הבום של בינה מלאכותית לא התפוצץ, אבל חישובי בינה מלאכותית בהחלט משתנים

אל תפחדו מדי מהדובים של בינה מלאכותית. הם שואלים בקול רם אם הבום הגדול בהשקעות בבינה מלאכותית כבר הגיע ועבר, אם הרבה מההתרגשות בשוק והוצאות על מערכות אימון בינה מלאכותית ענקיות שמופעלות על ידי מגוון רחב של יחידות עיבוד גרפיות (GPU) בביצועים גבוהים התבטלו, ואם הציפיות לעידן הבינה מלאכותית צריכות להיות מוקטנות באופן משמעותי.

אבל אם תיקרבו לתוכניות של המפעילים הגדולים, ההשקעות בבינה מלאכותית חיות וקיימות. Meta, Amazon, Microsoft, ו-Google כולם הודיעו לאחרונה על הכפלת ההשקעות בטכנולוגיית בינה מלאכותית. התחייבותם הקיבוצית ל-2025 עומדת על יותר מ-300 מיליארד דולר, על פי סיפור אחרון ב-Financial Times. מנכ”ל Microsoft, Satya Nadella, אמר כי Microsoft יכולה להוציא 80 מיליארד דולר בודדים על בינה מלאכותית השנה. מייסד ומנכ”ל Meta, Mark Zuckerberg, אמר ב-Facebook, “אנו מתכננים להשקיע 60-65 מיליארד דולר בהוצאות הון השנה, ובמקביל לגדל את צוותי הבינה מלאכותית שלנו באופן משמעותי, ויש לנו את ההון להמשיך ולהשקיע בשנים הבאות”.

זהו לא הצליל של בום בינה מלאכותית המתפוצץ, אבל היה חשש גובר סביב הכמות הרבה של כסף שמוצא על אפשרות יישומים של בינה מלאכותית. לאחר לפחות שנתיים של ענקים טכנולוגיים שאמרו שהם רואים ביקוש ברור ליותר כוח חישובי כדי לסייע באימון מודלים ענקיים של בינה מלאכותית, 2025 התחילה עם אותן חברות שנקראות לחשבון יומיומי על ידי אמצעי התקשורת העסקיים על בניית היסטריה כל כך גדולה סביב בינה מלאכותית.

למה היה שינוי פתאומי כל כך מתקווה לדאגה? התשובה נמצאת בחלקה בעלייה המהירה של יישום בינה מלאכותית חדש מסין. אבל כדי להבין לגמרי מה קורה באמת, ומה זה אומר עבור השקעות בבינה מלאכותית ותוכניות טכנולוגיות בשנים הבאות, אנו חייבים להכיר בכך שעידן הבינה מלאכותית עובר לשלב חדש בהתפתחותו.

חיפוש אמת

כבר עכשיו כולם יודעים הכל על DeepSeek, חברת הבינה מלאכותית הסינית המפרסמת איך היא השתמשה במנועי היקש ותובנות סטטיסטיות כדי לאמן מודלים שפה גדולים בצורה הרבה יותר יעילה ובעלות נמוכה יותר מאשר חברות אחרות אימנו את מודליהן.

בפרט, DeepSeek טענה ששיטותיה הובילו לכך שהיא זקוקה להרבה פחות יחידות עיבוד גרפיות (כגון 2,048 יחידות), וגם ליחידות עיבוד גרפיות פחות חזקות (Nvidia H800s) מאשר מאות אלפי יחידות עיבוד גרפיות בביצועים גבוהים (כגון Nvidia H100s) שחברות היפרסקייל אחרות דרשו כדי לאמן את מודליהן. במונחים של חיסכון בעלות, בעוד OpenAI הוציאה מיליארדים על אימון ChatGPT, DeepSeek דווחה כי הוציאה כמה ש-6.5 מיליון דולר כדי לאמן את מודל R1 שלה.

ראוי לציין כי הרבה מומחים פקפקו בטענות ההוצאה של DeepSeek, אבל הנזק כבר נעשה, כאשר הידיעות על שיטותיה השונות גרמו לירידה עמוקה בערך המניות של חברות ההיפרסקייל וחברות שהוציאו מיליארדים על יחידות עיבוד גרפיות כדי לאמן את מודליהן.

עם זאת, כמה נקודות חשובות אבדו בתוך הכאוס. אחת מהן היא הבנה ש-DeepSeek לא “המציאה” דרך חדשה לעבוד עם בינה מלאכותית. השנייה היא שחלק גדול מהאקוסיסטם של בינה מלאכותית היה מודע לשינוי קרוב בדרך שבה דולרי ההשקעה בבינה מלאכותית צריכים להיות מוצאים, וכיצד בינה מלאכותית עצמה תשמש בשנים הבאות.

