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

בין אופוריה לבוז – מסע טכנולוגי בזמן

ההיסטוריה של החדשנות הטכנולוגית עוקבת לעתים קרובות אחר דפוס צפוי: תקופה של אופוריה מוגזמת מלווה באופן בלתי נמנע בתקופה של אכזבה ובוז, לפני שהטכנולוגיה כובשת לבסוף ובשקט את חיי היומיום. ניתן לצפות בתופעה זו באופן מרשים במיוחד בשני תחומים טכנולוגיים הנחשבים כיום לטכנולוגיות מפתח של המאה ה-21: בינה מלאכותית ורובוטי שירות.

בסוף שנות ה-80, מחקר הבינה המלאכותית היה באחד המשברים העמוקים ביותר בתולדותיו. מה שנקרא "חורף הבינה המלאכותית השני" החל, 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 בסביבות תחילת המילניום, רובוטים עבור מגזר השירותים נדחו כצעצועים יקרים ומדע בדיוני לא מציאותי.

ניתוח זה בוחן את נתיבי הפיתוח המקבילים של שתי הטכנולוגיות וחושף את המנגנונים המובילים לחידושים מהפכניים שזכו להערכה שיטתית נמוכה בתחילה. מתברר כי גם האופוריה הראשונית וגם הזלזול שבעקבותיה היו פגומים באותה מידה - ואילו לקחים ניתן ללמוד מכך לצורך הערכת טכנולוגיות עתידיות.

קשור לזה:

• כלכלת פלטפורמות במעבר: התפתחויות מספטמבר 2018 עד ספטמבר 2025

מבט לאחור על אתמול: סיפורה של מהפכה שלא הובנה כהלכה

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. כנס דארטמות' המפורסם של 1956 נחשב בדרך כלל ללידת הבינה המלאכותית כדיסציפלינה מחקרית. החוקרים הראשונים היו מלאים באופטימיות חסרת גבולות: הם האמינו בתוקף שמכונות יגיעו לבינה אנושית תוך מספר שנים בלבד.

שנות ה-60 הביאו את ההצלחות המרהיבות הראשונות. תוכנות כמו Logic Theorist הצליחו להוכיח משפטים מתמטיים, ובשנת 1966 פיתח ג'וזף וייזנבאום את ELIZA, הצ'אטבוט הראשון בהיסטוריה. ELIZA דימה פסיכותרפיסט והייתה כה משכנעת בחיקוי של שיחה אנושית, שאפילו מזכירתו של וייזנבאום ביקשה לדבר עם התוכנה לבדה. באופן פרדוקסלי, וייזנבאום נחרד מהצלחה זו - הוא רצה להוכיח שבני אדם לא יכולים להיות מטעים על ידי מכונות.

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

נקודת מפנה מכרעת הייתה הביקורת של מרווין מינסקי וסימור פאפרט על הפרספטרונים - 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 הביאה את מחקר הרשתות העצביות לקיפאון 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, נראו סוף סוף מוכנות לפריצת דרך. חברות השקיעו מיליונים במכונות Lisp ייעודיות, שתוכננו בצורה אופטימלית להפעלת תוכניות בינה מלאכותית.

אבל גם האופוריה הזו לא נמשכה זמן רב. בסוף שנות ה-80 התברר שמערכות מומחים מוגבלות מיסדן: הן יכלו לתפקד רק באזורים מוגדרים צר, היו עתירות תחזוקה ביותר, וכשלו לחלוטין ברגע שהן נתקלו במצבים 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 על עצמה תפקיד מוביל בטכנולוגיית הרובוטיקה כבר בשנות ה-80, אך התמקדה גם ביישומים תעשייתיים. הונדה החלה לפתח רובוטים דמויי אדם בשנת 1986, אך שמרה על מחקר זה בסוד מוחלט.

היסודות הנסתרים: כיצד פריצות דרך צצו בצללים

בעוד שמחקר הבינה המלאכותית נחשב בפומבי לכישלון בסוף שנות ה-80, התפתחויות פורצות דרך התרחשו במקביל, אם כי אלה נעלמו במידה רבה מעיניו. פריצת הדרך החשובה ביותר הייתה הגילוי מחדש והשלמת ההפצה האחורית על ידי ג'פרי הינטון, דיוויד רומלהרט 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 קשות מהביקורת ההרסנית של שנות ה-60.

