מחזונות נלעגים למציאות: מדוע בינה מלאכותית ורובוטי שירות עקפו את מבקריהם

בין אופוריה לבוז – מסע טכנולוגי בזמן

ההיסטוריה של חידושים טכנולוגיים עוקבת לעתים קרובות אחר דפוס צפוי: שלב של אופוריה מוגזמת ילווה באופן בלתי נמנע בתקופה של אכזבה ובוז, לפני שהטכנולוגיה כובשת לבסוף בשקט את חיי היומיום. ניתן לצפות בתופעה זו באופן בולט במיוחד בשני תחומי טכנולוגיה הנחשבים כיום לטכנולוגיות מפתח של המאה ה-21: בינה מלאכותית ורובוטי שירות.

בסוף שנות ה-80, מחקר הבינה המלאכותית מצא את עצמו באחד המשברים העמוקים ביותר בתולדותיו. החל מה שנקרא "חורף הבינה המלאכותית השני", מימון המחקר קוצץ, ומומחים רבים הכריזו על חזון המכונות החשיבה ככישלון. גורל דומה פקד את רובוטי השירות שני עשורים לאחר מכן: בעוד שמחסור בעובדים מיומנים עדיין לא היה נושא רלוונטי חברתית בתחילת המילניום, רובוטים עבור מגזר השירותים נדחו כגימיקים יקרים ומדע בדיוני לא מציאותי.

ניתוח זה בוחן את נתיבי הפיתוח המקבילים של שתי הטכנולוגיות וחושף את המנגנונים המובילים לחסר ערך שיטתי של חידושים מהפכניים. הוא מדגים כי גם האופוריה הראשונית וגם הזלזול שבא בעקבותיה היו פגומים באותה מידה - ואילו לקחים ניתן ללמוד מכך לצורך הערכת טכנולוגיות עתידיות.

מתאים לכך:

• כלכלת פלטפורמות במעבר: התפתחויות מספטמבר 2018 עד ספטמבר 2025

מבט לאחור אל אתמול: סיפורה של מהפכה שלא הובנה כלל

שורשיו של מחקר הבינה המלאכותית המודרני נעוצים בשנות ה-50, כאשר חלוצים כמו אלן טיורינג וג'ון מקארתי הניחו את היסודות התיאורטיים לחשיבה על מכונות. ועידת דארטמות' המפורסמת משנת 1956 נחשבת בדרך כלל ללידתה של הבינה המלאכותית כדיסציפלינה מחקרית. החוקרים הראשונים קיבלו השראה מאופטימיזם חסר גבולות: הם האמינו בתוקף שמכונות יגיעו לבינה אנושית תוך מספר שנים.

שנות ה-60 הביאו את ההצלחות המרהיבות הראשונות. תוכנות כמו Logic Theorist הצליחו להוכיח משפטים מתמטיים, ובשנת 1966, ג'וזף וייזנבאום פיתח את ELIZA, הצ'אטבוט הראשון בהיסטוריה. ELIZA דימה פסיכותרפיסט ויכלה לחקות שיחות אנושיות בצורה כה משכנעת, שאפילו מזכירתו של וייזנבאום ביקשה לדבר עם התוכנה לבדה. באופן פרדוקסלי, וייזנבאום נחרד מההצלחה הזו - הוא רצה להוכיח שאנשים לא יכולים להיות מטעים על ידי מכונות.

אבל האכזבה הגדולה הראשונה פרצה בתחילת שנות ה-70. דו"ח לייט-היל הידוע לשמצה משנת 1973 הכריז על מחקר הבינה המלאכותית ככישלון מהותי והוביל לקיצוצים דרסטיים במימון המחקר בבריטניה. בארה"ב, DARPA הלכה בעקבותיה עם צעדים דומים. חורף הבינה המלאכותית הראשון החל.

נקודת מפנה מכרעת הייתה הביקורת של מרווין מינסקי וסימור פאפרט על פרספטרונים - רשתות עצביות מוקדמות - בשנת 1969. הם הדגימו מתמטית שפרספטרונים פשוטים אפילו לא יכלו ללמוד את פונקציית ה-XOR ולכן אינם ניתנים לשימוש מעשי. ביקורת זו הובילה לקיפאון במחקר על רשתות עצביות במשך כמעט שני עשורים.

שנות ה-80 סימנו בתחילה רנסנס של הבינה המלאכותית עם עלייתן של מערכות מומחים. מערכות מבוססות כללים אלו, כמו MYCIN, ששימשו לאבחון מחלות זיהומיות, סוף סוף הציעו פריצת דרך. חברות השקיעו מיליונים במכונות Lisp ייעודיות שתוכננו בצורה אופטימלית להפעלת תוכניות בינה מלאכותית.

