مقابلة مع مؤسس DeepMind: بنية الذكاء الاصطناعي العام، حالة الوكيل، والاختراق العلمي في العقد القادم

العنوان الأصلي للفيديو: ديميس هاسابيس: الوكلاء، الذكاء الاصطناعي العام والاختراق العلمي الكبير القادم

مصدر الفيديو الأصلي: Y Combinator
الترجمة الأصلية: Deep潮 TechFlow

مقدمة التحرير

الرئيس التنفيذي لشركة DeepMind، الحاصل على جائزة نوبل في الكيمياء ديميس هاسابيس يزور Y Combinator، ويتحدث عن التقدمات الرئيسية في الوصول إلى الذكاء الاصطناعي العام، ونصائح للمبادرين حول كيفية الحفاظ على التفوق، وأين قد يظهر الاختراق العلمي الكبير القادم.

أكثر حكم عملي لرواد التكنولوجيا العميقة هو أنه إذا أطلقت مشروع تكنولوجيا عميقة يمتد لعشر سنوات اليوم، فيجب أن تضع ظهور الذكاء الاصطناعي العام ضمن خططك. بالإضافة إلى ذلك، كشف عن أن شركة Isomorphic Labs (شركة أدوية تعتمد على الذكاء الاصطناعي تم فصلها عن DeepMind) ستصدر أخبارًا مهمة قريبًا.

مقتطفات مهمة

مسار وجدول زمني للذكاء الاصطناعي العام

· «هذه المكونات التقنية الحالية ستصبح على الأرجح جزءًا من الهيكل النهائي للذكاء الاصطناعي العام.»

· «مشاكل التعلم المستمر، والاستنتاج على المدى الطويل، وبعض جوانب الذاكرة لم تُحل بعد، والذكاء الاصطناعي العام يحتاج إلى حلها جميعًا.»

· «إذا كان جدولك الزمني للذكاء الاصطناعي العام حول عام 2030، وبدأت مشروع تكنولوجيا عميقة اليوم، فيجب أن تضع في حسابك أن الذكاء الاصطناعي العام قد يظهر في منتصف الطريق.»

الذاكرة ونوافذ السياق

· «نافذة السياق تقريبًا تعادل الذاكرة العاملة. متوسط الذاكرة العاملة للبشر هو سبعة أرقام، ولدينا نوافذ سياق بملايين أو حتى عشرات الملايين من الرموز. لكن المشكلة أننا نضع كل شيء فيها، بما في ذلك المعلومات غير المهمة والخاطئة، وهذا الأسلوب حالياً هو أسلوب خشن جدًا.»

· «إذا أردت معالجة تدفق الفيديو المباشر وتخزين جميع الرموز، فإن مليون رمز يكفي تقريبًا لمدة 20 دقيقة فقط.»

نقائص الاستنتاج

· «أحب أن ألعب الشطرنج باستخدام Gemini. أحيانًا يدرك أنه قام بخطوة سيئة، لكنه لا يجد خيارًا أفضل، فيدور حول نفسه ويختار تلك الخطوة السيئة. لكن نظام استنتاج دقيق لا ينبغي أن يحدث معه هذا.»

· «هو من ناحية يستطيع حل مسائل بمستوى ميداليات أولمبياد IMO، ومن ناحية أخرى، عند طرح سؤال بطريقة مختلفة، يرتكب أخطاء رياضيات ابتدائية. يبدو أن هناك شيئًا مفقودًا في عملية التفكير والتأمل الذاتي لديه.»

الوكيل والإبداع

· «لتحقيق الذكاء الاصطناعي العام، يجب أن يكون لديك نظام قادر على حل المشكلات بشكل نشط نيابة عنك. الوكيل هو الطريق، وأعتقد أننا بدأنا للتو.»

· «لم أرَ بعد أحدًا يستخدم برمجة vibe لإنشاء لعبة AAA تتصدر قوائم المتاجر. وفقًا للجهود المبذولة حاليًا، هذا ممكن، لكنه لم يحدث بعد. هذا يدل على أن هناك شيئًا مفقودًا في الأدوات أو العمليات.»

