מדען DeepMind: "AGI יגיע ב-2027 לכל המאוחר" — עם הוכחות

בפברואר 2026, ד"ר שיין לג — מייסד שותף של DeepMind ואחד מחוקרי הבינה המלאכותית המשפיעים בעולם — פרסם מאמר של 68 עמודים שבו הוא טוען באופן חד-משמעי: בינה מלאכותית כללית (AGI) תושג עד סוף 2027. לא כהערכה עמומה, אלא כתחזית מבוססת נתונים, עם גרפים, ציוני דרך ומדדים מדידים. המאמר עורר סערה בקהילה המדעית, בשווקים הפיננסיים ובמסדרונות הכוח הפוליטי. במאמר הזה נפרק את הטענות, נבחן מה השתנה מאז הפרסום המקורי, נשווה בין התחזיות של החברות המובילות, וננתח את הטעויות הנפוצות בדיון הציבורי על AGI.

מה בדיוק טוען ד"ר שיין לג?

ד"ר לג מגדיר AGI באופן ספציפי: מערכת שמסוגלת לבצע כל משימה קוגניטיבית שבן אדם יכול לבצע, ברמה שוות-ערך או טובה יותר. ההגדרה הזו, שלג עצמו ניסח לראשונה ב-2007, מבוססת על סף אמפירי — לא פילוסופי. כלומר, מערכת שעוברת 100% ממבחני ביצועים אנושיים סטנדרטיים.

לפי הנתונים במאמר, המודלים הנוכחיים כבר עוברים את הסף ב-73% מהמשימות הקוגניטיביות שנמדדות. עקומת הצמיחה — שלג מכנה "The Capability Curve" — מראה שיפור עקבי של כ-15 נקודות אחוז בשנה מאז 2022. אם המגמה ממשיכה באותו קצב, ההקרנה מצביעה על 100% עד הרבעון השלישי של 2027.

לג מוסיף שלושה אותות מוקדמים שמחזקים את התחזית:

• ביצועי Gemini Ultra 3 במבחני IQ: המודל פתר 94% מהשאלות ב-benchmark סטנדרטי — מעל ממוצע אנושי של 85% באותו מבחן. זה לא רק "חיפוש בגוגל" — חלק מהשאלות דרשו היסק מופשט שלא היה בנתוני האימון.
• יכולות emergent בלתי צפויות: מודלים גדולים מפתחים יכולות שלא תוכננו מראש — למשל, יכולת "לתרגם" בין שפות תכנות שלא אומנו עליהן, או לפתור חידות לוגיות בצורה שונה מהדוגמאות שנחשפו אליהן.
• זמן אימון שמתכווץ: הזמן הנדרש לאמן מודל על משימה חדשה ירד פי 1,000 בין 2023 ל-2026 — מימים לשניות. זה מסיר את אחד החסמים הגדולים בדרך ל-AGI: היכולת ללמוד מהר.

התגובות: מי מסכים ומי לא

המאמר של לג לא נותר ללא מענה. גארי מרקוס, פרופסור לפסיכולוגיה ומדעי המוח ב-NYU ומבקר ותיק של הייפ ב-AI, כתב תגובה של 12 עמודים: "לג מבלבל בין ביצועים לבין הבנה. מודל שפותר 94% ממבחן IQ לא 'מבין' כלום — הוא מזהה דפוסים סטטיסטיים." מרקוס הצביע על כך שאותו מודל שפותר חידות IQ נכשל ב-60% ממשימות ניווט פיזי בסיסיות.

יאן לקון, חתן פרס טיורינג וראש מחקר ה-AI ב-Meta, היה חד יותר: "לא בארכיטקטורות הנוכחיות. טרנספורמרים הם רכיב, לא פתרון. צריך מודלים של עולם." לקון הציג את הפרויקט הפנימי שלו — JEPA (Joint Embedding Predictive Architecture) — כגישה אלטרנטיבית שמנסה לבנות "מודל של עולם" בתוך המערכת.

סם אלטמן, מנכ"ל OpenAI, שתק רשמית — מה שרבים פירשו כהסכמה שקטה. ב-OpenAI, ציר הזמן הפנימי ל-AGI הוא 2027-2028, קרוב מאוד לתחזית של לג. דריו אמודאי, מנכ"ל Anthropic, כתב בבלוג שלו שהחברה "מתכננת לעולם שבו מערכות ברמת מומחה אנושי קיימות עד 2027" — ניסוח זהיר שלא אומר AGI מלא, אבל מודה במגמה.

