שלום,
נראה שכבר הכרתם את אאוריקה. בטח כבר גיליתם כאן דברים מדהימים, אולי כבר שאלתם שאלות וקיבלתם תשובות טובות.
נשמח לראות משהו מכם בספר האורחים שלנו: איזו מילה טובה, חוות דעת, עצה חכמה לשיפור או כל מה שיש לכם לספר לנו על אאוריקה, כפי שאתם חווים אותה.
»
«
מה ההבדל בין למידת מכונה ללמידה עמוקה?
הלמידה העמוקה (Deep Learning) היא טכנולוגיה שמאפשרת למערכות מחשב לחקות את פעולת המוח האנושי ולבצע למידה עצמית, תוך שיפור מתמיד המאפשר למערכת להיות חכמה יותר ויותר כל הזמן.
אבל מה ההבדל בין למידה עמוקה ללמידת מכונה?
אז ראשית, מבחינת מיון - דיפ לרנינג, בעברית למידה עמוקה, הוא תת-תחום של למידת מכונה.
אבל בעוד שב"למידת מכונה" (Machine Learning) קלאסית הלימוד הוא מתוך דאטה שתויג ואורגן מראש לשם כך, על ידי מי שמאמן את המכונה, בעזרת מה שנקרא "דאטה מתויג" (Labeled data), "למידה עמוקה" (Deep Learning) לומדת בעצמה - עם דאטה כמותי, כלומר מידע רב ולא מאורגן. למשל המוני דוגמאות לא מזוהות או מסודרות דווקא הניתנות לתוכנת הלמידה העמוקה והיא מייצרת את הסיווג וה"הבנה" של הדפוסים והסדר, שמאפשרים לה בהדרגה "להבין" את הדאטה הזה ולהפוך אותו לתובנות וידע, שגם הולך ומשתפר כל הזמן, כמו ילד שכל הזמן לומד דברים חדשים ורוכש תובנות טובות יותר על המציאות והחוקים ששוררים בה.
אם למידת מכונה זו למידת בית ספר, ממישהו שמלמד אותך ומתרגל אותך בלמידה, למידה עמוקה היא הלימוד אחרי שעת הלימודים - בשכונה, מתוך התבוננות, סקרנות ועיבוד נתונים עצמי.
משום כך, ככל שמערכת למידה עמוקה פועלת וככל שהיא בשימוש - היא משתפרת, יודעת יותר ויכולה לבצע משימות מורכבות יותר ובהצלחה הולכת וגדלה.
אז ההבדל בין למידה עמוקה ללמידת מכונה הוא בסיסי. בלמידת מכונה, כדי ללמוד ולהשתפר המערכת הממוחשבת צריכה מומחה אנושי, שיאתר תכונות מסוימות שעל פיהן הוא מאמן את המכונה או התוכנה.
בלמידה עמוקה, לעומת זאת, לא נדרשים בהכרח מי שיבצעו את האימון והארגון, התיוג והסידור של המידע בכדי שהמכונה תלמד. פשוט מזינים אליה המוני מקרים, למשל תמונות לזיהוי או מידע לניתוח, ונותנים לתוכנה לאתר בהם מאפיינים, הבדלים, דפוסים וכדומה. כך היא תזהה בעתיד דברים בתמונות או המלצות לשימוש במידע וכדומה. כך היא תלמד את עצמה כל הזמן ותהפוך יותר ויותר חכמה.
זה אולי גם קצת דומה לשני טיפוסי מורים. יש את המורים שמתעקשים להגיש לתלמידים את הידע "בכפית" ולהראות להם על מה להביט בלמידה, בעוד אחרים, נקרא להם "המלמדים העמוקים", נותנים לתלמידים לאתר את ההבדלים, להעלות השערות לגבי דפוסי מידע וחלוקה, להסיק מסקנות וכדומה.
אז כך, ממש כמו התלמידים אצל "המורה העמוק", תוכנת הלמידה העמוקה מקבלת בלמידה כזו המון "הזדמנויות" ללמוד בעצמה ולהתבגר. זאת במקום האימון על ידי אדם, שמתבטא בהוראות ואימון הממחישים לתוכנה מה לחפש בדאטה, כדי להבחין בין המקרים.
זו, אגב, גם הביקורת של המדענים על השיטה הזו. הם גורסים שלא נדרש עוד ממדענים להבין בעיה כדי לפתור אותה, מה שמביא לרדידות ולפתרון בעיות בניסוי וטעייה טכנולוגיים, במקום באמצעות תיאוריות מעמיקות ובחינתן באופן מדעי.
הנה הסבר פשוט של הלמידה העמוקה:
https://youtu.be/6M5VXKLf4D4
למידה עמוקה מחייבת יותר זמן, יותר דאטה ויותר כוח מחשוב מלמידת מכונה:
https://youtu.be/-SgkLEuhfbg
כך הולך ומתפתח עץ ההחלטות המשתפר של מערכת הלמידה העמוקה:
http://youtu.be/nSg4HKHdDs4
שיעור וידאו קצר על שיטות הלמידה השונות (עברית):
https://youtu.be/Bqdn6e-nH18?long=yes
והרצאה אקדמית על למידה עמוקה (עברית):
https://youtu.be/z-aezi4W90o?long=yes
מהי למידה עמוקה?
הלמידה העמוקה (Deep Learning) היא תחום מחקר בעולם המחשבים וספציפית בתחום "למידת המכונה" שמניח שהמחשב יכול ללמוד וללמד את עצמו, ממש כמו המוח האנושי. מטרתו הברורה של התחום הזה היא ליצור חיקוי ממוחשב של פעולת המוח האנושי.
בין שנות ה-70 לאמצע שנות ה-2000, רווחה אכזבה מאד גדולה מהביצועים של תחום הבינה המלאכותית. התחום, שהבטיח מהפכה של ממש בעולם המחשוב ו"לא סיפק את הסחורה", אכזב במידה רבה והמחקר שלו נכנס לתקופה שכונתה אז "החורף של הבינה המלאכותית".
אבל בשלב מסוים, בשנות האלפיים ואחרי שנים רבות של האכזבה, הפציעה האינטליגנציה המלאכותית מחדש, כשהפעם היא החלה לממש סוף כל סוף את ההבטחה מימי התום שלה. מחשבים מהירים פי מיליון, כמויות מידע עצומות שהחל להציע האינטרנט ושנאגרו על כונני ענק זולים ונגישים - כל אלה הבשילו ביחד עם הבשלה של טכנולוגיה חזקה ומעשית מאי-פעם - "הלמידה העמוקה". הרעיון בה, בפשטות, הוא לפתח "מוח ממוחשב", על בסיס המוח האנושי, תחת הרעיון שהמוח הוא סדרת רכיבים , שלכל אחד מהם תפקיד עצמאי והם מחוברים ביניהם.
ה"הלמידה העמוקה" היא תת-תחום בתוך תחום "למידת המכונה", שגם הוא עצמו, כמו שאומרים מקצועני תחום "למידת המכונה" (ML), מהווה תת-תחום מרכזי בעולם האינטליגנציה המלאכותית.
המיוחד במערכות "למידה עמוקה" הוא היכולת שלהן ללמוד ולהשתפר כל הזמן ולעשות את הלמידה והשיפור המתמיד לגמרי בעצמן. מפתחי מערכות כאלה בונים בשבילה מעין "רשת סמנטית". זו מערכת שמחקה את המערכת הנוירונים שבמוח האנושי וכאמור פועלת ולומדת כמוהו - ככל שהיא פועלת וככל שמשתמשים בה - היא משתפרת ו"יודעת" יותר.
מדובר בתחום חדש יחסית בעולם של חקר המערכות הלומדות, או "למידת המכונה". הוא נקרא גם "הלמידה החישובית" (Machine Learning) והרעיון החדשני בו היה שב"למידה עמוקה" המכונה לומדת בעצמה, מבלי שיאמנו אותה כמו שעושים בלמידה מכונה רגילה.
לטווח רחוק מטרת התחום היא פיתוח של מחשב שיוכל להחליף את החשיבה האנושית. מערכת כזו תהיה מסוגלת לזהות תבניות ודפוסים בדיבור, תמונות, צלילים ועוד סוגי מידע, שהמערכות הממוחשבות התקשו, עד לא מזמן, לעבד ולטפל בהם.
חשיבה עמוקה היא רק בתחילתה, אבל חוקרים נעזרו בה כבר לזיהוי מולקולות שייקשרו למטרות בגוף טוב יותר ומסתייעים בממצאים לפיתוח תרופות חדשות. מחשב או תוכנה שמצוידים ב"חשיבה עמוקה" מבינים כבר היום שפה אנושית במנועי חיפוש, בחיפוש קולי ובעוזרים דיגיטליים כמו "סירי" של חברת אפל ו"קורטנה" של מיקרוסופט. בעתיד יסיקו מערכות כאלה גם מסקנות ויקבלו החלטות בכוחות עצמן.
העתיד מבטיח מפיתוחים אלה מערכות רפואיות שמטפלות בחולים, אנליסטים ומומחים ממוחשבים לניהול כספים ומסחר במניות ועד למערכות ראיה ממוחשבת, שיוכלו לזהות עצמים במרחב ולסווג אותם, ללא צורך בהתערבות אנושית.
באמצעות חיקוי היכולת האנושית ללמוד, מצליחות מערכות למידה עמוקה גם ליצור ציורים, מוסיקה, סרטונים וטקסטים,להמליץ ללקוחות על רכישות, לייצר קריינות מלאכותית, לזהות עצמים ופנים מדויקות בתמונות וסרטונים, לאבחן מחלות, להפיק רווחים ממניות, להלביש פנים של מפורסמים על סרטי וידאו ועוד שלל יישומים.
המלצה:
======
קראו באאוריקה בתגית "Google Brain", על אחד מפרויקטי הבינה המלאכותית הגדולים ביותר אי פעם.
הנה טכנולוגיית הלמידה העמוקה והעתיד שהיא מסמנת, כולל הסכנות האפשריות:
http://youtu.be/IoP9akd44wk
כך עובדים על פיתוח המוח העמוק:
http://youtu.be/zLp-edwiGUU
הדגמה ויזואלית של עץ ההחלטות הגדל ומתפתח של מערכת חכמה:
http://youtu.be/nSg4HKHdDs4
מהי למידת מכונה או למידה חישובית? ומהם מדעני הדאטה?
למידת מכונה (Machine Learning), או למידה חישובית, היא היכולת של מערכת מחשב ללמוד ולהשתפר על ידי התבוננות ופעילות עצמאית שלה עם מידע.
זוהי לא בדיוק טכנולוגיה או כלי ספציפי, אלא תחום מחקרי מדעי, המשלב מרכיבים מעולמות הסטטיסטיקה ומדעי המחשב. באמצעותם מאפשרת למידת המכונה זיהוי אוטומטי של דפוסים מרתקים בכמויות נתונים גדולות.
#אבל איך מכונה לומדת?
ובכן, בואו נדמיין לרגע מצב דמיוני. דמיינו מיליוני תלמידים מטומטמים, שלומדים אצל מורה לא מוכשר במיוחד. כל פעם המורה הזה מראה להם משהו שהוא רוצה שיידעו (מראה להם למשל שתי תמונות ואומר מה מופיע בכל אחת) ואז בוחן אותם. חוץ מלתת ציון לתשובות שלהם, הוא תמיד מעיף מהכיתה שלו את אלו שלא זיהו ומשכפל את אלה שכן. אז מראה המורה עוד משהו ובוחן ושוב מעיף... הוא עושה את זה מיליוני פעמים... כן, דמיינו שהוא חוזר על התהליך הזה עם מיליוני תלמידים, שוב ושוב... קוראים לזה, אגב, "אִיטֵרַצְיות", פעולות שחוזרות על עצמן שוב ושוב במהלך פתרון של בעיה.
כך, בהדרגה ובאופן שלא תמיד מובן לנו, המכונות, סליחה - התלמידים המטומטמים, הולכים ומשתפרים. הם לומדים!
אז לאור הסיפור הזה, איך עושה זאת המחשב?
בצורה דומה אבל טכנולוגית, ככל שמחשב לומד מצויד ביותר נתונים והתנסויות, הוא נעשה חכם יותר. המידע שהוא מעבד מסייע לו לשפר כל הזמן ולגמרי בעצמו, את המודל החישובי שלו.
אנשי הלמידה החישובית מפתחים אלגוריתמים ודרכים שמאפשרים למחשב ללמוד בעצמו ולשפר את יכולותיו.
אם נסכם לרגע, אנשי למידת המכונה יוצרים מכונה המלמדת את עצמה התנהגויות ותובנות, על סמך מפגשים עם מצבים שונים וסיטואציות שמהם ניתן ללמוד ולהסיק מסקנות. המכונה הזו מתנהגת כמו בן-אנוש, שלומד ללא הפסקה, מהתנסויות וטעויות, אבל בהיקפים מטורפים ועם המון דאטה.