אבל האופוריה הזו לא נמשכה זמן רב. בסוף שנות השמונים התברר שמערכות מומחים מוגבלות באופן מהותי: הן יכלו לתפקד רק באזורים מוגדרים צר, היו עתירות תחזוקה ביותר, וכשלו לחלוטין ברגע שהתמודדו עם מצבים בלתי צפויים. תעשיית מכונות ה-Lisp קרסה באופן דרמטי - חברות כמו LMI פשטו את הרגל כבר בשנת 1986. חורף הבינה המלאכותית השני החל, קשה ומתמשך אף יותר מהראשון.

במקביל, הרובוטיקה התפתחה בתחילה כמעט אך ורק במגזר התעשייתי. יפן לקחה תפקיד מוביל בטכנולוגיית הרובוטים כבר בשנות ה-80, אך התמקדה גם ביישומים תעשייתיים. הונדה החלה לפתח רובוטים דמויי אדם בשנת 1986, אך שמרה על מחקר זה בסוד מוחלט.

היסוד הנסתר: כיצד פריצות דרך צצו בצללים

בעוד שמחקר הבינה המלאכותית נחשב בפומבי לכישלון בסוף שנות ה-80, התפתחויות פורצות דרך התרחשו במקביל, אם כי במידה רבה לא מורגשות. פריצת הדרך החשובה ביותר הייתה הגילוי מחדש והשלמת גישה זו לאחור על ידי ג'פרי הינטון, דיוויד רומלהארט ורונלד וויליאמס בשנת 1986.

טכניקה זו פתרה את הבעיה הבסיסית של למידה ברשתות נוירונים רב-שכבתיות, ובכך הפריכה את הביקורת של מינסקי ופפרט. עם זאת, קהילת הבינה המלאכותית בקושי הגיבה בתחילה למהפכה זו. המחשבים הזמינים היו איטיים מדי, נתוני האימון היו נדירים מדי, והעניין הכללי ברשתות נוירונים נפגע לצמיתות מהביקורת ההרסנית של שנות ה-60.

רק חוקרים מעטים בעלי חזון כמו יאן לקון זיהו את הפוטנציאל הטרנספורמטיבי של הפצה לאחור. הם עבדו במשך שנים בצל הבינה המלאכותית הסמלית הממוסדת, והניחו את היסודות למה שמאוחר יותר יכבוש את העולם כלמידה עמוקה. התפתחות מקבילה זו מדגימה דפוס אופייני של חדשנות טכנולוגית: פריצות דרך מתרחשות לעתים קרובות דווקא כאשר טכנולוגיה נחשבת בפומבי לכישלון.

תופעה דומה ניתן לראות ברובוטיקה. בעוד שתשומת הלב הציבורית בשנות ה-90 התמקדה בהצלחות מרהיבות אך בסופו של דבר שטחיות כמו ניצחונו של דיפ בלו על גארי קספרוב ב-1997, חברות יפניות כמו הונדה וסוני פיתחו בשקט את היסודות לרובוטים מודרניים לשירות.

בעוד ש-Deep Blue היה אבן דרך בכוח המחשוב, הוא עדיין התבסס כולו על טכניקות תכנות מסורתיות ללא כל יכולת למידה ממשית. קספרוב עצמו הבין מאוחר יותר שפריצת הדרך האמיתית אינה טמונה בכוח המחשוב הגולמי, אלא בפיתוח מערכות למידה עצמית המסוגלות לשיפור עצמי.

פיתוח הרובוטיקה ביפן נהנה מגישה תרבותית שונה כלפי אוטומציה ורובוטים. בעוד שבמדינות המערב, רובוטים נתפסו בעיקר כאיום על מקומות עבודה, יפן ראתה בהם שותפים הכרחיים בחברה מזדקנת. קבלה תרבותית זו אפשרה לחברות יפניות להשקיע באופן רציף בטכנולוגיות רובוטיקה, גם כאשר היתרונות המסחריים לטווח קצר לא היו ברורים.

השיפור ההדרגתי של טכנולוגיות בסיסיות היה גם הוא קריטי: חיישנים הפכו קטנים ומדויקים יותר, מעבדים חזקים וחסכוניים יותר באנרגיה, ואלגוריתמי תוכנה מתוחכמים יותר. במהלך השנים, התקדמות מצטברת זו הצטברה לקפיצות איכותיות, שאף היה קשה לזהות עבור זרים.

