אם ה-AI כבר יודע יותר מאיתנו - מי ימשוך אותו למעלה?

"למה אני צריך ללמוד תכנות? עד שאהיה גדול כבר לא יהיו מתכנתים", שאל אותי בני בן ה-10. האינסטינקט הראשון שלי היה להסביר לו   שגם אם הבינה המלאכותית תכתוב את הקוד, עדיין צריך להבין מה עומד מאחוריו. אבל אז חשבתי על זה שוב: אולי הוא בכלל צודק?

סטודנט שמתחיל היום ללמוד מדעי המחשב יסיים את התואר בעוד כמה שנים. עד אז, חלק מהפעולות שעליהן הוא משקיע היום שעות כבר עשויות להתבצע כמעט לחלוטין בידי מכונה. כבר עכשיו כלי בינה מלאכותית כותבים קוד, מאתרים שגיאות ומציעים פתרונות, וחוקרים נעזרים בהם כדי לנתח נתונים. אז למה באמת להשקיע מאות ואלפי שעות ברכישת מיומנות שהמכונה כבר מבצעת מהר יותר?

השאלה הזאת התחילה אצלי מתכנות, אבל ככל שחושבים עליה היא הופכת לשאלה הרבה יותר גדולה על האופן שבו ידע אנושי מתקדם. הבינה המלאכותית לא הגיעה לידע שלה יש מאין. מאחוריה נמצאים דורות של מתכנתים, מתמטיקאים, מהנדסים וחוקרים שכתבו קוד, פתרו בעיות, ערכו ניסויים, טעו, תיקנו וגילו דברים שאיש לפניהם לא ידע.

ועכשיו נוצר מצב חדש: הדור הבא יכול לקבל חלק מהתוצאות של כל תהליך הלמידה הזה בלי לעבור אותו בעצמו. אפשר לקבל קוד בלי לדעת לכתוב אותו, ניתוח בלי לדעת לבצע אותו ופתרון בלי לדעת כיצד הגיעו אליו.

עבור האדם הבודד זו עסקה מצוינת. למה לבזבז שלוש שעות אם אפשר להגיע לאותה תוצאה בשלוש דקות? אבל כשדור שלם מתחיל לפעול כך, עולה שאלה אחרת: אם כולנו נסתמך על מה שה-AI כבר יודע, מי יגלה את מה שהוא עדיין לא יודע?

אם ה-AI כבר יודע לתכנת, מה עדיין שווה ללמוד?

הוויכוח על תכנות ממחיש היטב את הבעיה. במשך שנים לימודי מדעי המחשב ותכנות נתפסו כהשקעה בהון אנושי שמובילה למקצוע מבוקש. עכשיו העבודה עצמה משתנה במהירות.

בניסויי שטח אקראיים שנערכו בקרב 4,867 מפתחי תוכנה במיקרוסופט, אקסנצ'ר וחברת Fortune 100 נוספת, נמצא ששימוש בעוזר קוד מבוסס בינה מלאכותית הגדיל ב-26.08% את מספר המשימות שהושלמו. השיפור היה גדול יותר בקרב מפתחים מנוסים פחות, שגם אימצו את הכלי בשיעורים גבוהים יותר.

עבור חברות תוכנה, ההיגיון הכלכלי ברור. אם אותה קבוצת עובדים יכולה להשלים יותר משימות באותו זמן, הפרודוקטיביות עולה. ועבור המתכנת הצעיר זו גם עסקה טובה: במקום להקדיש שעות לכתיבת קוד שגרתי, אפשר לקבל אותו במהירות ולהתמקד בבעיה הגדולה יותר.

אלא שהעבודה שה-AI חוסך היא לעתים גם העבודה שבאמצעותה לומדים.

• סנדיסק זינקה 544% השנה - ג'יי.פי. מורגן מעלה המלצה ומציב 2,250 דולר
• אקסון ויז'ן: ההפסד גדל והקופה מתכווצת - "פוטנציאל להזמנות גדולות"

מתכנת לא הופך למנוסה רק משום שעבר מספיק זמן מאז שסיים את התואר. הוא כותב קוד, טועה, מאתר את הטעות, קורא קוד של אחרים, מגלה מדוע פתרון שנראה הגיוני נכשל ומפתח בהדרגה אינטואיציה לגבי מערכות מורכבות. אם חלק גדל מהשלבים האלה עובר למכונה, צריך לשאול כיצד תירכש המומחיות שהייתה בעבר תוצר של העבודה עצמה.