על ביג דאטה שמעתם? התחום הזה של מכונה לומדת הוא בדיוק הסיבה שענקי האינטרנט אוספים עלינו מידע בכמויות ענק. בעזרתן הם משפרים את האלגוריתמים והמכונות הלומדות שלהם ויוצרים להן ידע המשתבח והולך.
בלמידת מכונה מצויד המחשב באינטליגנציה מלאכותית ולומד מתוך דוגמאות והתנסויות קודמות שלו ולא בזכות מתכנת אנושי שמזין את הידע למחשב. כלומר, בלמידה כזו מתרחשת הלמידה על ידי המחשב מתוך דוגמאות ומקרים שקרו לו.
האלגוריתם של המחשב ממש מחקה את הדרך שבה פועלת הרשת העצבית שבמוח האנושי. באופן מסוים, מחשבים חכמים כבר הגיעו מזמן לביצועים שמזכירים את הלמידה של תינוקות על ידי חיקוי הוריהם. באופן אחר, הם כל כך משתפרים שיש כבר רבים שמתחילים לחשוש מזה...
המדענים מזהים למידת מכונה, כאשר הביצועים של משימה במחשב הולכים ומשתפרים עם הניסיון. כלומר, בכל פעם שתוכנת המחשב מבצעת משימה, באופן יעיל מאשר ביצעה אותה בעבר. ככל שתוכנה משיגה תוצאות טובות יותר, מבלי שמתכנת אנושי השפיע על הקוד שלה, אז התרחשה למידה חישובית, או למידת מכונה.
#מה עושים בלמידת מכונה?
לא חסרות מערכות שאנחנו פוגשים בהן ביום יום שלנו ומשתמשות בלמידת מכונה. למשל המלצות תוכן כמו שמקבלים מספוטיפיי שמציע לנו שירים שאנחנו עשויים לאהוב או סרטים מומלצים בנטפליקס. זיהוי דואר זבל ואזהרה, לעומת מיילים רגילים בג'ימייל. מערכת זיהוי פנים או טביעת אצבע בכניסה לטלפון, מערכות למניעת הונאה בכרטיסי אשראי ועוד.
מהי למידת מכונה (מתורגם):
https://youtu.be/f_uwKZIAeM0
איך מכונות לומדות? -הנה (מתורגם):
https://youtu.be/R9OHn5ZF4Uo
מאיפה מגיע המידע הנחוץ לאימון המכונה ומה חשוב באיסופו (מתורגם):
https://youtu.be/x2mRoFNm22g
המקור ההיסטורי של משין לרנינג ודרך פעולתה:
https://youtu.be/HBDp183HEic
עוד הסבר על למידת המכונה:
https://youtu.be/mJeNghZXtMo
אחד האתגרים בלמידת מכינה הוא ליצור למידה שאינה מוטית לכיוונים חברתיים ספציפיים:
https://youtu.be/59bMh59JQDo
הסבר קצר על הלמידה החישובית:
https://youtu.be/ty-kTUzMnjk
מחשב לומד שמתבונן בשחקנים המשחקים במשחקי מחשב ולומד לשחק ברמה מקצועית שיכולה להביס את הטובים שבהם:
https://youtu.be/EfGD2qveGdQ
תוכנה לומדת שמשחקת ומשתפרת כל הזמן במשחק מחשב:
https://youtu.be/qv6UVOQ0F44
רוצים לאמן מכונה ואפילו בלי תכנות? - הנה פעילות נחמדה וחכמה:
https://youtu.be/i9tjzr1KME0
מה גורלה של הפרטיות בעולמנו?
הנוחות שלנו בעולם המודרני של המאה ה-21 הולכת וגדלה. אך תמורתה אנו משלמים בצמצום ובעתיד אולי אף באובדן הפרטיות (Privacy) שלנו.
פרטיות היא, בפשטות, הסודות שלנו, הדברים שלא היינו רוצים לשתף בהם את העולם שמסביבנו, את הממשלה שרוצה שליטה בנו ובכל אזרחיה, את החברות המסחריות שמקיפות אותנו ורוצות למכור לנו בכל מחיר ועוד.
יש פרדוקס שנקרא "פרדוקס הפרטיות". כולנו אומרים שהפרטיות שלנו חשובה מאוד ומצד שני משתמשים באתרים, תוכנות ואפליקציות שברור לנו שמפרים את הפרטיות שלנו לחלוטין. כמות המידע שאפליקציות כמו פייסבוק או טינדר אוספת על המשתמשים שלה היא בלתי נתפסת. משתמשת מצרפת שדרשה מטינדר את כל המידע שנאסף עליה קיבלה 800 עמודים של פרטים עליה, שהיו חודרניים מאוד וחלקם אף מביכים בטירוף.
שיתוף המידע שלנו על ההעדפות שלנו, הבחירות שאנו בוחרים, משאלותינו, ההרגלים שלנו ומיקומנו - יש לו מחיר. אלה לא רק מצלמות אבטחה שמתעדות בכל מקום את צעדינו. גם לא תוכנות מעקב שיכולות לגנוב את המידע שלנו מהמחשב ואת הסיסמאות שלנו לחשבון הבנק ולכל שירות אחר שעליו אנו מנויים. זה המידע שאנחנו אפילו לא יודעים שיודעים עלינו.
חשבו על זה רגע... אנו חושפים היום באינטרנט כל כך הרבה מידע על עצמנו שרוב המומחים סבורים שהרשת החברתית שבה אנו פועלים, יודעת עלינו יותר משאנו יודעים על עצמנו. האיסוף האובססיבי של מידע עלינו מאפשר לענקיות האינטרנט והרשתות החברתיות לאסוף כמות עצומה של מידע שמאמן את המכונות הלומדות שלהם והופך את השירותים שלהם לחכמים, אבל מה שיותר חשוב - למכניסים יותר. למעשה למכניסים הרבה יותר!
מתוך הפוסטים בפייסבוק והתמונות באינסטרגם, מהטוויטים בטוויטר והחיפושים בגוגל וביוטיוב - מכמויות הנתונים העצומות שמצטברות עלינו והידע הרב שנאגר עלינו שם ובעוד המוני אתרים, מיכולותיהם של האלגוריתמים של הרשתות החברתיות, אתרי הווידאו הגדולים ומנועי החיפוש המודרניים - מכל אלה מצטבר עלינו ידע עצום ופולשני להחריד, שמעשיר את מפלצות הטכנולוגיה ונותן להן גישה להשפעות חברתיות חסרות תקדים. נאמר זאת בפשטות - האלגוריתם יודע לזהות עלינו דברים שאנו כלל לא מודעים אליהם ולא יודעים על עצמנו!
דמיינו, רק דמיינו לרגע, שמגיע היטלר מודרני טכנולוגי או שיש לו גבלס טכנולוגי, שעוזר לו להשתלט על גוגל, פייסבוק ואמזון, או אפילו רק על אחת או שתיים מהן. דמיינו שהוא מניע את כל אותם אלה שמאופיינים בתכונות הנכונות לו ומקבל את קולם בבחירות ורגע אחרי שהוא נבחר, הוא לוחץ על כפתור שמפוצץ את הרעים בעיניו והעולם שוב במלחמה, אבל הפעם גרעינית... זה רק תסריט אחד ודי מטומטם, אבל היי, הייתם מאמינים שלפני מאה שנים עשו את זה צייר מתוסכל ודוקטור לתיאטרון באמצעות כמה סרטים עם חולדות?
כי כשכולם חשופים למידע כזה עלינו, יהיה קשה לנו לשמור על הפרטיות. זו לא רק הפלישה לראשנו שמטרידה. יש לזה גם מחיר כלכלי מיידי. בכך שחברות חזקות ובעלות כוח זוכות למידע על הרגלי הקניה, תחומי העניין והמשאלות הכי כמוסות ופרטיות שלנו, אנו הופכים למכרה זהב בעבורן. זאת מכיוון שהן יכולות להגדיל את השיווק המותאם לנו אישית ולגרום לנו לצריכה גדלה והולכת, שיש לה מחיר כלכלי גדול.
תחום שהולך ומתחזק בשל החשש מאבדן הפרטיות הוא זה של מדיה חברתית זמנית. למי שלא מעוניינים שהמידע שלהם יישאר זמין ברשת לנצח, יש היום תוכנות ואפליקציות שמדמות את המדיה החברתית ותוכנות המסרים המידיים ומאפשרות קיום של שיחות יומיומיות, אך מבטיחות שהמידע הזה לא מתועד ולא נשמר לעתיד. בתחום התמונות, יישומים כמו Snapchat ו-Poke מאפשרים לשתף תמונות שנעלמות אחרי שניות אחדות. באמצעות השימוש בכלים כאלו, מקווים מי שחרדים לפרטיותם שיוכלו לנהוג בעתיד בספונטניות ובכנות, מבלי לחשוש שדברים תמימים שאמרו, עשו, חיפשו או חשו, ירדפו אותם בעתיד.
עוד כלי חזק למי שדואגים לפרטיות שלהם הם דפדפנים שלא מכילים כלי מעקב ואגירת נתונים על הגולשים. דפדפנים אלו מפותחים על ידי אנשים בעלי מודעות חברתית, המעוניינים לאפשר לציבור להשתמש באינטרנט בתבונה. כך למשל, יש מנועי חיפוש שמשתמשים בקוד הפתוח של מנוע החיפוש של "גוגל" ומתנהגים ממש כמוהו, אבל מתחייבים שדבר לא נשמר בהם על החיפושים שלכם, לאחר השימוש.
הרשת יודעת עלינו הכל ומבלי משים אנו מסגירים לידיה את סודותינו הכמוסים ביותר (עברית):
https://youtu.be/PoR6o5eHPw4
הנה נושא הפרטיות:
https://youtu.be/hsnr_4ccceY
יש המדמים את הפרטיות שלנו כיום לרחצה במקלחת, בעירום, במקום ציבורי:
https://youtu.be/0L0geYTJBOM
יש לזה היבטים משמעותיים שדורשים שינוי חקיקה (עברית):
https://youtu.be/EA0DqwTc3HQ
מה שמדהים הוא שאנו עושים הכל כדי לחשוף את עצמנו לגמרי (עברית):
https://youtu.be/yC_ILdL_vpQ
ראו כמה קל לעקוב אחרינו (עברית):
https://youtu.be/ym6bZzjhzDE?t=15m27s&end=22m17s
אבל יש רובד של פרטיות ברשת, שעליו חשוב ואפשר לשמור עליו כבר מהתחלה (עברית):
https://youtu.be/ICb61rr68sk
ובכל זאת - הבה נחייך (עברית):
https://youtu.be/5c-_mRCiaFg
מהן רשתות סמנטיות?
רשתות סמנטיות (Semantic networks) הן שיטה להכנת מפות מידע, שבה מסומנים ומוגדרים הקשרים בין המושגים השונים. רשת סמנטית מיועדת למיפוי לפי משמעות ועל פי הקשרים בין מרכיבים שונים בה (מיפוי סמנטי). שימוש ברשת מושגית מתקדמת שכזו יכול לסייע בתהליכי חשיבה, סיעור מוחין וקבלת החלטות.
המידע ברשת סמנטית מאורגן לפי מושגים שמיוצגים במילה או במשפט ומקושרים למושג מרכזי. נכנה את המושגים "צמתים". בין כל צומת לאחרות יש קשרים, שהם בעצם קשרים אל המושגים הקרובים אליה משמעותית. רשת כזו ניתן לבנות לדוגמה סביב המושג המרכזי "אריה". קשרים יחברו בינו לבין מושגים קרובים כמו: טורפים, יונקים, חתולים גדולים, חיות פרא, אוכל בשר, אפריקה וכדומה. לכל קשר יהיה את התפקיד והמשמעות שלו וצבעים שונים יכולים לבטא את סוג הקשר בין מושגים.
שרטוט רשתות סמנטיות מאפשר תהליך למידה. זה קורה בשילוב שאנו עושים בין הדברים הידועים לנו בטרם הלמידה, לבין הדברים שנלמד תוך כדי השילוב של ידע חדש ברשת הסמנטית. קשרים שלא נדע להסביר את טיבם ומושגים ללא קשרים ביניהם יצביעו על מה שדורש למידה נוספת ומעמיקה יותר. בהנחה שחקר ולמידה כאלו אכן יבוצעו ויקרו, ההבנה של המושגים והקשרים שביניהם היא הלמידה.
