מהי פיזיקת הקוונטים ואיך מחשוב קוונטי עובד? מ־AGI שכבר כאן למרוץ העולמי ל־ASI

במשך שנים הציגו לנו את העתיד כרצף מסודר.

תחילה יהיו צ׳אטבוטים. אחריהם תגיע בינה מלאכותית כללית, AGI, שתוכל לעבוד כמו אדם. בשלב מאוחר יותר תופיע בינת־על, ASI, שתעלה על בני האדם. ורק אי־שם בעתיד הרחוק יבשילו גם המחשבים הקוונטיים.

ב־2026 כבר ברור שהמציאות אינה מתקדמת לפי הסדר הזה.

הבינה המלאכותית לא חיכתה להכרזה רשמית על AGI. מודלים כלליים חוברו לדפדפנים, לקוד, לקבצים, לשרתים, למסדי נתונים, למערכות ענן, לממשקי API ולסוכנים נוספים. ברגע שנוספו להם זיכרון מתמשך, סביבת ביצוע ולולאת עבודה, הם הפסיקו להיות רק מערכות שעונות על שאלות והתחילו להפוך לעובדים אוטונומיים.

עובד אוטונומי מתקדם אינו מוגבל לתשובה אחת, לסשן אחד או למשך עבודה שהוגדר מראש. הוא מקבל מטרה, מפרק אותה לשלבים, מבצע פעולות, בוחן את התוצאה, מתקן שגיאות וממשיך עד שהמשימה הושלמה או עד שמנגנון בקרה מחייב התערבות אנושית.

באותו זמן, מחשוב קוונטי עובר ממעבדות מבודדות אל מרכזי מחשוב, שירותי ענן ותהליכי מחקר ממשיים. בישראל כבר נבנית תשתית לאומית שנועדה לשלב חומרה קוונטית, מערכות בקרה, תיקון שגיאות, תוכנה, אלגוריתמים ומחשוב־על קלאסי.

אלה אינם שני סיפורים נפרדים.

המרוץ ל־AGI, המרוץ ל־ASI, המרוץ לחוות שרתים והמרוץ למחשוב קוונטי הם שכבות שונות של אותה מהפכה: בניית תשתית שמסוגלת להפעיל אינטליגנציה מלאכותית כללית, רציפה, מקבילית ובסופו של דבר גם מדעית.

מהי פיזיקת הקוונטים?

פיזיקת הקוונטים היא התיאוריה הבסיסית של חומר, אור ואנרגיה בקנה מידה זעיר: אטומים, אלקטרונים, פוטונים וחלקיקים נוספים. היא אינה ענף שנולד עבור מחשבים קוונטיים, אלא המסגרת שמסבירה כיצד מערכות מיקרוסקופיות מתפתחות ומה אפשר למדוד בהן.

בעולם היומיומי הפיזיקה הקלאסית מאפשרת לתאר גוף באמצעות ערכים מוגדרים כמו מקום, מהירות וכיוון. במערכת קוונטית התיאור המלא הוא מצב מתמטי שמקודד כמה תוצאות אפשריות ואת היחסים ביניהן; לא תמיד אפשר לייחס לכל גודל ערך קלאסי יחיד לפני המדידה.

זה לא אומר שחלקיק הוא פשוט „גם פה וגם שם” כמו חפץ רגיל, וגם לא שתודעה אנושית בוחרת את התוצאה. המצב הקוונטי קובע אמפליטודות לכל תוצאה אפשרית. במדידה מתקבלת תוצאה אחת, ורק חזרות רבות מאפשרות לאמוד את התפלגות התוצאות שהמודל חוזה.

אמפליטודה קוונטית כוללת גם גודל וגם מופע, ולכן אמפליטודות יכולות לחזק או לבטל זו את זו — כמו גלים. מכאן נובעות סופרפוזיציה והתאבכות; שזירה נוצרת כאשר כמה חלקיקים מתוארים באמצעות מצב משותף שאי אפשר לפרק לתיאור עצמאי של כל חלקיק. אלה תופעות ניסוייות מדידות, לא השערות פילוסופיות.

קוונטיזציה: הטבע אינו תמיד רציף

המונח קוונטום מציין מנה בדידה, אך אין פירוש הדבר שכל גודל בטבע מופיע רק במדרגות.

במערכות מסוימות רק ערכים מסוימים מותרים. אלקטרון הקשור לאטום, לדוגמה, יכול להימצא ברמות אנרגיה מוגדרות, אף שגדלים פיזיקליים אחרים עשויים לקבל טווח רציף של ערכים.

כאשר האטום עובר בין שתי רמות אנרגיה, הוא יכול לקלוט או לפלוט פוטון שהאנרגיה שלו תואמת לפער ביניהן. זו הסיבה שלכל יסוד יש קווי ספקטרום אופייניים שאפשר למדוד.

העקרונות האלה עומדים מאחורי טרנזיסטורים, לייזרים, חיישנים ושבבים מודרניים. במובן הזה, כל מחשב רגיל כבר מבוסס על פיזיקה קוונטית. ההבדל הוא שמחשב קלאסי מתוכנן לדכא את ההתנהגות הקוונטית העדינה ולהפיק ביטים יציבים של 0 או 1, בעוד מחשב קוונטי מנסה לשלוט בה כדי לבצע חישוב.