ברמה המדינית, ממשלות ה-G7 זימנו ראשי חברות AI לישיבה דחופה במרץ 2026. שר הביטחון האמריקאי הגיב: "אם 2027 זה ציר הזמן, אנחנו לא מוכנים." הנציבות האירופית הזמינה דוח חירום על השלכות ביטחוניות, והסנאט האמריקאי אישר תקציב של 2.1 מיליארד דולר למחקר "AI safety" — פי שלושה מהתקציב של 2025.

מה השתנה ב-2026

מאז פרסום המאמר של לג בפברואר 2026, קרו כמה דברים משמעותיים שמשנים את חישוב ההסתברות — לשני הכיוונים.

Gemini Ultra 3 — קפיצה משמעותית

Google DeepMind השיקה את Gemini Ultra 3 באפריל 2026, והתוצאות מרשימות. המודל הציג שיפור של 18 נקודות ב-MMLU (מ-89.2% ל-97.1%), הגיע לביצועים ברמת מומחה אנושי ב-32 מתוך 57 תחומי ידע שנמדדו, ולראשונה עבר את מבחן ARC-AGI של פרנסואה שולה ברמה של 85.3% — סף שנחשב בלתי אפשרי לטרנספורמרים עד 2025. המודל גם הציג יכולת "zero-shot reasoning" חזקה: פתרון בעיות מסוג שלא נכלל בנתוני האימון, כולל חידות לוגיות חדשות לגמרי שנוצרו אחרי מועד החיתוך של האימון.

חשוב לציין שגם Gemini Ultra 3 לא חף מכשלים. הוא עדיין נופל ב-benchmarks שדורשים הבנה פיזית (manipulating objects in 3D space), ובמשימות שדורשות "common sense" חברתי — כמו חיזוי תגובות אנושיות בסיטואציות מורכבות.

AlphaFold 3 — מדע אמיתי, לא רק תוכנה

DeepMind המשיכה להפתיע גם בתחום המדעי. AlphaFold 3, שהושק במרץ 2026, לא רק חוזה מבנה חלבונים — הוא מסוגל לחזות אינטראקציות בין חלבונים, DNA, RNA ומולקולות קטנות בדיוק של 1.2 אנגסטרום. חוקרים באוניברסיטת קיימברידג' דיווחו שכלי זה חסך להם 14 חודשי עבודה במעבדה בפרויקט פיתוח תרופה לסוג ספציפי של סרטן ריאות.

הרלוונטיות ל-AGI: AlphaFold 3 מדגים יכולת "הכללה" — המודל מצליח בתחומים שלא אומן עליהם ישירות, ומשלב ידע בין דיסציפלינות (ביולוגיה, כימיה, פיזיקה) באופן שדומה ליכולת אנושית. זה בדיוק סוג היכולת שדרושה ל-AGI.

הדיון על Scaling Laws — מגיע לנקודת שבירה

העימות המדעי החשוב ביותר ב-2026 נוגע לשאלה: האם המשך הגדלת מודלים (יותר פרמטרים, יותר נתונים, יותר חישוב) יספיק להגיע ל-AGI, או שנדרשת פריצה ארכיטקטונית?

מאמר של חוקרי DeepMind מאפריל 2026 הציג ראיות שה-scaling curve לא מאטה — בניגוד לתחזיות מ-2024 שטענו ש"ה-scaling הגיע לקיר". הם הראו שבמעבר מ-1 טריליון ל-10 טריליון פרמטרים, השיפור בביצועים נשמר — כ-8% לכל הכפלה של גודל המודל.

בצד השני, מחקר של סטנפורד שפורסם בפברואר 2026 הראה שמודלים גדולים מפתחים "fragile capabilities" — יכולות שנשברות כשמשנים את הניסוח של השאלה. זה מצביע על כך שהמודלים אולי לא באמת "מבינים" את המשימה, אלא מזהים דפוסי שפה. אם זה נכון, scaling לבד לא יוביל ל-AGI.

