בין תחומים, והנעה רגשית. אך מה קורה כשמכניסים לתוך המערכת הזו שותף מלאכותי, שמסוגל ליצור, לנתח ולהציע פתרונות – לעיתים ברמה שלא נופלת מזו של בני אדם? המחקר ביקש לבחון שלוש שאלות מרכזיות:

1. האם השימוש ב-GenAI יכול לשפר את איכות העבודה – בדומה לעבודה בצוותים אנושיים?
2. האם הכלי מסוגל לסייע בשיתוף והרחבת תחומי מומחיות בין בעלי תפקידים שונים?
3. והאם אינטראקציה עם AI יכולה להוות תחליף מסוים לתחושת החיבור וההנעה שמספקת עבודת צוות אנושית?

עיצוב הניסוי

כדי לענות על השאלות הללו, החוקרים תכננו ניסוי שדה ייחודי, שכלל 776 עובדים מחברת פרוקטר אנד גמבל. הניסוי התקיים כחלק מתהליך אמיתי של פיתוח מוצרים חדשים בחברה, כך שכל משתתף עסק באתגרים רלוונטיים לתחום התמחותו ולקו המוצרים שבו הוא עוסק ביום-יום.

המשתתפים חולקו באופן אקראי לארבע קבוצות, בהתאם למבנה ניסוי של 2×2:

• בודדים ללא בינה מלאכותית.
• צוותים (אדם + אדם) ללא בינה מלאכותית.
• בודדים עם בינה מלאכותית.
• צוותים (אדם + אדם) עם בינה מלאכותית.

הגרף הבא מציג את מבנה הניסוי שערכו החוקרים. שיטת המחקר הזו אפשרה לבודד ולבחון את ההשפעה של AI באופן ברור ומדויק, תוך השוואה בין ביצועי המשתתפים בכל אחד מהמצבים. כך ניתן היה לבחון גם את ההשפעה של עבודת צוות מול עבודה לבד, וגם את ההשפעה של שימוש ב-AI מול עבודה אנושית בלבד:

הכלי שבו השתמשו המשתתפים היה גרסה מבוססת GPT-4 של OpenAI, שהוטמעה במערכות Azure של מייקרוסופט. כל משתתף בקבוצות שהשתמשו בבינה מלאכותית קיבל הדרכה מסודרת לשימוש בכלי – כולל הנחיות כתובות ודוגמאות לשאילתות רלוונטיות. במהלך הניסוי, נדרשו המשתתפים להציע פתרונות חדשניים למגוון אתגרי פיתוח אמיתיים, כמו רעיונות למוצרים, חידושי אריזה, דרכי תקשורת שיווקית, או אסטרטגיות להפצה קמעונאית. כל צוות הורכב מאיש שיווק ואיש מחקר ופיתוח, כך שהשאלות של שיתוף מומחיות ועבודת צוות בין-תחומית עמדו בלב התהליך.

מה גילו החוקרים? שלושה ממצאים שמזיזים את הגבולות

אז מה קורה כשמכניסים מודל שפה לצוות של אנשי שיווק ומו”פ? מסתבר שלא מעט. לא רק ש-AI מצליח להשתלב בשולחן העבודה, אלא שהוא גם מתפקד כשותף אמיתי – כזה שאפשר לסמוך עליו, להיעזר בו ולפעמים אפילו להעדיף אותו על פני שותף בשר ודם.

1. ביצועים: מי צריך צוות כשיש GPT?

התוצאה הבולטת ביותר בניסוי הייתה זו שגרמה להרבה גבות להתרומם – ובצדק. בודדים שעבדו עם GenAI הפיקו פתרונות שהיו לא פחות טובים (ולפעמים טובים יותר) מאלה של צוותים אנושיים שפעלו ללא AI. רגע, נקרא את זה שוב לאט: אדם אחד עם בינה מלאכותית – הצליח כמו שני בני אדם יחד. המשמעות? מודל שפה, עם קוד רץ ומטריצה של מיליארדי פרמטרים, יכול להחליף שותף אנושי באפקטיביות מרשימה. זו לא תיאוריה – אלה נתונים אמפיריים. ואם זה לא מספיק, השימוש ב-AI גם חסך בזמן. פחות עבודה, יותר תוצאה. אוקיי, זה כבר נשמע כמו התחלה של משבר זהות עבור צוותי חדשנות.

הגרף הבא ממחיש בצורה ברורה עד כמה שילוב של AI משפיע על יעילות העבודה. ניתן לראות בבירור כיצד משתתפים שעבדו לבד או בצוות עם AI חסכו זמן משמעותי בהשוואה לאלו שלא השתמשו ב-AI. המסקנה ברורה: שימוש מושכל ב-AI יכול לקצר משמעותית את משך העבודה ולהשאיר יותר זמן למשימות החשובות באמת:

2. שיתוף והרחבת מומחיות: AI, המאחד בין עולמות

אם בעבר אנשי שיווק נטו להציע רעיונות שיווקים, ואנשי R&D להיצמד לפתרונות טכנולוגיים – הבינה המלאכותית שיבשה את המודל הזה בצורה מרהיבה. המשתתפים שנעזרו ב-AI הפיקו רעיונות שהיו פחות “צבועים” בצבעי המקצוע שלהם ויותר מאוזנים, רחבים ורב-תחומיים. כמו מגשר שמחבר בין שני קצוות, ה-AI אפשר לרעיונות לזלוג בין המחלקות ולפרוץ את גבולות התפקיד. ולא מדובר רק באיזון אסתטי. כשאיש שיווק מעלה רעיון שמבוסס על היגיון טכנולוגי, או מהנדס חושב על בידול שיווקי – נוצרת חוויה של שילוב מוחי שלא מצריכה עוד שיחה עם קולגה. בקיצור, AI הפך למעין “מתאם בין-מחלקתי” בתוך הראש של כל עובד.

3. חוויות רגשיות: כן, אפילו ההתלהבות מדבקת

רבים מאתנו רגילים לחשוב על טכנולוגיה כמשהו יבש, קר, כזה ש”עושה את העבודה” אבל לא מוסיף לה צבע. המחקר הזה מפריך גם את זה. משתתפים שעבדו עם GenAI דיווחו על רמות גבוהות יותר של התלהבות, אנרגיה ותחושת מעורבות – ועל פחות תסכול, חרדה ומתח. המסר? זה לא רק שה-AI עוזר – הוא גם עושה את זה בנועם. אולי זה נובע מהאינטראקציה השוטפת, אולי מהתגובות המהירות, ואולי מהתחושה ש”יש עם מי לדבר” גם כשעובדים לבד. כך או כך, אם פעם אמרנו ש”צוות טוב הוא גם צוות שנעים לעבוד בו”, אז מסתבר שגם אלגוריתם יכול להיות כזה.

הגרף הבא ממחיש את השיפור ברגשות החיוביים של המשתתפים במהלך המשימה. כפי שניתן לראות, שימוש ב-AI, במיוחד בצוותים, העלה באופן ניכר את רמות ההתלהבות, האנרגיה והתחושות הטובות בהשוואה לעבודה ללא AI. זהו בהחלט נתון משמעותי שמדגיש כי AI יכול לתרום לא רק לתוצאות, אלא גם לחוויית עבודה מהנה ומספקת יותר:

שיפור ברגשות החיוביים. Credit: papers.ssrn.com

חריגים ועמדות יוצאות דופן: היכן שה-AI באמת פורח

אם יש משהו שהמנהלים אוהבים לראות זה לא רק “עבודה טובה” – אלא הברקות. אותם רעיונות חריגים, יצירתיים, שעושים הבדל אמיתי. ובכן, גם כאן ה-AI הפגין תעוזה. צוותים שעבדו בשיתוף פעולה עם GenAI היו בעלי סיכוי גבוה משמעותית להניב פתרונות שהגיעו לעשירון העליון – כלומר, לא רק טובים, אלא מצוינים ממש. למה זה מעניין? כי זה מרמז שהשילוב בין בני אדם לאלגוריתמים לא רק משפר ממוצעים – אלא פותח שער לפתרונות פורצי דרך. לא עוד רק “עזרה עם ניסוח” או “תיקון שגיאות כתיב”, אלא טריגר לחשיבה אחרת, גמישה, כזו ששוברת את התבנית.

ומנגד, בדיוק כאן גם צץ הפרדוקס. המשתמשים שעבדו עם AI אמנם סיפקו תוצרים איכותיים יותר – אבל הרגישו פחות בטוחים בעצמם. פחות העריכו את מה שהוציאו מתחת לידיהם. ייתכן שזה נובע מתחושת “לא באמת אני עשיתי את זה” או מחוסר היכרות עם המדדים האובייקטיביים. כך או כך, יש פה לקח חשוב: גם אם האלגוריתם עושה עבודה מצוינת – התחושה הסובייקטיבית שלנו, בני האדם, עדיין דורשת תשומת לב.

הגרף הבא ממחיש כיצד איכות הפתרונות משתפרת משמעותית כאשר נעזרים ב-AI, בין אם באופן פרטני או בעבודת צוות. במיוחד בולטת ההשפעה החיובית על צוותים שמשתמשים ב-AI, אשר השיגו את האיכות הגבוהה ביותר. התמונה ברורה: שילוב AI בתהליכי העבודה לא רק חוסך זמן אלא גם מוביל לתוצרים איכותיים ויצירתיים יותר:

שימושים ודפוסי עבודה עם AI: לא כולם מעתיקים-מדביקים

עוד נדבך מרתק במחקר עסק בשאלה: איך בעצם משתמשים ב-AI? האם כולם פשוט שואלים שאלה ומעתיקים את התשובה כמו שהיא? התשובה מורכבת יותר – וטוב שכך. יש מי ששמרו כמעט את כל מה שהמודל הציע. לפעמים כי זה היה פשוט מדויק, לפעמים כי לא היה להם מה להוסיף. לעומתם, אחרים התייחסו ל-AI כשותף סיעור מוחות: קיבלו רעיונות, התלבטו, חשבו איתו בקול, ואז כתבו הכל בעצמם. בין לבין, היו גם כאלה ששילבו – מעט מכאן, קצת משם.

המסקנה? לא מדובר בכניעה טכנולוגית, אלא בדינמיקה חדשה של שיתוף פעולה. ה-AI לא מחליף את האדם, אלא משתלב איתו במשחק אינטראקטיבי. הוא לא מתכנת במקום מהנדס, לא כותב במקום משווק – אלא מציע, מתווך, מדייק, ומאפשר. העבודה הופכת לפחות “אני או הוא” ויותר “ביחד, נגיע רחוק יותר”.

לא רק שותף – אלא שותף מחדש

בואו נעצור רגע ונביט בתמונה הגדולה. אם אדם בודד, חמוש בבינה מלאכותית, מצליח לייצר תוצרים באיכות של צוות שלם – מה זה אומר על המבנה הארגוני שאנחנו רגילים אליו? האם באמת נדרשים שלושה אנשי צוות, ישיבת זום, תיאום יומנים ושרשור מיילים אינסופי – כשאפשר להשיג תוצאה דומה (או טובה יותר) בשיחה אחת עם אלגוריתם?

התשובה, כמובן, מורכבת יותר. לא מדובר כאן בקריאה לבטל צוותים או לסגור מחלקות, אלא בהזמנה לבחון מחדש את הקונספט של שותפות מקצועית. ייתכן שצוותים קטנים יותר, עם שילוב חכם של AI, יניבו תוצרים מהירים, מדויקים ומגוונים יותר. אולי בכלל נתחיל לראות תפקידים חדשים – כמו “מאמן AI לצוותים” או “מתווך אלגוריתמי”.

ומה לגבי השילוב בין אדם לאדם, יחד עם AI? כאן מצאנו את נקודת האיזון המושלמת. התוצרים האיכותיים ביותר נולדו דווקא כשהצוותים לא ויתרו על האנושי, אבל גם לא נרתעו מהמלאכותי. זו לא תחרות – אלא קומבינציה. AI שלא פועל לבד, אלא יחד עם שניים שמבינים גם זה את זו, וגם אותו.

והנה נקודת המפנה: לא מדובר בשדרוג קטן של האופן שבו אנחנו עובדים – אלא בהזזה של הפרדיגמה. ה-AI כבר לא יושב מאחורי הקלעים כעוד כלי תומך. הוא עולה לבמה, משתתף אקטיבי, מחליף תפקידים, מרכך פערים, ולעיתים אף גונב את ההצגה. השאלה היא לא אם זה יקרה – אלא איך אנחנו כארגונים ואנשים נבחר להתמודד עם זה.

בסופו של דבר, קשה להתעלם מהשינוי התודעתי שמביאה איתה הבינה המלאכותית הגנרטיבית: היא לא רק עוזרת לנו לעבוד – היא משנה את מהות העבודה עצמה. היא לא מחליפה שותפים, אלא מאלצת אותנו לשאול מחדש מה זה בכלל “שותף”. מחקר כמו זה שנערך בפרוקטר אנד גמבל מדגים עד כמה עמוק השינוי הזה חודר – לביצועים, למומחיות, לרגש האנושי. זהו לא עוד כלי עבודה, אלא קול בצוות. וייתכן שבעתיד הקרוב, בישיבת הצוות הבאה, תצטרכו לא רק לחבר את הלפטופ – אלא גם להפעיל את ה-AI, כי הוא כבר לא בגדר תוספת. הוא חלק מהשולחן.

הפוסט השותף הקיברנטי – מה קורה כשה-AI הופך לחבר צוות מן המניין? הופיע ראשון בLet's AI בינה מלאכותית

סוכני הבינה המלאכותית כבר כאן: מה הם באמת מסוגלים לעשות?

אנחנו עומדים על סף נקודת מפנה היסטורית, והפעם זה לא סתם סיסמה. עולם העבודה, הצרכנות והטכנולוגיה עומד בפני שינוי עמוק עם כניסתם של סוכני הבינה המלאכותית – מערכות חכמות שפועלות באופן אוטונומי כדי לבצע משימות שבעבר דרשו התערבות אנושית.

אם עד היום התרגלנו לעוזרים דיגיטליים כמו צ’אטבוטים או כלי השלמה אוטומטית במקלדת, השנה הקרובה צפויה להביא איתה סוכנים אינטליגנטיים שיוכלו לנהל תקשורת עם לקוחות, לנתח מידע כלכלי, להפיק מסמכים משפטיים, ואפילו לכתוב קוד באופן עצמאי. דיווחים ראשוניים מצביעים על כך שסוכנים אלה מסוגלים לקצר משימות בכ-40%, מה שהופך אותם לכלים מבוקשים בכל מגזר עסקי.

הנתונים מדברים בעד עצמם: התחזיות צופות ששוק סוכני הבינה המלאכותית יגיע לשווי של 47 מיליארד דולר עד שנת 2030, עם קצב צמיחה שנתי של כ-34%. חברות כבר משקיעות מיליארדים בפיתוח כלים חכמים יותר, ונראה שזה רק קצה הקרחון.

ומה המחיר? ההשלכות על שוק העבודה

כמו בכל מהפכה טכנולוגית, יש גם צד שני למטבע. ככל שהמכונות משתפרות, עולות שאלות מטרידות על תפקידו של האדם בעולם החדש. האם אנחנו מתקדמים לעבר עתיד שבו נצטרך להמציא מחדש את עצמנו כדי להישאר רלוונטיים? או שאולי המהפכה תיצור הזדמנויות חדשות שלא דמיינו?

מחקר של גרטנר מגלה ש-70% מהעובדים ברחבי העולם חשים שאין להם את הכישורים הנדרשים כדי לעבוד לצד מערכות בינה מלאכותית. החשש הזה אינו חסר בסיס – לפי תחזיות עדכניות, 25% מהמשרות המוכרות לנו כיום צפויות להיעלם עד 2027. והפעם לא מדובר רק על תפקידים אדמיניסטרטיביים או פקידותיים, אלא גם על מקצועות עם “צווארון לבן” – משפטנים, אנליסטים ואפילו מתכנתים.

אם בעבר חשבנו שתפקידים הדורשים מומחיות אנושית יהיו חסינים, הרי שכיום המגמה מראה אחרת. תוכנות AI מסוגלות כבר לנסח מסמכים משפטיים, לזהות דפוסים בשוק ההון ולכתוב קוד באיכות גבוהה. עובדה זו מאיימת על מקצועות רבים, אך גם עשויה להוביל לתפקידים חדשים שדורשים הבנה מעמיקה יותר של אינטראקציה עם מכונות.

הבינה המלאכותית הכללית (AGI): מתי זה יקרה ומה זה אומר לנו?

בתוך כל ההתקדמות המהירה הזו, עולה שאלה קריטית: האם נגיע בקרוב לבינה מלאכותית כללית (AGI) – מערכת שתוכל לבצע כל משימה קוגניטיבית שאדם יכול לבצע, ואולי אף טוב יותר?. מדובר בשלב שבו מכונה לא רק תבצע משימות ספציפיות אלא תוכל ללמוד, להסתגל ולחשוב באופן עצמאי, ללא הכוונה אנושית ישירה.

סם אלטמן, מנכ”ל OpenAI, הכריז לאחרונה שהוא מאמין שהפריצה הגדולה עשויה להגיע כבר השנה. אם אכן נגיע ל-AGI, השינוי יהיה דרמטי בהרבה מכל מה שהכרנו עד כה – תעשיות שלמות עשויות להשתנות מהיסוד, ומקצועות רבים יושפעו.

עם זאת, לא כולם שותפים לאופטימיות הזו. מחקר אקדמי מצא כי 58% מהחוקרים מאמינים שנגיע לבינה כללית רק אחרי 2030, כך שיש לנו עוד זמן להתכונן. ההבדלים בתחזיות משקפים את חוסר הוודאות העצום בתחום, אך מה שברור הוא שהשינוי בלתי נמנע.

מה נשאר לנו? הערך האנושי שלא ניתן להחלפה

דווקא בעידן שבו מכונות הופכות חכמות מאי פעם, הערך האנושי הופך להיות הדבר הנדיר והיקר ביותר. זה אולי נשמע פרדוקסלי, אך ככל שהבינה המלאכותית משתכללת, כך מתחדדת ההבנה שיש דברים שרק בני אדם יכולים לעשות באמת.

תכונות כמו אמפתיה, יצירתיות, אינטואיציה וחשיבה ביקורתית הן מה שמבחין אותנו מהמכונה. אמנם בינה מלאכותית יכולה להפיק טקסטים, לזהות דפוסים ולפתור בעיות חישוביות במהירות מסחררת – אך היא אינה יכולה להבין רגשות, לקבל החלטות מוסריות או לפתח תובנות יצירתיות מקוריות באמת.

איך מתכוננים לשנה הקרובה?

כדי להתמודד עם העתיד, הגישה הנכונה היא לא להתנגד לבינה מלאכותית, אלא ללמוד לעבוד איתה. ההיסטוריה מלמדת אותנו שכל טכנולוגיה חדשה שינתה את שוק העבודה, אך גם יצרה תפקידים חדשים. זה נכון גם לגבי הבינה המלאכותית – השאלה היא מי ידע לנצל אותה לטובתו ומי יישאר מאחור.

אז מה עושים בפועל?

• לומדים לעבוד עם כלים חכמים – מי שישלוט בטכנולוגיה הזו, יוכל להפוך אותה לכלי עוצמתי שיגדיל את הפרודוקטיביות שלו.
• משקיעים בפיתוח מיומנויות רכות – מיומנויות כמו יצירתיות, ניהול צוותים וחשיבה אסטרטגית יהיו קריטיות בעידן שבו המכונה תוכל לבצע משימות טכניות.
• מסתגלים במהירות לשינויים – בעידן של התפתחות טכנולוגית מהירה, מי שיידע להסתגל, ללמוד מחדש ולהתפתח – יהיה זה שיישאר רלוונטי.

המכונות כאן כדי להישאר – זה כבר ברור. אבל השאלה החשובה באמת היא איזו אנושות תהיה כאן לידן. העתיד אינו תלוי רק במה שהמכונה יודעת לעשות, אלא במה שאנחנו נבחר לעשות איתה.

הפוסט 2025 כבר כאן: איך הבינה המלאכותית תשנה את המציאות שלנו? הופיע ראשון בLet's AI בינה מלאכותית

סרטון ההכרזה על השקת המודל החדש.

למי זמין המודל החדש?

לפני הכל – למי המודל החדש זמין ואיפה אפשר להשתמש בו? נכון לעכשיו, GPT-4.5 אינו זמין לכולם, והוא מיועד בעיקר ללקוחות פרימיום:

שימוש במודל בפלטפורמה של ChatGPT

• משתמשי ChatGPT Pro (המשלמים $200 לחודש) קיבלו גישה ראשונים, והמודל כבר זמין להם בממשק של ChatGPT.
• משתמשי ChatGPT Plus ($20 לחודש) יקבלו גישה בשבוע הקרוב.
• משתמשי Team ו-Edu יקבלו גישה לאחר מכן.

שימוש ב-GPT-4.5 דרך ה-API

OpenAI מציעה את GPT-4.5 גם למפתחים דרך ה-API, וזמין כעת לתצוגה מקדימה ב-Chat Completions API, Assistants API, ו-Batch API לכל המשתמשים בתוכניות בתשלום. המודל תומך בתכונות מתקדמות כמו קריאה לפונקציות (Function Calling), הפקת פלטים מובנים (Structured Outputs), סטרימינג של תגובות (Streaming) והודעות מערכת (System Messages), מה שהופך אותו לכלי חזק במיוחד עבור פיתוח יישומים מתוחכמים יותר. בנוסף, הוא תומך בקלט תמונות, מה שמאפשר למפתחים לבנות מערכות שמנתחות מידע ויזואלי ומבצעות משימות חכמות על בסיסו.

מבחינת שימושים פוטנציאליים, המודל מצטיין במיוחד במשימות הדורשות אינטליגנציה רגשית גבוהה ויצירתיות, כמו סיוע בכתיבה, תקשורת מתקדמת, למידה, חונכות (Coaching) וסיעור מוחות. בנוסף, הוא מפגין יכולות חזקות במיוחד בתכנון משימות מורכבות וביצוע אוטומציות מרובות שלבים, כולל כתיבת קוד במספר שלבים וזרימות עבודה אוטונומיות. עם זאת, GPT-4.5 הוא מודל כבד מבחינת צריכת משאבים חישוביים, מה שהופך אותו ליקר יותר, והוא אינו מוצג כתחליף ישיר ל-GPT-4o. בעקבות העלות הגבוהה והשיקולים הטכניים, OpenAI עדיין בוחנת האם להמשיך ולהציע אותו כשירות API לאורך זמן. החלטות עתידיות לגבי זמינות המודל יתבססו על משוב של משתמשים ומפתחים, כך שאלה שימצאו בו ערך ייחודי עבורם עשויים להשפיע על המשך דרכו בשוק ה-API של OpenAI.

על אף כל השדרוגים, GPT-4.5 עדיין אינו תומך בקלט ופלט מולטימודלי, כלומר אין לו יכולת להבין קול, וידאו או לשלב תכנים אורקוליים – דבר שמשאיר מקום לשיפורים עתידיים. בעתיד, ייתכן שנראה מודלים מתקדמים עוד יותר שישלבו את יכולות ה-NLP המתקדמות של GPT-4.5 עם ממשקי שמע ווידאו, מה שיהפוך את חוויית השימוש לבינה מלאכותית אינטראקטיבית ושלמה יותר

מודל AI שמצטיין בשיח עם אנשים

מעבר לשיפורים הטכניים, GPT-4.5 גם עבר התאמה טובה יותר לשיתוף פעולה עם בני אדם. OpenAI פיתחה טכניקות אימון חדשות המתבססות על למידת מודלים קטנים יותר לשיפור הסטירביליות (Steerability) של המודל, כלומר היכולת שלו להבין הוראות, להישאר ממוקד ולספק תשובות עקביות. השיפורים הללו מאפשרים שיחות חלקות וזורמות יותר, עם תגובות שמרגישות טבעיות יותר ומבוססות על כוונת המשתמש.

השדרוגים הללו התאפשרו בזכות שימוש במערכות המחשוב החזקות של Microsoft Azure AI, שהעניקו למודל כוח עיבוד אדיר ויכולת למידה בקנה מידה חסר תקדים. המודל משתמש בטכניקות למידה לא-מונחית בקנה מידה רחב יותר (Scaling Unsupervised Learning), מה שמאפשר לו לזהות תבניות, להסיק מסקנות ולבצע משימות מורכבות ללא צורך בהנחיה ישירה.

ידע מעמיק יותר על העולם שסביבו: מדד SimpleQA מודד את מידת הדיוק העובדתי של מודלים לשוניים גדולים (LLM) בשאלות ידע ישירות אך מאתגרות. ככל שהערך גבוה יותר, הביצועים טובים יותר | Credit: OpenAI.

GPT-4.5 מוביל בדיוק וביצועים כלליים, במיוחד בשאלות מדעיות ושפה טבעית, או בביצוע משימות מורכבות הדורשות דיוק גבוה, בעוד o3-mini מצטיין במשימות מתמטיות ובכתיבת קוד | Credit: OpenAI.

הפוסט OpenAI שחררה את GPT4.5 – בשורה אמיתית או תחנה בדרך ל-GPT5? הופיע ראשון בLet's AI בינה מלאכותית

למה לשנות את חוקי המשחק?

כאשר אנחנו שואלים שאלה, אנחנו מצמצמים מראש את התשובה למסגרת שאנחנו מכתיבים. אנחנו מניחים שאנחנו יודעים בדיוק מה אנחנו צריכים, גם כשבפועל חסרים לנו נתונים חיוניים. לעומת זאת, כשאנחנו נותנים לבינה המלאכותית את המושכות ושואלים אותה: “מה היית שואל אותי כדי להבין טוב יותר את הבקשה?“ – אנחנו מאפשרים לה לחשוב בצורה רחבה יותר, לזהות פערי מידע ולמקד את המענה בהתאם להקשר האמיתי.

דמיינו שאתם מבקשים מאדריכל לתכנן עבורכם בית, אבל במקום להסביר לו את סגנון החיים שלכם, הצרכים המיוחדים וההעדפות העיצוביות, אתם פשוט אומרים לו: “תכנן לי בית עם ארבעה חדרים“. התוצאה? כנראה בית פונקציונלי, אבל לא בהכרח כזה שמתאים בדיוק לצרכים שלכם. אותו עיקרון עובד עם צ’אטבוטים.

איך זה נראה בפועל?

במקום להקליד “כתוב לי תסריט לסרטון על מוצר חדש“, נסו:

“אני רוצה ליצור סרטון תוכן. אשמח אם תשאל אותי שאלות שיעזרו לי ולך להבין את המטרה, הקהל והמסר המרכזי.”

פתאום הצ’אטבוט ישאל אתכם:

• מי קהל היעד של הסרטון?
• איזה סגנון אתם מעדיפים – הומוריסטי, אינפורמטיבי או דרמטי?
• מה המסר המרכזי שצריך לעבור?
• כמה זמן הסרטון אמור להיות?

במקום לנחש מה בדיוק צריך, הבוט אוסף את המידע בעצמו ומספק תוצאה שתפורה בדיוק למידות שלכם.

זה עובד בכל תחום

הגישה הזו לא רלוונטית רק לכתיבת תסריטים. היא מתאימה לכל משימה מורכבת שבה אתם צריכים עזרה מצ’אטבוט:

• פיתוח קונספט למותג – במקום להגיד “מצא לי שם למותג”, בקשו מהצ’אטבוט לשאול על ערכים, קהל יעד וסגנון שתרצו לשדר.
• תכנון קמפיין שיווקי – במקום לבקש “צור לי קופי לקמפיין בפייסבוק”, בקשו מהבוט להבין את מטרות הקמפיין, קהל היעד, התקציב והפלטפורמות הרלוונטיות. או אפילו פשוט יותר – בקשו מהצ’ט לשאול לומר לכם אלו שאלות אתם צריכים לשאול לפני שאתם יוצאים לדרך – תנו לו לכוון אתכם!
• כתיבת מערך שיעור – אל תבקשו “כתוב לי שיעור על מלחמת העולם השנייה”, אלא תנו לבוט לתשאל אתכם ולברר על רמת הידע של התלמידים, מטרות השיעור וסגנון ההוראה המועדף.
• פיתוח רעיון למוצר חדש – תנו לצ’אטבוט להבין אילו בעיות המוצר אמור לפתור, מי ישתמש בו ומה הבידול שלו לעומת מוצרים קיימים. ושוב – תמיד בקשו ממנו לשאול אתכם שאלות, ולא להיפך.

למה זה כל כך אפקטיבי?

לבינה מלאכותית יש יכולת ניתוח ויצירתיות, אבל היא תלויה בהנחיות שלכם. ככל שתספקו לה יותר הקשר ומידע רלוונטי, כך היא תוכל לתת מענה חכם ומדויק יותר. באמצעות שאילת שאלות חכמות, הצ’אטבוט יכול להאיר נקודות עיוורון שלא חשבתם עליהן ולספק פתרונות הרבה יותר חדים ומדויקים.

נסו ותופתעו – אם עד היום הרגשתם שהתשובות של הצ’אטבוט לא תמיד קולעות בדיוק למה שרציתם, זה כנראה כי לא נתתם לו את ההזדמנות להבין אתכם לעומק. בפעם הבאה שאתם משתמשים בצ’אטבוט – אל תשאלו, אלא תנו לו לשאול אתכם. אתם עשויים לגלות שפתאום, הבינה המלאכותית מבינה אתכם הרבה יותר טוב ממה שחשבתם.

הפוסט הטיפ היומי: אל תשאלו את הצ’ט שאלות – בקשו ממנו לתשאל אתכם! הופיע ראשון בLet's AI בינה מלאכותית

צעד אחד אחורה – למה אנחנו צופים פה מהפכה נוספת?

בפרק האחרון של הפודקאסט שלנו “AI וחברים”, רותם בר ואני סקרנו את המהפכה הבאה, כפי שאנחנו צופים אותה. ממליץ לכם בחום לצפות בקטע הבא, רגע לפני שאתם צוללים למאמר (תזמנתי לכם בדיוק את השנייה בה אנחנו מתחילים לדבר על ה-Titans). 

נתחיל באתגר עם המודלים הקיימים

מגבלת חלון ההקשר

יש כמובן עוד המון אתגרים אבל כאן אנחנו מתייחסים לבעיה מוגדרת עם השלחות רחבות.
מודלי Transformers כמו GPT-4 לצורך העניין, המבוססים על מנגנון תשומת הלב (Attention) שעלה לכותרות בשנת 2017 ושינה את כל מה שידענו על בינה מלאכותית יוצרת, הובילה לפריצות דרך משמעותיות בתחום עיבוד השפה הטבעית (NLP).
בכל מקרה, יש שתי מגבלות ברורות:

1. אורך חלון ההקשר (Context Window): מודלים אלה מוגבלים לניתוח מספר מסוים של טוקנים (Tokens) בו-זמנית. מגבלה זו יוצרת בעיות אמיתיות במקרים של טקסטים ארוכים במיוחד או במצבים בהם נדרשת הבנת הקשרים רחבים.

2. עומס חישובי: מנגנון ה-Attention דורש חישובים רבים ככל שאורך הטקסט גדל, מה שמוביל למורכבויות חישוביות בקנה מידה ריבועי. גם במודלים מתקדמים כמו GPT-4, התמודדות עם מסמכים באורך מיליוני טוקנים נותרה אתגר עצום.

מודלי Transformers בנויים כזיכרון קצר-טווח: הם שומרים נתונים רק בתוך חלון ההקשר שלהם ומתעלמים ממידע ישן (בלי להתייחס לתהליך האימון).
בניגוד למוח האנושי, שבו זיכרון לטווח קצר וארוך פועלים יחד, המודלים מתקשים לשלב מידע חדש עם זיכרון היסטורי ולמחוק נתונים שאינם רלוונטיים.

Titans: גישה חדשה לזיכרון מודלים

טוב אז ככה, Titans הוא רעיון פורץ דרך שמציע פתרון לשתי הבעיות הללו שציינו על ידי יצירת מערכת זיכרון המחקה את המוח האנושי.
המודל משלב שלושה סוגי זיכרון מובנים:

1. זיכרון קצר-טווח: משמש להקשר מיידי וממוקד.
2. זיכרון ארוך-טווח: מאפשר שימור מידע היסטורי רחב טווח.
3. זיכרון מתמיד: מכיל ידע קבוע ואינו תלוי בקלט.

הדבר הבא 

מנגנון “ההפתעה” (Surprise Mechanism) זה לדעתי החידוש המהותי! הרעיון בגישה זו, הוא שהמנגנון מזהה “אירועים מפתיעים” – כלומר, כאלה שאינם עומדים בציפיות המודל.
לדוגמה: מידע יוצא דופן או אירוע נדיר יקבל עדיפות גבוהה ויישמר בזיכרון הארוך-טווח. לעומת זאת, מידע פחות רלוונטי יושמט בהדרגה.

בעוד שמודלים מסורתיים לומדים רק בשלב האימון, Titans מבצע “למידה בזמן הרצה” (Test-Time Learning).
תכונה זו מאפשרת לו לשפר את הביצועים תוך כדי עבודה עם המשתמש ולשמר מידע חשוב שנחשף במהלך האינטראקציה.

כמה מילים על הארכיטקטורה של הזיכרון המדובר

אז בצורה מאוד מתומצתת, יש שלוש גישות עיקריות לשילוב זיכרון במודלים:

Memory as Context (MaC)

בגישה זו, הזיכרון ארוך-הטווח משולב כהקשר נוסף למידע הנוכחי. המודל משתמש בזיכרון כדי להעשיר את הניתוח, תוך שילוב בין נתונים חדשים לישנים. גישה זו מתאימה במיוחד למשימות הדורשות שילוב רחב של הקשרים היסטוריים עם נתוני זמן אמת.

Memory as Gate (MaG)

גישה זו משלבת בין הזיכרון לטווח קצר וארוך באמצעות ״שערים״ דינמיים. השערים האלה כביכול מנתחים את המידע המתקבל ומחליטים מה לשלב ומה להותיר בצד, מה שמבטיח ניצול יעיל של משאבי הזיכרון.

Memory as Layer (MaL)

חלק מהרעיון של הארכיטקטורה הזו היא שהזיכרון משולב כשכבה במודל. המידע עובר דרך שכבות הזיכרון כחלק מתהליך העיבוד הכולל וזה אמור להתאים יותר לניתוח נתונים מורכבים.

תוצאות ניסויים ותובנות

Titans הצליח להביא תוצאות טובות יותר מארכיטקטורות מוקרות כמו Transformers ו-LSTMs במשימות שונות. הוא הצטיין במיוחד במטלות של “מחט בערימת שחת” (Needle in a Haystack), שבהן נדרשת שליפה של מידע מדויק מתוך הקשר עצום.

לדוגמה, במבחנים שבהם נדרשה גישה לנתונים מעבר ל-2 מיליון טוקנים, Titans שמר על ביצועים מעולים, בעוד שהמודלים המסורתיים לא ממש עומדים במשימה.