וזו אינה בהכרח טענה נגד שימוש בבינה מלאכותית. להפך: ייתכן שהמתכנת של העתיד יצטרך לכתוב הרבה פחות קוד ולהבין הרבה יותר מה הוא רוצה שהמערכת תעשה, כיצד נכון לבנות אותה ואיך לזהות כשהתוצאה שקיבל שגויה. שפת התכנות עצמה עשויה להפוך לחלק פחות מרכזי במקצוע, בעוד האלגוריתמיקה, הארכיטקטורה והיכולת לפרק בעיה הופכות לחשובות יותר.

ה-AI חוסך את העבודה - אבל העבודה היא גם האימון

הבעיה אינה ייחודית למתכנתים. היא מתחילה להופיע כמעט בכל מקצוע שבו בינה מלאכותית יכולה לבצע חלק מהעבודה האינטלקטואלית שהייתה בעבר באחריות האדם.

מחקר של Microsoft Research שפורסם ב-2025 בחן 319 עובדי ידע ו-936 דוגמאות לשימוש בבינה מלאכותית בעבודה. החוקרים מצאו שככל שהמשתמשים נתנו אמון רב יותר בתשובות של המערכת, כך הם דיווחו על פחות מאמץ של חשיבה ביקורתית. במקביל, אופי החשיבה השתנה: פחות יצירה ישירה של התוצאה ויותר אימות, שילוב ופיקוח על מה שהמכונה ייצרה.

זו הבחנה חשובה. המחקר אינו מוכיח שהבינה המלאכותית הופכת אנשים לפחות חכמים או פוגעת בהכרח ביכולת החשיבה שלהם. הוא מצביע על שינוי באופן שבו הם מפעילים אותה.

• חברות ומודלים של בינה מלאכותית: מי מוביל, מי מפגר ומי מממן את כולם
• גרוק של xAI: המודל שנבלע לתוך ספייס אקס, ומה הוא נותן בחצי מחיר

יכול להיות שה-AI לא מבטל חשיבה אלא מעביר אותה קומה: המתכנת כותב פחות קוד ומתכנן יותר, האנליסט מחשב פחות ובודק יותר, והחוקר מבצע פחות עבודה טכנית ומקדיש יותר זמן להגדרת השאלה.

אבל כדי לבדוק תשובה צריך לדעת מתי היא שגויה.

בסקר המפתחים של Stack Overflow ל-2025, 46% מהמפתחים אמרו שאינם סומכים על הדיוק של תוצרי כלי AI, לעומת 33% שסומכים עליהם. רק כ-3% הביעו רמת אמון גבוהה בתוצאות. המפתחים המנוסים היו הזהירים ביותר: שיעור אלה שנתנו אמון גבוה במיוחד עמד אצלם על 2.6%, בעוד 20% הביעו חוסר אמון גבוה במיוחד.

הנתונים האלה מחדדים את הפרדוקס: ככל שהמכונה טובה יותר בביצוע המשימה, קטן התמריץ של האדם ללמוד לבצע אותה בעצמו. אבל כדי לדעת מתי המכונה טועה, עדיין צריך אדם שמבין את התחום.

וזה המקום שבו הדיון על "מקצועות שייעלמו" מפספס חלק מהעניין. השאלה אינה רק כמה מתכנתים, אנליסטים או חוקרים יצטרך שוק העבודה. היא גם כיצד מייצרים מומחה בעולם שבו חלק מהעבודות שבעבר הפכו מתחיל למומחה נעשות עבורו בידי מכונה.

ה-AI מביא אותנו לקומה העשירית - אבל מי יבנה את הקומה ה-11?

עד כאן זו בעיקר בעיה של הכשרת עובדים. השאלה הגדולה יותר מתחילה כשמסתכלים על הדרך שבה ידע מתקדם.

במשך מאות שנים המבנה היה דומה. כל דור למד את הידע שהצטבר לפניו, הגיע לקצה שלו וניסה להתקדם עוד קצת. פיזיקאי לא היה צריך לגלות מחדש את חוקי ניוטון, ומתמטיקאי לא התחיל את התחום מאפס. אבל כדי לגלות משהו חדש היה עליו להגיע לרמה שמאפשרת להבין מה כבר ידוע - ואיפה הידע הקיים מפסיק להספיק.

במובן הזה, הידע האנושי דומה לבניין. כל דור מקבל את הקומות שכבר נבנו ומנסה להוסיף עוד אחת.