סופרפוזיציה: לא רק 0 ולא רק 1

ביט קלאסי יכול להיות 0 או 1.

קיוביט יכול להימצא במצב המתואר כך:

כאשר α ו־β הן אמפליטודות מורכבות, וההסתברויות המתקבלות מהן מסתכמות ל־1.

נהוג לומר שקיוביט נמצא “גם ב־0 וגם ב־1”, אך זהו קיצור שעלול לבלבל. הקיוביט אינו מחזיק שני ביטים קלאסיים שאפשר לקרוא יחד. הוא נמצא במצב קוונטי משולב, וכאשר מודדים אותו מתקבלת תוצאה קלאסית אחת.

העוצמה של המחשוב הקוונטי אינה נמצאת ביכולת לקרוא את כל האפשרויות במקביל, אלא ביכולת לשנות את האמפליטודות לפני המדידה.

התאבכות: המנוע האמיתי של החישוב הקוונטי

גלים יכולים להתחבר ולהתחזק, או להתחבר ולבטל זה את זה.

גם אמפליטודות קוונטיות מתאבכות.

אלגוריתם קוונטי בנוי כך שמסלולים חישוביים מסוימים יחזקו את ההסתברות לקבלת תוצאה רצויה, בעוד שמסלולים אחרים ייחלשו או יתבטלו.

לכן האמירה שמחשב קוונטי “בודק את כל התשובות בבת אחת” אינה מדויקת. הוא מכין מרחב של אפשרויות, מבצע עליו פעולות ומנסה לעצב את ההתאבכות כך שהתוצאות הרצויות יופיעו בהסתברות גבוהה יותר. IBM מתארת מעגל קוונטי כרצף הוראות שמפעיל באופן מתוכנן סופרפוזיציה, שזירה והתאבכות.

שזירה קוונטית: המידע שייך למערכת השלמה

כאשר כמה קיוביטים שזורים, אי אפשר לתאר כל אחד מהם באופן מלא בנפרד. המידע נמצא במצב המשותף של המערכת.

השזירה מאפשרת ליצור קורלציות שאין להן מקבילה קלאסית פשוטה. היא משמשת באלגוריתמים קוונטיים, בתקשורת קוונטית ובקודים לתיקון שגיאות.

שזירה אינה מאפשרת להעביר מידע שימושי במהירות גבוהה ממהירות האור. אפשר לקבל תוצאות מדידה מתואמות, אך כדי להשוות או לנצל אותן עדיין נדרש ערוץ תקשורת רגיל.

מדידה ודה־קוהרנטיות

מצב קוונטי יכול להישמר רק כל עוד המערכת מבודדת מספיק מהסביבה.

חום, קרינה, רעידות, שדות אלקטרומגנטיים, פגמי ייצור ומערכות הבקרה עצמן עלולים לפגוע בקוהרנטיות. התהליך שבו המערכת מאבדת את היחסים הקוונטיים העדינים שלה נקרא דה־קוהרנטיות.

זו אחת הסיבות שמעבדים קוונטיים המבוססים על מעגלים מוליכי־על פועלים בטמפרטורות הקרובות לאפס המוחלט. הקירור אינו יוצר את הפיזיקה הקוונטית; הוא מקטין הפרעות ומאפשר למערכת לשמור עליה מספיק זמן כדי לבצע חישוב.

איך הופכים פיזיקה קוונטית למחשב?

כדי להשתמש במערכת פיזיקלית כקיוביט צריך להיות מסוגלים להכין אותה במצב ידוע, לבצע עליה פעולות מדויקות, לחבר אותה לקיוביטים אחרים ולמדוד את התוצאה.

הפעולות נקראות שערים קוונטיים. רצף של שערים ומדידות נקרא מעגל קוונטי.

• קיוביטים יכולים להיבנות באמצעות כמה טכנולוגיות:
• מעגלים מוליכי־על.
• יונים לכודים.
• אטומים ניטרליים.
• פוטונים.
• נקודות קוונטיות וקיוביטי ספין.

לכל טכנולוגיה יתרונות וחסרונות מבחינת מהירות שערים, יציבות, קישוריות, רמת רעש ויכולת להגדיל את המערכת.

נכון ל־2026 עדיין אין טכנולוגיה אחת שהוכיחה עליונות מלאה. זו גם הסיבה שרשות החדשנות דורשת כי התשתית הקוונטית החדשה בישראל תשלב לפחות שלוש טכנולוגיות עיבוד שונות ותאפשר השוואת ביצועים, פיתוח אלגוריתמים וחיבור למחשוב־על קלאסי.

מערכת של n קיוביטים מתוארת באופן כללי באמצעות 2ⁿ אמפליטודות. זהו מרחב שגדל בצורה מעריכית.

