מודלי שפה גדולים LLM – איך המהפכה הזאת עובדת?

מודלי שפה גדולים (LLMs) הם אלו שמפעילים כיום כלים כמו ChatGPT או Gemini.

הם כבר מזמן לא איזה גימיק טכנולוגי חולף של חנונים.

הם הכוח המניע מאחורי מהפכת המידע הכי דרמטית מאז המצאת מנוע החיפוש.

במדריך הזה נפרק את הטכנולוגיה המורכבת הזו למשהו שאשכרה אפשר להבין.

נראה איך מודלים מנבאים טוקנים (במקום מילים), נבין למה חיפוש רשת הוא לא אימון מודל, ובעיקר – נלמד איך לבנות אסטרטגיית תוכן אמיתית לעידן החדש.

אם יצא לכם "לדבר" עם צ'אט מבוסס AI בחודשים האחרונים, לכתוב מייל חשוב או לתכנן איתו מסלול לחו"ל, חוויתם על בשרכם את כוחו של מודל השפה.

אם בא לכם וידאו בשביל הסיפתח על מודלי שפה גדולים (LLM), הנה זה פה:

אז כן, בשנים האחרונות פתאום יש לנו גישה למערכת שנראית כאילו היא מבינה אותנו וחושבת לעומק.

זה מרגיש כמו קסם, אבל במקום טריקים זולים יש כאן טכנולוגיה מורכבת שממש כדאי להבין.

אני חי את עולם ה-SEO עוד משנת 2009.

במהלך השנים (וכמו שכתבתי בספרי "למה אתה עדיין לא מיליונר"), ראיתי גלים גדולים שוטפים את הרשת, אבל מהפכת ה-LLM היא החזקה מכולם בפער.

אז מה זה בכלל מודל שפה גדול (LLM)?

רבים מדמים LLM לספרן ענק שקרא את כל האינטרנט ושולף משפטים קיימים לפי בקשה.

האנלוגיה הזו נוחה לעיכול, אבל היא שגויה לחלוטין ברמה הטכנית.

מודל שפה אינו שולף משפטים שמורים מספרייה, אלא מפיק אותם מאפס תוך חישוב הסתברויות מרשים.

הוא למעשה מודל מתמטי סטטיסטי עצום, שאומן על נתונים בהיקף שלא נראה כמותו.

המטרה העיקרית שלו היא לזהות דפוסים, על מנת שיוכל לחזות ברמת דיוק גבוהה את היחידה הבאה ברצף.

דוגמאות מוכרות כוללות את משפחות המודלים של GPT מבית OpenAI, את Gemini של גוגל ואת קלוד (Claude) מבית Anthropic.

LLM, ChatGPT וסוכן AI הם לא אותו דבר

זה הבדל קטן על הנייר אבל קריטי להבנת כל התחום מול מה שאנחנו נוהגים לכנות "AI".

• LLM הוא המודל עצמו – מנוע מתמטי נטו שמקבל הקשר ומייצר המשך של טוקנים.
• ChatGPT, Gemini או Claude הם מוצרים ושירותים שעוטפים את המודל. הם אלו שמוסיפים לו ממשק צ'אט, כלים, יכולת חיפוש ברשת וניהול זיכרון.
• סוכן AI (Agent) הולך צעד נוסף ויכול להשתמש במודל ה-LLM ובכלים הללו כדי לתכנן פעולות עצמאיות בדרך למטרה שהגדרתם לו.

לכן, כש-ChatGPT יוצא לאינטרנט לחפש או מריץ קוד, זה לא "ה-LLM שיודע לגלוש או לתכנת".

המודל פשוט עובד בתוך מערכת שסיפקה לו את הכלים הנדרשים לכך.

בסרטון הבא אני מסביר למה אני ממש בעד יצירת תוכן מבוסס LLM (בצורה נכונה כמובן):

איך מודל שפה לומד לדבר?

זה תהליך ארוך ומורכב שדורש חוות שרתים, מיליונים של דולרים ויכולות מחשוב כבדות (GPUs).

כך הוא בנוי בשלבים המרכזיים ביותר שלו.

שלב 1: איסוף נתוני אימון (Pre-training Data)

הכל מתחיל בכמויות עצומות של טקסט שנאספות מכל רחבי הרשת.

זה כולל ויקיפדיה, מאמרים מקצועיים, קוד מ-GitHub, ספרים ומאגרי מידע ציבוריים שסוננו היטב.

