منحت جائزة نوبل لهذا العام جوائز في مجالي الفيزياء والكيمياء لإنجازات الذكاء الاصطناعي. ماذا يعني هذا وما هو تأثيره؟ طرح ديميس هاسابيس آرائه الخاصة في هذه المقابلة الحصرية.
في أكتوبر، أصبح ديميس هاسابيس، المؤسس المشارك والرئيس التنفيذي لشركة DeepMind، أحد الفائزين الثلاثة بجائزة نوبل في الكيمياء عن AlphaFold.
باعتباره برنامج ذكاء اصطناعي، يحل AlphaFold مشكلة طرحها المجتمع البيولوجي قبل 50 عامًا: التنبؤ ببنية كل بروتين معروف.
في الواقع، يعد AlphaFold، هذا النموذج الرائد، مجرد جزء من إنجازات DeepMind. في غضون 15 عامًا منذ إنشائها، أصبح DeepMind واحدًا من أهم مختبرات الذكاء الاصطناعي في العالم.
على الرغم من إضافة بعض الاعتبارات التجارية بعد استحواذ جوجل عليها ودمجها مع Google Brain، إلا أنها لا تزال تركز على المشكلات الأكثر تعقيدًا وجوهرية في العلوم والهندسة، وفي نهاية المطاف تصميم ذكاء اصطناعي قوي يمكنه تقليد القدرات المعرفية البشرية أو حتى استبدالها.
بعد أقل من 24 ساعة من فوزه بجائزة نوبل، قبل ديميس هاسابيس مقابلة مع مراسلة صحيفة فايننشال تايمز مادوميتا مورجيا وناقش المشاكل الرئيسية التي ستحلها DeepMind بعد ذلك، ودور الذكاء الاصطناعي في التقدم العلمي، وأفكاره الخاصة حول الطريق إلى الذكاء الاصطناعي العام. توقعات احتمالية.
ديميس هاسابيس في مقر Google DeepMind في لندن
التحدي القادم لـ AI4Science
يوضح التقدم المرتبط بـ AlphaFold 3 إلى حد ما الخطوة التالية لـ DeepMind في مجال علم الأحياء - فهم التفاعلات داخل الكائنات الحية، وفي نهاية المطاف نمذجة المسار بأكمله، وحتى بناء خلية افتراضية.
بالإضافة إلى ذلك، ومن خلال جهود شركة Isomorphic التابعة لشركة DeepMind، يدخلون أيضًا في مجال اكتشاف الأدوية - حيث يقومون بتصميم مركبات جديدة، وإيجاد مواقع الارتباط، والتنبؤ بخصائص هذه المواد وامتصاصها وسميتها وما إلى ذلك.
وفي الوقت الحاضر، تعاونت Isomorphic أيضًا مع Eli Lilly وNovartis وشركات أخرى لتنفيذ 6 مشاريع بحث وتطوير للأدوية، والتي من المتوقع أن تحقق تقدمًا سريريًا في السنوات القليلة المقبلة، وتأمل في تقليل الوقت اللازم لاكتشاف الأدوية بشكل كبير. مما يساعد على علاج بعض الأمراض.
بالإضافة إلى مجال علم الأحياء، أعرب هاسابيس أيضًا عن أنه متحمس جدًا للعمل في مجال تصميم المواد.
في العام الماضي، نشروا ورقة بحثية في مجلة Nature تقترح أداة ذكاء اصطناعي تسمى GNoME لتحقيق تصميم المواد لمستوى AlphaFold 1 واكتشفوا ما مجموعه 2.2 مليون بلورة جديدة في الخطوة التالية، وهم بحاجة إلى العمل الجاد للوصول إلى مستوى AlphaFold 2.
عنوان الورقة: https://www.nature.com/articles/s41586-023-06735-9
فيما يتعلق بالرياضيات، وصلت AlphaProof وAlphaGeometry إلى مستوى الميدالية الفضية للمنظمة البحرية الدولية (IMO) هذا العام، وفي السنوات القليلة المقبلة، ستحاول DeepMind استخدام قوة الذكاء الاصطناعي لحل تخمين رياضي مهم حقًا.
بالنسبة لمجالي الطاقة والمناخ، يمكن لنموذج Graphcast الذي نُشر في مجلة Science العام الماضي التنبؤ بالطقس للأيام العشرة القادمة بدقة غير مسبوقة خلال دقيقة واحدة.
