איזה תואר ישרוד? זו השאלה הלא נכונה
בשבועות שלפני פתיחת שנת הלימודים שואלים אותי סטודנטים והורים איזה תואר עוד שווה ללמוד. השנה השאלה נשמעת דחופה יותר. כלי בינה מלאכותית כותבים קוד, צעירים מוותרים על לימודי מדעי המחשב כי "הכל כבר אפשר לעשות עם AI", ויש מי שממליץ לעבור להנדסת חשמל, כי נדמה להם שלשם הבינה המלאכותית עוד לא הגיעה.
התשובה הכנה היא שאף אחד לא יודע איזה תחום ה-AI ישנה בשנה הבאה, וזה כולל גם את הנדסת החשמל. מי שבוחר מקצוע לפי ניחוש איזה תחום יישאר מחוץ להשפעת הכלים האלה מהמר, ומי שמבטיח לו שההימור בטוח מנחש בעצמו. השאלה ששווה לשאול היא איזה בוגר יידע לעבוד עם AI, ימשיך להיות רלוונטי בתחום הידע שהוא בוחר ומה הוא צריך ללמוד באוניברסיטה כדי שזה יקרה.
חלק מהבלבול מתחיל במילים. כשאומרים "מדעי המחשב", מתכוונים בדרך כלל לתכנות, אבל בתואר במדעי המחשב התכנות תופס כמה קורסים בלבד. רוב התואר עוסק באלגוריתמים, במתמטיקה ובדרך חשיבה שמפרקת בעיה מורכבת לחלקים שאפשר לפתור. כלי AI כותבים קוד טוב ומהר, אבל הם לא מבינים בשבילנו מה צריך לבנות, למה, ואיך בודקים שהתוצאה נכונה. ככל שהכלים משתפרים, ההבנה הזאת שווה יותר, כי מישהו צריך לדעת לשפוט את מה שהם מייצרים.
קחו שני צעירים ששולטים היטב בכלי AI שכותבים קוד, ואף אחד מהם לא למד לעומק מתמטיקה או אלגוריתמים או כל תחום הנדסי או מדעי רלוונטי. תנו להם בעיה קשה באמת. מה יבדיל ביניהם? לשניהם יש אותו כלי, ושניהם יודעים להפעיל אותו. אם זה כל מה שיש בידיהם, אין סיבה שאחד מהם יגיע לפתרון טוב יותר מהשני. כך נראה דור של מהנדסים שהיתרון היחיד שלהם הוא כלי שיש לכולם. ההבדל בין מהנדס אחד לאחר יבוא ממה שמתחת לכלי, מהבנת העומק, מהמתמטיקה, מהפיזיקה ומההבנה האלגוריתמית. לכן לימודי העומק חשובים היום יותר מבעבר. זה נכון במיוחד בישראל, שחלק גדול מתעשיית ההייטק שלה בנוי על דיפ-טק, על שבבים, חומרה ומערכות מורכבות. את המעבד הבא לא יתכננו בווייב-קודינג.
מי שמסיק מכאן שאפשר לוותר על הכלים טועה באותה מידה. AI הופך למיומנות שכל סטודנט צריך, גם בתחומים שנראים רחוקים מקוד. אני קוראת לזה אוגמנטציה, כלומר שימוש בכלי כדי להרחיב את מה שהמהנדס או החוקרת יודעים לעשות בתחום שלהם. אני לוקחת דוגמה מהעולם שאני מכירה. בייצור שבבים עובדים זה לצד זה מהנדסי חשמל, מהנדסי חומרים ומהנדסים כימיים. כל אחד מהם צריך לדעת איך AI משנה את העבודה בתחום שלו, ואת זה צריך ללמוד בתוך הקורסים של המקצוע עצמו.
בפועל, ברוב הקורסים זה עוד לא קורה. סטודנטים רבים מסיימים היום תואר בדרך שדומה מאוד לזו שבה סיימו לפני עשור. זו לא שאלה של רצון טוב. הכלים השתנו בתוך שנתיים, ושינוי בתוכנית לימודים לוקח יותר זמן.
בשנה האחרונה השתתפתי בלא מעט שולחנות עגולים ופגישות עם הנהלות של אוניברסיטאות ומכללות. אף אחד שם לא צריך שישכנעו אותו שמשהו גדול קורה. ההנהלות מבינות שצריך לשנות. השאלה הקשה היא איך הופכים את ההבנה הזאת לתוכנית עבודה, לסילבוס של קורס ולשיטת מחקר. לשאלה הזאת אין עדיין תשובה מוכנה, לא באקדמיה ולא בתעשייה.
לדעתי, השינוי מתחיל בסגל. אי אפשר לצפות מסטודנטים לשלוט בכלים שהמרצים שלהם לא עבדו איתם לעומק. רוב המרצים שמלמדים היום כתבו את הדוקטורט שלהם לפני שהכלים האלה היו קיימים, וזה נכון גם לרוב המנהלים בתעשייה. באינטל אנחנו מכשירים את המנהלים שלנו לעבוד עם AI, ולמדנו שהיכרות עם הכלים לא מספיקה וצריך להתנסות בהם בעבודה עצמה. מנהל צריך להשתמש בכלים בעבודה שלו כדי להוביל צוות שמשתמש בהם, ומרצה צריך להשתמש בהם בהוראה ובמחקר שלו כדי ללמד אחרים.
התעשייה לא צריכה לכתוב לאוניברסיטאות את תוכניות הלימודים. זה התפקיד שלהן. מה שאנחנו יכולים לעשות הוא להראות מה קורה אצלנו בפועל, מוקדם ככל האפשר, כדי שההחלטות באקדמיה יתקבלו על בסיס מה שקורה בשטח ולא על בסיס ניחושים.
כשכל מהנדס בעולם יכול להשתמש באותם כלי AI, היתרון של ישראל בדיפ-טק יישמר רק אם נמשיך להכשיר מהנדסים בעלי הבנת עומק, שיודעים לנהל, לאתגר ולבדוק את התוצאות שהכלים מייצרים. לכן ישראל צריכה לעשות שני דברים במקביל. היא צריכה לשמור על עומק ההכשרה המדעית וההנדסית, גם כשנדמה שהכלים מייתרים אותה, ולהכניס את ה-AI לכל פקולטה להנדסה ולמדעים, החל מהמרצים. האקדמיה לא תוכל לעשות את זה לבד, וגם התעשייה לא. אנחנו חייבים לעבוד ביחד. הסטודנטים שמתחילים את התואר החודש יסיימו אותו בעוד שלוש או ארבע שנים, וההחלטות על מה הם ילמדו ואיך מתקבלות עכשיו.
מריאנה וקסמן היא מנהלת קשרי האקדמיה והאקוסיסטם באינטל ישראל