التقطير والنماذج الصغيرة

· «افتراضنا هو أنه بعد إصدار نموذج Pro متقدم، يمكن ضغط قدراته إلى نموذج صغير جدًا يمكن تشغيله على الأجهزة الطرفية خلال نصف سنة إلى سنة. حتى الآن، لم نصل إلى الحد النظري للكثافة المعلوماتية.»

اكتشافات علمية واختبار “آينشتاين”

· «أحيانًا أسميه “اختبار آينشتاين”، أي هل يمكن تدريب نظام باستخدام معارف عام 1901، ثم يشتق بشكل مستقل النتائج التي توصل إليها آينشتاين عام 1905، بما في ذلك النظرية النسبية الخاصة. إذا تمكنت من ذلك، فهذه الأنظمة ليست بعيدة عن اختراع أشياء جديدة حقًا.»

· «حل مشكلة من جوائز الألفية الكبرى أمر رائع، لكن الأصعب هو أن تتمكن من طرح مجموعة جديدة من أسئلة جوائز الألفية، ويعتبرها كبار الرياضيين عميقة وتستحق البحث مدى الحياة.»

نصائح لرواد التكنولوجيا العميقة

· «السعي وراء المشكلات الصعبة والسهلية في الواقع متشابه، فقط بأساليب صعوبة مختلفة. الحياة قصيرة، فمن الأفضل أن تركز طاقتك على الأمور التي لن ينجزها أحد غيرك إذا لم تفعلها.»

مسار تحقيق الذكاء الاصطناعي العام

Gary Tan: أنت تفكر في الذكاء الاصطناعي العام منذ وقت أطول تقريبًا من الجميع. بالنظر إلى النموذج الحالي، كم تعتقد أن لدينا من الهيكل النهائي للذكاء الاصطناعي العام؟ وما الذي ينقصنا جوهريًا الآن؟

Demis Hassabis: أنا متأكد أن تقنيات مثل التدريب المسبق على نطاق واسع، RLHF، وسلسلة التفكير ستصبح جزءًا من الهيكل النهائي للذكاء الاصطناعي العام. لقد أثبتت هذه التقنيات الكثير حتى الآن. لا أستطيع تصور أن نكتشف بعد عامين أنها مسدودة، فهذا غير منطقي بالنسبة لي. لكن، على ما يبدو، ما زال هناك واحد أو اثنين من العناصر المفقودة. التعلم المستمر، والاستنتاج على المدى الطويل، وبعض جوانب الذاكرة، لا تزال غير محلولة.

الذكاء الاصطناعي العام يحتاج إلى حل كامل. ربما يمكن للتقنيات الحالية مع بعض الابتكارات التدريجية أن تصل إلى ذلك، لكن قد يتبقى واحد أو اثنين من المفاتيح الكبرى التي تحتاج إلى كسرها. لا أعتقد أن الأمر يتجاوز واحد أو اثنين. شخصيًا، أعتقد أن احتمالية وجود مفاتيح غير محلولة بهذه الدرجة هي حوالي 50-50. لذلك، في DeepMind، نحن نعمل على كلا المسارين.

Gary Tan: أتعامل مع العديد من أنظمة الوكيل، وأدهشني أن الوزن الأساسي يتكرر ويعاد استخدامه. لذا، مفهوم التعلم المستمر مثير جدًا لأنه حاليًا نلصقه باستخدام لاصق مؤقت، مثل تلك الدورات “أحلام الليل” وغيرها.

Demis Hassabis: نعم، تلك الدورات الأحلامية رائعة. لقد فكرنا في هذا الأمر سابقًا عند دمج الذاكرة السياقية. دكتورتي كانت تدرس كيف يدمج الحُصين المعرفة الجديدة بشكل أنيق في النظام المعرفي الموجود. الدماغ يفعل ذلك بشكل ممتاز.

يتم هذا خلال النوم، خاصة أثناء النوم السريع (REM sleep)، حيث يعيد تشغيل التجارب المهمة للتعلم منها. برنامجنا المبكر على Atari، DQN (شبكة Q العميقة التي نشرتها DeepMind في 2013، والتي حققت مستوى بشري في ألعاب Atari باستخدام التعلم المعزز العميق)، تعلم السيطرة على ألعاب Atari عبر تقنية إعادة التشغيل التجريبي (experience replay).

