מאליזה ועד היום: ההיסטוריה של המכונות שמדברות

1950: השאלה שפתחה את התחום

באוקטובר 1950 פרסם המתמטיקאי הבריטי אלן טיורינג מאמר בכתב העת Mind שנפתח בשאלה אם מכונות מסוגלות לחשוב. במקום להתווכח על הגדרות הוא הציע משחק: שופט מנהל שיחה בכתב עם אדם ועם מכונה, ומנסה לזהות מי מהם מי. אם השופט טועה באופן עקבי, אמר טיורינג, השאלה המקורית מאבדת עניין. כך נקבע המדד שילווה את התחום שבעים שנה: היכולת לשוחח.

בקיץ 1956 התכנסה קבוצת חוקרים בקולג' דארטמות'. ג'ון מקארתי, מרווין מינסקי, נתנאל רוצ'סטר וקלוד שאנון ניסחו את ההצעה לכנס, ובה הופיע לראשונה הצירוף "בינה מלאכותית". הם העריכו שעשרה אנשים יתקדמו משמעותית בקיץ אחד, והחטיאו בעשורים. זהו דפוס שיחזור שוב ושוב.

אליזה, 1966: התוכנית שלא הבינה מילה

יוזף וייצנבאום ממכון הטכנולוגי של מסצ'וסטס בנה בין 1964 ל-1966 תוכנית בשם אליזה. התסריט המפורסם שלה, DOCTOR, חיקה פסיכותרפיסט רוג'ריאני, כזה שמחזיר למטופל את דבריו כשאלה.

המנגנון היה פשוט להפליא. אליזה חיפשה במשפט שהוקלד מילות מפתח מרשימה קבועה והרכיבה תשובה לפי תבנית מוכנה. אפס ידע על העולם, אפס זיכרון, אפס הבנה.

ואז קרה מה שוייצנבאום לא צפה. אנשים נקשרו. המזכירה שלו, שידעה בדיוק כיצד התוכנית עובדת, ביקשה ממנו לצאת מהחדר כדי לשוחח עם אליזה ביחידות, ומטפלים שאלו ברצינות אם אפשר להפעיל את זה בקליניקה. וייצנבאום נחרד וכתב ספר שמזהיר מפני אמון עיוור במחשבים. לתופעה ניתן שם, אפקט אליזה: הנטייה לייחס הבנה למערכת שמפגינה סימני שיחה. אותו מנגנון גורם היום לאנשים לקבל תשובה שגויה שמנוסחת היטב, כמתואר במדריך ההזיות של מודלי שפה.

אותו משפט, שתי מכונות

נקליד את אותו משפט בשתי התקופות: "אני מודאג מההחזר החודשי על המשכנתה שלי". אליזה הייתה מזהה את התבנית "אני מודאג מ" ומחזירה: "כמה זמן אתה מודאג מההחזר החודשי על המשכנתה שלך?". תשובה נוספת הייתה גוררת בקשה לספר עוד, ומילת מפתח כמו "אימא" הייתה מקפיצה שאלה על המשפחה. השיחה יכלה להימשך שעה בלי שהתוכנית תדע מהי משכנתה ומהו כסף.

אותו משפט בצ'אט של 2026 מייצר משהו אחר לגמרי. המודל מבקש את הנתונים החסרים: יתרת ההלוואה, התמהיל, הריבית בכל מסלול והשנים שנותרו. לאחר הזנת יתרה של 900 אלף שקל ל-22 שנה, הוא מחשב את ההחזר החודשי, מפרט כמה ממנו קרן וכמה ריבית, מראה מה קורה אם הריבית תעלה, ומציע סדר פעולות לבדיקת מחזור. התשובה חוזרת תוך פחות מדקה ועולה כמה סנטים, או כלולה במנוי צרכני של כ-20 דולר לחודש.

ההבדל אינו בניסוח. אליזה החזירה את המילים שקיבלה; המודל מחזיק ייצוג של המושגים עצמם ומסוגל לחשב עליהם. את המנגנון מפרט ההסבר על אופן פעולתו של מודל שפה.