عنوان الورقة: https://www.science.org/token/author-tokens/ST-1550/full
قد تكون التكنولوجيا المستخدمة قادرة على المساعدة في نمذجة المناخ، وهو أمر مهم للغاية في مجالات مثل مكافحة تغير المناخ وتحسين شبكات الطاقة.
يمكن ملاحظة أن مخطط DeepMind المستقبلي يركز بشكل أكبر على التطبيقات والممارسات الهندسية، بهدف تحويل التكنولوجيا إلى عمل يمكن أن يؤثر على العالم الحقيقي، بدلاً من الأبحاث الأساسية البحتة.
وفي هذا الصدد، قال هاسابيس إن «طي البروتين» يشكل «تحدياً» «غير متوقع» ولا يمكن أن تتطلب كل مشكلة أن تحتوي على هذا المحتوى الذهبي.
تعتبر مشكلة "طي البروتين" جوهرية ومهمة للغاية لدرجة أنها تعادل نظرية فيرما الأخيرة في مجال علم الأحياء، ومع ذلك، لسوء الحظ، لا توجد العديد من المشكلات المهمة بما يكفي والتي تم استكشافها لفترة طويلة بما يكفي ليتم تسميتها بـ "تحدي."
ستكون جائزة نوبل بمثابة لحظة فاصلة بالنسبة للذكاء الاصطناعي
تم منح جوائز نوبل في الفيزياء والكيمياء لهذا العام لعلماء الذكاء الاصطناعي الواحد تلو الآخر، وهو أمر مثير للاهتمام، ولكن لا أحد يستطيع أن يجزم لماذا اتخذت لجنة الجائزة مثل هذا القرار.
كيف يفهم حسابيس هذا؟
وقال إن هذا يشبه إلى حد كبير "بيانا" أصدرته اللجنة عمدا، وسيصبح أيضا لحظة فاصلة بالنسبة للذكاء الاصطناعي، مما يشير إلى أن نضجه التكنولوجي قد تم الاعتراف به بما فيه الكفاية لمساعدة الاكتشافات العلمية.
AlphaFold هو أفضل مثال، في حين أن جوائز Hinton وHopfield مخصصة للأعمال الخوارزمية الأساسية ومنخفضة المستوى.
وقال هاسابيس إنه يأمل أنه عندما ينظر إلى الوراء بعد 10 سنوات، فإن AlphaFold سوف يبشر بعصر ذهبي جديد للاكتشافات العلمية في كل هذه المجالات المختلفة.
وهذا يثير أيضًا سؤالًا مثيرًا للاهتمام: باستخدام أدوات مثل AlphaFold، لم يعد العلماء بحاجة إلى قضاء الكثير من الوقت والطاقة في التنبؤ. هل يعني هذا أننا يجب أن نستكشف مجالات جديدة؟ أو حتى تغيير طريقة تعلمك للمفاهيم العلمية؟
تجدر الإشارة إلى أن أنظمة الذكاء الاصطناعي هي فئة جديدة وفريدة من الأدوات، فهي تتمتع ببعض الوظائف المتأصلة، وبالتالي لا تتناسب مع التصنيف التقليدي للأدوات.
على الرغم من أن أدوات مثل AlphaFold يمكنها حاليًا إجراء تنبؤات فقط، إلا أن التنبؤ يعد أيضًا جزءًا من "الفهم". إذا كنت تستطيع التنبؤ، فهذا يجلب الفهم.
حتى لو كان الناتج المتوقع مهمًا بدرجة كافية، مثل بنية البروتين، فهو ذو قيمة في حد ذاته.
ومن منظور أوسع، يحتوي العلم على مستويات عديدة من "التجريد".
على سبيل المثال، يعتمد مجال الكيمياء بأكمله على الفيزياء. لا تحتاج إلى فهم جميع المبادئ الفيزيائية مثل ميكانيكا الكم للحديث عن المركبات الذرية وفهم الكيمياء على مستواها المجرد.
بالنسبة لمجال علم الأحياء، يمكننا دراسة الحياة، لكننا مازلنا لا نعرف كيف تطورت أو ظهرت الحياة، ولا يمكننا حتى تحديد مفهوم "الحياة" بشكل صحيح.