هذه التقنية مستوحاة من علم الأعصاب، حيث يعيد الدماغ تكرار المسارات الناجحة. كانت في 2013، وتعتبر قديمة في مجال الذكاء الاصطناعي، لكنها كانت حاسمة جدًا في ذلك الوقت.

أتفق معك، نحن نلصق الآن. نضع كل شيء في نافذة السياق. هذا الأسلوب غير مثالي. حتى لو كنا نعمل على آلة وليس دماغًا بشريًا، من الناحية النظرية يمكن أن نصل إلى نوافذ سياق بملايين أو عشرات الملايين من الرموز، ويمكن أن تكون الذاكرة مثالية، لكن تكلفة البحث والاسترجاع لا تزال قائمة. في اللحظة التي نحتاج فيها لاتخاذ قرار محدد، من الصعب العثور على المعلومات ذات الصلة الحقيقية، حتى لو استطعنا تخزين كل شيء. لذلك، أعتقد أن مجال الذاكرة لا يزال مليئًا بالفرص للابتكار.

Gary Tan: بصراحة، نافذة سياق بمليون رمز أكبر مما توقعت، ويمكن أن يؤدي العديد من المهام.

Demis Hassabis: نعم، بالنسبة لمعظم الحالات التي يحتاجها، فهي كافية. لكن فكر في الأمر، نافذة السياق تقريبًا تعادل الذاكرة العاملة. الإنسان لديه ذاكرة عاملة تتسع لسبعة أرقام، ولدينا نوافذ سياق بملايين أو حتى عشرات الملايين من الرموز. المشكلة أننا نملأها بكل شيء، بما في ذلك المعلومات غير المهمة والخاطئة، وهذا الأسلوب حالياً هو أسلوب خشن جدًا. وإذا أردت معالجة تدفق فيديو مباشر وتخزين كل الرموز، فإن مليون رمز يكفي فقط حوالي 20 دقيقة. لكن إذا أردت أن يفهم النظام حياتك على مدى شهر أو شهرين، فهذا بعيد جدًا عن الكفاية.

Gary Tan: شركة DeepMind دائمًا تركز على التعلم العميق المعزز والبحث، هل هذا النهج متأصل في بناء Gemini؟ هل لا زلتم تقدرون قيمة التعلم المعزز بشكل كبير؟

Demis Hassabis: ربما يُقلل من قيمته. الاهتمام به يتغير ويعود. منذ تأسيس DeepMind، ونحن نعمل على أنظمة الوكيل. كل أعمال Atari وAlphaGo كانت في جوهرها أنظمة تعلم معزز، قادرة على تحقيق الأهداف، واتخاذ القرارات، ووضع الخطط بشكل مستقل. بالطبع، اخترنا مجال الألعاب لأنه يمكن التحكم في التعقيد، ثم توسعنا إلى ألعاب أكثر تعقيدًا، مثل AlphaStar بعد AlphaGo، وحققنا نجاحات كبيرة.

السؤال التالي هو، هل يمكن تعميم هذه النماذج إلى نماذج عالمية أو نماذج لغوية، وليس فقط نماذج للألعاب؟ لقد كنا نعمل على ذلك خلال السنوات الماضية. اليوم، أنماط التفكير والتسلسل المنطقي في النماذج الرائدة تشبه إلى حد كبير ما بدأ به AlphaGo.

أعتقد أن الكثير من الأعمال التي قمنا بها في الماضي مرتبطة جدًا بما نفعله اليوم، ونحن نعيد تقييم تلك الأفكار القديمة، ونستخدم مقاييس أكبر، وطرق أكثر عمومية، بما في ذلك البحث باستخدام أشجار مونت كارلو (Monte Carlo tree search) وأساليب التعلم المعزز المختلفة. أفكار AlphaGo وAlphaZero مرتبطة جدًا بالنماذج الأساسية الحالية، وأعتقد أن جزءًا كبيرًا من التقدم في السنوات القادمة سيأتي من هذا.