אבל יש כאן מגבלה חשובה: מדידה אינה מחזירה את כל האמפליטודות. היא מחזירה תוצאה קלאסית אחת. כדי ללמוד על ההתפלגות צריך להריץ את המעגל שוב ושוב ולנתח את התוצאות באופן סטטיסטי.

לכן מספר גדול של קיוביטים אינו מספיק. צריך לשאול גם:

כמה מהם ניתנים לתכנות ישיר? כמה פעולות אמינות ניתן לבצע? כמה מעגלים אפשר להריץ בשנייה? מהו שיעור שגיאות המדידה? כמה עמוק יכול להיות המעגל לפני שהרעש משתלט?

IBM עצמה עברה ב־2026 למדידה מפורטת יותר של שלושה ממדים: מספר הקיוביטים הניתנים לתכנות, איכות הפעולות ותפוקת המעגלים בשנייה. המדדים האלה משקפים טוב יותר את היכולת המעשית מאשר ספירת קיוביטים בלבד.

מחשב קוונטי אינו מחשב רגיל שפועל מהר יותר

מחשב קוונטי אינו אמור להחליף מחשבים רגילים בכל משימה.

אתרים, מערכות CRM, מסדי נתונים, שרתי אחסון, מערכות הפעלה, דואר אלקטרוני ורוב עומסי העבודה העסקיים אינם הופכים אוטומטית למהירים יותר כאשר מעבירים אותם לקיוביטים.

מחשוב קוונטי עשוי לספק יתרון בעיקר בבעיות בעלות מבנה מתאים, כגון:

סימולציה של מולקולות וחומרים, בעיות אלגבריות מסוימות, חיפוש ודגימה, קריפטוגרפיה ואופטימיזציה מובנית.

גם בתוך התחומים האלה אין הבטחה שכל בעיה תקבל יתרון. בחלק מהמקרים האלגוריתם הקלאסי נשאר טוב יותר, ובמקרים אחרים עלות הכנסת הנתונים, הרעש והמדידות מבטלת את היתרון התיאורטי.

לכן הארכיטקטורה הסבירה אינה מחשב קוונטי שמחליף את חוות השרתים, אלא מערכת היברידית:

ה־CPU מנהל את זרימת העבודה. ה־GPU מריץ מודלי AI וסימולציות קלאסיות. ה־QPU מקבל תת־בעיה קוונטית מוגדרת. סוכן AI מחליט כיצד לחלק את העבודה ומנתח את התוצאות.

למה כולם מדברים על מחשוב קוונטי דווקא עכשיו?

לא קרה אירוע יחיד שהפך בן־לילה את כל המחשבים הקוונטיים לשימושיים.

מה שקורה ב־2026 הוא חיבור של כמה תהליכים שהבשילו במקביל.

החומרה השתפרה — אבל גם אופן המדידה שלה

השיח עובר מ“כמה קיוביטים יש למעבד” אל השאלה “כמה חישוב אמין הוא באמת מסוגל לבצע”.

המעבדים משתפרים, מערכות הבקרה נהיות מדויקות יותר, תפוקת המעגלים עולה ושיטות הפחתת השגיאות נעשות מתוחכמות יותר. במקביל, התעשייה לומדת להבחין בין הדגמה מרשימה לבין חישוב שמספק ערך מדעי.

תיקון והפחתת שגיאות מתקדמים

קיוביטים הם מערכות אנלוגיות ורגישות. כדי לבצע חישוב קוונטי ארוך נדרש לזהות שגיאות, לתקן אותן ולשמור על הקיוביטים הלוגיים לאורך זמן.

שיטות הפחתת שגיאות מנסות לאמוד כיצד הייתה נראית התוצאה אילו החומרה הייתה נקייה יותר מרעש. תיקון שגיאות קוונטי הולך רחוק יותר ומקודד קיוביט לוגי בתוך מספר קיוביטים פיזיים.

ב־2026 פורסם ב־Nature מחקר שבו אירועי זיהוי שגיאות משמשים אות למידה עבור סוכן Reinforcement Learning. הסוכן מתאים ברציפות את פרמטרי הבקרה כדי להתמודד עם סחיפה, במקום לעצור את החישוב לצורך כיול מחדש. זהו חיבור מעשי בין AI לקוונטום: מערכת לומדת שמנסה לשמור על מחשב קוונטי יציב במהלך העבודה.

מופיעות טענות רציניות יותר ליתרון קוונטי

ביולי 2026 הודיעו IBM וחברת Qedma הישראלית על מחקר שבו תוכנת הפחתת השגיאות QESEM הופעלה על מחשבי IBM Quantum לצורך חקר דינמיקה של חומרים קוונטיים במערכות של עד 74 קיוביטים.

לפי IBM ו־Qedma, כמה שיטות סימולציה קלאסיות מתקדמות לא הצליחו לספק תשובות עקביות באזור שנבדק, בעוד שהמערכת הקוונטית, יחד עם שכבות הפחתת השגיאות וההשוואה למשאבי מחשוב־על, הצליחה להפיק תוצאה שימושית.

הנקודה החשובה אינה רק ההכרזה על “יתרון קוונטי”.

האתגר העמוק הוא אמון בתוצאה.