התמהיל המדויק משתנים מחברה לחברה.

שלב 2: ארכיטקטורת ה-Transformer

הפריצה המשמעותית הגיעה ממאמר שפורסם על ידי חוקרי גוגל, בו הוצגה ארכיטקטורת הטרנספורמר.

הסוד שלה טמון במנגנון שנקרא Attention (תשומת לב).

המנגנון הזה מאפשר למודל להסתכל על רצף טוקנים בבת אחת, ולהבין את רמת ההשפעה של טוקן אחד על אחר, גם אם הם רחוקים במיוחד בתוך הטקסט.

רוב מודלי השפה הגדולים והמוכרים כיום מבוססים על טרנספורמרים או וריאציות ישירות שלו.

שלב 3: אימון מוקדם (Pre-training)

זהו השלב שבו המודל פשוט לומד לזהות תבניות שפה.

המטרה הבסיסית ביותר במודלים (כמו סדרת ה-GPT) היא לחזות ברמת הסתברות גבוהה את הטוקן הבא, בהתבסס על מה שנכתב לפניו.

המודל חוזר על התהליך הזה מיליארדי פעמים ולומד תחביר, לוגיקה והקשרים בעולם.

אבל שימו לב: למודל גולמי בשלב הזה אין תפיסה ברורה של "איך אני אמור לעזור למשתמש".

שלב 4: כוונון לאחר אימון (Post-training)

מודל גולמי שלא עבר כוונון עלול להיות לא מועיל או קשה לתקשורת.

כדי להפוך אותו לעוזר דיגיטלי (Assistant) חכם ושימושי, הוא חייב לעבור תהליכי כוונון.

דוגמה קלאסית לכך היא RLHF (למידת חיזוק ממשוב אנושי).

בתהליך כזה, בודקים אנושיים מדרגים את התשובות של המודל לפי רמת העזרה והבטיחות.

המידע שנאסף בדירוג מאמן "מודל תגמול" שמתקן ומלטש את ה-LLM המקורי.

היום ישנן שיטות כוונון נוספות שלא נשענות באותה מידה על משוב אנושי איטי, אבל המטרה היא אחת: להפוך כלי סטטיסטי למוצר מועיל וצייתן.

ומה קורה כשאתם לוחצים Send (Inference)?

אחרי כל האימון המפלצתי הזה, שלב השימוש היום-יומי הוא מרתק לא פחות.

ברגע שלחצתם, הטקסט מפורק לטוקנים ועובר במיידי דרך שכבות המודל.

בתוך השכבות האלו, מנגנוני ה-Attention מעבדים את ההקשרים בין הטוקנים הישנים והחדשים.

בסוף התהליך, המודל מייצר הסתברויות למגוון טוקנים שיכולים להגיע בהמשך.

נבחר טוקן אחד שמוצמד לטקסט, ואז מעגל החישוב מתחיל שוב כדי למצוא ולחזות את הטוקן הבא.

טוקן אחרי טוקן – עד לקבלת התשובה השלמה (ותנאי סיום).

כשחושבים על זה, זה די מטורף:

תהליך של חיזוי יחידה בודדת הוביל למערכות שמסוגלות לכתוב קוד מורכב או להתווכח איתי על טקטיקות SEO כאילו יש להן משרד משלהן.

איזה AI עובד הכי טוב בעברית? עשיתי על זה סרטון:

LLM וקידום אתרים (SEO)

בתור מומחה SEO מזה שנים, אני רואה איך ה-LLMs מכניסים את כולנו לסחרור של הזדמנויות אבל גם הרבה דאגות בהקשר לתחום של קידום אתרים.

אנחנו פוגשים עכשיו חוויות מבוססות AI ישירות בתוצאות, כמו AI Overviews של גוגל שמספקות תשובה מסוכמת בראש העמוד.

יש מספרים שמסבירים למה מקדמי אתרים מודאגים.

מחקר ענק של Ahrefs הראה ששאילתות שבהן הופיע AI Overview היו קשורות ל-CTR ממוצע נמוך בכ-58% עבור העמוד הראשון, לעומת ביטויים בהם לא הופיעה תיבת ה-AI.

שימו לב למילה "קשורות".

זה מחקר קורלציה מעולה, אבל הוא לא ניסוי סיבתי שמוכיח שהתיבה עצמה היא האשמה הבלעדית בכל הירידה.

