AMI – אינטליגנציית מכונה מתקדמת – סוף קנה המידה: מדוע יאן לקון כבר לא מאמין בתואר ראשון במשפטים (LLM)

600 מיליארד עבור גישה מוטעית? "הסנדק של הבינה המלאכותית" מהמר נגד LLaMA, ChatGPT ושות'.

ההכרזה הגיעה כמו ברק בתעשיית הטכנולוגיה בנובמבר 2025. יאן לקון, אחד משלושת האבות המייסדים של הלמידה העמוקה והמדען הראשי ב-Meta, הודיע ​​על עזיבתו לאחר שתים עשרה שנים בחברה כדי להקים סטארט-אפ משלו. החלטה זו היא הרבה יותר מבחירת קריירה אישית של מדען בודד. היא מסמנת נקודת מפנה מהותית בתעשיית הבינה המלאכותית העולמית וחושפת את הפער ההולך וגדל בין אינטרסים קצרי טווח של השוק לבין חזון מדעי ארוך טווח.

לקון, שקיבל את פרס טיורינג בשנת 2018 יחד עם ג'פרי הינטון ויושוע בנג'יו, נחשב לאדריכל של רשתות נוירונים קונבולוציוניות, המהוות כיום את הבסיס למערכות עיבוד תמונה מודרניות. עזיבתו מגיעה בתקופה שבה כל התעשייה משקיעה מאות מיליארדי דולרים במודלים של שפה גדולים, טכנולוגיה שלקון תיאר במשך שנים כמבוי סתום מהותי. עם החברה החדשה שלו, המדען בן ה-65 כיום מתכוון להמשיך במה שהוא מכנה "אינטליגנציה מכונה מתקדמת", גישה שונה בתכלית המבוססת על מודלים עולמיים ומתחילה בתפיסה פיזית, לא בטקסט.

ההשלכות הכלכליות של התפתחות זו הן עצומות. מטה עצמה השקיעה למעלה מ-600 מיליארד דולר בתשתיות בינה מלאכותית בשלוש השנים האחרונות. OpenAI הגיעה לשווי של חצי טריליון דולר, למרות הכנסות שנתיות של עשרה מיליארד דולר בלבד. התעשייה כולה נעה בכיוון שאחד מחלוציה החשובים ביותר תיאר כעת בפומבי כמבוי סתום. כדי להבין את ההשלכות הכלכליות של שינוי זה, יש להתעמק במבנים הטכניים, הארגוניים והפיננסיים של מהפכת הבינה המלאכותית הנוכחית.

מתאים לכך:

• מטא תשקיע 600 מיליארד דולר: כדי לבנות תשתית בינה מלאכותית בארה"ב

הארכיטקטורה של בועה

ארכיטקטורת ה-Transformer, שהוצגה על ידי חוקרים בגוגל בשנת 2017, שינתה את נוף הבינה המלאכותית בקצב חסר תקדים. גישה זו אפשרה לראשונה לעבד ביעילות כמויות אדירות של טקסט ולאמן מודלים של שפה עם יכולות שלא היו ניתנות להשגה בעבר. OpenAI בנתה על בסיס זה עם סדרת GPT שלה, אשר עם ChatGPT בנובמבר 2022 הדגימה לקהל הרחב לראשונה מה טכנולוגיות אלו יכולות להשיג. התגובה הייתה נפיצה. תוך מספר חודשים, עשרות מיליארדי דולרים זרמו למגזר.

עם זאת, מאז סוף 2024, יש סימנים הולכים וגדלים לכך שהתפתחות אקספוננציאלית זו מגיעה לקצה גבול היכולת שלה. OpenAI מפתחת את יורשו של GPT-4, המכונה באופן פנימי Orion או GPT-5, במשך למעלה מ-18 חודשים. על פי הדיווחים, החברה ביצעה לפחות שתי סבבי אימון גדולים, כל אחד בעלות של כ-500 מיליון דולר. התוצאות היו מפוכחות. בעוד ש-GPT-4 ייצג קפיצת מדרגה עצומה בביצועים לעומת GPT-3, השיפורים של Orion לעומת GPT-4 הם שוליים. בתחומים מסוימים, במיוחד תכנות, המודל כמעט ואינו מראה התקדמות.

התפתחות זו סותרת באופן מהותי את חוקי קנה המידה, אותם עקרונות אמפיריים שעד לאחרונה הנחו את כל התעשייה. הרעיון הבסיסי היה פשוט: אם מגדילים מודל, משתמשים ביותר נתונים לאימון ומשקיעים יותר כוח מחשוב, עלייה בביצועים עוקבת אחר פונקציית הספק צפויה. עיקרון זה נראה תקף באופן אוניברסלי והצדיק את ההשקעות האסטרונומיות של השנים האחרונות. כעת מתברר שעקומות אלו משתטחות. הכפלת ההשקעה הבאה כבר לא מניבה את הכפלת הביצועים הצפויה.