הבינה המלאכותית משנה משהו בסיסי במנגנון הזה. היא מאפשרת לאדם לעלות במעלית.

סטודנט יכול לקבל קוד שהוא עצמו עדיין אינו יודע לכתוב. חוקר יכול לבקש ניתוח שאינו יודע לבצע בעצמו. אדם יכול לקבל הסבר מתמטי או פתרון ברמה גבוהה בהרבה מזו שהיה מסוגל להגיע אליה לבדו.

מבחינת המשתמש זו התקדמות. השאלה היא מה קורה אם אנחנו מבלבלים בין היכולת להגיע לקומה העשירית לבין היכולת לבנות את הקומה ה-11.

אם מספיק אנשים יחליטו שאין עוד טעם ללמוד לעומק את תשע הקומות הראשונות, מי מהם יהיה מסוגל לזהות שהבניין הקיים מבוסס על הנחה שגויה? מי ימציא שיטת חישוב אחרת, אלגוריתם שהמודל מעולם לא ראה או תיאוריה שסותרת את הידע שעליו הוא נשען?

ההבחנה הזאת חשובה במיוחד באקדמיה. מטרתה של אוניברסיטה אינה רק להביא סטודנט לתשובה הנכונה. התרגיל, המעבדה, כתיבת הקוד והחישוב הם חלק מהדרך שבה הוא לומד מדוע התשובה נכונה, מתי היא אינה נכונה ואילו הנחות עומדות מאחוריה.

ברגע שמערכת חיצונית יכולה לספק את התוצאה בלי שהסטודנט יעבור את התהליך, היא יכולה להגדיל מאוד את יכולת הביצוע שלו בלי להגדיל באותה מידה את הידע שנמצא אצלו.

מחקר שפורסם ב-Scientific Reports ב-2025 ניסה לבחון חלק מהשאלה הזאת מהכיוון של גילוי מדעי. החוקרים בדקו את יכולתו של GPT-4 לבצע תהליך של גילוי בתחום הגנטיקה המולקולרית. המודל הצליח יותר כאשר פעל בתוך ייצוג ידע מוכר או קיבל גישה למרחב ידע שיצרו מדענים אנושיים, אך התקשה להגיע בעצמו לתגלית יסודית שדרשה יצירת השערה מקורית וזיהוי חריגה בתוצאות.

החוקרים הבחינו למעשה בין שני סוגים של התקדמות: גילוי מצטבר, שמרחיב ידע שכבר קיים, וגילוי בסיסי יותר, שדורש לצאת ממסגרת הידע הקיימת. המערכות שנבדקו היו חזקות יותר בסוג הראשון. זה לא מוכיח שבינה מלאכותית לא תוכל בעתיד לפרוץ גבולות בעצמה, אבל הוא ממחיש את ההבדל בין להיות יעיל מאוד בתוך מרחב הידע לבין להרחיב את המרחב עצמו.

ופה נמצאת השאלה שמתחילה בתכנות אבל מגיעה הרבה מעבר אליו. אם הדור הבא יידע להשתמש ברמה גבוהה מאוד בידע שהצטבר עד היום, אבל פחות אנשים יעברו בעצמם את הדרך הנדרשת כדי להבין אותו לעומק, האם עדיין יהיו מספיק אנשים שיוכלו לזהות איפה נגמר מה שאנחנו כבר יודעים?

כשה-AI לומד מ-AI

לצד השאלה מי ייצר את הידע החדש, קיימת בעיה אחרת: מאיזה חומר ילמדו המודלים הבאים.

הדורות הראשונים של המודלים הגדולים אומנו במידה רבה על עולם שבו רוב הטקסט, הקוד והתמונות נוצרו בידי בני אדם. העולם שבו יאומנו הדורות הבאים כבר שונה. יותר תוכן ברשת נוצר או נערך באמצעות בינה מלאכותית, ולכן הדורות הבאים של המודלים יפעלו בסביבת מידע שונה מזו שעליה אומנו הדורות הראשונים.

ההבדל הזה חשוב. אם מודל לומד מספר שבני אדם כתבו, מקוד שמתכנת כתב או ממאמר שבו חוקר תיעד ניסוי, הוא מקבל מידע שנוצר מחוץ למערכת. אם הוא לומד מתוצר שמודל אחר ייצר, ייתכן שחלק מהמידע הזה כבר מבוסס בעצמו על אותם מקורות שמהם למד הדור הקודם.

