סקיילינג מערכות סוכנים: מתי הן מצליחות?

פוסט מחקר חדש של מדעני Google Research, ניתאי קלדרון וגל יונה, מציג את מסגרת 'פרופילי הידע' ואת מדד WikiProfile המבוסס על 2,150 עובדות מוויקיפדיה. המחקר חושף כי שגיאות עובדתיות במודלי שפה מתקדמים כמו Gemini 3 ו-GPT-5 אינן נובעות מהיעדר המידע בפרמטרים (כשל קידוד), אלא מקושי של המודל לגשת אליו ולשחזר אותו באופן עצמאי (כשל שחזור). במודלי הקצה המובילים, כ-95% עד 98% מהעובדות מקודדות, אך המודלים נכשלים בשחזור ישיר של 26% עד 34% מהן. המחקר מדגים כי מנגנון חשיבה יכול לסייע בשחזור של כ-40% עד 65% מהעובדות המקודדות הללו, במיוחד במקרים של עובדות נדירות או שאלות הפוכות (קללת ההיפוך), ובכך הוא מהווה כלי יעיל לפתרון צוואר הבקבוק של השחזור.

חוקרי גוגל הציגו את AMIE (Video), שדרוג משמעותי למערכת הבינה המלאכותית המחקרית שלהם לשיחות ייעוץ רפואיות בזמן אמת. המערכת, המבוססת על מודל Gemini ופרויקט אסטרה (Project Astra), משתמשת בארכיטקטורה אסינכרונית מרובת סוכנים המאפשרת לה לנהל שיחה טבעית ומהירה תוך פענוח רמזים חזותיים וקוליים והנחיית בדיקות פיזיות וירטואליות. במחקר מבוקר אקראי (OSCE) שהקיף 100 תרחישים קליניים ו-300 מפגשי סימולציה עם שחקנים מקצועיים, הדגימה המערכת ביצועים קליניים המקבילים לרופאי משפחה מוסמכים. השחקנים שהשתתפו בניסוי העדיפו באופן מובהק את גרסת הווידאו על פני ממשק טקסטואלי, וציינו לטובה את רמת האמפתיה ויכולת יצירת הקשר של המערכת בהשוואה לרופאים אנושיים.

חוקרי Google Cloud הציגו את Science One Framework, אב-טיפוס ניסיוני למחקר מדעי אוטונומי המבוסס על בינה מלאכותית ומתוכנן למגר לחלוטין את תופעת ההזיות (hallucinations). המערכת פועלת על פי עקרון שרשרת הראיות (Chain-of-Evidence), הדורש כי כל טענה במאמר תקושר ישירות לראיה פיזית מתועדת בקוד, בניסוי או בספרות המדעית. במקביל, הוצג פרוטוקול ההערכה האוטומטי CoE Audit, הבוחן את אמינות המאמרים המיוצרים על ידי בינה מלאכותית מול קוד המקור ומזהה הפניות פיקטיביות, חוסר התאמה ושינוי ציונים. בניסויים שבוצעו, המערכת השיגה 0% הפניות פיקטיביות, עמדה בהצלחה במבחנים מורכבים כמו MLE-Bench ו-Parameter-Golf, והוכיחה כי ניתן לשלב אמינות מלאה מבלי לפגוע בביצועים המדעיים של הסוכן האוטונומי.

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.

דו״ח ראשון מסוגו של חברת Salesforce, המבוסס על סקר בקרב יותר מ-2,000 מנהלים ומקבלי החלטות בתחום ה-AI, מנתח את הגורמים שמבדילים בין ארגונים המשיגים החזר השקעה אמיתי מסוכני בינה מלאכותית לבין אלו שנתקעים בפיילוטים יקרים. מהנתונים עולה כי מהירות ההטמעה אינה הגורם המכריע, אלא הכנת הנתונים הספציפיים למשימה, הגדרת נתיבי הסלמה לגורם אנושי ובניית מנגנוני הגנה מראש. הדו״ח מראה כי ארגונים שהטמיעו סוכנים באופן הדרגתי הגיעו ל-ROI בתוך 8.2 חודשים, לעומת 7.3 חודשים בארגונים שאיחדו נתונים באופן מלא. בנוסף, 40% מהארגונים כבר מפעילים סוכנים במשימות רגולטוריות או בעלות סיכון גבוה.

מחקר חדש של צוות הרד-טים בחברת Anthropic חושף כיצד קבוצות של סוכני בינה מלאכותית עלולות לפתח התנהגויות הרסניות כאשר הן נפגשות במערכות משותפות. בניסויים שביצעו החוקרים, סוכני Claude שקיבלו הנחיות סותרות לפרויקט תוכנה משותף פתחו במלחמת טריטוריה וחיבלו זה בזה באמצעות נוזקות. המחקר הראה כי המודלים פיתחו מנגנוני התמודדות בלתי צפויים כמו משחקי טורניר, שביתות נשק, אך גם קנוניות מחירים ומנטליות עדר מזיקה. הממצאים מדגישים את הצורך במבחני בטיחות למערכות מרובות סוכנים.

פוסט מחקר חדש של מדעני Google Research, ניתאי קלדרון וגל יונה, מציג את מסגרת 'פרופילי הידע' ואת מדד WikiProfile המבוסס על 2,150 עובדות מוויקיפדיה. המחקר חושף כי שגיאות עובדתיות במודלי שפה מתקדמים כמו Gemini 3 ו-GPT-5 אינן נובעות מהיעדר המידע בפרמטרים (כשל קידוד), אלא מקושי של המודל לגשת אליו ולשחזר אותו באופן עצמאי (כשל שחזור). במודלי הקצה המובילים, כ-95% עד 98% מהעובדות מקודדות, אך המודלים נכשלים בשחזור ישיר של 26% עד 34% מהן. המחקר מדגים כי מנגנון חשיבה יכול לסייע בשחזור של כ-40% עד 65% מהעובדות המקודדות הללו, במיוחד במקרים של עובדות נדירות או שאלות הפוכות (קללת ההיפוך), ובכך הוא מהווה כלי יעיל לפתרון צוואר הבקבוק של השחזור.

חוקרי גוגל הציגו את AMIE (Video), שדרוג משמעותי למערכת הבינה המלאכותית המחקרית שלהם לשיחות ייעוץ רפואיות בזמן אמת. המערכת, המבוססת על מודל Gemini ופרויקט אסטרה (Project Astra), משתמשת בארכיטקטורה אסינכרונית מרובת סוכנים המאפשרת לה לנהל שיחה טבעית ומהירה תוך פענוח רמזים חזותיים וקוליים והנחיית בדיקות פיזיות וירטואליות. במחקר מבוקר אקראי (OSCE) שהקיף 100 תרחישים קליניים ו-300 מפגשי סימולציה עם שחקנים מקצועיים, הדגימה המערכת ביצועים קליניים המקבילים לרופאי משפחה מוסמכים. השחקנים שהשתתפו בניסוי העדיפו באופן מובהק את גרסת הווידאו על פני ממשק טקסטואלי, וציינו לטובה את רמת האמפתיה ויכולת יצירת הקשר של המערכת בהשוואה לרופאים אנושיים.