ההקדמה וההתפתחות של AI ייצור היו כל כך פתאומיים ועוצמתיים שקשה להעריך עד כמה הטכנולוגיה הזו שינתה את חיינו.

ננקוט תקריב לשלוש שנים קודם לכן. כן, הבינה המלאכותית הפכה נפוצה יותר ויותר, לפחות בתיאוריה. יותר אנשים ידעו חלק מהדברים שהיא יכולה לעשות, למרות שגם עם זאת היו אי הבנות עצומות לגבי יכולותיה. איכשהו, הטכנולוגיה קיבלה בו זמנית לא מספיק ויותר מדי קרדיט על מה שהיא יכולה להשיג בפועל. ובכל זאת, האדם הממוצע יכול היה להצביע על לפחות תחום אחד או שניים שבהם הבינה המלאכותית פעלה, ומבצעת משימות מיוחדות ביותר. די טוב, בסביבות מבוקרות מאוד. כל דבר מעבר לכך היה עדיין במעבדת מחקר, או פשוט לא היה קיים.

השוו זאת להיום. ללא שום כישורים מלבד היכולת לכתוב משפט או לשאול שאלה, העולם נמצא בהישג ידנו. אנחנו יכולים ליצור תמונות, מוזיקה ואפילו סרטים שהם באמת ייחודיים ומדהימים, ויש להם את היכולת לשבש תעשיות שלמות. אנחנו יכולים להגביר את תהליך מנוע החיפוש שלנו, לשאול שאלה פשוטה שאם מנוסחת נכון, יכולה לייצר דפים של תוכן מותאם אישית טובים מספיק כדי לעבור את התואר כסטודנט בעל הכשרה אוניברסיטאית... או תלמיד כיתה ג' ממוצע אם נציין את נקודת המבט. למרות שהן הפכו איכשהו, תוך שנה או שנתיים בלבד, לנפוצות, יכולות אלו נחשבו בלתי אפשריות לחלוטין רק לפני מספר שנים. תחום הבינה המלאכותית הגנרטיבית היה קיים אך לא המריא בשום צורה.

כיום, אנשים רבים התנסו בבינה מלאכותית גנרטיבית כמו ChatGPT, Midjourney או כלים אחרים. אחרים כבר שילבו אותם בחיי היומיום שלהם. המהירות שבה הם התפתחו היא מסחררת עד כדי כך שהיא כמעט מדאיגה. ובהתחשב בהתקדמות של ששת החודשים האחרונים, אין ספק שנידהם שוב ושוב בשנים הקרובות.

כלי ספציפי אחד ששימש כחלק מבינה מלאכותית גנרטיבית הוא ביצועי מערכות Retrieval-Augmented Generation (RAG), ויכולתן לחשוב על שאילתות מורכבות במיוחד. ההקדמה של ה- מסגרות מערך נתונים, מוסבר בפירוט בתוך מאמר על אופן פעולת מערך הנתונים של ההערכה, מראה הן את מצב הטכנולוגיה הנוכחי והן את פניה. אפילו מאז הצגת FRAMES בסוף 2024, מספר פלטפורמות כבר שברו שיאים חדשים ביכולתן להתמודד עם שאילתות קשות ומורכבות.

בואו נתעמק במה ש-FRAMES נועד להעריך וכמה טוב מודלים שונים של בינה מלאכותית גנרטיבית מתפקדים. נוכל לראות כיצד גם פלטפורמות ביזור וגם פלטפורמות קוד פתוח לא רק מחזיקות מעמד (בעיקר צ'אט חיוני), הם מאפשרים למשתמשים לקבל הצצה ברורה להיגיון המדהים שכמה מודלים של בינה מלאכותית מסוגלים להשיג.

מסגרות כחלון למוח של GenAI

מערך הנתונים FRAMES ותהליך ההערכה שלו מתמקדים ב-824 שאלות "רב-קפיצות" שנועדו לדרוש הסקה, חיבורים לוגיים בין נקודות, שימוש במספר מקורות שונים כדי לאחזר מידע מפתח, ויכולת לחבר את כולם בצורה לוגית כדי לענות על השאלה. השאלות דורשות בין שניים ל-15 מסמכים כדי לענות עליהן בצורה נכונה, וגם כוללות בכוונה אילוצים, חישובים מתמטיים וניכויים, כמו גם יכולת לעבד לוגיקה מבוססת זמן. במילים אחרות, שאלות אלו קשות ביותר ולמעשה מייצגות מטלות מחקר אמיתיות מאוד שאדם עשוי לבצע באינטרנט. אנו מתמודדים עם אתגרים אלו כל הזמן, ועלינו לחפש את פיסות המידע המרכזיות המפוזרות בים של מקורות אינטרנט, לחבר מידע המבוסס על אתרים שונים, ליצור מידע חדש על ידי חישוב וניכויים, ולהבין כיצד לאחד עובדות אלו לתשובה נכונה לשאלה.

