עיגון עובדתי (Grounding)

כשמודל עונה "מהזיכרון" בלבד, אין ערבות שהתשובה נכונה — היא עלולה להיות הזיה משכנעת. עיגון פירושו לתת למודל גישה למקור-מידע חיצוני ואמין, ולבקש ממנו לבסס את התשובה עליו במפורש.

המונח עצמו קדם ל-AI המודרני בהרבה — הוא נטבע ב-1990 בפילוסופיה קוגניטיבית, כדי לתאר שאלה עמוקה יותר: איך סמלים (כמו מילים) מקבלים משמעות אמיתית, ולא רק מניפולציה סטטיסטית שלהם. בהקשר של מודלי שפה, "עיגון" משמש במובן מצומצם וטכני יותר: חיבור לעובדה בת-אימות, לא פתרון לשאלה הפילוסופית המקורית.

דוגמה קונקרטית לעיגון בפועל: Gemini של Google מציעה תכונה בשם מפורש "עיגון עם חיפוש Google" (Grounding with Google Search) — כשהיא מופעלת, המודל לא רק עונה מהזיכרון, אלא מצרף בפועל קישורים למקורות-אינטרנט אמיתיים ועדכניים שתמכו בתשובה, ומאפשר למשתמש לבדוק בעצמו אם המקור אכן תומך במה שנאמר, ולא רק לסמוך על המודל "בעיניים עצומות".

זו הסיבה המרכזית לפופולריות של אחזור-מוגבר-בייצור (RAG — Retrieval-Augmented Generation) וחיפוש-חי בכלי AI מודרניים — לא כי המודל "לא חכם מספיק", אלא כי עיגון בעובדות אמיתיות ועדכניות מקטין דרמטית את הסיכוי להזיה. עם זאת, עיגון אינו ערבות מוחלטת: מודל יכול, במקרים נדירים, לפרש לא-נכון גם מקור אמיתי שהוצג לו, או לצטט אותו באופן חלקי ומטעה — כך שעיגון מקטין משמעותית את הסיכון, אך לא מבטל אותו לגמרי.

ההבדל המעשי בין תשובה מעוגנת לתשובה שאינה מעוגנת בולט בעיקר בנושאים שמשתנים לעיתים קרובות — מחירים, זמינות-מוצרים, אירועים עדכניים, או נתונים סטטיסטיים מתעדכנים. בנושאים כאלה, תשובה "מהזיכרון" בלבד מיושנת כמעט בהכרח, בעוד תשובה מעוגנת יכולה לשקף את המצב העדכני ביותר הזמין בזמן השיחה עצמה, לא רק את מה שהיה נכון בזמן-האימון.