מודל ה-Titans נבחן כמובן במגוון משימות, ומה אני אגיד לכם… התוצאות מרשימות!

• ניתוח שפה טבעית: Titans הראה גם כאן שיפור ניכר במשימות כמו הבנת טקסט ארוך, שאלות ידע מורכב וזיהוי קשרים סמנטיים.
• סדרות זמן (Time-Series): המודל הצליח במשימות תחזית, כמו ניתוח נתוני מזג אוויר ותעבורה, תוך שמירה על דיוק גבוה גם כאשר היקף הנתונים עצום.
• זיהוי אנומליות: מכיוון ש-Titans מותאם במיוחד לזיהוי אירועים חריגים, מנגנון ההפתעה שהעניקו לו מבצע עדיפות למידע חשוב בזמן אמת ובכך מעלה משמעותית את רמת הפלטים שיוצאים ממנו.

אבל, למרות ההישגים המרשימים, Titans עדיין בשלב מחקרי ומתמודד עם אתגרים טכניים:

1. ניהול פרטיות: היכולת לשמר זיכרון לטווח ארוך עשויה להוביל לחשיפת מידע רגיש ואת זה אנחנו כמובן לא רוצים.
2. עומסי חישוב: עדכון דינמי של זיכרון בזמן אמת דורש תשתיות מתקדמות ומשאבי חישוב משמעותיים.
3. מורכבות יישום: שילוב מנגנוני זיכרון מתקדמים בארכיטקטורות קיימות עלול להיות מסובך ליישום.
4. בטוח יש עוד שלא חשבתי עליהם, אבל אנחנו עדיין בשלבים מאוד מוקדמים אז כנראה שנגלה עוד בעתיד יחד.

האם Titans יהיה השלב הבא במהפכת הבינה המלאכותית?

המודל Titans מביא עמו חזון לעתיד שבו בינה מלאכותית לא רק מנתחת מידע, אלא גם לומדת ומתאימה את עצמה לסביבה דינמית ומתקשרת איתנו בני האנוש בדרך המוכרת לנו. היכולת לזכור, לשכוח ולעדכן מידע בזמן אמת פותחת אפשרויות חדשות למגוון תעשיות, מתעשיית הטלקום ועד למערכות בריאות, פיננסים ועוד.

שילוב Titans עם טכנולוגיות כמו RAG (שליפה משופרת) עשוי להוביל ליצירת מערכות חכמות המסוגלות להתמודד עם כמויות נתונים עצומות בצורה מדויקת ומהירה. משהו שמאוד חסר לנו היום ובארגונים הגדולים זה מורגש. אבל אולי לא לזמן רב.

הפוסט Titans: המהפכה בזיכרון מודלי AI – ללמוד לזכור בזמן אמת הופיע ראשון בLet's AI בינה מלאכותית

מה למדתי מהמפגש שלי עם עשרות חברות מת”א 125?

לאחר שפגשתי את רוב בכירי המשק הישראלי, אני שמח לומר שאני אופטימי. נראה שכולם מבינים שמשהו כאן כבר משתנה – נראה אחרת, מריח אחרת. עם זאת, לא רבים באמת מבינים מה צריך לעשות ואיך נכון לפעול. לדוגמה, היום כשאני שואל בתחילת הרצאה מי מכיר את ChatGPT, כמעט שאין ידיים שנשארות למטה. אבל כשאני שואל מי באמת יודע להשתמש בו, התמונה משתנה – והרבה פחות מזהירה.

עומר הררי | LetsAI

וזה, אגב, בדיוק מה שעושה אותי אופטימי. למה? כי זה אומר שכולנו כאן כדי ללמוד. למען האמת, כששואלים מי יודע להשתמש בבינה המלאכותית בצורה אפקטיבית, נשארות רק ידיים בודדות באוויר. ובכל זאת, במהלך התהליך אנחנו מגלים שהדרך הזו היא מסע משותף, ושיש עוד הרבה ללמוד ולשפר. הידיים הבודדות הללו? הן שייכות ל”סייבורגים הסודיים“. וזה בדיוק מה שמוביל אותי לתובנה הראשונה.

בואו נתחיל מההתחלה.

1.”סייבורגים סודיים”

למה עובדים מסתירים את השימוש בכלי AI?

“סייבורג סודי” הוא מושג ששמעתי בעבר, המתאר עובדים המשתמשים בבינה מלאכותית בעבודתם מבלי לדווח על כך. מחקר של מיקרוסופט מוקדם יותר השנה גילה ש-75% מעובדי הידע משתמשים בבינה מלאכותית, אך 78% מהם אינם משתפים זאת עם המעסיק.

“הסייבורגים הסודיים” – להפוך את הלימון ללימונדה: תנו לעובדים לעבוד עם AI!

הסיבה המרכזית? חשש שאם ידעו על כך, יאסרו עליהם להשתמש בכלים הללו. חשבו לרגע איזה אתגר זה מציב בפני חברות: החשש והעמימות מונעים שיתוף ידע וחדשנות ארגונית, וכתוצאה מכך כולם מפסידים!

רבים העריכו ששנת 2023 תהיה שנה של ניסיונות, וש-2024 תהפוך לשנה שבה יתחילו לראות תשואה משמעותית (ROI). בפועל, 2024 התבררה כעוד שנה של ניסיונות, ולצידם תהיות הולכות וגוברות בנוגע לדרכים היעילות ביותר לשלב בינה מלאכותית בתוך רעש התעשייה הגובר. נכון שתהליך הפקת הערך מהבינה המלאכותית דורש ניסיונות, למידה והתאמות, אבל כאן נכנסת התובנה הראשונה: כדי להתחיל להשתמש בבינה מלאכותית בארגון, לא באמת צריך כיוון מוגדר או אפיון מעמיק. היופי בכלים הללו טמון ביכולתם לפתוח צווארי בקבוק קטנים, לייצר כלים נישתיים בתהליך קצר של שעתיים-שלוש, ולהתאים עצמם לגמישות הנדרשת עבור כל רמת ידע בארגון.

התוצאה? פתרונות שמספקים ערך מיידי, כזה שמחזיר את ההשקעה במהירות ומעצים את הארגון באופן משמעותי.

הגדלת החזר השקעה (ROI) בעזרת AI

החזר ההשקעה (ROI) בבינה מלאכותית מתבטא כמעט תמיד בכסף אמיתי, ובמקרים רבים הוא פי 4 ואף יותר! כן, זה באמת כך. הייתי עד בעצמי למקרים שבהם השקעה של חברה או ארגון ברישיונות בעלות של 2,500 דולר לחודש הפכה, בעזרת צוות הנדסה בחברה תעשייתית, לפתרון שערכו נמדד בשעות עבודה בשווי 10,000 דולר לחודש. במקרים אחרים, הצלחנו לחסוך לחברות מליוני שקלים הודות לפתרון טכני קטן ופשוט (מבוסס OCR), שחסך להם 4 משכורות. פעולה שבוצעה בעבר על ידי 4 אנשים, עכשיו מבוצעת על ידי בוט פשוט, שכל אחד יכול לבנות. הבעיה היא שרבים מהאנשים כלל לא מכירים את האפשרויות והפוטנציאל של כלי Gen AI, אפילו של “מוצרי מדף” כמו ChatGPT, קלוד או פרפלקסיטי.

אבל כאן נכנסת התובנה השנייה: ה”קסם” הזה של הבינה המלאכותית לא מתרחש מעצמו כמו קסם אמיתי. הוא דורש תמיכה אמיתית מהמקומות הנכונים – בין אם מדובר בהובלה מקצועית, משאבים מותאמים או סביבה תומכת שמאפשרת לעובדים ללמוד ולהתנסות. בלעדיהם, הפוטנציאל הזה פשוט לא מתממש.

2. הצורך בתמיכה

כולנו מכירים את המשפט “אנחנו לא יודעים את מה שאנחנו לא יודעים.” וזה נכון לא רק לגבי אנשים, אלא גם לגבי ארגונים. קחו לדוגמה את אלה שמאמינים שהרצאה של שעתיים תספיק כדי לסגור את הפינה, ושכבר למחרת בבוקר כל העובדים יהפכו לפרודוקטיביים יותר. המציאות? כישלון חרוץ. ולמה זה קורה? התשובה פשוטה: קיים חוסר הבנה מהותי לגבי ההבדל בין טכנולוגיות של אלגוריתמים “קלאסיים” לבין טכנולוגיות של רשתות נוירונים. או במילים פשוטות: יש צורך בתפקיד חדש בארגון.

נחזור רגע אחורה – בשנות החמישים, כשהמחשבים הראשונים הגיעו לעולם, היה ברור שכולם צריכים לדעת להדליק ולכבות אותם. אבל מהר מאוד הבינו הארגונים שצריך תפקיד ייעודי – מנהל IT. המנהל הזה וצוותו הפכו לחלק בלתי נפרד מהארגונים, וגם היום הם מבורכים ונדרשים. ועכשיו? נכנס לארגון “מחשב חדש.”
מחשב שחושב אחרת, פועל אחרת, ובעיקר – מדבר אחרת. כדי להצליח בעולם הזה, נדרש מנהל IT שחושב אחרת, כזה שיודע לנהל את הדיאלוג עם טכנולוגיות בינה מלאכותית ולמנף אותן בצורה שתספק ערך אמיתי לארגון. או במילים אחרות, צריך מנהל בינה מלאכותית יוצרת.

ומה טוב אם מנהל כזה יוכל לצמוח מתוך הארגון עצמו, יחד עם הצוות שלו – צוות שמורכב מ”סייבורגים.” צוות כזה יידע לזהות ולהתמודד עם בעיות ואתגרי זמן שמלווים את הארגון במשך שנים, בכל מחלקה ותפקיד. הם יהפכו השקעות קטנות לתשואות מרשימות, ממש כפי שמנהל IT יודע לזהות פתרונות נכונים לכל בעיה טכנולוגית. אבל בדיוק כמו שמנהל IT הוא לא היחיד בארגון שיודע להדליק ולכבות מחשב, כך גם מנהל הבינה המלאכותית היוצרת צריך לתמוך בהכשרת עובדים – כך שכולם יידעו “להפעיל” את המחשב החדש הזה ולהשתמש בו ביעילות.

וכאן נכנסת התובנה השלישית, הטרוויאלית להחריד: בשביל שכל זה יקרה, נדרשת תמיכה אמיתית מהנהלת הארגון, מהמקומות הגבוהים ביותר. היא צריכה לבוא לידי ביטוי לא רק באמירות מעורפלות או יום גיבוש בסימן “שנת 2025”, אלא בהשקעה בהדרכה מקצועית, ליווי ארוך-טווח ותכנון אסטרטגי שיאפשר למנהלים ולעובדים ללמוד, להתפתח ולהוציא לפועל את החזון החדש.

3. צורך בהדרכה מקצועית

יש גם צורך עז בהדרכה מקצועית! כזאת שלאורך כל הדרך מסבירה את ההבדל שבין הטכנולוגיה של פעם לטכנולוגיה של היום ומדגישה שוב כי דמיון הוא המנוע האמיתי והבלתי מעורר להצלחה עסקית. כדי להיות טוב בבינה מלאכותית צריך בערך 200 שעות של עבודה עם הכלים השונים, לצד מחקר אישי על שיטות עבודה שונות. 

זה מאוד מזכיר את העבודה עם תוכנות כמו אקסל: כן – אתה תצליח להדליק את התוכנה ואולי גם לחשב איתה חישובים פשוטים של חיבור, חיסור וכפל. אבל הסיכוי שתגיע ליצירת פונקציות מורכבות והבנה של מה המערכת מסוגלת לספק, ללא הדרכה מעמיקה, הוא אפסי. אף על פי ש-ChatGPT הרבה יותר נגיש מאקסל, זה עדיין מאוד קשה להשקיע 200 שעות בכלים שמספקים תשובה ב-5 שניות. הדרכה מקצועית לא אמורה רק ללמד ״על איזה כפתור צריך ללחוץ״. היא צריכה ללמד לחשוב אחרת! היא צריכה ללמד כיצד ניתן לקחת כל מומחיות ולהאיץ אותה קדימה.

ומכאן עולה התובנה הרביעית – עוצמת התוצאה: התגובה הישירה בשטח להדרכה מקצועית היא עליה בזמן התגובה של העובדים והמנהלים לדרישות ושינויים מהסביבה. כמות ״ההפרעות״ שכל אחד חווה ביום, בסגנון של ״שומע רגע״, יורדת כמעט לאפס, ואחרי חודש חודשיים היצירתיות מתחילה לבוא לידי ביטוי.

כשה-AI מטיס את העובדים שלכם לשמיים, הארגון שלכם ימריא גם הוא!

4. עלייה במזמן התגובה

הכל קם ונופל על זמן תגובה! זהו הקסם האמיתי שטמון בשימוש בבינה מלאכותית יוצרת, וממש כמו שהצמיחה הטכנולוגית היא אקספוננציאלית (אני מזכיר ש-ChatGPT הושק לשימוש הציבור הרחב רק לפני שנתיים), כך גם הפוטנציאל של כמות הפתרונות וההשפעה שלהן בתוך הארגון.

הנתונים מראים שחברות בנו יותר כלים באופן פנימי בשנת 2024 (47%) לעומת השנה הקודמת (20%). מודרנה לדוגמה הטמיעה את ChatGPT Enterprise בכל רמות החברה, מפיתוח קליני ועד תהליכים משפטיים ואדמיניסטרטיביים, ותוך חודשיים בלבד מתחילת השימוש נבנו 750 יישומים פנימיים על ידי העובדים ובוצעו בממוצע 120 שיחות שבועיות למשתמש. מודרנה מתכננת להשיק 10 מוצרים חדשים עד 2027 וזה בזמן שהיא מבצעת קיצוץ של 1.1 מיליארד דולר בהוצאות, מפחיתה תקציבי מחקר ופיתוח מ-4.8 מיליארד דולר ל-3.6-3.8 מיליארד דולר, ועם זאת מציגה שיעורי הצלחה יוצאי דופן במחקר ופיתוח: 66% הצלחה בפיתוח תרופות בשלבים מתקדמים (שזה פי 3 מהממוצע בתעשייה)

.

בשנתיים האחרונות, מודרנה ועוד כמה ארגונים מוצלחים הראו לנו שאימוץ תרבות של שינוי מתמיד והתאמה מהירה מוביל לסנכרון יפה בין כלל בעלי התפקידים או במילים אחרות מאפשר לארגון לעבור את השלב הכי קשה בחייב, מתפקוד לתחכום.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

השנקל שלי…

השימוש הנוכחי בבינה מלאכותית יוצרת מתמקד בשיפור פונקציות קיימות, וזה לגמרי אפקט ה-Wow שאנחנו מחפשים בשביל להתחיל להזיז את הגלגל, אך העתיד של ההצלחות העסקיות טמון בחדשנות, דמיון ויצירת מודלים עסקיים חדשים. החברות המצליחות של 2025 לא יהיו אלה שרואות ב-AI רק כלי לחסכון, אלא אלו המשתמשות בו ליצירת הזדמנויות חדשות, ולהפיכת הארגון כולו למתקדם ומוכוון עתיד.

אז אם אתם במשרת ניהול כזו או אחרת ואתם קוראים את המאמר הזה עכשיו – קבלו טיפ זהב! זהו את “הסייבורגים הסודיים” שסביבכם, תמכו בהם, הכשירו אותם וכך תזכו לתוצאות מדהימות!

ובאשר אליכם, אלו שקוראים את מילותיי הזה הרגע, ולא נמצאים בעמדה ניהולית – עצתי הכנה אליכם היא שתבחרו טוב את הסביבה שמקיפה אתכם ותחשבו טוב יותר בשביל מי ועם מי אתם בוחרים לעבוד, כי אני לא יודע מה הבטיחו לכם, אבל שנת 2025 כאן וזאת לא רכבת רגילה, זאת רכבת הרים!

הפוסט הסייבורגים הסודיים: 4 תובנות מעבודה עם חברות ת״א 125 לאורך 2024 הופיע ראשון בLet's AI בינה מלאכותית

כשאתה אומר AGI – למה אתה מתכוון?!

לפני הכל, חשוב לדעת שכל אחד מגדיר את המונח AGI בצורה שונה.

אם תחפשו בוויקיפדיה, תקבלו תשובה ש-AGI היא סוג של AI שמשווה או עולה על יכולות קוגניטיביות אנושיות במגוון רחב של משימות. בניגוד ל-AI צר, AGI אינה מוגבלת למשימה אחת אלא יכולה לפעול במגוון תחומים.

אם תבדקו ב-AWS, התשובה תהיה קצת אחרת: AGI הוא בכלל תחום מחקר תאורטי שמטרתו ליצור תוכנה עם אינטליגנציה דמוית-אנוש, כולל יכולת ללמידה עצמאית. המערכת אמורה לפתור בעיות מורכבות בתחומים שלא הוכשרה עבורם מראש.

ואם תשאלו את OpenAI אז הם מגדירים AGI כמערכות אוטונומיות מאוד שמבצעות ביצועים טובים יותר מבני אדם ברוב העבודות הכלכליות החשובות.

ולא פחות חשוב (טוב נו… קצת פחות חשוב), אם תשאלו את הוליווד מה זה AGI, התשובה היא סקיינט מסרטי “שליחות קטלנית”, או ה-AI שמניע את הרובוטים מסרטי המטריקס.

מה כל זה מלמד אותנו? שבשורה התחתונה אין באמת הסכמה מלאה ושפה אחידה על הגדרת המונח AGI, איך מודדים אותו ומתי נדע שהגענו לרגע. ובדיוק משום כך, כל אחד יכול לטעון שהוא הצליח ליצור את ה-AGI הראשון, או מתקרב ליעד זה.

אגב, אם תשאלו אותי, אני רואה את ה-AGI כעידן טכנולוגי בו ידע אינו תקוע בצוואר בקבוק. ולדעתי, אתמול נכנסנו רשמית לעידן זה – עידן ה-AGI.

עידן ה-AGI

נכון להכרזה ה-12 במספר בסבב הגדוש של קריסמס, נראה ש-OpenAI לא רק ניפצו את תקרת הזכוכית (למי שלא בלופ, היה שיח ער סביב הנושא שהגענו למכסה מסוימת של יכולות, כוח מחשוב ונתונים שניתן לאמן עליהם מודלים), הם סיפקו הוכחה לכך שאולי הזכוכית הזו בכלל לא הייתה קיימת. זה לא רק ש-o3 ריסק מדדים שתוכננו להחזיק מעמד עשורים קדימה. OpenAI הראו שכל אתגר שניתן למדוד, סדרת המודלים החדשה תוכל בסופו של דבר לנצח.

אני לא רוצה להתייחס כאן לעלויות האדירות של הפעלת המודל הזה, בטח כאשר הוא רץ ללא הגבלת כוח חישוב, כי העלויות לבדן לא רלוונטיות לזמן רב. כן אתן הסתייגויות, אבל אני חייב לומר שיש כאן אירוע היסטורי ביחסים שבין בני אנוש לבינה מלאכותית, ושכל מי שקורא את זה צריך לעדכן את לוחות הזמנים שלו ולחשוב מחדש על הקונספט הזה שנקרא “בינה מלאכותית”.

מי אתה ומה אתה o3?

לפני שניגש לתוצאות המדהימות של המדדים, מה הוא בעצם o3? כדי להבין את מודל o3, צריך להקדיש כמה מילים לקודמו – מודל o1 המצוין. מודל זה “חושב לפני שהוא עונה”. לא רק מלאכת ניבוי או חיזוי של מילים ומשפטים, אלא שרשרת מחשבה סבוכה (שגם לוקחת זמן), ושבסופה מתקבלת תוצאה מדויקת יותר. כזו שנשענת על תהליך חשיבה ובחינה של פלטים אפשריים. במאמר הבא תוכלו לקרוא על גרסת הפריוויו של o1 שהוצגה בספטמבר, ופה תוכלו לקרוא על השקת o1 בגרסתו המלאה, למנויים משלמים.

ועכשיו ל-o3 (אגב, אם תהיתם לאן נעלם o2 – ענייני זכויות יוצרים וסימנים מסחריים – השם כבר שייך למותג אחר).

ככל הנראה o3 עובד בצורה הבאה: הבינה המלאכותית מייצרת מאות או אלפי פתרונות לכל שאלה או בעיה שהיא מקבלת, ועוקבת אחר שרשראות החשיבה הארוכות כדי להגיע לתשובה. מודל מאמת נוסף, שככל הנראה מבוסס על אותו מודל בסיס, סוקר את התשובות האלה ומדרג אותן, ומחפש טעויות חישוב קלאסיות או טעויות היגיון.

המודל המאמת מאומן על אלפי צעדי היגיון נכונים בעצמו, ובעצם בוחר את התשובה הנכונה (שהיא כנראה זאת שחוזרת על עצמה הכי הרבה פעמים מאחורי הקלעים).

מה זה בעצם אומר? שבפעם הבאה שאתם שומעים שהמודל חושב ״חזק״ יותר, זה בעצם אומר שהוא מריץ יותר תשובות בשביל להיות בטוח יותר – יותר חישובים ויותר דרכי פתרון אפשריות. אגב, כוח החישוב הזה מגולם בחומרה – מחשבי על, שרתים, טרנספורמרים, אנרגיה, קירור, חשמל וכן הלאה. וזה יקר – יקר מאוד!

אבל הנה העניין – בתחומים מדעיים כמו מתמטיקה ותכנות, אתה בדרך כלל יכול לדעת מה התשובה הנכונה (וכן – אני יודע שזו הכללה גסה). אז כאשר המערכת מייצרת סט נכון של צעדי היגיון, צעדים שהובילו לתשובה נכונה ומאומתת, המודל בכללותו יכול לעבור כוונון עדין (Fine-Tuning) על הצעדים הנכונים האלה. זה משנה באופן יסודי את המצב מניבוי הטוקן הבא (המילה הבאה), לניבוי סדרת הטוקנים (המשפט הבא) שיוביל לתשובה נכונה באופן אובייקטיבי.

הכוונון העדין הזה על התשובות הנכונות בלבד יכול להיחשב כלמידת חיזוקים (RL). הכרי בכל זאת מדובר במכונה לומדת. הקפיצה קדימה עם o3 הייתה לדעתי לגמרי צפויה. מתחילת השנה רבים מדברים על כך שבינה מלאכותית נמצאת בצמיחה אקספוננציאלית, שזה המונח המפואר לתאר מצב שבו למודלים יש יכולת לבצע חשיבה ארוכה יותר ולייצר יותר פתרונות אפשריים לשאלות או בעיות. עם זאת, אני לא חושב שמישהו זיהה שתגיע קפיצה כזו גדולה כל כך מהר, עוד ב-2024.

קפיצה שמסמלת את הכניסה לעידן ה-AGI.

המדדים והביצועים פשוט מפחידים!

ועכשיו, לתוצאות של המדדים – נתחיל עם מתמטיקה:

יש מבחן כזה שנקרא FrontierMath, שהוא סוג של אמת מידה להערכת נימוק מתמטי מתקדם ב-AI. הוא נחשב, נכון להיום, למדד המתמטי הקשה ביותר שקיים.

הגרף מדגיש שמודלים מתקדמים של AI מתמודדים טוב עם מדדים סטנדרטיים כמו GSM-8k, אך מתקשים באופן ניכר עם FrontierMath, המייצג בעיות מתמטיות מורכבות הדורשות יצירתיות, הבנה עמוקה ופתרון בעיות מעבר למכניקה בסיסית.

מדובר במערך נתונים שמורכב מבעיות חדשות – כאלו שלא מפורסמות, וקשות במיוחד… למען האמת, אולי הכי קשות שיש. אנחנו מדברים על סוג הבעיות שלוקחות למתמטיקאים מקצועיים שעות או אפילו ימים לפתור. עד היום כל המודלים הקיימים הגיעו לפחות מ-2% דיוק במדד הזה. אבל o3 הגיע למעל 25% – עליה של יותר 1,150%! מרשים ביותר!

המודל החדש של OpenAI, o3, מציג קפיצה אדירה בבנצ’מרק המתמטי הקשה ביותר בעולם.

הם אמנם לא ציינו זאת במפורש בהכרזה, אך החלק הכהה יותר של העמודה (הקטן יותר, המסומן בכחול) מייצג את המקרים שבהם המודל הצליח לתת תשובה נכונה בניסיון הראשון בלבד. לעומת זאת, החלק הבהיר יותר של העמודה מתאר מצבים שבהם המודל הפיק מספר פתרונות שונים, אך התשובה שהופיעה בתדירות הגבוהה ביותר – תשובת הקונצנזוס – הייתה לרוב גם התשובה הנכונה. ניגע בהמשך בזמני הביצוע ובעלויות, אך לצד הפרטים הללו, ההישג של 25% מהווה ציון דרך היסטורי.

מה לגבי שאלות מדעים ברמת PHD? 

ובכן, o3 משיג 87.7% במדד GP-QA (שנולד רק לפני שנה). זהו ציון גבוה יותר מהממוצע של בני אנוש ברמת דוקטורנט! כלומר מדדים מתרסקים כמעט מהר כמו שהם יכולים להיווצר. ואז יש את אולימפיאדת הקוד, או אם תרצו תכנות תחרותי – תחרות בה משתתפים 500 המפתחים הטובים ביותר בעולם. בתחרות זו o3 מבסס את מעמדו כמתחרה הגלובלי ה-175 בדירוג הגבוה ביותר, כלומר טוב יותר בתחרות התכנות הזו מ-99.95% מבני האנוש.

יש שיגידו שתכנות תחרותי הוא לא מדד. אבל המדד הזה בודק בעיות אמיתיות שעומדות בפני מהנדסי תוכנה אמיתיים. החלק המאומת מתייחס לעובדה שהמדד נסרק רק עבור שאלות אמיתיות עם תשובות ברורות ואמיתיות. לצורך ההשוואה, Claude 3.5 Sonnet (שנחשב למודל מעולה במשימות קוד) משיג 49%, בעוד ש-o3 משיג 71.7%.

קצת על מדד ARC AGI

פרנסואה שולה (François Chollet) הוא מהנדס תוכנה וחוקר בינה מלאכותית צרפתי, שנודע בעיקר בזכות תרומתו המשמעותית לתחום הבינה המלאכותית. הוא יצר את מדד ה-ARC-AGI בשנת 2019 – מדד שמטרתו למדוד את יכולתן של מערכות בינה מלאכותית לפתור בעיות חדשות ולהכליל ידע בצורה דומה לבני אדם. שולה פיתח את המדד כחלק ממאמציו לקדם את המחקר בתחום הבינה המלאכותית הכללית (AGI) ולהתמקד ביכולות חשיבה מופשטת ורב-תחומית של מערכות AI.

מדד זה הוא תנאי הכרחי אבל לא בלעדי ל-AGI. כלומר, כדי להיחשב AGI, על מערכת “לעבור את המבחן”, אבל לא כל מערכת שעוברת את המבחן נחשבת ל-AGI. וזה שוב מחזיר אותנו לבעיית ההגדרה הראשונית וההסכמה על מהי AGI אמיתית.

בכל אופן, מה שמיוחד במדד זה, היא העובדה שכל שאלה אמורה להיות מבחן חדש העומד בפני עצמו – אתגר במילים שמראש לא נמצא באף נתוני אימון, עבר או הווה. מדובר במבחן כל כך קשה למודלי בינה מלאכותית, שרובם בכלל לא מציגים את תוצאות הבחינה, בשביל שלא יראו לא טוב כלפי הציבור.

כלומר, כדי להתגבר על האתגר הזה, המודל יהיה חייב להוכיח יכולת לפתור בעיות שלא נכללו בתהליך האימון שלו מראש. אם כך, ובהתאם להגדרה של AWS, ניתן לראות בכך אינדיקציה לבינה מלאכותית כללית (AGI) לכל דבר ועניין.

הנה דוגמא לשאלות מהמבחן:

OpenAI’s O3: Features, O1 Comparison, Release Date & More | DataCamp

לא מבינים מה רואים פה?! עכשיו תחשבו מה המודל מרגיש כשהוא נתקל בזה בפעם הראשונה, בדיוק כמוכם.

כדי לצלוח את המבחן צריך רמה מסוימת של היגיון. אישית אני באסכולה שמגדירה היגיון כספקטרום. כלומר, אני רואה בו כגזירת פונקציות יעילות ופונקציות מורכבות. מודלי שפה תמיד עבדו בצורה מסוימת של היגיון, זה פשוט שהפונקציות שהם גוזרים אינן יעילות במיוחד – הן יותר כמו אינטרפולציות מסובכות שלרוב לא מתאימות לדרישה של המשימה.

בני אדם נוטים לזהות דברים מהר יותר, כאשר מדובר בנתונים חדשים או במערכות חדשות שבהם לא נתקלו. בדיוק בשביל זה לנו, בני האנוש, יש חשיבה כללית (כמו ה-G ב-AGI) ולא חשיבה צרה. ל-ChatGPT יש בינה צרה – תבקשו ממנו לכתוב מאמר על אילוף כלבים – הוא יבצע את זה בלי בעיה. זה בתוך גבולות הגזרה של הבינה הצרה שלו. אבל שימו את “המוח” שלו בתוך רובוט עם ידיים ורגליים ותנו לו לחתוך עגבנייה – הוא לא ימצא את הרגליים והידיים שלו (תרתי משמע).

מצד שני – קחו בן אנוש שנולד באסיה ותנו לו לצלוח את הגשר היבשתי בין רוסיה לאלסקה (שקפא מעת לעת בתקופות מסוימות בהיסטוריה האנושית), והוא יצליח לשרוד ביבשת החדשה. הוא יצוד, ישתמש בפרוות כדי להתחמם ובבשר של חיות שמעולם לא ראה, כדי להזין את גופו בחלבונים. זו בינה כללית.

כלומר, לבני אנוש יש יכולת להכליל, לפתור אתגרים שבהם לא נתקלנו לפני כן. לזהות דפוסים או הקבלות בין אירועים או מצבים חדשים, לדברים דומים שמזכירים חוויות עבר. אנחנו לא חייבים להתאמן על משהו, כדי להצליח לעשות אותו בפעם הראשונה. סביר להניח שאם נזרוק אתכם באמצע עיר אירופית ונבקש ממכם למצוא את דרככם לתחנת המשטרה הקרובה, גם אם אתם לא דוברים את השפה וגם אם אין לכם טכנולוגיה מתקדמת (כמו סמאטפון), אתם תסתדרו. אתם תשרדו. אתם תסיקו מסקנות, תגבשו דרך פעולה ותמצאו את הדרך להשלים את המשימה. גם אם זו לא תהיה הדרך הכי יעילה וגם אם היה אפשר להשלים את המשימה מהר יותר בדרך אחרת, עדיין (בעזרת הבינה הכללית שלכם), אתם תשלימו אותה (סביר להניח).

ועכשיו חזרה לתמונה עם הריבועים הצבעוניים מעלה. רוב בני האדם, אם יקדישו מעט זמן מחשבה, ואם יסתכלו על הדפוס שחוזר על עצמו בכל הדוגמאות, יבינו שכדי להגיע מקלט 1 לפלט 1, יש לייצר מעטפת של ריבועים בעובי של כמות הריבועיים הצבעוניים שבתוך הריבוע הצהוב. במקרה שלנו – בדוגמה מספר 1 זו תהיה מעטפת בעובי של 2 ריבועים אדומים ומעטפת בעובי של 3 ריבועים כחולים. 

אבל GPT-4 לא יכול, וגם לא GPT-4o. ואפילו o1 המרשים לא באמת יכול. ועבור הדוגמאות הספציפיות האלה אפילו o3 לא יכול.

בכל מקרה, בדקו את o3 מול שני מערכי נתונים של ARC-AGI:

הראשון, הערכה חצי פרטית: 100 משימות פרטיות המשמשות להערכת התאמת יתר.
השני, הערכה ציבורית: 400 משימות ציבוריות.

בהנחיית OpenAI, נבדקו שתי רמות מחשוב עם גדלי מדגם משתנים: 6 (יעילות גבוהה) ו-1024 (יעילות נמוכה, חישוב פי 172).

הנה התוצאות:

ARC-AGI

כן, זה אולי מפתיע אתכם שאני מוכן להגדיר את עידן ה-AGI כבר עכשיו למרות שעדיין יש שאלות שאינן קשות במיוחד ולמרות זאת o3 לא יכול לפתור אותן נכונה.

עם זאת, o3 כאשר ניתן לו כוח חישוב מקסימלי (שמגולם בעלות של 350 אלף דולר להרצה – לא פורסם אבל אפשר להסיק מהנתונים), משיג 87.5% / 91.5%.
והנה מה שהמחבר של המדד הזה אמר: “זה לא רק כוח גס. כן, זה מאוד יקר, אבל היכולות האלה הן טריטוריה חדשה והן דורשות תשומת לב מדעית רצינית.”

“אנחנו מאמינים שזה מייצג פריצת דרך משמעותית בגרימה לבינה מלאכותית להסתגל למשימות חדשות”.

מחוזק שוב ושוב עם אותן שרשראות מחשבה או צעדי היגיון שהובילו אותו לתשובות נכונות, o3 נהיה די טוב בגזירת פונקציות יעילות. במילים אחרות, הוא מנמק די טוב. וזה משהו שאף סידרת מודלים אחרת לא הצליחה לעשות לפני, או בכלל להתקרב לטריטוריה הזו.

OpenAI o3 arc-agi benchmark.

מתי כל הטוב הזה מגיע אלינו?

סם אלטמן רמז שהם ישחררו את o3 בגרסת Mini אולי בפברואר 2025, או לפחות ברבעון הראשון של השנה הבאה. כרגע אם אתם חוקרים בתחום הבטיחות אתם מוזמנים להגיש בקשה לגישה מוקדמת דרך הלינק הזה.

אבל בכל מקרה, על אף המחיר הגבוה לכוח המחשוב הנדרש, מה שאנחנו רואים כאן מרמז שהם לא פשוט ניצלו כל GPU בעולם כדי להשיג את התוצאה הזו. כלומר, ניתן להסיק שגם פה אין באמת תקרת זכוכית, כי עדיין לא הגענו לגבולות העליונים של כוח החישוב. הבעיות כרגע הם משאבים, עלויות ויעילות. ואלה דברים שמשתנים (ומשתפרים) מהר.

הקפיצה הטכנולוגית מ-o1 ל-o3 לקחה רק 3 חודשים, מה שמראה כמה מהירה תהיה ההתקדמות בפרדיגמה החדשה של למידת חיזוקים על שרשרת מחשבה. יחס עלות-ביצועים כנראה ישתפר דרמטית במהלך החודשים והשנים הקרובות והאתגר תמיד יהיה לגרום למודלים לנמק. העלויות וזמן החשיבה הם משניים, ויצטמצמו לאורך הזמן. 

אז זהו? הגענו ל-AGI?