הווה ופריצת דרך: כאשר הבלתי אפשרי הופך ליומיומי

השינוי הדרמטי בתפיסה של בינה מלאכותית ורובוטי שירות החל באופן פרדוקסלי בדיוק כאשר שתי הטכנולוגיות עמדו בפני הביקורת הקשה ביותר. חורף הבינה המלאכותית של תחילת שנות ה-90 הסתיים בפתאומיות עם סדרה של פריצות דרך ששורשיהן נעוצים בגישות שנכשלו לכאורה של שנות ה-80.

נקודת המפנה הראשונה הייתה ניצחונו של דיפ בלו על קספרוב ב-1997, אשר, למרות שעדיין התבסס על תכנות מסורתי, שינה לצמיתות את התפיסה הציבורית לגבי יכולות מחשוב. חשובה יותר, עם זאת, הייתה הרנסנס של רשתות עצביות שהחל בשנות ה-2000, מונע על ידי כוח מחשוב שגדל באופן אקספוננציאלי וזמינותן של כמויות גדולות של נתונים.

עבודתו בת עשרות השנים של ג'פרי הינטון על רשתות עצביות נשאה סוף סוף פרי. מערכות למידה עמוקה השיגו הישגים בזיהוי תמונה, עיבוד שפה טבעית ותחומים אחרים שנחשבו בלתי אפשריים רק כמה שנים קודם לכן. AlphaGo ניצחה את אלוף העולם ב-Go בשנת 2016, ו-ChatGPT חוללה מהפכה באינטראקציה בין אדם למחשב בשנת 2022 - שתיהן התבססו על טכניקות שמקורן בשנות ה-80.

במקביל, רובוטי שירות התפתחו מחזון מדע בדיוני לפתרונות מעשיים לבעיות מהעולם האמיתי. שינוי דמוגרפי ומחסור גובר בעובדים מיומנים יצרו לפתע צורך דחוף בסיוע אוטומטי. רובוטים כמו פפר שימשו בבתי אבות, בעוד שרובוטים לוגיסטיים חוללו מהפכה במחסנים.

גורם מכריע לכך היה לא רק התקדמות טכנולוגית, אלא גם שינוי במסגרת החברתית. המחסור בעובדים מיומנים, שלא היווה בעיה בתחילת המילניום, התפתח לאחד האתגרים המרכזיים שעמדו בפני כלכלות מפותחות. לפתע, רובוטים כבר לא נתפסו כגורמי גניבה, אלא כעוזרים הכרחיים.

מגפת הקורונה האיצה עוד יותר את ההתפתחות הזו. שירותים ללא מגע ותהליכים אוטומטיים צברו חשיבות, ובמקביל, מחסור בכוח אדם בתחומים קריטיים כמו שירותי בריאות הפך לברור באופן דרמטי. טכנולוגיות שנחשבו בלתי מעשיות במשך עשרות שנים התגלו לפתע כלא הכרחיות.

כיום, גם בינה מלאכותית וגם רובוטים לשירות הפכו למציאות יומיומית. עוזרות קוליות כמו סירי ואלכסה מבוססות על טכנולוגיות הנגזרות ישירות מ-ELIZA, אך שופרו באופן אקספוננציאלי הודות לטכניקות בינה מלאכותית מודרניות. רובוטי טיפול כבר תומכים באופן שגרתי בצוות בבתי אבות יפניים, בעוד שרובוטים דמויי אדם נמצאים על סף פריצת דרך לתחומי שירות אחרים.

דוגמאות מעשיות: כאשר תיאוריה פוגשת את המציאות

את השינוי ממושגים נלעגים לכלים הכרחיים ניתן להמחיש בצורה הטובה ביותר באמצעות דוגמאות קונקרטיות המתחקות את הדרך מסקרנות מעבדתית למוכנות לשוק.

הדוגמה המרשימה הראשונה היא פיתוח הרובוט Pepper על ידי SoftBank Robotics. Pepper מבוסס על עשרות שנים של מחקר באינטראקציה בין אדם לרובוט ונתפס בתחילה כרובוט מכירות. כיום, Pepper משמש בהצלחה בבתי אבות גרמניים כדי ליצור קשר עם חולים עם דמנציה. הרובוט יכול לנהל שיחות פשוטות, להציע אימון זיכרון ולקדם אינטראקציות חברתיות באמצעות נוכחותו. מה שנחשב לגימיק יקר בשנות ה-2000 מוכיח את עצמו כעת כתמיכה חשובה לצוות סיעודי עמוס יתר על המידה.