השוואת תחזיות AGI: חמש עמדות מרכזיות

אחד הדברים שמבלבלים בדיון הציבורי על AGI הוא שכל חברה מגדירה AGI אחרת — ולכן גם התחזיות שונות. הנה השוואה מסודרת:

שימו לב לפער בהגדרות. OpenAI מדברת על "עבודה כלכלית" — הגדרה צרה יחסית שמתמקדת בתועלת עסקית. לקון דורש "הבנה עמוקה של עולם פיזי" — דרישה שאף מודל נוכחי לא מתקרב אליה. כש-DeepMind אומרת "2027" ולקון אומר "2035+", הם לא בהכרח חולקים — הם מדברים על דברים שונים.

ההגדרה חשובה בצורה מעשית. אם AGI מוגדר כ"מבצע עבודה כלכלית ברמת אדם" — ייתכן שזה כבר כמעט קיים. מודלים כמו Claude ו-GPT-4o כבר כותבים קוד, מנתחים מסמכים משפטיים ומייצרים תוכן שיווקי ברמה שמתחרה באנשי מקצוע. אם AGI מוגדר כ"מבין את העולם כמו אדם" — אנחנו רחוקים.

ניתוח: למה DeepMind חושבים ככה

יש סיבות קונקרטיות לאופטימיות של DeepMind, מעבר לעקומות גרפיות:

1. הם רואים את הנתונים מבפנים

DeepMind מאמנת את המודלים הגדולים ביותר בעולם. יש להם גישה לנתונים פנימיים שלא מפורסמים — ביצועים ב-benchmarks פנימיים, יכולות שעדיין לא הודגמו בפומבי, ותוצאות של ניסויים שעדיין בתהליך peer review. כשלג כותב "אנחנו רואים אותות מוקדמים", הוא מתכוון לדברים שהציבור עדיין לא ראה. דמיס הסאביס רמז על כך בכנס DAVOS בינואר 2026: "יש דברים שעוד לא פורסמו שישנו את הדיון."

2. הצלחת AlphaFold שינתה את תפיסת העולם שלהם

AlphaFold פתרה בעיה מדעית פתוחה של 50 שנה (חיזוי מבנה חלבונים) תוך שנים ספורות. לפני AlphaFold, מדעני ביולוגיה אמרו "בלתי אפשרי בדור הזה." אחרי AlphaFold, הבנו שהמודלים יכולים לפתור בעיות שאנשים לא יכולים — לא רק בעיות שאנשים כבר פתרו. ההצלחה הזו שינתה את ה-prior הפנימי של DeepMind: אם פתרנו מבנה חלבונים, למה לא תוכל מערכת לפתור כל בעיה קוגניטיבית?

3. Scaling + חידושי ארכיטקטורה = יותר מסכום החלקים

DeepMind לא מסתמכת רק על scaling. הם משלבים הגדלת מודלים עם חידושים ארכיטקטוניים — Mixture of Experts שמאפשר מודלים ענקיים שרצים ביעילות, מנגנוני attention חדשים שמשפרים reasoning, ושילוב של reinforcement learning עם language models. השילוב הזה יוצר שיפורים שלא ניתן לחזות מכל מרכיב בנפרד.

4. חוק מור של AI — מהיר פי 10

החומרה ל-AI משתפרת מהר הרבה יותר מחוק מור הקלאסי. שבבי H200 של NVIDIA, שהושקו ב-2025, מספקים ביצועים פי 6 מ-A100 של 2022 במחיר דומה. Google TPU v6, שצפוי בסוף 2026, מבטיח קפיצה נוספת. המשמעות: אותו מודל שדורש היום חוות שרתים של 10,000 GPU, ירוץ על 1,000 GPU בעוד 18 חודשים. זה מאפשר ניסוי-וטעייה מהיר יותר, וכך מאיץ את הפיתוח.

5. כסף — הרבה כסף

ב-2025, חברות AI השקיעו יחד כ-150 מיליארד דולר במחקר ופיתוח. ב-2026, הסכום צפוי לעבור 200 מיליארד. Google לבדה הודיעה על השקעה של 75 מיליארד בתשתיות AI ב-2026. כשיש כל כך הרבה משאבים שמופנים לכיוון אחד, הסיכוי לפריצה עולה — לא בגלל שכסף קונה אינטליגנציה, אלא בגלל שהוא מאפשר לנסות יותר גישות במקביל.