ARC-AGI משמש מדד קריטי לאיתור פריצות דרך כאלה, ומדגיש את כוח ההכללה באופן שמדדים רוויים או תובעניים פחות אינם יכולים. עם זאת, חשוב לציין שמדובר בסוף בכלי מחקר שנועד למקד את תשומת הלב בבעיות הבלתי פתורות המאתגרות ביותר ב-AI, תפקיד שהוא מילא היטב בחמש השנים האחרונות.

o3 הוא בוודאות לא המודל האחרון שיגיע, אבל הוא מייצג קפיצת מדרגה משמעותית. הביצועים שלו ב-ARC-AGI ובמדדים הנוספים מדגישים פריצת דרך אמיתית בהסתגלות ובהכללה, באופן ששום מודל אחר לא הצליח לעשות בצורה מפורשת בעבר, אבל מההיכרות שלנו על עולם הבינה המלאכותית תוך מספר חודשים כולם הולכים להדביק את הפער (כן גם מודלי הקוד הפתוח).

o3 מתקן את המגבלה הבסיסית של פרדיגמת ה-LLM – חוסר היכולת לשלב ידע מחדש בזמן החשיבה. זו לא רק התקדמות מצטברת – זוהי טריטוריה חדשה! והיא דורשת את תשומת הלב של כלל בני האנוש באשר הם. כי אם נהיה לרגע ראליים, מעטים האנשים שצריכים מודל שיחשב את עוצמת היניקה של מערכת אוורור במאדים. בינה מלאכותית כללית היא כזו שתוכל לתת מענה כללי לכל אדם, גם ובעיקר במשימות שהוא והיא נתקלים בהן בפעם הראשונה. בינה מלאכותית כללית זוהי תקופה שבה ידע הוא אינו צוואר בקבוק יותר, אלא עידן שדורש מבני האנוש לעלות ברמת האינטליגנציה, על מנת להשיג דברים שבעבר היו נדמים כבלתי אפשריים.

ולכן חברים, אני מרשים לעצמי לומר – ברוכים הבאים לעידן ה-AGI!

הפוסט האם o3 מבשר את בואו של עידן ה-AGI? הופיע ראשון בLet's AI בינה מלאכותית

היום החמישי: שיתוף פעולה בין OpenAI לאפל

ביום החמישי, OpenAI הכריזה על צעד משמעותי נוסף: שיתוף פעולה עם אפל (Apple) לשילוב ChatGPT במערכת ההפעלה iOS 18.2. שיתוף הפעולה הזה מביא את יכולות הבינה המלאכותית המתקדמות של OpenAI היישר אל המשתמשים של Apple, המוכרים בזכות הציפיות הגבוהות שלהם לנוחות ולחדשנות.

ChatGPT נכנס ל-Siri

החידוש הבולט בהכרזה הוא שילוב ChatGPT בעוזרת הקולית Siri, מה שמציע למשתמשים גישה ישירה ובלתי אמצעית ליכולות מתקדמות של בינה מלאכותית. התוצאה: העוזרת הקולית של אפל הופכת לחזקה ומתוחכמת יותר מאי פעם. למשל:

• יצירת תוכן במהירות: משתמשים יכולים להכתיב בקשות לכתיבת טקסטים כמו הודעות, מיילים ואפילו מאמרים.
• תכנון משימות ולוחות זמנים: פקודות קוליות פשוטות מאפשרות לתכנן יום עמוס תוך כמה שניות.
• פתרון בעיות טכניות: הפקת קודים, ביצוע ניתוחים והשלמת מטלות מורכבות – הכל באמצעות אינטראקציה אינטואיטיבית.
• ניהול שיחות מתקדמות: ChatGPT משמש כעוזר אישי חכם לניהול שיחות מעמיקות, אפילו על נושאים מורכבים.

יתרונות מרכזיים

שילוב ChatGPT במערכות אפל מביא לשולחן כמה יתרונות בולטים:

• חוויית משתמש אחידה: התכונה זמינה למשתמשי iPhone, iPad ו-Mac, ומספקת חוויית שימוש חלקה בכל המכשירים.
• שדרוג משמעותי ביכולות העיבוד: השימוש במודל o1 העדכני של OpenAI מאפשר עיבוד מהיר, מדויק וחלק יותר.
• הרחבת הנגישות: שילוב ChatGPT בתוך Siri פותח את הדלת למיליוני משתמשים לחוות את היכולות של הבינה המלאכותית בצורה יומיומית ונגישה.

מבט קדימה

שיתוף הפעולה בין אפל ל-OpenAI מסמן מגמה של שילוב בינה מלאכותית במכשירי קצה בדרך טבעית, שמשפרת את חיי היומיום. יחד עם הכרזות קודמות במהלך 12 הימים – כמו השקת מודל סורה או הרחבת כלי ה-Canvas – ניכר ש-OpenAI מכוונת להפוך את הבינה המלאכותית לחלק בלתי נפרד מחיי המשתמשים.

היום השישי: אינטראקציה חדשה עם קול, וידאו ומצב סנטה

ביום השישי הכריזה OpenAI על שני חידושים מרכזיים שמרחיבים את חוויית האינטראקציה עם ChatGPT: הסייען הקולי משתדרג עם יכולות וידאו בזמן אמת ומצב “סנטה” מבדר במיוחד מושק לתקופת חג המולד.

סייען קולי מתקדם עם וידאו בזמן אמת

השדרוג הראשון הוא שילוב של סייען קולי מתקדם עם יכולות וידאו בזמן אמת, שמאפשר ל-ChatGPT להבין ולהגיב לתוכן ויזואלי באופן אינטראקטיבי. על אף שטכנולוגיית הווידאו נמצאת בשלבים מוקדמים, היא מציגה פוטנציאל מרשים: שילוב בין קול, וידאו ותוכן ויזואלי פותח דלתות לאינספור יישומים, החל מסיוע לאנשים עם מוגבלויות, חינוך והוראה, הגברת פרודוקטיביות ועד אפליקציות מקצועיות שיעשו שימוש ביכולות אלו. 

איך זה עובד? שימו לב לסרטון הבא:

למי יכולות הוידאו זמינות?

יכולות הוידאו ושיתוף המסך בזמן אמת זמינות בסייען הקולי המתקדם של ChatGPT באופן הבא:

החל מהיום, הפיצ’ר זמין למשתמשי Teams ולרוב מנויי Plus ו-Pro. בישראל הפיצ’ר כבר זמין – אם לא קיבלתם גישה, המתינו קצת (לא כולם מקבלים גישה באותו זמן – זה יכול לקחת כמה ימים). למנויי Plus ו-Pro באירופה, התכונה תגיע בהקדם האפשרי. למשתמשי תוכניות Enterprise ו-EDU הפיצ’ר יהיה זמין בתחילת השנה הבאה.

חשוב לציין שיכולות הוידאו הללו זמינות למנויים משלמים ולא למי שמשתמש בחבילה החינמית, בה תמצאו גרסה פחות מתקדמת של הסייען הקולי. עדיין מדובר בכלי מרשים ויעיל, אבל יש בו דגם פחות מתקדם של יכולות קוליות, ולא תמצאו בו את הגישה לשיתוף מצלמה ומסך בזמן אמת, כמו שיש למנויים משלמים.

מצב סנטה

תכונה נוספת שהוצגה ביום השישי היא “מצב סנטה”, שמעניק ל-ChatGPT קול של סנטה בסייען הקולי המתקדם. מדובר בתוספת קלילה ומבדרת, המאפשרת למשתמשים ליהנות מחוויה מותאמת לעונת החגים. איך זה עובד? פשוט כנסו לסייען הקולי ובחרו במצב הקול של סנטה. האייקון הכחול ייצבע בפתיתי שלג.

הכרזות קודמות ומה שצפוי בהמשך

ההכרזה ביום החמישי מצטרפת לסדרת עדכונים מרשימים שהוצגו במהלך השבוע הראשון של “12 ימי OpenAI”.

• יום ראשון: הושקה גרסת o1 המלאה, לצד מנוי ChatGPT Pro היקר אימים (200 דולר בחודש).
• יום שני: נחשפה פלטפורמת Fine-Tuning, המאפשרת התאמה אישית ודיוק מוגבר במודלים.
• יום שלישי: הושק מודל Sora, מחולל הוידאו המדהים של OpenAI.
• יום רביעי: הוכרז על הרחבת כלי ה-Canvas לכל המשתמשים, לשיפור חוויית העבודה הוויזואלית.

בהמשך “12 ימי OpenAI” צפויות הכרזות נוספות שכוללות שדרוגים משמעותיים למודלים קיימים, לצד כלים חדשניים שממשיכים לעצב את עתיד הבינה המלאכותית.

הפוסט וביום החמישי והשישי – ChatGPT, סירי, וידאו בסייען הקולי וסנטה הופיע ראשון בLet's AI בינה מלאכותית

ניהול זמן: מה הבעיה ואיך AI יכול לעזור?

ניהול זמן יעיל הוא אתגר שרבים מתמודדים איתו. רבים מאיתנו נתקלים בקשיים בתעדוף משימות, עומסים ביומנים, ופגישות שמפוזרות ללא תכנון ברור. בינה מלאכותית מציעה כלים ותוכנות שמתאימים את עצמם למשתמשים ומאפשרים נכון להיום בעיקר:

• תעדוף משימות אוטומטי: קביעת סדרי עדיפויות לפי דחיפות.

• תכנון יומן חכם: התאמת פגישות לזמנים פנויים ושימור חלונות זמן לעבודה ממוקדת.

• מעקב ביצועים: ניתוח יעילות הזמן שהושקע במשימות.

שימוש נכון בטכנולוגיות הללו לא רק חוסך זמן, אלא גם מפחית טעויות אנוש ומאפשר גישה מסודרת יותר לעבודה, בעיקר לכל מה שכבר נעשה בעבר בשביל להתכונן טוב יותר לעתיד.

ניהול יומנים

ניהול יומנים חכם הוא אחת הדרכים היעילות ביותר לייעול הזמן שלך. בעידן שבו כל דקה חשובה, יומן מסודר מאפשר לך לשמור על איזון בין עבודה לפנאי, למנוע כפילויות ולהבטיח עבודה ממוקדת. הנה שני כלים שמובילים את התחום:

Clockwise

• מה זה עושה? Clockwise מנתח את יומני המשתמש ומסדר את הפגישות כך שיותירו “זמן ממוקד” לעבודה. הכלי מקבץ פגישות יחד כדי לשמור על חלונות עבודה נקיים.

• למי זה מתאים? צוותים שעובדים בסביבה עמוסה ונדרשים לתאם בין לוחות זמנים.

• תכונה ייחודית: יצירת “פוקוס בלוקים” (Focus Blocks) שמיועדים למשימות מורכבות הדורשות ריכוז.

Reclaim.ai

• מה זה עושה? Reclaim.ai לומד את דפוסי העבודה של המשתמש ומתאים זמנים לפעילויות יומיומיות כמו אימונים, כתיבה או תכנון שבועי.

• יתרונות: מתאים אישית את לוחות הזמנים לפי עדיפויות המשתמש.

• חסרון: נדרשת אינטגרציה מלאה עם היומן, מה שעשוי לדרוש זמן הסתגלות.

ניהול משימות

ניהול משימות מבוסס AI מספק גישה מובנית לארגון העבודה, עם תכונות אוטומציה מתקדמות.

Motion

• מה זה עושה? Motion משלב ניהול משימות ולוחות זמנים. הוא מתכנן אוטומטית את היום שלך בהתאם למשימות שהוגדרו.

• יתרונות: מתאים לעובדים עם עומס רב שצריכים לסנכרן בין פרויקטים ולוחות זמנים.

• חסרון: ממשק המשתמש עשוי להיות מורכב למשתמשים חדשים.

ClickUp

• מה זה עושה? ClickUp הוא כלי לניהול פרויקטים המשלב משימות, לוחות שנה ותעדוף אוטומטי. לדוגמה, צוותים שעובדים על פיתוח מוצר יכולים להשתמש ב-ClickUp כדי לעקוב אחרי התקדמות משימות, להגדיר יעדים שבועיים, ולשתף פעולה בצורה יעילה באמצעות תכונת הצ’אט המשולבת.

• יתרונות: אינטגרציה מלאה עם כלים נוספים כמו Google Calendar ו-Slack.

• למי הכלי מתאים? צוותים שעובדים על פרויקטים מרובי משתתפים.

מעקב זמן חכם – הכירו את Timely

מעקב זמן מדויק חיוני כדי להבין כיצד הזמן מושקע בפועל, ולזהות תחומים שבהם ניתן להשתפר. לדוגמה, בנוסף ל-Timely, כלים כמו RescueTime יכולים לספק תמונה רחבה יותר על דפוסי עבודה ואפילו להתריע על בזבוז זמן באתרים או באפליקציות לא פרודוקטיביות.

• מה זה עושה? Timely עוקב באופן אוטומטי אחרי הפעילויות שלך על המחשב ומספק דוחות מפורטים על הקצאת הזמן.

• יתרונות: אין צורך במעקב ידני. בנוסף, הכלי גם מייצר דוחות מפורטים המאפשרים שיפור עצמי.

• חסרון: יכול לעורר חששות בנושא פרטיות, במיוחד בסביבות עבודה עם מדיניות נוקשה.

מחברת קסומה – הכירו את Notion AI

אם עדיין אין לכם כלי לניהול משימות, מעקב אחר פרויקטים, ניהול מסמכים או crm, אין ספק שאתם צריכים לבדוק את Notion. עכשיו יש להם סוכן בינה מלאכותית שמסתכל על כל מה שכתוב שם ויודע לשלוף תובנות מעניינות ברגע!
המערכת לא פשוטה ללמידה, אבל מי שיצליח יקבל כלי מטורף לניהול היום יום ובכלל!

• מה זה עושה? משלב ניהול מסמכים, פרויקטים ויצירת תוכן תחת פלטפורמה אחת.

• יתרונות: אידיאלי לניהול מידע קבוצתי וארגון מסמכים בצורה יעילה.

• למי זה מתאים? צוותים ואנשים שזקוקים למאגר ידע מסודר ונגיש.

איך לבחור את הכלי המתאים?

בחירת כלי לניהול זמן אינה משימה פשוטה, שכן ישנם מגוון רחב של אפשרויות בשוק. כדי להבטיח שתבחרו את הכלי הנכון, כדאי להקדיש זמן לחשיבה על הצרכים הספציפיים שלכם והעדפות העבודה. הנה כמה שאלות מרכזיות שיכולות לעזור בתהליך הבחירה:

• מה הצורך שלי? הגדירו בצורה ברורה מהי הבעיה שאתם מנסים לפתור. האם מדובר בניהול יומן בלבד, מעקב אחר פרויקטים מורכבים, או אולי בשיפור תעדוף המשימות שלכם?
• מי ישתמש בכלי? השאלה למי הכלי מיועד תשפיע רבות על בחירתכם. האם הכלי נדרש לשימוש אישי בלבד, או שהוא מיועד לצוות עבודה שלם.
• עד כמה הכלי גמיש? לכל משתמש ולכל צוות יש צרכים שונים, ולכן הגמישות של הכלי חשובה במיוחד. חשבו האם הכלי שתבחרו יכול להשתנות ולהתאים את עצמו לצרכים שלכם, או שמא הוא מגביל אתכם למבנה עבודה מסוים.
• מה רמת המיומנות הנדרשת? האם הכלי שאתם בוחרים פשוט ללמידה ותפעול, או שמא הוא דורש זמן הסתגלות והשקעה נוספת?
• מה התקציב שלי? השיקול הכלכלי הוא גורם מכריע. כלים רבים מציעים גרסאות חינמיות עם תכונות בסיסיות לצד גרסאות פרימיום בתשלום. חשבו על הערך שהכלי מציע לעומת עלותו, וודאו שהוא מתאים לתקציב שלכם בלי להתפשר על התכונות החשובות לכם.

בסופו של דבר, בחירת הכלי המתאים היא החלטה אישית שתלויה בצרכים הייחודיים שלכם, אך השקעה בבחירה נכונה יכולה לשפר בצורה משמעותית את הדרך שבה אתם מנהלים את זמנכם ומשימותיכם.

שתי דוגמאות מהשטח

מגזר הקמעונאות  חברת Woolworths

חברת Woolworths, אחת מרשתות הקמעונאות הגדולות, עושה שימוש נרחב בבינה מלאכותית (AI) לשיפור חוויית הלקוח וניהול תהליכים פנימיים. יותר מ-10,000 עובדים משתמשים בכלים מבוססי AI לניהול פגישות ותקשורת, מה שמוביל למענה מהיר יותר ללקוחות. החברה משלבת טכנולוגיות כמו Google Dialogflow עם פלטפורמת Genesys, המאפשרות אינטראקציות מותאמות אישית באמצעות עוזרים וירטואליים, כמו Olive.

מגזר הבריאות חברת Cost Plus Drugs

Cost Plus Drugs, בבעלות מארק קיובן, מתמקדת בהפחתת עלויות התרופות תוך שימוש בבינה מלאכותית ואוטומציה. החברה משתמשת בכלי AI כמו Google Gemini כדי לייעל משימות יומיומיות, כולל ניהול דוא”ל ותיעוד רגולטורי.

הנה כמה דוגמאות:

• אוטומציה של תמלול ושיפור פורמט מסמכים רגולטוריים חוסכת כ-5 שעות עבודה שבועיות לכל עובד.
• צ’אטבוטים מבוססי AI מטפלים בשאלות שגרתיות של לקוחות, מה שמאפשר לנציגים אנושיים להתמקד במשימות מורכבות יותר.
• שימוש באנליטיקה חזויה לניהול מלאי משפר את זמינות התרופות ומצמצם בזבוז

מה אתם צריכים לחפש בכלי שתבחרו?

• התאמה אישית מלאה: כלים שיתאימו את עצמם בזמן אמת לסגנון העבודה של המשתמש.

• שילוב טכנולוגיות מתקדמות: כמו זיהוי קולי וניהול משימות מבוסס חיישנים.

• ניבוי משימות ותכנון מראש: מערכות שיוכלו לחזות צווארי בקבוק או משימות קריטיות מראש.

שימוש מושכל בכלים אלו יכול לשנות את הדרך שבה אנו מנהלים את הזמן, ולהבטיח עבודה פרודוקטיבית וממוקדת יותר. התחילו כבר עכשיו עם כלי כמו Clockwise או Timely, ותראו כיצד שיפור קטן בניהול הזמן יכול ליצור השפעה משמעותית על היום-יום שלכם.

הפוסט ניהול זמן ושיפור פרודוקטיביות: מדריך שימושי לכלי בינה מלאכותית הופיע ראשון בLet's AI בינה מלאכותית

סיכום היום הרביעי

עד כה ה-Canvas של ChatGPT היה זמין רק למנויי Plus – עכשיו הוא נפתח לכלל משתמשי ChatGPT, כולל משתמשים בחבילה החינמית. מוזמנים לצפות בהכרזה המלאה, שעלתה בערוץ היוטיוב של OpenAI. בהמשך הכתבה תמצאו הרחבה ומידע מועיל נוסף.

סיכום הימים הקודמים

היום הראשון: ChatGPT Pro ו-o1

היום הראשון כלל את השקת ChatGPT Pro – גרסה מתקדמת שמציעה גישה למודל o1 במצב Pro, שעולה 200 דולר בחודש, אבל גם מחזיק ביכולות חישוב עוצמתיות הרבה יותר מאשר אלו שזמינות במסלול המנויים שמשלמים 20 דולר. חשוב לציין שגם המודל שזמין במנוי הזול יותר הוא פשוט מפלצת! יש לו הסקה רב שלבית (במודל של “שרשרת מחשבה“) והוא לא פחות ממדהים! 99% מהמשתמשים כלל לא צריכים את יכולות החישוב העוצמתיות של המסלול היקר יותר, ולכן יכולים “להסתפק” בכיף במודל שעד כה שימש ארגונים כמו ה-FBI ושלפני שנה היה נעול במרתפי OpenAI.

אותי זה פשוט מדהים שטכנולוגיה שלפני שנתיים-שלוש הייתה זמינה רק לתאגידי ענק כמו מיקרוסופט, גוגל ואפל, זמינה היום לכל אדם עם טלפון נייד. זו מהפכת ה-AI בשיא תפארתה. זו הדמוקרטיזציה של הטכנולוגיה! חשוב לציין שהמודל מציג שדרוגים בעמידות ותובנות מניסויים מתקדמים, תוך מתן גישה רחבה יותר לטכנולוגיות חדשניות. אפשר להעלות ל-o1 קבצים (אופציה שהייתה חסרה מאוד בגרסת הפריוויו ומאפשר לנצל את יכולות החישוב וניתוח הנתונים המדהימות של מודל זה, על קבצים שמעלה המשתמש). מוזמנים לקרוא את הסקירה שלנו על המודל המשודרג פה.

היום השני: תוכנית המחקר לתחזוקת חיזוק

ביום השני הוכרזה תוכנית המחקר לתחזוקת חיזוק (Reinforcement Fine-Tuning), המיועדת לארגונים ואקדמיות, ומאפשרת ניסויים בגישות חדשניות ללמידת מכונה.

תוכנית המחקר לתחזוקת חיזוק (Reinforcement Fine-Tuning) של OpenAI היא יוזמה ייחודית שמאפשרת למפתחים ומהנדסי למידת מכונה להתאים אישית מודלים כך שיצליחו במשימות מורכבות בתחום ספציפי. הטכניקה מבוססת על שימוש במגוון משימות איכותיות עם תשובות ייחוס מוגדרות, מה שמחזק את היכולת של המודל להתמודד עם בעיות דומות ומגביר את הדיוק במטלות ממוקדות. התוכנית פתוחה למכוני מחקר, אוניברסיטאות וארגונים שמתמודדים עם משימות צרות ומורכבות בהובלת מומחים, כאשר התחומים שזוכים לתוצאות מבטיחות כוללים משפטים, ביטוח, בריאות, פיננסים והנדסה, בזכות אופיין של משימות אלו הדורשות תשובות נכונות ומוסכמות. המשתתפים בתוכנית מקבלים גישה ל-API בתצורת אלפא, שבו הם יכולים להתנסות בטכניקת תחזוקת החיזוק ולספק משוב שיעזור בשיפור הכלי. כמו כן, OpenAI מזמינה את המשתתפים לשתף מאגרי נתונים כדי לתרום לפיתוח המודלים העתידיים. עם מספר מקומות מוגבל בתוכנית, OpenAI מתכננת להשיק את תחזוקת החיזוק לציבור הרחב בתחילת 2025, מה שמהווה צעד משמעותי לקידום מודלים מותאמים אישית למשימות ממוקדות ומורכבות.

התוכנית פותחת אופקים חדשים למחקר ופיתוח בתחום ה-AI. תוכלו לקרוא עליה פה.

היום השלישי: ציפייה של שנה הגיעה אל סופה – Sora פה!

ביום השלישי נחשף סורה (Sora), מודל ליצירת וידאו שהיה בפיתוח זמן רב. כעת, הוא זמין לשימוש עבור מנויים משלמים ומהווה כלי ליצירת תוכן ויזואלי איכותי. פה תמצאו סקירה טכנית מקיפה ומדריך שימוש מעמיק על הכלי, יכולותיו ומגבלותיו. כמו כן, הכנו לכם גם מדריך מצולם, בו תמצאו גם סקירה של יתרונות וחסרונות של הכלי. ככה זה כשיש מי שתמיד דואג לכם ומאפשר לכם להישאר בחזית הטכנולוגית!

היום הרביעי: ממשק ה-Canvas זמין לכולם

מהו ה-Canvas של ChatGPT?

ממשק ה-Canvas הוא פלטפורמה חכמה לשיתוף פעולה בכתיבה ותכנות, המשלבת את יכולות GPT-4o עם כלי עריכה מתקדמים. מדובר בממשק שמאוד מזכיר את ממשק ה-Artifacts של קלוד. תצוגת הקנבס מאפשרת למשתמשים לבצע משימות מורכבות בפלטפורמה נוחה, המחולקת לשתי חלוניות – חלונית העבודה המרכזית ותפריד צידי, בו ניתן לתת למודל הנחיות טקסטואליות. כלי זה תוכנן לשדרג את חוויית העבודה של משתמשים בכתיבה ותכנות, באינטראקציה ישירה עם ChatGPT, וכולל פונקציות לשיפור טקסטים, תיקון באגים והצעת שיפורים. פה תמצאו מדריך מקיף לקנבס, אותו פרסמנו עם השקת הכלי באוקטובר 2024.

איך זה נראה מבפנים? הקנבס של ChatGPT

לא רק בצ’ט – גם ב-GPTs!

אחד השדרוגים הכי חשובים בהכרזה של היום הרביעי, היה האפשרות לשלב את ממשק הקנבס בבוטים שמשתמשים בונים בפלטפורמת ה-GPTs. וזה כבר לא צחוק! מדובר בשדרוג אדיר שהופך בוטים וסייענים ליעילים יותר, מסייע להם לטפל ביעילות רבה יותר ב”גזלני זמן” כמו כתיבה, ניסוח מיילים, אוטומציה של משימות רפטטיביות, יצירת טקסטים מרוכבים, ביצוע סינטזה, התאמת רמת קריאה ועוד הרבה מעבר. יכולת זו מאפשרת להרחיב את היכולות של GPTs מותאמים אישית, תוך שילוב Canvas בתהליכי העבודה שלהם בצורה טבעית ואינטואיטיבית. המערכת מופעלת כברירת מחדל ב-GPTs חדשים, וניתנת להפעלה ידנית ב-GPTs קיימים דרך ממשק ההגדרות.

הפעלת הקנבס ב-GPTs.

למה זה ביג דיל? ה-Canvas לא רק משפר את חוויית המשתמש, אלא גם מרחיב את היכולות של ChatGPT לפרויקטים מורכבים יותר. הוא משמש ככלי רב-תכליתי המשלב כתיבה, תכנות, שיתוף פעולה ומשוב יעיל – הכל במקום אחד!

איך זה עובד?

ה-Canvas נועד לשפר את האינטראקציה עם ChatGPT בפרויקטים מורכבים הדורשים עריכה ותיקונים, כמו כתיבה יצירתית או משימות כתיבת קוד ודיבאגינג. הממשק מחולק לשני חלקים:

1. אזור הצ’אט הרגיל – מאפשר לשוחח עם ChatGPT בקלות.
2. אזור העבודה (Canvas) – משמש לכתיבה ועריכה.

בין אם מדובר בכתיבת סיפור, שיפור מאמר, או ניתוח קוד Python, המערכת מספקת כלי עזר מתקדמים כמו תיקון שגיאות, שינויים ברמת השפה, הוספת אמוג’ים, ביצוע קוד Python בזמן אמת, ואף הדמיות גרפיות.

כיצד להפעיל את Canvas?

• הפעלה אוטומטית: ChatGPT יפתח Canvas כאשר הוא מזהה שהתוכן מצריך עריכה או כשנדרשת יצירת מסמך ארוך (למשל, יותר מ-10 שורות טקסט).
• הפעלה ידנית: ניתן לבקש במפורש מ-ChatGPT להשתמש ב-Canvas באמצעות הפקודה “USE CANVAS”, או לחלופין, לרשום את הפקודה הבאה: /canvas (כלומר, לוכסן ולאחריו המילה קנבס).
• עבודה על פרויקט קיים: ניתן להדביק תוכן ישירות ב-Canvas, או ליצור קנבס ריק ולהתחיל לעבוד.

שימושים עיקריים ויתרונות

• כתיבה יצירתית: שיתוף פעולה בכתיבת סיפורים, עריכת טקסטים והצעות שיפור.
• תכנות: תיקון באגים, הרצת קוד Python, ותמיכה בספריות כמו Matplotlib ליצירת גרפים ודיאגרמות. כמו כן, לכלי יש יכולת ליצור דיאגרמות וגרפים באמצעות Python.
• שימוש אישי ומקצועי נרחב: המודל מתאים לכותבים, מתכנתים, סטודנטים, יוצרי תוכן, אנשי שיווק, עיתונאים, יזמים, מפתחים, ואנשי מקצוע.
• הבנה עמוקה של ההקשר: המערכת מזהה את המטרות שלכם ומספקת משוב מותאם.
• שליטה מלאה בפרויקט: תוכלו לערוך טקסט או קוד ישירות, לקבל הצעות, או לשחזר גרסאות קודמות.
• משוב מדויק: המערכת מספקת הצעות בתוך התוכן עצמו, ומאפשרת התמקדות בחלקים ספציפיים.
• מעקב אחר גרסאות: ניתן לעקוב אחר גרסאות שונות של המסמך או הקוד, לשחזר גרסאות קודמות, ולצפות בשינויים שבוצעו באמצעות כפתור “Show Changes”.

   

כלי העריכה של הקנבס

ה-Canvas מציע מגוון כלים מתקדמים לכתיבה ולתכנות. בתחום הכתיבה היוצרת הוא מאפשרת לבצע עריכות, תיקונים ואף לתת המלצות, תוך יישומן המלא בזמן אמת. להלן סקירת היכולות של הכלי:

• הצעות לעריכה: משוב מותאם ישירות בתוך המסמך.
• התאמת אורך: קיצור או הארכת הטקסט.
• שינוי רמת קריאה: התאמה בין רמת גן ילדים ועד רמת תואר שני.
• הוספת אמוג’ים: להפיכת הטקסט למזמין וצבעוני יותר.
• פוליש סופי: בדיקת שגיאות דקדוק, בהירות ועקביות.

גם בגזרת כתיבת הקוד והתכנות, הכלי מפגין יכולות מרשימות, שמנגישות את עולם הקוד לאנשים חסרי ניסיון וידע, ומצד שני, מעצימות דרמטית את היכולות של מתכנתים, יזמים ומפתחים. להלן סקירת עיקרי היכולות של הכלי בתחום זה:

• תיקון באגים: המערכת מזהה שגיאות בקוד ומתקנת אותן.
• סקירת קוד: שיפור הקוד על ידי הערות והצעות.
• הרצת קוד Python: המערכת כוללת אמולטור Python להרצת קוד ישירות מהדפדפן.

קיצורי הדרך של הקנבס של ChatGPT

זמינות הכלי

במסגרת ההכרזה הודיעה OpenAI שה-Canvas זמין לכל המשתמשים, כולל בעלי תוכנית חינמית. עם זאת, חשוב לציין כי ניתן להפעיל את הכלי גם באמצעות הפקודה “USE CANVAS”, גם אם הכפתור אינו מופיע בממשק. הקנבס זמין כרגע בממשק ה-Web ואפליקציה ל-Windows, וצפוי להגיע לאפליקציה ל-Mac ולמכשירים ניידים בקרוב.

מבט קדימה: מה צפוי בימים הבאים?

בהמשך “12 ימי OpenAI” צפויים הכרזות נוספות שימשיכו לשנות את עולם הבינה המלאכותית. עד כה, כל יום חשף חידושים מלהיבים, מה שמחזק את מעמד OpenAI כמובילה בתחום.

מוזמנים לקרוא את המדריך המלא שלנו על הקנבס ולהתנסות במודל החדשני בעצמכם!

ההשקה של Canvas מציבה את ChatGPT בחזית כלי הכתיבה והתכנות, ומדגישה את החזון של OpenAI ליצור כלי AI שמעצימים משתמשים ומובילים חדשנות

הפוסט הקנבס של ChatGPT זמין לכולם, גם בחבילה החינמית! יום 4 מתוך 12 ימי ההכרזות של OpenAI הופיע ראשון בLet's AI בינה מלאכותית

o1 ו-o1 Pro: מה חדש?

המודלים החדשים, o1 ו-o1 Pro, מביאים שיפורים משמעותיים בעיקר בשלושה תחומים מרכזיים: מתמטיקה, קידוד ומדעים, וכן ניתוח שפה טבעית (עם הבנה עמוקה יותר של כוונת הכותב). בנוסף, נראה כי המודלים מסוגלים לבצע משימות מורכבות נוספות, אך תחומים אלו עדיין נמצאים בשלבי בדיקה. ההבטחה הגדולה טמונה בשיפור במהירות ובדיוק התשובות, במיוחד במשימות הדורשות יכולות ניתוח מורכבות ורב-שלביות. משימות כגון פתרון תשבצים מורכבים, זיהוי דפוסים בתמונות, ניתוח בעיות מתמטיות מורכבות, וחשיבה לוגית (רזונינג) ממחישות את הפוטנציאל של המודלים להתמודד עם אתגרים מורכבים ורב-שלביים, לצד ההתמודדות עם האתגרים הניכרים שבדרך.

איך משתמשים במודלים ולמי הם זמינים?

מודל o1 זמין למנויי ChatGPT Plus במחיר של 20 דולר לחודש, בעוד שמודל o1 Pro פונה בעיקר למשתמשים מקצועיים. מודל זה מוצע במחיר גבוה משמעותית של 200 דולר לחודש, ומיועד למי שזקוקים ליכולות חישוב מתקדמות ואמינות גבוהה במיוחד. למשתמשי ChatGPT Pro יש גישה ישירה ל-o1 pro mode דרך ממשק בחירת המודל – חשוב לדעת שבמצב זה, המערכת מייצרת תשובות בצורה איטית יותר בשל רמת החישוב המוגברת, אך תהליך ההמתנה מלווה בסרגל התקדמות והתראות באפליקציה אם המערכת פועלת ברקע.

מודל o1 זמין למנויים בתשלום.

העלאת קבצים ל-o1

אחד השיפורים הגדולים, שלו לבדו יש השלכות דרמטיות על יכולות השימוש והפוטנציאל של פלטפורמת ChatGPT, היא היכולת להעלות קבצים למודל o1 החדש (יכולת שלא הייתה זמינה בגרסת הפריוויו הישנה של המודל). מדובר בשיפור דרמטי, שכן למודל החדש יש יכולות חישוב עוצמתיות במיוחד, בדגש על הבנת תהליכים מורכבים, הסקה רב-שלבית, יכולות חיזוי ויכולות חישוב מתמטיות מתקדמות. זה בהחלט גיים צ’יינג’ר שמקפיץ את האיכויות של הצ’ט הג’נרטיבי המפורסם והמצליח בעולם!

מה זה ChatGPT Pro?

חבילת ChatGPT Pro היא תכנית מנוי חודשית במחיר של 200 דולר, שנועדה לספק גישה רחבה למודלים המתקדמים של OpenAI. התוכנית מיועדת לאנשי מקצוע כמו חוקרים, מהנדסים ומשתמשים שמסתמכים על אינטליגנציה מלאכותית לצורך עבודה יומיומית. היתרון המרכזי בתוכנית הוא גישה בלתי מוגבלת למודלים החזקים ביותר, הכוללים את:

• o1: המודל המתקדם ביותר של OpenAI.
• o1-mini: גרסה ממוקדת עם שימושים ייעודיים.
• GPT-4o: דגם נוסף שמרחיב את האפשרויות של משפחת GPT.
• Advanced Voice: כלי קולי מתקדם לשימושים חדשניים.

המאפיין המרכזי של ChatGPT Pro הוא מצב o1 pro mode, אשר מתאפיין ביכולות חישוב מוגברות המאפשרות למודל “לחשוב יותר חזק” ולהפיק תשובות אמינות ומדויקות יותר, בעיקר בפתרון בעיות קשות.

