Reef TRHב-11 במאי 1997, השיגה מכונה של IBM בשם Deep Blue הישג שאף מחשב לא הגיע אליו לפניה: היא ניצחה את אלוף העולם המכהן בשחמט, גארי קספרוב, בדו-קרב מלא של שישה משחקים. בעיתונות כינו זאת חשיבה, אך לא כך היה הדבר. ל-Deep Blue לא היה מושג שהיא משחקת שחמט, לא היה לה זיכרון מהמשחק הקודם, והיא כלל לא הייתה מודעת לנוכחותו של קספרוב בחדר. היא פשוט ניתחה כ-200 מיליון מצבי לוח בשנייה ובחרה במהלך החזק ביותר. הפער הזה, בין מכונה שנראית תבונית לבין מכונה שבאמת מבינה את מעשיה, הוא לב הסיפור של הבינה המלאכותית, וזו הסיבה שחוקרים נוטים לחלק את התחום לארבעה סוגים.
כדאי להתייחס לארבעת הסוגים הללו כאל שלבים בסולם, ולא כאל תפריט בחירה. שני השלבים הראשונים הם מציאותיים, מסחריים, וסביר להניח שהם כבר פועלים אצלכם בעסק. שני השלבים המתקדמים יותר הם שילוב של מחקר ראשוני ומדע בדיוני טהור. הבנת השלב שבו נמצאת המערכת תאפשר לכם לדעת למה היא מסוגלת באמת, הרבה יותר טוב מכל הבטחה בדף מוצר.
1. מכונות תגובתיות
השלב הראשון מבוסס על רפלקס טהור. מכונה תגובתית מקבלת קלט ומפיקה פלט על פי מערכת חוקים קבועה מראש, ללא זיכרון היסטורי וללא יכולת למידה. Deep Blue היא הדוגמה הקלאסית לכך: היא מבריקה בשחמט, אך אינה מסוגלת לבצע שום פעולה אחרת, ואפילו לא מודעת לקיומן של משימות אחרות.
מערכות טהורות מסוג זה הן נדירות כיום כשלעצמן, אך הדפוס הבסיסי שלהן, קלט קבוע המייצר פלט זהה בכל פעם, עדיין משולב בתוך כלים מורכבים יותר. למשל, מסנן ספאם המנתח אימייל בודד, מנוע החוקים שמאחורי עמוד התשלום, או תרמוסטט שמחליט לפעול. מערכות אלו הן מהירות, אמינות, ומעצם טבען אינן יכולות להפתיע אתכם, וזהו יתרון עצום, ולא חיסרון, כאשר המשימה מוגדרת היטב.
2. זיכרון מוגבל
כשעולים שלב אחד למעלה, המכונות מתחילות ללמוד מניסיון העבר. מערכת בעלת זיכרון מוגבל מאומנת על דאטה מהעבר ומשתמשת בו כדי להתמודד עם תרחישים חדשים לחלוטין. המכוניות האוטונומיות של Waymo, שכבר גמאו עשרות מיליוני קילומטרים ללא נהג, מנתחות את תנאי הדרך על בסיס כל המידע שצברו בעבר. באופן דומה פועלים גם מנוע ההמלצות שמציע לכם את הסדרה הבאה לצפייה, והמודל שמזהה עסקה חשודה שבריר שנייה לאחר העברת כרטיס האשראי.
וכאן נמצאת הנקודה שאנשי השיווק נוטים להצניע: בשלב הזה ממוקמת כמעט כל מערכת AI שימושית כיום, כולל מודלי השפה הגדולים המניעים את הצ'אטבוטים המובילים, כמו GPT-4 ו-Claude. הם זיהו תבניות מתוך מאגר טקסטים קבוע מהעבר, וה'זיכרון' של הצ'אטבוט לגבי השיחה שלכם מוגבל אך ורק לאורך חלון ההקשר שלו. אין בכך כל חיסרון, השלב השני הוא בעל הערך המסחרי הגבוה ביותר בסולם, בפער ניכר. עם זאת, המשמעות היא שהמערכת טובה רק כמו הדאטה שעליו היא אומנה, ולכן בפועל, רוב פרויקטי ה-AI קמים ונופלים על איכות הדאטה, ולא על בחירת המודל.
