מתי תוכנה התחילה לכתוב תוכנה
אם אתם משיקים קוד, התפקיד שלכם משתנה.
עברתם מכתיבת כל שורה לשימוש ב-autocomplete. עכשיו, אתם כותבים מפרטים (specs) וצופים בסוכנים (agents) כותבים, בודקים ומשיקים קוד עבורכם.
זה לא קרה בן לילה. זהו סיפור בן 70 שנה של הגדרה מחדש של אינטליגנציה.
כך הגענו לכאן:
העידן הסימבולי (שנות ה-50 עד שנות ה-80) אינטליגנציה פירושה הייתה לוגיקה. בני אדם כתבו כל חוק ידנית באמצעות הצהרות IF-THEN. המערכות הללו היו מבריקות בתוך "קופסה" קטנה אחת, אך נכשלו בעולם האמיתי. הן לא יכלו ללמוד מנתונים.
העידן הסטטיסטי (שנות ה-90 עד שנות ה-2000) הפסקנו להגיד למכונות את החוקים. במקום זאת, הראינו להן דוגמאות. מכונות השתמשו במתמטיקה כדי למצוא תבניות בנתונים. זה העניק לנו מסנני ספאם ומנועי המלצות. האינטליגנציה עדיין נשענה על בני אדם כדי לבחור את מאפייני הנתונים (data features) הנכונים.
עידן הלמידה העמוקה (2012–2017) המשחק השתנה עם AlexNet. גילינו שאם עורמים מספיק שכבות ומשתמשים במספיק נתונים, המודל מוצא את המאפיינים שלו בעצמו. אין יותר הנדסת מאפיינים (feature engineering) ידנית. מחשבים החלו לראות ולשמוע כמו בני אדם.
עידן ה-Transformer (2017–2022) ארכיטקטורת ה-Transformer אפשרה למודלים לעבד כמויות עצומות של טקסט בבת אחת. זה הוביל ל-GPT. האינטליגנציה הפכה למורכבת (compositional). מודל אחד יכול היה לכתוב שיר, לדבג Python ולהסביר מתמטיקה. השפה הפכה לממשק עבור כל המשימות.
העידן הסוכני (2023–היום) אנחנו נותנים למודלים "ידיים". סוכן (agent) לא רק עונה על שאלה. הוא משתמש בכלים, גולש באינטרנט, מריץ קוד ומתקן את הטעויות של עצמו. הוא עובר ממתן תשובה פסיבית ללולאה פעילה.
הדפוס ברור. כל עידן העביר את העבודה מבני אדם למכונות.
- Symbolic AI: בני אדם כתבו את החוקים.
- Statistical ML: בני אדם בחרו את המאפיינים.
- Deep Learning: מודלים למדו את הייצוגים (representations).
- LLMs: מודלים למדו מהאינטרנט.
- Agents: מודלים מתכננים ופועלים.
כל קפיצה הייתה גם סיפור כלכלי. אנחנו בונים את מה שאנחנו יכולים להרשות לעצמנו להריץ. ככל שכוח המחשוב (compute) הופך לזול יותר, הסוכנים הופכים לחכמים יותר.
אנחנו לא רק בונים כלים. אנחנו בונים שותפים.
קהילת למידה אופציונלית: https://t.me/GyaanSetuAi