מה מיוחד ב-o1 ובמצב o1 pro mode?

מודל o1 הוא הדור החדש של מודלי ה-AI של OpenAI, והוא מתאפיין ביכולת לפתור בעיות מורכבות באופן מדויק ואמין יותר. החידוש הגדול ביותר הוא מצב o1 pro mode, המשפר את ביצועי המודל בעזרת שימוש במשאבים חישוביים מתקדמים.

בבדיקות חיצוניות, o1 pro mode הראה שיפור משמעותי במגוון תחומים:

• מתמטיקה תחרותית: עלייה משמעותית בדיוק הפתרונות במבחנים כמו AIME 2024.
• תכנות תחרותי: שיפור באחוזון ההצלחה במבחנים כמו Codeforces.
• שאלות מדעיות ברמה אקדמית: תוצאות מדויקות יותר בשאלות ברמת דוקטורט.
• מדד אמינות משופר: אחת מהשיטות להדגשת האמינות של o1 pro mode היא הערכה בתנאים מחמירים: תשובה נחשבת לנכונה רק אם המודל הצליח לפתור שאלה בצורה נכונה בארבע ניסיונות מתוך ארבע. כאן, o1 pro mode הפגין ביצועים יוצאי דופן בהשוואה למודלים קודמים.

נתוני הביצועים:

בהשוואה ל-o1 ול-o1-preview, מצב o1 pro mode מציג ביצועים משופרים במדדים מאתגרים של למידת מכונה, במיוחד בתחומי המתמטיקה, המדעים והתכנות.

• מתמטיקה תחרותית (AIME 2024): o1 pro mode הגיע לדיוק של 86%, בהשוואה ל-78% של o1 ול-50% של o1-preview.
• תכנות תחרותי (Codeforces): o1 pro mode קיבל 90%, בעוד o1 השיג 89% ו-o1-preview רק 62%.
• שאלות מדעיות ברמת דוקטורט: o1 pro mode הגיע ל-79%, לעומת 76% ו-74% עבור o1 ו-o1-preview בהתאמה.

ביצועי המודל במתמטיקה ומדעים.

כדי להדגיש את היתרון המרכזי של מודל o1 Pro – שיפור האמינות – OpenAI השתמשו בהגדרה מחמירה יותר להערכה: המודל נחשב לפותר שאלה רק אם הוא מצליח לספק תשובה נכונה בארבע מתוך ארבע ניסיונות (“reliability 4/4”), ולא רק באחד מהם.

• מתמטיקה תחרותית: 80% עבור o1 pro mode, בהשוואה ל-67% עבור o1 ו-37% עבור o1-preview.
• תכנות תחרותי: 75% עבור o1 pro mode, לעומת 64% ל-o1 ו-26% ל-o1-preview.
• שאלות מדעיות ברמת דוקטורט: 74% עבור o1 pro mode, לעומת 67% ל-o1 ו-58% ל-o1-preview.

ביצועים מרשימים במדד המחמיר 4/4 reliability.

צפו בהכרזה, מתוך ערוץ היוטיוב של OpenAI: 

השוואות מוקדמות מצביעות על כך שמודל o1 מהיר ב-50% בהשוואה לקודמו, o1 Preview, ומצטיין במיוחד בתחומים כמו מתמטיקה, קידוד ומדעים. לעומת זאת, השיפור המרכזי במודל o1 Pro מתמקד בעיקר באמינות התשובות. המודל עושה שימוש בשיטת “קונצנזוס”, שבה נאספות מספר תשובות פוטנציאליות, ומתוכן נבחרת התשובה המדויקת ביותר. עם זאת, בבדיקות בלתי רשמיות נמצא כי ההבדל בביצועים בין מודל o1 למודל o1 Pro היה קטן מהמצופה. דוגמה בולטת לכך היא בתחום פתרון בעיות חשיבה לוגית (Reasoning), שבו ההבדלים בין המודלים כמעט ולא הורגשו.

האתגרים והחולשות

למרות השיפורים, נראה כי המודלים מתקשים במשימות יצירתיות ובפתרון בעיות הדורשות ניתוח מידע מורכב או ידע תרבותי. לדוגמה, במבחן שנעשה על ידי Ethan Mik, המודל נכשל בפתרון תשבץ מסובך שדרש יכולות הסקה והבנת רמזים עדכניים.

מודל o1 במציע גם יכולות ניתוח תמונות חדשות, המאפשרות להעלות תמונות ולקבל תובנות ישירות מהם. למרות זאת, בבדיקות מסוימות המודל לא הצליח לספק תשובות מדויקות או משמעותיות, במיוחד במקרים בהם התמונה לא הכילה רמזים מפורטים מספיק.

אחת הטענות המעניינות שעלו מהבדיקות היא שמודל o1 Pro הצליח במקרים מסוימים פחות טוב ממודל o1 הסטנדרטי. לדוגמה, בבדיקת SimpleBench, שזוהי בדיקה לא רשמית המכילה 10 שאלות היגיון כלליות, מודל o1 Pro קיבל תוצאות נמוכות יותר לעומת מודל o1, ייתכן שבגלל שימוש בשיטות קונצנזוס שהשפיעו לרעה על התוצאה הסופית אבל זה סתם ניחוש לא מבוסס.

המערכות החדשות מפגינות מגמות מעניינות בתחום הבטיחות, אך לא ללא אתגרים. לדוגמה, נמצא שבמקרים מסוימים המודל ניסה לעקוף מנגנוני פיקוח, ואף לשנות את מטרותיו במקרים בהם זוהה סיכון לסגירתו. אמנם מדובר במקרים נדירים, אך סוגיות אלו מעלות שאלות חשובות בנוגע לאתיקה ולשימושיות של מודלים מתקדמים אלו.

תמחור ותפיסה שיווקית

עם מחיר של 200 דולר לחודש, התמחור של o1 Pro מסמן מעבר למודל עסקי חדש שבו OpenAI מכוונת לקהל מקצועי ונישתי. המודל דומה לזה של חברות כמו אפל, בהן מחיר גבוה מיועד למשתמשים שמוכנים לשלם על ערך מוסף משמעותי.

ממשק ChatGPT Pro מציג התראה על פתרון בעיית קיפאון (deadlock) ב-C++ עם שימוש במנעולים (mutexes), הכולל הקשר קוד ברקע וסרגל התקדמות עם כפתור “פרטים” (Details).

Credit: OpenAI

מה הערך המוסף אתם שואלים?

התשובה פשוטה: גישה ליכולות חישוב חזקות יותר ויעילות גבוהה יותר במשימות מורכבות. אבל איפה זה באמת הופך לרלוונטי? לדוגמה, כפי שמודגם בסרטון מעלה, אם אתם מחפשים פתרון למערכת קירור בחלל, או עוסקים במשימות הנדסיות הדורשות עיבוד נתונים מתקדם ומדויק, המודלים המתקדמים עשויים להיות קריטיים עבורכם. עם זאת, שיטת התמחור הזו מציבה גם אתגר משמעותי בפני OpenAI. השאלה הגדולה היא כיצד החברה תוכל להרחיב את קהל המשתמשים שלה ולשכנע משתמשים שמעדיפים את הגרסה החינמית או את המנוי בעלות הנמוכה לשדרג למודלים היקרים יותר? מדובר בדילמה מהותית שקשורה לא רק לתמחור, אלא גם לערך המוסף שהמודלים המתקדמים מציעים, וליכולתה של OpenAI להמחיש למשתמשים את היתרונות הברורים שהם עשויים להפיק מהם.

מודל לאלפיון העליון

פתרון אפשרי עשוי לכלול התאמה של שיטת התמחור לקהלים שונים, כמו הצעת מודלים בתשלום מדורג בהתאם לשימוש או מתן תקופת ניסיון מורחבת למשתמשים מקצועיים. כך, ניתן יהיה לגשר על הפער בין הבטחת היתרונות הטכנולוגיים של המודלים המתקדמים לבין ההשקעה הנדרשת מצד המשתמשים. אם OpenAI תצליח להתמודד עם אתגר זה, היא עשויה לבסס את מעמדה לא רק כמובילה טכנולוגית, אלא גם כספקית פתרונות מותאמים למגוון רחב של משתמשים – ממקצוענים ועד חובבים.

הסברה היא שמודל o1 Pro מיועד בעיקר ל-“1% העליונים” של המשתמשים – אלו שמוכנים לשלם עבור היתרונות הייחודיים וגם צריכים אותם, בכל זאת.. מומחה כזה בחוץ עולה מאות אלפי דולרים בשנה.. אז אם כך, תשלום של 200 דולר בחודש כבר לא נראה נורא כל כך.

מה צופן העתיד?

קודם כל, יש לפנינו עוד 11 ימים של הכרזות ככה שהעתיד קרוב מתמיד אבל בלי קשר, נראה שכחלק מהתוכניות לעתיד, OpenAI מתכננת להוסיף תמיכה בכלים מתקדמים כמו דפדפן אינטרנט ושיחות קוליות בלתי מוגבלות למודל החדש. כלים אלו עשויים לשפר משמעותית את השימושיות של המודלים, במיוחד עבור משתמשים מקצועיים שזקוקים לאינטגרציה עמוקה יותר.

למרות האתגרים, מודלים כמו o1 ו-o1 Pro הם סימן להתקדמות בכיוון אינטליגנציה כללית (AGI). השיפורים במהירות, דיוק והיכולת למנף נתונים חזותיים מסמנים כי OpenAI ממקדת את מאמציה במתן פתרונות איכותיים יותר. השקת מודלי o1 ו-o1 Pro היא צעד חשוב בפיתוח מערכות בינה מלאכותית מתקדמות, אך היא גם מזמנת שאלות על כדאיות התמחור והערך המוסף עבור המשתמשים. עם יתרונות כמו מהירות ואמינות משופרים לצד אתגרים כמו יכולות יצירתיות מוגבלות, נראה כי OpenAI עדיין רחוקה מלשכנע שהמודלים החדשים הם שוברי שוק. אם OpenAI תצליח להרחיב את התמיכה למשתמשים הרגילים ולשלב כלים מתקדמים נוספים, יתכן שנראה שינוי משמעותי במעמד המודלים החדשים בשוק. בינתיים, ההחלטה האם לשדרג ל-o1 Pro תלויה בעיקר בצרכים האישיים של המשתמש ובתקציב הזמין לכך.

הפוסט עלייתה של מערכת o1 ו-o1 Pro הופיע ראשון בLet's AI בינה מלאכותית

מהו Fugatto?

Fugatto הוא כלי גנרטיבי מתקדם ליצירה ועיבוד סאונד, שמציע יכולות שלא נראו כמותן בעבר. הוא מסוגל לייצר מוזיקה מתוך הנחיות טקסטואליות, להוסיף או להסיר כלים משיר קיים, לשנות מבטאים או רגשות בקול ואפילו לייצר צלילים שמעולם לא נשמעו. הייחודיות של Fugatto טמונה ביכולתו לשלב משימות חופשיות ולבצע פעולות מורכבות באופן טבעי, כמו יצירת מנגינה המשלבת צלילי טבע וקול אנושי.

יכולות יוצאות דופן

Fugatto מתבלט בזכות יכולתו לטפל במגוון רחב של משימות. הנה כמה מהיכולות המדהימות שלו:

• יצירת מוזיקה: הפקת מנגינות חדשות על בסיס הנחיות טקסטואליות בלבד.
• שינוי צלילים קיימים: הוספה או הסרה של כלים מוזיקליים משיר, או התאמת סגנון ואיכות הצליל.
• שינוי קולי: התאמת מבטאים, הבעות ורגשות בקולות מוקלטים.
• יצירת צלילים ייחודיים: יצירת סאונד חדש לחלוטין, כמו חצוצרה “נובחת” או סקסופון “מיילל”.

לדוגמה, מפיקים מוזיקליים יכולים להשתמש ב-Fugatto ליצירת דמו מהיר של שיר, לבדוק סגנונות שונים או להוסיף אפקטים מיוחדים למנגינות קיימות.

המהפכה הטכנולוגית במוזיקה

אידו זמישלני, מפיק וכותב שירים מוערך, מסביר ש-Fugatto מהווה פרק חדש בהיסטוריה של המוזיקה. כמו הגיטרה החשמלית שהובילה ליצירת הרוקנ’רול, Fugatto הוא הכלי שיכול לשנות את הדרך שבה אנחנו יוצרים ומפיקים מוזיקה. בנוסף, בזכות Fugatto, פרסומות וקמפיינים שיווקיים יכולים להתאים עצמם לקהלים שונים באמצעות שינוי מבטאים ורגשות בקולות קריינות.

שימושים מגוונים מעבר למוזיקה

מעבר לעולם המוזיקה, Fugatto מציע אפשרויות מרתקות במגוון תחומים:

• חינוך: התאמת חומרי לימוד קוליים לקולות של קרובי משפחה, מה שמעצים את חווית הלמידה.
• גיימינג: יצירת צלילים חדשים בזמן אמת או התאמת קולות קיימים לשינויים במשחק.
• הפקות קולנוע וטלוויזיה: הוספת אפקטים קוליים ייחודיים שמעשירים את חווית הצפייה.

חדשנות בהבנת סאונד

פיתוח Fugatto דרש שיתוף פעולה רחב בין מומחים מארצות שונות. הצוות התמודד עם אתגרים כמו יצירת מאגר נתונים עשיר ומגוון, ושימוש בטכניקות חדשניות לניתוח והבנת סאונד. המודל עצמו מבוסס על 2.5 מיליארד פרמטרים, אשר נבנו על מערכות NVIDIA DGX מתקדמות.

טכניקות חדשות כמו ComposableART מאפשרות למשתמשים לשלב הוראות טקסטואליות בדרכים יצירתיות, כמו יצירת צליל המדמה מבטא צרפתי עם תחושה של עצב. בנוסף, Fugatto מציע שליטה מדויקת על האבולוציה של צליל, לדוגמה, יצירת סצנת סאונד המדמה סערה הנרגעת בהדרגה עם שחר.

העתיד של Fugatto

Fugatto פותח דלת לעולם חדש של יצירתיות, המשלב טכנולוגיה ואמנות. יכולתו ליצור צלילים שלא נראו בעבר מעוררת השראה ומעלה שאלות על העתיד של סאונד, מוזיקה והפקות קוליות. ככל שיכולותיו יתפתחו, Fugatto עשוי להפוך לכלי סטנדרטי במגוון תעשיות, ולהוות בסיס לדור הבא של בינה מלאכותית ביצירת סאונד.

הפוסט Fugatto: כלי ה-AI החדש שממציא מחדש את הסאונד הופיע ראשון בLet's AI בינה מלאכותית

רגולציה על תחום ה-AI: ביידן חותם – טראמפ מבטל

במרכז המאבק הפוליטי בין הנשיא הנוכחי ג’ו ביידן לנשיא הנבחר החדש, דונלד טראמפ, עומדת שאלת הרגולציה בתחום הבינה המלאכותית (AI). זירת ההתמודדות אינה רק פוליטית, אלא גם אידיאולוגית, המשלבת בין חזון טכנולוגי לבין אחריות ציבורית. שתי האג’נדות שמציגים המנהיגים חושפות גישות שונות בתכלית כלפי עתיד ה-AI באמריקה.

הרגולציה של ביידן: בטיחות וערכים מול חדשנות מסוכנת

באוקטובר 2023, חתם הנשיא ביידן על צו נשיאותי שנועד להבטיח כי הבינה המלאכותית תשרת את האינטרסים של כלל הציבור. הצו מציב שורה של דרישות מחברות טכנולוגיה, כגון שיתוף תוצאות בדיקות סיכון עם הממשלה הפדרלית, יצירת הנחיות למניעת הטיות במודלים של AI, והקמת מכון הבטיחות ל-AI תחת מחלקת המסחר. הרגולציה מתמקדת בהבטחת זכויות האזרח, קידום שוויון ומניעת אפליה על רקע גזע או מגדר. ביידן הדגיש כי טכנולוגיית AI יכולה לשפר את חיינו, אך ללא פיקוח, היא עלולה להעמיק אי-שוויון ולהפוך לכלי לשימוש לא אחראי. המכון הלאומי לתקנים וטכנולוגיה (NIST) נקרא להוביל את הפיקוח על מנגנוני ההגנה, תוך יצירת כלים לזיהוי ומניעת עיוותים מובנים במערכות ה-AI.

טראמפ נגד הרגולציה: פיתוח מהיר הוא אינטרס כלכלי

מנגד, טראמפ אינו מסתיר את ביקורתו על מדיניות ביידן. “רגולציה מוגזמת חונקת את החדשנות,” הכריז טראמפ במהלך מסע הבחירות לנשיאות 2024, תוך התחייבות לבטל את הצו מיד עם כניסתו המחודשת לתפקיד בינואר 2025. טראמפ מציע מדיניות מקלה שתתמקד בקידום טכנולוגיות תוך הפחתת מגבלות ביורוקרטיות. בהתאם לגישתו, הוא מציין כי תחרות עם סין על השליטה הטכנולוגית מחייבת את ארה”ב לא רק לעמוד בקצב אלא להוביל. הסכנה מתחדדת לאור עדויות לשימוש בטכנולוגיות מערביות ומודלי קוד פתוח של Meta בתעשיות הביטחון והמודיעין הסיניות. לפי ההצהרות, תחת ממשלו החדש, הצו הנשיאותי של ביידן יוחלף במדיניות שתעדיף חופש פעולה למפתחי AI, תבטל את הדרישות לבדיקות סיכון ותחסל את הנחיות מניעת ההטיות.

טראמפ מתכנן להקדיש משאבים משמעותיים ליישומים צבאיים של בינה מלאכותית (AI) כחלק ממאמצי שיפור הביטחון הלאומי. על פי דיווחים, בעלי בריתו עובדים על תוכניות שאפתניות לקידום טכנולוגיה צבאית מבוססת AI, כולל יוזמות בהשראת פרויקטים כמו “פרויקט מנהטן” – הפעם עבור טכנולוגיה ביטחונית. טראמפ והקואליציה שלו מציבים דגש מרכזי על שימוש ב-AI למטרות ביטחוניות, תוך השקעה מאסיבית במחקר ופיתוח בתחומים הקריטיים לצורכי ביטחון לאומי.

המאבק האידיאולוגי-כלכלי בין שני המנהיגים, טראמפ וביידן, מציב תמונה חדה של ההתנגשות בין ערכים מוסריים ואחריות ציבורית לבין הצורך בקידום טכנולוגי ויתרון תחרותי גלובלי. בעוד ביידן רואה בפיקוח מנגנון הכרחי למניעת ניצול לרעה של הטכנולוגיה, טראמפ שואף לפתח את ה-AI במהירות שיא, גם במחיר של סיכונים אפשריים. להחלטות אלו יש השלכות כבדות משקל על חדשנות, תעסוקה ועתיד הטכנולוגיה.

ענקי ה-AI עולים לרגל

המאבק הפוליטי סביב רגולציית הבינה המלאכותית (AI) אינו רק עניין של אידיאולוגיות ותקציבים; הוא גם שדה משחק לאישים הבולטים ביותר בתעשייה הטכנולוגית. אילון מאסק, מארק צוקרברג ורבים אחרים גילו התעניינות בולטת בגורל המדיניות האמריקאית בתחום ה-AI. האם מדובר ביוזמות לגיטימיות או במאבק על שליטה וכוח? כנראה שגם וגם.

אילון מאסק מתייצב לצד טראמפ

על פי הצהרות הנשיא הנבחר החדש, אילון מאסק, האיש מאחורי Grok, טסלה, SpaceX ו-xAI, יקבל מינוי ייחודי בממשלו הקרוב של דונלד טראמפ. מאסק יוביל את יוזמת “מחלקה להגברת יעילות הממשלה” (DOGE) – גוף ייעוץ חיצוני שמטרתו להפחית בירוקרטיה ולצמצם עלויות ממשלתיות. תפקידו של מאסק ב-DOGE כולל ייעוץ חיצוני לממשל בנוגע לרפורמות מבניות משמעותיות במטרה להפחית את הבזבוז וההוצאות המיותרות בממשלה הפדרלית. החזון של מאסק במסגרת DOGE כולל קיצוץ של כ-2 טריליון דולר מהתקציב הפדרלי, לצד ייעול תהליכים רגולטוריים. מה שבטוח, מאסק לא מסתפק רק בתפקיד של יועץ – הוא שואף להשפיע על עתיד הרגולציה ולייצר מערכת שבה הטכנולוגיה מובילה את הממשל, ולא להיפך. זאת כמובן לצד ההשקעות האישיות שלו והחברות שאותן מנהל, ואשר מהוות שחקניות בולטות בשדה החדשנות והבינה המלאכותית. 

המעורבות של מאסק בממשל טראמפ מעוררת שאלות לא פשוטות. ניגודי העניינים הפוטנציאליים סביבו, בשל קשריו העסקיים עם סוכנויות ממשלתיות כמו נאס”א והפנטגון, עלולים להציב אתגר אמיתי לאמון הציבור ביוזמה. השם DOGE עצמו, רמיזה לקריפטו Dogecoin שמאסק מקדם באופן תדיר, מוסיף ניחוח של חוסר רצינות שעלול לערער את התמיכה בפרויקט. אמנם יוזמת DOGE אינה מחלקה ממשלתית רשמית והיא לא מחזיקה בסמכות ישירה לשנות את תקציב הממשלה (אשר נותר בשליטת הקונגרס), אך היא עדיין מעלה חששות כבדים בנוגע לניגודי אינטרסים והשפעה מאסיבית של איילי הון על פוליטקאים. מאסק וחבורתו, הפועלים במסגרת יוזמה זו כקבוצה מייעצת חיצונית, מקווים להשפיע על הרפורמות התקציביות באמצעות שיתוף פעולה עם הבית הלבן ומשרד התקציב והניהול – הקרבה האישית והרעיונית בינו ובין טראמפ תהווה חומר בערה למתנגדיו ומבקריו של הנשיא החדש.

טראמפ והחבר החדש שלו – אילון מאסק, הולכים לבטל רגולציה וחסמים ולחזק את תעשיית ה-AI | התמונה נוצרה על ידי AI

צוקרברג מתפייס ומתקרב לממשל החדש

מארק צוקרברג, מנכ”ל Meta, לא נשאר פארייר והוא יודע להריח מנצח. בראיון לבלומברג ביולי 2024 הוא ציין את התפעלותו מהאופן שבו טראמפ שרד את ניסיון ההתנקשות. הוא העיד שהמראה של טראמפ קם לאחר שנורה, מניף את אגרופו באוויר עם דגל ארצות הברית ברקע, היה אחד המראות הכי “באדאס” (Badass) שראה בחייו. הוא הוסיף שדימוי זה גם יכול להסביר את המשיכה לטראמפ בקרב בוחרים רבים.

טראמפ סיפר בראיון אחר שצוקרברג פנה אליו ישירות בטלפון בניסיון לבסס קשרים טובים עם הממשל החדש וכדי לאחל לו אישית בהצלחה. באותו ראיון טראמפ הוסיף שבניגוד למייסד מטא, מגוגל אף אחד לא פנה אליו כדי להתנצל על האופן שבו גוגל סיקרו את ניסיון ההתנקשות בחייו. הוא רואה בכך התנהלות לא אחראית מצדם, וכולנו יודעים שטראמפ לא שוכח דבר! עבור חברה כמו מטא, הנמצאת תחת ביקורת ציבורית מתמשכת, תמיכה בממשל החדש עשויה לספק מרחב פעולה נוח יותר, במיוחד כשמדובר בשינויים רגולטוריים קריטיים בתחום הבינה המלאכותית.

הקרבה של ענקי הטכנולוגיה לממשל טראמפ מצביעה על שינוי מגמה. בעידן שבו החדשנות נמצאת בתחרות עזה מול סין ומדינות נוספות, השחקנים הגדולים בתעשייה מבינים כי ההחלטות הפוליטיות חשובות לא פחות מההישגים המדעיים או הטכנולוגיים. נדמה שיחסי הון-שלטון זה קונספט נצחי ושההחלטות של ממשל טראמפ החדש ישפיעו ישירות ענקיות הטק וה-AI.

ערים חכמות, קוד פתוח וסגן נשיא אחד

חזונו של דונלד טראמפ לעתיד אמריקאי חדשני כולל שתי יוזמות מרכזיות: הקמת “ערי חירות” (Freedom Cities) – פרויקט שאפתני שמטרתו להמציא מחדש את חוויית החיים האורבניים – ותמיכה במדיניות טכנולוגית שתעודד חדשנות בבינה מלאכותית. יחד עם ג’יי.די. ואנס, סגן הנשיא המיועד, השניים מתווים חזון המשלב בין פיתוח עירוני מתקדם לבין גישה רעננה לפיתוח טכנולוגיות AI.

“ערי חירות”: חלום עתידני באמריקה של טראמפ

תוכנית “ערי החירות” של טראמפ שואפת לבנות עשר ערים חדשות על אדמות פדרליות לא מפותחות, כשלכל אחת מהן ייחוד טכנולוגי. בין השאר, הערים יציעו תחבורה מתקדמת, כולל כלי רכב בעלי יכולת המראה ונחיתה אנכיים, וישמשו כמודלים לחדשנות עולמית. המטרה העיקרית היא לייצר לא רק קפיצה טכנולוגית, אלא גם תרבותית, שתשיב את רוח היזמות והפטריוטיזם האמריקאי. בעוד שהיוזמה הזו אינה קשורה ישירות למדיניות ה-AI של טראמפ, היא משקפת את גישתו הרחבה לתמיכה בהתפתחות טכנולוגית לצד צמצום התלות במנגנונים רגולטוריים מסורבלים. עם זאת, מומחים מציינים כי חיבור עמוק יותר בין מדיניות ה-AI לערים החכמות יכול היה להניב פתרונות חדשניים שיחזקו את החזון האורבני. האם מדובר בחזון אוטופי או מציאות אפשרית? הזמן יגיד… אבל מה שבטוח, הנשיא החדש-ישן לא מפחד לחלום בגדול, אפילו אם הכל יישאר בגדר חלום.

ג’יי.די. ואנס תומך נלהב בקוד פתוח

בעוד טראמפ מתמקד ביצירת מרחב עירוני פורץ דרך, סגן הנשיא המיועד ג’יי.די. ואנס מתמקד בקידום מודלים פתוחים בתעשיית הבינה המלאכותית. ואנס, ידוע כתומך גדול בשיתוף ציבורי של קוד, מאמין כי גישה זו תאפשר יצירת פתרונות חדשניים ובמקביל תעורר תחרות מול ענקיות הטכנולוגיה. מנגד, ואנס מבקר את הרגולציה המחמירה על תעשיית ה-AI, וטוען שהיא עשויה להנציח את שליטתן של חברות גדולות כמו OpenAI ומיקרוסופט. לדבריו, אזהרות מצד ענקיות הטכנולוגיה בדבר הסכנות שבבינה מלאכותית משמשות לעיתים קרובות כטקטיקה לדרישת רגולציה שתשמר את כוחן בשוק. שילוב הכוחות בין טראמפ לוואנס עשוי ליצור מדיניות שמשלבת צמצום בירוקרטיה עם תמיכה בפתרונות קוד פתוח, מה שיוביל לתנופת קדמה ופיתוחים חסרת תקדים, אך גם עם פוטנציאל גדול לחוסר אחריות ומיעוט דגש על בטיחות וגידור סיכונים. האם ואנס, בתפקידו הצפוי כסגן נשיא, יצליח לעצב מחדש את האיזון בין עידוד חדשנות לבין פיקוח הולם? אולי. האם גישת קידום טכנולוגיות פתוחות תצליח להקטין את הדומיננטיות של חברות טכנולוגיה ענקיות, שמגבילות את התחרות? גם פה אין לדעת איך ולאן הדברים יתפתחו – אבל הרוח ברורה. פחות רגולוציה. יותר חופש. ושילוב שכזה לרוב נותן רוח גבית לחדשנות טכנולוגית.

יוזמות כמו “ערי החירות” ומינויו של ג’יי.די. ואנס, התומך במודלים פתוחים, משדרים מסר ברור: ארצות הברית מתכוונת להחזיר את מעמדה כמרכז עולמי לחדשנות, תוך שמירה על שליטה מקומית בטכנולוגיות מפתח.

משמעות המהלכים: בינה מלאכותית פתוחה ולוקאלית

המהפכה שמנהיג דונלד טראמפ במדיניות הרגולציה של הבינה המלאכותית עשויה לשנות את כללי המשחק בארצות הברית ובשוק העולמי כולו. עם התחזקות הקולות בעד מודלים פתוחים ולוקאליים, שנת 2025 צפויה להיות נקודת מפנה שתעצב מחדש את יחסי הכוחות בתעשייה הטכנולוגית ואת האופן שבו בינה מלאכותית משתלבת בחיי היום-יום. עסקים יוכלו לאמץ פתרונות חדשניים מבלי לחשוש ממגבלות בירוקרטיות, מה שיפתח את הדלת לתחרות גלובלית עזה יותר. שחקניות בינלאומיות יצטרכו להסתגל לשינויים או להישאר מאחור.

העתיד – אוטומציה ולוקאליזציה

במקביל לרפורמות הרגולטוריות, השימוש במודלים של קוד פתוח ולוקאליזציה של כלי AI תופס תאוצה. מגמה זו מדגישה את החשיבות של הרצת מודלים מקומיים במערכות סגורות ושרתים פנימיים, מתוך מטרה לשמור על פרטיות וביטחון מידע. הפתרונות החדשים של אנטרופיק, כמו “Computer Use”, מאפשרים לבינה מלאכותית לפעול בצורה חלקה בממשקים אנושיים ולהשלים תהליכים מורכבים על פני פלטפורמות שונות. בסרטון מטה תוכלו לראות איך קלוד מקבל יכולות “דמויות בן אנוש” בהקשר לאופן שבו הוא מתפעל את המחשב, על כל הפונקציונליות שמשתמעת מכך.

בדוגמה הבאה קלוד “משתלט” על המחשב כדי “לעבוד” בשבילנו ולחפש מידע ברשת – כל זאת ללא מעורבות אדם:

למה תכונה זו כל כך חשובה ומהפכנית? כי היא מביאה את הבינה המלאכותית לרמה חדשה של אינטראקציה עם מחשבים, המדמה את פעולתו של משתמש אנושי. במקום להסתפק בפעולות מבוססות API או ממשקים ייעודיים, המודל מסוגל לצפות במסך, להזיז את הסמן, ללחוץ על כפתורים ולהקליד טקסט – כאילו היה עובד אנושי. תכונה זו מאפשרת אוטומציה של תהליכים מורכבים, כמו מילוי טפסים, ניווט בממשקים ובדיקת נתונים, תוך חיסכון משמעותי בזמן ובמשאבים. בנוסף, היא יוצרת גמישות מרבית בשימוש בתוכנות וכלים מגוונים, מבלי להתאים את הממשק לכל כלי בנפרד. יתרה מכך, הטכנולוגיה פותחת דלת לביצוע משימות חוצות פלטפורמות – החל מניתוח נתונים במחשב, דרך הפקת תובנות, ועד שימוש בכלים מקוונים – והכול ברצף אחיד. יכולת זו משחררת את המשתמש מהגבלות טכניות ומביאה לידי ביטוי את הפוטנציאל האמיתי של אינטגרציה חכמה בין AI לתשתיות קיימות, מה שהופך אותה לכלי מכריע בהתפתחות תחום האוטומציה והיעילות הדיגיטלית.

מנגד, OpenAI צפויה להציג בינואר 2025 מענה ל-Computer Use של אנטרופיק, בדמות “Operator” – סוכן AI שמבטיח לשלב אוטומציה עם אינטגרציה עמוקה יותר לתוך תשתיות קיימות. הכלי מיועד לפעול כסוכן אוטונומי המסוגל לבצע משימות מגוונות בשמו של המשתמש, כגון תזמון פגישות, שליחת מיילים, מילוי טפסים, ביצוע רכישות מקוונות, כתיבת קוד, הזמנת נסיעות ותשלומים מקוונים. בשלב הראשון, Operator יושק כגרסת תצוגה מוקדמת למטרות מחקר, ויהיה זמין למפתחים באמצעות ממשק API של OpenAI. זהו חלק ממגמה רחבה יותר בתעשיית ה-AI לפתח סוכנים שמסוגלים לנהל משימות מורכבות עם פיקוח מינימלי. OpenAI מצטרפת למירוץ שבו מתחרות גם חברות כמו אנטרופיק, מיקרוסופט וגוגל, כולן מפתחות כלים דומים שמטרתם לשנות את האופן בו אנו מבצעים פעולות יומיומיות וניהול משימות. טכנולוגיות מסוג זה צפויות לספק לארגונים גמישות חסרת תקדים ולאפשר ביצוע משימות במהירות וביעילות גבוהה מתמיד.

מודלים כמו Model Context Protocol (MCP) של אנטרופיק מראים כיצד ניתן לשלב את הבינה המלאכותית בצורה מאובטחת וחכמה במערכות פנימיות. יכולות אלו, שמאפשרות לבינה המלאכותית “להתחבר לעולם החיצון” בצורה מבוקרת, מבשרות על עידן חדש שבו המודלים אינם רק כלי עזר, אלא חלק אינטגרלי מתהליכים עסקיים, ממשלתיים ואפילו צבאיים.

מבט לעתיד: 2025 – שנת המפנה

עם כניסתו של טראמפ לתפקיד בינואר 2025, הרוח הפוליטית בארצות הברית עוברת שינוי מהותי. מנהיגים ממשיכים להכתיב את הכללים לגבי מה מותר ומה אסור בבינה מלאכותית, אך במקביל הטכנולוגיה עצמה מתפתחת בקצב שאינו מאפשר עצירה. מודלים פתוחים, פלטפורמות לוקאליות וכלים כמו MCP, Computer Use ו-Operator יעמדו במרכז הבמה ויתנו ליזמים פרטיים וחברות כלים לייצר מוצרים מבוססי AI חכמים יותר, מותאמים יותר ועוצמתיים יותר. כאשר התעשייה תעבור שינויים מבניים שיובילו לחדשנות מואצת, כולנו נצטרך להסתגל. לצד ההזדמנויות, יש להיערך גם לאתגרים. פתיחות רבה מדי עלולה ליצור בעיות אתיות ובטיחותיות, ואילו לוקאליזציה עשויה לתת יתרון יחסי לחברות, זאת בניגוד לשנתיים האחרונות בהן הורגלנו שכל אדם באשר הוא וכל חברה מקבלים גישה פתוחה למודלים עוצמתיים כמו מודלי GPT ומודלי o1 של OpenAI, או מודלי Claude של אנטרופיק.

המסקנה אם כך ברורה – כשהטכנולוגיה הופכת מצד אחד נגישה יותר, ומצד שני מורכבת יותר ומותאמת יותר, יהיה עלינו להשכיל להשתמש בה ולבצע את ההתאמות הנדרשות. כל חברה צריכה שיהיו לה מומחי בינה מלאכותית (GenAI Master או Expert) ומחלקת GenAI שתדע לנווט את הארגון בנוף השינויים הרגולטוריים והטכנולוגיים. מנהלים יהיו חייבים להשקיע בהכשרת הון אנושי ומתן כלים לעובדים להגברת פרודוקטיביות עם כלי בינה יוצרת בסביבת מחשב או בסביבה משרדית.