ב-2024 פרסם Nature מחקר שבדק מה קורה כאשר דורות של מודלים לומדים באופן רקורסיבי מתוצרים של מודלים קודמים. החוקרים כינו את התהליך "קריסת מודל": כאשר מודלים מאומנים ללא הבחנה על מידע שנוצר בידי מודלים אחרים, הם עלולים לאבד בהדרגה מידע על ההתפלגות המקורית שעליה התבססו. דווקא המקרים הנדירים - הזנבות של ההתפלגות - עלולים להיעלם ראשונים.

המשמעות אינה שכל שימוש במידע סינתטי מזיק. מידע שנוצר בידי AI יכול לשמש לאימון מערכות בצורה מועילה, והוא כבר משמש לכך. הבעיה נוצרת כאשר המידע הסינתטי מחליף באופן בלתי מבוקר את המקורות המקוריים ונעשה בעצמו בסיס לדורות הבאים.

זה הבדל מהותי. המסקנה אינה שהמודלים חייבים ללמוד רק מבני אדם, אלא שמידע חדש, מגוון ואיכותי שמגיע מחוץ ללולאה נשאר בעל ערך.

במובן מסוים, זו גרסה אחרת של אותה בעיה שאנחנו רואים אצל הסטודנט. הסטודנט יכול לקבל תשובה שנגזרת מידע שהמערכת כבר מחזיקה בו. המודל הבא יכול ללמוד מתוכן שהמודל הקודם עזר ליצור. בשני המקרים התהליך יעיל מאוד - אבל צריך לוודא שלא נוצר עולם שבו חלק הולך וגדל מהידע החדש הוא למעשה עיבוד נוסף של ידע שכבר היה במערכת.

ם אף אחד לא נמצא מעליו - מי ימשוך אותו למעלה?

עד כאן הנחנו במידה רבה שבני האדם הם אלה שצריכים לייצר את הקומה הבאה של הידע. אבל זו אינה בהכרח הנחה נכונה.

רק לפני כמה שבועות לקח סם אלטמן, מנכ"ל OpenAI, את הרעיון הזה צעד גדול קדימה. בשיחה בפודקאסט Relentless הוא אמר כי לדעתו אנחנו כבר "בתוך הסינגולריות" - מושג שמתאר את הנקודה שבה התקדמות הבינה המלאכותית עוברת שלב והופכת למהירה וקשה יותר לחיזוי אנושי. 

אלטמן כבר כתב ביוני 2025 כי "ההמראה החלה", והעריך שב-2026 נראה מערכות שמסוגלות להגיע לתובנות חדשות בעצמן.

הקביעה שהסינגולריות כבר כאן שנויה במחלוקת, וגם אין הגדרה אחת מוסכמת למונח. אבל השאלה שאלטמן מעלה רלוונטית במיוחד כאן: מה קורה אם ה-AI כבר לא רק לומד את הידע שבני אדם יצרו, אלא מתחיל לייצר בעצמו ידע שבני אדם עדיין לא גילו?

בינה מלאכותית אינה רק מערכת שמעתיקה את מאגר האימון שלה. מודלים יכולים לחבר רעיונות בדרכים חדשות, להסיק מסקנות שלא הופיעו במפורש במידע שעליו אומנו ולחפש במספר עצום של אפשרויות במהירות שאינה מעשית עבור בני אדם. וכבר קיימות דוגמאות שבהן מערכות כאלה לא הסתפקו בשחזור הידע האנושי, אלא שיפרו תוצאות שהיו הטובות ביותר שהכרנו.

אחת הבולטות היא AlphaEvolve של גוגל דיפמיינד, שמשלבת את מודלי Gemini עם מנגנון שמייצר פתרונות, בוחן אותם ומשפר אותם שוב ושוב. דיפמיינד בחנה את המערכת על יותר מ-50 בעיות פתוחות בתחומים כמו אנליזה מתמטית, גיאומטריה, קומבינטוריקה ותורת המספרים. בכ-75% מהמקרים היא הצליחה להגיע מחדש לפתרון הטוב ביותר שהיה ידוע, ובכ-20% מהמקרים אף שיפרה את התוצאה הטובה ביותר שהושגה עד אז.

אחת הדוגמאות היא בעיה גיאומטרית שנחקרת כבר יותר מ-300 שנה: כמה כדורים זהים אפשר להצמיד לכדור אחד כך שכולם ייגעו בו, בלי לחפוף זה את זה. הבעיה מוכרת במתמטיקה כ"בעיית מספר הנשיקה". AlphaEvolve מצאה סידור של 593 כדורים במרחב בן 11 ממדים, ובכך שיפרה את התוצאה הטובה ביותר שהייתה ידועה עד אז.