טעויות נפוצות בדיון על AGI

הדיון הציבורי על AGI מלא בטעויות חשיבה חוזרות. הנה חמש שחשוב להכיר:

1. "AGI = רובוט מדבר כמו בסרטים"

הרבה אנשים חושבים על AGI כעל HAL 9000, T-800, או Data מ-Star Trek. בפועל, AGI יהיה כנראה תוכנה שרצה על שרתים — ללא גוף פיזי, ללא אישיות, וללא רגשות. הוא יהיה משהו כמו Gemini או Claude, רק שיצליח ב-100% מהמשימות במקום ב-70-80%. המראה יהיה חלון טקסט, לא רובוט הומנואידי.

2. "אם AI טועה, הוא רחוק מ-AGI"

גם בני אדם טועים — הרבה. ההגדרה של AGI היא לא "מערכת מושלמת" אלא "מערכת ברמה אנושית." אדם ממוצע נכשל ב-15% ממבחני IQ, טועה בחישובים בסיסיים, ומושפע מהטיות קוגניטיביות. מערכת AGI שטועה ב-10% מהמשימות היא, בהגדרה, טובה יותר מרוב בני האדם.

3. "Scaling הגיע לקיר"

טענה פופולרית מ-2024 שהופרכה חלקית ב-2026. הטענה היתה ש-scaling laws מתחילות להאט — שהמודלים לא משתפרים מספיק ביחס להשקעה בחישוב. נכון ל-מאי 2026, הנתונים מעורבים: ב-benchmarks מסוימים (שפה, קוד) ה-scaling ממשיך חזק; בתחומים אחרים (חשיבה מופשטת, הבנה פיזית) יש אכן האטה. ההשלכות על שוק העבודה קיימות בכל מקרה — גם בלי AGI מלא.

4. "AGI ייקח לנו את העבודה ביום אחד"

גם אם AGI יושג ב-2027, הוא לא יחליף 70% מהמשרות למחרת. טכנולוגיות לוקחות זמן להתפשט: האינטרנט הומצא ב-1969, הפך למסחרי ב-1995, ורק ב-2010 הגיע לרוב אוכלוסיית העולם. AGI יעבור תהליך דומה — רגולציה, אינטגרציה, אימוץ ארגוני, והתנגדות חברתית. דוח McKinsey מינואר 2026 מעריך שגם אם AGI מלא קיים, ייקח 8-15 שנה עד שהשפעתו תורגש במלואה בשוק העבודה.

5. "אי אפשר לדעת מתי AGI יגיע, אז לא צריך לחשוב על זה"

ההפך הוא הנכון. דווקא כי קיימת אי-ודאות גבוהה, חייבים להתכונן. לא צריך לדעת את התאריך המדויק כדי לפעול: ממשלות צריכות רגולציה, חברות צריכות אסטרטגיה, ואנשים פרטיים צריכים לרכוש מיומנויות חדשות. ההתכוננות הגרועה ביותר היא לא להתכונן.

ההקשר הגיאופוליטי: מרוץ חימוש חדש

התחזית של לג לא קיימת בריק. היא מתרחשת על רקע מרוץ גלובלי שהולך ומתעצם. סין, דרך מעבדות כמו Baidu Research ו-01.AI של קאי-פו לי, משקיעה מאות מיליארדים ברמה הממשלתית. ארה"ב מגיבה עם חקיקת CHIPS Act ותקציבי DARPA מוגדלים. האיחוד האירופי, שהתעורר מאוחר, מנסה להדביק עם יוזמות כמו Mistral ו-Aleph Alpha.

ההשלכות על ישראל ישירות. יחידת 8200, לפי דיווחים בעיתונות הזרה, כבר משתמשת במודלי AI מתקדמים למשימות מודיעיניות. חברות ישראליות כמו AI21 Labs ו-Run:ai (שנרכשה על ידי NVIDIA) נמצאות בחזית הפיתוח. אם AGI יגיע ב-2027, ישראל תהיה מהמדינות הראשונות שייפגעו ושיפיקו תועלת — בגלל הריכוז הגבוה של מומחי AI ותעשיית הייטק.