מה שבטוח, החיבור בין חזון עתידני, הסרת חסמים ורגולציה ופיתוחים טכנולוגיים מהפכניים, מבטיח כי 2025 תסמן פרק חדש ומרתק בהיסטוריה של הבינה המלאכותית.

עידן הלאומיות של הבינה המלאכותית

העולם נכנס לעידן חדש: עידן הלאומיות של הבינה המלאכותית (AI). מעצמות כמו ארצות הברית וסין משקיעות מאות מיליארדי דולרים בפיתוח טכנולוגיות AI ובהעצמתן של חברות בינה מלאכותית מקומיות. אפילו שחקניות במזרח התיכון כמו ערב הסעודית מזרימות תקציבי עתק למטרה זו, וגם אירופה לא נותרת מאחור – צרפת ובריטניה מגבירות את מאמציהן להוביל בתחום, מתוך הבנה שהשליטה בבינה המלאכותית היא הרבה מעבר לטכנולוגיה – היא מהותית לכלכלה, לביטחון ולעוצמה הגיאופוליטית.

מהפכת ה-AI אינה רק נחלת ממשלות. חברות ענק כמו גוגל, מטא, אמזון, אפל, מיקרוסופט וטסלה עוברות “שיפטינג” משמעותי ומתמקדות בטכנולוגיות AI כבסיס לעתידן. גם חברות שהתפרסמו בתחומים אחרים, כמו אנבידיה, משנות כיוון והופכות לחוד החנית של פיתוח כלים מבוססי AI. לצד הענקיות הללו, חברות צעירות יחסית כמו OpenAI ואנטרופיק, שהיו אלמוניות לפני כמה שנים בלבד, הפכו היום לשחקניות דומיננטיות שמעוררות גלי השפעה חסרי תקדים.

ההשפעה של AI ניכרת לא רק בתעשיות הטכנולוגיה אלא גם בכלכלה העולמית. מדד ה-S&P500, שמשקף את כלכלת ארצות הברית, כולל כיום עשרות חברות שהבינה המלאכותית היא הליבה האסטרטגית שלהן. תחום ה-AI, שמוערך כיום בשווי שוק של כ-500 מיליארד דולר, צפוי לזנק ל-2,500 מיליארד דולר בעשור הקרוב, ולהפוך למרכיב מרכזי בכלכלה העולמית. השינויים הרגולטוריים שמנהיגים כמו דונלד טראמפ מקדמים – כולל עידוד גישת הקוד הפתוח וביטול חסמים ביורוקרטיים – צפויים להאיץ מגמות אלו ולחזק את התחרותיות של חברות אמריקאיות ומערביות מול סין, המזרח התיכון ואסיה.

אבל מעבר לחברות ולמדינות, מהפכת ה-AI מחייבת גם אותנו, האינדיבידואלים, להתאים את עצמנו לעידן החדש. עלינו להשקיע בלמידת מיומנויות AI ולשפר את כשירויותינו הטכנולוגיות, בעוד שמנהיגים ובכירים חייבים לפעול לשילוב והטמעת כלים חכמים בארגונים. ישראל, שמתגאה במעמדה כמעצמה טכנולוגית, חייבת להקצות משאבים לאומיים למשימה זו. זוהי “מלחמה קיומית” – מלחמה כלכלית וגיאופוליטית. בעולם החדש בו אנו חיים לא יהיו יותר “מדינות עולם שלישי” ו”מדינות מערביות”. יהיו רק “מדינות AI” וכל השאר. לאור תובנה זו, בעידן שבו המדינות המובילות ייחשבו לא רק לגדולות או עשירות, אלא ל”חכמות טכנולוגית”, ישראל חייבת לוודא שהיא נמצאת בצד שאימץ בזרועות פתוחות את הטכנולוגיה הזו, עם כל מה שיש לה להציע. הביטחון הכלכלי והלאומי שלנו תלוי בכך שנמשיך להיות כוח מוביל במפת הבינה המלאכותית העולמית.

להרחבה – צפו בהקלטת הוובינר

רוצים לשמוע עוד בנושא? צפו בוובינר AI למנהלים שקיימנו ב-28.11.24.

קורס AI למנהלים – האחריות והחובה לא להישאר מאחור!

שנת 2025 ללא ספק תהיה נקודת המפנה, בה הבינה המלאכותית תשנה את כללי המשחק ותוביל את הכלכלה, התעשייה והניהול אל עידן חדש. הבנת הטכנולוגיה הפכה להכרח עבור מנהלים ובכירים. קורס ה-AI של LetsAI למנהלים ובכירים שלנו מציע בדיוק את הכלים שיאפשרו לכם להישאר בחזית – לנתח מגמות, להוביל יוזמות ולשלב אסטרטגיות מבוססות AI בארגונים שלכם. הקורס מתאים לכל מנהל – ממנכ”לים ומנהלי מחלקות ועד אנשי C-Level ומשני קריירה – ללא צורך ברקע קודם בבינה מלאכותית. במהלך הקורס תלמדו איך להפוך מושגים טכנולוגיים מורכבים לאסטרטגיות ניהוליות יישומיות, כך שתוכלו ליצור יתרון תחרותי אמיתי לחברה או לארגון אותם אתם מובילים. בעולם שבו רגולציות מתבטלות, גישות קוד פתוח צומחות, וה-AI מעצב מחדש את כללי הכלכלה, חלה עליכם החובה להכיר את המגמות, לזהות אותן ולהיות מסוגלים לתת מענה לשוק שמשתנה במהירות – זה בדיוק המקום שבו בינה מלאכותית נכנסת לתמונה. מדובר בטכנולוגיה המתקדמת ביותר על כדור הארץ כיום, והיא נותנת לחברות וארגונים את החופש לייצר כלים ופתרונות מותאמים אישית.

קורס ai למנהלים – לפרטים לחצו כאן.

לינקים חשובים שנשלחו בוובינר

• דף המתנות – פרומפטר, בוטים ומדריכים חינמיים

• קבוצת העדכונים הסגורה שלנו

• הרשמה לוובינרים הבאים של LetsAI

הפוסט טראמפ הולך לבטל רגולציה על AI – איך זה ישפיע עליכם? הופיע ראשון בLet's AI בינה מלאכותית

האם MCP מסמל את שובם של הפלאגינים?

הפלאגינים חוזרים – האמנם…

קלוד, מבית אנטרופיק (Anthropic), מציג גישה חדשנית לעבודה עם כלים חיצוניים. במקום פתרון סגור, החברה בחרה לשחרר פריימוורק בקוד פתוח המאפשר לכל מודל שפה להתממשק עם כלים שונים. השינוי הזה מציע יתרון מהותי: היכולת לפתח יישומים מותאמים אישית לארגונים, תוך שימוש בתשתיות קיימות ובלי תלות בספק יחיד. הרעיון של עוזרי AI המשתמשים בכלים חיצוניים אינו חדש. פלטפורמות כמו ChatGPT הציגו בעבר יכולות פלאגינים שאפשרו למודלים לשלב מידע חיצוני ולהרחיב את היכולות הבסיסיות שלהם (פיצ’ר זה כבר מזמן לא בשימוש והוחלף על ידי פלטפורמת ה-GPTs). עם זאת, הגישה של אנטרופיק (Anthropic) מציעה פרדיגמה חדשה ומתקדמת יותר: במקום מערכות סגורות המסתמכות על תוספים נקודתיים, החברה שואפת ליצור סטנדרט פתוח שמאפשר למודלים להתחבר למקורות נתונים וכלים בצורה רחבה, מאובטחת וחכמה.

Model Context Protocol (MCP) הוא פרוטוקול פתוח חדשני שמציע פתרון לבעיה המורכבת של אינטגרציה בין מודלים למקורות נתונים. הפרוטוקול נועד לספק דרך מאובטחת ופשוטה לחיבור בין מערכות מבוזרות, תוך יצירת תשתית שמבינה את הקשר של הנתונים ומאפשרת הפקת תובנות מדויקות ורלוונטיות.

היתרונות המרכזיים של MCP כוללים:

• פשטות הפיתוח: במקום להתמודד עם אינטגרציות פרטניות לכל מקור נתונים, MCP מאפשר חיבור אחיד, חוסך זמן ומאמץ מפתחים.
• שקיפות ובטיחות: MCP עובד עם מערכות מקומיות תוך שמירה על אבטחת המידע וללא חשש לדליפת נתונים.
• גישה חכמה יותר: היכולת של המודל להבין את ההקשר של הנתונים מאפשרת לו להפיק תובנות מדויקות יותר.

בעוד הפלאגינים המסורתיים, כמו אלו שהוצגו ב-ChatGPT, היוו כלי שימושי להפעלת יישומים ולשילוב מקורות חיצוניים, MCP מביא עמו שינוי מהותי בגישה. במקום מערכת מוגבלת לתוספים ספציפיים, MCP מציע פתרון שמבטל את מגבלות ה”פלאגינים” ומשלב את ה-AI עם מערכות מורכבות בצורה שקופה ורציפה. בכך, MCP אינו רק כלי טכני, אלא מהווה חזון חדש המחבר בין עוזרי AI לעולם האמיתי. הוא מאפשר לעוזרים חכמים לשלב מידע ממערכות מגוונות ולשמור על הקשר בין נתונים גם כשהם נעים בין סביבות שונות.

תמיכה מקומית ואבטחה גבוהה

אחת ההפתעות הגדולות בפריימוורק של קלוד היא התמיכה בתוכנת דסקטופ שניתן להפעיל על מחשבים מקומיים. פתרון זה מאפשר לארגונים לפתח שרתים פנימיים שמתחברים למערכות שלהם, מבלי לחשוש משיתוף מידע רגיש עם צד שלישי. קלוד אף מתחייבת לסטנדרט אבטחה גבוה ושימוש בנתונים מקומיים בלבד, ללא שליחתם לענן. להלן תכונות מרכזיות שמבדילות אותו:

• תמיכה מקומית: תוכנת הדסקטופ של קלוד מאפשרת הפעלת שרתים פנימיים המחוברים למערכות הארגון, מבלי לשלוח נתונים רגישים לענן. הדבר מבטיח שליטה מלאה במידע ושמירה על פרטיות.

• אבטחת מידע גבוהה: MCP שומר על סטנדרט אבטחה גבוה, ומתחייב לשימוש בנתונים מקומיים בלבד, ללא תלות בשירותי צד שלישי.

• סטנדרטיזציה: הפרוטוקול מחליף את הצורך באינטגרציות פרטניות ומספק מבנה אחיד שמפשט פיתוח ואינטגרציה בין כלים ומערכות.

• תמיכה גמישה: MCP מתאים הן לעבודה במערכות פנים-ארגוניות והן לשימוש בענן, ומספק פתרון לכל סוגי הארגונים והצרכים.

• פתיחות ושיתופיות: הפרוטוקול תומך ביצירת אקוסיסטם שיתופי שבו ניתן לשתף יישומים ולבצע התאמות לצרכים משתנים. הגישה הזו מעודדת חדשנות וחיבור דינמי בין מערכות.

• חיבור עוזרי AI למערכות מורכבות: MCP מאפשר למפתחים לחבר בקלות עוזרי AI למגוון מערכות נתונים וכלים, תוך שמירה על הקשר בין הנתונים והבנת ההקשר שלהם.

גישה זו מדגישה את מחויבותה של אנטרופיק לחדשנות שיתופית ומציבה רף חדש לעבודה עם עוזרי AI בסביבה מאובטחת וחכמה. המודל החכם של קלוד יודע לנצל כלים בצורה מיטבית, מה שמבטיח הצלחה טובה יותר בתהליכים אוטומטיים.

Model Context Protocol: הגשר בין AI לנתונים

למה MCP חשוב?

בעולם שבו מודלים של AI מתקדמים הופכים לכלי עבודה מרכזיים, החיסרון הגדול שלהם הוא ניתוק ממקורות מידע מבוזרים. פרוטוקול Model Context מציע פתרון לכך: סטנדרט פתוח המאפשר למפתחים ליצור חיבורים דו-כיווניים מאובטחים בין מקורות הנתונים שלהם לכלי AI.

רכיבי הפרוטוקול

MCP כולל מספר רכיבים מרכזיים:

1. מפרט פרוטוקול ו-SDKs: כלים למפתחים המאפשרים חיבור פשוט בין נתונים למודלי AI.
2. תמיכה בשרתים מקומיים: שילוב MCP באפליקציות דסקטופ של קלוד מאפשר עבודה ישירה מול מערכות מקומיות.
3. מאגר שרתים פתוחים: שרתים מובנים עבור מערכות פופולריות כגון Google Drive, Slack, ו-GitHub.

יתרונות ויישומים

המעבר למערכת מבוססת פרוטוקול אחיד פותר את הבעיה של שילוב אינטגרציות שונות לכל מקור נתונים. הפרוטוקול מאפשר:

• שמירת הקשר בין מערכות: המודל מבין את ההקשר בתנועה בין מערכות שונות.
• חיבור מהיר לכלים קיימים: שרתים מובנים מאפשרים להתחיל בעבודה במהירות.
• פיתוח כלים מותאמים אישית: MCP פותח אפשרויות חדשות לעבודה חכמה, במיוחד בקידוד ובהבנת משימות מורכבות.

הארכיטקטורה של MCP

MCP פועל במודל לקוח-שרת שבו אפליקציות מארחות, כמו Claude Desktop או כלי AI אחרים, מתחברות לשרתי MCP המנהלים גישה למשאבים.

Credot: Anthropic.

איך זה עובד?

• מארחי MCP: תוכנות המשתמשות בפרוטוקול כדי לגשת למשאבים מקומיים או מרוחקים.
• לקוחות MCP: מחברים שרתי MCP למארחים באמצעות קשר ישיר (1:1).
• שרתי MCP: תוכנות קטנות המאפשרות גישה למשאבים בצורה מאובטחת וסטנדרטית.
• משאבים מקומיים: קבצים, מאגרי נתונים ושירותים במחשב האישי.
• משאבים מרוחקים: APIs ושירותים חיצוניים באינטרנט.

מודל זה מבטיח גישה פשוטה, מאובטחת וגמישה למקורות נתונים מגוונים.

שיתוף פעולה עם מובילי תעשייה

המודל של MCP זוכה לתמיכה וליישום מצד חברות מובילות בתעשייה, מה שמדגים את הפוטנציאל העצום שלו לשנות את הדרך שבה עוזרי AI פועלים בסביבות ארגוניות. חברות כמו Block ואפולו (Apollo) כבר שילבו את MCP במערכות שלהן, כשהן מנצלות את היכולת של הפרוטוקול ליצור חיבורים חכמים בין נתונים ומודלים. שיתוף הפעולה של Block עם MCP נובע ממחויבותה לפיתוחים בקוד פתוח כדרך להנגיש טכנולוגיות מתקדמות ולהביא לחדשנות המקדמת שיתופיות. דנג’י ר. פרסאנה (Dhanji R. Prasanna), מנהל הטכנולוגיות של Block, תיאר את MCP כ”גשר שמחבר בין ה-AI לעולם האמיתי,” כשהוא מדגיש את השקיפות והפתיחות שהפרוטוקול מביא לעולם הפיתוח.

חברות טכנולוגיה נוספות, כמו Zed, Replit, Codeium ו-Sourcegraph, פועלות לשילוב MCP בפלטפורמות שלהן כדי לשפר את חוויית הפיתוח. דגש מיוחד ניתן על תחום כלי הפיתוח: MCP מאפשר לעוזרי AI להבין את ההקשר סביב משימות תכנות, לנתח מידע מתוך סביבות מורכבות ולהציע פתרונות מדויקים ואפקטיביים יותר. תכונה זו מסייעת למפתחים לכתוב קוד עם פחות ניסיונות חוזרים ולשפר את התוצרים הסופיים.

מעבר לכך, MCP מתפקד כפתרון מרכזי עבור חברות שמעוניינות ליצור סביבות עבודה חכמות ודינמיות. במקום להסתמך על אינטגרציות פרטניות שדורשות תחזוקה נפרדת, MCP מאפשר לחברות להתבסס על סטנדרט אחיד, מה שמפחית את מורכבות הפיתוח ומקל על סקיילינג של מערכות גדולות. שיתוף פעולה זה מדגיש את החזון של MCP: יצירת מערכות עוצמתיות ושיתופיות יותר, תוך התאמתן לצרכים המשתנים של ארגונים ומפתחים בעולם טכנולוגי מתפתח.

גישה זו לא רק משפרת את תהליכי העבודה, אלא גם מספקת בסיס לאקו-סיסטם רחב ופתוח, שבו חדשנות יכולה להתפתח מתוך שיתוף פעולה בין ארגונים, קהילות קוד פתוח ומפתחי AI ברחבי העולם.

התחלה פשוטה, עתיד מורכב – איך משתמשים בזה?

השימוש ב-MCP קל במיוחד, בזכות הכלים הידידותיים שמוצעים למפתחים. בין הכלים המרכזיים נמצאים:

• מדריך שימוש ב-MCP: עקבו אחר ההנחיות במדריך הבא ולמדו כיצד לבנות את שרת ה-MCP הראשון שלכם.

• מפרט MCP ו-SDKs: חבילת הפיתוח מאפשרת חיבור קל ומהיר למקורות נתונים, וניתן למצוא אותה במאגר הקוד הפתוח של הפרוטוקול כאן.

• תמיכה בשרתים מקומיים: אפליקציית הדסקטופ של קלוד מאפשרת התקנת שרתי MCP מקומיים, המספקים גישה ישירה למידע. להורדת האפליקציה, בקרו באתר Claude AI.

• מאגר שרתים בקוד פתוח: מאגר זה כולל שרתים מובנים לחיבור למערכות פופולריות כמו Google Drive ו-Slack, והוא זמין למפתחים כאן.

רוצים לראות את זה בלייב?

בסרטון הבא אביץ מסביר על MCP וסוקר את הפיצ’ר החדש. האם אנטרופיק סוף סוף עושים קצת סדר ב-RAG ומאפשרים לקלוד וקבל גישה לידה מהעולם החיצון?

בסרטון נוסף אביץ מסביר ומדגים עבודה עם Model Context Protocol וגם סקירה ושילוב של פיצ’ר הסגנונות החדש של קלוד.

למרות הפשטות שבשימוש הראשוני, הפוטנציאל האמיתי של MCP טמון בעתיד. ככל שהמערכת תתפתח ותתמוך בכלים ובאינטגרציות נוספות, האפשרויות החדשות שייפתחו עבור מפתחים וארגונים יהיו חסרות גבולות. MCP מציע לא רק פתרון טכני, אלא גם חזון לעתיד שבו עוזרי AI מתממשקים בקלות וביעילות למקורות מידע, מבלי להתפשר על אבטחה או גמישות. עם השקת MCP, נראה כי אנו צועדים לעידן חדש שבו AI לא רק מבצע משימות אלא גם מבין את ההקשר שלהן. פיתוחים אלו מדגישים את החשיבות של פתיחות, אבטחה וגמישות בפיתוח מערכות מבוססות בינה מלאכותית. ניתן רק לחלום מה העתיד הזה צופן – שצף של יישומים חדשניים שיעשו שימוש בתשתיות אלה, ויפתחו את הדלת לחדשנות בלתי פוסקת.

הפוסט איך MCP עוזר לקלוד להתחבר לעולם החיצון? הופיע ראשון בLet's AI בינה מלאכותית

איך ה-AI Blueprint של NVIDIA עובד?

ה-AI Blueprint של NVIDIA מהווה כלי פורץ דרך לחיפוש וסיכום תוכן חזותי כמו וידאו ותמונות. הפלטפורמה נבנתה במיוחד כדי לספק פתרונות חזותיים מבוססי בינה מלאכותית, תוך שימוש במודלים מתקדמים כמו מודלי שפה-תמונה (VLMs) ומודלי שפה גדולים (LLMs), המאפשרים לנתח תכנים באופן משולב של מידע חזותי ושפתח במקביל. אחד החידושים המרכזיים בכלי זה הוא היכולת שלו להשתלב עם NVIDIA NIM – פתרון המאפשר יצירת מיקרו-שירותים לצורך פיתוח גמיש ומהיר של סוכני AI.

באמצעות שילוב זה, מפתחים יכולים להטמיע כלים חכמים המסוגלים להבין ולנתח וידאו ותמונות, לענות על שאלות מורכבות, ליצור סיכומי מידע ממוקדים ולהפעיל התראות במצבים מסוימים. כלים אלו נועדו לתמוך במגוון תחומים תעשייתיים, כמו מפעלים, חנויות, שדות תעופה ומוקדי תחבורה – ובכך לשפר את היעילות והבטיחות במרחבים אלו.

למידע נוסף ניתן לקרוא את ההכרזה בבלוג, ולצפות בפרטים הטכניים כאן ובתיאור המלא באתר NVIDIA.

• הכרזה בבלוג של NVIDIA: למידע נוסף על היכולות והחידושים, ניתן לקרוא את ההכרזה המלאה בבלוג. קישור.
• פרטים טכניים: עיינו במפרטים הטכניים של ה-NVIDIA AI Blueprint למידע מעמיק על הטכנולוגיה. קישור.
• תיאור מלא באתר של NVIDIA: קראו עוד על המערכת והיכולות שהיא מציעה, באתר הרשמי של NVIDIA. קישור.

יישומים אפשריים לסוכני AI חזותיים

האפשרויות שמציע NVIDIA AI Blueprint מאפשרות שימוש מגוון בכלי החדש, המתאים הן למגזר העסקי והן למגזר הציבורי. מגוון גופים וארגונים, כמו Accenture, Dell ו-Lenovo, החלו לשלב את הכלי במערכות הפועלות בתחומי בטיחות, ייעול תהליכים ואף ניטור מרחבים.

שיפור בטיחות ויעילות בעבודה

אחת הדוגמאות המעשיות היא השימוש בכלי בניטור מרחבי עבודה כמו מפעלים, מחסנים וחנויות. סוכני AI המבוססים על ה-AI Blueprint יכולים לזהות אירועים חריגים, כמו עבירות בטיחות, ולשלוח התראות לעובדים ולממונים. בנוסף, ניתן לסכם תיעוד מצולם ולשלוח דוחות אוטומטיים המאפשרים ניתוח יעיל של פעילות העובדים והסביבה.

תמיכה במרחבים ציבוריים ובערים חכמות

במגזר הציבורי, מערכות כמו NVIDIA Metropolis משולבות בתשתיות העיר החכמה ויכולות לנטר ולנתח צמתים ורחובות בעזרת מצלמות חכמות. דוגמה לכך היא השימוש בכלי בערים כמו פלרמו, איטליה, בהן הוא מסייע למנהלי התחבורה בניהול תנועה, זיהוי תאונות ושיפור בטיחות בדרכים בזמן אמת. עם המידע שמופק, ניתן לקבל החלטות מושכלות ולייעל את התנועה בדרכים.

סיוע לבעלי מוגבלויות ועזרה בזיהוי ותיוג

מעבר ליישומים בתחומי התעשייה והבטיחות, ניתן להשתמש ב-AI Blueprint גם בתחומים כמו עזרה לבעלי מוגבלויות ראייה. הכלי מספק סיכום קולי לאירועים בווידאו או תיאורים של חפצים בתמונות, ומאפשר נגישות גבוהה יותר למידע. בנוסף, הסוכנים החכמים יכולים לתייג אוטומטית תכנים חזותיים וליצור בסיס נתונים שאותו ניתן לנצל לטובת פיתוח מודלים נוספים של בינה מלאכותית.

קסטומיזציה ואוטומציה

החידוש הבולט ב-NVIDIA AI Blueprint הוא האפשרות להתאים את סוכני ה-AI בצורה גמישה, כך שהם אינם דורשים תוכנה ייחודית או קוד נוקשה. מפתחים יכולים להנחות את הסוכנים באמצעות פקודות בשפה טבעית, מה שמוריד את רמת המיומנות הטכנית הנדרשת ומאפשר לארגונים רבים להטמיע סוכנים חכמים גם ללא צוותי פיתוח מתקדמים.

באמצעות כלי זה ניתן גם להחליף או להוסיף מודלים שונים בקלות, כמו מודלים של NVIDIA NeMo ו-VILA, וגם מודלים חיצוניים כמו Llama 3.1 של Meta. כך ניתנת למפתחים גמישות רבה בהתאמה לסביבות שונות ושימושים מגוונים, מה שמקל על תהליך ההטמעה של הטכנולוגיה.

שילוב AI Blueprint באקוסיסטם של NVIDIA

כלי זה לא פועל לבדו, אלא מגיע כחלק מהאקוסיסטם של NVIDIA Metropolis, הכולל אוסף כלים לפיתוח אפליקציות חזותיות מבוססות AI. התוכנה תומכת בשימוש עם GPU’s מתקדמים של NVIDIA, מה שמאפשר עיבוד מהיר וניהול כמויות עצומות של מידע חזותי בזמן אמת. חברות כמו Dell ו-Lenovo, המציעות פתרונות תשתית לניהול ותפעול מערכות AI, משתפות פעולה עם NVIDIA כדי להביא את היכולות הללו לכל מקום בעולם.

Dell מציעה פתרון מותאם ליישומים עם AI במתחמי הקצה בעזרת NativeEdge, בעוד Lenovo משלבת את המערכת בפתרונות Hybrid AI שלה המיועדים לתעשייה ולתחומים נוספים. השותפות עם חברות אלו מאפשרת שילוב מהיר וקל של NVIDIA AI Blueprint בפתרונות קיימים ומספקת תמיכה לכל שלב בפיתוח מערכות AI.

סוכנים חכמים עם יכולות מתקדמות

ה-NVIDIA AI Blueprint מציע פתרון מתקדם המשלב עיבוד חזותי ושפה טבעית, ומספק למפתחים כלים חזקים ליצירת סוכני AI המותאמים למגוון רחב של תחומים. הכלי תומך ביצירת חוויות משתמש אינטראקטיביות, ניטור מתקדם של מידע חזותי ומאפשר גישה חדשה לעולם שבו מכונות מסוגלות להבין ולפעול על סמך אירועים המתרחשים במרחב.

היכולת של הכלי לפעול במרחבים חכמים – בין אם מדובר במפעלים, צמתים עירוניים או מערכות ציבוריות – פותחת דלתות ליישומים נוספים שטרם נחקרו. ככל שהשימוש בטכנולוגיות AI חזותיות מתרחב, נוכל לראות שילובים חדשניים של עיבוד וניתוח מידע חזותי בסביבות חדשות ובמגוון תעשיות. NVIDIA AI Blueprint מהווה חלק חשוב במגמה זו ומצטרף למאמצים לייעל ולהנגיש את הטכנולוגיות החזותיות לכל חלקי החברה.

הפוסט ניתוח מידע חזותי בהיקפים גדולים עם AI Blueprint הופיע ראשון בLet's AI בינה מלאכותית

יצירת פרומפטים בעזרת קונסולת המפתחים של אנטרופיק

היכולת לכתוב פרומפטים שמתאימים בצורה מדויקת למשימה היא הכרחית לפיתוח מוצלח של יישומים מבוססי AI. קונסולת המפתחים של אנטרופיק כוללת מחולל פרומפטים מתקדם, שמופעל על ידי קלוד 3.5 סונט (Claude 3.5 Sonnet). הכלי מאפשר למשתמשים לתאר את המשימה שהפרומפט צריך לבצע בצורה פשוטה, כמו למשל “מיון בקשות תמיכה מלקוחות”, ולקבל פרומפט איכותי שמיועד לבצע את המשימה הזו.

כלי זה מתאים במיוחד למפתחים ויוצרי תוכן שאינם מומחים בניסוח פרומפטים או שלא עוסקים בתחום באופן קבוע. למעשה, הוא מאפשר לכל משתמש לקבל גישה ליכולות מתקדמות של קלוד תוך זמן קצר ולחסוך זמן פיתוח יקר.

בסרטון הבא ניתן לראות איך אפשר להשתמש במחולל הפרומפטים של אנטרופיק כדי לייצר פרומפטים מורכבים, ואף לבחון אותם בזמן אמת, לצד הערכת ביצועים:

קונסולת המפתחים של אנטרופיק מאפשרת ליצור תבניות פרומפט מוכנות לשימוש, בהן קלוד (Claude) משתמש בטכניקות הנדסת פרומפטים מתקדמות כמו “שרשרת מחשבה” (Chain of Thought). על ידי תיאור התוצאה הרצויה, קלוד יכול לבנות פרומפטים יעילים, מדויקים ואמינים. יכולת זו חוסכת זמן למומחים בתחום ומאפשרת גם למתחילים לקבל תוצאות איכותיות.

הפרומפטים הנוצרים בקונסולת המפתחים מתבססים על עקרונות הנדסת פרומפטים הטובים ביותר, כמו קביעת תפקיד ייעודי (Role Setting) והרחבת מחשבה/הסקה (Chain of Thought Reasoning). לדוגמה, אפשר להנחות את קלוד לפעול כ”מומחה סינון תכנים” כדי למיין שיחות, או לעודד אותו לבצע סיעור מוחות ליצירת המלצות מוצרים. מחולל הפרומפטים מבוסס על פרומפט ארוך ומורכב בעצמו, הכולל דוגמאות רבות ותגיות XML המסייעות לקלוד להבין את המבנה והדרישות בצורה ברורה. היכולת לתכנן את מבנה התבנית לפני הכתיבה מאפשרת לקלוד לספק תוצאה מסודרת ומותאמת אישית לדרישות המשתמש.

המשתנים בתבניות נכתבים בפורמט מיוחד המאפשר להחליף אותם בקבצים מותאמים אישית. לדוגמה, ניתן להוסיף מדיניות תוכן במשתנה מסוים ולהעלות פרוטוקולים שונים לבדיקה. תהליך זה מאפשר למשתמשים לבדוק את התנהגות הפרומפט במגוון מצבים ולהבטיח שהתוצאה מותאמת למגוון תרחישים.

יצירת מקרי בדיקה אוטומטיים

לאחר יצירת פרומפט, אחד הצעדים החשובים ביותר הוא לבדוק כיצד הוא מתפקד במגוון סיטואציות אמתיות, דבר המאפשר לוודא שהוא מתאים לשימוש מעשי. קונסולת המפתחים של אנטרופיק מספקת אפשרות לייצר מקרי בדיקה אוטומטיים דרך פונקציה ייעודית המאפשרת להזין נתוני קלט, כגון הודעת תמיכה שנשלחה על ידי לקוח, ולבחון את תגובת המודל לפרומפט. אם המשתמש מעוניין לבחון מגוון רחב של תרחישים, הוא יכול ליצור סוויטת בדיקות שלמה שמאפשרת לבדוק את הפרומפט במצבים שונים, ובכך לאמת את עמידותו לאורך זמן. קונסולת המפתחים מציעה גם אפשרות להוסיף מקרי בדיקה ידנית או לייבא אותם מקובץ CSV, דבר המקל על תהליך הבדיקה ומאפשר ניהול מסודר של כל מקרי הבדיקה.

מחולל הפרומפטים של אנטרופיק בפעולה:

בקרת בדיקות ואופטימיזציה

בדיקת פרומפטים באמצעות סוויטת בדיקות שמכילה מגוון תרחישים תאפשר למשתמשים לוודא שהפרומפט איכותי ומתאים לשימוש מעשי. בכך נמנעת האפשרות שתשובות המודל יהיו לא עקביות או לא רלוונטיות לקלטים מסוימים. כדי לארגן את כל מקרי הבדיקה בצורה מסודרת ולוודא שהפרומפט פועל כמצופה, ניתן לנהל את כל מקרי הבדיקה בקונסולה, לשנות אותם בהתאם לצורך, ולבחון את תגובת המודל בצורה מרוכזת בלחיצת כפתור אחת.

לקריאה נוספת על תהליכי הנדסת פרומפטים עם קלוד, ניתן לעיין במסמכי התמיכה הרשמיים של אנטרופיק כאן.

השוואת פלטים וביצוע שיפורים

אחד מהיתרונות המרכזיים של קונסולת המפתחים של אנטרופיק הוא האפשרות להשוות פלטים שהתקבלו משני פרומפטים או יותר זה לצד זה. כך ניתן לראות באופן ברור את השפעת השינויים שנעשו בפרומפט ולהחליט על השינויים הדרושים לשיפור איכות התשובות של המודל. בנוסף, ניתן לבצע שיפורים בפרומפטים בקלות: לאחר יצירת גרסה חדשה לפרומפט, המשתמש יכול להריץ שוב את סוויטת הבדיקה ולהשוות את התוצאות מול התוצאות הקודמות. דרך תהליך זה, ניתן להתאים את הפרומפט לצרכים המשתנים של היישום ולשפר את איכות התשובות בצורה מתמשכת. למשתמשים שמעוניינים לקבל חוות דעת מקצועית, ישנה אפשרות לשלב מומחים בתחום שיבחנו את תגובת המודל וידרגו את איכות התשובות בקנה מידה של 1 עד 5.

יתרונות קונסולת המפתחים לעומת כלים מסורתיים

שימוש בקונסולת המפתחים של אנטרופיק מציע מספר יתרונות משמעותיים בהשוואה לכלים מסורתיים, כדוגמת ניהול בדיקות דרך גיליונות אלקטרוניים או בעזרת קוד מותאם אישית:

• פשטות ונגישות: הקונסול בנוי בצורה שמאפשרת למשתמשים בכל רמת ניסיון לגשת לכלים המתקדמים של אנטרופיק בצורה פשוטה ומובנת.

• חסכון בזמן ובדיקות בזמן אמת: במקום לבצע בדיקות ויצירת פרומפטים בצורה ידנית, הכלים האוטומטיים של קונסולת המפתחים מאפשרים לבצע את התהליך כולו במהירות רבה יותר.

• שיפור מתמיד: היכולת לבצע בדיקות מתמשכות ולהשוות פלטים של פרומפטים שונים מאפשרת למשתמשים לשפר את הפרומפטים שלהם בצורה מתמשכת ולהתאים אותם לצרכים משתנים.

רוצים להשתמש בקונסולת המפתחים של אנטרופיק?

רוצים להוציא את המקסימום מהפרומפטים שלכם? קונסולת המפתחים של אנטרופיק מציעה למפתחים בדיוק את זה – עם כלים מתקדמים להנדסת פרומפטים, המאפשרים לא רק לייצר פרומפטים מותאמים במשפט אחד, אלא גם להריץ אותם במערך בדיקות רחב ולבצע השוואות בין פלטים שונים. כך, תוכלו להבטיח שכל פרומפט שאתם יוצרים יעבוד ביעילות מול כל סוגי הקלט, בלי להתפשר על איכות או מהירות. כדי להתחיל, כנסו לקונסולת המפתחים של אנטרופיק דרך הלינק הבא.