גוגל מצידה מצהירה שגולשים שכן מקליקים דרך חוויות ה-AI מגיעים לרוב הרבה יותר מבושלים ומעורבים.

המסקנה שלי ברורה: אי אפשר למדוד את ההצלחה רק לפי "כמה קליקים נאבדו". צריך למדוד גם מי מגיע, מאיזה שאילתות, וכמה כסף זה מכניס.

איך אני ממנף את זה בפועל בעסק שלי?

1. חיסכון כספי אדיר (מוכח בשטח).

כבר תקופה ארוכה שאני לא עובד עם כותבי תוכן אנושיים.

כיום, כתיבת תוכן מבוסס AI הגיעה לרמה מדהימה (כשעושים את זה נכון).

במקרה שלי, המעבר המאסיבי הזה חסך לעסק מעל 100 אלף שקלים בחודש בהוצאות כתיבה.

אבל זה לא ללחוץ על Generate ולקוות לטוב.

בפרויקט שביצענו בתחום הדין המשפטי, השתמשנו ב-AI כדי לייצר את כל בסיס הווליום הכבד והעבודה השחורה של תוכן המאמרים.

יחד עם זאת, עורך הדין שתחזקנו עבורו את האתר עבר על הכל, ביקר, העיר ואישר טרם העלייה.

זה נתן לנו מהירות של מכונה, מבלי לוותר על העיניים האחראיות של מי שבאמת מבין בדין ובפרטים.

אגב, יש לנו עוד המון מקרי בוחן וסיפורי הצלחה בהם עשינו שימוש מסיבי ב-AI.

2. אופטימיזציה טכנית והשראות:

ה-LLMs הם פועלים חרוצים לבניית תבניות קוד טכניות.

אפשר לבקש מהם לייצר אוטומטית פקודות לקובץ htaccess, לכתוב סכמות JSON-LD מורכבות, או לבנות מחקר ביטויים למגה פרויקט של קידום אתרי מסחר.

חיפוש ב-AI ואימון של AI הם לא אותו דבר

זה אולי ההבדל הכי חשוב לבעלי אתרים בכל הסיפור החדש הזה.

כשמערכת AI משתמשת בעמוד שלכם כדי לענות על שאלה למשתמש בחיפוש, זה ממש לא אומר שהתוכן שלכם נכנס באותו רגע לאימון (Training Data) ומשנה אוטומטית את המשקולות של המודל.

גוגל מפרידה כיום לחלוטין בין שתי ההרשאות הללו.

בעל אתר יכול לשלוט בהשתתפות של התוכן שלו בתוך חוויות ה-AI של החיפוש דרך הסרצ' קונסול, בעוד ששליטה בשימוש בתוכן לצורכי אימון מודלים נעשית בנפרד (דרך חסימה של הבוט Google-Extended).

גם חברת OpenAI מפרידה בין השניים.

הסורק OAI-SearchBot אחראי על גילוי והצגה של תוכן במסגרת השליפות ל-ChatGPT Search, בעוד ש-GPTBot הוא הסורק שאחראי על איסוף מידע לשימוש פוטנציאלי באימון מודלים של החברה.

בקיצור: להופיע בתוצאת AI של השנה האחרונה ו"לאמן LLM" אלו שני תהליכים שונים.

המיתוס על LLMO ואיך גוגל באמת עובדת

לאחרונה מדברים על מונח שנקרא LLMO (Large Language Model Optimization), או בקיצור: קידום עבור מודלי שפה כדי שנכלל בתשובות שלהם.

אבל הנה המלכודת שחברות שיווק נופלות בה:

הן חושבות שהן יכולות להשפיע על ה-Training Data (נתוני האימון הבסיסיים) של המודלים הגדולים.

בתכלס, אתם לא יכולים "לאמן" את גוגל להכיר את המותג שלכם על ידי שתילת כמה אזכורים בפורום נידח.

אז איפה כן המשחק האמיתי של ה-GEO (Generative Engine Optimization)?

Retrieval-Augmented Generation (RAG)

כאשר מערכות מפיקות תשובת AI לשאלה המבוססת על עובדות וחדשות, לרוב הן לא מסתמכות אך ורק על הסטטיסטיקה של הידע הפנימי שלהן.

הן מריצות שאילתה חיה, קוראות עמודים רלוונטיים (Retrieval) שקיימים באינדקס, ומזינות את המידע לתוך חלון ההקשר כדי לייצר תשובה עדכנית.