רק חוקרים בעלי חזון מועט, 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 ממחישה 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 לרובוטי שירות מודרניים.

בעוד ש-Deep Blue היה אבן דרך בכוח המחשוב, הוא עדיין התבסס כולו על טכניקות תכנות מסורתיות ללא יכולות למידה אמיתיות. קספרוב עצמו הבין מאוחר יותר שהפריצה האמיתית אינה טמונה בכוח המחשוב הגולמי, אלא בפיתוח מערכות אדפטיביות 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 רובוטיות, גם כאשר היתרונות המסחריים לטווח קצר לא היו ברורים.

באופן מכריע, השיפור ההדרגתי של הטכנולוגיות הבסיסיות היה גם הוא מכריע: חיישנים הפכו קטנים ומדויקים יותר, מעבדים חזקים וחסכוניים יותר באנרגיה, ואלגוריתמי תוכנה מתוחכמים יותר. התקדמות מצטברת זו הצטברה לאורך השנים לקפיצות איכותיות, שאותן, עם זאת, היה קשה לאנשים מבחוץ להבחין.

הווה ופריצת דרך: כאשר הבלתי אפשרי הופך לשגרה

השינוי הדרמטי בתפיסה של בינה מלאכותית ורובוטי שירות החל באופן פרדוקסלי דווקא 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 באופן מהותי את תפיסת הציבור לגבי יכולות מחשוב. חשובה יותר, עם זאת, הייתה הרנסנס של רשתות עצביות משנות ה-2000 ואילך, המונע על ידי כוח מחשוב גדל באופן אקספוננציאלי וזמינותם של מערכי נתונים גדולים.

עשרות שנות עבודתו של ג'פרי הינטון על רשתות עצביות נשאו סוף סוף פרי. מערכות למידה עמוקה השיגו ביצועים בזיהוי תמונה, עיבוד דיבור 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 מבוססות על טכניקות שמקורן בשנות ה-80.

במקביל, רובוטי שירות התפתחו מחזון מדע בדיוני לפתרונות מעשיים לבעיות מהעולם האמיתי. שינויים דמוגרפיים והמחסור הגובר בעובדים מיומנים יצרו לפתע צורך דחוף בסיוע אוטומטי. רובוטים כמו פפר נפרסו 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 היה בעיה סביב תחילת המילניום, התפתח לאחד האתגרים המרכזיים של הכלכלות המפותחות. 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 סיעוד 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 באמצעות שיטות בינה מלאכותית מודרניות. רובוטי טיפול כבר תומכים באופן שגרתי בצוות בבתי אבות יפניים, בעוד שרובוטים דמויי אדם נמצאים על סף פריצה למגזרי שירות אחרים.

דוגמאות מעשיות: כאשר תיאוריה פוגשת את המציאות

את הפיכתם של מושגים נלעגים לכלים הכרחיים ניתן להמחיש בצורה הטובה ביותר באמצעות דוגמאות קונקרטיות המתחקות את הדרך מסקרנות מעבדתית לבגרות שוק.

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

ראויה לציון במיוחד הקבלה מצד המטופלים: קשישים שמעולם לא גדלו עם מחשבים מקיימים אינטראקציה טבעית וללא היסוס עם הרובוט ההומנואידי. עובדה זו מאשרת את התיאוריה המדוברת זמן רב לפיה לבני אדם יש נטייה טבעית להפוך מכונות לאנושיות - תופעה שכבר נצפתה עם ELIZA בשנות ה-60.

הדוגמה השנייה מגיעה מתחום הלוגיסטיקה: שימוש ברובוטים אוטונומיים במחסנים ובמרכזי הפצה. חברות כמו אמזון משתמשות כיום בעשרות 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 הושגה באמצעות קפיצת מדרגה טכנולוגית אחת, אלא באמצעות שילוב 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, עלייה בעלויות עבודה ודרישות איכות גבוהות יותר - הבטיחו שהשקעה בטכנולוגיית רובוטיקה הפכה לפתע 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 התואם או אף עולה על זה של מומחים. מערכות אלו מבוססות ישירות על רשתות עצביות, שפותחו בשנות ה-80 אך נדחו כבלתי מעשיות במשך עשרות שנים.

