שבב של Nvidia / צילום: רויטרס, Tyrone Siu
החוקים היום נראים פשוטים: אתם רוצים לבנות אפליקציה? פשוט תבנו אותה, או שתשלמו לאנשים כדי שיבנו אותה, ותעלו אותה לאפסטור ובגוגל פליי. אם פעם יכולות המחשוב לא הצליחו לתת מענה לדמיון היצירתי, היום המפתחים יודעים שיש טלפונים חכמים, מיומנים ומהירים שיריצו בקלות כמעט כל גחמה.
החברות ששינו את הכלכלה בעשור האחרון, כמו אובר ו-Airbnb, לא היו צריכות להתעסק יותר מדי בחומרה, הן פשוט בנו אפליקציות יעילות להפליא. אבל זה כבר לא המצב בכל תחום: מי שמעז לחלום על בינה מלאכותית פועל היום בחוסר ודאות, לראשונה זה 50 שנה. ולסיבה שזה קורה קוראים חוק מור, או ליתר דיוק - הפרתו של חוק מור.
בשנת 1965 הבחין גורדון מור, ממייסדי אינטל, כי מספר הטרנזיסטורים שניתן להכניס לשבב מוכפל כל 24-18 חודשים. הגרסה הפופולרית של האבחנה הזאת, שזכתה לכינוי חוק מור, היא שכוח העיבוד של שבבים מכפיל את עצמו בכל שנתיים.
עד השנים האחרונות, ההנחה הזאת עמדה במבחן, והפכה לסטנדרט הזהב של תעשיית ההייטק. אלא ש"חוק מור" לא מבטא רק הערכה לגבי קצב השיפור הטכנולוגי, או תוכנית פעולה עסקית. החוק מתיישב עם האמונה בכך שכוחה של היצירתיות האנושית אינו ניתן לעצירה.
עד כמה התפיסה הזאת חזקה? עד היום מפתחי יישומים נשענו באמונה כמעט עיוורת על כך שיקומו מערכות חומרה חזקות יותר ויותר כדי לתמוך בחלומות שלהם. הם גם לא התאכזבו. רק תחשבו על הדיסקט, ועכשיו על דיסק און קי בנפח שני טרה בייט. באייפון, כידוע, יש יותר כוח מחשוב משהיה בחללית אפולו 11. אם דבר דומה היה מתרחש בתעשיות אחרות היינו יכולים היום, לפי בכיר אינטל סטייסי סמית: "לטוס אל השמש בגלון אחד של דלק, להאכיל את אוכלוסיית העולם באמצעות קילומטר רבוע של אדמה ולנסוע במהירות גבוהה פי 300 ממהירות האור".
אבל אז הגיעה 2015. במרץ של אותה שנה אינטל הודיעה כי תהליך ההכפלה, הכיווץ וההתייעלות שחזה מור קשה יותר ליישום כיום, והיא תאט את קצב ההשקה של שבבים חדשים. מה שאומר בפועל שהגדלת כוח המחשוב הגולמי יאט. מהר מאוד הכריזו חוקרים, מפתחים ועיתונאים על מותו של חוק מור, והביעו חשש שאם לא יתרחש משהו מהותי, השבבים יגיעו לנקודת קצה. בפעם הראשונה מזה עשרות שנים היזמים לא יכולים לבנות על זה שכל מה שהם ירצו לעשות יתגשם, ומהר. ואלה חדשות ממש לא טובות עבור הבינה המלאכותית.
הגביע הקדוש של הטכנולוגיה
בינה מלאכותית היא הגביע הקדוש של העתיד הטכנולוגי הנראה לעין. היא מרכזת סביבה יותר מ-3,000 סטארט-אפים ברחבי העולם ונשפכים לתוכה מיליארדי דולרים לפיתוח, רכישות ומיזוגים בשנה. לפי מקינזי, בשנת 2017 לבדה ענקיות הטכנולוגיה - אמזון, פייסבוק, גוגל, עליבאבא ואחרות - השקיעו בה יחד סכום שמוערך ב-39-26 מיליארד דולר. מניות חברות השבבים, שמפתחות את החומר ממנו עשוי הגביע, מזנקות בשנים האחרונות במספרים דו-ספרתיים.