המערכת מצאה גם דרך יעילה יותר לבצע סוג מסוים של כפל מטריצות מרוכבות בגודל 4 על 4, באמצעות 48 פעולות כפל סקלריות. לפי דיפמיינד, זה היה השיפור הראשון בתוצאה הזאת ביחס לשיטה של שטרסן זה 56 שנה.

החשיבות של הדוגמאות האלה אינה דווקא במספר הכדורים או במספר פעולות הכפל. היא בכך שהמערכת לא רק שלפה פתרון שכבר היה קיים, אלא חיפשה במרחב האפשרויות ומצאה פתרונות ששיפרו תוצאות שהיו מוכרות למתמטיקאים. לפחות בבעיות שבהן אפשר להגדיר מטרה ברורה ולבדוק באופן אוטומטי אם פתרון אחד טוב מקודמו, הבינה המלאכותית כבר מראה שהיא יכולה לא רק להשתמש בגבול הידע האנושי - אלא גם להזיז אותו.

וזה משנה את השאלה שעליה בנויה הכתבה. אם מערכות AI יוכלו בעצמן לייצר ידע שלא היה קיים קודם, ייתכן שלא תמיד יהיה צורך באדם שיודע יותר מהן כדי "למשוך אותן למעלה".

הכיוון הזה כבר נבחן גם במחקר המדעי עצמו. ב-2026 פורסם ב-Nature מחקר על מערכת בשם The AI Scientist, שנועדה לבצע חלק גדול ממחזור המחקר באופן אוטומטי: להציע רעיונות, לכתוב קוד, להריץ ניסויים, לנתח את התוצאות ולכתוב מאמר.

שלושה מאמרים שנבחרו על ידי החוקרים הוגשו לסדנה אקדמית, כאשר תהליך יצירתם - מהרעיון ועד כתיבת המאמר - נעשה ללא שינוי אנושי בתוכן. אחד מהם עבר ביקורת עמיתים והתקבל לסדנה ב-ICLR.

צריך לסייג את ההישג: שיעור הקבלה באותה סדנה היה כ-70%, גבוה משמעותית משיעור הקבלה לכנס המרכזי, ורק אחד משלושת המאמרים שהגישה המערכת התקבל. גם החוקרים עצמם מדגישים שיש עוד דרך עד שמערכות כאלה ישתוו למחקר האנושי הטוב ביותר. ובכל זאת, הניסוי מראה שהגבול בין "כלי שעוזר לחוקר" לבין מערכת שמבצעת בעצמה חלק משמעותי ממחזור המחקר מתחיל להיטשטש.

מכאן נפתחים שני תרחישים שונים מאוד.

בתרחיש הראשון, הבינה המלאכותית נשארת חזקה במיוחד בניצול, שילוב והרחבה של ידע קיים. היא יכולה לעשות זאת מהר יותר מאדם ובהיקפים שאדם אינו מסוגל להם, אבל עדיין זקוקה לעולם חיצוני שממשיך לייצר תצפיות, ניסויים, רעיונות וידע חדש. במקרה כזה עדיין נצטרך בני אדם שמגיעים לגבול הידע, מזהים את מה שהמערכת אינה יודעת ושואלים את השאלות שעוד לא נמצאות בתוכה.

בתרחיש השני, המערכות הופכות בעצמן ליצרניות משמעותיות של ידע: הן מנסחות השערות, מבצעות ניסויים, מפריכות רעיונות ומוצאות פתרונות שלא היו קודם בידע האנושי. במקרה כזה, השאלה מי ילמד את ה-AI מקבלת תשובה אחרת לגמרי - אולי לפחות בחלק מהתחומים הוא כבר לא יהיה תלוי רק בנו כדי לגלות את הדבר הבא.

אנחנו עדיין לא יודעים איזה משני התרחישים קרוב יותר למציאות. ייתכן גם שהתשובה תהיה שונה מתחום לתחום. בבעיות שבהן אפשר להגדיר מטרה ברורה ולבדוק מיד אם פתרון חדש טוב יותר, כמו חלק מהבעיות המתמטיות והאלגוריתמיות, למכונה יש יתרון משמעותי. בתחומים שבהם עצם בחירת השאלה, בניית הניסוי או הפרשנות של המציאות הם חלק מרכזי מהגילוי, התלות בבני אדם עשויה להישאר גדולה הרבה יותר.