מה שמרשים במיוחד הוא המשכיות הפיתוח: אלגוריתמי הלמידה העמוקה של ימינו משתמשים למעשה באותם עקרונות מתמטיים כמו גרסה לאחור משנת 1986. ההבדל המכריע טמון בכוח המחשוב הזמין ובכמות הנתונים. מה שהינטון ועמיתיו הדגימו עם בעיות קטנות דמויות צעצוע עובד כעת עם תמונות רפואיות המכילות מיליוני פיקסלים ומערכי נתונים של אימון עם מאות אלפי דוגמאות.

דוגמאות אלה ממחישות דפוס אופייני: טכנולוגיות בסיסיות 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 וקבלה חברתית - מתיישרים בו זמנית.

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

מידע נוסף כאן:

• מרכז עסקים מומחים

מרכז נושאי המציע תובנות ומומחיות:

• פלטפורמת ידע המכסה כלכלות גלובליות ואזוריות, חדשנות ומגמות ספציפיות לתעשייה
• אוסף של ניתוחים, תובנות ומידע רקע מתחומי המיקוד המרכזיים שלנו
• מקום למומחיות ומידע על התפתחויות עדכניות בעסקים ובטכנולוגיה
• מרכז לחברות המחפשות מידע על שווקים, דיגיטציה וחדשנות בתעשייה

צללים וסתירות: הצד השני של הקידמה

עם זאת, סיפור ההצלחה של בינה מלאכותית ורובוטי שירות אינו חף מצדדים אפלים וסתירות בלתי פתורות. הבוז הראשוני לטכנולוגיות אלו, בפרט, היה מוצדק בחלקו, וחלק מהסיבות נותרות רלוונטיות גם היום.

בעיה מרכזית היא סוגיית "הקופסה השחורה" של מערכות בינה מלאכותית מודרניות. בעוד שלמערכות מומחים של שנות ה-80 היו תהליכי קבלת החלטות מובנים לפחות מבחינה תיאורטית, 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 עקיבות ואחריותיות הם קריטיים.

ג'וזף וייזנבאום, יוצר ELIZA, הפך לאחד המבקרים הקולניים ביותר של פיתוח בינה מלאכותית מסיבה טובה. אזהרתו שאנשים נוטים לייחס מאפיינים אנושיים למכונות ולתת בהן אמון מופרז הוכחה כנבואית. אפקט ELIZA - הנטייה לתפוס צ'אטבוטים פרימיטיביים כאינטליגנטיים יותר ממה שהם באמת - 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 אם נוצרים חדשים בו זמנית. הטענה שרובוטים משתלטים רק על משימות "מלוכלכות, מסוכנות ומשעממות" היא פשטנות יתר - הם משתלטים יותר ויותר גם על עבודות מיומנות.

המצב במגזר הטיפול בעייתי במיוחד. בעוד שרובוטי טיפול מוצגים כפתרון למחסור בכוח אדם, קיים סיכון לדה-הומניזציה נוספת של מגזר שכבר נמצא במצוקה. אינטראקציה עם רובוטים אינה יכולה להחליף טיפול אנושי, גם אם הם יכולים לקחת על עצמם 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 תאגידים גלובליים ספורים יכולים לספק. זה מוביל לריכוז כוח חסר תקדים בידי חברות טכנולוגיה ספורות, עם השלכות בלתי צפויות על הדמוקרטיה וההשתתפות החברתית.

ההיסטוריה של מכונות Lisp בשנות ה-80 מציעה כאן הקבלה מאלפת. מחשבים מיוחדים אלה היו מבריקים מבחינה טכנית, אך נידונים לכישלון מסחרי משום שרק אליטה קטנה שלטה בהם ולא היו תואמים לטכנולוגיות סטנדרטיות. כיום, קיים סיכון להתפתחות פתרונות מבודדים דומים בתחום הבינה המלאכותית - עם ההבדל שהפעם הכוח נמצא בידי מספר מצומצם של תאגידים גלובליים במקום בחברות נישה מיוחדות.