אם המחשב הקלאסי כבר אינו יכול לחשב את התשובה המלאה, אי אפשר פשוט להשוות אליו. לכן נדרשים כמה מסלולי בדיקה, כיולים, השוואות חלקיות, שיטות הפחתת שגיאות וניסיונות בלתי תלויים להפריך את הממצא.

המחקר ימשיך להיבחן, ושיטות קלאסיות ימשיכו להשתפר. כך מדע אמור לעבוד. אבל עצם העובדה שמחשבים קוונטיים מתחילים לייצר תוצאות באזורים שבהם הסימולציה הקלאסית מתקשה מסבירה מדוע השיח משתנה כעת.

אפשר להגיע לחומרה אמיתית דרך הענן

המחשוב הקוונטי כבר אינו נגיש רק למעבדות המחזיקות ציוד קירור בעלות עצומה.

במחקר Qiskit שפרסמתי באתר התחברתי באמצעות Qiskit למערכת IBM Quantum בעלת 156 קיוביטים. הניסוי עצמו השתמש בשלושה קיוביטים פיזיים, כלל 88 יחידות עבודה, 448 תצורות אפקטיביות ו־458,752 מדידות, וצרך 123 שניות QPU. המסקנה לא הייתה “פריצת דרך בפיזיקה”, אלא תוצאה בלתי מכרעת שתועדה יחד עם המגבלות שלה. נתנאל סיבוני · מומחה AI

זהו שינוי חשוב: אדם אחד עם סביבת פיתוח, תכנון נכון ושכבות אימות יכול להריץ ניסוי על חומרה קוונטית אמיתית בלי להקים מעבדה פרטית.

איפה הבינה המלאכותית נכנסת לתמונה?

רבים מדמיינים שהחיבור בין AI לקוונטום יתחיל ביום שבו מחשב קוונטי יאמן מודל שפה ענק במהירות בלתי נתפסת.

זה אינו החיבור המרכזי שקיים כיום.

ב־2026 הכיוון המעשי החזק יותר הוא הפוך:

AI עוזרת לבנות, לכייל, לייצב ולהפעיל מחשבים קוונטיים. במערכות מחקר ורפואה אוטונומית, אותה יכולת חייבת לפעול לצד בקרה אנושית ושערי בטיחות.

מערכות AI יכולות לנתח רעש, לכוונן פעימות בקרה, לזהות סחיפה, לבחור מיפוי מתאים לקיוביטים, לעזור בפענוח סינדרומים ולתכנן ניסויים חדשים. מחקרי 2026 כבר מציגים סוכני למידה שמשתמשים בשגיאות עצמן כדי לייצב את המערכת בזמן אמת.

• בעתיד, החיבור עשוי לפעול כלולאה:
• סוכן AI מנסח השערה מדעית.
• סוכני משנה מחלקים אותה לתת־בעיות.
• GPU מריץ מודלים וסימולציות קלאסיות.
• QPU מקבל את החלקים שבהם ייצוג קוונטי עשוי לתת יתרון.
• מערכות אימות בודקות את התוצאה.
• סוכן ביקורת מחליט אם הראיות מספיקות.
• התוצאה חוזרת למערכת ומעצבת את הניסוי הבא.

זו אינה רק אוטומציה של מחקר.

זו התחלה של מנוע גילוי אוטונומי — ומכאן עולה השאלה המרכזית: האם מערכת שמנסחת יעד, מפעילה כלים, שומרת מצב ובודקת את עצמה כבר ראויה לכינוי AGI?

האם AGI כבר כאן? מבחן תפעולי

ראשי התיבות AGI הם Artificial General Intelligence — בינה מלאכותית כללית.

אין כיום הגדרה אחת שמוסכמת על כל החוקרים והחברות. Google DeepMind פרסמה במרץ 2026 מסגרת קוגניטיבית חדשה למדידת התקדמות ל־AGI, המבוססת על יכולות כמו תפיסה, זיכרון, למידה, חשיבה ותפקודים ניהוליים. עצם הצורך במסגרת חדשה מראה שהמחלוקת על ההגדרה עדיין פתוחה.

במקום להכריע את הוויכוח כולו באמצעות סיסמה, המאמר בודק הגדרה תפעולית שאפשר להשוות ליכולות שכבר פועלות בשטח.

סם אלטמן הציג מדד נוסף לעוצמה שכבר קיימת. בפוסט The Gentle Singularity כתב כי „במובן משמעותי, ChatGPT כבר חזק יותר מכל אדם שחי אי פעם”, ולצד זאת טען שכבר נבנו מערכות שחכמות מבני אדם בדרכים רבות ומעצימות משמעותית את תפוקתם. זו אינה הוכחה ש־AGI הושגה: אלטמן מתייחס לעוצמה מצטברת, להיקף ידע, לתפוצה ולהשפעה, ולא למערכת יחידה שעומדת בהכרח בכל רכיבי המבחן התפעולי. עם זאת, דבריו מחזקים את הטענה שהיכולות שבעבר שויכו ל־AGI כבר מתחילות להופיע במערכות פעילות.

