בינה מלאכותית טובה יותר לא תמיד אומרת גדולה יותר

הופעת הבינה המלאכותית ככלי עסקי נגיש לכולם יצרה שפע של יישומים שמתרבים בקצב מסחרר. בעודנו שואפים להישאר מעודכנים ביישומים החדשים ביותר, חשוב לא להתעלם מהמאמצים המתמשכים לשפר את הקיימים. כנס Crossroads 2025 של MIT Center for Transportation & Logistics, שכותרתו "Technology Advances & the Impact on SCM" ויתקיים ב-17 במרץ 2025, סיפק הצצה למאמצים אלה וכיצד הם משפרים את היעילות של בינה מלאכותית ולמידת מכונה.

מודלי AI בהשראת הטבע: רשתות נוירונים נוזליות

מערכות בינה מלאכותית המכונות large language models (LLMs) משתמשות במאגרי נתונים עצומים ובלמידת מכונה כדי לעבד ולנתח שפה אנושית. כיום יישומי LLM, כמו הפעלת צ'אטבוטים ומתן תשובות לשאלות, חוו צמיחה מרשימה. עם זאת, הפוטנציאל שלהם מוגבל יותר ביישומי קצה כמו רובוטים ורכבים אוטונומיים.

ככל שה-LLMs גדלו, כך גם גדלו דרישות הזיכרון והחישוב שלהם. לכן, השימוש במודלים אלה ביישומים ניידים שאין בהם קיבולת מספקת וחיבור לענן – מאתגר.

ארכיטקטורת למידה עמוקה חדשה מסוג liquid neural networks (LNNs) עשויה להתגבר על מגבלה זו. LNNs מביאות את כוח עיבוד המידע והשפה של הבינה המלאכותית לעולם הפיזי שבו פועלים רובוטים ורכבים אוטונומיים, הסבירה Daniela Rus, מנהלת MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), אחת ממעבדות המחקר האיקוניות של MIT.

תולעת עגולה זעירה בשם C. elegans שימשה השראה לפיתוח סוג חדש זה של רשת נוירונים. מוחה של התולעת מבצע הישגים רבים עם משאבי נוירונים מינימליים. כמו בגוף האנושי, מוח התולעת מורכב מתאי עצב המכונים נוירונים המחוברים בסינפסות. אולם, מוחה מבצע את כל המשימות הדרושות להישרדות באמצעות 302 נוירונים בלבד ו-8,000 חיבורים. לעומת זאת, המוח האנושי כולל כ-100 מיליארד נוירונים ו-100 טריליון חיבורים.

מחקר על ארכיטקטורת רשת נוירונים חסכונית של התולעת שימש השראה ל-Rus ולצוותה לפתח LNNs. מודלי AI חסכוניים אלה קלים וזולים יותר לבנייה מאשר מודל AI גדול. בשל פשטותם, קבלת ההחלטות שלהם קלה יותר להבנה – יתרון מכריע ביישומים שבהם מכונות מתקשרות עם בני אדם.

חשוב מכך, LNNs לומדות "על בסיס הניסיון" והן זריזות ומסתגלות במיוחד בסביבות דינמיות ובלתי צפויות. לכן, הן יכולות לפעול על מחשבים קטנים יחסית הנמצאים ברובוטים ובמכונות ניידות אחרות שמוצבות בשטח רחב בשרשרת האספקה.

הן מספקות גם יתרונות ביצועים מרכזיים, אמרה Rus. לדוגמה, בבדיקות שביצע צוותה, LNNs עלו על רשתות נוירונים מבוססות באפשרות לדרונים לזהות ולמקם עצמים בסביבות שונות. LNNs מצטיינות גם במשימות זיהוי תמונה, כמו זיהוי קבוצות הולכי רגל על ידי רכבים אוטונומיים – אתגר עבור אלגוריתמים בשל הצורה הלא מוגדרת של קבוצות כאלה. על פי Rus, LNNs מיומנות לשמור על מיקוד בכביש הקדמי ולהגיב לסכנות בלתי צפויות.

צוותה התקין את הטכנולוגיה ברכב קרקע אוטונומי הפועל בנמל המכולות של סינגפור. הרכב מנווט במסלולים עמוסים בין ערימות מכולות בצורה חלקה ומתמקם בחניות בדיוק של חמישה סנטימטרים.

יישומים נוספים של LNNs נמצאים בפיתוח. Rus היא אחת מהמייסדים המשותפים של Liquid AI, ספין-אוף של MIT. החברה השיקה מוצרי AI המשתמשים במודלים חלוציים לתעשיות שירותים פיננסיים, ביוטק ואלקטרוניקה צרכנית, המבטיחים ביצועים משופרים עם טביעת רגל זיכרון נמוכה בהרבה.

רובוטים מיומנים יותר: אתגרי אימון חדשים

הופעת רובוטים מונעי AI מעידה על הקצב המהיר שבו מתקדם עיצוב המכונות הללו. סרטונים באינטרנט, המציגים רובוטים מבצעים סלטות אחוריות ואקרובטיקה אחרת, יוצרים רושם שהמכונות הופכות זריזות ומיומנות כמו בני אדם. עם זאת, כפי שציין Pulkit Agrawal, פרופסור משנה ב-CSAIL, בכנס Crossroads, זה לא המצב. הרובוטים המבצעים תרגילים אווירודינמיים עושים זאת בסביבות סגורות ומבוקרות; חשיפה לעולם החיצון גורמת להם למעוד. לדוגמה, רובוט יכול להיות מתוכנן להביא ספוג לנקות שפיכה, אך חסר לו המיומנות לנגב את הלכלוך.