לבסוף, שאלת ההשפעות החברתיות ארוכות הטווח נותרה בעינה. התחזיות האופטימיות משנות ה-50, שחזו כי אוטומציה תוביל ליותר זמן פנאי ושגשוג לכולם, לא התממשו. במקום זאת, התקדמות טכנולוגית הביאה 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.

קשור לזה:

• 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 להניח שיופיעו גם 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.

באופן מכריע, חידושים פורצי דרך צצים לעתים קרובות דווקא כאשר טכנולוגיה נחשבת בפומבי לכישלון. Backpropagation פותחה בשנת 1986, ממש באמצע החורף השני של הבינה המלאכותית. היסודות לרובוטים שירות מודרניים הונחו בשנות ה-90 וה-2000, כאשר רובוטים עדיין נחשבו למדע בדיוני. הסיבה לכך היא, הרחק מאור הזרקורים הציבורי, מתבצע מחקר בסיסי סבלני, שנושא פרי רק שנים לאחר מכן.

במבט לעתיד, משמעות הדבר היא שטכנולוגיות מבטיחות במיוחד נמצאות לעתים קרובות בתחומים הנחשבים כיום בעייתיים או כושלים. מחשוב קוונטי נמצא במקום בו הייתה בינה מלאכותית בשנות ה-80: מבטיחה תיאורטית, אך עדיין לא ישימה באופן מעשי. אנרגיית היתוך נמצאת במצב דומה - במשך עשרות שנים "20 שנה ממוכנות לשוק", אך עם התקדמות מתמשכת ברקע.

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

לעתיד, כבר ניתן לזהות גורמים דומים: שינויי האקלים יקדמו טכנולוגיות התורמות לפחמן נמוך. אוכלוסייה מזדקנת תניע חדשנות רפואית וסיעודית. המורכבות הגוברת של מערכות גלובליות תחייב כלי ניתוח ובקרה טובים יותר.

דפוס שלישי נוגע להתכנסות של זרמים טכנולוגיים שונים. הן בבינה מלאכותית והן ברובוטים לשירות, פריצת הדרך לא הייתה תוצאה של חדשנות אחת, אלא שילוב של מספר קווי פיתוח. בבינה מלאכותית התכנסו אלגוריתמים משופרים, כוח מחשוב גדול יותר ומערכי נתונים נרחבים יותר. ברובוטים לשירות, התחברו התקדמות בחיישנים, מכניקה, אחסון אנרגיה ותוכנה.

פריצות דרך עתידיות יתרחשו ככל הנראה בממשקים בין תחומים שונים. השילוב של בינה מלאכותית עם ביוטכנולוגיה עשוי לחולל מהפכה ברפואה המותאמת אישית. שילוב רובוטיקה עם ננוטכנולוגיה עשוי לפתוח תחומי יישום חדשים לחלוטין. השילוב של מחשוב קוונטי עם למידת מכונה עשוי לפתור בעיות אופטימיזציה שנחשבות כיום בלתי פתירות.

במקביל, ההיסטוריה מזהירה מפני ציפיות מוגזמות לטווח קצר. רוב הטכנולוגיות המהפכניות דורשות 20-30 שנה מגילוי מדעי ועד לאימוץ חברתי נרחב. מסגרת זמן זו נחוצה כדי להתגבר על בעיות טכנולוגיות ראשוניות, 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 מגבלות התקשורת הממוחשבת אך הפך למודל לצ'אטבוטים מודרניים. Deep Blue ניצח את קספרוב בזכות כוח מחשוב טהור, אך המהפכה האמיתית הגיעה ממערכות אדפטיביות. רובוטי שירות נועדו במקור להחליף עובדים אנושיים אך מוכיחים את עצמם כתוספת חשובה במצבים של מחסור בכוח אדם.

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

לקחים מעידן לא מובן: מה נותר מהידע?

ההיסטוריות המקבילות של בינה מלאכותית ורובוטי שירות חושפות אמיתות יסוד על טבע השינוי הטכנולוגי, המשתרעות הרבה מעבר לתחומים ספציפיים אלה. הן מדגימות שגם אופוריה טכנולוגית עיוורת וגם עוינות גורפת כלפי טכנולוגיה 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 מלפני 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.