בולטת במיוחד הסבלנות: אנשים מבוגרים שמעולם לא גדלו עם מחשבים מקיימים אינטראקציה טבעית וללא הסתייגות עם הרובוט ההומנואידי. עובדה זו מאשרת את התיאוריה השנויה במחלוקת במשך עשרות שנים, לפיה לבני אדם יש נטייה טבעית להאנשי-מכונות - תופעה שכבר נצפתה עם ELIZA בשנות ה-60.

הדוגמה השנייה מגיעה מתחום הלוגיסטיקה: שימוש ברובוטים אוטונומיים במחסנים ובמרכזי הפצה. חברות כמו אמזון מעסיקות כיום עשרות אלפי רובוטים למיון, הובלה ואריזת סחורות. רובוטים אלה מטפלים במשימות שנחשבו מורכבות מדי עבור מכונות רק לפני מספר שנים: הם מנווטים באופן אוטונומי בסביבות דינמיות, מזהים ומתפעלים מגוון רחב של אובייקטים ומתאמים את פעולותיהם עם עמיתים אנושיים.

פריצת הדרך לא נבעה מקפיצה טכנולוגית אחת, אלא משילוב של טכנולוגיות שונות: שיפורים בטכנולוגיית חיישנים אפשרו תפיסה סביבתית מדויקת, מעבדים רבי עוצמה אפשרו קבלת החלטות בזמן אמת, ואלגוריתמים של בינה מלאכותית ייעלו את התיאום בין מאות רובוטים. במקביל, גורמים כלכליים - מחסור בכוח אדם, עלויות עבודה עולות ודרישות איכות מוגברות - הפכו לפתע את ההשקעה בטכנולוגיית רובוטים לרווחית.

דוגמה שלישית ניתן למצוא באבחון רפואי, שם מערכות בינה מלאכותית מסייעות כיום לרופאים בזיהוי מחלות. אלגוריתמים מודרניים לזיהוי תמונה יכולים לאבחן סרטן עור, מחלות עיניים או סרטן השד בדיוק השווה או אף עולה על זה של מומחים רפואיים. מערכות אלו מבוססות ישירות על רשתות עצביות, שפותחו בשנות ה-80 אך נדחו כבלתי מעשיות במשך עשרות שנים.

המשכיות הפיתוח מרשימה במיוחד: אלגוריתמי הלמידה העמוקה של ימינו משתמשים למעשה באותם עקרונות מתמטיים כמו ניתוח תהליכים חוזרים (backpropagation) משנת 1986. ההבדל המכריע טמון בכוח המחשוב הזמין ובנפחי הנתונים. מה שהינטון ועמיתיו הדגימו עם בעיות צעצוע קטנות עובד כעת עם תמונות רפואיות עם מיליוני פיקסלים וערכות נתוני אימון עם מאות אלפי דוגמאות.

דוגמאות אלה מדגימות דפוס אופייני: טכנולוגיות מאפשרות צצות לעיתים קרובות עשרות שנים לפני יישומן המעשי. בין מחקר ההיתכנות המדעי לבין מוכנות השוק, קיים בדרך כלל שלב ארוך של שיפורים הדרגתיים, שבמהלכו הטכנולוגיה נראית מקופאת בעיני גורמים חיצוניים. פריצת הדרך מתרחשת לעתים קרובות בפתאומיות כאשר מספר גורמים - בגרות טכנולוגית, צורך כלכלי, קבלה חברתית - מתיישרים בו זמנית.

המומחיות הגלובלית שלנו בתעשייה ובעסקים בפיתוח עסקי, מכירות ושיווק - תמונה: Xpert.Digital

מיקוד בתעשייה: B2B, דיגיטציה (מבינה מלאכותית ל-XR), הנדסת מכונות, לוגיסטיקה, אנרגיות מתחדשות ותעשייה

עוד על זה כאן:

• מרכז עסקים אקספרט

מרכז נושאים עם תובנות ומומחיות:

• פלטפורמת ידע בנושא הכלכלה הגלובלית והאזורית, חדשנות ומגמות ספציפיות לתעשייה
• אוסף ניתוחים, אינספורמציות ומידע רקע מתחומי המיקוד שלנו
• מקום למומחיות ומידע על התפתחויות עדכניות בעסקים ובטכנולוגיה
• מרכז נושאים לחברות שרוצות ללמוד על שווקים, דיגיטציה וחדשנות בתעשייה

צללים וסתירות: הצד השלילי של הקידמה

עם זאת, סיפור ההצלחה של בינה מלאכותית ורובוטי שירות אינו חף מצדדים אפלים וסתירות בלתי פתורות. לבוז הראשוני לטכנולוגיות אלו היו, בחלקן, סיבות לגיטימיות לחלוטין שנותרו רלוונטיות גם כיום.

