ב-6 בינואר 2025 התקיים מפגש פורום הסיליקון קלאב בבית IBM בפתח תקווה, ביוזמת חברת ASG בניהולו של שלמה גרדמן. האירוע אירח פאנל מרתק שעסק בשאלה האם בינה מלאכותית תוכל אי פעם להשתוות ליכולות המוח האנושי או אף לעקוף אותן. בפאנל השתתפו פרופ' אילון ועדיה מהאוניברסיטה העברית, פרופ' גלית יובל מאוניברסיטת ת"א, אייל פרקש, סמנכ"ל טכנולוגיות בחברת אקסנצ'ר, ופרופ' אורן שריקי מאוניברסיטת בן גוריון. הפאנל סיפק הצצה מרתקת לעתיד שבו בינה מלאכותית ומוח אנושי יפעלו יחד. חברי הפאנל הציגו תובנות מעמיקות על האתגרים, היתרונות והמגבלות של שתי המערכות, תוך דגש על הצורך בשיתוף פעולה בין אדם למכונה.

המנחה שלמה גרדמן: "האם בעידן הבינה המלאכותית יש עדיין יתרון למוח האנושי?"

פרופ' אילון ועדיה: "המוח האנושי הוא מערכת גמישה להפליא, המסוגלת ללמוד ולהסתגל במהירות למצבים חדשים ולזהות דפוסים מורכבים. תהליכים אלו קשים מאוד לחיקוי על ידי מערכות חישוביות, למרות ההתקדמות המדהימה בתחום הבינה המלאכותית. יתר על כן, היכולת האנושית לחשוב באופן יצירתי ולשלב רגש בתהליך קבלת ההחלטות היא משהו ייחודי למוח שלנו."

פרופ' גלית יובל: "בעוד שבינה מלאכותית מצטיינת בביצוע משימות מוגדרות היטב ובזיהוי דפוסים, המוח האנושי מתעלה בתחומים הדורשים שיקול דעת, חשיבה יצירתית ויכולת להתמודד עם מצבים מורכבים ואמביוולנטיים. בעיות שאין להן תשובה אחת נכונה הן המקום שבו אנחנו, כבני אדם, ממשיכים להוביל."

אייל פרקש: "הבינה המלאכותית יכולה לבצע חישובים במהירות ובדיוק רב בהרבה מהמוח האנושי, אבל היא עדיין חסרה את ההבנה והאינטואיציה האנושית. השילוב בין המוח האנושי למערכות בינה מלאכותית עשוי ליצור שותפות אפקטיבית מאוד, שבה כל צד מביא לידי ביטוי את החוזקות שלו."

פרופ' אורן שריקי: "המוח האנושי הוא פלא אבולוציוני. יש לו יכולת לא רק לחשוב ולנתח, אלא גם לחוות רגשות, להרגיש אמפתיה וליצור קשרים אנושיים. אלו תכונות שהבינה המלאכותית לא מסוגלת לשכפל בצורה אמיתית, לפחות לא בעתיד הנראה לעין."

בהמשך נשאלו המשתתפים שאלות פרטניות.

פרופ' אילון ועדיה: יכולות הלמידה המופלאות של המוח האנושי

שאלה: כיצד המוח יודע ללמד את עצמו ולהפנים מציאויות חדשות שלא הכיר?

פרופ' ועדיה התייחס למחקריו בנושא זה והדגיש את יכולתו המופלאה של המוח האנושי לבצע למידה מופשטת והפנמת מציאויות חדשות. הוא שיתף כיצד גילה, במסגרת ניסויים, שמערכות למידה מבוססות רשתות עמוקות מצליחות ללמוד מושגים באופן מופשט, בדומה לאופן שבו המוח האנושי פועל.

"המוח יודע לזהות דפוסים חדשים במהירות מדהימה, גם במצבים של חוסר מידע," ציין ועדיה. לדבריו, יכולת זו של המוח יכולה להוביל לפיתוחים טכנולוגיים שיסייעו לאנושות בתחומים כמו רפואה, חינוך ואף תחומים יצירתיים.

שאלה: האם בעתיד נוכל להשתיל מוח אלקטרוני מבוסס בינה מלאכותית?

"הרעיון של השתלת מוח מלאכותי עדיין רחוק מאוד, אך הוא כבר אינו מדע בדיוני לגמרי," השיב ועדיה. הוא תיאר כיצד נעשים כיום ניסיונות ראשוניים לשלב אלמנטים ביולוגיים עם טכנולוגיות חישוביות, במטרה להבין טוב יותר את פוטנציאל השילוב בין מוח אנושי לבינה מלאכותית. יחד עם זאת, הוא הדגיש את הקשיים האתיים והטכניים שמלווים ניסיונות אלו.

