בינה מלאכותית יוצרת (Generative AI) משבשת את חוקי המשחק
טכנולוגית, גלובלית, בצמיחה; אימפקט – גבוה
![יד מקפיצה קוביית משחק שחורה](https://mop.education/wp-content/uploads/2023/08/erik-mclean-C3T8KTZxTFM-unsplash-scaled.jpg)
![](https://mop.education/wp-content/uploads/2023/05/single-trend-scaled.jpg)
תמצית
ההבדל בין בינה מלאכותית יוצרת ובין בינה מלאכותית מסורתית הוא שבינה מלאכותית יוצרת, מייצרת בפועל תוכן חדש, תגובות צ'אט, עיצובים, נתונים סינתטיים או זיופים עמוקים. ואילו בינה מלאכותית מסורתית מתמקדת באיתור דפוסים, בקבלת החלטות, בחידוד ניתוחים, בסיווג נתונים ובאיתור הונאה.
ה-ChatGPT הכה בתדהמה את העולם ביכולתו להבין שפות אנושיות מורכבות ומגוונות וליצור תגובות עשירות ומובנות בדומה לתגובות האדם. ה-DALL-E הוא דוגמה נוספת שפועלת באופן דומה, אם כי עם תמונות דיגיטליות כפלט. שניהם תוצרים של למידה עמוקה[1] שהיא תת-קבוצה של למידת מכונה[2] המשקפת את המוח האנושי בלמידה ובתגובה לנתונים, מידע והנחיות.
יישומי בינה מלאכותית יוצרת כגון ChatGPT, GitHub Copilot, Stable Diffusion ואחרים, פרצו לחיינו בסערה וכבשו את דמיונה של האנושות הודות לשימושיות הרחבה שלהם והיכולות שלהם לכתוב טקסט, להלחין מוזיקה וליצור אמנות דיגיטלית תוך ניהול שיחה אפקטיבית עם המשתמש. דו"ח של חברת מקינזי טוען שבינה מלאכותית יוצרת עשויה לשחרר את הגל הבא של פרודוקטיביות בהיבטים של ערך עסקי והשפעות פוטנציאליות על כוח העבודה. ועדיין, בעלי עניין מרובים מנסים להתמודד עם ההשלכות שלה על כל היבטי החיים, אם בלמידה ועבודה ואם בפנאי, מאחר ולא תמיד ברור להם כיצד לפעול – והמהירות שבה ממשיכה ומתפתחת טכנולוגיה זו, לא הופכת את המשימה הזו לקלה יותר.
היתרונות – יכולת יצור מגוון טקסטים אמינים בשניות, ולהגיב לביקורת כדי להתאים את הכתיבה לנדרש, הינה בעלת השלכות מרחיקות לכת על כל ארגון שצריך לייצר חומרים כתובים ברורים במגוון תעשיות. החל מארגוני טכנולוגיות מידע ותוכנה, וכלה בארגונים הזקוקים לתוכן שיווקי וכלה בהפקת גרסאות ברזולוציה גבוהה של תמונות רפואיות. הזמן והמשאבים שנחסכים מופנים להזדמנויות עסקיות חדשות וליצירת ערך נוסף.
המגבלות – מכיוון שכלים אלו הם כל כך חדשים, עדיין לא נצפתה השפעת הזנב הארוך שלהם, וקיימים סיכונים מעצם השימוש בהם, חלקם ידועים וחלקם לא. התפוקות הנוצרות עשויות להישמע משכנעות, אבל לעיתים המידע המיוצר שגוי או מוטה, מכיוון שהוא בנוי על הטיות מגדריות, גזעניות ואחרות הרווחות באינטרנט ובחברה. כמו כן, ניתן לתמרן את הכלים הללו כדי לאפשר פעילות לא אתית או אפילו פלילית.
ניתן לצמצם סיכונים אלו באמצעות אימון נכון של המודלים או שימוש במודלים קטנים יותר ומתמחים. לערב "עין אנושית" שתבדוק את הפלט של המודל לפני פרסום או טרם נעשה בו שימוש, ובמיוחד להימנע משימוש במודלים אלו עבור החלטות קריטיות, כגון אלו הכרוכות במשאבים משמעותיים או רווחת האדם. אי אפשר להדגיש מספיק שזהו תחום חדש ונוף הסיכונים וההזדמנויות עשוי להשתנות במהירות מידי יום. זוהי תחילתו של מסע להבנת הכוח, טווח ההגעה והיכולות של בינה מלאכותית יוצרת, המוכנה לשנות תפקידים ולהגביר ביצועים בכל היבט, כלכלי, חברתי ותרבותי, וזו כנראה רק ההתחלה.
[1] למידה עמוקה – שיטה בבינה מלאכותית, המלמדת מחשבים לעבד נתונים בהשראת המוח האנושי. מודלים של למידה עמוקה יכולים לזהות דפוסים מורכבים בתמונות, טקסט, צלילים ונתונים אחרים, כדי לייצר תובנות ותחזיות מדויקות,
[2] למידת מכונה – ענף של בינה מלאכותית ומדעי המחשב, המתמקד בשימוש בנתונים ובאלגוריתמים, כדי לחקות את הדרך שבה בני אדם לומדים, תוך שיפור הדרגתי של דיוק המידע.