החורפים ומערכות המומחה

חוקרים בכירים הצהירו בשנות השישים שבתוך עשור מכונה תנצח את אלוף העולם בשחמט ותוכיח משפט מתמטי. כשזה איחר, המממנים איבדו סבלנות. ב-1973 פרסם המתמטיקאי ג'יימס לייטהיל דוח שקבע כי התחום כשל בהבטחותיו, המימון הממשלתי בבריטניה נסגר כמעט לחלוטין, וסוכנות המחקר של הפנטגון קיצצה את התקציבים. הסיבה העמוקה הייתה חוסר בכוח מחשוב ובנתונים, מעבר לזמין אז.

• איך כותבים פרומפט טוב: מה באמת עובד
• השוואה מעשית: איזה צ'אט AI מתאים לאיזו משימה, וכמה זה עולה

שנות השמונים הביאו התאוששות בדמות מערכות מומחה, תוכנות שקידדו ידע אנושי כאלפי כללי "אם אז". מערכת XCON של דיגיטל הרכיבה תצורות מחשבים, והוערך שחסכה עשרות מיליוני דולרים בשנה. תאגידים הקימו מחלקות בינה מלאכותית ויפן השיקה תוכנית לאומית.

הקריסה השנייה הגיעה בסוף העשור. הכללים היו שבירים, כל שינוי במציאות חייב תחזוקה ידנית יקרה, והמערכות נכשלו בכל מקרה שלא נכתב עבורו כלל מראש. שוק החומרה הייעודית התמוטט ב-1987 מול מחשבים אישיים זולים, והמונח בינה מלאכותית נעלם מבקשות מימון. הלקח: מערכת שמזינים לה ידע ביד מגיעה לתקרה מהר.

דיפ בלו וווטסון: לנצח בלי להבין

במאי 1997 ניצח מחשב השחמט דיפ בלו של יבמ את אלוף העולם גארי קספרוב 3.5 מול 2.5, שנה אחרי שקספרוב ניצח את אותה מכונה. דיפ בלו לא למד ולא הבין שחמט; הוא סרק מאות מיליוני עמדות בשנייה ודירג אותן לפי פונקציה שכתבו בני אדם.

בפברואר 2011 ניצחה מערכת ווטסון של יבמ שני אלופים בתוכנית ג'פרדי. היא פירקה שאלות בשפה טבעית, חיפשה במאגר טקסטים עצום ודירגה מועמדים לתשובה. גם כאן ההנדסה הייתה ידנית ותפורה למשימה אחת.

הציבור פירש את שני הניצחונות כהוכחה שמכונות חושבות. בפועל הם הדגימו את ההפך: אפשר להביס אלוף עולם בכוח גס ובהנדסה ממוקדת, בלי הבנה.

• הזולה בשוק מייקרת מחירים: מה מגלה מהלך המחירים של דיפסיק על העלות האמיתית של הבינה המלאכותית
• פעם שלישית ברצף: ה-AI של מטא יצא משליטה, אז למה אף אחד לא לוקח אחריות?

2012 ו-2016: הרשתות חוזרות

רשתות עצביות, רעיון מסוף שנות החמישים, נחשבו עשורים לכיוון שהגיע למבוי סתום. שני דברים שינו זאת: כרטיסי מסך שהוזילו חישוב מקבילי, ומאגרי נתונים שהאינטרנט ייצר.

בסתיו 2012 הגישו אלכס קריז'בסקי, איליה סוצקבר וג'פרי הינטון את AlexNet לתחרות זיהוי התמונות ImageNet. שיעור השגיאה שלהם עמד על כ-15% מול כ-26% אצל המקום השני, והרשת אומנה על שני כרטיסי מסך של אנבידיה. בתוך שנתיים כל התחום עבר ללמידה עמוקה, ואנבידיה יצאה לדרך שהפכה אותה לחברה היקרה בעולם.