AGI תפעולית היא מערכת שמסוגלת לקבל מטרה כללית, להעביר ידע בין תחומים, להשתמש בכלים, לפרק את המטרה למשימות, לשמור מצב, לבדוק את עצמה ולהמשיך לפעול עד להשגת התוצאה.

השאלה שהמאמר בודק היא האם המערכות הקיימות כבר עומדות בהגדרה הזאת.

לא כמודל בודד שיודע הכול ולא כישות מודעת שהתעוררה בתוך שרת, אלא כמערכת שלמה:

המודל הוא המנוע, אבל העובד האוטונומי הוא המערכת. לכן המבחן אינו כמה זמן המודל „חושב”, אלא אם המערכת שומרת יעד, מפעילה כלים, מתאוששת ובודקת תנאי השלמה.

לא צ׳אטבוט שעובד 20 שעות — עובד שרץ עד השלמת המשימה

משך העבודה לבדו אינו מוכיח אינטליגנציה. גם סקריפט פשוט יכול לרוץ שבוע.

השינוי האמיתי הוא שהעובד האוטונומי אינו פועל עד שנגמרת תשובת הצ׳אט. הוא פועל עד שמתקיים תנאי עצירה הקשור למצב המשימה.

כאשר אני אומר שהעובד יכול לרוץ ללא הגבלת זמן, אין הכוונה לנצח פיזיקלי. כל מערכת כפופה לחשמל, תקציב, מגבלות שירות, תקלות ותנאי בטיחות.

המשמעות ההנדסית היא שאין מגבלת זמן קשיחה שמגיעה מעצם מבנה השיחה. המערכת יכולה לשמור את מצבה, לחדש את העבודה בסשן חדש ולהמשיך עד לסיום המשימה.

היא אינה חייבת להחזיק את כל ההיסטוריה בחלון הקשר אחד. היא יכולה להשתמש בקבצים, מסדי נתונים, יומני עבודה, נקודות ביקורת, תקצירי מצב, Git, תורי משימות וסוכנים מתחלפים.

בפועל, העובד עובר מאות מחזורי עבודה:

מבחוץ אפשר לראות את המחזורים האלה דרך פקודות, שינויים בקוד, תוצאות בדיקות, לוגים, גרסאות, החלטות וניסיונות תיקון. לכן במאמר מקצועי עדיף לדבר על מאות מחזורי תכנון–ביצוע–אימות, ולא לנסות לטעון שאנחנו רואים ישירות את כל תהליך החשיבה הפנימי של המודל. את ההבחנה הזאת אפשר לבדוק מול מערכות שתועדו בפועל.

זה כבר קורה במערכות אמיתיות

הצהרת אלטמן מתארת את קנה המידה; ריצות Codex ו־R8 מאפשרות לבדוק את הטענה ברמת הביצוע המתועד.

בפברואר 2026 תיעדה OpenAI ריצת Codex שנמשכה כ־25 שעות ללא הפסקה, השתמשה בכ־13 מיליון טוקנים ויצרה כ־30 אלף שורות קוד. במהלך הריצה המערכת תכננה, ערכה, הריצה כלי בדיקה, זיהתה כשלים ותיקנה אותם.

ביוני 2026 דיווחה OpenAI שמשתמשי Codex הכבדים ביותר כבר מייצרים יותר מ־60 שעות של עבודת סוכנים ביום, משום שהם מפעילים כמה סוכנים במקביל. אותו נתון ממחיש מדוע זמן אנושי כבר אינו מסגרת המדידה הנכונה: אדם יכול לנהל עשר שעות ביום, אבל עשרה סוכנים יכולים לייצר שישים שעות עבודה באותו יום.

גם בפיתוח Algorithm R8 תיעדתי עבודה ארוכת־טווח ורב־סוכנית: 279 מפגשי עבודה, 649 משימות שהושלמו וכ־405 שעות עבודה מצטברות של סוכנים. חלק מהסוכנים פעלו במקביל ובכמה סבבים, ולכן אין לפרש את המספר כשעות רצופות של אדם יחיד; זו ספירה פנימית של יומני העבודה שלא עברה ביקורת חיצונית. במדידה ישירה של התג הציבורי v1.0.2 ספרתי 167,848 שורות Python מחוץ לעותקי ה־provenance, ובהן 45,389 שורות בדיקות; עם שני סקריפטי Shell מדובר ב־168,514 שורות. מספר שורות אינו מדד לאיכות, אך הוא ממחיש את היקף המערכת שנבנתה, נבדקה ותועדה.

Anthropic מתארת תהליכי מדע שנמשכים כמה ימים, עם זיכרון מתמשך, תזמור וכלי בדיקה. בפרויקט אחר עבד צוות סוכנים על פני כ־2,000 סשנים כדי לבנות מהדר C המסוגל לקמפל את ליבת לינוקס.

אלה אינם ניסויים שמוכיחים שכל סוכן יכול לפתור כל משימה.