בעיה מרכזית היא בעיית "הקופסה השחורה" של מערכות בינה מלאכותית מודרניות. בעוד שלמערכות המומחים של שנות ה-80 היו, לפחות תיאורטית, תהליכי קבלת החלטות מובנים, מערכות הלמידה העמוקה של ימינו הן אטומות לחלוטין. אפילו המפתחים שלהן אינם יכולים להסביר מדוע רשת נוירונים מקבלת החלטה מסוימת. זה מוביל לבעיות משמעותיות בתחומי יישום קריטיים כמו רפואה או נהיגה אוטונומית, שבהם מעקב ואחריותיות הם קריטיים.

ג'וזף וייזנבאום, יוצר ELIZA, הפך לאחד המבקרים החריפים ביותר של פיתוח בינה מלאכותית מסיבה מסוימת. אזהרתו שאנשים נוטים לייחס מאפיינים אנושיים למכונות ולתת בהן אמון מופרז הוכחה כנבואית. אפקט ELIZA - הנטייה לטעות ולחשוב שצ'אטבוטים פרימיטיביים הם אינטליגנטים יותר מהם - רלוונטי היום יותר מתמיד, שכן מיליוני אנשים מקיימים אינטראקציה עם עוזרי קול וצ'אטבוטים מדי יום.

הרובוטיקה ניצבת בפני אתגרים דומים. מחקרים מראים כי הספקנות כלפי רובוטים באירופה גברה משמעותית בין השנים 2012 ו-2017, במיוחד בכל הנוגע לשימוש בהם במקום העבודה. ספקנות זו אינה בלתי רציונלית: אוטומציה אכן מובילה לאובדן מקומות עבודה מסוימים, גם כאשר חדשים נוצרים. הטענה שרובוטים לוקחים על עצמם רק משימות "מלוכלכות, מסוכנות ומשעממות" היא מטעה - הם משתלטים יותר ויותר גם על עבודות מיומנות.

ההתפתחות בתחום הסיעוד בעייתית במיוחד. בעוד שרובוטים סיעודיים זוכים לשבחים כפתרון למחסור בכוח אדם, קיים סיכון לדה-הומניזציה נוספת של מגזר שכבר נמצא תחת לחץ. אינטראקציה עם רובוטים אינה יכולה להחליף טיפול אנושי, גם אם הם יכולים לבצע משימות פונקציונליות מסוימות. הפיתוי טמון בתעדוף שיפורי יעילות על פני צרכים אנושיים.

בעיה מהותית נוספת היא ריכוז הכוח. פיתוח מערכות בינה מלאכותית מתקדמות דורש משאבים עצומים - כוח מחשוב, נתונים, הון - שרק מעט תאגידים גלובליים יכולים לגייס. זה מוביל לריכוז כוח חסר תקדים בידי מעט חברות טכנולוגיה, עם השלכות בלתי צפויות על הדמוקרטיה וההשתתפות החברתית.

ההיסטוריה של מכונות ה-Lisp של שנות ה-80 מציעה כאן הקבלה מאלפת. מחשבים מיוחדים אלה היו מבריקים מבחינה טכנית אך נידונים לכישלון מסחרי משום שנשלטו רק על ידי אליטה קטנה ולא תואמים לטכנולוגיות סטנדרטיות. כיום, קיימת סכנה שיתפתחו פתרונות מבודדים דומים בתחום הבינה המלאכותית - עם ההבדל שהפעם הכוח נמצא בידי מספר מצומצם של תאגידים גלובליים ולא בחברות נישה מיוחדות.

לבסוף, שאלת ההשפעות החברתיות ארוכות הטווח נותרת בעינה. התחזיות האופטימיות משנות ה-50, לפיהן אוטומציה תוביל ליותר זמן פנאי ושגשוג לכולם, לא התגשמו. במקום זאת, התקדמות טכנולוגית הובילה לעתים קרובות לאי-שוויון גדול יותר ולצורות חדשות של ניצול. אין סיבה מועטה להאמין שלבינה מלאכותית ולרובוטיקה תהיה השפעה שונה הפעם אלא אם כן יינקטו צעדי נגד מכוונים.