פרופ' גלית יובל: זיהוי פנים ומגבלות המוח

שאלה: כיצד פועל המוח בזיהוי פנים, ומדוע אנו מזהים פנים אך שוכחים שמות?

פרופ' יובל הסבירה שזיהוי פנים הוא תהליך מוחי מורכב המערב אזורים מיוחדים במוח המוקדשים למשימה זו. "מדובר ביכולת נרכשת המתפתחת לאורך השנים, באמצעות אינטראקציה עם אנשים שונים," היא אמרה. לדבריה, אחת הסיבות המרכזיות לכך שאנו מזהים פנים אך מתקשים לזכור שמות קשורה לאופי הזיכרון הסמנטי: "שמות הם מידע חסר הקשר סמנטי ברור, ולכן קל לשכוח אותם."

שאלה: את מי קשה יותר לרמות בזיהוי פנים – את המוח האנושי או את הבינה המלאכותית?

"בינה מלאכותית כבר עוקפת את המוח האנושי בזיהוי פנים," הצהירה יובל. היא תיארה כיצד אלגוריתמים של זיהוי פנים מצליחים כיום להבחין בין פרצופים בצורה מדויקת ומהירה יותר מבני אדם. "העובדה שהאלגוריתמים הללו פועלים ללא הטיות רגשיות או עייפות היא יתרון משמעותי," הוסיפה. עם זאת, היא הדגישה את הצורך במעורבות אנושית בהחלטות קריטיות המבוססות על זיהוי פנים.

אייל פרקש: חיבורים בין מוח למחשב

שאלה: האם אנו קרובים ליצירת ממשק ישיר בין מוח האדם למחשב בינה מלאכותית?

פרקש הביע אופטימיות באשר לפיתוחים בתחום זה, אך הדגיש שמדובר בתהליך רב-שלבי ומורכב. "אנו רואים כבר היום יישומים ראשוניים של ממשקי מוח-מחשב המאפשרים לאנשים עם מוגבלויות לשלוט על מכשירים בעזרת מחשבותיהם בלבד," הוא אמר. לדבריו, השלב הבא יהיה יצירת ממשקים שיכולים לחבר בין עולמות החישוביות ועולמות הרגש.

שאלה: האם מכונות בינה מלאכותית יכולות להיות יצירתיות כמו בני אדם?

"מכונות יכולות לייצר פתרונות יצירתיים בתחומים מסוימים, אך הן עדיין רחוקות מלהשתוות ליצירתיות האנושית," השיב פרקש. הוא הסביר שהיצירתיות האנושית נובעת לעיתים קרובות ממאפיינים רגשיים ומחוויה אישית – מרכיבים שקשה מאוד לדמות באמצעות אלגוריתמים.

פרופ' אורן שריקי: ממשקי מוח-מכונה ככלי טיפולי

שאלה: האם ממשקי מוח-מכונה יכולים להוביל להישגים רפואיים חדשים?

פרופ' שריקי הדגיש את הפוטנציאל העצום של ממשקי מוח-מכונה בתחום הרפואי. "אנו רואים כבר היום טכנולוגיות שמאפשרות לנטר פעילות מוחית בזמן אמת ולעזור בטיפול במצבים כמו אפילפסיה או פרקינסון," הוא אמר. הוא תיאר כיצד ניתן לחזות התקפים אפילפטיים ולעצור אותם בזמן אמת באמצעות טכנולוגיות מתקדמות.

שאלה: האם יש גבול ליכולות הקוגניטיביות של המוח האנושי?

שריקי השיב שהמוח האנושי הוא מערכת גמישה להפליא, המסוגלת ללמוד ולהסתגל לאינספור מצבים. "אנו יכולים אפילו להוסיף חושים חדשים, כמו קליטת אותות אינפרה-אדום או אולטרסאונד, ולשלב אותם בתוך תהליך החישה הטבעי שלנו," עם זאת, הדגיש פרופ' שריקי את החשיבות של איזון בין הרחבת היכולות לבין שמירה על האנושיות שלנו.

לשאלת הסיום, "האם בינה מלאכותית תוכל לחקות את המוח האנושי בתחומים רגשיים ואסתטיים?", הסכימו חברי הפאנל כי מדובר באתגר משמעותי. בעוד שבינה מלאכותית מתקדמת יכולה לזהות דפוסים ולחקות תהליכי חשיבה, המורכבות הרגשית של המוח האנושי היא עדיין מחוץ להישג ידה. התשובה, אם כן, טמונה לא בהחלפה אלא בשיתוף פעולה שיאפשר לאנושות לנצל את היתרונות של שתי המערכות.