במרץ 2016 ניצחה מערכת אלפאגו של דיפמיינד את לי סדול, מגדולי שחקני הגו בהיסטוריה, 4 מול 1. במשחק השני, במהלך ה-37, הניחה המכונה אבן בקו החמישי במקום שאף מקצוען לא היה שוקל. הפרשנים בשידור סברו שמדובר בתקלה, ולי סדול קם מהשולחן והתרחק לכמה דקות. המהלך התברר כמנצח והפך לסמל: המערכת לא חיקתה משחקי אדם, היא מצאה משהו שבני אדם החמיצו אלפי שנים.

2017: המאמר ששינה הכל

ביוני 2017 פרסמו שמונה חוקרים מגוגל מאמר בשם Attention Is All You Need. הם הציגו ארכיטקטורה בשם טרנספורמר, ומחקו ממנה את הרכיב שכל מודלי השפה נשענו עליו עד אז: קריאה סדרתית של הטקסט, מילה אחרי מילה.

הרעיון המרכזי נקרא קשב. במקום לזחול לאורך המשפט, המודל בוחן את כל המילים בבת אחת ומחשב כמה משקל לתת לכל אחת. במשפט "הבנק סירב לתת לחברה הלוואה מפני שהיא הייתה מסוכנת", המנגנון הזה מכריע אם "היא" מתייחסת לחברה או להלוואה.

המשמעות המעשית הייתה כלכלית לפני שהייתה מדעית. קריאה סדרתית אינה ניתנת לחלוקה בין מעבדים, וחישוב מקבילי כן. הטרנספורמר איפשר לפרוס אימון על אלפי מעבדים גרפיים בו זמנית, וזה מה שהפך את הגדלת המודלים לאפשרית. כאן המפנה האמיתי, ולא בהדגמות הראוותניות שקדמו לו. יש אירוניה בכך שגוגל, שפרסמה את המאמר לרשות הרבים, איחרה בעצמה למרוץ המוצרים, כמתואר בסיפורה של ג'מיני וההתעוררות של גוגל.

מ-BERT ל-GPT-3: קנה המידה כשיטה

ב-2018 יצאו שני צאצאים של הטרנספורמר. גוגל הציגה באוקטובר את BERT, מודל שקורא טקסט לשני הכיוונים ומצטיין בהבנת משמעות, והוא נכנס במהירות למנוע החיפוש. OpenAI הציגה ביוני את GPT-1, 117 מיליון פרמטרים, ובו הרעיון שהתברר כמנצח: לאמן על כמות עצומה של טקסט במשימה פשוטה, ניחוש המילה הבאה, ולאחר מכן להתאים למשימות ספציפיות.

מכאן זה היה עניין של קנה מידה. GPT-2 הגיע בפברואר 2019 עם 1.5 מיליארד פרמטרים, ו-OpenAI עיכבה את שחרורו המלא בטענה שהוא מסוכן מדי. במאי 2020 הגיע GPT-3 עם 175 מיליארד פרמטרים, ואז התגלה מה שאיש לא תכנן: המודל ביצע משימות שלא אומן עליהן, מתרגום ועד כתיבת קוד, מתוך הדגמה אחת בתוך השאלה. הגודל לבדו ייצר יכולות חדשות.

נובמבר 2022: הרגע שהציבור נכנס

ב-30 בנובמבר 2022 שחררה OpenAI ממשק שיחה חינמי מעל גרסה משופרת של GPT-3, שאומנה בדירוג תשובות בידי בני אדם. המודל עצמו לא היה חדשני. החידוש היה תיבת טקסט אחת שכל אדם יודע להפעיל.

מאה מיליון משתמשים בתוך חודשיים הפכו את השירות לאפליקציה שצמחה הכי מהר בהיסטוריה עד אז, ובפברואר 2026 דווח על כ-900 מיליון משתמשים שבועיים. הציפיות התהפכו בתוך שבועות, ממחשבים שאינם מבינים באמת ועד תחזיות להחלפת מחצית המקצועות. שתי העמדות היו קיצוניות, וזהו הדפוס שחוזר מאז 1956, כמפורט בהסיפור של OpenAI והמרוץ שהיא פתחה.