הדוגמאות אינן מכריעות לבדן את שאלת ה־AGI, אך הן מספקות ראיות למרכיבי המבחן התפעולי: שמירת יעד לאורך ריצה ממושכת, העברת מצב בין סשנים, הפעלת כלים, חלוקת עבודה ויצירת תוצר מורכב. כעת אפשר להשוות את המרכיבים האלה לעוזר AI רגיל.

ההבדל בין עוזר AI לעובד אוטונומי

ההשוואה תומכת במסקנת המאמר: במונחים התפעוליים שנבדקו כאן, מערכות סוכנים כבר מציגות חלק מרכזי ממה שכונה בעבר AGI מעשית. מכאן נובעת גם השפעת AGI על עבודה ומקצועות: הערך עובר מביצוע ידני להגדרת יעד, בקרה ואחריות.

ייתכן שהיא עדיין אינה עונה על כל הגדרה אקדמית מחמירה. היא עדיין טועה, זקוקה להרשאות, יכולה לסטות ודורשת מערכות אימות.

אבל היא כבר מבצעת עבודה כללית. אם זהו שלב מוקדם של AGI תפעולית, השאלה הבאה אינה רק כיצד לשפר סוכן יחיד, אלא כיצד לחבר רבים מהם למערכת רחבה יותר.

מהי ASI לפי ההגדרה המערכתית?

ASI — Artificial Superintelligence — מתורגמת בדרך כלל לבינת־על מלאכותית.

בגישה הישנה דמיינו מוח דיגיטלי יחיד שחכם מכל אדם.

אבל ASI יכולה להופיע גם כארגון מלאכותי.

Google DeepMind פרסמה ביוני 2026 מחקר המתאר ארבעה מסלולים אפשריים מ־AGI ל־ASI: הרחבת AGI באמצעות Scale, שינוי בפרדיגמת ה־AI, שיפור רקורסיבי, והופעת ASI מתוך קולקטיבים גדולים של סוכנים. החוקרים מתארים ASI כמערכת שיכולה להיות בעלת יכולת קוגניטיבית גבוהה אפילו מזו של ארגונים אנושיים גדולים.

לפי ההגדרה הזאת, ASI אינה רק “סוכן חכם יותר”.

• היא מערכת שחוצה שלושה גבולות:
• עומק: היא מסוגלת להחזיק פרויקטים ארוכים ומורכבים יותר מאדם יחיד.
• רוחב: היא יכולה להפעיל אלפי תהליכים, רעיונות וניסויים במקביל.
• קצב: היא מבצעת תכנון, חישוב, בדיקה ותיקון במהירות שאף ארגון אנושי אינו יכול להתחרות בה.

אפשר לתאר אותה כך:

במערכת כזאת, סוכן אחד מנסח רעיון. מאה סוכנים בוחנים אותו. עשרה מנסים להפריך אותו. אחרים מריצים סימולציות, משווים מקורות, כותבים קוד, בונים ניסויים ומנתחים את התוצאות.

אם שיפור שנמצא על ידי סוכן אחד מופץ מיד לכל השאר, קצב הלמידה של המערכת כבר אינו דומה לקצב של חברה אנושית.

למה אלפי סוכנים לבדם עדיין אינם ASI?

מספר גדול של סוכנים אינו מבטיח אינטליגנציה גדולה.

אלף סוכנים לא אמינים יכולים לייצר אלף טעויות במקביל. אלף סוכנים ללא תזמור עלולים לבצע את אותה עבודה שוב ושוב. זיכרון משותף לא מבוקר יכול להפיץ טעות אחת לכל המערכת.

• כדי שמקביליות תהפוך לבינת־על נדרשות שכבות נוספות:
• מנהל שמחלק עבודה.
• התמחות בין סוכנים.
• מניעת כפילויות.
• זיכרון משותף עם גרסאות ומקורות.
• סוכני ביקורת בלתי תלויים.
• מנגנון הכרעה בין תוצאות סותרות.
• הרשאות מדורגות.
• שערי בטיחות.
• תנאי הצלחה מדידים.
• מערכת שמסוגלת להיכשל באופן סגור.

לכן הנוסחה האמיתית אינה רק “יותר סוכנים”:

החומרה קובעת כמה עובדים אפשר להפעיל. הארכיטקטורה קובעת אם הם פועלים כארגון אחד. האימות קובע אם אפשר לסמוך על התוצאה.

זו הסיבה שהמרוץ עבר לחוות השרתים

כאשר AI הייתה מערכת שמקבלת שאלה ומחזירה פסקה, כל אינטראקציה דרשה מספר מוגבל של פעולות חישוב.

עובד אוטונומי צורך משאבים בצורה שונה לחלוטין.

משימה אחת יכולה לכלול מאות או אלפי קריאות למודל, הרצת קוד, פתיחת דפדפנים, עיבוד קבצים, חיפוש במסדי נתונים, שימוש בסוכני משנה, שמירת זיכרון, השוואת חלופות וחזרה על אותו תהליך עד שהבדיקות עוברות.