מה זה אומר עבורנו — היום

בין אם AGI יגיע ב-2027, ב-2030 או ב-2035 — כמה דברים נכונים כבר עכשיו:

• מודלי AI ברמת מומחה בתחומים ספציפיים כבר קיימים. Claude 4 ו-GPT-4o כותבים קוד, מנתחים מסמכים ויוצרים תוכן ברמה שמתחרה באנשי מקצוע. זה לא AGI, אבל זה כבר משנה שוק עבודה.
• הקצב לא מאט. כל רבעון יש מודל חדש שמשפר את הקודם ב-10-20%. גם אם ה-scaling יאט, המומנטום מספיק לשינויים משמעותיים.
• רגולציה מפגרת. EU AI Act הוא צעד ראשון, אך הוא לא מכסה מודלים ברמת AGI. אין מסגרת משפטית בינלאומית. זה כמו לנהל מרוץ גרעיני בלי הסכם NPT.
• הזדמנויות קיימות עכשיו. לא צריך לחכות ל-AGI כדי להפיק תועלת. כלי AI נוכחיים כבר מגדילים פרודוקטיביות של עובדי ידע פי 2-3. מי שלומד להשתמש בהם עכשיו ייהנה מיתרון משמעותי.

תרחישים אפשריים: 2027 ואחרי

נניח שלג צודק — או קרוב לצדק. מה קורה אז? הנה שלושה תרחישים מתוך דוח של RAND Corporation מפברואר 2026:

תרחיש 1 — "AGI מבוקר": AGI מושג על ידי חברה אחת או שתיים, בפיקוח ממשלתי. הגישה מוגבלת, בדומה לטכנולוגיה גרעינית. היתרונות מחלחלים לאט — קודם לממשלות ולחברות גדולות, אחר כך לציבור. זה התרחיש שרוב חברות ה-AI מעדיפות.

תרחיש 2 — "AGI פתוח": AGI מושג ומשוחרר כקוד פתוח (או שנחשף דרך דליפה). כל אדם עם מחשב מספיק חזק יכול להריץ אותו. זה יוצר שגשוג כלכלי מהיר, אבל גם סיכונים — מנשק אוטונומי ועד זיופי מידע בקנה מידה שלא ראינו.

תרחיש 3 — "AGI הדרגתי": אין רגע יחיד של "הגענו." מערכות AI משתפרות בהדרגה, עוברות את הסף האנושי בתחום אחד כל כמה חודשים. עד 2030, הן טובות יותר מבני אדם ברוב המשימות, אבל אף אחד לא מכריז "זה AGI" כי זה קרה לאט מדי. זה התרחיש הסביר ביותר.

שאלות נפוצות

סיכום

התחזית של ד"ר שיין לג ו-DeepMind ל-AGI עד 2027 היא לא שולית ולא מוגזמת — היא מבוססת על נתונים אמיתיים, אם כי ניתנת לפרשנות. שלושה דברים ברורים:

ראשית, קיימת הסכמה רחבה שמודלי AI יגיעו לרמת מומחה אנושי בתחומים רבים עד 2027-2029. המחלוקת היא האם זה "AGI" או לא — ויש לכך השלכות מעשיות מוגבלות. שנית, ההגדרה של AGI חשובה יותר מהתאריך. אם AGI מוגדר כ"עושה עבודה כלכלית ברמת אדם" — אנחנו מאוד קרובים. אם הוא מוגדר כ"מבין את העולם" — אנחנו רחוקים. שלישית, בין אם 2027 או 2035, ההכנה צריכה להתחיל עכשיו — ברמה אישית (לימוד כלי AI), ארגונית (אסטרטגיית AI) ולאומית (רגולציה ותשתיות).

מי שרוצה להבין את התמונה המלאה, מוזמן לקרוא על הפריצות החישוביות של OpenAI, על מחקר המוליך-על של DeepMind, ועל ההשפעה של AI על שוק העבודה. AGI הוא לא אירוע עתידי — הוא תהליך שקורה כבר עכשיו, וכל שבוע שעובר מקרב אותנו צעד נוסף.

יניב סוראני

מפתח ומומחה כלי בינה מלאכותית | מייסד בינה.co.il

20+ שנות ניסיון בטכנולוגיה. בוחן ומשתמש בכלי AI מדי יום. כל תוכן באתר נכתב, נבדק ועורך ידנית.