בשנים האחרונות הפך נושא הרשת הסמנטית לתחום חם גם בעולם הטכנולוגיה. זאת לאחר שהסתבר שרשת כזו יכולה להוות בסיס למערכות בינה מלאכותית ולשיפור רשת האינטנרט ומנועי החיפוש. המחקר המדעי בעולם עוסק לא מעט במיפוי סמנטי לצורכי המיחשוב ובמקביל התפתח חזון הווב הסמנטי, שמציג רשת עתידית, מבוססת משמעות ובעלת יכולות רבות לשיפור האינטרנט (קראו עליה באאוריקה בתגית "ווב סמנטי").
משימת התנסות
===========
הכינו רשת סמנטית על המושג "מחשב", בכתיבת המושג, המושגים הקרובים והמושגים שנובעים מהם ויצירת הקשרים ביניהם על גבי נייר.
הנה הרשת הסמנטית:
https://youtu.be/3wMfKTkYemY
מהי מערכת הלמידה העמוקה של גוגל?
למידת מכונה היא תחום שנחקר כבר עשרות שנים. בשנים האחרונות הוא הולך ומתפתח לכיוון של למידה עמוקה. מערכת הלמידה העמוקה הגדולה והמתקדמת בעולם כיום היא ה-Google Brain. זהו אחד מפרויקטי הבינה המלאכותית הגדולים בעולם. הפרויקט מנסה לפתח מוח ממוחשב מ-16,000 ליבות מחשבים ותוכנת מחשב שלומדת מתוך דוגמאות ומסיקה מסקנות בעצמה, תוך כדי התמודדות עם בעיות מורכבות במיוחד. משאבי המחשב שמוקדשים לפיתוח זה הם עצומים וכך גם התקציבים שחברת הענק משקיעה במחקר והפיתוח, כולל גיוס האנשים המתקדמים בעולם בתחום זה ושל המדען והעתידן הגאון ריי קורצווייל, שהסכים לעמוד בראש הפרויקט.
אבל למה גוגל צריכה מערכת למידה עמוקה? - היות ופיתוח של רשתות מחשב מבוססות נוירונים עולה המון כסף, חברת גוגל בעלת המיליארדים היא מהיחידות בעולם שיכולות להקצות משאבים לנושא. לרשת שמאפשרת את הלמידה של המחשב העמוק מוקצים עוד ועוד מחשבים. רק כך ניתן לדמות את אופן הפעולה של המוח האנושי.
וזה עוד כלום. ברצונם להגיע למאה טריליון קישורים בין נוירונים במחשב העל של גוגל, מגייסת החברה את מיטב חידושי הטכנולוגיה שיוצאים לשוק, כולל מעבדים מקביליים ומהירים ביותר, כרטיסי מסך גרפיים המכונים "GPU" ושפותחו עבור תעשיית המשחקים, ועד רכיבי מחשוב קוונטי. גוגל כה רצינית בשאיפות שלה בתחום זה, שהיא רוכשת חברות קטנות שעוסקות בתחום וכך קונה הן את הטכנולוגיות והידע שהן צברו והן את כוח האדם המעולה שלהן.
המלצה:
======
בתגית "למידה עמוקה" תוכלו לקרוא על עולם הבינה המלאכותית, המתבססת על רשת נוירונים כמו זו שבונה גוגל. שווה לקרוא גם בתגית "רשתות נוירונים".
הנה למידת המכונה:
https://youtu.be/59bMh59JQDo
כך מתבצעים פרויקטי הבינה המלאכותית הגדולים של גוגל ומתחרותיה:
https://youtu.be/gB_-LabED68
כך מסייעים מוחות טכנולוגיים עם למידה עמוקה לעולם להתקדם:
https://youtu.be/Dy0hJWltsyE
סרטון עם מתיחה שבה גוגל הולכים להחליף את המוח האנושי:
https://youtu.be/fV52J7_7gss
מהו ניסוי החתולים של גוגל?
כשרוצים ללגלג על יוטיוב והרשת, תמיד מדברים על סרטונים טפשיים של חתולים. אבל האמת היא שניתן לעשות באמצעותם לא מעט. בשנת 2012 הצליחה חברת גוגל להוכיח את היכולת של מערכת הלמידה העמוקה שלה באופן משמעותי. לאחר שהוכיחה שצפייה ב-10 מיליון תמונות מסרטוני יוטיוב, הביאה אותה ליכולת טובה פי שניים מניסיונות קודמים בזיהוי עצמים כמו חתולים בתמונות.
בכך הצליחה לראשונה תוכנה חכמה לחבר באופן לוגי בין תמונה למילה. היכולת לזהות באופן עצמאי את הקשר בין המידע הויזואלי למילה חתול הוא שלב מרשים בצעידה לכיוון של הבינה המלאכותית והלמידה העמוקה. במדעי המוח מזוהה שלב זה עם שלב דומה בלמידה של התינוק. בשלבי הלמידה הראשונים שלו הוא לומד לזהות עצמים עם מילים שלמד מהוריו.
הנה תיאור הניסוי של הלמידה העמוקה בגוגל לזהות חתולים בסרטונים:
https://youtu.be/TK4qLwTye_s
הומור סרקסטי על העובדה שהמוח של גוגל יהפוך בסוף לטיפש מעודף צפייה בסרטוני חתולים ברשת:
https://youtu.be/lWijWH8VnlA
והרצאת טד עם ראייה חכמה וההתקדמות המדהימה שלה (מתורגם):
https://youtu.be/40riCqvRoMs?long=yes
מהי בינה מלאכותית כללית או AGI?
בינה מלאכותית כללית (AGI), באנגלית Artificial General Intelligence, משמעותה בפשטות היא בינת-על. בינה מלאכותית שלא יודעת לעשות רק דבר אחד, או בתחום אחד, אלא כזו שיודעת לעשות הכל.
היא נקראת גם בינה מלאכותית חזקה, בניגוד לבינה מלאכותית צרה, חלשה, המיועדת ומתוכנתת למשימות ספציפיות, הבינה הכללית המלאכותית היא סופר-אינטליגנציה, שאינה מוגבלת בתחום או במיומנות ספציפית, אלא בינה מאוד חכמה, מבריקה, גאונה.
דמיינו AGI בתור הגאון של החברה, אדם חכם ונבון מאוד, או בעצם המון כאלו. היא תהיה מצוידת בכל החושים ויכולות הקוגניציה שיש לאדם, כולל שמיעה, ראייה, הבנה של הקשרים, יכולת לפענח התנהגות, חשיבה יצירתית וכדומה.
בקיצור, ה-AGI היא מאסטר מיינד גאוני, כלי ממוחשב שיהיה כה מבריק ומתוחכם, עד שיעקוף את האדם בבינה שלו ומן הסתם את האדם הכי חכם שאתם מכירים, או את כל הכי חכמים (אולי בעולם) יחדיו.
אם בעבר היה פיתוח AGI מושג מופשט ומטרת מחקר תיאורטית, בשנת 2020 העריכו בקבוצות בינה מתקדמות שייקח עוד 50 שנה עד שתגיע בינה מלאכותית ג'נרליסטית שכזו. ההערכה כיום, באפריל 2024, היא שבין 2026 ל-2027 תהיה הבינה המלאכותית הכללית בשוק.
לא יאומן? - התרגלתם. אנחנו חיים בעתיד...
כל חברות הטכנולוגיה הגדולות נמצאות בעיצומו של המרוץ לפיתוח בינת-על שכזו. מגוגל, אפל, אמזון ומטא ועד למלכת ה-AI הנוכחית, חברת OpenAI הצעירה, זו שהשיקה את מהפכת הבינה היוצרת והיצירתית (GenAI), פיתחה את דאלי ואת. הצ'ט בוט המצליח בעולם ChatGPT ושועטת עכשיו קדימה בפיתוח הבינה המלאכותית הכללית.
#מה בינה כללית תדע לעשות?
נזכיר שבינה מלאכותית הכללית, מעבר לתחכום שלה, מסוגלת לבצע מגוון משימות רחב, לפתור בעיות לפני שנוצרו ולמלא משימות מושלמות, מבלי שיתכנתו אותה ליכולת ספציפית כלשהי. היא פשוט תלמד כל יכולת כזו שתצטרך בעצמה ותדע לבצעה כאילו כל חייה היא עשתה זאת...
כבר עכשיו ברור שמערכת AGI סופר אינטליגנטית שכזו תתאפיין בתבונה כללית ויכולת להפעיל שיקול דעת, תוך קבלת החלטות מורכבות. לצד זה יהיו לה יכולות של הבנת שפה טבעית של בני אדם, ביחד עם למידה עצמאית של מידע חדש ובכך שיפור מתמיד של יכולותיה לתחומים ומיומנויות חדשות (ללא תכנות ספציפי), ביכולות של חשיבה מופשטת ויכולת להבין וליישם מושגים מופשטים, כולל במצבים חדשים.
לא פחות חשובה היא היכולת היצירתית החשובה כל כך של העברה בין תחומים, כלומר היכולת לנייד ולהעביר בין תחומי דעת שונים ידע, מיומנויות ויכולות שונות. כך, חברים, נולדים המצאות, פתרונות לבעיות והברקות הנדסיות, מדעיות וטכנולוגיות שונות.
סופר-אינטליגנציה שכזו תקבל בעתיד החלטות ביטחוניות שיילכו וישתבחו, ככל שהיא תלך ותשכלל את עצמה. היא תיקח על עצמה את האחריות על ניהול המערכת הפיננסית, מהאישית ומשפחתית ועד לרמת אוצר המדינה או הבנק הלאומי. היא תנהל מגוון מערכות שירותים ומערכות תשתית, טוב יותר מכל אדם, תמצא תרופות למגוון סוגי הסרטן ותפתור את בעיות האקלים. לא מן הנמנע שפרסי נובל יתרחבו למפתחי בינות-על, שיפצחו בעיות שהמין האנושי לא השכיל לפתור.
#סכנות בינת העל
השאלה העיקרית והמפחידה לא מעט אנשים היא מה יקרה אם או כשבינת העל הזו תחליט שאנו, בני האדם, מיותרים בעולם... זו הסיבה שעולם הטכנולוגיה מלא באזהרות של מומחים מקוגניציית-העל שלה.
כבר עתה ברור שתהיה חובה לייצר פיקוח ורישוי (רגולציה) וחוקים שיחייבו את החברות שיפתחו AGI לקחת אחריות מלאה לנזקים שבינתם עלולה לגרום. מה יהיה שבינות חכמות כל כך יקבלו החלטות שיסכנו ואף יקטלו בני אדם, או שיעדיפו בקבלת ההחלטות שלהן שיקולים שונים מטובת בני-אדם לפני הכל.
כשבידיה של אינטליגנציה עילית שכזו תהיה היכולת לשלוט ישירות בכל המערכות הטכנולוגיות שמקיפות אותנו, לא ניתן יהיה למנוע את ההחלטות שהיא עלולה לקבל, כמו גם את הביצוע שלהן.
לכן ברור שיהיו חייבים להינקט עיצומים מרתיעים וכבדים דיים, כך שימנעו מחברות הטכנולוגיה כניסה להרפתקאות בלתי אחראיות ומסוכנות לאנושות.
הנה ההשפעה הצפויה של הבינה המלאכותית הכללית על המין האנושי (מתורגם):
https://youtu.be/RzkD_rTEBYs
מהי הבינה המלאכותית הכללית?
https://youtu.be/kHFVZV-lj8g
הסבר מפורט לגבי הבינה המלאכותית הכללית:
https://youtu.be/LhLyOWoUnDI?long=yes
האם AGI פרק את צוות החברה המובילה את ה-AI כיום?
https://youtu.be/OphjEzHF5dY?long=yes
והיום כבר מדובר על ASI שתעבור בהרבה את הבינה האנושית:
https://youtu.be/C0RjMAWhvh8?long=yes
מהו המחשוב הקוגניטיבי?
יתכן ששאלתם את עצמכם פעם איך זה שהמחשבים המשוכללים והמהירים כל כך יכולים לבצע כיום משימות שלא ייאמנו, אבל לא מסוגלים לבצע דברים שאפילו תינוקות עושים בקלות.
מזיהוי אנשים ועד להבנת השפה המדוברת, דרך למידה מטעויות או הבנת ההקשר בשיחה, להסיק מסקנות ועוד, יש לא מעט דברים שבני אדם מקבלים כמובנים מאליהם ואף כפשוטים, בעוד המחשבים מתקשה בהם מאד.
בדיוק לשם כך נוצר תחום חשוב במדעי המחשב. מחשוב קוגניטיבי (cognitive computing) הוא תחום בתוכנה המדמה את החשיבה האנושית.