אולי אנחנו פשוט צריכים ללמוד אחרת

כל זה לא אומר שסטודנטים צריכים להפסיק להשתמש בבינה מלאכותית. ניסיון לשמר בכוח עולם שבו כל מתכנת כותב כל שורת קוד בעצמו דומה לדרישה ממהנדס לוותר על מחשבון.

אבל גם האנלוגיה למחשבון אינה מושלמת.

המחשבון החליף בעיקר את פעולת החישוב. הבינה המלאכותית מסוגלת להשתתף גם בבחירת הדרך לפתרון, בכתיבת הפתרון, בהסבר שלו ובבדיקה שלו. היא יכולה לכתוב את הקוד, להסביר מדוע הוא אמור לעבוד ולהציע תיקון כאשר הוא נכשל.

לכן היא יכולה לחסוך לא רק עבודה טכנית, אלא חלק מהתהליך שבאמצעותו רכשנו בעבר מומחיות.

וזה עשוי להיות אחד האתגרים המרכזיים של האקדמיה בשנים הקרובות. לא כיצד למנוע מסטודנטים להשתמש ב-AI - משימה שספק אם היא אפשרית או רצויה - אלא כיצד לוודא שהם ממשיכים לרכוש את הידע שמאפשר להם להיות יותר ממשתמשים במערכת.

גם אונסק"ו, במסגרת הכישורים שפרסמה לתלמידים בעידן הבינה המלאכותית, אינה מסתפקת ביכולת להשתמש במערכות AI. המסגרת בנויה סביב 12 יכולות בארבעה ממדים, ובשלוש רמות התקדמות: להבין, ליישם וליצור. היא מדגישה בין היתר שיפוט ביקורתי, הבנת העקרונות שמאחורי המערכות והיכולת לעבור משימוש בטכנולוגיה ליצירה באמצעותה.

ייתכן, לכן, שהשאלה הנכונה אינה אם להמשיך ללמד תכנות, מתמטיקה או סטטיסטיקה בדיוק כפי שלימדו אותם לפני עשר שנים. השאלה היא איזה ידע אדם חייב להחזיק בעצמו כדי שיוכל להשתמש במכונה בלי להיות מוגבל לחלוטין לגבולות שלה.

בתכנות, למשל, ייתכן שיהיה פחות חשוב לזכור תחביר של שפת תכנות מסוימת והרבה יותר חשוב להבין אלגוריתמים, לוגיקה, מבני נתונים, ארכיטקטורה ומתמטיקה. היכולת לכתוב פונקציה מאפס עשויה להיות שווה פחות; היכולת להבין מדוע היא פועלת, מה עלול להשתבש בה ואיך היא משתלבת במערכת גדולה עשויה להיות שווה יותר.

גם צורת ההערכה יכולה להשתנות. במקום לבדוק רק אם סטודנט מסוגל להגיע לתשובה, יהיה צורך לבדוק אם הוא יודע להעריך תשובה שמישהו אחר - או משהו אחר - ייצר. במקום לתת לו לכתוב קוד שה-AI מסוגל לייצר בשניות, אפשר לדרוש ממנו למצוא בו את הטעות, להסביר את ההנחות שעליהן הוא מבוסס או להציע פתרון שהמערכת לא הציעה.

ובעולם שבו אפשר לקבל תשובה כמעט לכל שאלה בתוך שניות, ייתכן שהיכולת היקרה ביותר תהיה דווקא לדעת איזו שאלה עדיין לא נשאלה.

כי בסופו של דבר, השאלה שמתחילה בילד ששואל למה ללמוד תכנות אינה באמת שאלה על פייתון.

עבור אדם אחד, ההחלטה לא ללמוד משהו שה-AI כבר עושה טוב ממנו יכולה להיות הגיונית לחלוטין. אם המטרה היחידה היא להגיע לתוצאה, אין סיבה להתעקש לבצע בעצמך פעולה שמכונה עושה מהר יותר ובעלות נמוכה יותר.

אבל עבור דור שלם, אותה החלטה בדיוק עלולה לשנות את הדרך שבה מומחיות וידע חדשים נוצרים.

במשך מאות שנים כל דור אנושי למד את מה שהדור שלפניו כבר ידע, טיפס עד הקצה והוסיף עוד קצת. עכשיו יש לנו מכונה שיכולה לקחת אותנו לקצה הרבה יותר מהר.

נותרה רק שאלה אחת: אם נפסיק ללמוד איך להגיע לשם בעצמנו, מי יידע לאן ללכת משם?