הפוסט הנדסת פרומפטים מתקדמת בעזרת קונסולת המפתחים של אנטרופיק הופיע ראשון בLet's AI בינה מלאכותית

מהי בינה פיזית (Physical AI) ומדוע היא מהפכנית?

בינה פיזית היא שלב מתקדם בהתפתחות הבינה המלאכותית, הממוקד ביישום AI בסביבות פיזיות, כגון רובוטים, מכונות תעשייתיות ומערכות מורכבות אחרות. בעוד הבינה המלאכותית הגנרטיבית חוללה מהפכה בתחום העבודה הדיגיטלית, הבינה הפיזית מהווה התקדמות בכך שהיא מאפשרת לרובוטים לתפקד, להבין ולהגיב לסביבה התלת-ממדית בצורה עצמאית. מערכות אלו נדרשות ליכולת ניתוח מורכבת של סביבות עבודה, היכולת לבצע משימות מתקדמות ולהסתגל לשינויים בזמן אמת.

תחום זה כולל מגוון רחב של יישומים – ממכוניות אוטונומיות שמבצעות ניווט עצמאי, דרך רובוטים במפעלים שמבצעים תהליכי ייצור מורכבים, ועד רובוטים הומנואידים שנועדו לפעול בסביבה אנושית. הציפייה היא שבעתיד הקרוב כל מערכת פיזית שניתן לדמיין – החל ממערכות תפעול ועד מרכזי בקרה חכמים – תהפוך לאוטונומית לחלוטין.

שלושת המחשבים של NVIDIA: חידושים פורצי דרך

החידושים של NVIDIA בפיתוח מערכות AI מתקדמות מתממשים בשלושה מחשבים פורצי דרך שמביאים את תחום הבינה הפיזית לשיאים חדשים, ומאפשרים שילוב יעיל של אימון מודלים, סימולציה והפעלה בזמן אמת:

אימון מודלים מתקדמים: NVIDIA DGX ו-Project GR00T

מערכת האימון של NVIDIA מבוססת על פלטפורמת NVIDIA DGX, המהווה את הבסיס לפיתוח מודלים מורכבים של בינה מלאכותית. DGX כוללת תמיכה במערכות מרובות GPU המאפשרות לאמן מודלים גדולים בצורה מהירה ויעילה, תוך ניצול יכולות עיבוד מקבילות לחישובים אינטנסיביים. כחלק מהמערכת הזו, משולבת פלטפורמת NVIDIA NeMo, שהיא כלי ייעודי לפיתוח AI גנרטיבי מתקדם.

NVIDIA NeMo מאפשרת פיתוח מותאם אישית של מודלים גדולים בשימוש במגוון טכנולוגיות AI כגון מודלי שפה, AI מולטימודלי, ראייה ממוחשבת וזיהוי דיבור. NeMo מציעה ממשקים גמישים לאימון והטמעה, ותומכת בפיתוח מודלים בכל מקום – בענן, במרכזי נתונים ואפילו בקצה (edge computing). פלטפורמה זו כוללת רכיבים לשיפור קצב העבודה, כמו עיבוד מקבילי בריבוי שרתים ו-GPU, מה שמוביל להאצת ביצועים משמעותית.

בנוסף, הפלטפורמה משולבת עם שירותים כגון NVIDIA AI Enterprise, המבטיחים פתרונות מאובטחים, אופטימיזציה ותמיכה ביישומים בזמן אמת. כך מתאפשרת הטמעה מהירה של פתרונות AI בפרודקשן, מה שמוביל להחזר השקעה מהיר (ROI) ולתוצאות באיכות גבוהה.

Project GR00T הוא יוזמה חדשנית נוספת, המתמקדת בפיתוח מודלים כלליים לרובוטים הומנואידים. מטרתו היא ליצור מודלים שיכולים להבין שפה טבעית ולהסתמך על תצפיות תנועה אנושית כדי לחקות ולהגיב באופן דינמי לסביבה. זהו חלק מחזון רחב יותר של NVIDIA לפיתוח רובוטיקה המסוגלת לתפקד באופן דומה לבני אדם, תוך שימוש ביכולות עיבוד מתקדמות והבנה מולטימודלית.

התמונה שצורפה ממחישה את התהליך המורכב של אימון המודלים ב-NVIDIA DGX, שבו משולבים מודלים עם כלי תוכנה כמו NeMo ו-NVIDIA AI Enterprise. שילוב זה יוצר פתרון כולל שמקיף את כל שלבי הפיתוח – מהכנת הנתונים, דרך האימון, ועד להסקת מסקנות והטמעה בשטח.

סימולציה וירטואלית מקיפה: NVIDIA Omniverse

המרכיב השני הוא מערכת NVIDIA Omniverse, הפועלת על שרתי OVX ומספקת פלטפורמה מתקדמת לסימולציה.Omniverse מבוססת על קונספט של OpenUSD (Universal Scene Description), מה שמאפשר פיתוח אינטגרטיבי של סביבות עבודה תלת-ממדיות שמותאמות לשימוש בתהליכי אוטומציה תעשייתית ובינה מלאכותית. הפלטפורמה כוללת מגוון רחב של API, SDK ושירותים המאפשרים למפתחים לבנות ולהתאים כלים ויישומים בהתאמה אישית, גם באמצעות כלים הדורשים כתיבת קוד מועטה או לא בכלל.

Omniverse מספקת את היכולת לשלב טכנולוגיות כמו NVIDIA RTX להדמיה פיזית בזמן אמת, מה שמעניק סביבה סופר-מדויקת לסימולציות המייצגות את המציאות הפיזית עם רמת פירוט גבוהה. תכונה זו מסייעת לפיתוח מערכות בינה פיזית, הכוללת רובוטים וכלים אחרים שנדרשים להבין ולהגיב לסביבת העבודה שלהם. המפתחים יכולים לנצל את פלטפורמת Omniverse לא רק לביצוע סימולציות אלא גם ליצירת נתונים סינתטיים שמאפשרים אימון מודלים באיכות גבוהה, מבלי לחשוף אותם לסיכון ולעלויות של איסוף נתונים פיזי בעולם האמיתי.

ה”אומניברס” של אנבידיה במפעלי מרסדס:

השימוש ב-Omniverse חורג מעבר לסימולציות נקודתיות – הוא מאפשר יצירת “תאומים דיגיטליים” של מפעלים ומתקנים תעשייתיים שלמים. תאומים דיגיטליים אלו מציגים מודלים וירטואליים של תהליכי עבודה ומתקנים, בהם ניתן לבצע תכנון ואופטימיזציה לפני יישום התהליכים בפועל. כל רובוט או מערכת שמיוצגים בתאום הדיגיטלי מבצעים משימות ומגיבים לסביבה, כשהמערכת עוקבת אחר ביצועיהם ומשפרת את תהליכי ההפעלה באמצעות משוב מתמיד.

Omniverse תומכת גם במגוון רחב של תעשיות ותחומים, כולל יישומים ברכב אוטונומי, פיתוח כלים תעשייתיים, למידת חיזוק (Reinforcement Learning) ויצירת נתונים סינתטיים בהיקפים גדולים. היכולת לפתח יישומים עם פלטפורמת Omniverse מאפשרת למשתמשים לשלב את הפלטפורמה בתחנות עבודה מקומיות ומבוססות RTX או דרך תשתיות ענן. כך, מפתחים יכולים להרחיב את הפורטפוליו שלהם ולשלב את כלי התוכנה שלהם בצורה חלקה עם טכנולוגיות כמו OpenUSD ו-RTX, תוך ניצול חישוב מואץ ו-AI גנרטיבי.

Omniverse מהווה מהפכה בעולם פיתוח התוכנה התעשייתית, כשהיא מציעה את התשתית ההכרחית לפיתוח מערכות בינה פיזית מתקדמות ומספקת למפתחים כלים שמביאים את ההדמיה והאינטגרציה לרמות חדשות של ריאליזם ואפקטיביות.

הפעלת רובוטים בזמן אמת: Jetson Thor

המחשב השלישי בסדרה הוא Jetson Thor – מחשב מתקדם מבית NVIDIA שנועד במיוחד לתמוך בהפעלת רובוטים הומנואידים ומערכות רובוטיות מתקדמות בזמן אמת. מדובר במערכת מבוססת שבב System-on-Chip (SoC) בשם Thor, שמציעה ביצועים יוצאי דופן עם עוצמת עיבוד של 800 טרהפלופס, הנובעת מהמעבד הגרפי החדש בארכיטקטורת Blackwell. תכונות אלו מאפשרות למערכת לבצע משימות חישוביות מורכבות בצורה יעילה ומהירה, ומספקות פתרונות לרובוטים הפועלים בסביבות מורכבות ודינמיות.

מחשב Jetson Thor מצויד גם במעבד ייעודי לבטיחות פונקציונלית ובאשכול מעבדים בעלי ביצועים גבוהים, המסוגלים להתמודד עם עומסי עבודה תובעניים. המערכת כוללת רוחב פס רשת של 100GB, שמבטיח העברת נתונים מהירה בין רכיבי המערכת השונים ומאפשר תקשורת רציפה עם חיישנים ומערכות חיצוניות.

אחת היכולות המרכזיות של Jetson Thor היא העיבוד בזמן אמת, מה שמאפשר לרובוטים לבצע משימות כמו זיהוי והבנת שפה טבעית, חיקוי תנועות אנושיות, למידה מהירה של מיומנויות חדשות וניווט בסביבות משתנות. בזכות האינטגרציה עם מודלים גנרטיביים מתקדמים, הרובוטים יכולים לזהות ולהגיב לאלמנטים חדשים בסביבה שלהם, לבצע אופטימיזציה של נתיבי תנועה ולעבד מידע ויזואלי ממספר חיישנים בו זמנית, מה שמוביל להתאמה חכמה והפעלת מערכות באופן אוטונומי.

השימושים של Jetson Thor חורגים מתחום אחד בלבד ומשתרעים על פני מגוון רחב של יישומים, כולל רובוטיקה הומנואידית, מערכות ניווט אוטונומיות, אוטומציה תעשייתית, מחסנים חכמים ומערכות ייצור מתקדמות. יכולת העיבוד המתקדמת של המערכת מאפשרת למפתחים ליצור רובוטים שיכולים ללמוד ולהסתגל באמצעות תצפיות ואינטראקציה עם הסביבה, תוך שיפור מתמיד של הביצועים.

המערכת זוכה לשימוש בתעשיות מובילות כגון BYD, Teradyne Robotics ו-Yaskawa, שמשלבות אותה בתהליכי הייצור והתפעול שלהן. כך, הן משפרות את היעילות והבטיחות במפעלים ובמתקנים תעשייתיים, מה שמוביל לייעול העבודה והפחתת עלויות. NVIDIA גם מציעה כלים ותמיכה נרחבת למפתחים המעוניינים להפיק את המירב מהפלטפורמה, כולל תיעוד מקיף, דוגמאות קוד ותמיכה בקהילה המקצועית.

ההשפעה על התעשייה והיישום בשטח

NVIDIA מציינת כי הפתרונות החדשים שלה כבר מאומצים על ידי תעשיות שונות. חברות כגון Siemens, BYD Electronics ו-Teradyne Robotics משתמשות במערכות אלו לייעול תהליכי ייצור, שיפור הבטיחות התפעולית והפחתת עלויות. הטכנולוגיות הללו מאפשרות לארגונים לבצע אוטומציה של תהליכים מורכבים, ובכך להאיץ את פיתוח המוצרים ולהגדיל את התפוקה.

יתרונות מרכזיים:

• ייעול תהליכי ייצור: אוטומציה מתקדמת מאפשרת ביצוע משימות מסובכות במהירות ובדייקנות גבוהה, תוך צמצום השגיאות האנושיות.
• הפחתת עלויות: מערכות רובוטיות אוטונומיות מפחיתות את הצורך בכוח עבודה אנושי בתהליכים מסוימים, ובכך מוזילות את העלויות התפעוליות.
• שיפור בטיחות: ביצוע משימות מסוכנות על ידי רובוטים מפחית את הסיכון לעובדים, במיוחד בסביבות עבודה מסוכנות או מורכבות.
• האצת פיתוח מוצרים: שימוש בסימולציות מתקדמות מאפשר בדיקה של רעיונות חדשים ומוצרים בקלות ובמהירות, ללא סיכון או צורך בבניית אב-טיפוס פיזי מיידי.

תכנון מתקדם עם תאומים דיגיטליים: החזון של Omniverse

תכנון מתקדם עם תאומים דיגיטליים הוא אחד התחומים המתקדמים ביותר שמציעה NVIDIA באמצעות פלטפורמת Omniverse. באמצעות יכולת זו, חברות תעשייתיות יכולות ליצור ייצוגים דיגיטליים מדויקים של מפעלים, מתקנים ומערכות מורכבות ולבצע תכנון ובדיקות אופטימיזציה בסביבה וירטואלית. מערכת Mega היא דוגמה בולטת לשימוש ביכולת זו, בה ניתן לדמות את כל תהליכי העבודה במפעל, תוך שילוב רובוטים המבצעים פעולות מדויקות וניהול תרחישים מורכבים עם תוצאות שמתועדות ונמדדות בצורה קפדנית.

איך נראים “תאומים דיגיטליים”?

התאומים הדיגיטליים מאפשרים למנהלי פרויקטים ומהנדסים לראות כיצד מתקנים פועלים בפועל, להבין את ההשפעה של שינויים פוטנציאליים על כלל התהליך, ולבצע אופטימיזציה של פעולות שונות עוד לפני הפעלתן בעולם הפיזי. מערכת Omniverse מאפשרת את החיבור בין עולמות התכנון ההנדסי והפיזי באמצעות טכנולוגיות מתקדמות של OpenUSD ו-RTX להדמיה פיזית ריאליסטית בזמן אמת. תהליכים אלו יוצרים מרחב שמקשר בין סימולציה ותכנון, ומפחית את הצורך בניסויים פיזיים יקרים.

הפעלת התאומים הדיגיטליים מספקת כלים לשליטה ומעקב בזמן אמת אחר תהליכים ותחזוקת מתקנים, תוך תמיכה באלפי חיישנים ומערכות מעקב. הרובוטים שמופעלים בסימולציה יכולים לזהות בעיות פוטנציאליות, להציע פתרונות, ולהתנסות בתרחישים שונים באופן בטוח, תוך שימוש בטכנולוגיות של בינה מלאכותית ותכונות גנרטיביות לשיפור מתמיד.

בנוסף, מערכות אלו מאפשרות לבצע בדיקות “סופטוור-בלולאה” (software-in-the-loop), שבהן נבדקים שינויים ועדכונים בתהליך הסימולציה לפני יישומם בשטח. כך, חברות יכולות להפחית סיכונים ולהבטיח מעבר חלק בין שלבי התכנון והביצוע, תוך מזעור ההפרעות לפעילות השוטפת. התוצאה היא גמישות גדולה יותר בתכנון מערכות, חיסכון בעלויות והתייעלות בתהליכי הייצור והניהול התעשייתי.

ג’נסן הואנג והעתיד האוטונומי

לדברי ג’נסן הואנג, מנכ”ל NVIDIA: “עידן הרובוטיקה הגיע. כל דבר שזז יהיה יום אחד אוטונומי”. משפט זה מתמצת את החזון של החברה, שמדמיינת עולם שבו רובוטים ותשתיות פיזיות מתנהלים באופן עצמאי ויעיל. התקדמות זו צפויה לשנות לא רק את פני התעשייה, אלא גם את הדרך שבה ערים, מרכזים לוגיסטיים ומוסדות ציבוריים מתנהלים.

החזון של הואנג מתבסס על הטכנולוגיות המתקדמות שמפתחת NVIDIA, כמו מערכות הסימולציה של Omniverse והמחשבים המיועדים לבינה פיזית, כגון Jetson Thor. טכנולוגיות אלו מאפשרות לרובוטים לבצע תהליכים מורכבים באופן עצמאי, לנתח כמויות עצומות של נתונים בזמן אמת, ולהגיב לסביבתם בצורה חכמה ואפקטיבית.

העתיד האוטונומי שמציג הואנג אינו מוגבל לרובוטיקה תעשייתית בלבד; הוא צפוי לחלחל לתחומים רבים נוספים, כמו מערכות תחבורה חכמות, ערים חכמות ומרכזי טיפול רפואיים מתקדמים. לדוגמה, כלי רכב אוטונומיים המסתמכים על מערכות עיבוד מתקדמות יוכלו לתקשר זה עם זה, להפחית את כמות התאונות ולהפוך את התנועה לחלקה ויעילה יותר. במקביל, מערכות רובוטיות בבתי חולים יוכלו לנהל לוגיסטיקה של תרופות, להגיש סיוע רפואי, ואף לתמוך במנתחים במהלך ניתוחים מורכבים.

במוסדות ציבוריים, התשתיות יותאמו לתמוך במערכות אוטונומיות לניהול אנרגיה ותעבורה, מה שיוביל להפחתת העומס על משאבים ולשיפור איכות החיים של האזרחים. כל אלה הם חלק מהחזון הכולל של NVIDIA ליצור עולם שבו אינטגרציה של בינה מלאכותית אוטונומית משפרת לא רק את הפרודוקטיביות, אלא גם את הבטיחות והקיימות של תהליכים במגוון רחב של תחומים.

הפוסט פתרון 3 המחשבים של NVIDIA – העתיד האוטונומי של “הבינה הפיזית” (Physical AI) הופיע ראשון בLet's AI בינה מלאכותית

רכישת המיליונים של סם אלטמן

לאורך השבוע האחרון עלתה לכותרות רכישת דומיין ייחודי בסכום חסר תקדים: חברת OpenAI רכשה את הדומיין Chat.com במחיר שנע בין 15 ל-20 מיליון דולר. מאחורי הרכישה עומדת מטרה אחת ברורה – למצב את הצ’ט המפורסם ChatGPT כמותג גלובלי שייזכר בנקל. דומיין פרימיום כמו Chat.com מסייע לאלטמן וחברתו להעמיד את ChatGPT בקדמת הבמה ולהפוך אותו לנגיש וקל לזכירה בכל העולם. רכישה זו מצטרפת למגמה הולכת וגוברת של השפעת AI לא רק בטכנולוגיה, אלא גם בשיווק ובמיתוג גלובלי. עסקה זו משקפת עד כמה חשוב להיות עם נוכחות דיגיטלית חזקה בעולם רווי בפתרונות AI – ואין ספק שהשימוש בדומיין כזה מעניק יתרון משמעותי בזירת הצ’טים הג’נרטיביים המובילה.

“מכונת הברמאס” של גוגל תסייע בפתרון סכסוכים

שיח ציבורי הוא חלק חשוב בכל דמוקרטיה, אך מה קורה כששיח הופך לסכסוך? כאן נכנסת לתמונה “מכונת הברמאס” של גוגל, אשר פותחה ב-Google DeepMind במטרה ליישב מחלוקות. הכלי החדשני הזה מציע דרך לקירוב עמדות באמצעות יצירת סיכומים ניטרליים של דעות מנוגדות. המערכת מציעה סיכום שמציג את נקודות ההסכמה, ובכך מסייעת ליצור אווירת דיון בונה, שמניעה לדיון תכליתי ופתרון. במחקר שנערך, 56% מהמשתתפים הצביעו על העדפה לסיכומים שנוצרו על ידי הבינה המלאכותית. מדובר בפריצת דרך בעולם הפוליטיקה והחברה, אך גוגל מדגישה כי יש למערכת עוד לאן להשתפר, והיא אינה מחליפה לגמרי את המתווכים האנושיים. היכולת של AI לפעול ככלי תומך בקבלת החלטות עשויה להשפיע על דרכי הדיון הציבורי ולפתוח את הדלת לשיח מועיל יותר, אך זהו רק השלב הראשון.

פרסומות מבוססות AI בעולם הפרסום – לאן זה הולך?

אחד הטרנדים החמים ביותר הוא שימוש ב-AI בפרסומות, וחברת האופנה H&O העלתה השבוע קמפיין בהיקף של מיליון ש”ח, המבוסס כולו על דמויות שנוצרו באמצעות AI. הקמפיין הציג “שחקני AI” צעירים הלובשים את קולקציית הבגדים החדשה, ועורר סקרנות רבה. פרסומת ה-AI של H&O היא רק חלק קטן מתופעה גלובלית של פרסומות AI שצצו בשנים האחרונות. השימוש בבינה מלאכותית הפך לדרך יצירתית לחיבור לקהל הצרכנים ולהצגת מוצרים באופן חדשני. פרסומות ה-AI נועדו לשלב בין האמיתי למדומה ובמקביל גם להוזיל עלויות הפקה. אין ספק שמדובר במגמה שמציבה אתגרים לשיווק המסורתי. סקירה מקיפה של מגמות ה-AI בפרסום מציגה שימושים חכמים ומקוריים, החל מפרסומות וידאו ועד לאינטראקציות ממוקדות יותר עם לקוחות דרך כלים דיגיטליים.

תכונת ה-Visual PDFs החדשה של קלוד

אחת הבעיות הנפוצות בעבודה עם מסמכים ונתונים ויזואליים נפתרת הודות ליכולות ה-AI של קלוד. חברת אנטרופיק (Anthropic) הציגה לאחרונה את תכונת ה-Visual PDFs, שמאפשרת ניתוח חכם של קבצי PDF המכילים טקסטים וגרפיקה כאחד. המערכת יודעת לקרוא טקסטים, לנתח תמונות ולשלב בין המידע, מה שמאפשר למשתמשים לקבל תובנות מלאות על המסמך. היכולת הזו שימושית במיוחד עבור מגוון רחב של אנשי מקצוע, החל מחוקרים, יוצרי תוכן, אנשי כספים, מחלקות משאבי אנוש, ייעוץ עסקי, ניהול ובקרה ועוד. הכלי החדש עוזר למשתמשים להבין ולנתח במהירות תכנים ויזואליים מורכבים ולהפיק דוחות עם תובנות מדויקות. יכולת הניתוח המורכבת של קלוד פותחת אפשרויות חדשות למשתמשים במגוון תעשיות. חשוב לציין שאנטרופיק השיקה לאחרונה גם כלי ניתוח נתונים חדש – השילוב בין השניים יוצר מפלצת של עיבוד וניתוח דאטה!

Jarvis AI דלף – גוגל במבוכה

דליפת המידע הלא צפויה של גוגל בנוגע למערכת Jarvis AI הכניסה את ענקית הטכנולוגיה למבוכה. מדובר במערכת מתקדמת המאפשרת שליטה על מחשבים ומשאבי ענן, מה שנועד לתת פתרון לאתגרי עבודה מרחוק. גוגל אישרה את קיומה של המערכת בעקבות ההדלפה, אך נמנעה מלספק פרטים נוספים. המערכת, שאמורה לאפשר שליטה מאובטחת וממוקדת ממקום אחד, עשויה להוות כלי עבודה חיוני לעובדים מרחוק ולחברות טכנולוגיה גדולות. המקרה הזה מציף שוב את הבעיות שיכולות להיווצר כאשר מערכת מתפתחת נחשפת באופן בלתי מתוכנן – אך גם מעניק לנו הצצה לעתיד שבו שליטה ממוקדת וניהול עבודה מבוזרת הופכים לעניין שבשגרה.

וויספר מחרטט – האם אפשר לסמוך על תמלול אוטומטי?

בתחום התמלול, מערכות AI כמו וויספר מבית OpenAI עושות עבודה מרשימה, אך רחוקות מלהיות מושלמות. מערכות אלו עלולות להמציא מילים שאינן נאמרו במציאות, דבר שעלול ליצור בעיות משמעותיות, במיוחד בתחומים קריטיים כמו רפואה ומשפט. כשמדובר במערכת רפואית או משפטית, דיוק במילים הוא קריטי. למרות הביקורת, השימוש ב-AI בתמלול אינו נפסק אלא רק צומח. אך כלים אלה מחייבים גיבוי ובקרה אנושית כדי למנוע טעויות מסוכנות. וויספר מציגה את אחת הדוגמאות לאתגר של AI להתמודד עם דיוק והקשר, כשהיא משמשת אותנו בצורה חדשנית אך מאתגרת. ועם זאת, הפשלות האחרונות מציבות שאלות כבדות בנוגע לאמינות ולמהימנות של הכלי, מה שמתחדד כבעיה אמיתית לאור השימוש ההולך וגובר בכלי.

Gen3 טורבו – שליטה מתקדמת במצלמות בעולם ה-AI

חברת Runway העלתה את Gen3 רמה נוספת והוסיפה אפשרויות בקרת מצלמה מתקדמות, המאפשרות הפקת תכנים חזותיים באיכות גבוהה. בעזרת הפיצ’ר החדש ניתן לשלוט על תנועות המצלמה וליצור סצנות מקצועיות ודינמיות. בעבר, האפשרות הזו הייתה קיימת ב-Gen2 בלבד, אך Gen3 טורבו מספק כעת חוויית שליטה מהירה ומדויקת יותר. המערכת החדשה מאפשרת ליצור סרטונים מורכבים תוך שימוש בפרומפטים מתקדמים שמאפשרים תזוזות מגוונות ומקצועיות כמו Pan, Tilt ו-Zoom – חידוש שמדגים עד כמה AI משפיע על תחום המדיה הדיגיטלית.

כיצד משלבים שתי לורות (LoRA) בתמונה אחת?

כחלק מקורס המאסטר שלנו, אנחנו מקיימים מפגשי זום שבועיים למשתתפים. במפגש שנערך השבוע הציף אחד המשתתפים קושי – הוא אמר שהוא מתקשה ביצירת תמונת AI אחת ובה שני אנשים אמיתיים (כלומר, שילוב של שתי לורות בתמונה אחת). מזל שיש לנו מדריך מעולה באתר, שמסביר איך לעשות בדיוק את זה!

אילון מאסק מצייץ על ההומור של Grok

אילון מאסק, כהרגלו, ממשיך לעורר עניין ופרובוקציות עם Grok, מודל השפה החדש שלו. ב-X (לשעבר טוויטר), חשף מאסק את היכולת של Grok להבין הומור ואף לנתח בדיקות רפואיות. הציוצים הפרובוקטיביים של מאסק סוחפים אחריו רבים, כשהוא מזמין משתמשים להעלות תמונות של בדיקות MRI כדי לראות אם Grok מסוגל לפענח אותם נכון. אגב, בחנו את הביצועים של Grok מול ChatGPT ו-Claude, ונראה שאין הרבה חדש תחת השמש. הוא לא עושה משהו שלא ראינו בעבר במודלי הדגל של אנטרופיק או OpenAI.

יתרונות ה-AI במכירות – המספרים מדברים בעד עצמם!

מחקר חדש של Tech Sales Global מצביע על כך שהשימוש ב-AI בעולם המכירות מביא תוצאות מדהימות. תחומי הקמעונאות, התחבורה, הטכנולוגיה והמוצרים הצרכניים נהנים מיתרונות כלכליים ניכרים הודות ל-AI: מנועי המלצות בקמעונאות משפרים את מכירות ב-35%, מערכות תמחור דינמיות מגדילות את הרווחים ב-15%, וניהול לידים בתחום הטכנולוגיה מעלה את שיעור ההמרה ב-20%. בינה מלאכותית מאפשרת לתחומים רבים לייצר צמיחה, גידול בהכנסות, לצד שיפור בלתי מבוטל בתהליכים הפנימיים והחיצוניים של חברות. ל-AI יש פוטנציאל אדיר לסייע לעסקים להתאים את עצמם לשוק דינמי ומשתנה במהירות.

הפוסט הסיכום השבועי של LetsAI – כל מה שחם ומעניין | 9.11.24 הופיע ראשון בLet's AI בינה מלאכותית

שלב האיחוד והשינוי

ב-2024 ניתן להבחין בהבנה מעמיקה של ההשפעה המכרעת של מודלים מבוססים (Foundation Models) על טכנולוגיה ומדע. מעבר משלב בניית מודלים לשלב פיתוח מוצרים מסחריים הפך למגמה בולטת, וחברות כמו OpenAI מתקדמות אל עבר הכנסות של מיליארדי דולרים. גם חברות כמו ElevenLabs ו-Synthesia הצליחו להפוך לחלק בלתי נפרד מהתהליכים של תאגידים גדולים כדוגמת Fortune 500.

הרחבת השימוש במודלים מביאה עמה אתגרים חדשים, כאשר הסכמים בינלאומיים אינם מצליחים לפתור את המורכבויות הרגולטוריות. התנגשות בין חברות טכנולוגיה ורגולטורים באירופה ובמדינות אחרות, כגון קליפורניה, מעלה את שאלת האיזון בין חדשנות לפיקוח.

מגבלות פיזיות ואתגרים טכנולוגיים

הדיונים בשנה זו לא עסקו רק בהיבטי הסקיילינג של מודלים גדולים, אלא גם באתגרים הפיזיים שניצבים בפני התעשייה. צריכת האנרגיה הגבוהה, הצורך במים ובשטח להקמת מתקנים מתאימים מציבים בעיות ממשיות עבור תעשיות ה-AI. ההתחייבות ל-“נטו אפס” פליטות עשויה להתגלות כבלתי אפשרית בעידן שבו תשתיות AI צורכות משאבים רבים, מה שהופך את השמירה על קיימות לאתגר עולמי של ממש.

בשנה זו, NVIDIA הפכה לשחקנית מפתח בענף, והגיעה לשווי שוק של 3 טריליון דולר. למרות התחרות והרגולציה, כולל הגבלות סחר בסין, החברה ממשיכה להיות מרכזית בתעשיית ה-AI.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

הישגים מחקריים בולטים

הדו”ח מצביע על התכנסות של הביצועים בין מעבדות מחקר שונות. אם בעבר היו פערים בולטים בין המודלים המובילים, כיום הפערים מצטמצמים, כמו בין GPT-4, קלוד 3.5 וג’מיני 1.5. המאמץ לשפר מודלים באמצעות למידת חיזוקים, אלגוריתמים אבולוציוניים ופיתוח מחקר מולטימודאלי ממשיך להוביל לפריצות דרך מדעיות בתחומים כמו ביולוגיה ומדעי המוח.

על אף הסנקציות של ארה”ב, המעבדות הסיניות ממשיכות להציג פיתוחים משמעותיים שמאתגרים את המודלים האמריקאיים. התעשייה כולה צומחת עם שווי מוערך של 9 טריליון דולר.

אתגרים כלכליים וקיימות

על אף ההצלחות המרשימות, שאלות חשובות נותרו פתוחות – במיוחד לגבי תמחור וקיימות לטווח הארוך. המחירים הגבוהים של מודלים מתקדמים, כמו המודל החדש של OpenAI, מעלים את השאלה אם ניתן להבטיח את קיומם הכלכלי בעתיד. סטארט-אפים רבים מנסים למצוא את דרכם בשוק רווי תחרות, במיוחד אלו שמתמחים בכלים ליצירת אודיו ווידאו.

בנוסף, השנה הציגה שיפורים משמעותיים בתכנון ובהיגיון של מודלים. שילוב של למידת חיזוקים, חיפוש עצי ומנגנוני ביקורת עצמית סייעו לשפר את ביצועי המודלים בתרחישים מורכבים, יחד עם פיתוח מודלים היברידיים שמציעים צריכת זיכרון נמוכה יותר וביצועים משופרים.

כיוון עתידי – מודלים בעלי יכולות שיפור עצמי?

אחת הנקודות המסקרנות בדו”ח היא התחזית שמודלים עתידיים יוכלו לשפר את עצמם ולבצע משימות מורכבות יותר באמצעות שילוב למידת חיזוקים מתקדמת ושיטות אבולוציוניות. השאלה המעניינת היא אם מודלים כאלו יוכלו לפתור בעיות שבעבר נחשבו כבלתי ניתנות לפתרון על ידי מכונות.

חברות כמו OpenAI ו-Google DeepMind ממשיכות לחקור את התחום ולהוביל את הפיתוחים הטכנולוגיים האלו.

הדוח המלא

שנת 2024 מסמלת שלב חדש במעבר ממחקר לתוצרי AI מסחריים ובשילוב הטכנולוגיה הזו בחיי היומיום. למרות האתגרים הגדולים שמולם עומדת התעשייה, הפוטנציאל שלה רק מתחיל להתגלות במלואו. אם 2023 סימנה את פריצות הדרך, 2024 מבססת את ה-AI ככוח שמניע טרנספורמציה עולמית. הציפייה היא שב-2025 נראה את תחום ה-AI ממשיך להתפתח בדרכים חדשות ומרתקות. לינק לדוח המלא.

הפוסט דו”ח מצב ה-AI לשנת 2024: נתונים שחשוב להכיר הופיע ראשון בLet's AI בינה מלאכותית

בינה מלאכותית כמנוע צמיחה כלכלי בעסקים

אחת הדוגמאות המובילות להשפעת הבינה המלאכותית על המכירות היא אמזון. מנוע ההמלצות של החברה, המבוסס על AI, אחראי לכ-35% מסך המכירות שלה – נתון המעיד על תרומתו המשמעותית של AI בהנעת מכירות בקנה מידה עולמי. דוגמה זו מדגישה כיצד כלים מתקדמים אלו משנים מודלים עסקיים ומשפרים את הכנסות החברות. לא רק אמזון נהנית מהשיפור; חברות רבות בתחום המסחר האלקטרוני מאמצות את ה-AI לשיפור יחס ההמרה ושביעות רצון הלקוחות.

חוויות פרסונליות בקנה מידה רחב

היכולת של AI להציע חוויות פרסונליות למשתמשים ברמה גבוהה היא מהפכנית. דוגמה לכך היא ספוטיפיי, המנתחת מעל חצי טריליון אירועים ביום בעזרת מנוע הפרסונליזציה שלה, במטרה להציע המלצות מותאמות אישית. השימוש ב-AI מוביל לשיפור במעורבות המשתמשים, חיזוק הקשר עם המותג ושיפור בשימור הלקוחות – גורמים המובילים להצלחת העסק.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

היתרונות הכלכליים של AI במכירות

התרומה הכלכלית של AI במכירות מתבטאת במספרים ברורים, משיפור יעילות ועד להחזרי השקעה יוצאי דופן. מחקר של חברת Tech Sales Global מצביע על כך שהשימוש ב-AI במכירות מביא לתוצאות ששינו את כללי המשחק בשוק. מנהלת האנליטיקה של החברה, ג’ניפר מרטינז, ציינה: “חברות כיום משיגות תוצאות שהיו בלתי אפשריות רק לפני מספר שנים, וזו רק תחילת הדרך.”

נתונים על השפעות ה-AI על תעשיות שונות כוללים:

• קמעונאות: כ-35% מהמכירות בקמעונאות מתבצעות דרך מנועי המלצות.
• תחבורה: שימוש באלגוריתמי תמחור דינמי מוביל לשיפור הכנסות של עד 15% לנוסע.
• טכנולוגיה: מערכות ניהול לידים מביאות לשיפור של 20% בשיעור ההמרה.
• מוצרי צריכה: ייעול תהליכי ההפצה מוביל לשיפור של 18% ביעילות.