מדובר בתוכנות שאמורות להיות מסוגלות לבנות ולנתח ידע, לבצע תהליך ארוך ומשמעותי של למידה עצמית, להבין את המידע לעומקו, לנתח טקסטים בצורה תבונית ולתקשר עם בני אדם בדרך שמבינה מצבי רוח, הקשרים חברתיים ואישיים ועוד, בקיצור כל דבר מהמרכיבים הקטנים של השפה האנושית ועד לסתם ללמוד מהניסיון.
במחשוב הקוגניטיבי מנסים לשלב בין יכולות שונות, שחלקן בפיתוח כבר שנים רבות. למידת מכונה, כריית מידע, זיהוי עצמים ייחודיים בתמונות, עיבוד שפה טבעית או איתור של דפוסים ותבניות במידע גולמי - כל אלה ואחרות אמורות לאפשר יצירה של מחשב שיכול לחקות את הדרך בה המוח האנושי עובד ולהפיק תוצאות ברמה גבוהה במיוחד, לקבל החלטות חכמות ועוד.
אם זה מזכיר לכם תחומים כמו אינטליגנציה מלאכותית או למידת מכונה, זה לא מקרה. מדובר בתחומי מחקר קרובים ומשיקים בהרבה מובנים.
מטרת החוקרים והמהנדסים העוסקים בתחום המחשוב הקוגניטיבי להביא לכך שבעתיד יוכלו מחשבים לבצע משימות פשוטות עבור בני-אדם, כמו חשיבת מומחה והבנת השפה האנושית.
כמובן שבצד פעולות "אנושיות" אלה ישלבו המחשבים גם את יכולותיהם המסורתיות כמו עיבוד נתונים בכמויות עצומות, מה שמוכר מתחום הביג דאטה, על מנת להפוך ליועצים נבונים לאנשי מקצוע בתחומים שונים, מרפואה ועד מדע והייטק.
יישומים נוספים שמצפים לפתח בעזרת מחשבים קוגניטיביים הם מערכות תקשורת בשפה טבעית, "נהגים ממוחשבים" ברכבים אוטונומיים (מכונית ללא נהג), עיבוד סמנטי, מנועי חיפוש שלומדים ועוד.
הנה המחשוב הקוגניטיבי המודרני בחצי דקה:
https://youtu.be/1tsFTBqXDdI
מצגת וידאו שמראה מה מאפשרות מערכות מחשוב קוגניטיביות:
https://youtu.be/1mPO-rXcmaw
מומחים מחברת יבמ מסבירים על העתיד של המחשוב הקוגניטיבי:
https://youtu.be/xRamODPdU1U
עולם זיהוי העצמים הממוחשב (מתורגם):
https://youtu.be/Cgxsv1riJhI?long=yes
והאם אנו מתקרבים למחשבים עם תודעה:
https://youtu.be/JTOMNkZJRao?long=yes
הלמידה העמוקה (Deep Learning) היא טכנולוגיה שמאפשרת למערכות מחשב לחקות את פעולת המוח האנושי ולבצע למידה עצמית, תוך שיפור מתמיד המאפשר למערכת להיות חכמה יותר ויותר כל הזמן.
אבל מה ההבדל בין למידה עמוקה ללמידת מכונה?
אז ראשית, מבחינת מיון - דיפ לרנינג, בעברית למידה עמוקה, הוא תת-תחום של למידת מכונה.
אבל בעוד שב"למידת מכונה" (Machine Learning) קלאסית הלימוד הוא מתוך דאטה שתויג ואורגן מראש לשם כך, על ידי מי שמאמן את המכונה, בעזרת מה שנקרא "דאטה מתויג" (Labeled data), "למידה עמוקה" (Deep Learning) לומדת בעצמה - עם דאטה כמותי, כלומר מידע רב ולא מאורגן. למשל המוני דוגמאות לא מזוהות או מסודרות דווקא הניתנות לתוכנת הלמידה העמוקה והיא מייצרת את הסיווג וה"הבנה" של הדפוסים והסדר, שמאפשרים לה בהדרגה "להבין" את הדאטה הזה ולהפוך אותו לתובנות וידע, שגם הולך ומשתפר כל הזמן, כמו ילד שכל הזמן לומד דברים חדשים ורוכש תובנות טובות יותר על המציאות והחוקים ששוררים בה.
אם למידת מכונה זו למידת בית ספר, ממישהו שמלמד אותך ומתרגל אותך בלמידה, למידה עמוקה היא הלימוד אחרי שעת הלימודים - בשכונה, מתוך התבוננות, סקרנות ועיבוד נתונים עצמי.
משום כך, ככל שמערכת למידה עמוקה פועלת וככל שהיא בשימוש - היא משתפרת, יודעת יותר ויכולה לבצע משימות מורכבות יותר ובהצלחה הולכת וגדלה.
אז ההבדל בין למידה עמוקה ללמידת מכונה הוא בסיסי. בלמידת מכונה, כדי ללמוד ולהשתפר המערכת הממוחשבת צריכה מומחה אנושי, שיאתר תכונות מסוימות שעל פיהן הוא מאמן את המכונה או התוכנה.
בלמידה עמוקה, לעומת זאת, לא נדרשים בהכרח מי שיבצעו את האימון והארגון, התיוג והסידור של המידע בכדי שהמכונה תלמד. פשוט מזינים אליה המוני מקרים, למשל תמונות לזיהוי או מידע לניתוח, ונותנים לתוכנה לאתר בהם מאפיינים, הבדלים, דפוסים וכדומה. כך היא תזהה בעתיד דברים בתמונות או המלצות לשימוש במידע וכדומה. כך היא תלמד את עצמה כל הזמן ותהפוך יותר ויותר חכמה.
זה אולי גם קצת דומה לשני טיפוסי מורים. יש את המורים שמתעקשים להגיש לתלמידים את הידע "בכפית" ולהראות להם על מה להביט בלמידה, בעוד אחרים, נקרא להם "המלמדים העמוקים", נותנים לתלמידים לאתר את ההבדלים, להעלות השערות לגבי דפוסי מידע וחלוקה, להסיק מסקנות וכדומה.
אז כך, ממש כמו התלמידים אצל "המורה העמוק", תוכנת הלמידה העמוקה מקבלת בלמידה כזו המון "הזדמנויות" ללמוד בעצמה ולהתבגר. זאת במקום האימון על ידי אדם, שמתבטא בהוראות ואימון הממחישים לתוכנה מה לחפש בדאטה, כדי להבחין בין המקרים.
זו, אגב, גם הביקורת של המדענים על השיטה הזו. הם גורסים שלא נדרש עוד ממדענים להבין בעיה כדי לפתור אותה, מה שמביא לרדידות ולפתרון בעיות בניסוי וטעייה טכנולוגיים, במקום באמצעות תיאוריות מעמיקות ובחינתן באופן מדעי.
הנה הסבר פשוט של הלמידה העמוקה:
https://youtu.be/6M5VXKLf4D4
למידה עמוקה מחייבת יותר זמן, יותר דאטה ויותר כוח מחשוב מלמידת מכונה:
https://youtu.be/-SgkLEuhfbg
כך הולך ומתפתח עץ ההחלטות המשתפר של מערכת הלמידה העמוקה:
http://youtu.be/nSg4HKHdDs4
שיעור וידאו קצר על שיטות הלמידה השונות (עברית):
https://youtu.be/Bqdn6e-nH18?long=yes
והרצאה אקדמית על למידה עמוקה (עברית):
https://youtu.be/z-aezi4W90o?long=yes
הלמידה העמוקה (Deep Learning) היא תחום מחקר בעולם המחשבים וספציפית בתחום "למידת המכונה" שמניח שהמחשב יכול ללמוד וללמד את עצמו, ממש כמו המוח האנושי. מטרתו הברורה של התחום הזה היא ליצור חיקוי ממוחשב של פעולת המוח האנושי.
בין שנות ה-70 לאמצע שנות ה-2000, רווחה אכזבה מאד גדולה מהביצועים של תחום הבינה המלאכותית. התחום, שהבטיח מהפכה של ממש בעולם המחשוב ו"לא סיפק את הסחורה", אכזב במידה רבה והמחקר שלו נכנס לתקופה שכונתה אז "החורף של הבינה המלאכותית".
אבל בשלב מסוים, בשנות האלפיים ואחרי שנים רבות של האכזבה, הפציעה האינטליגנציה המלאכותית מחדש, כשהפעם היא החלה לממש סוף כל סוף את ההבטחה מימי התום שלה. מחשבים מהירים פי מיליון, כמויות מידע עצומות שהחל להציע האינטרנט ושנאגרו על כונני ענק זולים ונגישים - כל אלה הבשילו ביחד עם הבשלה של טכנולוגיה חזקה ומעשית מאי-פעם - "הלמידה העמוקה". הרעיון בה, בפשטות, הוא לפתח "מוח ממוחשב", על בסיס המוח האנושי, תחת הרעיון שהמוח הוא סדרת רכיבים , שלכל אחד מהם תפקיד עצמאי והם מחוברים ביניהם.
ה"הלמידה העמוקה" היא תת-תחום בתוך תחום "למידת המכונה", שגם הוא עצמו, כמו שאומרים מקצועני תחום "למידת המכונה" (ML), מהווה תת-תחום מרכזי בעולם האינטליגנציה המלאכותית.
המיוחד במערכות "למידה עמוקה" הוא היכולת שלהן ללמוד ולהשתפר כל הזמן ולעשות את הלמידה והשיפור המתמיד לגמרי בעצמן. מפתחי מערכות כאלה בונים בשבילה מעין "רשת סמנטית". זו מערכת שמחקה את המערכת הנוירונים שבמוח האנושי וכאמור פועלת ולומדת כמוהו - ככל שהיא פועלת וככל שמשתמשים בה - היא משתפרת ו"יודעת" יותר.
מדובר בתחום חדש יחסית בעולם של חקר המערכות הלומדות, או "למידת המכונה". הוא נקרא גם "הלמידה החישובית" (Machine Learning) והרעיון החדשני בו היה שב"למידה עמוקה" המכונה לומדת בעצמה, מבלי שיאמנו אותה כמו שעושים בלמידה מכונה רגילה.
לטווח רחוק מטרת התחום היא פיתוח של מחשב שיוכל להחליף את החשיבה האנושית. מערכת כזו תהיה מסוגלת לזהות תבניות ודפוסים בדיבור, תמונות, צלילים ועוד סוגי מידע, שהמערכות הממוחשבות התקשו, עד לא מזמן, לעבד ולטפל בהם.
חשיבה עמוקה היא רק בתחילתה, אבל חוקרים נעזרו בה כבר לזיהוי מולקולות שייקשרו למטרות בגוף טוב יותר ומסתייעים בממצאים לפיתוח תרופות חדשות. מחשב או תוכנה שמצוידים ב"חשיבה עמוקה" מבינים כבר היום שפה אנושית במנועי חיפוש, בחיפוש קולי ובעוזרים דיגיטליים כמו "סירי" של חברת אפל ו"קורטנה" של מיקרוסופט. בעתיד יסיקו מערכות כאלה גם מסקנות ויקבלו החלטות בכוחות עצמן.
העתיד מבטיח מפיתוחים אלה מערכות רפואיות שמטפלות בחולים, אנליסטים ומומחים ממוחשבים לניהול כספים ומסחר במניות ועד למערכות ראיה ממוחשבת, שיוכלו לזהות עצמים במרחב ולסווג אותם, ללא צורך בהתערבות אנושית.
באמצעות חיקוי היכולת האנושית ללמוד, מצליחות מערכות למידה עמוקה גם ליצור ציורים, מוסיקה, סרטונים וטקסטים,להמליץ ללקוחות על רכישות, לייצר קריינות מלאכותית, לזהות עצמים ופנים מדויקות בתמונות וסרטונים, לאבחן מחלות, להפיק רווחים ממניות, להלביש פנים של מפורסמים על סרטי וידאו ועוד שלל יישומים.
המלצה:
======
קראו באאוריקה בתגית "Google Brain", על אחד מפרויקטי הבינה המלאכותית הגדולים ביותר אי פעם.
הנה טכנולוגיית הלמידה העמוקה והעתיד שהיא מסמנת, כולל הסכנות האפשריות:
http://youtu.be/IoP9akd44wk
כך עובדים על פיתוח המוח העמוק:
http://youtu.be/zLp-edwiGUU
הדגמה ויזואלית של עץ ההחלטות הגדל ומתפתח של מערכת חכמה:
http://youtu.be/nSg4HKHdDs4
למידת מכונה (Machine Learning), או למידה חישובית, היא היכולת של מערכת מחשב ללמוד ולהשתפר על ידי התבוננות ופעילות עצמאית שלה עם מידע.
זוהי לא בדיוק טכנולוגיה או כלי ספציפי, אלא תחום מחקרי מדעי, המשלב מרכיבים מעולמות הסטטיסטיקה ומדעי המחשב. באמצעותם מאפשרת למידת המכונה זיהוי אוטומטי של דפוסים מרתקים בכמויות נתונים גדולות.