מתאים לכך:

• התקדמות בטכנולוגיית הרובוטיקה: סקירה מקיפה

אופקים עתידיים: מה העבר מגלה על המחר

היסטוריות הפיתוח המקבילות של בינה מלאכותית ורובוטי שירות מציעות תובנות חשובות להערכת מגמות טכנולוגיות עתידיות. ניתן לזהות מספר דפוסים שסביר מאוד שיצוצו בחידושים עתידיים.

הדפוס החשוב ביותר הוא מעגל ההייפ האופייני: טכנולוגיות חדשות עוברות בדרך כלל שלב של ציפיות מוגזמות, ואחריו תקופה של אכזבה, לפני שהן מגיעות לבשלות מעשית. מחזור זה אינו אקראי אלא משקף את לוחות הזמנים השונים של פריצות דרך מדעיות, פיתוח טכנולוגי ואימוץ חברתי.

חשוב כאן להבנה שחידושים פורצי דרך צצים לעיתים קרובות דווקא כאשר טכנולוגיה נחשבת בפומבי לכישלון. Backpropagation פותחה בשנת 1986, בעיצומו של החורף השני של הבינה המלאכותית. היסודות לרובוטים שירות מודרניים צצו בשנות ה-90 וה-2000, כאשר רובוטים עדיין נחשבו למדע בדיוני. הסיבה לכך היא שמחקר בסיסי סבלני מתבצע הרחק מאור הזרקורים הציבורי, ונושא פרי רק שנים לאחר מכן.

משמעות הדבר היא שטכנולוגיות מבטיחות במיוחד יימצאו לעתים קרובות בתחומים הנחשבים כיום בעייתיים או כושלים. מחשוב קוונטי נמצא במקום שבו הייתה הבינה המלאכותית בשנות ה-80: מבטיחה תיאורטית, אך עדיין לא בת קיימא מבחינה מעשית. אנרגיית היתוך נמצאת במצב דומה - 20 שנה למוכנות לשוק במשך עשרות שנים, אך עם התקדמות מתמשכת ברקע.

דפוס חשוב שני הוא תפקידם של תנאים כלכליים וחברתיים. טכנולוגיות גוברות לא רק בגלל עליונותן הטכנית, אלא משום שהן מטפלות בבעיות ספציפיות. שינוי דמוגרפי יצר את הצורך ברובוטים לשירות, המחסור בעובדים מיומנים הפך את האוטומציה להכרח, ודיגיטציה יצרה את נפחי הנתונים שאפשרו למידה עמוקה מלכתחילה.

גורמים דומים לעתיד כבר ניתן לזהות כיום: שינויי האקלים יקדמו טכנולוגיות התורמות לפחמן מופחת. חברה מזדקנת תניע חדשנות רפואית וטיפולית. המורכבות הגוברת של מערכות גלובליות תדרוש כלי ניתוח ובקרה טובים יותר.

דפוס שלישי נוגע להתכנסות של זרמי טכנולוגיה שונים. הן בבינה מלאכותית והן ברובוטים לשירות, פריצת הדרך לא הייתה תוצאה של חדשנות אחת, אלא שילוב של מספר קווי פיתוח. בבינה מלאכותית, אלגוריתמים משופרים, כוח מחשוב גדול יותר ומערכי נתונים נרחבים יותר - כולם התכנסו יחד. ברובוטים לשירות, התכנסו התקדמות בטכנולוגיית חיישנים, מכניקה, אחסון אנרגיה ותוכנה.

פריצות דרך עתידיות צפויות ככל הנראה להופיע בממשקים בין תחומים שונים. שילוב של בינה מלאכותית עם ביוטכנולוגיה עשוי לחולל מהפכה ברפואה המותאמת אישית. שילוב רובוטיקה עם ננוטכנולוגיה עשוי לפתוח תחומי יישום חדשים לחלוטין. שילוב של מחשוב קוונטי עם למידת מכונה עשוי לפתור בעיות אופטימיזציה הנחשבות כיום לקשות לפתרון.

במקביל, ההיסטוריה מזהירה מפני ציפיות מוגזמות לטווח קצר. רוב הטכנולוגיות המהפכניות דורשות 20-30 שנה מגילוי מדעי ועד לאימוץ חברתי נרחב. תקופה זו נחוצה כדי להתגבר על בעיות טכניות בהתחלת לימודים, להפחית עלויות, לבנות תשתיות ולזכות בקבלה חברתית.