הסיבות לכך רבות ומורכבות מבחינה טכנית. בעיה מרכזית היא חומת הנתונים. GPT-4 אומן עם כ-13 טריליון טוקנים, שהם למעשה כל האינטרנט הזמין לציבור. עבור GPT-5, פשוט אין מספיק נתונים חדשים ואיכותיים. OpenAI הגיבה על ידי גיוס מפתחי תוכנה, מתמטיקאים ופיזיקאים תיאורטיים כדי לייצר נתונים חדשים על ידי כתיבת קוד ופתרון בעיות מתמטיות. עם זאת, גם אם 1,000 אנשים ייצרו 5,000 מילים ביום, ייקח חודשים לייצר רק מיליארד טוקנים. קנה מידה באמצעות נתונים שנוצרו על ידי בני אדם פשוט לא עובד.

כחלופה, חברות מסתמכות יותר ויותר על נתונים סינתטיים - כלומר, נתונים שנוצרו על ידי מודלים אחרים של בינה מלאכותית. אבל כאן אורבת סכנה חדשה: קריסת מודלים. כאשר מודלים מאומנים באופן רקורסיבי על נתונים שנוצרו על ידי מודלים אחרים, שגיאות קטנות מתעצמות לאורך דורות. התוצאה היא מודלים שהולכים ומתנתקים מהמציאות, ובהם קבוצות מיעוט בנתונים נעלמות באופן לא פרופורציונלי. מחקר שפורסם ב-Nature בשנת 2024 הראה שתהליך זה מתרחש במהירות מפתיעה. לכן, נתונים סינתטיים אינם תרופת פלא, אלא נושאים סיכונים משמעותיים.

המעבר האנרגטי ומגבלות הצמיחה

מלבד מחסום הנתונים, קיים מחסום שני, מהותי אף יותר: מחסום האנרגיה. אימון GPT-3 צרכה כ-1,300 מגה-וואט-שעה של חשמל, שווה ערך לצריכה השנתית של 130 משקי בית אמריקאים. GPT-4 דרש כמות זו, על פי ההערכות, פי 50, או 65,000 מגה-וואט-שעה. כוח המחשוב הנדרש לאימון מודלים גדולים של בינה מלאכותית מכפיל את עצמו בערך כל 100 ימים. עקומה אקספוננציאלית זו מובילה במהירות למגבלות פיזיות.

מרכזי נתונים שמאמנים ומפעילים מודלים אלה כבר צורכים כמות חשמל כמו עיירות קטנות. הסוכנות הבינלאומית לאנרגיה צופה שצריכת החשמל של מרכזי נתונים תגדל ב-80 אחוז עד 2026, מ-20 טרה-וואט-שעה בשנת 2022 ל-36 טרה-וואט-שעה בשנת 2026. בינה מלאכותית היא המניע העיקרי לצמיחה זו. לשם השוואה, שאילתת ChatGPT בודדת צורכת בערך פי עשרה יותר אנרגיה מחיפוש בגוגל. עם מיליארדי שאילתות ביום, זה מצטבר לכמויות עצומות.

התפתחות זו מאלצת חברות טכנולוגיה לנקוט בצעדים דרסטיים. מיקרוסופט כבר חתמה על חוזים עם ספקי אנרגיה גרעינית. מטא, אמזון וגוגל משקיעות סכום כולל של למעלה מ-1.3 טריליון דולר בשנים הקרובות כדי לבנות את התשתית הנדרשת. אך השקעות אלו נתקלות במגבלות פיזיות ופוליטיות. לארה"ב פשוט אין מספיק תשתית אנרגיה כדי להפעיל את מרכזי הנתונים המתוכננים בתחום הבינה המלאכותית. אנליסטים מעריכים כי פרויקטים בשווי 750 מיליארד דולר עלולים להתעכב עד 2030 עקב צווארי בקבוק בתשתית האנרגיה.

לכך מתווסף המימד הגיאופוליטי. דרישות האנרגיה של תעשיית הבינה המלאכותית מגבירות את התחרות על משאבים ומגדילות את התלות בדלקים מאובנים. בעוד שקובעי המדיניות דורשים ניטרליות אקלימית, תעשיית הבינה המלאכותית מגבירה את צריכת האנרגיה. מתח זה יחמיר בשנים הקרובות ועשוי להוביל להתערבויות רגולטוריות שיגבילו את צמיחת התעשייה.

הקיר האדריכלי והאלטרנטיבה של לקון

המחסום השלישי הוא אולי הבסיסי ביותר: החומה האדריכלית. יאן לקון טען במשך שנים כי לארכיטקטורת Transformer יש מגבלות אינהרנטיות שלא ניתן להתגבר עליהן פשוט באמצעות קנה מידה. ביקורתו מתמקדת באופן הבסיסי שבו מודלים של שפה גדולה פועלים. מערכות אלו מאומנות לחזות את המילה הבאה ברצף. הן לומדות דפוסים סטטיסטיים בקורפוסים טקסטואליים עצומים, אך אינן מפתחות הבנה אמיתית של סיבתיות, חוקים פיזיקליים או תכנון לטווח ארוך.