#אבל איך מכונה לומדת?
ובכן, בואו נדמיין לרגע מצב דמיוני. דמיינו מיליוני תלמידים מטומטמים, שלומדים אצל מורה לא מוכשר במיוחד. כל פעם המורה הזה מראה להם משהו שהוא רוצה שיידעו (מראה להם למשל שתי תמונות ואומר מה מופיע בכל אחת) ואז בוחן אותם. חוץ מלתת ציון לתשובות שלהם, הוא תמיד מעיף מהכיתה שלו את אלו שלא זיהו ומשכפל את אלה שכן. אז מראה המורה עוד משהו ובוחן ושוב מעיף... הוא עושה את זה מיליוני פעמים... כן, דמיינו שהוא חוזר על התהליך הזה עם מיליוני תלמידים, שוב ושוב... קוראים לזה, אגב, "אִיטֵרַצְיות", פעולות שחוזרות על עצמן שוב ושוב במהלך פתרון של בעיה.
כך, בהדרגה ובאופן שלא תמיד מובן לנו, המכונות, סליחה - התלמידים המטומטמים, הולכים ומשתפרים. הם לומדים!
אז לאור הסיפור הזה, איך עושה זאת המחשב?
בצורה דומה אבל טכנולוגית, ככל שמחשב לומד מצויד ביותר נתונים והתנסויות, הוא נעשה חכם יותר. המידע שהוא מעבד מסייע לו לשפר כל הזמן ולגמרי בעצמו, את המודל החישובי שלו.
אנשי הלמידה החישובית מפתחים אלגוריתמים ודרכים שמאפשרים למחשב ללמוד בעצמו ולשפר את יכולותיו.
אם נסכם לרגע, אנשי למידת המכונה יוצרים מכונה המלמדת את עצמה התנהגויות ותובנות, על סמך מפגשים עם מצבים שונים וסיטואציות שמהם ניתן ללמוד ולהסיק מסקנות. המכונה הזו מתנהגת כמו בן-אנוש, שלומד ללא הפסקה, מהתנסויות וטעויות, אבל בהיקפים מטורפים ועם המון דאטה.
על ביג דאטה שמעתם? התחום הזה של מכונה לומדת הוא בדיוק הסיבה שענקי האינטרנט אוספים עלינו מידע בכמויות ענק. בעזרתן הם משפרים את האלגוריתמים והמכונות הלומדות שלהם ויוצרים להן ידע המשתבח והולך.
בלמידת מכונה מצויד המחשב באינטליגנציה מלאכותית ולומד מתוך דוגמאות והתנסויות קודמות שלו ולא בזכות מתכנת אנושי שמזין את הידע למחשב. כלומר, בלמידה כזו מתרחשת הלמידה על ידי המחשב מתוך דוגמאות ומקרים שקרו לו.
האלגוריתם של המחשב ממש מחקה את הדרך שבה פועלת הרשת העצבית שבמוח האנושי. באופן מסוים, מחשבים חכמים כבר הגיעו מזמן לביצועים שמזכירים את הלמידה של תינוקות על ידי חיקוי הוריהם. באופן אחר, הם כל כך משתפרים שיש כבר רבים שמתחילים לחשוש מזה...
המדענים מזהים למידת מכונה, כאשר הביצועים של משימה במחשב הולכים ומשתפרים עם הניסיון. כלומר, בכל פעם שתוכנת המחשב מבצעת משימה, באופן יעיל מאשר ביצעה אותה בעבר. ככל שתוכנה משיגה תוצאות טובות יותר, מבלי שמתכנת אנושי השפיע על הקוד שלה, אז התרחשה למידה חישובית, או למידת מכונה.
#מה עושים בלמידת מכונה?
לא חסרות מערכות שאנחנו פוגשים בהן ביום יום שלנו ומשתמשות בלמידת מכונה. למשל המלצות תוכן כמו שמקבלים מספוטיפיי שמציע לנו שירים שאנחנו עשויים לאהוב או סרטים מומלצים בנטפליקס. זיהוי דואר זבל ואזהרה, לעומת מיילים רגילים בג'ימייל. מערכת זיהוי פנים או טביעת אצבע בכניסה לטלפון, מערכות למניעת הונאה בכרטיסי אשראי ועוד.
מהי למידת מכונה (מתורגם):
https://youtu.be/f_uwKZIAeM0
איך מכונות לומדות? -הנה (מתורגם):
https://youtu.be/R9OHn5ZF4Uo
מאיפה מגיע המידע הנחוץ לאימון המכונה ומה חשוב באיסופו (מתורגם):
https://youtu.be/x2mRoFNm22g
המקור ההיסטורי של משין לרנינג ודרך פעולתה:
https://youtu.be/HBDp183HEic
עוד הסבר על למידת המכונה:
https://youtu.be/mJeNghZXtMo
אחד האתגרים בלמידת מכינה הוא ליצור למידה שאינה מוטית לכיוונים חברתיים ספציפיים:
https://youtu.be/59bMh59JQDo
הסבר קצר על הלמידה החישובית:
https://youtu.be/ty-kTUzMnjk
מחשב לומד שמתבונן בשחקנים המשחקים במשחקי מחשב ולומד לשחק ברמה מקצועית שיכולה להביס את הטובים שבהם:
https://youtu.be/EfGD2qveGdQ
תוכנה לומדת שמשחקת ומשתפרת כל הזמן במשחק מחשב:
https://youtu.be/qv6UVOQ0F44
רוצים לאמן מכונה ואפילו בלי תכנות? - הנה פעילות נחמדה וחכמה:
https://youtu.be/i9tjzr1KME0
הנוחות שלנו בעולם המודרני של המאה ה-21 הולכת וגדלה. אך תמורתה אנו משלמים בצמצום ובעתיד אולי אף באובדן הפרטיות (Privacy) שלנו.
פרטיות היא, בפשטות, הסודות שלנו, הדברים שלא היינו רוצים לשתף בהם את העולם שמסביבנו, את הממשלה שרוצה שליטה בנו ובכל אזרחיה, את החברות המסחריות שמקיפות אותנו ורוצות למכור לנו בכל מחיר ועוד.
יש פרדוקס שנקרא "פרדוקס הפרטיות". כולנו אומרים שהפרטיות שלנו חשובה מאוד ומצד שני משתמשים באתרים, תוכנות ואפליקציות שברור לנו שמפרים את הפרטיות שלנו לחלוטין. כמות המידע שאפליקציות כמו פייסבוק או טינדר אוספת על המשתמשים שלה היא בלתי נתפסת. משתמשת מצרפת שדרשה מטינדר את כל המידע שנאסף עליה קיבלה 800 עמודים של פרטים עליה, שהיו חודרניים מאוד וחלקם אף מביכים בטירוף.
שיתוף המידע שלנו על ההעדפות שלנו, הבחירות שאנו בוחרים, משאלותינו, ההרגלים שלנו ומיקומנו - יש לו מחיר. אלה לא רק מצלמות אבטחה שמתעדות בכל מקום את צעדינו. גם לא תוכנות מעקב שיכולות לגנוב את המידע שלנו מהמחשב ואת הסיסמאות שלנו לחשבון הבנק ולכל שירות אחר שעליו אנו מנויים. זה המידע שאנחנו אפילו לא יודעים שיודעים עלינו.
חשבו על זה רגע... אנו חושפים היום באינטרנט כל כך הרבה מידע על עצמנו שרוב המומחים סבורים שהרשת החברתית שבה אנו פועלים, יודעת עלינו יותר משאנו יודעים על עצמנו. האיסוף האובססיבי של מידע עלינו מאפשר לענקיות האינטרנט והרשתות החברתיות לאסוף כמות עצומה של מידע שמאמן את המכונות הלומדות שלהם והופך את השירותים שלהם לחכמים, אבל מה שיותר חשוב - למכניסים יותר. למעשה למכניסים הרבה יותר!
מתוך הפוסטים בפייסבוק והתמונות באינסטרגם, מהטוויטים בטוויטר והחיפושים בגוגל וביוטיוב - מכמויות הנתונים העצומות שמצטברות עלינו והידע הרב שנאגר עלינו שם ובעוד המוני אתרים, מיכולותיהם של האלגוריתמים של הרשתות החברתיות, אתרי הווידאו הגדולים ומנועי החיפוש המודרניים - מכל אלה מצטבר עלינו ידע עצום ופולשני להחריד, שמעשיר את מפלצות הטכנולוגיה ונותן להן גישה להשפעות חברתיות חסרות תקדים. נאמר זאת בפשטות - האלגוריתם יודע לזהות עלינו דברים שאנו כלל לא מודעים אליהם ולא יודעים על עצמנו!
דמיינו, רק דמיינו לרגע, שמגיע היטלר מודרני טכנולוגי או שיש לו גבלס טכנולוגי, שעוזר לו להשתלט על גוגל, פייסבוק ואמזון, או אפילו רק על אחת או שתיים מהן. דמיינו שהוא מניע את כל אותם אלה שמאופיינים בתכונות הנכונות לו ומקבל את קולם בבחירות ורגע אחרי שהוא נבחר, הוא לוחץ על כפתור שמפוצץ את הרעים בעיניו והעולם שוב במלחמה, אבל הפעם גרעינית... זה רק תסריט אחד ודי מטומטם, אבל היי, הייתם מאמינים שלפני מאה שנים עשו את זה צייר מתוסכל ודוקטור לתיאטרון באמצעות כמה סרטים עם חולדות?
כי כשכולם חשופים למידע כזה עלינו, יהיה קשה לנו לשמור על הפרטיות. זו לא רק הפלישה לראשנו שמטרידה. יש לזה גם מחיר כלכלי מיידי. בכך שחברות חזקות ובעלות כוח זוכות למידע על הרגלי הקניה, תחומי העניין והמשאלות הכי כמוסות ופרטיות שלנו, אנו הופכים למכרה זהב בעבורן. זאת מכיוון שהן יכולות להגדיל את השיווק המותאם לנו אישית ולגרום לנו לצריכה גדלה והולכת, שיש לה מחיר כלכלי גדול.
תחום שהולך ומתחזק בשל החשש מאבדן הפרטיות הוא זה של מדיה חברתית זמנית. למי שלא מעוניינים שהמידע שלהם יישאר זמין ברשת לנצח, יש היום תוכנות ואפליקציות שמדמות את המדיה החברתית ותוכנות המסרים המידיים ומאפשרות קיום של שיחות יומיומיות, אך מבטיחות שהמידע הזה לא מתועד ולא נשמר לעתיד. בתחום התמונות, יישומים כמו Snapchat ו-Poke מאפשרים לשתף תמונות שנעלמות אחרי שניות אחדות. באמצעות השימוש בכלים כאלו, מקווים מי שחרדים לפרטיותם שיוכלו לנהוג בעתיד בספונטניות ובכנות, מבלי לחשוש שדברים תמימים שאמרו, עשו, חיפשו או חשו, ירדפו אותם בעתיד.
עוד כלי חזק למי שדואגים לפרטיות שלהם הם דפדפנים שלא מכילים כלי מעקב ואגירת נתונים על הגולשים. דפדפנים אלו מפותחים על ידי אנשים בעלי מודעות חברתית, המעוניינים לאפשר לציבור להשתמש באינטרנט בתבונה. כך למשל, יש מנועי חיפוש שמשתמשים בקוד הפתוח של מנוע החיפוש של "גוגל" ומתנהגים ממש כמוהו, אבל מתחייבים שדבר לא נשמר בהם על החיפושים שלכם, לאחר השימוש.
הרשת יודעת עלינו הכל ומבלי משים אנו מסגירים לידיה את סודותינו הכמוסים ביותר (עברית):
https://youtu.be/PoR6o5eHPw4
הנה נושא הפרטיות:
https://youtu.be/hsnr_4ccceY
יש המדמים את הפרטיות שלנו כיום לרחצה במקלחת, בעירום, במקום ציבורי:
https://youtu.be/0L0geYTJBOM
יש לזה היבטים משמעותיים שדורשים שינוי חקיקה (עברית):
https://youtu.be/EA0DqwTc3HQ
מה שמדהים הוא שאנו עושים הכל כדי לחשוף את עצמנו לגמרי (עברית):
https://youtu.be/yC_ILdL_vpQ
ראו כמה קל לעקוב אחרינו (עברית):
https://youtu.be/ym6bZzjhzDE?t=15m27s&end=22m17s
אבל יש רובד של פרטיות ברשת, שעליו חשוב ואפשר לשמור עליו כבר מהתחלה (עברית):
https://youtu.be/ICb61rr68sk
ובכל זאת - הבה נחייך (עברית):
https://youtu.be/5c-_mRCiaFg
מכונות לומדות
רשתות סמנטיות (Semantic networks) הן שיטה להכנת מפות מידע, שבה מסומנים ומוגדרים הקשרים בין המושגים השונים. רשת סמנטית מיועדת למיפוי לפי משמעות ועל פי הקשרים בין מרכיבים שונים בה (מיפוי סמנטי). שימוש ברשת מושגית מתקדמת שכזו יכול לסייע בתהליכי חשיבה, סיעור מוחין וקבלת החלטות.