التقطير والنماذج الصغيرة

Gary Tan: الآن، لكي نكون أذكى، نحتاج إلى نماذج أكبر، لكن تقنيات التقطير تتقدم أيضًا، والنماذج الصغيرة يمكن أن تصبح سريعة جدًا. نماذج Flash الخاصة بكم قوية جدًا، وتصل إلى حوالي 95% من أداء النماذج المتقدمة، ولكن بتكلفة أقل بعشر مرات. هل هذا صحيح؟

Demis Hassabis: أعتقد أن هذا أحد ميزاتنا الأساسية. عليك أن تبني أكبر نموذج ممكن للحصول على القدرات المتقدمة. أحد أكبر ميزاتنا هو أننا نستطيع بسرعة تقليل تلك القدرات إلى نماذج أصغر وأصغر. تقنية التقطير هي من ابتكارنا، ونحن لا نزال في الطليعة عالميًا. ولدينا دافع قوي للقيام بذلك. نحن تقريبًا أكبر منصة تطبيقات ذكاء اصطناعي في العالم.

نمتلك نظرة عامة على الذكاء الاصطناعي، ونماذج الذكاء الاصطناعي، وGemini، وكل منتجات Google الآن تتضمن Gemini أو تقنيات ذات صلة. تم تحميل نماذجنا حوالي 40 مليون مرة خلال أسبوعين ونصف من إطلاقها.

أعتقد أن وجود بنية مفتوحة في مجال المصادر المفتوحة مهم جدًا. نماذج المصادر المفتوحة الصينية ممتازة، وتتصدر المجال حاليًا، لكننا نعتقد أن Gemma تنافس بقوة في نفس الحجم.

لدينا مشكلة موارد، لا أحد يملك القدرة الحاسوبية الزائدة لبناء نموذجين متقدمين كاملين. لذلك، قرارنا هو أن النماذج الطرفية تُستخدم على أجهزة أندرويد، نظارات، روبوتات، ويُفضل أن تكون مفتوحة المصدر، لأنه بمجرد نشرها على الأجهزة، فهي معرضة، والأفضل أن تكون مفتوحة تمامًا. لقد وحدنا استراتيجية الانفتاح على مستوى النانومتر، وهذا منطقي استراتيجيًا.

Gary Tan: قبل العرض، أظهرت لك نظام تشغيل ذكاء اصطناعي قمت ببنائه، ويمكنني التفاعل معه صوتيًا مباشرة، وأعترف أنني متوتر قليلاً أثناء العرض، لكنه عمل بشكل جيد. Gemini من البداية كان مبنيًا على متعدد الوسائط. جربت العديد من النماذج، والتفاعل الصوتي المباشر مع النموذج، مع قدرات استدعاء الأدوات وفهم السياق، لا يوجد حاليًا نموذج يقارن بـ Gemini.

Demis Hassabis: صحيح. أحد المزايا غير المعروفة بعد في سلسلة Gemini هو أننا بدأنا من البداية ببناء متعدد الوسائط. هذا جعل البداية أصعب من مجرد النص، لكننا نؤمن أن المدى الطويل سيعود علينا بالنفع، وقد بدأنا بالفعل في تحقيق ذلك.

على سبيل المثال، في مجال النماذج العالمية، بنينا على Gemini نموذج Genie (نموذج بيئي تفاعلي توليدي من DeepMind). وفي مجال الروبوتات، ستعتمد Gemini Robotics على نماذج متعددة الوسائط، ومزايانا في هذا المجال ستصبح سياج حماية تنافسي. نستخدم أيضًا Gemini بشكل متزايد في Waymo (شركة القيادة الذاتية التابعة لألفابت).

تخيل مساعدًا رقميًا يتبعك إلى العالم الحقيقي، ربما على هاتفك أو نظاراتك، ويفهم العالم الفيزيائي من حولك وبيئتك. أنظمتنا قوية جدًا في هذا المجال. سنواصل الاستثمار في هذا الاتجاه، وأعتقد أن ميزتنا في هذا النوع من المشكلات كبيرة جدًا.

Gary Tan: مع انخفاض تكلفة الاستدلال بسرعة، ماذا أصبح ممكنًا الآن؟ هل ستتغير استراتيجيات تحسين فريقكم؟

Demis Hassabis: لست متأكدًا أن الاستدلال سيصبح مجاني تمامًا، هناك مفارقة جيفونس (Jevons’ Paradox) — أي أن زيادة الكفاءة تؤدي إلى زيادة الاستهلاك الإجمالي. أعتقد أن الجميع في النهاية سيستخدمون كل القدرة الحاسوبية المتاحة لهم.