מה שגילו החוקרים כאשר מערך הנתונים פורסם ונבדק לראשונה הוא שהחלק העליון מודלים של GenAI היו מסוגלים להיות מדויקים במידה מסוימת (כ-40%) כאשר היו צריכים לענות באמצעות שיטות חד-שלביות, אך יכלו להגיע לדיוק של 73% אם יורשו להם לאסוף את כל המסמכים הדרושים כדי לענות על השאלה. כן, 73% אולי לא נראים כמו מהפכה. אבל אם מבינים בדיוק על מה צריך לענות, המספר הופך למרשים הרבה יותר.

לדוגמה, שאלה אחת ספציפית היא: "באיזו שנה נולד מנהיג הלהקה שביצע במקור את השיר שנדגם בשיר Power של קניה ווסט?" כיצד אדם יפתור בעיה זו? האדם עשוי לראות שעליו לאסוף אלמנטים שונים של מידע, כמו המילים לשיר של קניה ווסט שנקרא "Power", ולאחר מכן להיות מסוגל לעיין במילים ולזהות את הנקודה בשיר שבאמת דומפלת שיר אחר. אנחנו, כבני אדם, כנראה נוכל להאזין לשיר (גם אם איננו מכירים אותו) ולהיות מסוגלים לדעת מתי שיר אחר נדגם.

אבל תחשבו על זה: מה בינה מלאכותית (GenAI) צריכה לעשות כדי לזהות שיר שאינו המקור בזמן שהיא "האזינה" לו? כאן שאלה בסיסית הופכת למבחן מצוין של בינה מלאכותית חכמה באמת. ואם היינו מצליחים למצוא את השיר, להאזין לו ולזהות את המילים שנדגמו, זה רק שלב 1. אנחנו עדיין צריכים לגלות מה שם השיר, מהי הלהקה, מי המנהיג של אותה להקה, ואז באיזו שנה אותו אדם נולד.

FRAMES מראה שכדי לענות על שאלות מציאותיות, נדרשת כמות עצומה של עיבוד מחשבתי. שני דברים עולים כאן בראש.

ראשית, היכולת של מבוזר היכולת של מודלים של GenAI לא רק להתחרות, אלא גם לשלוט בתוצאות באופן פוטנציאלי, היא מדהימה. מספר הולך וגדל של חברות משתמשות בשיטה מבוזרת כדי להגדיל את יכולות העיבוד שלהן, תוך הבטחה שקהילה גדולה מחזיקה בבעלותה של התוכנה, ולא קופסה שחורה מרכזית שלא תשתף את ההתקדמות שלה. חברות כמו Perplexity ו-Sentient מובילות את המגמה הזו, לכל אחת מודלים אדירים בעלי ביצועים מעל לשיאי הדיוק הראשונים שנצברו כאשר FRAMES שוחרר.

האלמנט השני הוא שמספר קטן יותר של מודלים אלה של בינה מלאכותית אינם רק מבוזרים, הם גם בקוד פתוח. לדוגמה, Sentient Chat הוא גם וגם, ובדיקות ראשוניות מראות עד כמה מורכבת יכולה להיות ההיגיון שלו, הודות לגישה יקרת ערך לקוד פתוח. שאלת FRAMES לעיל נענית באמצעות תהליך חשיבה דומה מאוד לזה שאדם היה משתמש בו, כאשר פרטי ההיגיון שלה זמינים לסקירה. אולי אפילו יותר מעניין, הפלטפורמה שלהם בנויה כמספר מודלים שיכולים לכוונן נקודת מבט וביצועים נתונים, למרות שתהליך הכוונון העדין במודלים מסוימים של GenAI מביא לירידה בדיוק. במקרה של Sentient Chat, פותחו מודלים רבים ושונים. לדוגמה, מודל חדש בשם "Dobby 8B" מסוגל גם לעלות על מדד FRAMES, וגם לפתח גישה פרו-קריפטו ופרו-חופש ברורה, המשפיעה על נקודת המבט של המודל כשהוא מעבד פיסות מידע ומפתח תשובה.

באופק

המפתח לכל החידושים המדהימים הללו הוא המהירות המהירה שהביאה אותנו לכאן. עלינו להכיר בכך שככל שהטכנולוגיה הזו התפתחה מהר, היא רק תתפתח מהר יותר בעתיד הקרוב. נוכל לראות, במיוחד עם מודלים מבוזרים וקוד פתוח של GenAI, את הסף המכריע שבו האינטליגנציה של המערכת מתחילה לעלות יותר ויותר על שלנו, ומה המשמעות של זה לעתיד.