מכריע כאן הוא תפקידו של מה שמכונה "עמק האכזבה". כל טכנולוגיה משמעותית עוברת שלב שבו הבטחות ראשוניות אינן מתקיימות והיא נחשבת לכישלון. שלב זה אינו רק בלתי נמנע אלא אף הכרחי: הוא מסנן גישות מפוקפקות וכופה התמקדות בקונספטים ברי-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.

ממצא מרכזי נוסף נוגע לתפקידם של תנאים חברתיים. טכנולוגיות אינן גוברות אך ורק בזכות עליונותן הטכנולוגית, אלא משום שהן עונה על צרכים חברתיים ספציפיים. שינוי דמוגרפי הפך רובוטי שירות מסקרנות לצורך. המחסור בעובדים מיומנים הפך אוטומציה מאיום לחבל הצלה. תלות הקשר זו מסבירה מדוע אותה טכנולוגיה מוערכת בצורה שונה לחלוטין בזמנים שונים.

ראוי לציין במיוחד את חשיבותם של גורמים תרבותיים. 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 לצורך עולמי. לעומת זאת, ספקנות גוברת כלפי אוטומציה באירופה גרמה ליבשת לפגר 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 ובלתי תואמים. כיום, קיימת סכנה הפוכה: הדומיננטיות של מספר מצומצם של חברות טכנולוגיה גלובליות בתחומי הבינה המלאכותית והרובוטיקה עלולה להוביל לריכוז כוח בעייתי שחונק חדשנות ומקשה על השליטה הדמוקרטית.

לבסוף, הניתוח מראה כי ביקורת טכנולוגית מוצדקת לעתים קרובות, אך מבוססת על הסיבות הלא נכונות. אזהרתו של ג'וזף וייזנבאום מפני האנתרופומורפיזציה של מחשבים הייתה נבואית, אך מסקנתו לפיה אין לפתח בינה מלאכותית התבררה כשגויה. הספקנות כלפי 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 כלפי הטכנולוגיה עצמה, אלא כלפי 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 בעת הערכת הטכנולוגיות המתפתחות של ימינו - ממחשוב קוונטי ועד להנדסה גנטית ואנרגיית היתוך.

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

ייתכן שהלקח הגדול ביותר, עם זאת, הוא זה: קידמה טכנולוגית אינה טובה מטבעה וגם לא רעה מטבעה. 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.

☑️ שפת העסקים שלנו היא אנגלית או גרמנית

☑️ חדש: התכתבות בשפת האם שלך!

 

אני והצוות שלי שמחים לעמוד לרשותכם כיועצים האישיים שלכם.

ניתן ליצור איתי קשר על ידי מילוי טופס יצירת הקשר כאן wolfenstein@xpert.digital:או פשוט להתקשר אליי למספר 49 7348 4088 965+. כתובת הדוא"ל שלי היא

אני מצפה בקוצר רוח לפרויקט המשותף שלנו.

 

 

☑️ תמיכה לעסקים קטנים ובינוניים באסטרטגיה, ייעוץ, תכנון ויישום

☑️ יצירה או התאמה מחדש של האסטרטגיה הדיגיטלית והדיגיטציה

☑️ הרחבה ואופטימיזציה של תהליכי מכירה בינלאומיים

☑️ פלטפורמות מסחר B2B גלובליות ודיגיטליות

☑️ פיתוח עסקי חלוצי / שיווק / יחסי ציבור / ירידי סחר

ל-Xpert.Digital ידע מעמיק במגוון תעשיות. זה מאפשר לנו לפתח אסטרטגיות מותאמות אישית, המותאמות בדיוק לדרישות ולאתגרים של פלח השוק הספציפי שלכם. על ידי ניתוח מתמיד של מגמות שוק וניטור התפתחויות בתעשייה, אנו יכולים לפעול באופן פרואקטיבי ולהציע פתרונות חדשניים. השילוב של ניסיון ומומחיות מייצר ערך מוסף ומספק ללקוחותינו יתרון תחרותי מכריע.

מידע נוסף כאן:

• תיהנו מ-5 תחומי המומחיות של Xpert.Digital בחבילה אחת – החל מ-500 אירו לחודש בלבד