המידע ברשת סמנטית מאורגן לפי מושגים שמיוצגים במילה או במשפט ומקושרים למושג מרכזי. נכנה את המושגים "צמתים". בין כל צומת לאחרות יש קשרים, שהם בעצם קשרים אל המושגים הקרובים אליה משמעותית. רשת כזו ניתן לבנות לדוגמה סביב המושג המרכזי "אריה". קשרים יחברו בינו לבין מושגים קרובים כמו: טורפים, יונקים, חתולים גדולים, חיות פרא, אוכל בשר, אפריקה וכדומה. לכל קשר יהיה את התפקיד והמשמעות שלו וצבעים שונים יכולים לבטא את סוג הקשר בין מושגים.
שרטוט רשתות סמנטיות מאפשר תהליך למידה. זה קורה בשילוב שאנו עושים בין הדברים הידועים לנו בטרם הלמידה, לבין הדברים שנלמד תוך כדי השילוב של ידע חדש ברשת הסמנטית. קשרים שלא נדע להסביר את טיבם ומושגים ללא קשרים ביניהם יצביעו על מה שדורש למידה נוספת ומעמיקה יותר. בהנחה שחקר ולמידה כאלו אכן יבוצעו ויקרו, ההבנה של המושגים והקשרים שביניהם היא הלמידה.
בשנים האחרונות הפך נושא הרשת הסמנטית לתחום חם גם בעולם הטכנולוגיה. זאת לאחר שהסתבר שרשת כזו יכולה להוות בסיס למערכות בינה מלאכותית ולשיפור רשת האינטנרט ומנועי החיפוש. המחקר המדעי בעולם עוסק לא מעט במיפוי סמנטי לצורכי המיחשוב ובמקביל התפתח חזון הווב הסמנטי, שמציג רשת עתידית, מבוססת משמעות ובעלת יכולות רבות לשיפור האינטרנט (קראו עליה באאוריקה בתגית "ווב סמנטי").
משימת התנסות
===========
הכינו רשת סמנטית על המושג "מחשב", בכתיבת המושג, המושגים הקרובים והמושגים שנובעים מהם ויצירת הקשרים ביניהם על גבי נייר.
הנה הרשת הסמנטית:
https://youtu.be/3wMfKTkYemY
למידת מכונה היא תחום שנחקר כבר עשרות שנים. בשנים האחרונות הוא הולך ומתפתח לכיוון של למידה עמוקה. מערכת הלמידה העמוקה הגדולה והמתקדמת בעולם כיום היא ה-Google Brain. זהו אחד מפרויקטי הבינה המלאכותית הגדולים בעולם. הפרויקט מנסה לפתח מוח ממוחשב מ-16,000 ליבות מחשבים ותוכנת מחשב שלומדת מתוך דוגמאות ומסיקה מסקנות בעצמה, תוך כדי התמודדות עם בעיות מורכבות במיוחד. משאבי המחשב שמוקדשים לפיתוח זה הם עצומים וכך גם התקציבים שחברת הענק משקיעה במחקר והפיתוח, כולל גיוס האנשים המתקדמים בעולם בתחום זה ושל המדען והעתידן הגאון ריי קורצווייל, שהסכים לעמוד בראש הפרויקט.
אבל למה גוגל צריכה מערכת למידה עמוקה? - היות ופיתוח של רשתות מחשב מבוססות נוירונים עולה המון כסף, חברת גוגל בעלת המיליארדים היא מהיחידות בעולם שיכולות להקצות משאבים לנושא. לרשת שמאפשרת את הלמידה של המחשב העמוק מוקצים עוד ועוד מחשבים. רק כך ניתן לדמות את אופן הפעולה של המוח האנושי.
וזה עוד כלום. ברצונם להגיע למאה טריליון קישורים בין נוירונים במחשב העל של גוגל, מגייסת החברה את מיטב חידושי הטכנולוגיה שיוצאים לשוק, כולל מעבדים מקביליים ומהירים ביותר, כרטיסי מסך גרפיים המכונים "GPU" ושפותחו עבור תעשיית המשחקים, ועד רכיבי מחשוב קוונטי. גוגל כה רצינית בשאיפות שלה בתחום זה, שהיא רוכשת חברות קטנות שעוסקות בתחום וכך קונה הן את הטכנולוגיות והידע שהן צברו והן את כוח האדם המעולה שלהן.
המלצה:
======
בתגית "למידה עמוקה" תוכלו לקרוא על עולם הבינה המלאכותית, המתבססת על רשת נוירונים כמו זו שבונה גוגל. שווה לקרוא גם בתגית "רשתות נוירונים".
הנה למידת המכונה:
https://youtu.be/59bMh59JQDo
כך מתבצעים פרויקטי הבינה המלאכותית הגדולים של גוגל ומתחרותיה:
https://youtu.be/gB_-LabED68
כך מסייעים מוחות טכנולוגיים עם למידה עמוקה לעולם להתקדם:
https://youtu.be/Dy0hJWltsyE
סרטון עם מתיחה שבה גוגל הולכים להחליף את המוח האנושי:
https://youtu.be/fV52J7_7gss
כשרוצים ללגלג על יוטיוב והרשת, תמיד מדברים על סרטונים טפשיים של חתולים. אבל האמת היא שניתן לעשות באמצעותם לא מעט. בשנת 2012 הצליחה חברת גוגל להוכיח את היכולת של מערכת הלמידה העמוקה שלה באופן משמעותי. לאחר שהוכיחה שצפייה ב-10 מיליון תמונות מסרטוני יוטיוב, הביאה אותה ליכולת טובה פי שניים מניסיונות קודמים בזיהוי עצמים כמו חתולים בתמונות.
בכך הצליחה לראשונה תוכנה חכמה לחבר באופן לוגי בין תמונה למילה. היכולת לזהות באופן עצמאי את הקשר בין המידע הויזואלי למילה חתול הוא שלב מרשים בצעידה לכיוון של הבינה המלאכותית והלמידה העמוקה. במדעי המוח מזוהה שלב זה עם שלב דומה בלמידה של התינוק. בשלבי הלמידה הראשונים שלו הוא לומד לזהות עצמים עם מילים שלמד מהוריו.
הנה תיאור הניסוי של הלמידה העמוקה בגוגל לזהות חתולים בסרטונים:
https://youtu.be/TK4qLwTye_s
הומור סרקסטי על העובדה שהמוח של גוגל יהפוך בסוף לטיפש מעודף צפייה בסרטוני חתולים ברשת:
https://youtu.be/lWijWH8VnlA
והרצאת טד עם ראייה חכמה וההתקדמות המדהימה שלה (מתורגם):
https://youtu.be/40riCqvRoMs?long=yes
בינה מלאכותית כללית (AGI), באנגלית Artificial General Intelligence, משמעותה בפשטות היא בינת-על. בינה מלאכותית שלא יודעת לעשות רק דבר אחד, או בתחום אחד, אלא כזו שיודעת לעשות הכל.
היא נקראת גם בינה מלאכותית חזקה, בניגוד לבינה מלאכותית צרה, חלשה, המיועדת ומתוכנתת למשימות ספציפיות, הבינה הכללית המלאכותית היא סופר-אינטליגנציה, שאינה מוגבלת בתחום או במיומנות ספציפית, אלא בינה מאוד חכמה, מבריקה, גאונה.
דמיינו AGI בתור הגאון של החברה, אדם חכם ונבון מאוד, או בעצם המון כאלו. היא תהיה מצוידת בכל החושים ויכולות הקוגניציה שיש לאדם, כולל שמיעה, ראייה, הבנה של הקשרים, יכולת לפענח התנהגות, חשיבה יצירתית וכדומה.
בקיצור, ה-AGI היא מאסטר מיינד גאוני, כלי ממוחשב שיהיה כה מבריק ומתוחכם, עד שיעקוף את האדם בבינה שלו ומן הסתם את האדם הכי חכם שאתם מכירים, או את כל הכי חכמים (אולי בעולם) יחדיו.
אם בעבר היה פיתוח AGI מושג מופשט ומטרת מחקר תיאורטית, בשנת 2020 העריכו בקבוצות בינה מתקדמות שייקח עוד 50 שנה עד שתגיע בינה מלאכותית ג'נרליסטית שכזו. ההערכה כיום, באפריל 2024, היא שבין 2026 ל-2027 תהיה הבינה המלאכותית הכללית בשוק.
לא יאומן? - התרגלתם. אנחנו חיים בעתיד...
כל חברות הטכנולוגיה הגדולות נמצאות בעיצומו של המרוץ לפיתוח בינת-על שכזו. מגוגל, אפל, אמזון ומטא ועד למלכת ה-AI הנוכחית, חברת OpenAI הצעירה, זו שהשיקה את מהפכת הבינה היוצרת והיצירתית (GenAI), פיתחה את דאלי ואת. הצ'ט בוט המצליח בעולם ChatGPT ושועטת עכשיו קדימה בפיתוח הבינה המלאכותית הכללית.
#מה בינה כללית תדע לעשות?
נזכיר שבינה מלאכותית הכללית, מעבר לתחכום שלה, מסוגלת לבצע מגוון משימות רחב, לפתור בעיות לפני שנוצרו ולמלא משימות מושלמות, מבלי שיתכנתו אותה ליכולת ספציפית כלשהי. היא פשוט תלמד כל יכולת כזו שתצטרך בעצמה ותדע לבצעה כאילו כל חייה היא עשתה זאת...
כבר עכשיו ברור שמערכת AGI סופר אינטליגנטית שכזו תתאפיין בתבונה כללית ויכולת להפעיל שיקול דעת, תוך קבלת החלטות מורכבות. לצד זה יהיו לה יכולות של הבנת שפה טבעית של בני אדם, ביחד עם למידה עצמאית של מידע חדש ובכך שיפור מתמיד של יכולותיה לתחומים ומיומנויות חדשות (ללא תכנות ספציפי), ביכולות של חשיבה מופשטת ויכולת להבין וליישם מושגים מופשטים, כולל במצבים חדשים.
לא פחות חשובה היא היכולת היצירתית החשובה כל כך של העברה בין תחומים, כלומר היכולת לנייד ולהעביר בין תחומי דעת שונים ידע, מיומנויות ויכולות שונות. כך, חברים, נולדים המצאות, פתרונות לבעיות והברקות הנדסיות, מדעיות וטכנולוגיות שונות.
סופר-אינטליגנציה שכזו תקבל בעתיד החלטות ביטחוניות שיילכו וישתבחו, ככל שהיא תלך ותשכלל את עצמה. היא תיקח על עצמה את האחריות על ניהול המערכת הפיננסית, מהאישית ומשפחתית ועד לרמת אוצר המדינה או הבנק הלאומי. היא תנהל מגוון מערכות שירותים ומערכות תשתית, טוב יותר מכל אדם, תמצא תרופות למגוון סוגי הסרטן ותפתור את בעיות האקלים. לא מן הנמנע שפרסי נובל יתרחבו למפתחי בינות-על, שיפצחו בעיות שהמין האנושי לא השכיל לפתור.
#סכנות בינת העל
השאלה העיקרית והמפחידה לא מעט אנשים היא מה יקרה אם או כשבינת העל הזו תחליט שאנו, בני האדם, מיותרים בעולם... זו הסיבה שעולם הטכנולוגיה מלא באזהרות של מומחים מקוגניציית-העל שלה.
כבר עתה ברור שתהיה חובה לייצר פיקוח ורישוי (רגולציה) וחוקים שיחייבו את החברות שיפתחו AGI לקחת אחריות מלאה לנזקים שבינתם עלולה לגרום. מה יהיה שבינות חכמות כל כך יקבלו החלטות שיסכנו ואף יקטלו בני אדם, או שיעדיפו בקבלת ההחלטות שלהן שיקולים שונים מטובת בני-אדם לפני הכל.
כשבידיה של אינטליגנציה עילית שכזו תהיה היכולת לשלוט ישירות בכל המערכות הטכנולוגיות שמקיפות אותנו, לא ניתן יהיה למנוע את ההחלטות שהיא עלולה לקבל, כמו גם את הביצוע שלהן.
לכן ברור שיהיו חייבים להינקט עיצומים מרתיעים וכבדים דיים, כך שימנעו מחברות הטכנולוגיה כניסה להרפתקאות בלתי אחראיות ומסוכנות לאנושות.