3. תיאוריית התודעה
בשלב השלישי הטכנולוגיה כבר לא מגיעה לפרודקשן, אלא הופכת לנושא לדיון אקדמי. מערכת AI בעלת תיאוריית תודעה תבין שלאנשים אחרים יש אמונות, כוונות ורגשות משלהם, ותתאים את עצמה אליהם בזמן אמת. הכלים הקיימים כיום מסוגלים רק לחקות את הרובד החיצוני: מודל לזיהוי רגשות יכול לזהות הבעת פנים מתוחה או טון דיבור חד, אך מדובר בזיהוי תבניות בלבד, ולא בהבנה אמיתית של מחשבות האחר. השאלה האם מודלי השפה הגדולים ביותר מפגינים ניצוצות של תיאוריית תודעה אמיתית נותרה נושא למחקר פעיל וסוער, והתשובה הכנה נכון להיום היא: עדיין לא. אם וכאשר זה יקרה, מערכות המנהלות משא ומתן, הדרכה או שירות לקוחות רגיש ישתנו ללא היכר.
4. מודעות עצמית
השלב הרביעי והאחרון הוא זה שמככב בסרטי המדע הבדיוני, אך הוא אינו מדיר שינה מעיניהם של המפתחים. לבינה מלאכותית בעלת מודעות עצמית תהיה תפיסה עצמית, הכוללת תודעה, חיים פנימיים ורגשות משלה. כיום אין שום דרך טכנולוגית מוכרת להגיע לשם, והשאלות הפתוחות בתחום שייכות בעיקר לפילוסופים. לעת עתה, מקומו של שלב זה הוא על כרזות השיווק, ולא בתוכניות העבודה.
היכן באמת עומדים הכלים של ימינו
כשמציגים את השלבים זה לצד זה, התמונה מתבהרת. השלב הראשון הוא רפלקס אמין. השלב השני לומד מניסיון העבר ומניע בשקט את רוב פתרונות ה-AI הזמינים לרכישה ב-2026. השלב השלישי נמצא בחזית המחקר, והשלב הרביעי הוא דמיון טהור. הבלבול, ואיתו הבזבוז התקציבי, מתחילים כאשר מתארים מוצר מהשלב השני באמצעות מונחים מהשלב הרביעי: "ה-AI שלנו מבין אתכם", "הוא חושב כמו האנליסט המצטיין שלכם". הפער בין היכולות בפועל של המערכת לבין האופן שבו היא משווקת הוא בדיוק המקום שבו תקציבי ענק נוטים להיעלם.
מדוע השלב הזה קריטי בתהליך הרכישה
ברגע שממקמים את הכלי על הסולם הזה, השאלות הנכונות משתנות לחלוטין. אם מדובר במערכת בעלת זיכרון מוגבל, וכמעט תמיד זה המצב, השאלות החשובות באמת אינן נוגעות לתודעה, אלא מתמקדות כולן בדאטה: על אילו נתונים המודל אומן, עד כמה הם משקפים את המציאות העסקית שלכם, וכיצד הוא יגיב בפעם הראשונה שייתקל במקרה שמעולם לא ראה? התאמת השלב הנכון לבעיה הספציפית תהפוך את ה-AI לאחד הכלים העוצמתיים והמדויקים ביותר בעסק שלכם. אך אם תבלבלו בין השלב השני לרביעי, אתם עלולים לרכוש מצגת מרשימה שלא תשרוד את המפגש הראשון עם המציאות בשטח.
בפעם הבאה שספק יטען שהמערכת שלו חושבת, מבינה או מרגישה, תוכלו להשתמש במבחן פשוט. שאלו אותו מה בדיוק המערכת זוכרת ומאילו נתונים היא למדה. התשובה שתקבלו תמקם אותה לרוב שלב אחד בלבד מעל Deep Blue, פער משמעותי בפני עצמו, אך עדיין רחוק שנות אור מאותה בינה מלאכותית בדיונית שמככבת בפרסומות.