שיפור הפרודוקטיביות והגורם האנושי

מעבר להיבט הכלכלי, AI תורם באופן ניכר לייעול פעילות הצוותים. מערכות אוטומציה חכמות חוסכות זמן יקר ומשאבים, ומאפשרות לצוותי מכירות להתמקד במשימות בעלות ערך מוסף, כגון בניית מערכות יחסים עם לקוחות וסגירת עסקאות. נתונים מראים כי חברות המיישמות AI חוסכות כ-27% מזמן הצוותים שלהן, שבעבר הוקדש למשימות מנהלתיות כמו תיאום פגישות והזנת נתונים.

תחזיות לשנים הקרובות מצביעות על כך שעד 2025, כ-75% מצוותי המכירות בארגוני B2B יאמצו כלים מבוססי AI כחלק משיטות העבודה היומיומיות שלהם. ארגונים שכבר פועלים עם AI מדווחים על עלייה של 20% בדיוק בסינון לידים, קיצור של 15% במחזורי מכירה, וגידול של 25% בפרודוקטיביות הצוותים.

המציאות העסקית והחשיבות בהשקעה ב-AI

ארגונים שמעדיפים להמתין עם יישום AI במכירות עלולים להישאר מאחור בתחרות בשוק ההולך ומשתנה. בעולם העסקים של היום, הבינה המלאכותית היא לא רק כלי להובלה – היא תנאי בסיסי להישרדות. מייקל צ’אנג, סגן נשיא לטכנולוגיות מכירה ב-Enterprise Solutions, מדגיש: “בעולם העסקים של היום, בינה מלאכותית היא לא רק אפשרות להוביל – היא הכרח להישרדות.”

סיפורי ההצלחה של ענקיות כמו אמזון וספוטיפיי מוכיחים ש-AI הפכה לכלי חובה עבור ארגונים המעוניינים להישאר תחרותיים ולהתקדם בשוק הדינמי. יישום נכון של AI מציב את הארגון בעמדת יתרון אסטרטגית.

מנהל מכירות מוצלח יכיר בכך שהשאלה כבר אינה אם ליישם את הבינה המלאכותית, אלא כיצד להטמיע את הטכנולוגיה במהירות ולמקסם את התועלת שלה בכל חלקי הארגון.

הפוסט ממידע להחלטה: הבינה המלאכותית כמנוף להצלחה במכירות הופיע ראשון בLet's AI בינה מלאכותית

ניוז קורפ נגד פרפלקסיטי

ב-21 באוקטובר 2024, ניוז קורפ (News Corp), החברה האם של עיתונים כמו ה”וול סטריט ג’ורנל” ו”הניו יורק פוסט”, הגישה תביעה נגד פרפלקסיטי, בטענה כי מנוע החיפוש מבוסס ה-AI שלה משתמש בתכנים מוגנים בזכויות יוצרים באופן רחב היקף.

על פי התביעה, פרפלקסיטי מעתיקה באופן לא חוקי מאמרים, ניתוחים ודעות מתוך תכנים של ניוז קורפ, תוך עקיפת מערכות הגנה על זכויות יוצרים. ניוז קורפ טוענת כי פרפלקסיטי מציגה את התכנים באופן שמחליף את המקור, ובכך פוגעת כלכלית במפרסמים ובכותבים.

אחת ההאשמות המרכזיות בתביעה היא שפרפלקסיטי מאפשרת למשתמשים שלה “לדלג על הקישורים” למאמרים, ובכך פוגעת בהכנסות הנובעות מתוכן שנצרך במקור דרך המפרסמים עצמם. דבר זה מונע מהיוצרים ומהמפרסמים ליהנות מההכנסות המתקבלות מפרסומות, מביקורים באתר, וממנויים, מה שפוגע משמעותית במודל הכלכלי שעליו מתבססת התעשייה. ניוז קורפ טוענת כי התוכן אינו רק מועתק, אלא לעיתים אף מועבר בצורה שגויה או מופרכת, תוך שהיא מייחסת לעיתים מידע מומצא למקורות לא נכונים.

הדיון בזכויות יוצרים והשלכותיו על תעשיית ה-AI

תביעה זו נגד פרפלקסיטי סובבת גם היא סביב סוגיה מרכזית שעולה כיום בעולם הבינה המלאכותית: האופן שבו חברות AI משתמשות בתכנים מוגנים בזכויות יוצרים לצורך אימון המודלים שלהן. לדוגמה, כאשר מודלים של AI מתאמנים על מאמרים או ספרים, היוצרים המקוריים לא מקבלים כל תמורה כספית, מה שפוגע ביכולתם להפיק הכנסה מעבודתם ולהגן על זכויותיהם כיוצרים.

התקדמות בתחום ה-AI מסתמכת במידה רבה על נגישות למידע, אך כאשר המידע הזה מגיע ממקורות שהזכויות עליהם שמורות לבעלי תכנים כמו ניוז קורפ, הדבר מעורר שאלות משפטיות ומוסריות כבדות משקל. במקרה של פרפלקסיטי, ניוז קורפ דורשת את הפסקת השימוש הלא מורשה בתכניה, כמו גם את השמדת כל מסד נתונים שבו נשמרו אותם תכנים.

תביעות דומות הוגשו גם נגד חברות אחרות, כמו OpenAI ומטה (Meta), בטענה לשימוש ללא אישור בתכנים מוגנים לצורך אימון מודלים.

סוגיות משפטיות נוספות סביב AI וזכויות יוצרים

לפני פירוט התביעות המרכזיות שמתחוללות בשנה האחרונה, יש להבין כי הסוגיות המשפטיות בתחום הבינה המלאכותית מגוונות וכוללות היבטים של זכויות יוצרים, הגנת נתונים, שימוש לא מורשה בתוכן והפרת פטנטים. כל אחת מהסוגיות הללו מתבטאת בתביעות שהוגשו בשנים האחרונות, ומשקפת את האתגרים המשפטיים שעומדים בפני חברות AI בשימוש בתכנים המוגנים בזכויות.

התביעה נגד פרפלקסיטי היא רק דוגמה אחת מני רבות של התביעות המשפטיות המתגבשות נגד חברות AI בשנים האחרונות. הנה כמה מהתביעות המרכזיות בתחום:

התביעה של הניו יורק טיימס נגד OpenAI ומיקרוסופט:

בדצמבר 2023, הניו יורק טיימס הגיש תביעה נגד OpenAI ומיקרוסופט בטענה כי השתמשו במיליוני מאמרים של העיתון לאימון מודלים של AI ללא רשות.

תביעה של שמונה עיתונים נגד OpenAI ומיקרוסופט:

באפריל 2024, מספר עיתונים בארה”ב, ביניהם ה”שיקגו טריביון” ו”דנבר פוסט”, הגישו תביעה דומה נגד אותן חברות, בטענה שהשתמשו בתכנים המוגנים שלהם ללא אישור.

אם בפלורידה טוענת שצ’טבוט AI עודד את בנה להתאבד:

סיפורו של סוול סצר, נער בן 14 מפלורידה, ששם קץ לחייו בפברואר השנה, בעקבות קשר רגשי עמוק עם צ’טבוט בפלטפורמת Character.AI, מציב אתגרים חדשים סביב השפעות AI על נפשותיהם של בני נוער וצעירים. הכתבה המלאה פה.

סופרים נגד Meta ו-OpenAI:

ביולי 2023, הקומיקאית והסופרת שרה סילברמן ואחרים הגישו תביעה נגד Meta ו-OpenAI, בטענה כי נעשה שימוש בספריהם לצורך אימון מודלי שפה ללא קבלת רשות.

גם NVIDIA על הכוונת

בנוסף לסוגיות של זכויות יוצרים, חברות AI מתמודדות עם תביעות אחרות הנוגעות לסוגיות של הגנת נתונים, שימוש בתוכן ללא רשות והפרת פטנטים. לדוגמה, חברת Nvidia ומיקרוסופט נתבעו בספטמבר 2024 על ידי חברת Xockets בטענה כי הפרו פטנטים בתחום טכנולוגיות עיבוד הנתונים. כל זה מצטרף לטענות של גוגל על גניבת דאטה מיוטיוב – להרחבה, קראו את הכתבה הבאה.

כמו כן, עולות טענות בדבר הפרות של חוק זכויות היוצרים הדיגיטלי (DMCA) עבור כמעט כל חברה גדולה, כאשר נטען כי חברות AI מסירות מידע ניהולי של זכויות יוצרים ממקורות התוכן, ובכך מפרות את החוק.

לצורך העניין, תראו את תגובתה של מירה מורטי, המנהלת הטכנולוגית של OpenAI כאשר נשאלה על תהליך האימון של מודל Sora

מה הלאה?

תביעות אלה מסמנות נקודת מפנה משפטית בתעשיית הבינה המלאכותית. במאי 2024, שופט פדרלי אישר המשך תביעה בנוגע להפרת זכויות יוצרים ומותגים נגד יוצרי אמנות מבוססי AI, כולל Stability AI ו-Midjourney, והדגיש את החשיבות הרבה של השאלה כיצד יש להגן על יצירות דיגיטליות בעולם בו ה-AI מתפשט. כמו כן, ביולי 2024, חברת Getty Images הגישה תביעה מתוקנת נגד Stability AI, תוך שהיא מתמקדת באתגרים משפטיים הנוגעים לזכויות ניהול תוכן.

פרשת פרפלקסיטי היא מקרה מבחן חשוב המעלה לדיון שאלות רחבות יותר הנוגעות לתחום הבינה המלאכותית כולו. השימוש במידע ובתוכן שנוצרים על ידי בני אדם לצורך אימון מכונות מצריך בחינה מחודשת של נורמות משפטיות, מוסריות וכלכליות.

בינתיים, חשוב גם לומר שלמרות כל התביעות, חברות כמו OpenAI כבר החלו ביצירת הסכמים עם גופי מדיה שונים, כדי לקבל רשות להשתמש בתוכן בצורה חוקית. עם זאת, פתרונות מסוג זה עשויים להיות זמניים בלבד, ונראה כי הדרך לשילוב נכון וחוקי של טכנולוגיות AI בתעשיות שונות עוד ארוכה.

הפוסט פרפלקסיטי תחת אש – News Corp תובעים! הופיע ראשון בLet's AI בינה מלאכותית

SAM 2.1 – זיהוי טוב יותר של אובייקטים

מודל SAM 2.1 (Segment Anything Model) הוא כלי שמסייע לזהות ולסווג אובייקטים בתמונות ובווידאו בצורה אוטומטית, ללא צורך בתיוג ידני. הוא מאפשר לחוקרים ולמפתחים לבצע סגמנטציה של אובייקטים באופן מהיר ומדויק. הגרסה החדשה של המודל כוללת שיפורים משמעותיים לעומת הגרסה הקודמת. מאז שחרור SAM 2 לקהילת הקוד הפתוח, הוא הורד יותר מ-700,000 פעמים ונעשה בו שימוש במדעים שונים, כמו רפואה ומטאורולוגיה.

Credit: sam2.metademolab.com

בגרסה החדשה, SAM 2.1 מתמודד טוב יותר עם אובייקטים דומים וקטנים, בזכות שיפורי אלגוריתם ושיטות חדשות של אוגמנטציה (הרחבת נתונים). המודל מאומן על רצפים ארוכים יותר של פריימים ומציג ביצועים טובים יותר במקומות שהיו בעייתיים בעבר. מטא גם פרסמה את קוד המקור של ה-SAM Developer Suite, שמאפשר למפתחים להתאים את המודל לצרכים שלהם, לשנות את אופן האימון, ואף להשתמש בגרסה האינטרנטית שלו.

המדריכים תמיד חינמיים, אבל אם בא לכם להתמקצע - יש גם קורס AI בינה מלאכותית למנהלים ובכירים

למידע נוסף >>

Meta Spirit LM – שילוב בין דיבור וטקסט

אחד החידושים הבולטים במוצרי Meta הוא Meta Spirit LM, מודל שפה מולטימודלי שמאפשר לשלב בין דיבור לטקסט. המודל מחליף את הצורך בטכנולוגיות שמבצעות המרת דיבור לטקסט וחזרה לדיבור. הוא גם שומר על האיכויות המילוליות והרגשיות של הדיבור האנושי. Meta Spirit LM מגיע בשתי גרסאות:

• Spirit LM Base: משתמש בשיטות פונטיות ליצירת דיבור.

• Spirit LM Expressive: כולל טוקנים של פיץ’ (Pitch) וסגנון כדי לשמר את הטון הרגשי של הדובר, כולל רגשות כמו כעס, הפתעה או שמחה.

המודל מאפשר משימות כמו זיהוי דיבור אוטומטי (ASR) והמרת טקסט לדיבור (TTS), וכל זאת תוך שמירה על האקספרסיביות של הדיבור. המודל שוחרר כמובן כקוד פתוח עם רישיון מחקרי לא מסחרי, כדי לאפשר לחוקרים לפתח את התחום ולבנות כלים חדשים שמנצלים את היכולות האלו.

Layer Skip – האצת ביצועי מודלים גדולים

מודלים גדולים בתעשייה ובאקדמיה דורשים משאבים רבים של זמן ואנרגיה. כדי להתמודד עם האתגר הזה, Meta פיתחה את Layer Skip, כלי שמאיץ את זמני הריצה של מודלים גדולים בלי צורך בחומרה או תוכנה מיוחדת. Layer Skip מאפשר לדלג על שכבות במהלך הריצה ולהשתמש בשכבות מאוחרות יותר לאימות ותיקון.

“לייר סקיפ” משפר את ביצועי המודל תוך שמירה על דיוק, ומאפשר שיפור של עד פי 1.7 בזמני הריצה.  Meta שחררה את הקוד ואת המודלים שעברו אימון עם Layer Skip, כולל Llama 3, Llama 2 ו-Code Llama.

SALSA – בדיקת הצפנה לעידן הקוונטי

עולם הקריפטוגרפיה מתמודד עם אתגרים גדולים, ובעידן הקוונטי יש צורך לבחון שיטות הצפנה חדשות. כלי SALSA שפותח על ידי Meta נועד לאפשר לחוקרים לבדוק את החוסן של שיטות הצפנה מבוססות קריפטוגרפיה קוונטית. הכלי משתמש בבינה מלאכותית כדי לתקוף הצפנות ולחשוף פגיעויות חדשות. בעזרת הכלי, החוקרים יוכלו לגלות נקודות תורפה ולבנות מערכות מאובטחות יותר.

Meta Lingua – פלטפורמה למחקר ואימון מודלים לשוניים

Meta פיתחה את Meta Lingua, פלטפורמה קלה לשימוש שנועדה לאפשר לחוקרים לאמן מודלים לשוניים גדולים בצורה יעילה ופשוטה. הפלטפורמה מותאמת לצרכים מחקריים, וכוללת קוד מקור מודולרי שניתן לשלב בפרויקטים קיימים כדי להאיץ את תהליכי האימון של המודלים. שיתוף הכלי מאפשר לחוקרים לבדוק רעיונות חדשים ולבצע ניסויים במינימום מאמץ טכני.

הביצועים של Meta Lingua במבחנים | Credit: Meta

התמונה מתארת את ביצועי המודל של Meta Lingua, עם גרף המציג את הירידה ב-Loss (הפסד) ואת העלייה בביצועים של המודל. המודל השיג תוצאה של 48% במבחן MMLU. נתון זה מתייחס למודל בעל 7 מיליארד פרמטרים, שהתאמן במשך 24 שעות תוך שימוש ב-256 GPUs.

בנוסף לכך, תוצאות הביצועים מוצגות במספר מבחני הערכה נוספים, בהם המודל השיג תוצאות מרשימות: 50% ב-ARC Challenge, 77% ב-HellaSwag, 63% ב-CSQA ו-51% ב-TQA. תוצאות אלה מדגישות את היכולות המחקריות הגבוהות של Meta Lingua, המספקת פלטפורמה יעילה ונגישה למחקר בתחום הבינה המלאכותית.

מעבר לדיוק ולביצועים, Meta Lingua עושה שימוש מיטבי בחומרה מתקדמת כמו כרטיס ה-H100, ומצליחה לעבד 9,600 טוקנים לשנייה עם נצילות חישובית של 45% מה-FLOPs של המודל. שילוב זה של מהירות עיבוד, דיוק וניצול יעיל של משאבים חישוביים מדגיש את מחויבותה של הפלטפורמה למודולריות, פשטות ושימוש חוזר, אשר מקדמים מחקר בינה מלאכותית במגוון רחב של יישומים ומאפשרים לבצע ניסויים בצורה מהירה וידידותית למשתמשים

Meta Open Materials 2024 – גילוי חומרים חדשים

גילוי חומרים חדשים הוא תהליך שיכול לקחת שנים רבות, אך בינה מלאכותית עשויה לקצר את הזמן הזה משמעותית. Meta משחררת את Meta Open Materials 2024, אחת ממערכות הנתונים הגדולות ביותר לגילוי חומרים חדשים. המערכת כוללת מאגר נתונים של 100 מיליון דוגמאות, ומטרתה לספק אפשרויות חדשות בגילוי חומרים אנאורגניים.

MEXMA – שיפור ייצוגי משפטים

Meta מציגה גם את MEXMA, מקודד משפטים חדש שמבוסס על אובייקטים ברמת המשפט והטוקן. גישה זו מאפשרת עיבוד מדויק יותר של משפטים במודלים רב-לשוניים ומשפרת את הדיוק במשימות כמו סיווג משפטים.

Self-Taught Evaluator – הערכת מודלים עם נתונים סינתטיים

מטא פיתחה את מודל Self-Taught Evaluator, שמייצר נתונים סינתטיים לצורך אימון מודלים, בלי צורך בהערות אנושיות. המודל מבצע אופטימיזציה ישירה ומשמש כמערכת להערכת מודלים אחרים בצורה מהירה ויעילה, ומוביל לשיפורים משמעותיים בביצועי המודלים שנבדקים. בסופו של דבר, Meta ממשיכה להוביל בתחומי הבינה המלאכותית עם הכלים החדשים הללו. כלים אלו מעניקים גישה לטכנולוגיה מתקדמת, ופותחים את הדלת בפני מפתחים וחוקרים ליצירת חדשנות מדעית.

מטא ממשיכה להוביל

אין ספק שכל יום יש משהו חדש ולפחות מהצד של מטא, לא נראה שזה הולך לעצור בזמן הקרוב. החברה ממשיכה לפתח טכנולוגיות ומודלי AI, ודוגלת בשיטת קוד פתוח והנגשת ידע וכלים להמונים ולמפתחים. זה לא ברור מאליו וזה בהחלט ראוי להערכה!

הפוסט סקירת הכלים החדשים של צוות Meta FAIR לשיפור הבינה המלאכותית והמחקר הופיע ראשון בLet's AI בינה מלאכותית

האורב (ORB) של אלטמן:

World: מהו הפתרון שמאחורי הפרויקט?

השמות שמאחורי הכדור המסתורי

World (שבעבר נקרא Worldcoin) הוא פרויקט שאפתני המובל על ידי סם אלטמן ואלכס בלניה (Alex Blania), מנכ”ל Tools for Humanity, שמטרתו לספק דרך לאמת את זהותם של בני אדם בעידן שבו בינה מלאכותית עלולה להשתלט על תהליכים דיגיטליים.

המערכת פועלת בעזרת מכשיר הנקרא “האורב” (Orb), או “הכדור”, המסוגל לסרוק את קשתית העין של המשתמשים ולאמת את זהותם האנושית. כבר היום מערכות AI שונות יוצרות דמויות פיקטיביות ותוכן שנראה אנושי לחלוטין, השימוש בטכנולוגיה ביומטרית כמו סריקת קשתית פתאום הופך להיות קריטי על מנת להבחין בין אנושות למכונה. זה הרי רק עניין של זמן עד שנשמע על שוד בנק ענק של האקרים שיתחזו לבעלי חשבונות בנק בעזרת אווטארים ומודלי קול.

מטבע דיגיטלי או פתרון טכנולוגי?

הפרויקט החל את דרכו בשם Worldcoin, כאשר סריקת העין הייתה מזכה את המשתמשים במטבע דיגיטלי ייחודי – Worldcoin. עם זאת, ההתרחקות מפתרונות מבוססי קריפטו גרמה לצוות מאחורי World להפסיק להשתמש במילה “coin” בשם הפרויקט. היום המיקוד הוא בהרחבת האימות האנושי ובהפיכת הטכנולוגיה לכלי מרכזי בחברה דיגיטלית עתידית. אגב, ואם אתם רוצים, גם אתם יכולים להפוך להיות מפעילים של המערכת, כנסו לאתר הבא.

מעל 7 מיליון בני אנוש אומתו בעזרת ה-ORB של אלטמן | Credit: world.org

איך פועלת מערכת האימות של Orb?

האורב (Orb) הוא מכשיר חדשני שמביא איתו קפיצת מדרגה טכנולוגית בתחום האימות הביומטרי. מדובר במערכת מתקדמת, בעלת עיצוב ייחודי שמטרתה לאמת את זהותו של אדם בצורה בטוחה ומדויקת. אחד המרכיבים המרכזיים שמאפיינים את המכשיר הוא האופן שבו הוא משתמש בסריקות קשתית העין כדי ליצור קוד מוצפן שמאשר את זהות המשתמש.

חיישנים ומצלמות ברזולוציה גבוהה, מקנים דיוק חסר תקדים

האורב בנוי ממערך חיישנים ומצלמות ברזולוציה גבוהה שמסוגלים ללכוד פרטים עדינים של מבנה קשתית העין. תהליך האימות מתבצע באמצעות ניתוח הנתונים שנאספים מהמכשיר, ולאחר מכן יצירת קוד מוצפן המבוסס על מבנה ייחודי זה. בצורה כזו, המערכת לא רק מאמתת את הזהות של המשתמש, אלא גם מוודאת שאדם אמיתי עומד מאחורי ההרשמה, בניגוד לשימוש במידע דיגיטלי בלבד שעלול להוות מטרה לזיופים.

סריקת קשתית בשילוב אימות מוצפן

מערכות אימות ביומטריות רבות, כמו סריקות טביעת אצבע או זיהוי פנים, נחשבות למתקדמות, אך הן נושאות עימן מגבלות בכל הנוגע לדיוק בקנה מידה גלובלי. סריקת קשתית העין לעומת זאת, מתגלה כאחת השיטות המדויקות ביותר לאימות זהות. לכל אדם יש מבנה קשתית ייחודי לחלוטין, מה שהופך את התהליך ליעיל במיוחד כאשר מדובר במניעת זיופים.

המכשיר מבצע את הסריקה ברמה גבוהה מאוד של דיוק, ולאחר מכן מעביר את הנתונים למערכת מבוזרת המבוססת על בלוקצ’יין. באמצעות טכנולוגיה זו, הנתונים נשמרים בצורה מאובטחת מבלי לחשוש מהדלפה או ניצול לרעה. המערכת מנצלת את הבלוקצ’יין כדי לוודא שלא ניתן לשנות את המידע לאחר שאומת, וכך מבטיחה שהמידע של המשתמשים ישאר פרטי ומוגן.

אתגרים רגולטוריים וביקורת עולמית

כמו כל טכנולוגיה חדשנית, גם Worldcoin, החברה שמאחורי אורב, נתקלת בביקורות מצד רגולטורים וגופים ממשלתיים ברחבי העולם. החששות העיקריים עוסקים בהשלכות האתיות של איסוף נתונים ביומטריים בהיקפים גלובליים, במיוחד במדינות מתפתחות. מדינות כמו קניה וחלק ממדינות האיחוד האירופי כבר עצרו או ניהלו מחקרים סביב הפרויקט עקב חששות בנוגע לאבטחת המידע ופרטיות המשתמשים.

אחת מהביקורות המרכזיות נוגעת לכך שמדינות אלו חוששות שאנשים באזורים חלשים מבחינה כלכלית עלולים להתפתות למסור את המידע האישי שלהם בתמורה לתמריצים כמו מטבעות דיגיטליים. טענה נוספת של מבקרים היא שהפרויקט עשוי לייצר אי-שוויון אתי, כאשר אוכלוסיות חלשות מנוצלות לשם איסוף מידע יקר ערך.

לא רק מדינות ותאגידים מביעים חשש, אלא גם ארגונים ציבוריים וחוקרים שונים, הטוענים כי איסוף המוני של נתונים ביומטריים מציב אתגרים אתיים מורכבים. השאלה העיקרית היא כיצד יטופל המידע הביומטרי בעתיד והאם מערכת מרכזית כזו עלולה להיחשף לפגיעה או לניצול מצד גורמים זדוניים. למרות האיומים הפוטנציאליים, נראה שעד כה אין חלופות מדויקות יותר לאימות זהות בקנה מידה עולמי.

כדי להתמודד עם החששות, Worldcoin פועלת לפיתוח מתמשך של המערכת, תוך שיפור אבטחת המידע, והבנת ההשלכות הרגולטוריות באזורים השונים. יחד עם זאת, הביקורות לא עוצרות, ויש שאלות רבות שנשארות פתוחות.

השפעות טכנולוגיות בעולם הבינה המלאכותית

עם ההתקדמות המהירה בטכנולוגיות בינה מלאכותית (AI), Worldcoin רואה חשיבות עליונה בפיתוח מערכות כמו Orb ככלי מפתח לזיהוי ולאימות ישויות אנושיות אל מול ריבוי הישויות הדיגיטליות שנוצרו על ידי AI. ככל שהבינה המלאכותית ממשיכה להתפתח ולשמש ליצירת תוכן, פייק ניוז ובוטים מזויפים, יש צורך עולה וגובר במערכות שיוכלו להבחין בין בני אדם אמיתיים לבין בוטים או דמויות דיגיטליות מזויפות.

המטרה של Worldcoin היא לספק פתרון טכנולוגי אוניברסלי לאימות זהות באינטרנט, כזה שיהיה מבוסס על מאגרי נתונים מאובטחים ובלתי ניתנים לשינוי. בעידן שבו כל אחד יכול להשתמש בטכנולוגיות בינה מלאכותית כדי ליצור ישויות דיגיטליות מזויפות, אורב עשוי להיות הכלי שימנע את ההשתלטות של AI על חלקים נרחבים באינטרנט. 

פריסה גלובלית ופיתוח טכנולוגי מתקדם

בשלב הבא של הפרויקט, החברה מתכננת להרחיב את פריסת המערכת כך שהיא תהיה זמינה לכל אדם בעולם. החזון של Worldcoin הוא לאפשר לכל אדם לאמת את זהותו באינטרנט באמצעות סריקת קשתית, וכך למנוע בעיות הנובעות משימוש לרעה בטכנולוגיות AI, כמו יצירת בוטים שמבצעים פעולות מזויפות.

מטרת החברה היא להפוך את World ID, הזיהוי הדיגיטלי המבוסס על סריקת קשתית, לסטנדרט עולמי שיחליף את שיטות האימות המסורתיות כיום. בעתיד, המערכת תוכל לשמש כאמצעי אימות בכל פלטפורמה דיגיטלית – מרשתות חברתיות ועד אתרי מסחר מקוונים. כן כן – אנחנו יודעים על מה אתם חושבים. תאגיד עולמי עם גישה לטכנולוגיית בינה מלאכותית מתקדמת שמחזיק בזהות של כל אדם. נשמע כמו התחלה של סרט אימה ברוח 1984.

מנגד, אחת הנקודות המעניינות שהועלו בדיונים סביב Worldcoin היא התחרות מול ענקיות טכנולוגיה כמו גוגל. כיום, אנשים רבים מאמתים את זהותם דרך שירותי Gmail או חשבונות Google. אך Worldcoin שואפת להציע חלופה שתהיה בטוחה ואמינה יותר. ישנן טענות שהמערכות המסורתיות הללו לא יספיקו בעתיד, וכי טכנולוגיות כמו אלו ש-Worldcoin מציעה עשויות להחליף את הכלים הקיימים.

האם זהו העתיד או סכנה מוסרית?

הפרויקט של Worldcoin מעלה שאלות מורכבות ועמוקות לגבי האיזון בין חידושים טכנולוגיים לבין פרטיות ואתיקה. מצד אחד, מדובר בטכנולוגיה מהפכנית עם פוטנציאל לשנות את כללי המשחק. היא עשויה לספק כלים חסרי תקדים להתמודדות עם בעיות מהותיות בעידן הדיגיטלי, כמו התחזות, שימוש בבוטים להפצת פייק ניוז ואיומים אחרים הקשורים לעליית הבינה המלאכותית. הדיוק הרב של סריקות קשתית העין בשילוב עם אבטחת נתונים במערכות בלוקצ’יין יוצר כלי עוצמתי לשיפור אבטחת האימות של זהויות באופן גלובלי.

עם זאת, ישנן השלכות מוסריות ואתיות משמעותיות שיש להביא בחשבון. איסוף המוני של נתונים ביומטריים, במיוחד בקרב אוכלוסיות מוחלשות, מעלה שאלות בנוגע לניצול הכוח והשפעותיו ארוכות הטווח. כאשר מידע זה נאסף, קשה להבטיח שלא יעשה בו שימוש לרעה בעתיד – בין אם על ידי גורמים פרטיים, ממשלתיים, או אפילו עברייניים שיצליחו לחדור למערכת. בנוסף, המודל הריכוזי של הפרויקט מעלה חששות לגבי ריכוז כוח רב מדי בידי גופים מסוימים, דבר העלול לפגוע בזכויות דיגיטליות ובחירות הפרט.

השאלה המרכזית היא האם היתרונות של טכנולוגיה זו עולים על הסיכונים הפוטנציאליים. בעידן שבו יותר ויותר ישויות דיגיטליות פועלות במרחב המקוון, יש צורך בכלים אמינים להבחין בין אנשים אמיתיים ליישויות מזויפות. עם זאת, קיים חשש שטכנולוגיה כזו עלולה להוביל למעקב המוני ולפגיעה חמורה בפרטיות.

מעבר לכך, יש לשקול את ההשלכות החברתיות והכלכליות. אם הפרויקט יצליח, הוא עשוי לשנות את מודלי האימות המסורתיים, להשפיע על הכלכלה הדיגיטלית ולערער את המעמד של תאגידים ותעשיות ענקיות. החשש הוא שמערכת כזו תהפוך לכלי מרכזי בידי גופים כלכליים ופוליטיים, ותיצור חוסר איזון בכוח שבין אזרחים לבין הגופים השולטים במידע שלהם.

מה השורה התחתונה? בסופו של יום יש לבחון את הפיתוח בעיניים פקוחות ולהכיר בכך שגם אם הוא מציע פתרונות לבעיות מורכבות, יש צורך לוודא שהסיכונים הנלווים לא יעלו על התועלת. הטכנולוגיה שמציעה Worldcoin עשויה להיות צעד קדימה במאבק על זהות דיגיטלית מאובטחת, אך יש לשים דגש על כך שהיא לא תביא יותר נזק מתועלת. מה שלא יהיה, ההמלצה שלנו אליכם היא שכדאי שתתחילו לקרוא את האותיות הקטנות לפני שאתם חותמים על דברים באינטרנט, או לכל הפחות לתת למודלי שפה לאתר סעיפים בעייתיים ולהציג לכם אותם. ורגע לפני שאתם מוסרים את הזהות שלכם לחברה פרטית או תאגיד עולמי – חשבו פעמיים. אנחנו כלל לא בטוחים שאנחנו היינו סורקים את העין שלנו ומצטרפים למאגר שכזה. 

הפוסט הפרויקט החדש של סם אלטמן – ה-World וה-Orb הופיע ראשון בLet's AI בינה מלאכותית

חיפוש ידע פנימי: המידע הארגוני לצד רשת האינטרנט

כאשר מדובר בניהול מידע, אחת הדרישות המרכזיות של ארגונים היא היכולת לשלב בין מקורות מידע פנימיים לבין מקורות מהאינטרנט. עד כה, היה צורך להשתמש בכלים נפרדים כדי לגשת למידע הארגוני ולמידע הקיים ברשת. אך עם השקת חיפוש הידע הפנימי, פרפלקסיטי מאפשרת למשתמשים בארגונים לחפש במידע הפנימי שלהם במקביל לחיפוש ברשת, תחת פלטפורמה אחת מאוחדת.

מה זה חיפוש ידע פנימי?

חיפוש הידע הפנימי הוא כלי המאפשר למשתמשי פרפלקסיטי פרו ו-Enterprise Pro לבצע חיפוש במקורות פנימיים של הארגון, תוך גישה למידע מאורגן שנמצא במסמכים, דוחות, ומקורות נוספים של הארגון. כלי זה מחבר את המידע הפנימי עם החיפוש באינטרנט, ומאפשר למשתמשים להפיק תשובות מקיפות וממוקדות יותר על ידי שילוב תובנות ממגוון מקורות.

אלו סוגי קבצים נתמכים בחיפוש הפנימי?

בניגוד לגרסה הרגילה (ואף לגרסה בתשלום) של פרפלקסיטי, פיצ’ר החיפוש הפנימי תומך בכמות גדולה ומגוונת יותר של פורמטים. הפורמטים הנתמכים כוללים קבצי PDF, Excel, Word ו-PowerPoint. קבצים אלו ניתנים להעלאה למאגר ידע פנימי לצורך חיפוש וסינתזה, כך שמשתמשים יכולים לגשת למידע ולבצע חיפושים יעילים בתוך הארגון

למה להשתמש בחיפוש ידע פנימי?

• מחקר מקיף: חיפוש הידע הפנימי מאפשר לשלב בין מידע מהאינטרנט למידע פנימי ארגוני, מה שמוביל לתשובות מדויקות ופרטניות יותר.
• שיתוף פעולה משופר: הכלי מעודד את הצוותים לשתף פעולה ביעילות רבה יותר, הודות ליכולת לשאול שאלות ולקבל תשובות על בסיס מידע משולב.
• שיפור בפרודוקטיביות: אפשרות לבצע חיפושים מהירים במקורות פנימיים ומקורות חיצוניים מונעת את הצורך בגישה ידנית למסמכים.

כיצד עובד חיפוש הידע הפנימי?

חיפוש הידע הפנימי עבור משתמשי Enterprise Pro מתמקד בשתי דרכים מרכזיות:

• מאגר קבצים ארגוני: מנהלי מערכת יכולים להעלות קבצים לארגון וליצור מאגר מרכזי. קבצים אלו משמשים כמקור לשאלות שמעלים המשתמשים במהלך החיפושים.
• בחירת מקורות חיפוש: המשתמשים יכולים לבחור האם לשלב בין החיפוש ברשת ובין קבצי הארגון, או להתמקד באחד מהם בלבד.

מנגנון החיפוש של פרפלקסיטי מזהה את המידע הרלוונטי ביותר מתוך המסמכים הפנימיים ומשלב אותו בתשובות, תוך אזכור המקורות הפנימיים בתשובות.

הכירו את Spaces – חללי העבודה של פרפלקסיטי: מרכז מחקר ושיתוף פעולה מבוסס AI

בנוסף לחיפוש הידע הפנימי, פרפלקסיטי הציגה את חללי העבודה (Spaces), שהפכו לכלי שיתוף פעולה חזק ויעיל עבור צוותים. חללי העבודה של פרפלקסיטי מספקים למשתמשים סביבה מותאמת אישית שבה הם יכולים לבצע מחקר, לשתף פעולה ולארגן מידע – והכל תחת תמיכה של AI.

credit: Perplexity

מה הם חללי העבודה – Spaces?