כל ההון הזה הולך לפיתוח עולם שבו מחשבים מצליחים ללמוד ולהתפתח, על בסיס הרעיון שעומד מאחורי תהליך הלמידה האנושי: חיפוש דפוסים בתוך כמויות גדולות של נתונים. בבינה מלאכותית התהליך מתפצל לשניים: קודם יש לאמן מחשב עם מידע רב ואז לגרום לו להצליח להפיק ממנו תובנות או ללמוד משימות חדשות. בניית המודלים המתמטיים שנחוצים כדי שמחשבים יהיו מסוגלים לעשות זאת עשוי לקחת למחשבים מסורתיים זמן וכוח עיבוד רב.
כבר היום נדרשים מחשבים לסקור מסות אדירות של נתונים כדי לזהות דפוסים ולבצע תחזיות, להעריך אם כדאי להעניק הלוואה לאדם כזה או אחר, למקד פרסומות, לדחוף המלצות למוצרים, לזהות פנים ולהציע תיוגים. וזו רק ההתחלה. חברות מתעשיות המסחר, הבריאות, הקמעונאות, הפיננסים וגם הנשק מגייסות את הבינה המלאכותית ומפתחות על בסיסה חלומות גדולים לעתיד (או סיוטים, תלוי איך מסתכלים על זה). אך זה דבר אחד לכתוב אלגוריתם, ודבר אחר להצליח לפרוס אותו בעולם. בין כל הרעיונות על מכוניות אוטונומיות, רובוטים רצחניים או עוזרים אישיים, עובר גם חומר שצריך להיות מסוגל להכיל, לעבד וללמוד את השאיפות היזמיות. כך האטת חוק מור הטילה זרקור על מה שנתפס במשך שנים כמובן מאליו: פיתוח טכנולוגיות בסיסיות.
חברות הענק משתפות פעולה
באופן מפתיע מעט, מי שאולי מחזיקה בפתרון להאטת חוק מור היא חברת אנווידיה (Nvidia). חברת השבבים האמריקאית שכללה לאורך השנים כרטיסים גרפיים, שזכו לפופולריות בעיקר בתעשיית הגיימינג - שבבי ה-GPU. מה שמיוחד בשבבים אלו הוא שהם נוצרו כדי לבצע ביעילות מקסימלית מיליוני חישובים זהים בו זמנית, בדיוק מה שיישומי בינה מלאכותית צריכים כדי לעבד כמויות מידע עצומות. חברות הטכנולוגיה של ימינו, גם אלה שלא עוסקות בגיימינג, הבינו שיש כאן משהו שכדאי לשים לב אליו. פייסבוק משתמשת היום בשבב Tesla P100 של אנווידיה כדי לקצר תהליכים הקשורים לניתוח תמונות - שעה אחת של עיבוד במקום 29 שעות לפני הכנסת השבב לפעולה. אמזון ו-IBM משתמשות בשבב כדי ששירותי הענן שלהם יתמכו בפתרונות AI. בהתאם מניית אנווידיה נהנית מראלי אדיר, וזינקה מתחילת 2016 ב-570% לשווי של 115 מיליארד דולר.
פתרון אפשרי נוסף שעלה מתוך המצוקה היא התנתקות מלאה או חלקית מהתלות בחברות השבבים הגדולות, כמו אינטל. במקום זאת עוברות החברות לייצור עצמי בהתאם לצרכים של כל חברה, או לשיתופי פעולה ספציפיים. אלפבית, למשל, בנתה לאחרונה שבב AI, שגם הוא זוכה לשם בן שלוש אותיות - TPU. שבב זה אחראי בין היתר על יכולות זיהוי הפנים של גוגל, תרגום שפות וזיהוי פקודות קוליות במכשירי אנדרואיד. היזם הסדרתי אילון מאסק הודיע החודש שבטסלה, חברת המכוניות החשמליות שלו, עומלים על שבב AI משלהם כדי לתמוך במרוץ להשלמת מכונית אוטונומית. גם אפל חשפה השנה שבבי בינה מלאכותית, ששולבו במכשירי האייפון. כל חברה מתגאה כמובן שהיא בונה או תבנה את השבב המהיר ביותר, עם עוצמות העיבוד הגבוהות ביותר והצריכה האנרגטית הנמוכה ביותר. זה כמובן לא מקרי שהחברות המדוברות הן ענקיות טכנולוגיה: לייצר שבבים זה עסק יקר במיוחד, ששווה את המאמץ רק אם יש להם שימוש נרחב ביותר.