האתגר, אמר Agrawal, הוא פיתוח רובוטים רב-תכליתיים שיתאימו לזריזות אנושית בסביבות יומיומיות.

מכשול משמעותי להשגת מטרה זו הוא שיטת האימון של רובוטים כיום. מודל AI יכול ללמוד על ידי הורדת נפחי נתונים עצומים מהרשת, אך זו לא אפשרות לרובוטים, אמר Agrawal. השיטה הקונבנציונלית היא למידת חיקוי, שבה בן אדם מדגים פעולות נדרשות לביצוע משימות ספציפיות או מפעיל מרחוק רובוט. עריכת הדגמות כאלה לייצור הנתונים הנדרשים היא יקרה ומעייפת. בנוסף, מכיוון שמשתמשים בנפח נתונים קטן יחסית למשימה ספציפית, רובוטים המאומנים למשימה מסוימת עלולים להתקשות אם הסביבה או המשימה משתנות.

CSAIL מפתחת תוכניות אימון יעילות יותר לרובוטים על ידי שימוש בנפחי נתונים גדולים ממקורות שונים, כולל סימולציות מחשב ותמונות ממצלמות. חוקרים יכולים לאחד את הזרמים המרובים ולעבד את הנתונים באמצעות למידת מכונה.

היכולת של רובוטים לשכפל תנועות מדויקות של ידיים אנושיות היא אתגר במיוחד, בעיקר בעת טיפול ומניפולציה של עצמים מורכבים. הגישה החדשה מציעה פתרונות מבטיחים לבעיה זו. לדוגמה, חוקרים משתמשים בג'ל סיליקון בשילוב מצלמות כדי לחוש ולרשום את השקעים שנוצרים על ידי יד אנושית בעת מניפולציה של הג'ל, וממפים תנועות מורכבות אלה לרובוטים.

בעתיד, חברות עשויות לפתח סימולציות לאימון רובוטים לביצוע משימות שונות, או שתוכניות אלה יסופקו עם המכונות על ידי ספקים.

מכונת רעיונות: שימוש ביקורתי בבינה מלאכותית

אם במהלך השנתיים הקרובות שימוש של עובד בבינה מלאכותית יצירתית לא יתקרב לשליש עד מחצית מיום העבודה שלו, אותו אדם נמצא בדרך החוצה או עובד בארגון שיהפוך ל"זומבי", טען Michael Schrage, דובר בכנס Crossroads וחוקר אורח ב-MIT Initiative on the Digital Economy.

עם זאת, כדי להפיק את המרב מטכנולוגיה מהפכנית זו, יש ליישם חשיבה ביקורתית. זה אומר להשתמש בבינה מלאכותית כדי לאתגר הנחות, לבחון ראיות ולבדוק מסקנות, בשביל לקבל החלטות מדויקות, מבוססות ומתאימות להקשר.

Schrage הדגיש כי בינה מלאכותית היא מנוע של אפשרויות ולא מכונת תשובות. היא כלי רב-עוצמה להערכת פשרות ויצירת רעיונות; לוח שידורים חדש לדור להרצת רעיונות. בינה מלאכותית גם מהירה במיוחד. הוא תיאר מפגש שבו בכירים חקרו מודל AI שנתן תובנות בארבע דקות – תהליך שהיה לוקח ארבעה שבועות בשיטות מסורתיות של מחקר, כתיבה ועריכה.

עם זאת, אנשים רבים מדי מקבלים את הפלטים של בינה מלאכותית ללא חשיבה ביקורתית קפדנית, טען. שינוי זה חיוני כדי לממש את הפוטנציאל המלא.

כדי להימנע מטעות זו, משתמשים חייבים לשאול שאלות נכונות. ככל שהפרומפט טוב יותר, כך המידע שמתקבל טוב יותר לבסיס ההחלטות. פרומפטים המעוצבים בתיאורים מפורטים פחות סבירים לגרום לתגובות בינוניות. ומשתמשים לא צריכים לחשוש לדרוש תשובות משמעותיות יותר אם הפלט נראה מעורפל או לא חד.

ארגונים מסוימים מקיימים "promptathons" (בדומה להאקתונים שבהם מתכנתים ומקצוענים טכנולוגיים מפתחים רעיונות). תרגילים אלה זולים יחסית ומאוד יעילים בניתוח תחרותי ופיתוח רעיונות חוצי-פונקציות. פרומפטתונים יכולים להתמקד באתגרים ספציפיים, כמו פשרה בין אוטומציה להגברה. ארגונים יכולים ליצור מאגרי פרומפטים כדי להקל על השימוש בבינה מלאכותית.

גישות אחרות כוללות שימוש ב-LLMs לניתוח שיחות מוקלטות, כמו תמלילי Zoom, לחילוץ תובנות ואפשרויות, ושימוש במודלי AI לעידוד דיון.

Schrage קרא לארגונים לא לקחת את דברי בינה מלאכותית כפשוטם, אלא להשתמש בפלטים כדי לקדם יצירת רעיונות ולאתגר הנחות על עיצוב וניהול שרשרת האספקה. אנחנו רק בתחילת המהפכה הזו, אמר. עד סוף 2026, הפוטנציאל של מודל AI צפוי לגדול פי חמישה בהשוואה ליכולת הנוכחית.

המאמר נכתב על ידי Ken Cottrill, עורך ראשי ב-MIT Center for Transportation & Logistics.