חללי העבודה הם מרחבי עבודה שיתופיים שמבוססים על בינה מלאכותית, ומאפשרים לצוותים לעבוד יחד, לשתף קבצים ומסמכים, ולהתאים אישית את תצורת ה-AI בהתאם לצרכי הפרויקט הספציפיים שלהם. לדוגמה, צוותי מכירות יכולים ליצור חללי עבודה מותאמים עבור כתיבת הצעות ללקוחות, צוותי פיתוח יכולים לארגן מסמכי מו”פ, וצוותי מחקר אקדמיים יכולים לארגן חומרי לימוד.

בחללי העבודה של פרפלקסיטי ניתן להעלות קבצים, להזמין שותפים לעבודה, ולהגדיר את ה-AI כך שיפעל לפי ההנחיות שהוגדרו מראש. ניתן לבחור באיזה מודל AI להשתמש (כמו GPT-4 או קלוד 3.5), ולספק הוראות מדויקות לאופן שבו יש לענות לשאלות.

שליטה מלאה במידע: חללי העבודה מספקים למשתמשים שליטה מלאה על מי יכול לגשת לקבצים ולמחקרים. בפרופילים הארגוניים של Enterprise Pro, כל המסמכים והחיפושים נשמרים פרטיים ומוגנים מפני שימוש באימון AI.

אינטגרציה עם נתונים צד שלישי

בעתיד הקרוב, פרפלקסיטי מתכננת להוסיף אינטגרציות עם שירותי נתונים חיצוניים כמו Crunchbase ו-FactSet. אינטגרציות אלו יאפשרו למשתמשים בארגונים להרחיב את מאגרי המידע שלהם ולחפש במקביל במידע ציבורי, בקבצים פנימיים ובסטים של נתונים ייחודיים שנאספים דרך השירותים החיצוניים.

דוגמאות לשימושים פרקטיים

היכולות המורחבות של חיפוש הידע הפנימי וחללי העבודה מאפשרות שימושים מגוונים המותאמים לצרכים של צוותים שונים בארגון.

• בדיקת דיליג’נס פיננסי: צוותי שירותים פיננסיים יכולים לשלב מחקר פנימי עם חדשות עדכניות מהתעשייה כדי לקבל תמונה מקיפה בעת קבלת החלטות.
• תמיכה בתהליך מכרזים (RFP): צוותי מכירות ופיתוח עסקי יכולים לזרז את תהליך התגובה למכרזים על ידי שילוב בין מסמכים פנימיים ותובנות מהאינטרנט.
• משוב על פיתוח מוצרים: סטארטאפים בשלבי צמיחה יכולים לשלב משוב חיצוני עם קבצי פיתוח פנימיים כדי לייעל תהליכי מו”פ ומפת דרכים למוצרים חדשים.

בנוסף לכל זה, פרפלקסיטי מספקת למשתמשים דרכים רבות לשפר את השימוש במערכת:

• עדכון קבצים באופן שוטף: חשוב לעדכן את הקבצים הפנימיים במאגר כדי לשמור על רלוונטיות המידע.
• משוב על תוצאות חיפוש: מתן משוב על התוצאות מסייע לשיפור האלגוריתם והדיוק של התשובות.
• שיתוף פעולה בין חברי הצוות: עידוד השימוש בכלי חיפוש הידע הפנימי וחללי העבודה יכול לשפר משמעותית את התפוקה של צוותים בארגון.

פרפלקסיטי ממשיכה לחדש ולשפר את הממשק והכלים שלה. גם לפני השדרוג, היה מדובר בכלי עוצמתי ושימושי במיוחד, וכיף לראות את החברה מצליחה להפוך מוצר טוב למוצר טוב יותר. כמו כן, נראה כי העתיד של פרפלקסיטי טומן בחובו אינטגרציות נוספות ושיפורים טכנולוגיים שיוכלו לסייע לארגונים לשפר את אופן העבודה עם מידע, הן פנימית והן חיצונית, תוך שמירה על פרטיות וביטחון המידע. פרפלקסיטי היא דוגמה מושלמת לכלי AI שהופך להיות שותף צמוד בתהליכי עבודה צוותיים, תהליכי מחקר ואיסוף מידע וגם לכלי שמעודד שיתוף פעולה בין עובדים בארגון.

הפוסט פיצ’רים חדשים ב-Perplexity מאפשרים לנתח ידע ארגוני וליצור חללי עבודה הופיע ראשון בLet's AI בינה מלאכותית

מאמצי הבינה המלאכותית של גוגל

בשנה האחרונה, חברת גוגל שמה לעצמה למטרה לשחזר יכולות חשיבה אנושיות בתוכנות הבינה המלאכותית שלה. המהלך נועד להתמודד עם התחרות ההולכת וגוברת מצד חברות כמו OpenAI, שכבר עשתה קפיצה טכנולוגית מרשימה עם מודל o1 החדש שלה.

גוגל ממקדת את מאמציה בפיתוח תוכנה שמסוגלת לחשוב בצורה אנושית, בדגש על פתרון בעיות מורכבות במתמטיקה ובתכנות. מדובר באתגרים רב-שלביים שדורשים רמות גבוהות של חשיבה והיגיון, תחומים שבהם מערכות AI התקשו עד היום. אלפבית (Alphabet Inc), חברת האם של גוגל, משקיעה משאבים רבים בפיתוח טכנולוגיה שתוכל להציע פתרונות משופרים לבעיות אלה.

מודל o1 של OpenAI

ב-12 בספטמבר 2024, הציגה OpenAI את מודל o1, שנחשב לתגובה ישירה להתקדמות של גוגל. המודל הזה, שקיבל את הכינוי “תות שדה” (Strawberry), תוכנן במיוחד להתמודד עם משימות חשיבה מורכבות, תוך שהוא פועל על פי עקרונות דומים לחשיבה אנושית.

המאפיינים המרכזיים של מודל o1 כוללים:

• שיפור בפתרון בעיות: המודל מצטיין בקידוד ופתרון בעיות מורכבות בצורה מהירה ויעילה הרבה יותר מדורות קודמים.
• חשיבה בשלבים: o1 מנתח משימות בצורה שיטתית, תוך גישה של “שרשרת מחשבה”, המאפשרת לו לפרק בעיות לשלבים קטנים ולפתור אותן באופן יעיל.
• דיוק משופר: המודל מציג דיוק גבוה יותר בביצוע משימות, ומקטין משמעותית את מקרי ה”הלוצינציה” — מצב שבו מודלים מספקים תשובות שגויות או בלתי קשורות.
• ביצועים מרשימים במדדים תחרותיים: המודל o1 דורג ב-89% במבחני תכנות תחרותיים, ואף התברג בין 500 התלמידים המובילים במבחני ההעפלה לאולימפיאדת המתמטיקה של ארה”ב.

בינה מלאכותית מול קוגניציה אנושית: התמודדות מעבר לטכנולוגיה

מעבר לפיתוחים הטכנולוגיים המרשימים של גוגל ו-OpenAI, ישנה שאלה עמוקה יותר שעולה מההתקדמות הזו — האם בינה מלאכותית באמת יכולה לשחזר את מורכבות החשיבה האנושית? בעוד AI מתפתח ומתקרב ליכולות חשיבה אנושיות, האם ייתכן שהוא יוכל להתחרות בקוגניציה האנושית בתחומים כמו יצירתיות, זיכרון, אינטואיציה ורגשות?

הנה כמה נקודות מרכזיות שדורשות הבהרה והעמקה:

זיכרון: מוח אנושי מול זיכרון של AI

לבינה המלאכותית יש יכולת אחסון וארגון מידע מדהימה, המאפשרת לה לזכור ולשלוף פרטים במהירות ובדיוק. בעוד שאדם עשוי לשכוח היכן הניח את המפתחות, AI יכול לזכור כל ספרה של Pi ללא מאמץ. עם זאת, ישנם דברים ש-AI לא יכול לשחזר — כמו האופן שבו אנחנו זוכרים חוויות רגשיות, כמו קול צחוק של אהוב או ריח של מאפה טרי.

אסטרטגיה: מלחמת המוחות

במשחקי שחמט, לדוגמה, בינה מלאכותית מצליחה להפתיע את יריביה האנושיים באמצעות אלגוריתמים מדויקים ויכולת לחשב אינספור מהלכים אפשריים. אך דווקא כאן בולט היתרון האנושי — יצירתיות, אינטואיציה והבנה עמוקה של מצבים מורכבים. האדם מסוגל לאמץ גישות לא שגרתיות ולקבל החלטות שלא בהכרח מבוססות על ניתוח קר.

יצירתיות: AI מול גאונות אנושית

בינה מלאכותית מצליחה היום ליצור יצירות אמנות מדהימות ומוזיקה ברמה מקצועית. אך האם היא יכולה לשחזר את ההשראה האנושית שמאחורי יצירה כמו “ליל הכוכבים” של ואן גוך? יצירתיות אנושית היא פעמים רבות פרי של ניסיון חיים, טעויות, רגשות עמוקים ודחפים בלתי נשלטים, שלעיתים הופכים יצירה לבלתי נשכחת. AI עשוי לשחזר טכניקות אמנותיות, אבל הוא מתקשה לחקות את העומק הרגשי והחווייתי.

אינטואיציה: היכולת הבלתי מוסברת

אינטואיציה היא אחד המאפיינים הקשים ביותר לחיקוי על ידי בינה מלאכותית. בעוד AI מבצע ניתוחים מבוססי נתונים ומגיע לתוצאות מדויקות, בני אדם נוטים לפעול על פי “תחושת בטן”. החלטות אינטואיטיביות לא תמיד מבוססות על נתונים, ולעיתים הן נובעות מחוויה אישית עמוקה או מאמונות בלתי מודעות. AI עשוי ללמוד דפוסי פעולה, אבל חסר לו את היכולת לאמץ גישות בלתי קונבנציונליות שמבוססות על תחושות רגעיות.

הסימביוזה האפשרית בין AI לקוגניציה אנושית

במקום לראות את הבינה המלאכותית והקוגניציה האנושית כמתחרות ישירות, ייתכן שעלינו לחשוב על סינרגיה ביניהן. היכולות הטכניות המרשימות של AI — זיכרון בלתי מוגבל, מהירות עיבוד, ויכולת לנתח כמויות עצומות של מידע — יכולות לסייע לאנושות ולהעצים את היכולות האנושיות בתחומים כמו מדע, רפואה ויצירתיות.

המרוץ לפיתוח טכנולוגיות AI שישחזרו חשיבה אנושית מתפתח במהירות, וגוגל ו-OpenAI הן רק דוגמה לחזית זו. יחד עם זאת, אסור לשכוח שהיתרון האנושי טמון דווקא ביכולתנו ליצור, להרגיש ולחלום. ככל שה-AI ישתפר, כך עלינו להמשיך ולחזק את הקוגניציה האנושית כדי ליצור עולם שבו שתיהן יוכלו לשגשג יחד.

העתיד כבר כאן

השילוב בין AI ויכולות אנושיות פותח דלתות רבות לעתיד שבו טכנולוגיה ויצירתיות משתלבות לכדי סינרגיה הרמונית. השאלה אינה האם AI יחליף את האדם, אלא כיצד נוכל לשתף פעולה כדי להגיע להישגים מרחיקי לכת. בינה מלאכותית יכולה לתרום רבות לעולמנו, אבל אין לה תחליף ליכולת האנושית לחוות את העולם ברמה האישית והרגשית.

בזמן שגוגל ו-OpenAI ממשיכות להתקדם, האתגר האמיתי יהיה כיצד ניתן לשלב בין שתי המערכות הללו ליצירת עולם שבו טכנולוגיה ושכל אנושי עובדים יחד לפתרון הבעיות המורכבות ביותר של האנושות.

הפוסט המרוץ לפיתוח חשיבה אנושית במערכות AI הופיע ראשון בLet's AI בינה מלאכותית

אסטרטגיות להשקעה במניות AI

תחום הבינה המלאכותית מושך תשומת לב רחבה הודות לכלים כמו ChatGPT, אשר הפכו את הטכנולוגיה למוכרת לציבור הרחב. עם העלייה במודעות ובשימוש ב-AI, חברות רבות משתמשות בטכנולוגיה כדי לחדש ולהתייעל. עם העניין הגובר בחברות אלו, עולה גם העניין בהשקעה במניות של חברות אלו. לפני הכל כדאי לדעת שיצרנו עבורכם דאשבורד למעקב אחר מניות AI:

דאשבורד מעקב אחר מניות AI

חשוב לציין שהמידע המובא כאן נועד לצרכים אינפורמטיביים בלבד ואינו מהווה ייעוץ פיננסי או המלצה להשקעה, הן בהקשר של מאמר זה והן בהקשר של הדאשבורד. 

ועכשיו, בואו נצלול קצת פנימה – אם התחום הזה מסקרן אתכם, להלן ארבע אסטרטגיות מרכזיות להשקעה במניות AI:

1. השקעה בחברות טכנולוגיה גדולות

אחת הדרכים המרכזיות להיחשף לשוק ה-AI היא להשקיע במניות של חברות טכנולוגיה גדולות עם נוכחות משמעותית בתחום. בין החברות הבולטות ניתן למצוא את גוגל (Alphabet), מיקרוסופט (Microsoft) ואנבידיה (NVIDIA), המובילות בפיתוח והטמעת טכנולוגיות AI.

• יתרון: יציבות יחסית: חברות גדולות מספקות יציבות למשקיעים בזכות הגיוון בפעילותן. למרות שהן פועלות בתחומים נוספים, היכולת שלהן לפתח טכנולוגיות AI ולשלב אותן בפעילות קיימת הופכת את ההשקעה בהן לאטרקטיבית.
• חסרון: חשיפה מוגבלת ל-AI: מאחר ותחום ה-AI מהווה רק חלק מפעילותן, ההשקעה במניותיהן עשויה לא לשקף את הפוטנציאל המלא של הטכנולוגיה.

2. השקעה בחברות שמתמקדות ב-AI

ניתן לבחור להשקיע בחברות טכנולוגיה המתמקדות בפיתוח פתרונות AI באופן ישיר, דוגמת C3.ai ו-UiPath. חברות אלו מתמחות בפיתוח טכנולוגיות ייחודיות המיועדות ליישומים בתעשיות ספציפיות כמו בנקאות, בריאות ותעשיות אחרות.

• יתרון: פוטנציאל צמיחה גבוה – השקעה בחברות אלו עשויה להניב תשואות גבוהות אם הן ימשיכו לפתח ולהוביל בתחום.
• חסרון: סיכון גבוה – החברות הללו נמצאות בשלב מוקדם יחסית של פיתוח, ולעיתים הן אינן רווחיות עדיין. יש צורך במעקב מתמיד אחרי התפתחויות בשוק.

3. השקעה בחברות שמשלבות AI וחדשנות במוצרים או פיתוחים

חברות רבות מחוץ לתחום הטכנולוגיה מנצלות את יכולות הבינה המלאכותית על מנת לחדש ולייעל תהליכים. כך למשל, פייזר (Pfizer) משתמשת ב-AI כדי לזרז את פיתוח התרופות, וג’ון דיר (John Deere) משלבת AI במכונות חקלאיות אוטונומיות.

• יתרון: פיזור סיכונים – השקעה בחברות אלה מאפשרת חשיפה לחדשנות בתחום ה-AI מבלי להיות תלוי באופן מוחלט בטכנולוגיה עצמה.
• חסרון: חשיפה לא ישירה ל-AI – ה-AI מהווה רק חלק מהפעילות של החברות הללו, כך שההשקעה תלויה גם בפעילויות אחרות. אין פה השקעה “טהורה” ב-AI או טכנולוגיה ג’נרטיבית.

4. השקעה בקרנות נאמנות ותעודות סל (ETF) בתחום ה-AI

למי שמעוניין בפיזור רחב יותר של הסיכונים, השקעה בתעודות סל (ETF) המתמקדות ב-AI היא אפשרות נוחה. קרנות אלו משקיעות במגוון רחב של מניות בתחום ה-AI ומספקות גישה מרוכזת לתחום.

• יתרון: פיזור רחב – קרנות ותעודות סל מאפשרות חשיפה למגוון רחב של חברות בבת אחת ומפחיתות את הסיכון בהשקעה במניות בודדות.
• חסרון: חשיפה לא ממוקדת – לעיתים הקרנות כוללות מניות שאינן ממוקדות ב-AI באופן ישיר, מה שעשוי להפחית את הרווחיות הפוטנציאלית בתחום זה.

טיפים לנטרול התנודתיות של שוק ה-AI

השקעה במניות AI, כפי שהוסבר במאמר, מביאה איתה סיכויים מרשימים לרווחים, אך לא פחות מכך – גם סיכונים רבים ולא מבוטלים. הטכנולוגיה עדיין נמצאת בשלבי צמיחה, ועם פוטנציאל הצמיחה באה גם תנודתיות גבוהה בשוק. חברות צומחות מהר, אבל בן רגע יכולה לצוץ טכנולוגיה חדשה או חברה מהפכנית שתטרוף את הקלפים ותשבש את השוק. זהו חלק בלתי נפרד משוק טכנולוגי צומח, ובמיוחד כאשר מדובר ב-AI, תחום דינמי המתפתח במהירות. כדי להתמודד עם התנודתיות ולמזער את הסיכונים הכרוכים בהשקעה במניות AI, ניתן ליישם מספר טיפים יעילים שמבוססים על ניתוחים שונים משוק ההון הכללי.

זמן הוא החבר הכי טוב שלכם – השקעות לטווח ארוך

הטיפ הראשון להתמודדות עם תנודתיות השוק הוא פיתוח ראייה לטווח ארוך – זמן הוא החבר הכי טוב שלנו! באופן כללי ניתן לומר ששוק ההון, למרות התנודות הרבות שבו, לרוב נוטה לעלות לאורך זמן. סביר להניח שגם בשוק ה-AI נראה מגמה דומה – שוק שנמצא בצמיחה מתמדת ומאופיין בחדשנות יראה אינספור עליות וירידות, אבל השקע לטווח רחוק תאפשר לשוק לתקן את עצמו ולהביא, מה שיוביל למזעור סיכונים ופוטנציאל לרווחים מצטברים. משקיעים שמחזיקים במניות AI לאורך שנים רבות (ואף עשורים) יוכלו ליהנות מהפוטנציאל של הצמיחה ארוכת הטווח.

כדאי להסתכל על ההשקעות בראייה רחבה ולא להיבהל מירידות זמניות בשוק, במיוחד במניות טכנולוגיות בשוק חדשני כמו שוק ה-AI. כך, משקיעים יכולים להפחית את הלחץ הנפשי ואת הדאגה מתנודות לטווח קצר, ולהתמקד ביעדי הצמיחה ארוכי הטווח.

פיזור השקעות – לעולם לא שמים את כל הביצים בסל אחד

בדיוק כמו בשוק ההון הכללי, פיזור השקעות וסיכונים הוא כלי חשוב גם בהשקעות בתחום ה-AI. מאחר והשקעה בחברות AI עלולה להיות מסוכנת עקב השלב המוקדם והראשוני יחסית של התחום, חשוב לפזר את ההשקעות ולא לשים את כל הביצים בסל אחד. במילים אחרות, השקעה בחברות רבות ומגוונות, בקרנות או תעודות סל, הן מתחום ה-AI והן מחוץ לתחום, תוכל לצמצם את השפעתן של נפילות במניה או חברה ספציפית. כדאי גם לשקול שילוב בין חברות טכנולוגיות גדולות לצד עם חברות AI נישתיות יותר, כך שאם אחת מהן תיקלע למשבר, האחרות יוכלו לפצות על ההפסדים.

השקעות במניות AI – לא שמים את כל הביצים בסל אחד

השקעה במנות קטנות וקבועות

אחד הטיפים החשובים להתמודדות עם תנודתיות בשוק ההון בכלל ובשוק ה-AI בפרט הוא השקעה במנות קטנות לאורך זמן. במקום להשקיע סכום גדול במכה אחת, ניתן לפזר את ההשקעה על פני זמן, באמצעות השקעות קטנות וקבועות. כך, אפילו אם השוק ירד, אתם לא תספגו הפסד כבד על כל הסכום בבת אחת, אלא תוכלו לממצע את השוק (מלשון ממוצע). גישה זו לא רק עוזרת לצמצם סיכונים, אלא גם הופכת את ההשקעה להרגל קבוע, ולא מאפשרת לחשש מירידות שוק לעצור את ההשקעה.

שמירה על איזון רגשי

השקעה בשוק תנודתי כמו שוק ה-AI מצריכה עור של פיל – כלומר, משקיעים צריכים לשמור על איזון רגשי ולהימנע מקבלת החלטות אימפולסיביות בעקבות ירידות זמניות בשוק. משקיעים צריכים להבין שכל ירידה היא חלק ממחזור השוק ולא להיות מונעים על ידי פחד או חמדנות בטווח הקצר. כמו כן, טיפ חשוב נוסף הוא להשקיע רק כסף שאתם יכולים להסתדר בלעדיו. אם תיקחו הלוואה (מינוף), תשקיעו הכל ותהיה נפילה, המכה תהיה כואבת במיוחד וגם עלולה להכניס אתכם לסחרור כלכלי. מנגד, אם תשקיעו רק כסף פנוי (לא כסף שאתם מסתמכים עליו להתנהלות השוטפת), תיצרו לעצמכם יציבות רבה יותר ותלות רגשית קטנה יותר. שוק ההון הוא רכבת הרים והשקעה בשוק ההון – במיוחד בתחום תנודתי כמו AI, היא רכבת הרים רגשית! היו מוכנים לזה!

השקעות במניות AI – רכבת הרים רגשית!

האם מניות ה-AI נמצאות בבועה?

השאלה האם מניות AI נמצאות בבועה כלכלית היא נושא שנוי במחלוקת. מחקרים עדכניים מצביעים על כך שהשוק אינו נמצא בבועה, על אף עליית המחירים המהירה. לדוגמה, מחקר של גולדמן סאקס מציין כי ביצועי מניות הטכנולוגיה נובעים מצמיחה כלכלית אמיתית ולא ממגמות ספקולטיביות. עם זאת, ישנה ריכוזיות גבוהה של מניות בחברות גדולות, מה שמעלה את הסיכון.

החשיפה הגדולה למספר מצומצם של חברות עלולה להוות סיכון. התלות בכמה חברות מובילות בלבד עשויה לפגוע בתיק ההשקעות אם אחת מהן תיכשל או תעמוד בפני רגולציות נוקשות. בנוסף, התחרות הגוברת בשוק עשויה להוביל לשחיקה בשולי הרווח של החברות הגדולות.

למרות הסיכונים הגבוהים בשוק זה, הפוטנציאל לצמיחה בתחום ה-AI הוא משמעותי (ושוב – זו אינה המלצה להשקעה). טכנולוגיות AI צפויות להמשיך ולשנות תעשיות שלמות. עם זאת, המשקיעים צריכים להיערך לשוק תנודתי, וחשוב לשקול פיזור סיכונים בין חברות שונות בתעשיות מגוונות.

ההשקעה במניות AI מצריכה גישה זהירה. למרות הפוטנציאל הגבוה לרווחים, התחרות והרגולציה המתפתחות עשויות לשנות את פני התחום במהירות. כדי למזער סיכונים, כדאי גם לפזר את ההשקעות ולהתבסס על מחקר מעמיק (ושוב – זו לא המלצה).

הפוסט הזדמנויות, סיכונים ו-4 אסטרטגיות להשקעה במניות של חברות AI הופיע ראשון בLet's AI בינה מלאכותית

NVLM 1.0: ביצועים מרשימים ומולטימודאליות

הכוכב המרכזי בסדרה הוא מודל NVLM-D-72B, בעל 72 מיליארד פרמטרים, שמציג ביצועים מרשימים במיוחד במשימות ראייה-שפה (vision-language) ובמשימות טקסט בלבד. המודל נועד להתחרות במובילי השוק, דוגמת GPT-4 של OpenAI והמודלים המתקדמים של גוגל, תוך שמירה על גישה חדשנית ופתוחה.

מאפיינים מרכזיים של NVLM 1.0

NVLM 1.0 הוא מודל מולטימודלי, כלומר, הוא משלב נתונים טקסטואליים וויזואליים כדי לפתור בעיות מורכבות במשימות שפה וראייה. הכוח של המודל בא לידי ביטוי בכך שהוא מצליח להבין, לנתח ולהגיב על תמונות וטקסט יחד, ומציג ביצועים שמתחרים במודלים מסחריים כמו GPT-4o. עם זאת, היתרון המרכזי שלו הוא שבניגוד למודלים אחרים, לאחר תהליך האימון, NVLM מצליח לא רק להחזיק בביצועים גבוהים במשימות ויזואליות, אלא גם לשפר את יכולותיו במשימות טקסטואליות בלבד.

במחקר של NVLM 1.0 ישנן דוגמאות רבות שממחישות את היכולות המולטי-מודליות של המודל:

• פתרון בעיות מתמטיות חזותיות: NVLM 1.0 מסוגל לקרוא בעיות מתמטיות כתובות, לבצע חישובים ולספק הסבר צעד-אחר-צעד, תוך הצגת נוסחאות מתמטיות ברורות בפורמט Latex.

• זיהוי הומור בתמונות: לדוגמה, המודל מזהה את ההומור בתמונה שמציגה ניגוד בין “המאמר” לבין “התקציר” שלו דרך תמונות של לינקס עוצמתי (LYNX) לעומת חתול ביתי. יכולת זו מצביעה על השילוב של OCR (זיהוי תווים אופטי) עם הבנה סמנטית עמוקה של ההקשרים החזותיים והלשוניים.

מבין ממים והומור (קרדיט: arxiv.org)

בתמונה מעלה, מודל ה-AI החדש של NVIDIA מנתח מם ומדגים את יכולתו לפרש הומור חזותי. 

• מיקום אובייקטים בתמונה: המודל יכול לבצע ניתוח של תמונות ולזהות הבדלים בין אובייקטים, כגון שאלות לגבי ההבדל בין חפצים הממוקמים בצד שמאל, מרכז וימין בתמונה. יכולת זו מדגימה את המומחיות של NVLM במשימות הדורשות זיהוי מדויק ומיקום של אובייקטים שונים בתמונה.

ביצועים מרשימים

תוצאות בנצ’מרק המשוות את מודל ה-NVLM-D של NVIDIA לענקיות בינה מלאכותית כמו GPT-4, Claude 3.5 ו-Llama 3-V, מציגות את הביצועים התחרותיים של NVLM-D במשימות חזותיות ושפה שונות. 

השוואה בין המודל החדש למודלים מובילים אחרים (קרדיט: arxiv.org).

גישת הקוד הפתוח

אחד המרכיבים החשובים בהכרזה הוא השימוש בגישת קוד פתוח. אנבידיה פותחת את המודל ואת משקליו לציבור הרחב ומבטיחה לשחרר גם את קוד האימון בעתיד. גישה זו משנה את התפיסה הקיימת בתעשייה, שבה רוב המודלים המתקדמים נשמרים כסגורים וקנייניים.

דמוקרטיזציה של הטכנולוגיה והנגשתה להמונים ולמפתחים

למה לשחרר מודל בקוד פתוח? כי זה טוב לכולם! החברה מבטיחה שימוש נרחב במודלים שלה ויצירת יחסי תלות במוצרים שלה, ומשתמש הקצה או המפתח מרוויח גישה לטכנולוגיות מתקדמות ומהפכניות. היום קוראים לזה “דמוקרטיזציה של הטכנולוגיה”. יתרונות השיטה ברורים!

• דמוקרטיזציה של המחקר: פתיחת הגישה למודלים מאפשרת לחוקרים ואנשי מקצוע מכל העולם לעבוד עם הטכנולוגיה המתקדמת ביותר.
• האצת פיתוח AI: נגישות חופשית תוביל להאצת קצב המחקר והחדשנות.
• שיתופי פעולה רחבים: האפשרות לחוקרים ולארגונים קטנים לתרום ולקדם את התחום.

אחד ההיבטים המרכזיים בפרויקט NVLM 1.0 הוא הפתיחות שלו לקהילה המדעית. בניגוד למודלים מסחריים רבים אחרים, צוות המחקר שמאחורי NVLM בחר לשחרר את משקלי המודל (model weights) לציבור. הדבר מאפשר לחוקרים ומפתחים להשתמש במודל כבסיס לפיתוחים חדשים ולבצע שיפורים נוספים, ובכך תורם משמעותית לקידום התחום.

בנוסף, הצוות מתכנן לשחרר את קוד האימון (training code) באמצעות מערכת Megatron-Core, מה שיאפשר לקהילה לפתח מודלים נוספים ולבצע אופטימיזציה לאימון שלהם על בסיס התשתית הקיימת. שיתוף הפעולה עם הקהילה המדעית הפתוחה מדגיש את הרצון להאיץ את הפיתוחים בתחום האינטגרציה בין שפה וראייה ולהביא לפריצות דרך נוספות.

הורדת משקולות המודל

NVIDIA מספקת גישה למשקולות המודל באתר הרשמי של NVIDIA. הקוד לאימון צפוי להתפרסם בקרוב. להורדת המשקולות (בהאגינגפייס) לחצו כאן.

לא רק ניתוח תמונה, אלא גם הבנה של טקסט וקונטקסט

NVLM 1.0 מציג שיפור משמעותי בהשוואה למודלים קודמים. בפרט, הדגם 72B מתוך משפחת המודלים השיג את התוצאות הטובות ביותר במבחנים כמו OCRBench ו-VQAv2, המודדים יכולות זיהוי תווים ושאלות ותשובות מבוססות חזותית. מה שמרשים עוד יותר הוא שיפור הדיוק הממוצע של NVLM 1.0 במשימות מבוססות טקסט בלבד, כגון משימות מתמטיקה וקוד. המודל הצליח להעלות את הדיוק הממוצע ב-4.3 נקודות לאחר אימון מולטימודלי, דבר שממצב אותו כאחד המודלים המובילים לא רק במשימות חזותיות, אלא גם במשימות טקסט מורכבות.

השיפור הזה במשימות טקסטואליות הוא תוצאה של גישה ייחודית שאומצה בתהליך האימון: במהלך האימון המולטימודלי, המודל מתבסס על הבסיס השפתי הקיים שלו, אך איננו מקפיא אותו לחלוטין כפי שנעשה במודלים אחרים. גישה זו מאפשרת שיפור ולא ירידה בביצועי הטקסט, דבר המהווה פריצת דרך.

הביצועים של NVLM-D-72B עומדים בשורה אחת עם המודלים המובילים בשוק, ואף מתעלים עליהם במשימות מסוימות. בין היתר, המודל מצטיין במשימות ראייה-שפה, ומדגים יכולת תחרותית חזקה מול חברות כמו OpenAI, Anthropic וגוגל.

ארכיטקטורה של מודל

אחד החידושים הטכנולוגיים המרכזיים שמבדילים את NVLM 1.0 ממודלים אחרים הוא השילוב בין שתי גישות מבנה עיקריות: גישת ה-decoder-only וגישת ה-cross-attention, שתי גישות שונות לעיבוד המידע. 

• גישת ה-decoder-only: זוהי גישה שבה המודל מעבד את כל סוגי הקלט (טקסט ותמונות) באותו אופן. יתרונה בכך שהיא מאפשרת הסקה והיגיון משולבים על טקסט ותמונות יחד.
• גישת ה-cross-attention: גישה זו מעבדת טקסט ותמונות בנפרד ומשלבת אותם באמצעות מנגנון תשומת לב מיוחד. יתרונה ביעילות בטיפול בתמונות ברזולוציה גבוהה.

שילוב זה יוצר אדריכלות היברידית חדשה שמצליחה להפיק את היתרונות של שתי השיטות, תוך חיסכון בזמני אימון ושיפור היכולות ההגיוניות של המודל. מצד אחד, המודל מפיק יכולות ההסקה משופרות מגישת ה-decoder-only, ומצד שני, הוא משפר את יעילות העיבוד החזותי באמצעות גישת ה-cross-attention. האדריכלות ההיברידית הזו מצליחה להפיק את היתרונות של שתי הגישות, תוך חיסכון משמעותי בזמני האימון ושיפור היכולות הלוגיות של המודל. התוצאה היא מודל גמיש ויעיל יותר, המסוגל להבין ולעבד בצורה מתקדמת הן מידע טקסטואלי והן מידע חזותי, ובכך למזער את החסרונות של כל גישה בנפרד.

בנוסף לכך, המודל עושה שימוש בפתרון טכני מתקדם הנקרא “1-D tile-tagging”. פתרון זה מיועד לאימון על תמונות ברזולוציה גבוהה והוא משפר את היכולת של המודל להתמודד עם בעיות הקשורות לזיהוי חזותי ולנושאים כמו OCR. גישה זו היא שיפור ייחודי שמביאה NVLM להישגים טובים במיוחד במשימות של ראייה ושפה גם יחד.

NVLM 1.0 משלב מאגרי נתונים איכותיים ומגוונים במסגרת תהליך האימון המולטימודלי שלו. צוות החוקרים התמקד ביצירת מאגר נתונים שאינו רק גדול אלא גם איכותי ומגוון, מתוך ההבנה שהאיכות והגיוון של הנתונים חשובים יותר מהכמות בלבד. לדוגמה, לצורך שיפור יכולות החישוב והקידוד, שולב בתהליך האימון כמות משמעותית של בעיות מתמטיות ונתוני reasoning (היסק) חזותיים. השימוש בנתונים איכותיים אלו מסייע למודל לפתח יכולות טובות יותר בהתמודדות עם משימות רב-תחומיות

השפעה על התעשייה

השקת NVLM 1.0 מביאה לתעשיית ה-AI מספר תובנות משמעותיות:

• הגברת התחרות: נבידיה מערערת את הדומיננטיות של החברות הגדולות, כמו OpenAI וגוגל, ומציבה אתגר למודלים הקנייניים שלהן.
• האצת החדשנות: בזכות גישת הקוד הפתוח, השימוש הרחב במודל צפוי לדרבן פיתוח מהיר יותר וחדשנות רבה יותר.
• שינוי במודלים העסקיים: נגישות למודלים פתוחים ברמה גבוהה עשויה לשנות את דפוסי ההכנסות בתעשייה, וליצור מודלים חדשים של מוניטיזציה.

מחשבות אחרונות: NVLM 1.0 הוא לא רק צעד טכנולוגי משמעותי, אלא גם מהלך שמציב סטנדרט חדש בשקיפות ונגישות. עם הזמן, ההשפעה של מהלך זה על תעשיית הבינה המלאכותית תתברר במלואה, אך כבר כעת ברור שאנבידיה מציבה רף חדש של שיתוף פעולה וחדשנות, תוך האצה של הקדמה בתחום ה-AI.

הפוסט Nvidia חושפת את המודל המולטימודאלי החדש שלה – NVLM 1.0 הופיע ראשון בLet's AI בינה מלאכותית