השכבה החסרה ב-AGI: מניפוי דפוסים לפיזיקת תיאום

האם מודלי השפה הגדולים (LLMs) הם דרך ללא מוצא לבינה מלאכותית כללית (AGI)? ביקורות רבות טוענות כי הם רק 'מכוני התאמת דפוסים' שאינם מסוגלים לחשיבה או לתכנון אמיתיים. מאמר חדש ב-arXiv משנה את התמונה הזו: הוא טוען שהביקורות טועות בזיהוי הבקבוק הצוואר. מאגרי הדפוסים הם הבסיס הנחוץ של מערכת 1 (System-1), והרכיב החסר הוא שכבת תיאום של מערכת 2 (System-2) שתבחר, תגביל ותקשר בין הדפוסים. המחקר מציג את UCCT, תיאוריה רשמית של עיגון סמנטי שמודלת חשיבה כמעבר פאזה המושפע מתמיכה יעילה (rho_d), אי התאמה ייצוגית (d_r) ותקציב עיגון אדפטיבי (gamma log k). מנקודת מבט זו, יצירה לא מעוגנת היא רק שחזור של ההסתברות המקסימלית מהבסיס, בעוד חשיבה אמיתית מתעוררת כאשר עוגנים מזיזים את ההסתברות לכיוון מגבלות מכוונות מטרה. (78 מילים) המאמר מפרט את UCCT כתיאוריה שמסבירה כיצד חשיבה מתגבשת דרך שינויים בשכבת התיאום. לדוגמה, יצירה חופשית של LLMs היא פשוט 'שיטוט לא מכוון' במאגר הדפוסים, ללא עוגנים שמכוונים למטרות ספציפיות. לעומת זאת, כאשר שכבת תיאום פעילה, היא יוצרת מעבר פאזה: מהסתברות מקדימה רנדומלית להסתברות אחורית ממוקדת. המחברים מדגישים כי הבעיה אינה ביכולת הבסיסית של LLMs, אלא בחוסר מנגנון תיאום שיבחר דפוסים רלוונטיים ויקשר אותם למטרות. זה מאפשר הסבר מדעי לביקורות נפוצות כמו חוסר יכולת תכנון. (92 מילים) כדי ליישם את UCCT בארכיטקטורה, המחקר מציג את MACI – מחסנית תיאום הכוללת שלושה רכיבים מרכזיים: פיתוי (baiting) דרך דיון מודולציית התנהגות, סינון (filtering) באמצעות שיפוט סוקרטי, והתמדה (persistence) באמצעות זיכרון טרנזקציונלי. MACI מאפשרת למודל לבחור דפוסים רלוונטיים, לסנן אותם ולשמור על עקביות לאורך זמן. זהו תרגום ישיר של התיאוריה ליישום הנדסי, שמאפשר בדיקת הביקורות ככשלים בתיאום שניתן לתקן. (85 מילים) בהקשר רחב יותר, המאמר משנה את הדיון על AGI בכך שהוא ממקם את LLMs כמרכיב הכרחי בדרך להשגתו, ולא כמכשול. הוא משווה זאת לבלבול בין אוקיינוס לרשת דייג: הדפוסים הם האוקיינוס, ושכבת התיאום היא הרשת שתופסת ומכוונת אותם. בישראל, שבה חברות כמו Mobileye ו-Wiz משקיעות רבות ב-AI, תובנה זו רלוונטית במיוחד – היא מצביעה על הצורך בפיתוח שכבות תיאום מעל מודלים קיימים כדי להגביר יעילות עסקית. (88 מילים) השלכות עסקיות ברורות: מנהלי טכנולוגיה יכולים כעת להתמקד בשיפור תיאום במודלי AI במקום להחליף אותם. MACI מספקת מסגרת לבדיקה מהירה של יכולות חשיבה. השאלה הפתוחה: האם שכבת התיאום הזו תהפוך את LLMs למכשיר AGI אמיתי? קראו את המאמר המלא כדי להעריך בעצמכם. (68 מילים)