מה שקרה מאז נע בשלושה צירים. הראשון הוא מרוץ מודלים בקצב של שבועות: GPT-4 במרץ 2023, ואחריו משפחות קלוד וג'מיני ושרשרת גרסאות שנמשכת עד אוגוסט 2026. הריכוזיות של הימים הראשונים נשחקה, ונתוני תנועה מ-2026 מראים שנתח השוק של ChatGPT ירד מכ-80% לכ-53%.

הציר השני הוא המודלים הפתוחים. מטא שחררה את משקולות משפחת Llama לשימוש חופשי, ואחריה מעבדות סיניות. דיפסיק שחררה בינואר 2025 את R1, מודל חשיבה פתוח שהושג לטענתה בעלות אימון נמוכה בסדר גודל מהמקובל, ותגובת שוק ההון הייתה מיידית: מניית אנבידיה צנחה כ-18% ביום אחד. מאז הפער בין סגור לפתוח הצטמצם, ועליבאבא מציגה מודל שמתקרב לביצועי המובילים, כמפורט בסקירת המודלים הסיניים ומלחמת המחירים.

הציר השלישי הוא מודלי החשיבה. עד סוף 2024 המודל ענה מיד, ואז הציגה OpenAI את o1, שמייצר לעצמו שרשרת שיקולים פנימית לפני התשובה. הגישה הפכה לתקן אצל כל השחקניות ושיפרה ביצועים במתמטיקה ובקוד, במחיר של המתנה ארוכה יותר וחשבון גבוה יותר. את מפת הענף פורש המדריך המלא לצ'אטים של בינה מלאכותית.

שאלות ותשובות

האם מכונה כבר עברה את מבחן טיורינג?

בשיחות קצרות מול שופטים לא מקצועיים, מודלים עדכניים מטעים בשיעור גבוה. החוקרים הפסיקו לראות במבחן יעד, מפני שהוא מודד חיקוי ולא הבנה, ועברו למדדים של פתרון בעיות.

למה אליזה עדיין מוזכרת אחרי שישים שנה?

בגלל התגובה האנושית, לא בגלל התוכנה. אפקט אליזה מסביר למה תשובה מנוסחת היטב נתפסת כאמינה גם כשהיא שגויה, ולכן כדאי לאמת מספרים ומקורות בכל שימוש מקצועי.

מה בדיוק היה חדש בטרנספורמר?

היכולת לעבד את כל המילים במשפט במקביל במקום אחת אחרי השנייה. פרט הנדסי לכאורה, והוא שאיפשר לפרוס אימון על אלפי מעבדים גרפיים ולהגדיל מודלים בסדרי גודל.

האם ייתכן חורף שלישי?

המצב שונה משתי הפעמים הקודמות: יש מוצרים בשימוש יומיומי ויש הכנסות. מנגד, ההשקעות בתשתית והשוויים של החברות הפרטיות מגלמים צמיחה מהירה, וכל האטה עלולה לתקן אותם בחדות.

למה הפריצה לציבור קרתה ב-2022 ולא ב-2020?

היכולות היו קיימות כבר ב-GPT-3, אך נגישות למפתחים בלבד. שלושה שינויים הפכו את הקערה: אימון שגרם למודל לענות לפי כוונת המשתמש, ממשק פשוט, וגישה חופשית ללא תשלום.

האם המודלים של היום באמת מבינים?

זו מחלוקת פתוחה בקהילת המחקר. הם מחזיקים ייצוגים פנימיים שמאפשרים הכללה למשימות חדשות, הרבה מעבר לאליזה. במקביל הם טועים בדפוסים שאדם לא היה טועה בהם, ולכן זהירות עדיפה על הכרעה.

עדכונים

2026 - הענף נמצא בגל של גרסאות תכופות: Claude Fable 5 ו-Claude Opus 5 של Anthropic, GPT-5.6 של OpenAI וג'מיני 3 של גוגל, כולם עם חלון הקשר של מיליון טוקנים. מודלי החשיבה הפכו לברירת מחדל. המודלים הפתוחים צמצמו פערים, ודיפסיק הציגה באפריל 2026 את סדרת V4 ברישיון פתוח. במקביל, חוק הבינה המלאכותית האירופי ממשיך להיכנס לתוקף בשלבים.