למעשה, העלויות והמיומנויות הנדרשות כה מאתגרות עד שחברות ענק, גם מתחרות, משתפות פעולה כדי להגיע לפתרונות בתחום החומרה. היום אפשר למצוא כמעט כל שילוב אפשרי: פייסבוק, גוגל ואמזון; אפל, אמזון ומיקרוסופט; אינטל עם פייסבוק; ויש גם זווית ישראלית. צוותים ישראלים ב-IBM לקחו חלק בפיתוח דור חדש של שרתים, מבוססים שבבי אנווידיה, שהם מגדירים כ"מתקדם ביותר ליישומי בינה מלאכותית".
"עם השרתים החדשים אנחנו יכולים להפיק תובנות בדקות, תהליכים שפעם היו לוקחים ימים עם מחשוב שהיה תופס מגרש כדורגל שלם. החומרה החדשה מהווה שיפור של פי 10 מהקודמת", אומר ל"גלובס" עופר אלמוגי, מנהל תחום השרתים ב-IBM ישראל.
בכל מקרה, הארגונים שנשענים על השרתים לא חייבים להצטופף במשרד: הם יכולים להישען על הפתרונות שמציעות IBM, מיקרוסופט או אמזון, על בסיס ענן. "האתגר הוא לא רק החומרה, אלא גם להפוך אותה לנגישה לכל מי שרוצה", מסכם אלמוגי.
כפי שאפשר להבחין, אין כאן פתרון אלגנטי, שבב קסם שיזניק את הבינה המלאכותית קדימה. התהליכים המכונים למידת מכונה אינם זהים בכל היישומים: יש חברות שצריכות לנתח תמונות, אחרות קולות, מספרים, תנועה בכבישים או אפילו זרמי אוויר. יש תהליכי למידה מונחית שבהם מחשבים מעבדים מידע רב, ובסופו של דבר מי שמפקח על התהליך בוחר עבור המחשב את התוצאה "הנכונה". לצידם יש תהליכי למידה בלתי מונחית, שבהם המחשבים מלמדים אותנו דברים חדשים לאחר שסקרו את המידע. יש חברות שצריכות שבב שיזהה דפוסי התנהגות כדי שנוכל ליהנות ממכוניות אוטונומיות, ויש חברות שצריכות להתאים טיפולים תרופתיים לחולים. לכל משימה שבב ושרת טוב ויעיל יותר או פחות.
אולי אין "שבב אחד לשלוט בכולם", אבל מחשב יש, או לפחות קונספט. המחשבים הקוואנטים צפויים לעשות את מה שהמחשבים הרגילים כבר מתקשים בו: לפתור יותר בעיות בפחות זמן ולהאיץ באופן משמעותי את למידת המכונה. בניגוד למחשבים קלאסיים, שבהם יחידת החישוב מתייחסת ל-0 או 1, במחשב הקוואנטי יחידת החישוב יכולה לייצג את שניהם יחדיו.
במהלך פיתוח הטכניקות לבניית המחשב הקוואנטי גילה רוברט שואלקופף (Schoelkopf), פיזיקאי מוביל בתחום, כי כל שלוש שנים בערך ניתן לשפר את יכולת אחסון המידע בצורה בהם מעריכית. הגילוי הזה כבר זכה לגילוי "חוק שואלקופף". אם הכל יעבוד כמתוכנן, החוק של הפרופסור מאוניברסיטת ייל יחליף את זה של גורדון מור, והיצירתיות האנושית שוב לא תדע גבול. לפחות לעוד כמה שנים.