לקח חשוב במיוחד הוא שטכנולוגיות מתפתחות לעתים קרובות בצורה שונה לחלוטין ממה שנחזה במקור. ELIZA נועד להדגים את גבולות התקשורת הממוחשבת, אך הפך למודל לצ'אטבוטים מודרניים. Deep Blue ניצח את קספרוב עם כוח מחשוב גולמי, אך המהפכה האמיתית הגיעה עם מערכות למידה עצמית. רובוטי שירות נועדו במקור להחליף עובדים אנושיים, אך הם מוכיחים את עצמם כתוספת חשובה במצבים של מחסור בכוח אדם.

חוסר ודאות זה צריך לשמש תזכורת לענווה בעת הערכת טכנולוגיות מתפתחות. לא אופוריה מוגזמת ולא זלזול גורף עושים צדק למורכבות של פיתוח טכנולוגי. במקום זאת, נדרשת גישה מעודנת שלוקחת ברצינות הן את הפוטנציאל והן את הסיכונים של טכנולוגיות חדשות ומוכנה לעדכן הערכות על סמך תובנות חדשות.

לקחים מעידן לא מובן: מה שנותר מהידע

ההיסטוריות המקבילות של בינה מלאכותית ורובוטי שירות חושפות אמיתות יסוד על טבע השינוי הטכנולוגי, המשתרעות הרבה מעבר לתחומים ספציפיים אלה. הן מדגימות שאופוריה טכנולוגית עיוורת וטכנופוביה גורפת הן מטעות באותה מידה.

התובנה החשובה ביותר היא ההכרה בפער הזמן בין פריצת דרך מדעית ליישום מעשי. מה שנראה כיום כחידוש מהפכני נובע לעתים קרובות ממחקר בסיסי של עשרות שנים. הגרסה המחודשת של ג'פרי הינטון משנת 1986 מעצבת את ChatGPT וכלי רכב אוטונומיים כיום. הגרסה האלקטרונית של ג'וזף וייזנבאום משנת 1966 ממשיכה להתקיים בעוזרי קול מודרניים. השהייה הארוכה הזו בין המצאה ליישום מסבירה מדוע הערכות טכנולוגיות נכשלות לעתים כה קרובות.

לתפקידו של מה שמכונה "עמק האכזבות" יש כאן תפקיד מכריע. כל טכנולוגיה משמעותית עוברת שלב שבו הבטחותיה הראשוניות אינן ניתנות למילוי והיא נחשבת לכישלון. שלב זה אינו רק בלתי נמנע, אלא אף הכרחי: הוא מסנן גישות מפוקפקות וכופה על אנשים להתמקד בקונספטים בני קיימא באמת. שני חורפי הבינה המלאכותית של שנות ה-70 וה-80 ביטלו ציפיות לא מציאותיות ויצרו מקום לעבודת יסוד סבלנית שהובילה מאוחר יותר לפריצות דרך אמיתיות.

תובנה מרכזית נוספת נוגעת לתפקידם של תנאים חברתיים. טכנולוגיות גוברות לא רק בגלל עליונותן הטכנית, אלא משום שהן מגיבות לצרכים חברתיים קונקרטיים. שינוי דמוגרפי הפך רובוטי שירות מסקרנות לצורך. המחסור בעובדים מיומנים הפך את האוטומציה מאיום להצלה. תלות הקשרית זו מסבירה מדוע אותה טכנולוגיה מוערכת בצורה שונה לחלוטין בזמנים שונים.

חשיבותם של גורמים תרבותיים ראויה לציון במיוחד. גישתה החיובית של יפן כלפי רובוטים אפשרה השקעה מתמשכת בטכנולוגיה זו, גם כאשר היא נחשבה ללא מעשית במערב. פתיחות תרבותית זו השתלמה כאשר רובוטים הפכו לפתע מבוקשים ברחבי העולם. לעומת זאת, ספקנות גוברת כלפי אוטומציה באירופה הובילה לכך שהיבשת נפגעה בטכנולוגיות מפתח עתידיות.

ההיסטוריה מזהירה גם מפני הסכנות של מונוקולטורה טכנולוגית. מכונות ה-Lisp של שנות ה-80 היו מבריקות מבחינה טכנית, אך נכשלו משום שהן ייצגו פתרונות מבודדים שאינם תואמים. כיום, קיימת סכנה הפוכה: הדומיננטיות של מספר מצומצם של חברות טכנולוגיה גלובליות בתחומי הבינה המלאכותית והרובוטיקה עלולה להוביל לריכוז כוח בעייתי, לעכב חדשנות ולסבך את השליטה הדמוקרטית.