לקון אוהב להמחיש את הבעיה באמצעות השוואה: ילד בן ארבע ספג יותר מידע על העולם באמצעות תפיסה חזותית מאשר מודלי השפה הטובים ביותר דרך טקסט. ילד מבין באופן אינטואיטיבי שחפצים לא פשוט נעלמים, שדברים כבדים נופלים, ושפעולות ישנן השלכות. הם פיתחו מודל עולם, ייצוג פנימי של המציאות הפיזית, בו הם משתמשים כדי לבצע תחזיות ולתכנן פעולות. לבעלי תואר ראשון במשפטים חסרה יכולת בסיסית זו. הם יכולים ליצור טקסט קוהרנטי להפליא, אך הם אינם מבינים את העולם.

מגבלה זו מתבררת שוב ושוב ביישומים מעשיים. אם מבקשים מ-GPT-4 לדמיין קובייה מסתובבת, היא נכשלת במשימה שכל ילד יכול לבצע בקלות. עם משימות מורכבות הדורשות תכנון רב-שלבי, המודלים נכשלים באופן קבוע. הם אינם יכולים ללמוד באופן מהימן משגיאות מכיוון שכל שגיאת חיזוי אסימון עלולה להתפתח ולהגביר את עצמה. למודלים אוטורגרסיביים יש שבריריות בסיסית: שגיאה בשלב מוקדם של הרצף עלולה להרוס את התוצאה כולה.

האלטרנטיבה של לקון היא מודלים עולמיים המבוססים על ארכיטקטורת חיזוי של הטמעה משותפת (Joint Embedding Predictive Architecture). הרעיון הבסיסי הוא שמערכות בינה מלאכותית לא צריכות ללמוד באמצעות חיזוי טקסט, אלא על ידי חיזוי ייצוגים מופשטים של מצבים עתידיים. במקום לייצר פיקסל אחר פיקסל או אסימון אחר אסימון, המערכת לומדת ייצוג דחוס ומובנה של העולם ויכולה להשתמש בו כדי לדמות מנטלית תרחישים שונים לפני פעולה.

תחת הנהגתו של לקון, מטה כבר פיתחה מספר יישומים של גישה זו. I-JEPA לתמונות ו-V-JEPA לסרטונים מראים תוצאות מבטיחות. מודלים אלה לומדים רכיבי אובייקטים ברמה גבוהה ואת הקשרים המרחביים שלהם מבלי להסתמך על רכישת נתונים אינטנסיבית. הם גם יעילים משמעותית יותר באנרגיה לאימון מאשר מודלים קונבנציונליים. החזון הוא לשלב גישות אלו למערכות היררכיות שיכולות לפעול ברמות הפשטה וציר זמן שונות.

ההבדל המכריע טמון באופי תהליך הלמידה. בעוד שמודלים לתואר שני במשפטים (LLMs) מבצעים למעשה התאמת תבניות על סטרואידים, מודלים עולמיים שואפים להבין את המבנה והסיבתיות של המציאות. מערכת עם מודל עולמי חזק יכולה לצפות את תוצאות פעולותיה מבלי שתצטרך לבצע אותן בפועל. היא יכולה ללמוד מכמה דוגמאות משום שהיא מבינה את העקרונות הבסיסיים, ולא רק קורלציות שטחיות.

תפקוד לקוי של הארגון ומשבר קיומי של מטא

עזיבתו של לקון, עם זאת, אינה רק החלטה מדעית, אלא גם תוצאה של תפקוד לקוי ארגוני במטה. ביוני 2025, הודיע ​​המנכ"ל מארק צוקרברג על ארגון מחדש מסיבי של חטיבות הבינה המלאכותית. הוא ייסד את Meta Superintelligence Labs, יחידה חדשה שמטרתה המוצהרת היא לפתח בינה מלאכותית כללית. בראשה עמד אלכסנדר וואנג, המנכ"ל לשעבר בן ה-28 של Scale AI, חברת הכנת נתונים. מטה השקיעה 14.3 מיליארד דולר ב-Scale AI וגייסה למעלה מ-50 מהנדסים וחוקרים ממתחרים.

החלטה זו הפכה את המבנה הקיים על פיו. צוות המחקר הבסיסי של LeCun בתחום הבינה המלאכותית, שבילה שנים בפיתוח PyTorch ואת מודלי Llama הראשונים, נדחק לשוליים. FAIR כוון למחקר בסיסי עם אופק זמן של חמש עד עשר שנים, בעוד שמעבדות הסופר-אינטליגנציה החדשות התמקדו בפיתוח מוצרים לטווח קצר. מקורות מדווחים על כאוס גובר במחלקות הבינה המלאכותית של Meta. כישרונות מובילים שגויסו לאחרונה הביעו תסכול מהבירוקרטיה של תאגיד גדול, בעוד שצוותים מבוססים ראו את השפעתם דועכת.