يمكن تصور مجموعات من ملايين الوكلاء يتعاونون، أو فريق صغير من الوكلاء يفكر في عدة اتجاهات في آن واحد ثم يدمجون النتائج. نحن نختبر هذه الاتجاهات، وكل ذلك سيستهلك موارد الاستدلال المتاحة.

بالنسبة للطاقة، إذا حللنا بعض مشاكل الاندماج النووي، أو الموصلية الفائقة في درجة الغرفة، أو البطاريات المثلى، أعتقد أنه من خلال علوم المواد يمكننا تحقيق ذلك، وسيكون تكلفة الطاقة قريبة من الصفر. لكن، لا تزال هناك قيود في التصنيع الفيزيائي للرقائق، على الأقل في العقود القادمة. لذلك، لا تزال هناك حدود على استهلاك الاستدلال، ويجب أن نستخدمه بكفاءة عالية.

الاختراق العلمي القادم

Gary Tan: من الجيد أن النماذج الصغيرة أصبحت أكثر ذكاءً. العديد من مؤسسي مجالات البيولوجيا والتكنولوجيا الحيوية هنا. لقد تجاوزت AlphaFold البروتين، وتوسعت إلى جزيئات حيوية أوسع. كم تبعد عن نمذجة نظام خلية كامل؟ هل هو مستوى مختلف تمامًا من الصعوبة؟

Demis Hassabis: تقدم Isomorphic Labs ممتاز جدًا. AlphaFold هو مجرد جزء من عملية اكتشاف الأدوية، ونحن نعمل على أبحاث كيميائية حيوية مجاورة، وتصميم مركبات ذات خصائص صحيحة، وسنصدر قريبًا إعلانات مهمة.

هدفنا النهائي هو إنشاء خلية افتراضية كاملة، محاكاة كاملة للخلية يمكنها أن تتعرض للتشويش، وتنتج محاكاة ذات وظيفة كاملة، وتكون نتائجها قريبة جدًا من النتائج التجريبية، وتكون ذات فائدة عملية. يمكنك تخطي العديد من خطوات البحث، وتوليد بيانات تركيبية كثيرة لتدريب نماذج أخرى تتنبأ بسلوك الخلايا الحقيقية.

أقدر أن الوصول إلى خلية افتراضية كاملة قد يستغرق حوالي عشر سنوات. نحن نعمل على ذلك من خلال الجانب العلمي في DeepMind، بدءًا من نواة الخلية، لأنها نظام مغلق نسبيًا. المشكلة الأساسية هي: هل يمكننا تحديد مقطع معقد بشكل مناسب، يكون ذاتيًا بما يكفي، بحيث يمكننا تقريب مدخلاته ومخرجاته بشكل معقول، والتركيز على هذا النظام الفرعي؟ نواة الخلية مناسبة جدًا لهذا.

مشكلة أخرى هي نقص البيانات. تحدثت مع كبار العلماء في التصوير الإلكتروني المجهري وتقنيات التصوير الأخرى. إذا استطعنا التصوير الحي للخلايا دون قتلها، فسيكون ذلك ثورة، لأنه يمكن تحويل ذلك إلى مشكلة بصرية، ونحن نعرف كيف نحل المشكلات البصرية.

لكن، حسب علمي، لا توجد تقنية حاليًا تتيح تصوير خلايا حية بدقة نانوية دون تدميرها. يمكننا الآن التقاط صور ثابتة عالية الدقة جدًا، وهو أمر مثير جدًا، لكنه غير كافٍ لتحويله إلى مشكلة بصرية مباشرة.

لذا، هناك مساران: أحدهما يعتمد على الأجهزة والبيانات، والآخر على بناء محاكيات قابلة للتعلم بشكل أفضل لمحاكاة هذه الأنظمة الديناميكية.

Gary Tan: أنت لا تقتصر على البيولوجيا فقط. في مواد العلوم، اكتشاف الأدوية، نمذجة المناخ، والرياضيات، إذا كان لا بد من ترتيب، فما هو المجال العلمي الذي سيشهد أكبر ثورة خلال الخمس سنوات القادمة؟

Demis Hassabis: كل مجال يثير الحماس، ولهذا السبب كانت دائمًا شغفي الأكبر، ولهذا السبب أعمل في الذكاء الاصطناعي منذ أكثر من 30 عامًا. لطالما اعتقدت أن الذكاء الاصطناعي هو الأداة النهائية للعلم، لدفع فهمنا العلمي، والاكتشافات العلمية، والطب، ومعرفتنا للكون.