פרופ' אילון ועדיה: "לבינה המלאכותית אין 'אגו' ואין רגש אמיתי. יכולתה לחקות רגשות היא חיצונית בלבד, ולא משקפת חוויה פנימית אמיתית כמו זו של בני אדם. גם אם תצליח לחקות התנהגויות, היא לא תוכל לשכפל את המשמעות הרגשית והאישית שהן נושאות עבורנו."

פרופ' גלית יובל: "תחומים כמו אסתטיקה ורגשות דורשים הבנה של הקשר אישי ותרבותי, ולא רק זיהוי דפוסים. הבינה המלאכותית יכולה אולי לזהות אלמנטים מסוימים באמנות או במוזיקה, אבל היא לא יכולה לחוות את היופי או המשמעות כפי שבני אדם חווים אותם."

אייל פרקש: "הבינה המלאכותית עשויה ללמוד לנתח יצירות אמנות או לזהות יין כמו מבקר מנוסה, אך תמיד יישאר חסר לה אותו מגע אישי ואנושי שהופך את החוויה למשמעותית. היכולת האנושית להתרגש, להעריך יופי ולפתח טעם אישי היא מעבר לחישובים מתמטיים."

פרופ' אורן שריקי: "המורכבות של רגשות אנושיים ושל הבנת אסתטיקה קשורה לא רק לתפקוד מוחי אלא גם לחוויה האנושית הכוללת. ייתכן שנראה מערכות בינה מלאכותית שמחקות רגשות או נותנות הערכה אסתטית, אבל החוויה הסובייקטיבית שהמוח האנושי מביא היא דבר שלא ניתן לחיקוי."

הפוסט "בינה מלאכותית יכולה ללמוד, אבל לעולם לא תרגיש": תובנות ממפגש הסיליקון קלאב על יחסי אדם ומכונה הופיע לראשונה ב-Chiportal.

חוקרי אוניברסיטת מינסוטה הציגו חידוש חומרה בשם CRAM, המפחית את צריכת האנרגיה של AI עד פי 2,500 על ידי עיבוד נתונים בתוך הזיכרון, ומבטיחים שיפורים משמעותיים ביעילות ה-AI.

התקן זה יכול להפחית את צריכת האנרגיה של אינטליגנציה מלאכותית לפחות פי 1,000. חוקרים בתחום ההנדסה באוניברסיטת מינסוטה פיתחו התקן חומרה מתקדם שיכול להפחית את צריכת האנרגיה ביישומי מחשוב של אינטליגנציה מלאכותית לפחות פי 1,000.

המחקר פורסם בכתב העת המדעי "NPJ Unconventional Computing" שמפרסם Nature. לחוקרים יש מספר פטנטים על הטכנולוגיה שבה השתמשו בהתקן.

עם הביקוש הגובר ליישומי AI, מחפשים החוקרים דרכים ליצור תהליך יעיל יותר באנרגיה, תוך שמירה על ביצועים גבוהים ועלויות נמוכות. בדרך כלל, תהליכי למידת מכונה או אינטליגנציה מלאכותית מעבירים נתונים בין הלוגיקה (היכן שהמידע מעובד במערכת) לזיכרון (היכן שהנתונים מאוחסנים), מה שצורך כמות גדולה של אנרגיה.

הצגת טכנולוגיית CRAM 

צוות חוקרים במכללת המדע וההנדסה של אוניברסיטת מינסוטה הציג מודל חדש שבו הנתונים לא עוזבים את הזיכרון, הנקרא זיכרון גישה אקראית חישובית (CRAM).

"זוהי ההדגמה הניסויית הראשונה של CRAM, שבה הנתונים יכולים להיות מעובדים לחלוטין בתוך מערך הזיכרון ללא צורך לעזוב את הרשת שבה המחשב מאחסן מידע," אמר יאנג לו, חוקר פוסט-דוקטורט במחלקה להנדסת חשמל ומחשבים באוניברסיטת מינסוטה והמחבר הראשון של המאמר.

התקן חומרה מותאם אישית מתוכנן לסייע ל-AI להיות יעיל יותר באנרגיה. קרדיט: אוניברסיטת מינסוטה.