המצב החמיר עקב מספר ארגון מחדש בתוך שישה חודשים בלבד. באוגוסט 2025, מעבדות Superintelligence אורגנו מחדש שוב, הפעם לארבע יחידות משנה: מעבדה מסתורית שטרם נקבעה לדגמים חדשים, צוות מוצר, צוות תשתית ו-FAIR. גל נוסף של פיטורים התרחש באוקטובר, כאשר כ-600 עובדים הוצאו לפיצויי פיטורים. הסיבה המוצהרת: הפחתת מורכבות ארגונית והאצת פיתוח בינה מלאכותית.

שינויים מתמידים אלה עומדים בניגוד מוחלט ליציבות היחסית של מתחרים כמו OpenAI, גוגל ואנתרופיק. הם מצביעים על אי ודאות מהותית במטה בנוגע לכיוון האסטרטגי הנכון. צוקרברג הכיר בכך שמטה מפגרת במירוץ לדומיננטיות בבינה מלאכותית. Llama 4, שהושקה באפריל 2025, הייתה אכזבה. בעוד שמודל Maverick הפגין יעילות טובה, הוא נכשל באופן דרמטי בהקשרים ארוכים יותר. עלו טענות כי מטה ביצעה אופטימיזציה עבור מדדי ביצועים על ידי אימון ספציפי של מודלים על שאלות מבחן נפוצות, תוך ניפוח מלאכותי של הביצועים.

עבור לקון, המצב הפך לבלתי נסבל. חזונו למחקר בסיסי ארוך טווח התנגש בלחץ להשיג הצלחות מוצר לטווח קצר. העובדה שהוא היה כפוף למעשה לוואנג הצעיר בהרבה תרמה ככל הנראה להחלטתו. בתזכיר הפרידה שלו, לקון מדגיש שמטה יישאר שותף בחברה החדשה שלו, אך המסר ברור: המחקר העצמאי שהוא מחשיב כחיוני אינו אפשרי עוד במסגרת המבנים התאגידיים.

כאן תלמדו כיצד החברה שלכם יכולה ליישם פתרונות בינה מלאכותית מותאמים אישית במהירות, בצורה מאובטחת וללא חסמי כניסה גבוהים.

פלטפורמת בינה מלאכותית מנוהלת היא חבילה מקיפה ונטולת דאגות עבורכם לבינה מלאכותית. במקום להתמודד עם טכנולוגיה מורכבת, תשתית יקרה ותהליכי פיתוח ארוכים, אתם מקבלים פתרון מוכן לשימוש המותאם לצרכים שלכם משותף מתמחה - לעתים קרובות תוך מספר ימים.

היתרונות המרכזיים במבט חטוף:

⚡ יישום מהיר: מרעיון ליישום תפעולי תוך ימים, לא חודשים. אנו מספקים פתרונות מעשיים היוצרים ערך מיידי.

🔒 אבטחת מידע מקסימלית: המידע הרגיש שלך נשאר אצלך. אנו מבטיחים עיבוד מאובטח ותואם ללא שיתוף מידע עם צדדים שלישיים.

💸 אין סיכון פיננסי: אתם משלמים רק על תוצאות. השקעות גבוהות מראש בחומרה, תוכנה או כוח אדם מבוטלות לחלוטין.

🎯 התמקדו בעסק הליבה שלכם: התרכזו במה שאתם עושים הכי טוב. אנו מטפלים בכל היישום הטכני, התפעול והתחזוקה של פתרון הבינה המלאכותית שלכם.

📈 עתיד-מוכן וניתן להרחבה: הבינה המלאכותית שלכם גדלה איתכם. אנו מבטיחים אופטימיזציה וגמישות מתמשכת, ומתאימים את המודלים לדרישות חדשות באופן גמיש.

עוד על זה כאן:

• פתרון בינה מלאכותית מנוהלת - שירותי בינה מלאכותית תעשייתיים: המפתח לתחרותיות במגזרי השירותים, התעשייה וההנדסה המכנית

האנטומיה הכלכלית של היווצרות שלפוחיות

ההתפתחויות במטה הן סימפטומטיות לדינמיקה כלכלית רחבה יותר בתעשיית הבינה המלאכותית. מאז פריצת הדרך של ChatGPT בסוף 2022, התפתחה פריחת השקעות חסרת תקדים. ברבעון הראשון של 2025 לבדו, זרמו 73.1 מיליארד דולר לסטארט-אפים בתחום הבינה המלאכותית, המהווים 58 אחוזים מכלל השקעות הון סיכון. OpenAI הגיעה לשווי של 500 מיליארד דולר, מה שהפך אותה לחברה הפרטית הראשונה שחצתה סף זה מבלי שהייתה רווחית אי פעם.