بدأنا بصياغة مهمتنا على خطوتين. أولاً، حل الذكاء، أي بناء الذكاء الاصطناعي العام؛ ثانيًا، استخدامه لحل جميع المشكلات الأخرى. ثم اضطررنا لتعديل الصياغة، لأن البعض سأل: “هل تعني حقًا حل جميع المشكلات؟”

نعم، نحن نعني ذلك. الآن، بدأ الناس يفهمون ما يعنيه ذلك. بالتحديد، أعني حل تلك المجالات التي أسميها “مشكلات الجذر”، وهي تلك التي بمجرد أن نحقق فيها تقدمًا، يمكن أن نفتح فروعًا جديدة من الاكتشافات. على سبيل المثال، يعد AlphaFold نموذجًا لما نريد تحقيقه.

أكثر من ثلاثة ملايين باحث، تقريبًا كل الباحثين في علم الأحياء يستخدمون الآن AlphaFold. سمعت من بعض مديري شركات الأدوية أن كل دواء يُكتشف في المستقبل تقريبًا سيستخدم AlphaFold في مرحلة من مراحل اكتشافه. نحن فخورون بذلك، وهو أيضًا نوع التأثير الذي نأمل أن يحققه الذكاء الاصطناعي. لكن هذا مجرد البداية.

لا أستطيع أن أتصور أن هناك مجالًا علميًا أو هندسيًا لا يمكن للذكاء الاصطناعي أن يساعد فيه. تلك المجالات التي ذكرتها، أعتقد أنها لا تزال في “لحظة AlphaFold”، أي أنها تظهر نتائج واعدة جدًا، لكنها لم تتجاوز التحدي الكبير الحقيقي بعد. خلال العامين المقبلين، سنشهد تقدمًا كبيرًا في جميع هذه المجالات، من علوم المواد إلى الرياضيات.

Gary Tan: يبدو الأمر كأننا نمنح البشر قدرات جديدة تمامًا، كأننا بروميثيوس.

Demis Hassabis: بالضبط. وكما يحمل قصة بروميثيوس عبرة، يجب أن نكون حذرين جدًا بشأن كيفية استخدام هذه القدرات، وأين نضعها، وخطر إساءة استخدامها بنفس الأدوات.

خبرات النجاح

Gary Tan: هناك الكثير من الأشخاص هنا يحاولون تأسيس شركات تستخدم الذكاء الاصطناعي في العلم. برأيك، ما هو الفرق الحقيقي بين الشركات الناشئة التي تدفع حدود البحث المتقدم، وتلك التي تضع فقط واجهات برمجة تطبيقات على النماذج الأساسية وتدعي “الذكاء الاصطناعي للعلم”؟

Demis Hassabis: أفكر لو أنني الآن مكانكم، وأشاهد المشاريع في Y Combinator، كيف سأتصرف. أحد الأمور هو أن تتوقع مسار تطور الذكاء الاصطناعي، وهذا صعب جدًا. لكنني أؤمن بشدة أن دمج الذكاء الاصطناعي مع مجال تكنولوجي عميق آخر يحمل فرصًا هائلة. هذا التقاطع، سواء كان في المواد، الطب، أو مجالات علمية صعبة أخرى، خاصة تلك التي تتعلق بالعالم الذري، لن يكون هناك طرق مختصرة في المستقبل القريب. هذه المجالات لن تتعرض للاندثار بسبب تحديثات النماذج الأساسية القادمة. لكن، إذا كنت تبحث عن مسار دفاعي قوي، فهذه نصيحتي.

أنا شخصيًا أفضّل التكنولوجيا العميقة. الأشياء المستدامة والقيمة لا تأتي بسهولة. دائمًا ما أجد نفسي منجذبًا للتكنولوجيا العميقة. عندما بدأنا في 2010، كان الذكاء الاصطناعي تكنولوجيا عميقة — قال لي المستثمرون: “نحن نعلم أن هذا لن ينجح”، وكان المجتمع الأكاديمي يعتقد أنه مجال فاشل منذ التسعينات.