לפי סוכנות האנרגיה הבינלאומית, משימות Reasoning וסוכנים אוטונומיים עשויות לצרוך פי מאות ואף פי אלפים יותר אנרגיה מבקשת טקסט פשוטה. צריכת החשמל של מרכזי נתונים עלתה ב־17% במהלך 2025, ובמרכזים הממוקדים ב־AI נרשמה עלייה של 50%. התחזית המרכזית היא כמעט הכפלה של צריכת מרכזי הנתונים העולמית, מכ־485 טרה־ואט־שעה ב־2025 לכ־950 טרה־ואט־שעה ב־2030.

הסיבה אינה רק אימון מודלים גדולים.

עידן העובדים האוטונומיים הופך גם את ההרצה השוטפת, Inference, לתעשייה כבדה.

כל עובד הוא תהליך מתמשך. כל משימה יכולה להפוך לעץ של סוכני משנה. כל רעיון יכול להפעיל עשרות מסלולי בדיקה.

כאשר מכפילים זאת באלפי חברות ובמיליוני עובדים מלאכותיים, מקבלים דרישה עצומה ל־GPU, זיכרון HBM, אחסון, רוחב פס, מערכות קירור וחשמל.

ישראל כבר מרגישה את צוואר הבקבוק הפיזי

ביולי 2026 דיווח כלכליסט שבתוך כחודשיים נוספו לחברת נגה בקשות לחיבור חוות שרתים בהיקף של כ־19 אלף מגה־ואט. יחד עם הצבר הקודם הגיע היקף הבקשות לכ־27 אלף מגה־ואט.

לשם השוואה, הצריכה הממוצעת של משק החשמל הישראלי עמדה לפי הדיווח על כ־9,000 מגה־ואט. רשות החשמל אף עצרה זמנית את הטיפול בחלק מהבקשות החדשות, בעוד שהתחייבויות חיבור שכבר ניתנו בהיקף של כ־1.5 ג׳יגה־ואט ממצות, לפי הרשות, את יכולת הייצור המתוכננת עד 2035. חלק מהבקשות עשויות להיות ספקולטיביות ולא להפוך לפרויקטים, אך המספרים ממחישים את קנה המידה של המרוץ.

זו אינה בועת נדל״ן רגילה.

החברות מתחרות על היכולת להפעיל אינטליגנציה.

חוות השרתים הן המפעלים של העידן החדש. החשמל הוא חומר הגלם. השבבים הם קווי הייצור. העובדים האוטונומיים הם התפוקה.

האם מחשוב קוונטי נחוץ כדי להגיע ל־ASI?

לא.

אפשר לבנות מערכות חזקות מאוד באמצעות חומרה קלאסית בלבד: CPU, ‏GPU, מאיצי AI, רשתות מהירות, זיכרון ואחסון.

AGI התפעולית שכבר קיימת אינה רצה על מחשבים קוונטיים. גם מערכות מרובות־סוכנים אינן זקוקות לקיוביטים כדי לתכנן, לכתוב קוד, לנתח מסמכים או לנהל תהליכים עסקיים.

המחשב הקוונטי אינו תנאי להיווצרות ASI.

אבל הוא עשוי להפוך לכלי של ASI.

מערכת בינת־על שתנסה לחקור תרופות, חומרים וסוללות, מוליכי־על, תגובות כימיות או תהליכים ביולוגיים תיתקל במערכות שהטבע שלהן קוונטי. בישראל, מערכות בריאות וחברות מחקר כבר בונות תשתיות שמחברות AI, נתונים וניסויים.

במקרים כאלה, QPU עשוי לאפשר לה לחקור מרחבי חישוב שמחשב קלאסי מתקשה לייצג.

לכן המחשב הקוונטי אינו בהכרח המוח של ASI.

הוא עשוי להיות המיקרוסקופ החישובי שלה.

כך עשויה להיראות תשתית ASI

מערכת עתידית לא תהיה מודל יחיד שרץ על שרת יחיד.

• היא עשויה לכלול:
• מודלים כלליים שמבינים מטרות.
• עובדים אוטונומיים שמבצעים משימות.
• מנהלים מלאכותיים שמחלקים עבודה.
• סוכני ביקורת שמחפשים טעויות.
• זיכרון משותף ומתעדכן.
• GPU לאימון, Inference וסימולציות.
• CPU לניהול ותזמון.
• QPU לחישובים קוונטיים מתמחים.
• רובוטים ומעבדות אוטונומיות.
• שכבות אימות ובטיחות.

• אפשר לחשוב עליה כעל אורגניזם טכנולוגי:
• חוות השרתים הן הגוף.
• העובדים האוטונומיים הם מערכת העצבים.
• הזיכרון המשותף הוא הניסיון המצטבר.
• מערכות האימות הן מערכת החיסון.
• והמחשב הקוונטי הוא מכשיר החישה שמאפשר למערכת להביט עמוק יותר אל חוקי הטבע.

כמה אנחנו קרובים באמת ל־ASI?

לפי המבחן התפעולי שהמאמר הציב מול הראיות, אפשר לטעון ששלב מוקדם של AGI כבר החל.

המערכות הקיימות יכולות לעבור בין תחומים, להשתמש בכלים, לשמור מצב, לעבוד שעות וימים, לנהל סוכני משנה ולבצע מאות מחזורי תכנון, ביצוע, בדיקה ותיקון.