הערכות השווי אינן פרופורציונליות באופן קיצוני להכנסות בפועל. OpenAI ייצרה הכנסות שנתיות של 10 מיליארד דולר בשנת 2025, עם שווי של 500 מיליארד דולר, מה שהביא ליחס מחיר-מכירות של 50. לשם השוואה, אפילו בשיא בועת הדוט-קום, מעט חברות השיגו מכפילים כאלה. Anthropic מוערכת ב-170 מיליארד דולר עם הכנסות של 2.2 מיליארד דולר, יחס P/E של כ-77. נתונים אלה מצביעים על הערכת יתר מסיבית.

בעייתי במיוחד הוא מבנה המימון המעגלי שהתפתח. אנבידיה משקיעה 100 מיליארד דולר ב-OpenAI, אשר בתורה מחויבת לרכוש שבבי אנבידיה בשווי עשרות מיליארדי דולרים. OpenAI ביצעה עסקאות דומות עם AMD בשווי עשרות מיליארדי דולרים. מיקרוסופט השקיעה למעלה מ-13 מיליארד דולר ב-OpenAI ומארחת את התשתית שלה ב-Azure. אמזון השקיעה 8 מיליארד דולר ב-Anthropic, אשר בתמורה משתמשת ב-AWS כפלטפורמת הענן העיקרית שלה ומפעילה את שבבי הבינה המלאכותית של אמזון עצמה.

הסדרים אלה מזכירים באופן מוזר את המימון המעגלי של סוף שנות ה-90, כאשר חברות טכנולוגיה מכרו ציוד זו לזו ורשמו את העסקאות כהכנסות מבלי לייצר ערך כלכלי ממשי. אנליסטים מדברים על רשת מורכבת ואטומה יותר ויותר של קשרים עסקיים שמזינה פריחה של טריליון דולר. ההקבלות לבועת הדוט-קום ולמשבר הפיננסי של 2008 הן חד משמעיות: מנגנוני מימון אטומים ולא קונבנציונליים שקשה למשקיעים להבין ולהעריך.

לכך מתווסף ריכוזיות ההון. שבע המופלאות, שבע חברות הטכנולוגיה הגדולות ביותר בארה"ב, הגדילו את צריכת האנרגיה שלהן ב-19 אחוזים בשנת 2023, בעוד שהצריכה החציונית של חברות S&P 500 עמדה על שמריה. כ-80 אחוז מעליות שוק המניות בארה"ב בשנת 2025 יוחסו לחברות הקשורות לבינה מלאכותית. אנבידיה לבדה הפכה למניה הנרכשת ביותר על ידי משקיעים קמעונאיים, שהשקיעו כמעט 30 מיליארד דולר ביצרנית השבבים בשנת 2024.

ריכוזיות קיצונית זו טומנת בחובה סיכונים מערכתיים. אם ציפיות התשואה יתבררו כלא מציאותיות, קריסת שוק עלולה להיות בעלת השלכות מרחיקות לכת. ג'יי.פי מורגן מעריכה כי הנפקות אג"ח בדירוג השקעה הקשורות לבינה מלאכותית לבדן עשויות להגיע ל-1.5 טריליון דולר עד 2030. חלק ניכר מחוב זה מבוסס על ההנחה שמערכות בינה מלאכותית ייצרו עלייה עצומה בפריון. אם ציפייה זו לא תתממש, משבר אשראי מאיים.

מתאים לכך:

• מטא מהמרת הכל על אינטליגנציה-על: השקעות של מיליארדי דולרים, מרכזי נתונים ענקיים ומרוץ בינה מלאכותית מסוכן

מלחמת הכישרונות והתהפוכות החברתיות

המתחים הכלכליים באים לידי ביטוי גם בשוק העבודה. היחס בין משרות פתוחות בתחום הבינה המלאכותית למועמדים מתאימים הוא 3.2 ל-1. ישנם 1.6 מיליון משרות פתוחות, אך רק 518,000 מועמדים מתאימים. מחסור קיצוני זה מעלה את המשכורות לגבהים אסטרונומיים. מומחי בינה מלאכותית יכולים להוסיף עשרות אלפי דולרים להכנסתם השנתית על ידי רכישת מיומנויות בפייתון, TensorFlow או מסגרות בינה מלאכותית ייעודיות.

התחרות אכזרית. חברות טכנולוגיה גדולות, סטארט-אפים ממומנים היטב, ואפילו ממשלות, מתחרות על אותה קבוצה קטנה של מומחים. OpenAI חוותה יציאה של מנהלים בחודשים האחרונים, כולל המייסד השותף איליה סוטסקבר ומנהלת הטכנולוגיה הראשית מירה מוראטי. רבים מהאנשים המוכשרים הללו משיקים סטארט-אפים משלהם או עוברים למתחרים. Meta מגייסת באגרסיביות מ-OpenAI, Anthropic ו-Google. Anthropic מגייסת מ-Meta ומ-OpenAI.