لكن إذا كنت تؤمن بأفكارك — لماذا ستكون هذه المرة مختلفة، وما هو مزيج خبرتك الفريدة — من المثالي أن تكون خبيرًا في التعلم الآلي والتطبيقات، أو أن تكون قادرًا على تشكيل فريق مؤسس من خبراء، فهناك إمكانيات هائلة من التأثير والقيمة التي يمكن خلقها.

Gary Tan: هذه نقطة مهمة جدًا. شيء واحد يصبح واضحًا بعد إنجازه، لكنه كان معارضًا قبل ذلك.

Demis Hassabis: بالطبع، لذلك عليك أن تتابع ما تحبه حقًا. بالنسبة لي، سأظل أعمل على الذكاء الاصطناعي مهما حدث. منذ أن كنت صغيرًا، قررت أن هذا هو أكثر شيء يمكن أن أؤثر فيه. وقد ثبت ذلك، لكنه قد لا يكون كذلك، ربما كنا متقدمين بـ 50 سنة.

وهو أيضًا أكثر شيء أجد متعة فيه. حتى لو كنا لا نزال في مرآب صغير، ولم نحقق بعد الذكاء الاصطناعي، سأواصل البحث عنه. ربما أعود للأوساط الأكاديمية، لكنني سأجد طريقة للاستمرار.

Gary Tan: AlphaFold هو مثال على أنك اتبعت اتجاهًا ونجحت في الرهان. ما الذي يجعل مجالًا علميًا مناسبًا لتحقيق اختراق مثل AlphaFold؟ هل هناك قواعد، مثل وظيفة هدف معينة؟

Demis Hassabis: يجب أن أجد وقتًا لكتابة ذلك. من خلال تجاربي مع AlphaGo وAlphaFold وغيرها من مشاريع Alpha، تعلمت أن أنجح التقنيات تعمل بشكل أفضل عندما:

أولاً، يكون للمشكلة مساحة بحثية هائلة، وكلما كانت أكبر، كان أفضل، بحيث لا يمكن حلها إلا بالبحث المكثف أو خوارزميات خاصة. مساحة البحث في الشطرنج والبروتينات تتجاوز بكثير عدد الذرات في الكون.
ثانيًا، يمكن تحديد وظيفة هدف واضحة، مثل تقليل الطاقة الحرة للبروتين، أو الفوز في لعبة، بحيث يمكن للنظام أن يستخدم التدرج التصاعدي (gradient ascent).
ثالثًا، وجود بيانات كافية، أو وجود محاكٍ يمكنه توليد بيانات تركيبية كثيرة ضمن التوزيع.

إذا توافرت هذه الشروط، فحتى الطرق الحالية يمكن أن تصل بعيدًا، وتجد “الإبرة في كومة القش”. اكتشاف الأدوية يتبع نفس المنطق: وجود مركب يمكن أن يعالج مرضًا معينًا بدون آثار جانبية، طالما أن القوانين الفيزيائية تسمح بوجوده، المشكلة الوحيدة هي كيف نبحث عنه بكفاءة. أعتقد أن AlphaFold أثبت أن هذه الأنظمة قادرة على العثور على تلك الإبرة في مساحة بحث هائلة.

Gary Tan: أريد أن أرتقي بمستوى النقاش. نحن نتحدث عن أن البشر يستخدمون هذه الطرق لخلق AlphaFold، لكن هناك مستوى أعلى، وهو أن البشر يستخدمون الذكاء الاصطناعي لاستكشاف فضاء الافتراضات المحتملة. كم نحن بعيدون عن أن تكون أنظمة الذكاء الاصطناعي قادرة على إجراء استنتاجات علمية حقيقية (وليس مجرد نمطية في البيانات)؟

Demis Hassabis: أعتقد أن الأمر قريب جدًا. نحن نعمل على أنظمة عامة من هذا النوع. لدينا نظام يسمى AI co-scientist، وخوارزمية مثل AlphaEvolve، يمكنها أن تتجاوز ما يقدمه Gemini الأساسي. جميع المختبرات الرائدة تستكشف هذا الاتجاه.