סוכנות האנרגיה הבינלאומית (IEA) פרסמה תחזית גלובלית לשימוש באנרגיה במרץ 2024, שחזתה כי צריכת האנרגיה עבור AI תכפיל את עצמה מ-460 טרה-וואט שעה (TWh) ב-2022 ל-1,000 TWh ב-2026. זה שווה בערך לצריכת החשמל של כל יפן.

לדברי מחברי המאמר החדש, מאיץ למידת מכונה מבוסס CRAM צפוי להשיג שיפור בסדר גודל של פי 1,000. דוגמה נוספת הראתה חיסכון באנרגיה של פי 2,500 ו-1,700 בהשוואה לשיטות מסורתיות.

התפתחות המחקר

מחקר זה מתבצע למעלה מעשרים שנה, 

"הקונספט הראשוני שלנו להשתמש בתאי זיכרון ישירות לחישוב לפני 20 שנה נחשב מטורף," אמר ג'יאן-פינג ואנג, המחבר הראשי של המאמר ופרופסור מכובד באוניברסיטת מקנייט ויושב ראש רוברט פ. הארטמן במחלקה להנדסת חשמל ומחשבים באוניברסיטת מינסוטה.

"עם קבוצה מתפתחת של תלמידים מאז 2003 וצוות סגל בין-תחומי אמיתי שבנינו באוניברסיטת מינסוטה – מפיזיקה, מדע והנדסת חומרים, מדעי המחשב והנדסה, למידול ובניית מודלים ויצירת חומרה – הצלחנו להשיג תוצאות חיוביות ועכשיו הדגמנו שטכנולוגיה מסוג זה ישימה ומוכנה להיכלל בטכנולוגיה," אמר ואנג.

מחקר זה הוא חלק ממאמץ עקבי וארוך טווח הבונה על מחקרו פורץ הדרך של ואנג ושותפיו בנושא התקני Magnetic Tunnel Junctions (MTJs), שהינם התקנים ננו-מבניים המשמשים לשיפור כוננים קשיחים, חיישנים ומערכות מיקרואלקטרוניקה אחרות, כולל Magnetic Random Access Memory (MRAM), שהשתמשו בהם במערכות משובצות כגון מיקרו-בקרים ושעונים חכמים.

ארכיטקטורת CRAM מאפשרת חישוב אמיתי בזיכרון ועל ידי הזיכרון ומפרה את החסימה בין החישוב לזיכרון כגורם מגביל בארכיטקטורת פון נוימן המסורתית, עיצוב תיאורטי למחשב עם תוכנית מאוחסנת המשמש כבסיס לרוב המחשבים המודרניים.

"כמצע חישובי מבוסס זיכרון דיגיטלי יעיל מאוד באנרגיה, CRAM גמיש מאוד בכך שניתן לבצע חישוב בכל מיקום במערך הזיכרון. בהתאם לכך, נוכל לקנפג את CRAM כך שיתאים בצורה מיטבית לצורכי הביצועים של מגוון רחב של אלגוריתמי AI," אמרה אוליה קרפוזקו, מומחית לארכיטקטורת חישוב, מחברת המאמר ופרופסור חבר במחלקה להנדסת חשמל ומחשבים באוניברסיטת מינסוטה. "הוא יעיל יותר באנרגיה מאשר בלוקים מסורתיים למערכות AI של היום."

CRAM מבצע חישובים ישירות בתוך תאי הזיכרון, מנצל את מבנה המערך ביעילות, מה שמבטל את הצורך בהעברות נתונים איטיות וצורכות אנרגיה, הסבירה קרפוזקו.

התקן הזיכרון הגישה האקראית (RAM) היעיל ביותר בטווח הקצר משתמש בארבעה או חמישה טרנזיסטורים לקידוד אפס או אחד, אך MTJ אחד, התקן ספינטרוני, יכול לבצע את אותה הפונקציה בחלק קטן של האנרגיה, במהירות גבוהה יותר, והוא עמיד לסביבות קשות. התקנים ספינטרוניים מנצלים את הספין של האלקטרונים במקום את המטען החשמלי לאחסון נתונים, מה שמספק חלופה יעילה יותר לשבבים מבוססי טרנזיסטורים מסורתיים.

כרגע, הצוות מתכנן לעבוד עם מנהיגי תעשיית המוליכים למחצה, כולל אלה במינסוטה, כדי לספק הדגמות בקנה מידה גדול ולייצר את החומרה לשיפור פונקציונליות AI.

הפוסט התקן חומרה מתקדם מפחית צריכת אנרגיה של AI פי 1000 הופיע לראשונה ב-Chiportal.