הנה ההשפעה הצפויה של הבינה המלאכותית הכללית על המין האנושי (מתורגם):
https://youtu.be/RzkD_rTEBYs
מהי הבינה המלאכותית הכללית?
https://youtu.be/kHFVZV-lj8g
הסבר מפורט לגבי הבינה המלאכותית הכללית:
https://youtu.be/LhLyOWoUnDI?long=yes
האם AGI פרק את צוות החברה המובילה את ה-AI כיום?
https://youtu.be/OphjEzHF5dY?long=yes
והיום כבר מדובר על ASI שתעבור בהרבה את הבינה האנושית:
https://youtu.be/C0RjMAWhvh8?long=yes
יתכן ששאלתם את עצמכם פעם איך זה שהמחשבים המשוכללים והמהירים כל כך יכולים לבצע כיום משימות שלא ייאמנו, אבל לא מסוגלים לבצע דברים שאפילו תינוקות עושים בקלות.
מזיהוי אנשים ועד להבנת השפה המדוברת, דרך למידה מטעויות או הבנת ההקשר בשיחה, להסיק מסקנות ועוד, יש לא מעט דברים שבני אדם מקבלים כמובנים מאליהם ואף כפשוטים, בעוד המחשבים מתקשה בהם מאד.
בדיוק לשם כך נוצר תחום חשוב במדעי המחשב. מחשוב קוגניטיבי (cognitive computing) הוא תחום בתוכנה המדמה את החשיבה האנושית.
מדובר בתוכנות שאמורות להיות מסוגלות לבנות ולנתח ידע, לבצע תהליך ארוך ומשמעותי של למידה עצמית, להבין את המידע לעומקו, לנתח טקסטים בצורה תבונית ולתקשר עם בני אדם בדרך שמבינה מצבי רוח, הקשרים חברתיים ואישיים ועוד, בקיצור כל דבר מהמרכיבים הקטנים של השפה האנושית ועד לסתם ללמוד מהניסיון.
במחשוב הקוגניטיבי מנסים לשלב בין יכולות שונות, שחלקן בפיתוח כבר שנים רבות. למידת מכונה, כריית מידע, זיהוי עצמים ייחודיים בתמונות, עיבוד שפה טבעית או איתור של דפוסים ותבניות במידע גולמי - כל אלה ואחרות אמורות לאפשר יצירה של מחשב שיכול לחקות את הדרך בה המוח האנושי עובד ולהפיק תוצאות ברמה גבוהה במיוחד, לקבל החלטות חכמות ועוד.
אם זה מזכיר לכם תחומים כמו אינטליגנציה מלאכותית או למידת מכונה, זה לא מקרה. מדובר בתחומי מחקר קרובים ומשיקים בהרבה מובנים.
מטרת החוקרים והמהנדסים העוסקים בתחום המחשוב הקוגניטיבי להביא לכך שבעתיד יוכלו מחשבים לבצע משימות פשוטות עבור בני-אדם, כמו חשיבת מומחה והבנת השפה האנושית.
כמובן שבצד פעולות "אנושיות" אלה ישלבו המחשבים גם את יכולותיהם המסורתיות כמו עיבוד נתונים בכמויות עצומות, מה שמוכר מתחום הביג דאטה, על מנת להפוך ליועצים נבונים לאנשי מקצוע בתחומים שונים, מרפואה ועד מדע והייטק.
יישומים נוספים שמצפים לפתח בעזרת מחשבים קוגניטיביים הם מערכות תקשורת בשפה טבעית, "נהגים ממוחשבים" ברכבים אוטונומיים (מכונית ללא נהג), עיבוד סמנטי, מנועי חיפוש שלומדים ועוד.
הנה המחשוב הקוגניטיבי המודרני בחצי דקה:
https://youtu.be/1tsFTBqXDdI
מצגת וידאו שמראה מה מאפשרות מערכות מחשוב קוגניטיביות:
https://youtu.be/1mPO-rXcmaw
מומחים מחברת יבמ מסבירים על העתיד של המחשוב הקוגניטיבי:
https://youtu.be/xRamODPdU1U
עולם זיהוי העצמים הממוחשב (מתורגם):
https://youtu.be/Cgxsv1riJhI?long=yes
והאם אנו מתקרבים למחשבים עם תודעה:
https://youtu.be/JTOMNkZJRao?long=yes
מהן רשתות נוירונים ממוחשבות?
רשתות נוירונים (Neural Networks) הן רשתות מחשבים מתקדמות שמחקות את החשיבה האנושית.
נוירון במוח הוא תא עצב. זהו תא טיפש, ללא יכולת מרשימה בפני עצמו. את כוחו ויכולתו המדהימה לפתור בעיות מורכבות הוא קונה רק כשהוא שותף זעיר ברשת העצבית העצומה, שקוראים לה מוח.
למוח ולרשת נוירונים טכנולוגית שמחקה אותו יש את היכולת המדהימה לפתרון בעיות מורכבות. רשת נוירונים היא "רשת עצבית" מלאכותית, שמעתיקה את הפעילות של שכבות תאי העצב בניאו-קורטקס, האזור שתופס את רוב המוח האנושי.
בניאו קורטקס נעשית החשיבה שלנו. ב"רשת נוירונית" מחובר כל נוירון בסינפסות אל נוירונים נוספים. התקשורת בין הנוירונים היא באמצעות "פוטנציאלי פעולה" - מעין הבזקים, פעימות חשמליות, שעוברות בסינפסות בין נוירון, תא עצב, למשנהו והלאה אל הנוירון הבא ולאלה שאחריו.
מחקר רשתות הנוירונים עוסק בבניית מודלים וירטואליים של שכבות תאי העצב ובתחום זה עוסקים כיום צוותים מגוונים, שמורכבים ממדעני מוח, מדעני מחשב ותוכנה. רשתות מחשבים כאלה יוכלו בעתיד לבצע פעולות שהמוח יודע לבצע בקלות: לאסוף מידע, לנתחו ולהגיב לו בקבלת החלטות שאנו עושים אלפי פעמים ביום.
תחום הנוירו-מחשוב הוא אחד התחומים החשובים בעולם כיום. הוא יוביל בעתיד לדור מתקדם במיוחד של תוכנות חכמות. כבר היום רואים את האפשרויות של תוכנות-מוח שכאלה - מאפליקציות שלומדות את טעמנו האישי ומציעות לנו בגדים, אוכל, מוסיקה או ספרים שאנו אוהבים. בעתיד יותר ויותר טלפונים חכמים ילמדו הרגלים, תחביבים, העדפות וצרכים של המשתמש ויסייעו לו.
גם ברפואה משפרות רשתות עצביות את היכולות ומציעות השפעות נפלאות על היכולת לאתר סרטן עור מוקדם, לגלות טיפולים תרופתיים חדשים למחלות ועוד.
דמיינו מצלמות חכמות, שיודעות לזהות פורץ או מבקר תמים בביתנו, מערכות מחשוב שיזהו האקרים לעומת משתמשים תמימים שטעו, בידוק בטחוני שיזהה מפגים או עבריינים ומערכות צבאיות שיוודאו שכוחותינו יזהו וישמידו את כוחות האויב ולא את כוחותינו.
המלצה:
======
קראו באאוריקה בתגית "למידה עמוקה", על פיתוח מערכות הבינה המלאכותית שמתבססות על רשתות הנוירונים.
הנה רשתות הנוירונים הממוחשבות (מתורגם):
https://youtu.be/JrXazCEACVo
דרך לזהות בהן הפרעות נוירולוגיות (עברית):
https://youtu.be/Agrf1PPXSl8
רשתות הנוירונים שבמוחנו:
https://youtu.be/Gf5QEzZ9F3w
התהליך הכימי של מעבר המידע בין הנוירונים (מתורגם):
https://youtu.be/6Ra3il45vnE
כיום מפתחים רשת נוירונים שמחקה את יכולת הלמידה של תינוק:
http://youtu.be/VNNsN9IJkws
הסבר מדעי (מתורגם):
https://youtu.be/Z6xDuPOgT_Q
דרך שבה רשתות נוירוניות פועלות:
https://youtu.be/h52wgSsm57g
והפיתוח שלהם על ידי למידה מהביולוגיה והטבע:
https://youtu.be/JqMpGrM5ECo
רשתות נוירונים (Neural Networks) הן רשתות מחשבים מתקדמות שמחקות את החשיבה האנושית.
נוירון במוח הוא תא עצב. זהו תא טיפש, ללא יכולת מרשימה בפני עצמו. את כוחו ויכולתו המדהימה לפתור בעיות מורכבות הוא קונה רק כשהוא שותף זעיר ברשת העצבית העצומה, שקוראים לה מוח.
למוח ולרשת נוירונים טכנולוגית שמחקה אותו יש את היכולת המדהימה לפתרון בעיות מורכבות. רשת נוירונים היא "רשת עצבית" מלאכותית, שמעתיקה את הפעילות של שכבות תאי העצב בניאו-קורטקס, האזור שתופס את רוב המוח האנושי.
בניאו קורטקס נעשית החשיבה שלנו. ב"רשת נוירונית" מחובר כל נוירון בסינפסות אל נוירונים נוספים. התקשורת בין הנוירונים היא באמצעות "פוטנציאלי פעולה" - מעין הבזקים, פעימות חשמליות, שעוברות בסינפסות בין נוירון, תא עצב, למשנהו והלאה אל הנוירון הבא ולאלה שאחריו.
מחקר רשתות הנוירונים עוסק בבניית מודלים וירטואליים של שכבות תאי העצב ובתחום זה עוסקים כיום צוותים מגוונים, שמורכבים ממדעני מוח, מדעני מחשב ותוכנה. רשתות מחשבים כאלה יוכלו בעתיד לבצע פעולות שהמוח יודע לבצע בקלות: לאסוף מידע, לנתחו ולהגיב לו בקבלת החלטות שאנו עושים אלפי פעמים ביום.
תחום הנוירו-מחשוב הוא אחד התחומים החשובים בעולם כיום. הוא יוביל בעתיד לדור מתקדם במיוחד של תוכנות חכמות. כבר היום רואים את האפשרויות של תוכנות-מוח שכאלה - מאפליקציות שלומדות את טעמנו האישי ומציעות לנו בגדים, אוכל, מוסיקה או ספרים שאנו אוהבים. בעתיד יותר ויותר טלפונים חכמים ילמדו הרגלים, תחביבים, העדפות וצרכים של המשתמש ויסייעו לו.
גם ברפואה משפרות רשתות עצביות את היכולות ומציעות השפעות נפלאות על היכולת לאתר סרטן עור מוקדם, לגלות טיפולים תרופתיים חדשים למחלות ועוד.
דמיינו מצלמות חכמות, שיודעות לזהות פורץ או מבקר תמים בביתנו, מערכות מחשוב שיזהו האקרים לעומת משתמשים תמימים שטעו, בידוק בטחוני שיזהה מפגים או עבריינים ומערכות צבאיות שיוודאו שכוחותינו יזהו וישמידו את כוחות האויב ולא את כוחותינו.
המלצה:
======
קראו באאוריקה בתגית "למידה עמוקה", על פיתוח מערכות הבינה המלאכותית שמתבססות על רשתות הנוירונים.
הנה רשתות הנוירונים הממוחשבות (מתורגם):
https://youtu.be/JrXazCEACVo
דרך לזהות בהן הפרעות נוירולוגיות (עברית):
https://youtu.be/Agrf1PPXSl8
רשתות הנוירונים שבמוחנו:
https://youtu.be/Gf5QEzZ9F3w
התהליך הכימי של מעבר המידע בין הנוירונים (מתורגם):
https://youtu.be/6Ra3il45vnE
כיום מפתחים רשת נוירונים שמחקה את יכולת הלמידה של תינוק:
http://youtu.be/VNNsN9IJkws
הסבר מדעי (מתורגם):
https://youtu.be/Z6xDuPOgT_Q
דרך שבה רשתות נוירוניות פועלות:
https://youtu.be/h52wgSsm57g
והפיתוח שלהם על ידי למידה מהביולוגיה והטבע:
https://youtu.be/JqMpGrM5ECo
מהו מודל היגיון, או Reasoning Model?
מודל היגיון (Reasoning Model) הוא מודל שנועד לחקות את תהליך החשיבה האנושית ולהסיק מסקנות לוגיות על בסיס מידע נתון.
מודלי ריזונינג נוטים להיות כבדים יותר ולספק תובנות עמוקות, באמצעות הסקה רב-שלבית, מורכבת ומעמיקה. כמובן שהם משתמשים בטכניקות של בינה מלאכותית ולמידת מכונה כדי לנתח נתונים, לזהות דפוסים ולהסיק מסקנות מבוססות עובדות.