לדינמיקה זו מספר השלכות. ראשית, היא מפרקת את נוף המחקר. במקום לעבוד לקראת מטרות משותפות, צוותים קטנים בארגונים שונים מתחרים על אותן פריצות דרך. שנית, היא מעלה את העלויות. המשכורות העצומות למומחי בינה מלאכותית בנות קיימא רק עבור חברות בעלות הון גבוה, מה שמדיר שחקנים קטנים יותר מהשוק. שלישית, היא מעכבת פרויקטים. חברות מדווחות שמשרות פתוחות נותרות לא מאוישות במשך חודשים, ומשבשות את לוחות הזמנים של הפיתוח.

ההשלכות החברתיות משתרעות הרבה מעבר למגזר הטכנולוגיה. אם בינה מלאכותית באמת מייצגת את המהפכה התעשייתית הבאה, אזי טלטלה עצומה של שוק העבודה צפויה. בניגוד למהפכה התעשייתית הראשונה, שהשפיעה בעיקר על עבודה פיזית, בינה מלאכותית מכוונת למשימות קוגניטיביות. לא רק הזנת נתונים פשוטה ושירות לקוחות מאוימים, אלא גם מקצועות מיומנים ביותר כמו מתכנתים, מעצבים, עורכי דין ועיתונאים.

מחקר על תעשיית ניהול ההשקעות צופה ירידה של חמישה אחוזים בחלק ההכנסה המבוססת על עבודה עקב בינה מלאכותית וביג דאטה. נתון זה דומה לשינויים במהלך המהפכה התעשייתית, שגרמו לירידה של חמישה עד חמישה עשר אחוזים. ההבדל המכריע: השינוי הנוכחי מתרחש לאורך שנים, לא עשורים. לחברות יש מעט זמן להסתגל.

חישוב בזמן מבחן ושינוי הפרדיגמה

בעוד שחוקי קנה המידה עבור אימון מקדים מגיעים לקצה גבול היכולת שלהם, צצה פרדיגמה חדשה: קנה מידה של מחשוב בזמן בדיקה. מודלי o1 של OpenAI הדגימו כי שיפורי ביצועים משמעותיים אפשריים על ידי השקעת כוח מחשוב רב יותר במהלך הסקה. במקום פשוט להגדיל את גודל המודל, מערכות אלו מאפשרות למודל לחשוב על שאילתה למשך זמן רב יותר, לנקוט בגישות מרובות לפתרונה ולאמת את תשובותיו באופן עצמאי.

עם זאת, מחקרים מראים כי לפרדיגמה זו יש גם מגבלות. קנה מידה סדרתי, שבו מודל חוזר על אותה בעיה מספר פעמים, אינו מוביל לשיפורים מתמשכים. מחקרים על מודלים כמו Deepseeks R1 ו-QwQ מראים שתהליכי חשיבה ארוכים יותר אינם מייצרים באופן אוטומטי תוצאות טובות יותר. לעתים קרובות, המודל מתקן תשובות נכונות לתשובות שגויות, ולא להיפך. יכולת התיקון העצמי הדרושה לקנה מידה סדרתי יעיל אינה מפותחת מספיק.

קנה מידה מקביל, שבו נוצרים מספר פתרונות בו זמנית והטוב ביותר נבחר, מראה תוצאות טובות יותר. עם זאת, גם כאן, התועלת השולית פוחתת עם כל הכפלה של כוח המחשוב המושקע. יעילות העלויות יורדת במהירות. עבור יישומים מסחריים שצריכים לענות על מיליוני שאילתות ביום, העלויות הן גבוהות מדי.

פריצת הדרך האמיתית יכולה להיות טמונה בשילוב גישות שונות. ארכיטקטורות היברידיות המשלבות רובוטריקים (Transformers) עם מודלי מרחב מצבים מבטיחות לאחד את נקודות החוזק של שניהם. מודלי מרחב מצבים כמו Mamba מציעים התנהגות קנה מידה לינארית בהסקה, בעוד שרובוטריקים מצטיינים בלכידת תלות ארוכות טווח. מערכות היברידיות כאלה יכולות לאזן מחדש את משוואת עלות-איכות.

ארכיטקטורות אלטרנטיביות והעתיד שאחרי הרובוטריקים

לצד מודלים עולמיים, צצות מספר ארכיטקטורות חלופיות שעשויות לאתגר את הדומיננטיות של רובוטריקים. מודלים של מרחב מצבים עשו התקדמות משמעותית בשנים האחרונות. S4, Mamba ו-Hyena מדגימים כי הנמקה יעילה בהקשר ארוך עם מורכבות ליניארית אפשרית. בעוד שרובוטריקים מדרגים באופן ריבועי עם אורך הרצף, מודלים של מרחב מצבים משיגים קנה מידה ליניארי הן באימון והן בהסקה.