זה אומר שכללי ה-SEO הבסיסיים חלים לחלוטין גם כאן.

אם האתר שלכם איטי, חסום לסריקה ולא אמין, שום RAG לא יטרח לשלוף את התוכן שלכם אל המודל.

להלן טבלה שתעשה לכם קצת סדר בדברים:

אם נרצה לפשט את כל תחום ה-GEO לשורה אחת:

קודם המערכת צריכה להיות מסוגלת לגלות אתכם. אחר כך לאנדקס את התוכן שלכם בביטחון, ואז לשלוף אתכם במדויק לשאלה.

ורק אז, יש בכלל סיכוי שהתוכן ייכנס להקשר המודל, ישפיע על תהליך התשובה שלו ויקבל ציטוט (Citation).

זה בדיוק למה שום טקטיקת "האק" של עריכת טקסט זעירה לא תעבוד לכם אם חוליית ה-SEO הראשונית שבורה.

איך אני מודד GEO בלי לעבוד על עצמי?

לשאול פעם אחת את הצ'אט "מי הכי מקצועי בתחום" ולצלם מסך עם השם שלכם זו לא מדידה.

בגוגל, כבר אפשר להשתמש בדוח ה-Generative AI של סרצ' קונסול.

הוא מאפשר לראות ממש ברמת ה-URL איזה עמודים שלכם מקבלים חשיפות פעילות בתוך חוויות ה-AI Overviews וה-AI Mode.

יש לי נתונים אמיתיים על כך.

בפרויקט איקומרס גדול לריהוט שניהלנו, העבודה כללה שדרוג של מאות קטגוריות אסטרטגיות ובנייה מסיבית של למעלה מ-200 קישורים חיצוניים.

הגענו ל-96.1 אלף קליקים אורגניים, ובמקביל הדוח הגנרטיבי החדש הציג יותר מ-51 אלף חשיפות של הקישורים בתוך תכונות ה-AI של גוגל.

האם אפשר להוכיח שהסמנטיקה שכתבתי בעמוד 84 גרמה לחשיפה מסוימת? לא.

ב-GEO עדיף להיות כנים ולהראות מה נעשה ומה נמדד בתוצאה, במקום להמציא קשר סיבתי בטוח מראש.

הנה הדברים שעליהם הייתי שם את הזמן (והתקציב) שלי:

1. תהיו המקור ולא עוד מסכם

תנו נתונים שלכם, ניסוי אישי, מחיר אמיתי או דעה נחרצת.

למה שמערכת בינה מלאכותית תטרח לצטט אתכם אם רק שכתבתם פסקה של המתחרה?

2. דאגו שאפשר למצוא אתכם

תוכן חסום שאינו נסרק בקלות לא יקבל נקודות בונוס רק כי כתבתם עליו "אופטימיזציה ל-AI".

ה-SEO הטכני חייב להיות מושלם.

3. בנו מוניטין אמיתי מחוץ לאתר

אזכורים במקומות סמכותיים בונים לגיטימציה למותג, אבל גוגל מזהירה באופן ישיר נגד רדיפה אחר "אזכורים מזויפים" (Inauthentic Mentions) שנועדו רק כדי לרמות את אלגוריתם ה-AI.

בכללי, זה תחום בפני עצמו – ויש לי מדריך נפרד על ניהול מוניטין.

4. כתבו ברור כי זה טוב לאנשים

הגדרות ברורות, השוואות ורשימות הופכות מאמר לטוב בהרבה.

אבל אל תפרקו עכשיו כל פסקה למשפטים קצרים בטירוף כי מישהו בלינקדאין אמר לכם שככה ה-LLM אוכל טקסט.

גוגל מצהירה שאין שום צורך בכתיבה מיוחדת או ב-Chunking מלאכותי בשביל ה-AI שלה.

שאלות ותשובות נפוצות (FAQ) על מודלי שפה גדולים (LLMs) ושיווק AI

1. מה זה מודל שפה גדול (LLM) במילים פשוטות?

זהו מנוע סטטיסטי כבד שאומן על כמויות ענק של נתוני טקסט מהרשת ומספרים.

המטרה העיקרית שלו היא לזהות דפוסים, כדי שהוא יוכל לחזות בצורה חכמה מהו היחידה (הטוקן) הבאה ברצף השפה ולהרכיב תשובה סבירה.

2. האם LLM ו-ChatGPT אלו אותם דברים?

ממש לא.

