פער החיזוק — או מדוע חלק מכישורי ה‑AI משתפרים מהר יותר מאחרים

כלי קוד מונעי AI משתפרים בקצב מסחרר. גם אם לא כל משתמש מרגיש בכך ביום־יום, קפיצות היכולת של GPT-5, Gemini 2.5 ו‑Sonnet 2.4 פתחו טווח חדש של אוטומציה למפתחים. במקביל, תחומים אחרים מתקדמים לאט יותר: כתיבת אימיילים, למשל, מספקת כיום ערך דומה לזה של השנה שעברה. ההבדל? Reinforcement Learning — או בקיצור RL — שמתגמל בעיות עם מדד הצלחה ברור ומדיד.

פיתוח תוכנה הוא מגרש משחקים אידיאלי ל‑RL: יש לו מיליארדי בדיקות אוטומטיות, סטנדרטים של unit tests, integration ו‑security, ומדדי pass/fail חדים שניתנים להרצה אינסופית ללא שיפוט אנושי. כפי שציין מנהל כלי הפיתוח של Google, אותן בדיקות שמפתחים משתמשים בהן שנים כדי לאמת קוד — עובדות מצוין גם לאימות קוד שנוצר בידי מודלים, ואף כבסיס למחזורי חיזוק בקנה מידה עצום.

לעומת זאת, קשה הרבה יותר לנסח “ציון עובר” לאימייל כתוב היטב או לתשובת צ׳אט טובה. ועדיין, לא כל משימה היא שחור־לבן. אין לנו קיט בדיקות מוכן לדוחות כספיים רבעוניים או לאקטואריה — אך סטארטאפ ממומן היטב יכול לבנות תשתית בדיקה שיטתית שתשמש לפידבק ול‑RL. במובן הזה, מידת המדידות של התהליך תקבע אם הוא יבשיל למוצר אמין או יישאר בגדר הדגמה מרשימה.

הפתעות מגיעות גם מאזורים שנראו “קשים למדידה”. ההתקדמות הדרמטית של Sora 2 מצביעה שווידאו גנרטיבי אולי מדיד יותר משחשבנו: עצמים אינם “קופצים” ונעלמים, פנים שומרות על זהות, וחוקי פיזיקה מכובדים — גם באופן עדין. סביר שמאחורי הקלעים פועלים מערכי תגמול ייעודיים לעקביות זהות, קבעון עצמים וציות לפיזיקה, שביחד מצמצמים הזיות ומקרבים לפוטוריאליזם.

זו אינה חוקיות נצחית של AI, אלא השתקפות התפקיד המרכזי של RL כיום במסחור יכולות. כל עוד RL הוא המנוע המרכזי, “פער החיזוק” צפוי להתרחב: תהליכים שקל לציין להם מדד הצלחה יתאוטומטו מהר — ומקצועות שלמים עשויים להתהפך. במגזר הבריאות, למשל, ההבחנה אילו שירותים RL‑בריי־טריינים תעצב את שוק העבודה בעשורים הקרובים. אם פריצות דרך כמו Sora 2 מלמדות משהו, התשובות עשויות להגיע מוקדם מהצפוי.

צילום: Leonardo Penuela Bernal / Getty Images