באשר לשיטות של DeepSeek, הרעיון של שימוש במנועי היקש ותובנות סטטיסטיות אינו דבר חדש. השימוש בתובנות סטטיסטיות הוא אחד היבטים של המושג הרחב יותר של היקש מודל, שכולל בתוכו את היכולת של בינה מלאכותית להסיק מסקנות על בסיס זיהוי תבניות. זה בעצם דומה ליכולת האנושית ללמוד דרכים שונות לגישה לבעיה ולהשוות אותן כדי למצוא את הפתרון הטוב ביותר. היקש מודלי יכול לשמש היום ואינו בלעדי לסטארט-אפ סיני.

בינתיים, האקוסיסטם של בינה מלאכותית כבר ציפה לשינוי יסודי בדרך שבה אנו עובדים עם בינה מלאכותית ומשאבי החישוב הנדרשים. השנים הראשונות של עידן הבינה מלאכותית היו כולן על המלאכה הגדולה של אימון מודלים גדולים של בינה מלאכותית על מערכי נתונים גדולים מאוד, כולל זה שדרש הרבה עיבוד, חישובים מורכבים, התאמות משקל ותלות בזיכרון. לאחר שמודלים של בינה מלאכותית מאומנים, הדברים משתנים. בינה מלאכותית מסוגלת להשתמש בהיקש כדי ליישם הכל מה שלמדה על מערכי נתונים, משימות ובעיות חדשות. היקש, כתהליך פחות אינטנסיבי מבחינה חישובית מאימון, אינו דורש כל כך הרבה יחידות עיבוד גרפיות או משאבי חישוב אחרים.

האמת האולטימטיבית על DeepSeek היא שבעוד ששיטותיה לא הפתיעו את רובנו באקוסיסטם של בינה מלאכותית כמו שהפתיעו משקיעים בשוק, היא הדגימה את אחת הדרכים שבהן היקש יהיה מרכזי לשלב הבא בהתפתחותה של בינה מלאכותית.

בינה מלאכותית: הדור הבא

ההבטחה והפוטנציאל של בינה מלאכותית לא השתנו. ההשקעות המסיביות המתמשכות של המפעילים הגדולים מראות את האמון שיש להם בערך העתידי שניתן לשחרר מבינה מלאכותית, ואת הדרכים שבהן בינה מלאכותית יכולה לשנות את האופן שבו כמעט כל תעשייה פועלת, ואת האופן שבו כמעט כל אדם הולך בחייו היומיומיים.

מה שהשתנה עבור המפעילים האלו הוא כיצד דולרים אלו יוצאים. בשנים הראשונות של עידן הבינה מלאכותית, רוב ההשקעה הייתה הכרחית על אימון. אם תחשבו על בינה מלאכותית כילד, עם מוח שעדיין בהתפתחות, אנו הוציאנו הרבה כסף כדי לשלוח אותה לבתי הספר והאוניברסיטאות הטובים ביותר. עכשיו, הילד הזה הוא מבוגר חינוכי – והוא צריך למצוא עבודה כדי לפרנס את עצמו. במונחים של עולם המעשה, הוציאנו הרבה באימון בינה מלאכותית, ועכשיו אנו צריכים לראות את החזר על ההשקעה על ידי שימוש בבינה מלאכותית כדי לייצר הכנסות חדשות.

כדי להשיג את החזר הזה על ההשקעה, בינה מלאכותית צריכה להיות יותר יעילה ופחות יקרה כדי לסייע לחברות למקסם את הערך שלה ואת היעילות שלה לכמה שיותר יישומים. השירותים החדשים הרווחיים ביותר יהיו אלו האוטונומיים שאינם דורשים פיקוח וניהול אנושי.

עבור הרבה חברות, זה אומר לנצל שיטות חישוב בינה מלאכותית חסכוניות במשאבים, כגון היקש מודל, כדי לאפשר תקשורת ממוכנת אוטונומית בין מכונות במהירות ובעלות נמוכה. לדוגמה, בתעשיית הסלולר, ניתן להשתמש בבינה מלאכותית כדי לנתח באופן אוטונומי נתונים בזמן אמת על תיעול ספקטרום ברשת סלולרית כדי לאפטים את השימוש בערוץ ולמנוע הפרעות בין משתמשים, מה שבסופו של דבר מאפשר למפעיל סלולרי לתמוך בשיתוף ספקטרום דינאמי יותר ברחבי הרשת. סוג זה של תקשורת ממוכנת אוטונומית ויעילה יותר של בינה מלאכותית תגדיר את הדור הבא של בינה מלאכותית.

כפי שהיסטוריית המחשוב לימדה אותנו, טכנולוגיה חדשה תמיד דורשת הרבה השקעה ראשונית, אבל העלויות ירדו והיעילות תעלה כאשר מתחילים לנצל שיטות משופרות ותרגולים טובים יותר כדי ליצור מוצרים ושירותים טובים ומשתלמים יותר עבור השווקים הגדולים ביותר. חדשנות תמיד מוצאת דרך.

ענף הבינה מלאכותית עשוי להראות לאחרונה כאילו סבל ממפלה, אך הדולרים שהמפעילים הגדולים מתכננים להוציא השנה והשימוש הגובר בטכניקות מבוססות היקש מספרים סיפור אחר: חישובי בינה מלאכותית בהחלט משתנים, אבל ההבטחה של בינה מלאכותית שלמה.