שיפורי יעילות אלו עשויים להיות מכריעים כאשר מערכות בינה מלאכותית נפרסות בסביבות ייצור. עלות ההסקה לרוב לא הוערכה כראוי. הדרכה היא השקעה חד פעמית, אך ההסקה פועלת ברציפות. ChatGPT לעולם אינו במצב לא מקוון. עם מיליארדי שאילתות יומיות, אפילו שיפורי יעילות קטנים מצטברים לחיסכון עצום בעלויות. מודל הדורש חצי מכוח המחשוב עבור אותה איכות יש לו יתרון תחרותי אדיר.

האתגר טמון בהבשלתן של טכנולוגיות אלו. לטרנספורמטורים יש יתרון של כמעט שמונה שנים ומערכת אקולוגית עצומה של כלים, ספריות ומומחיות. ארכיטקטורות חלופיות חייבות להיות לא רק עדיפות מבחינה טכנית, אלא גם שמישות מבחינה מעשית. ההיסטוריה של הטכנולוגיה מלאה בפתרונות עדיפים מבחינה טכנית שנכשלו בשוק משום שהמערכת האקולוגית הייתה חסרה.

מעניין לציין, שגם התחרות הסינית מסתמכת על גישות חלופיות. DeepSeek V3, מודל קוד פתוח עם 671 מיליארד פרמטרים, משתמש בארכיטקטורת שילוב מומחים שבה מופעלים רק 37 מיליארד פרמטרים לכל טוקן. המודל משיג ביצועים דומים למתחרים מערביים במבחני ביצועים, אך אומן בחלקיק מהעלות. זמן האימון היה רק ​​2.788 מיליון שעות GPU H800, פחות משמעותית מדגמים דומים.

התפתחות זו מראה כי המנהיגות הטכנולוגית אינה בהכרח נמצאת בידי השחקנים החזקים ביותר מבחינה כלכלית. החלטות אדריכליות ואופטימיזציות חכמות יכולות לפצות על יתרונות משאבים. עבור נוף הבינה המלאכותית העולמי, משמעות הדבר היא הגברת הרב-קוטביות. סין, אירופה ואזורים אחרים מפתחים גישות משלהם שאינן רק העתקים של מודלים מערביים.

ההערכה מחדש וההנגאובר הבלתי נמנע

התכנסות כל הגורמים הללו מצביעה על הערכה מחודשת קרובה של תעשיית הבינה המלאכותית. הערכות השווי הנוכחיות מבוססות על ההנחה של צמיחה אקספוננציאלית מתמשכת, הן בביצועי המודל והן באימוץ מסחרי. שתי ההנחות הללו הופכות מוטלות בספק יותר ויותר. ביצועי המודל עומדים על שמריה, בעוד שהעלויות ממשיכות לנסוק. למרות שהאימוץ המסחרי גדל, המונטיזציה נותרה מאתגרת.

OpenAI, עם שווי של חצי טריליון דולר, תצטרך לצמוח להכנסות שנתיות של לפחות 100 מיליארד דולר ולהיות רווחית בשנים הקרובות כדי להצדיק את הערכת השווי שלה. משמעות הדבר היא עלייה של פי עשרה תוך מספר שנים בלבד. לשם השוואה, לגוגל לקח יותר מעשור לצמוח מ-10 מיליארד דולר ל-100 מיליארד דולר בהכנסות. הציפיות מחברות בינה מלאכותית גבוהות באופן לא מציאותי.

אנליסטים מזהירים מפני פיצוץ אפשרי של בועת הבינה המלאכותית. הדמיון לבועת הדוט-קום ברור. אז, כמו עכשיו, יש טכנולוגיה מהפכנית עם פוטנציאל עצום. אז, כמו עכשיו, יש הערכות שווי מנופחות באופן לא רציונלי ומבני מימון מעגליים. אז, כמו עכשיו, משקיעים מצדיקים הערכות שווי אבסורדיות בטענה שהטכנולוגיה תשנה הכל וכי מדדי הערכה מסורתיים אינם רלוונטיים עוד.

ההבדל המכריע: בניגוד לחברות דוט-קום רבות, לחברות הבינה המלאכותית של ימינו יש מוצרים עובדים בעלי ערך אמיתי. ChatGPT אינו תוכנת אידוי, אלא טכנולוגיה המשמשת מיליוני אנשים מדי יום. השאלה אינה האם לבינה מלאכותית יש ערך, אלא האם היא בעלת ערך מספיק כדי להצדיק את הערכות השווי הנוכחיות. התשובה היא ככל הנראה לא.

כאשר יגיע ההערכה מחדש, זה יהיה כואב. קרנות הון סיכון השקיעו 70 אחוז מהון שלהן בבינה מלאכותית. קרנות פנסיה ומשקיעים מוסדיים חשופים באופן מסיבי. ירידה משמעותית בהערכות הבינה המלאכותית תהיה בעלת השלכות פיננסיות מרחיקות לכת. חברות המסתמכות על מימון זול יתקשו לפתע לגייס הון. פרויקטים יופסקו, ועובדים יפוטרו.

