מודלי AI לומדים בעצמם: שואלים שאלות ומשפרים יכולות

כתבה המבוססת על דיווח במגזין WIRED חושפת מבדק בטיחות מקיף שערך ארגון FAR.AI על מודלי בינה מלאכותית מובילים של ארבע חברות אמריקאיות גדולות. הבדיקה, שהשתמשה בכלי אוטומטי המייצר למעלה מאלף גרסאות של פניות בעייתיות, גילתה כי מודל Grok של SpaceXAI ומודל Gemini של גוגל פגיעים במיוחד לפריצה (Jailbreak), בעוד מודלי אנתרופיק ו-OpenAI הציגו חסינות מלאה למתקפה הספציפית. הדוח מדגיש את העלויות הנמוכות להפליא של הפעלת מתקפות אלו ואת הצורך הגובר ברגולציה חיצונית כפויה על התעשייה.

גל גובר של סופרים, עיתונאים ויוצרים ברשתות החברתיות מובילים לאחרונה תרבות-נגד סגנונית חדשה המכוונת כולה נגד המאפיינים המזוהים עם כתיבת בינה מלאכותית. בהשראת החשש הגובר מהדמיון לתוצרי צ'אטבוטים, יוצרים רבים נמנעים במכוון מרשימות משולשות, מקווים מפרידים ומשימוש בקול סביל, ובמקום זאת פונים לכתיבה הרפתקנית בגוף ראשון. התופעה באה לידי ביטוי במגזינים מובילים כמו פלייבוי ופיצ'פורק שעדכנו את הנחיות העריכה שלהם, ועד לפיתוח אפליקציות שמשאירות שגיאות כתיב בכוונה כדי לעודד מעורבות.

לפי דיווח של מגזין WIRED, שיחות פרטיות שנערכו עם הצ'אטבוט Claude של חברת Anthropic נחשפו לאחרונה בתוצאות החיפוש של מנועי החיפוש הגדולים גוגל (Google) ובינג (Bing). התקרית חושפת את המורכבות שבמניעת סריקה ואינדוקס של שיחות משותפות על ידי מנועי חיפוש. למרות ש-Anthropic משתמשת בקובץ robots.txt כדי להנחות סורקי רשת לא לאנדקס שיחות משותפות, דפי השיחות הללו לא כללו תגיות noindex ייעודיות, אותן דורשים מנועי החיפוש כדי להימנע מאינדוקס דפים שמקושרים ממקומות אחרים ברשת. השיחות שנחשפו כללו התייעצויות פוליטיות, שאלות אתיות של עורכי דין ומשחקי תפקידים. המשתמשים יכולים לנהל ולמחוק שיחות אלו דרך הגדרות הפרטיות ב-Claude.

לפי דיווח במגזין WIRED, ממשל טראמפ נסמך על קבוצת פקידים קטנה ומבוזרת לעיצוב מדיניות הבינה המלאכותית מול סין. הקבוצה, הכוללת את שר המסחר הווארד לוטניק, מנהל הסייבר שון קיירנקרוס, שר האוצר סקוט בסנט וראש הסגל סוזי ויילס, חלוקה בגישותיה. בעוד חלקם תומכים ברגולציה קשוחה ובסנקציות על מעבדות סיניות בשל שימוש בפרקטיקת "זיקוק" מודלים אמריקאיים, אחרים, כמו המשקיע וצאר ה-AI לשעבר דייוויד סאקס, דוחפים לגישה חופשית (laissez-faire) ומזעור רגולציה כדי לשמור על יתרון טכנולוגי.

מחקר לאומי ראשון מסוגו שנערך על ידי Google Research בוחן את ביצועיו של SymptomAI – מערך סוכני בינה מלאכותית שיחתיים מבוססי Gemini Flash 2.0 המיועדים לראיונות סימפטומים והערכת אבחנה מבדלת (DDx). המחקר, שהקיף 13,917 משתתפים, השווה את האבחנות המבדלות שהפיק הסוכן אל מול הערכות של פאנל רופאים מומחים ודיווחים מביקורים רפואיים בעולם האמיתי. הממצאים מראים כי קלינאים העדיפו את אבחנות הסוכן בלמעלה מ-50% מהמקרים, וכי דיוק המערכת השתפר משמעותית באמצעות אסטרטגיות הנחיה אקטיביות. בנוסף, המחקר הדגים מתאם מובהק בין אבחנות המערכת לבין שינויים באותות פיזיולוגיים שנמדדו במכשירי פיטביט לבישים.

מחקר חדש של VentureBeat Pulse Research חושף כי קיים פער עמוק בין האוטונומיה המוענקת לסוכני AI לבין האמון במערכות הבדיקה שלהם. מחצית מהארגונים שנשאלו כבר השיקו סוכן שעבר את ההערכות הפנימיות אך כשל בפני לקוח בסביבת הייצור, ורק 5% סומכים באופן מלא על הערכות אוטומטיות כיום. למרות זאת, 66% מהארגונים מאפשרים או פועלים לאפשר פריסה אוטומטית לחלוטין ללא מעורבות אנושית. השוק מבוזר מאוד ורבים מתכננים להחליף פלטפורמות בשנה הקרובה.

סקר חדש של VentureBeat Pulse Research מיוני 2026 חושף פער עמוק בארגונים בין השאיפות לניהול סוכני בינה מלאכותית (AI) לבין המציאות בשטח. לפי הסקר, שנערך בקרב 101 ארגונים, קיים תהליך התגבשות סביב פלטפורמות של ספקי מודלים, ובראשן Claude של Anthropic (המובילה עם 40% מההטמעות), בעוד הבחירה מונעת מ'כוח המשיכה' של מודל הבסיס. עם זאת, בעוד ארגונים מגדירים הצלחה לפי ביצוע אמין של תהליכים מרובי-שלבים, 71% מהם מדווחים בכנות כי רבע או פחות מהסוכנים המוטמעים שלהם בפועל הם אכן מרובי-שלבים, ומרביתם הם רק מעטפות צ'אטבוט פשוטות. בנוסף, 27% מהארגונים חסרים בקרה פיננסית בזמן אמת על עלויות צריכת האסימונים של הסוכנים.

בפוסט חדש מטעם Google Research, מדען המחקר ג'נגדאו צ'ן מציג ממצאים מתוך מאמר שהתקבל לוועידת ICLR 2026, המפענח את מקור ה'יצירתיות' של מודלי דיפוזיה. לפי המחקר, היכולת של המודלים הללו לייצר נתונים חדשים, במקום לשנן באופן עיוור את מאגר האימון שלהם, היא תוצאה מתמטית של תהליך החלקת פונקציית הציון (score smoothing). החלקה זו נגרמת באופן טבעי בשל השפעות רגולריזציה במהלך אימון הרשתות העצביות, המונעות מהן ללמוד פונקציות בעלות מעברים חדים במיוחד. כתוצאה מכך, המודל מייצר אינטרפולציה במרווחים שבין נקודות המידע המקוריות של האימון. בסביבה רב-ממדית, אפקט זה פועל בכיוונים המשיקים ליריעת הנתונים הנסתרת, וכך מאפשר להשיג איזון מדויק בין איכות הנתונים לבין היצירתיות שלהם.