לבסוף, הניתוח מראה כי ביקורת טכנולוגית מוצדקת לעתים קרובות, אך נעשית מהסיבות הלא נכונות. אזהרתו של ג'וזף וייזנבאום לגבי ההומניזציה של מחשבים הייתה נבואית, אך מסקנתו כי אין לפתח בינה מלאכותית בגלל זה התבררה כשגויה. הספקנות לגבי רובוטי שירות התבססה על חששות לגיטימיים לגבי מקומות עבודה, אך התעלמה מהפוטנציאל שלהם לטפל במחסור בכוח אדם.

תובנה זו חשובה במיוחד להערכת טכנולוגיות מתפתחות. ביקורת לא צריכה להיות מופנית נגד הטכנולוגיה עצמה, אלא נגד יישומים בעייתיים או רגולציה לא מספקת. המשימה היא לרתום את הפוטנציאל של טכנולוגיות חדשות תוך מזעור הסיכונים שלהן.

ההיסטוריה של הבינה המלאכותית ורובוטי השירות מלמדת אותנו ענווה: לא הנבואות הנלהבות של שנות ה-50 ולא התחזיות הפסימיות של שנות ה-80 התגשמו. המציאות הייתה מורכבת יותר, איטית יותר ומפתיעה יותר מהצפוי. יש לזכור תמיד את הלקח הזה כשמעריכים את הטכנולוגיות העתידיות של ימינו - ממחשוב קוונטי ועד להנדסה גנטית ואנרגיית היתוך.

במקביל, ההיסטוריה מראה שמחקר סבלני ומתמשך יכול להוביל לפריצות דרך מהפכניות גם בנסיבות קשות. עבודתו בת עשרות השנים של ג'פרי הינטון על רשתות עצביות זכתה ללעג במשך זמן רב, אך כיום מעצבת את חיינו של כולנו. דבר זה אמור לעודד אותנו לא לוותר, אפילו בתחומי מחקר שנראים חסרי סיכוי.

אבל אולי הלקח הגדול ביותר הוא זה: התקדמות טכנולוגית אינה טובה באופן אוטומטי וגם לא רעה באופן אוטומטי. זהו כלי שהשפעותיו תלויות באופן שבו אנו משתמשים בו. המשימה אינה להשמיץ או להעריץ את הטכנולוגיה, אלא לעצב אותה באופן מודע ואחראי. רק בדרך זו נוכל להבטיח שהדור הבא של טכנולוגיות שלא מוערכות מספיק יתרום באמת לרווחת האנושות.

☑️ השפה העסקית שלנו היא אנגלית או גרמנית

☑️ חדש: התכתבויות בשפה הלאומית שלך!

Konrad Wolfenstein

אני שמח להיות זמין לך ולצוות שלי כיועץ אישי.

אתה יכול ליצור איתי קשר על ידי מילוי טופס יצירת הקשר או פשוט להתקשר אליי בטלפון +49 89 674 804 (מינכן) . כתובת הדוא"ל שלי היא: וולפנשטיין ∂ xpert.digital

אני מצפה לפרויקט המשותף שלנו.

☑️ תמיכה ב- SME באסטרטגיה, ייעוץ, תכנון ויישום

☑️ יצירה או התאמה מחדש של האסטרטגיה הדיגיטלית והדיגיטציה

☑️ הרחבה ואופטימיזציה של תהליכי המכירה הבינלאומיים

Platforms פלטפורמות מסחר B2B גלובליות ודיגיטליות

Pioneeer פיתוח עסקי / שיווק / יחסי ציבור / מדד

תהנו מהמומחיות הנרחבת והחמש-כפולה של Xpert.Digital בחבילת שירותים מקיפה | מחקר ופיתוח, XR, יחסי ציבור ואופטימיזציה של נראות דיגיטלית - תמונה: Xpert.Digital

ל- xpert.digital ידע עמוק בענפים שונים. זה מאפשר לנו לפתח אסטרטגיות התאמה המותאמות לדרישות ולאתגרים של פלח השוק הספציפי שלך. על ידי ניתוח מתמיד של מגמות שוק ורדיפת פיתוחים בתעשייה, אנו יכולים לפעול עם ראיית הנולד ולהציע פתרונות חדשניים. עם שילוב של ניסיון וידע, אנו מייצרים ערך מוסף ומעניקים ללקוחותינו יתרון תחרותי מכריע.

עוד על זה כאן:

• השתמש ביכולת 5 של xpert.digital בחבילה אחת - מ- 500 € לחודש