השלב הבא כבר נבנה: ארגונים מפעילים כמה סוכנים במקביל, תהליכי מחקר עוברים למערכות מרובות־סוכנים, וחוות השרתים מתוכננות כדי להחזיק עומסי עבודה רציפים ולא רק אימון תקופתי.

אבל ASI כללית, אמינה ורציפה עדיין דורשת לפתור כמה בעיות קשות:

המערכת צריכה לשמור על מטרה לאורך שבועות וחודשים. היא צריכה ללמוד בלי לזהם את הזיכרון שלה. היא צריכה להבחין בין מידע אמיתי לבין טעות שהופצה על ידי סוכן אחר. היא צריכה לנהל משאבים, הרשאות וסיכונים. והיא צריכה להוכיח שהמחקר או הקוד שלה נכונים ולא רק משכנעים.

המעבר אינו בהכרח רחוק, אבל הוא גם אינו נפתר רק באמצעות רכישת עוד GPU.

ייתכן שלא נראה יום אחד שבו חברה מכריזה באופן רשמי: “היום נולדה ASI”.

המעבר עשוי להיות הדרגתי.

תחילה מאה עובדים אוטונומיים. אחר כך אלף. אחר כך מערכת שמנהלת בעצמה חלוקת עבודה, ניסויים, ביקורת ושיפור. בשלב מסוים היא תייצר יותר ידע, קוד, השערות ותוצאות מכל ארגון אנושי.

הוויכוח על המונח ימשיך גם אחרי שהשינוי הכלכלי כבר יתרחש.

צוואר הבקבוק האחרון הוא אמון

מערכת מהירה אינה בהכרח מערכת נכונה.

עובד אוטונומי יכול לעבור מאות שלבים ועדיין לבנות את כל התהליך על הנחה שגויה מהשלב הראשון. אלף סוכנים יכולים לחזק זה את הטעות של זה. מחשב קוונטי יכול להפיק תוצאה שאי אפשר לאמת באמצעות חישוב קלאסי מלא.

לכן השאלה החשובה ביותר בעידן AGI ו־ASI אינה רק:

כמה מהר המערכת חושבת?

אלא:

כיצד היא מוכיחה שהתוצאה אמינה?

זו הסיבה שבניתי את Algorithm R8 בגישת Fail-Closed. המטרה היא לא לאפשר למערכת להכריז PASS רק משום שהתוצאה נראית טובה. צריך לקבע תנאים מראש, לשמור את הנתונים הגולמיים, לבנות שרשרת ראיות, למנוע שינוי ספים בדיעבד ולסרב לאשר תוצאה כאשר הראיות אינן מספיקות.

אותו עיקרון נדרש גם לעובדים אוטונומיים וגם למחשבים קוונטיים.

בעולם שבו מכונות יכולות לייצר אלפי רעיונות בשנייה, הערך הגדול ביותר לא יהיה רק ביצירת רעיון נוסף.

הערך יהיה ביכולת לדעת איזה רעיון שרד ניסיון אמיתי להפריך אותו.

המסקנה: אלה אינן ארבע מהפכות שונות

פיזיקת הקוונטים מתארת את חוקי הטבע ברמה העמוקה ביותר שאנחנו מסוגלים למדוד.

מחשוב קוונטי מנסה להפוך חלק מהחוקים האלה למשאב חישובי.

AGI תפעולית הופכת מודלים, ידע וכלים לכוח עבודה כללי שאינו מוגבל לתשובת צ׳אט אחת.

חוות השרתים מספקות לאותו כוח עבודה חומרה, זיכרון, חשמל ורשת.

ASI עשויה להופיע כאשר העובדים האוטונומיים יתרחבו לאלפי ומיליוני תהליכים, ישתפו ביניהם ידע, יבקרו זה את זה וישפרו את המערכת בקצב שאף ארגון אנושי אינו יכול לשחזר.

המחשב הקוונטי לא ייצור לבדו את בינת־העל.

אבל הוא יכול להעניק לה יכולת חדשה: לחקור חלקים מן המציאות שהחומרה הקלאסית מתקשה לחשב.

לכן כולם מדברים עכשיו על סוכני AI, חוות שרתים, חשמל, שבבים ומחשוב קוונטי באותה תקופה.

אלה אינם טרנדים מקריים.

אלה החלקים של מערכת אחת שהולכת ומתחברת.

הראיות שנבדקו במאמר מראות ש־AGI כבר אינה רק הבטחה עתידית: חלק מיכולותיה התפעוליות מתחילות לעבוד במערכות אמיתיות.

עמדתו של אלטמן אינה מכריעה את שאלת ההגדרה, אך היא תואמת את הראיות שנבדקו כאן: העוצמה המצטברת כבר קיימת, והוויכוח עובר לשאלה אילו תנאים הופכים אותה ל־AGI תפעולית.

המרוץ ל־ASI הוא המרוץ להרחיב אותה, לתזמר אותה — ובעיקר ללמוד כיצד לאמת אותה.