כיצד בינה מלאכותית באמת עובדת, ולמה זה חשוב עכשיו

ארגון שיתוף הפעולה וההתפתחות הכלכליות (OECD), שממשלותיו החברות מתאימות מדיניות על הטכנולוגיה, מגדיר מערכת AI כ"מערכת מבוססת מכונה שמסיקה, לצורך מטרות מפורשות או משתמעות, מהקלט שהיא מקבלת, כיצד ליצור פלטים כמו תחזוקות, תוכן, המלצות או החלטות שיכולות להשפיע על סביבות פיזיות או וירטואליות." מועצת OECD שונתה ניסוח זה בשנת 2023 כדי לשמור על דיוק טכני כאשר כלים לייצור AI הופצו, לפי הסבר המארגון שלו על ההגדרה.

מכללים כתובים ללמידה מנתונים

תוכנות ישנות יותר פעלו לפי הוראות שמתכנתים כתבו שורה אחר שורה: אם X קורה, עשה Y. למידת מכונה, הגישה בעד רוב ה-AI הנוכחי, במקום זאת נותנת לאלגוריתם כמויות גדולות של דוגמאות ופותחת לו את הדרך לעבוד על הדפוסים בעצמו, לפי הסבר הטכני של IBM בנושא. לאחר הכשרה, המערכת יכולה לסווג מידע חדש, לחזות ערך, לדגל משהו חריג, או להמליץ על פעולה ללא שניתנו הכלל המדויק לכל מקרה.

OECD שוברת את הפעולה של מערכת AI לשלוש רכיבים. קלטים הם הנתונים, הקוד או הכללים שניתנו למערכת במהלך הפיתוח או השימוש. הסקת מסקנות היא השלב שבו המערכת עובדת יציאה מאותם קלטים, אשר יכולה להתרחש בזמן בנייה של מודל או לאחר שהוא הוצא לפעולה. פלטים הם התחזוקות, התוכן, ההמלצות או ההחלטות שהמערכת מייצרת, אשר יכולה אז להשפיע על סביבה פיזית או וירטואלית — לדוגמה, הגה של מכונית, רשימה של סרטוני וידאו מומלצים, או פסקה של טקסט שנוצרה.

מה רשת עצבית עושה בתוך המערכת

שיטת למידת מכונה המשמשת ביותר היום היא רשת עצבית, מבנה המעוצב בדומה למוח, עשויה משכבות מחוברות של צמתים העובדים על נתונים יחד, לפי IBM. בניגוד לתוכנה מסורתית, לא מספרים לרשת עצבית את הכלל המחבר קלט לפלט מראש; במקום זאת מראים לה זוגות רבים של קלטים ופלטים והיא מתאימה את עצמה, דרך חשיפה חוזרת ונשנית, כדי לגלות מה מקשר אותם.

הלמידה העמוקה מתייחסת לרשתות עצביות עם שכבות רבות — בדרך כלל שכבת קלט, לפחות שלוש (ובעתים מאות) שכבות נסתרות, ושכבת פלט, לפי הסבר IBM. במערכת זיהוי תמונה, שכבות מוקדמות נוטות להגיב לתכונות פשוטות כגון קצוות או צבעים, בעוד שכבות עמוקות יותר משלבות אלה לצורות ובסופו של דבר לאובייקטים מוכרים. מבנה שכבה זה מאפשר למערכות לחלץ באופן אוטומטי תכונות רלוונטיות מנתונים לא מתויגים, שהוא חלק ממה שהופך את כלי AI הייצור הנוכחיים לאפשריים.

בניית מודל AI ייצור גדול בדרך כלל כוללת שלוש שלבים, לפי IBM: שלב הכשרה ראשוני על קבוצות נתונים ענקיות, לעתים קרובות ללא תיוג, שיכולות לדרוש אלפי מעבדים מתמחים ולהעלות מיליונים דולרים; שלב כיוונון שבו המודל מותאם לפעולות ספציפיות, לעתים קרובות תוך שימוש בחוות דעת אנושית; והערכה מתמשכת לאחר התכנסות כדי לבדוק ולשפר את הפלטים שלה.

למה זה משנה: דמויות אימוץ והשקעה

ההתפשטות של AI גדלה במהירות על ידי מדדים מרובים שנעקבים על ידי Human-Centered AI Institute של אוניברסיטת Stanford בדוח מדד AI 2025. שיעור הארגונים שדיווחו על שימוש כלשהו ב-AI עלה ל-78% בשנת 2024, עלייה מ-55% בשנה שלפני כן. AI ייצור בספציפי משך $33.9 מיליארד בהשקעה פרטית עולמית בשנת 2024, עלייה של 18.7% מ-2023. בארצות הברית, השקעה פרטית ב-AI הגיעה ל-109.1 מיליארד דולר בשנת 2024, הרחק לפני $9.3 מיליארד של סין ו-$4.5 מיליארד של בריטניה, אמר הדוח.

הדוח גם רשם קפיצה בביצוע מדד AI: בשלוש בדיקות שהוצגו בשנת 2023 לאמוד מערכות מתקדמות — MMMU, GPQA ו-SWE-bench — הציונים עלו ב-18.8, 48.9 ו-67.3 נקודות אחוז בהתאמה בחלוף שנה. בתחומים מווסתים, מספר מכשירי AI שאישרו על ידי ה-FDA של ארצות הברית גדל מ-שש בשנת 2015 ל-223 בשנת 2023, לפי אותו דוח.

איפה המתחרים עומדים

הדוח של Stanford גם עקב אחרי אילו מדינות יצרו את מודלי ה-AI הבולטים ביותר בשנת 2024: מוסדות מבוססים בארצות הברית הפיקו 40, בהשוואה ל-15 מסין ו-שלושה מאירופה. באותו זמן, פער הביצוע בין המודלים הטובים ביותר של ארצות הברית וסין במדדים עיקריים הצטמק מספרות דו-ספרתיות בשנת 2023 לשיוויון קרוב בשנת 2024, אמר הדוח.