لكن، حتى الآن، لم أرى اكتشافًا علميًا حقيقيًا وذو أهمية كبيرة يتم بواسطة هذه الأنظمة. أعتقد أن ذلك سيأتي قريبًا، وربما يكون مرتبطًا بالإبداع الحقيقي، وتجاوز الحدود المعروفة. عند الوصول إلى ذلك، لن يكون مجرد نمطية، لأنه لن يكون هناك نمط للمطابقة. سيكون نوعًا من الاستنتاج بالمقارنة (analogical reasoning)، وهذه الأنظمة حاليًا لا تملك ذلك، أو لم نستخدمها بشكل صحيح بعد.

أقول غالبًا في المجال العلمي، هل يمكن أن تطرح فرضية مثيرة حقًا، وليس فقط تؤكد فرضية موجودة؟ لأن إثبات فرضية، مثل إثبات فرضية ريمان أو حل مشكلة الألفية، هو إنجاز عظيم، لكن ربما نقترب من تحقيق ذلك خلال سنوات قليلة.

الأصعب هو أن تطرح مجموعة جديدة من أسئلة جوائز الألفية، ويعتبرها كبار الرياضيين عميقة وتستحق البحث مدى الحياة. أعتقد أن هذا مستوى أصعب بكثير، ونحن لا نعرف كيف نصل إليه بعد. لكنني لا أعتقد أن الأمر سحري، وأؤمن أن هذه الأنظمة ستتمكن من ذلك في النهاية، ربما مع بعض الاختلافات.

الطريقة التي يمكن أن نختبر بها ذلك هي أن أطلق عليها “اختبار آينشتاين”، أي هل يمكنك تدريب نظام باستخدام معارف من عام 1901، ثم يشتق بشكل مستقل نتائج آينشتاين عام 1905، بما في ذلك النظرية النسبية الخاصة، وأفكار أخرى من ذلك العام. أعتقد أنه يجب أن نختبر ذلك بجدية، ونكرر التجربة، ونرى متى يمكننا تحقيقه. بمجرد أن نتمكن من ذلك، فإن هذه الأنظمة لن تكون بعيدة جدًا عن اختراع أشياء جديدة حقًا.

نصائح ريادية

Gary Tan: السؤال الأخير. هناك الكثير من الأشخاص هنا لديهم خلفية تقنية عميقة ويريدون بناء مشاريع على مستوىكم. أنتم واحدة من أكبر منظمات البحث في الذكاء الاصطناعي. من خبرتكم في البحث عن الذكاء الاصطناعي العام، ما هو الشيء الذي تعرفه الآن وتتمنى لو عرفته عندما كنت في عمر 25؟

Demis Hassabis: لقد ناقشنا جزءًا من ذلك بالفعل. ستجد أن السعي وراء المشكلات الصعبة والسهلية في الواقع متشابه، فقط بأساليب مختلفة من حيث الصعوبة. كل شيء له تحدياته. لكن الحياة قصيرة، والطاقة محدودة، فمن الأفضل أن تركز على الأمور التي إذا لم تفعلها، لن يفعلها أحد غيرك. استخدم هذا المعيار في اختيار مشاريعك.

جانب آخر هو أن التداخل بين التخصصات سيصبح أكثر شيوعًا في السنوات القادمة، وسيسهل الذكاء الاصطناعي ذلك.

وأخيرًا، يعتمد الأمر على جدولك الزمني للذكاء الاصطناعي العام. أنا أراه حوالي عام 2030. إذا بدأت مشروع تكنولوجيا عميقة اليوم، فغالبًا هو رحلة تمتد لعشر سنوات. ويجب أن تضع في حسابك أن ظهور الذكاء الاصطناعي العام قد يحدث في منتصف الطريق. ماذا يعني ذلك؟ ليس بالضرورة شيئًا سلبيًا، لكن عليك أن تخطط له. هل يمكن لمشروعك أن يستفيد من الذكاء الاصطناعي العام؟ كيف سيتفاعل معه؟

بالعودة إلى علاقة AlphaFold والأنظمة العامة، أتصور أن أنظمة مثل Gemini أو Claude ستستخدم أنظمة متخصصة مثل AlphaFold كأدوات يمكن استدعاؤها. لا أعتقد أننا سنضع كل شيء في نظام واحد ضخم.