בדרך לתת תשובה מחלקים מודלי הגיון את פתרון הבעיה לשלבים, מתעכבים על התשובות, מהרהרים, בודקים, לעתים מתקנים את עצמם (בתכנות רואים את זה היטב) ומבצעים תהליכי ניתוח מורכבים.
בגדול - הם מבצעים חשיבה מתמשכת ומבוססת יותר מזו של מודלי שפה רגילים.
מודל הגיון שכזה מתאים מאוד לפתרון ברמת דוקטור (PhD) של בעיות מורכבות, בעיקר מתמטיות, מדעיות והנדסיות. הוא מושלם לחישובים מורכבים ודברים כמו מתמטיקה, פיזיקה, פיתוח קוד והסקת מסקנות.
ואגב, מודל ריזונינג דורש כוח מחשוב משמעותי מהרגיל, לפחות במקרה של מודל ChatGPT 4o1 של OpenAI וקצת פחות במודל הסיני המפתיע DeepSeek, שפותח לכאורה בגרושים ומראה תוצאות מרשימות בדרישות חומרה נמוכות בהרבה.
#החשיבה דרך הבעיה
מודל היגיון, הוא מודל מנומק, שמשתמש בהיגיון כדי "לחשוב דרך" הבעיה ולהיות מסוגל גם להראות את תהליך החשיבה שביצע, לפני שנותן את התוצאות. זאת בניגוד למודלים הרגילים שמבצעים אופטימיזציה סבירה, רק כדי שיוכלו לספק את התשובה המהירה ביותר (שזה מה שגם גורם לא פעם למודל שפה רגיל לתרום לנו בדרך את ה"הזיות", אותן Halucinations המוכרות לנו כל כך).
בקיצור, אם מודל שפה רגיל הוא הבחור הטקסטואלי שהוא אלוף על טקסטים ועונה מהר, מודל ההיגיון הוא הנערה המבריקה והריאלית, שיכולה לפצח בעיות מופשטות, מתמטיות, פיזיקליות ומדעיות בתחומים ומדעים מדויקים, בלי למצמץ ועם יכולת לנמק ולהסביר את הפתרון שאליו היא מגיעה, צעד אחר צעד.
מודל כזה מבצע לעתים קרובות "שרשרת מחשבה" (Chain of Thought) ולכן גם מכונה כך לפעמים. המודל חושב צעד אחר צעד, בצורה שמזכירה את האופן שבו אנו, בני האדם, עשויים לגשת לאתגר משמעותי יותר כמו פיתוח אפליקציה חדשה, תכנון חופשה או בניית בית.
#היתרון
משמעותו של מודל כזה היא ביכולת שלו לספק תשובות מדויקות ומושכלות לשאלות מורכבות, לפתור בעיות ולקבל החלטות מבוססות נתונים. לכן וכדי להצטיין בבעיות מסובכות יותר, מומלץ להזין אותו בכמה שיותר הקשר, קונטקסט (Context) לגבי הנושא והגישה לפתרון.
#במה הם יכולים לעזור לנו?
מודלים כאלו יכולים לנתח כמויות גדולות של נתונים במהירות ובדיוק, לזהות דפוסים ולהסיק מסקנות. הם יכולים לפתור בעיות מורכבות על ידי שימוש בלוגיקה ובאלגוריתמים מתקדמים.
ביכולתם גם לסייע בקבלת החלטות מבוססות נתונים, מה שיכול להיות מועיל בתחומים כמו רפואה, כלכלה וניהול. בנוסף, הם יכולים להסיק מסקנות לוגיות על בסיס הנתונים שנתונים להם, מה שיכול לסייע בתחזיות ובתכנון.
מודלי ההיגיון יכולים לחסוך זמן ומאמץ בביצוע משימות מורכבות, מה שמאפשר למשתמשים להתמקד בפעילויות אחרות. ביכולתם לספק תשובות מדויקות ומבוססות עובדות, מה שיכול להיות מועיל בתחומים כמו רפואה, משפטים והנדסה.
מודלים אלו מסייעים בקלות בקבלת החלטות מושכלות ומבוססות נתונים, מה שיכול להיות מועיל בחיי היומיום ובעבודה והם יכולים גם לסייע בפתרון בעיות מורכבות במהירות וביעילות, מה שיכול להיות מועיל בתחומים רבים.
ברפואה, מודלי היגיון יכולים לסייע באבחון מחלות ובמתן המלצות לטיפול על בסיס נתונים רפואיים.
בכלכלה, ניתן להסתייע בהם בניתוח שוק ההשקעות ובקבלת החלטות כלכליות מבוססות נתונים.
בחינוך, המודלים הללו יכולים לסייע בהוראה ובלמידה על ידי סיפוק הסברים מדויקים ומושכלים לשאלות מורכבות.
בניהול, הם מעולים הסיוע לניהול משאבים מוצלח ובקבלת החלטות ניהוליות מבוססות נתונים.
אז אם לסכם, מודל היגיון הוא כלי חזק שיכול לסייע במגוון רחב של תחומים ולשפר את איכות החיים של המשתמשים, על ידי סיפוק תשובות מדויקות ומבוססות עובדות. עם יכולותיו הוא מאפשר לנתח נתונים במהירות, לפתור בעיות מורכבות ולקבל החלטות מבוססות נתונים, מה שהופך אותו לאחד הכלים החיוניים ביותר בדור החדש של העידן הדיגיטלי מבוסס הבינה המלאכותית.
הנה מודל ההגיון הסיני Deepseek R1 שיודע לחשוב מראש, לתכנן, להשוות כמה תשובות אפשריות, לפרק את הבעיה לחלקים, לחזור אחורה ולחשוב מחדש על השאלה וכך לענות היטב על שאלות קשות, מורכבות ועד לא מזמן בלתי אפשריות למודל שפה:
https://youtu.be/-2k1rcRzsLA
דוגמה לבעיות פשוטות מהחיים שמודל מנומק יכול לפתור:
https://youtu.be/yQampjl6gPI
שניים כאלה:
https://youtu.be/rzMEieMXYFA
ו-DeepSeek R1 הוא מודל מנומק בקוד פתוח:
https://youtu.be/yT3KGbiA09Q
מודל היגיון (Reasoning Model) הוא מודל שנועד לחקות את תהליך החשיבה האנושית ולהסיק מסקנות לוגיות על בסיס מידע נתון.
מודלי ריזונינג נוטים להיות כבדים יותר ולספק תובנות עמוקות, באמצעות הסקה רב-שלבית, מורכבת ומעמיקה. כמובן שהם משתמשים בטכניקות של בינה מלאכותית ולמידת מכונה כדי לנתח נתונים, לזהות דפוסים ולהסיק מסקנות מבוססות עובדות.
בדרך לתת תשובה מחלקים מודלי הגיון את פתרון הבעיה לשלבים, מתעכבים על התשובות, מהרהרים, בודקים, לעתים מתקנים את עצמם (בתכנות רואים את זה היטב) ומבצעים תהליכי ניתוח מורכבים.
בגדול - הם מבצעים חשיבה מתמשכת ומבוססת יותר מזו של מודלי שפה רגילים.
מודל הגיון שכזה מתאים מאוד לפתרון ברמת דוקטור (PhD) של בעיות מורכבות, בעיקר מתמטיות, מדעיות והנדסיות. הוא מושלם לחישובים מורכבים ודברים כמו מתמטיקה, פיזיקה, פיתוח קוד והסקת מסקנות.
ואגב, מודל ריזונינג דורש כוח מחשוב משמעותי מהרגיל, לפחות במקרה של מודל ChatGPT 4o1 של OpenAI וקצת פחות במודל הסיני המפתיע DeepSeek, שפותח לכאורה בגרושים ומראה תוצאות מרשימות בדרישות חומרה נמוכות בהרבה.
#החשיבה דרך הבעיה
מודל היגיון, הוא מודל מנומק, שמשתמש בהיגיון כדי "לחשוב דרך" הבעיה ולהיות מסוגל גם להראות את תהליך החשיבה שביצע, לפני שנותן את התוצאות. זאת בניגוד למודלים הרגילים שמבצעים אופטימיזציה סבירה, רק כדי שיוכלו לספק את התשובה המהירה ביותר (שזה מה שגם גורם לא פעם למודל שפה רגיל לתרום לנו בדרך את ה"הזיות", אותן Halucinations המוכרות לנו כל כך).
בקיצור, אם מודל שפה רגיל הוא הבחור הטקסטואלי שהוא אלוף על טקסטים ועונה מהר, מודל ההיגיון הוא הנערה המבריקה והריאלית, שיכולה לפצח בעיות מופשטות, מתמטיות, פיזיקליות ומדעיות בתחומים ומדעים מדויקים, בלי למצמץ ועם יכולת לנמק ולהסביר את הפתרון שאליו היא מגיעה, צעד אחר צעד.
מודל כזה מבצע לעתים קרובות "שרשרת מחשבה" (Chain of Thought) ולכן גם מכונה כך לפעמים. המודל חושב צעד אחר צעד, בצורה שמזכירה את האופן שבו אנו, בני האדם, עשויים לגשת לאתגר משמעותי יותר כמו פיתוח אפליקציה חדשה, תכנון חופשה או בניית בית.
#היתרון
משמעותו של מודל כזה היא ביכולת שלו לספק תשובות מדויקות ומושכלות לשאלות מורכבות, לפתור בעיות ולקבל החלטות מבוססות נתונים. לכן וכדי להצטיין בבעיות מסובכות יותר, מומלץ להזין אותו בכמה שיותר הקשר, קונטקסט (Context) לגבי הנושא והגישה לפתרון.
#במה הם יכולים לעזור לנו?
מודלים כאלו יכולים לנתח כמויות גדולות של נתונים במהירות ובדיוק, לזהות דפוסים ולהסיק מסקנות. הם יכולים לפתור בעיות מורכבות על ידי שימוש בלוגיקה ובאלגוריתמים מתקדמים.
ביכולתם גם לסייע בקבלת החלטות מבוססות נתונים, מה שיכול להיות מועיל בתחומים כמו רפואה, כלכלה וניהול. בנוסף, הם יכולים להסיק מסקנות לוגיות על בסיס הנתונים שנתונים להם, מה שיכול לסייע בתחזיות ובתכנון.
מודלי ההיגיון יכולים לחסוך זמן ומאמץ בביצוע משימות מורכבות, מה שמאפשר למשתמשים להתמקד בפעילויות אחרות. ביכולתם לספק תשובות מדויקות ומבוססות עובדות, מה שיכול להיות מועיל בתחומים כמו רפואה, משפטים והנדסה.
מודלים אלו מסייעים בקלות בקבלת החלטות מושכלות ומבוססות נתונים, מה שיכול להיות מועיל בחיי היומיום ובעבודה והם יכולים גם לסייע בפתרון בעיות מורכבות במהירות וביעילות, מה שיכול להיות מועיל בתחומים רבים.
ברפואה, מודלי היגיון יכולים לסייע באבחון מחלות ובמתן המלצות לטיפול על בסיס נתונים רפואיים.
בכלכלה, ניתן להסתייע בהם בניתוח שוק ההשקעות ובקבלת החלטות כלכליות מבוססות נתונים.
בחינוך, המודלים הללו יכולים לסייע בהוראה ובלמידה על ידי סיפוק הסברים מדויקים ומושכלים לשאלות מורכבות.
בניהול, הם מעולים הסיוע לניהול משאבים מוצלח ובקבלת החלטות ניהוליות מבוססות נתונים.
אז אם לסכם, מודל היגיון הוא כלי חזק שיכול לסייע במגוון רחב של תחומים ולשפר את איכות החיים של המשתמשים, על ידי סיפוק תשובות מדויקות ומבוססות עובדות. עם יכולותיו הוא מאפשר לנתח נתונים במהירות, לפתור בעיות מורכבות ולקבל החלטות מבוססות נתונים, מה שהופך אותו לאחד הכלים החיוניים ביותר בדור החדש של העידן הדיגיטלי מבוסס הבינה המלאכותית.
הנה מודל ההגיון הסיני Deepseek R1 שיודע לחשוב מראש, לתכנן, להשוות כמה תשובות אפשריות, לפרק את הבעיה לחלקים, לחזור אחורה ולחשוב מחדש על השאלה וכך לענות היטב על שאלות קשות, מורכבות ועד לא מזמן בלתי אפשריות למודל שפה:
https://youtu.be/-2k1rcRzsLA
דוגמה לבעיות פשוטות מהחיים שמודל מנומק יכול לפתור:
https://youtu.be/yQampjl6gPI
שניים כאלה:
https://youtu.be/rzMEieMXYFA
ו-DeepSeek R1 הוא מודל מנומק בקוד פתוח:
https://youtu.be/yT3KGbiA09Q