LLM הוא המודל עצמו וליבת החיזוי המתמטי (כמו למשל סדרת המודלים של GPT מבית OpenAI).

ChatGPT הוא אפליקציית מוצר הקצה והשירות שעוטף את המודל, בתוספת זיכרון, ממשק וכלי עזר שונים כגון הרצת קוד או מנוע סריקה לרשת.

3. למה ה-AI לפעמים ממציא עובדות שגויות (הזיות / Hallucinations)?

כי המודל בבסיסו אינו מסד נתונים של עובדות מוחלטות, אלא מכונת חיזוי סטטיסטית.

כאשר המודל אינו בטוח או חסר ידע קונקרטי, הוא עשוי לבחור טוקנים שרק "נשמעים" נכון מבחינה תחבירית (בקיצור – לחרטט), וימציא משפט שיראה סמכותי ומדעי לחלוטין למרות שהוא שגוי במציאות.

4. האם תוכן שנכתב על ידי AI יקבל עונש מגוגל?

לא רק בגלל שהוא נכתב על ידי AI.

גוגל מבהירה שהיא מתמקדת באיכות ובמטרה של התוכן, לא משנה אם מי שכתב אותו השתמש במקלדת ידנית או עבד באמצעות פרומפט.

הבעיה והפרת המדיניות מתרחשות כאשר מנצלים את אוטומציית הבינה המלאכותית כדי להציף את הרשת (Scaled Content Abuse) במטרה לתמרן דירוגים ותו לא.

5. האם צריך להכין קובץ llms.txt באתר כדי להופיע בגוגל?

מבחינת גוגל – ממש לא.

גוגל הדגישה שאין לה שום דרישה ליצירת פורמטים טכניים ספציפיים או קבצי טקסט נפרדים רק כדי להופיע בפיצ'רי ה-AI שלה.

היסודות הם תמיד SEO טכני תקין ונגיש לזחלן הרגיל.

למידע נוסף על קובץ llms.txt.

6. ה-AI מחפש עבורי ברשת או רק עונה מהידע שצבר באימון?

רוב השירותים המוכרים כיום עובדים בצורה משולבת.

המודל אכן נשען על הידע שרכש בשלבי האימון, אך משתמש ביכולות שליפה וסריקה (RAG) כדי לקבל מהרשת מידע עדכני ועובדתי לתוך ההקשר בטרם ישיב לשאילתת המשתמש.

7. האם אפשר לאמן מודל LLM שלם מאפס רק לעסק הקטן שלי?

טכנית כן. פרקטית, אין בכך שום היגיון עבור רוב העסקים.

אימון של מודל ענק דורש חוות שרתים, דאטה עצום ומשאבים כלכליים ששמורים בדרך כלל לטייקונים טכנולוגיים.

הרבה יותר יעיל להשתמש בפרומפטים חכמים, מערכות מבוססות RAG למסמכי החברה, או כוונון קל (Fine-Tuning) למודלי קוד פתוח בהתאם לצורך המדויק.

8. האם מחקרי GEO אקדמיים באמת מוכיחים שאפשר לשלוט בציטוטים?

המחקרים הראשונים אכן הוכיחו שבתנאי מבחן מבוקר (Benchmark), שינויים מסוימים בתוכן מסייעים לנראות טובה יותר בתשובות גנרטיביות.

אבל יש כאן כוכבית קריטית: בחלק מהניסויים המקור כבר נבחר ונכלל בתוך קבוצת השליפה.

כלומר, המחקרים האלו מלמדים איך טקסט מנוסח משפיע, אבל הם לא מוכיחים שטקטיקה מסוימת אחת תגרום לגוגל לאתר את העמוד שלכם מלכתחילה, לדחוק את המתחרה, ולייצר עבורכם טראפיק אורגני אמיתי לאורך זמן מחוץ למעבדה.

לעוד מדריכים:

• 10 טיפים מתקדמים לכתיבת תוכן ברמה גבוהה
• איך לכתוב נכון בעברית (ובכלל)
• כתיבת מאמרים לקידום אתרים: איך זה עובד?
• כלי ה-AI המובילים לשיווק באינטרנט
• אופטימיזציה לאתרים בעזרת AI
• אופטימיזציה לבינה מלאכותית – AIO
• מה זה llms.txt והאם בכלל צריך אותו?
• קידום GEO / אופטימיזציה למנועים גנרטיביים
• קידום למנועי בינה מלאכותית
• איך בוחרים מומחה GEO