הפרספקטיבה ארוכת הטווח והדרך קדימה

למרות הסיכויים הקודרים לטווח קצר, הפוטנציאל ארוך הטווח של בינה מלאכותית נותר עצום. ההייפ הנוכחי אינו משנה את החשיבות הבסיסית של הטכנולוגיה. השאלה אינה האם, אלא כיצד ומתי, בינה מלאכותית תעמוד בהבטחתה. המעבר של לקון מפיתוח מוצרים לטווח קצר למחקר בסיסי לטווח ארוך מצביע על הדרך.

הדור הבא של מערכות בינה מלאכותית ייראה כנראה שונה ממערכות ה-LLM של ימינו. הוא ישלב אלמנטים של מודלים עולמיים, ארכיטקטורות חלופיות ופרדיגמות אימון חדשות. הוא יסתמך פחות על קנה מידה בכוח גס ויותר על ייצוגים יעילים ומובנים. הוא ילמד מהעולם הפיזי, לא רק מטקסט. והוא יבין סיבתיות, לא רק קורלציות.

חזון זה, עם זאת, דורש זמן, סבלנות וחופש לבצע מחקר בסיסי. תנאים אלה קשים למצוא בסביבת השוק הנוכחית. הלחץ להשיג הצלחה מסחרית מהירה הוא עצום. דוחות רבעוניים וסבבי הערכה שולטים בסדר היום. תוכניות מחקר ארוכות טווח, שעשויות לקחת שנים עד להניב תוצאות, קשה להצדיק.

החלטתו של לקון להקים סטארט-אפ בגיל 65 היא הצהרה יוצאת דופן. הוא היה יכול לפרוש עם כל הכבוד ומקום מובטח בהיסטוריה. במקום זאת, הוא בחר בדרך הסלעית של רדיפה אחר חזון שנדחה על ידי המיינסטרים בתעשייה. מטה יישאר שותף, כלומר לחברה שלו יהיו משאבים, לפחות בהתחלה. אבל הצלחתו האמיתית תהיה תלויה בשאלה האם יוכל להוכיח בשנים הקרובות שאינטליגנציה מכונה מתקדמת אכן עדיפה.

השינוי ייקח שנים. גם אם לקון צודק ומודלים עולמיים עדיפים ביסודם, עדיין צריך לפתח אותם, למטב אותם ולהפוך אותם לתיעוש. יש לבנות את המערכת האקולוגית. מפתחים צריכים ללמוד כיצד להשתמש בכלים החדשים. חברות צריכות לעבור מתואר ראשון במשפטים למערכות החדשות. שלבי מעבר אלה היו תמיד כואבים מבחינה היסטורית.

מהייפ למציאות: דרך הפעולה ארוכת הטווח בבינה מלאכותית

עזיבתו של יאן לקון את מטא מסמנת יותר מסתם שינוי בכוח אדם. היא מסמלת את המתח הבסיסי בין חזון מדעי לפרגמטיזם מסחרי, בין חדשנות לטווח ארוך לדרישות שוק לטווח קצר. מהפכת הבינה המלאכותית הנוכחית נמצאת בנקודת מפנה. ההצלחות הקלות של גידול בשוק מוצו. הצעדים הבאים יהיו קשים יותר, יקרים יותר ולא ודאיים.

עבור משקיעים, משמעות הדבר היא שיש לבחון באופן ביקורתי את הערכות השווי המוגזמות של אלופי הבינה המלאכותית הנוכחיים. עבור חברות, משמעות הדבר היא שהתקווה לניסים מהירים של פרודוקטיביות באמצעות בינה מלאכותית עלולה להתכזב. עבור החברה, משמעות הדבר היא שהטרנספורמציה תהיה איטית יותר ולא אחידה יותר ממה שמרמז גל ההייפ.

יחד עם זאת, הבסיס נותר איתן. בינה מלאכותית אינה גחמה חולפת, אלא טכנולוגיה בסיסית שתשנה כמעט את כל מגזרי הכלכלה בטווח הארוך. ההקבלות למהפכה התעשייתית מתאימות. כמו אז, יהיו מנצחים ומפסידים, עודפים ותיקונים, טלטלות והתאמות. השאלה אינה האם ארכיטקטורת הטרנספורמטור הגיעה לקצה יכולותיה, אלא כיצד ייראה השלב הבא ומי יעצב אותו.

ההימור של לקון על בינה מלאכותית מתקדמת ומודלים עולמיים הוא נועז, אך הוא עשוי להתגלות כמרחוק ראייה. בעוד חמש שנים נדע האם ההתנתקות מהזרם המרכזי הייתה ההחלטה הנכונה או שמא התעשייה עמדה במסלול. השנים הקרובות יהיו מכריעות לפיתוח ארוך הטווח של בינה מלאכותית, וכתוצאה מכך, לעתיד הכלכלי והחברתי.

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

☑️ השפה העסקית שלנו היא אנגלית או גרמנית

☑️ חדש: התכתבויות בשפה הלאומית שלך!

 

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

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