وبالمثل، فإن الذكاء الاصطناعي يشبه طبقة من التجريد يفهمها الأشخاص الذين يقومون ببناء البرامج والشبكات على المستوى المادي، ولكن التنبؤات التي تخرج بعد ذلك تشبه الخصائص الناشئة التي يمكننا التنبؤ بها بأنفسنا على المستوى العلمي.
AGI يقترب، والفهم مهم
سواء كان الأمر يتعلق بالعلوم الطبيعية أو أنظمة الذكاء الاصطناعي، فإن "الفهم" مهم جدًا.
الذكاء الاصطناعي هو أحد التخصصات الهندسية، مما يعني أنه يجب عليك أولاً بناء نظام قبل أن تتمكن من دراسة الشيء وفهمه؛ في حين أن الظواهر في العلوم الطبيعية لا تحتاج إلى تصنيع، فهي موجودة بشكل طبيعي.
على الرغم من أن أنظمة الذكاء الاصطناعي عبارة عن قطع أثرية، إلا أن هذا لا يعني أن دراستها أسهل من دراسة الظواهر الطبيعية، بل من المتوقع أن يكون من الصعب فهمها وتفكيكها وتفكيكها مثل الشبكات العصبية البيولوجية.
وهذا ما يحدث الآن، ولكننا حققنا بعض التقدم، على سبيل المثال، هناك مجال متخصص يسمى "التفسير الآلي"، والذي يستخدم مفاهيم وأدوات علم الأعصاب لتحليل "الدماغ الافتراضي" لنظام الذكاء الاصطناعي.
هاسابيس متفائل جدًا بشأن إمكانية تفسير الذكاء الاصطناعي ويعتقد أنه سيتم إحراز تقدم كبير في فهم أنظمة الذكاء الاصطناعي في السنوات القليلة المقبلة.
وبطبيعة الحال، يمكن للذكاء الاصطناعي أيضًا أن يتعلم شرح نفسه. تخيل الجمع بين AlphaFold ونظام إتقان اللغة حتى يتمكن من التنبؤ بما يفعله وشرحه في نفس الوقت.
حاليًا، تعمل العديد من المختبرات الرائدة على تضييق نطاق استكشافها والتركيز على توسيع نطاق المحولات. لا يمكن إنكار أن هذا اتجاه جيد وسيصبح عنصرًا أساسيًا في نظام الذكاء الاصطناعي العام النهائي، لكن DeepMind ستستمر في الإصرار على الاستكشاف والبحث الابتكاري.
في الواقع، تمتلك DeepMind أوسع وأعمق منصة بحثية حتى الآن لاختراع الجيل القادم من المتحولين كجزء من تراثهم العلمي.
هذه الاستكشافات ضرورية، جزئيًا، لمعرفة إلى أي مدى يمكننا الذهاب حتى نعرف ما يجب استكشافه.
إن استكشاف أفكار جديدة والاستفادة من الأفكار المثيرة لتحقيق إمكاناتها الكاملة أمران مهمان. إذا لم تفهم الحدود المطلقة لأفكارك الحالية، فلن تعرف ما هي الإنجازات المطلوبة.
تعد نافذة السياق الطويلة في LLM مثالًا جيدًا. يعد سياق الرمز المميز 2M الذي صممه Google Gemini 1.5 Pro ابتكارًا رائعًا لا يمكن لأي شخص آخر نسخه حتى الآن.
مكتب جوجل ديب مايند في لندن
فقط من خلال فهم الذكاء الاصطناعي يمكننا الحصول على الذكاء الاصطناعي العام الآمن
توقع هاسابيس والعديد من قادة التكنولوجيا أن الأمر سيستغرق من 5 إلى 20 عامًا لتحقيق الذكاء الاصطناعي العام.
إذا أردنا استخدام الأساليب العلمية لتحقيق هذا الهدف، فهذا يعني المزيد من الوقت والطاقة والتفكير، والتركيز على أدوات فهم وتحليل الذكاء الاصطناعي، وقياس الأداء والتقييم، وهو ما يتطلب 10 أضعاف الاستثمار الحالي.
ولا ينبغي أن تأتي هذه المدخلات من شركات التكنولوجيا فحسب، بل يجب أن تأتي أيضًا من وكالات أمن الذكاء الاصطناعي والأوساط الأكاديمية والمجتمع المدني. نحن بحاجة إلى فهم ما تفعله أنظمة الذكاء الاصطناعي، وقيودها، وكيفية التحكم في هذه الأنظمة وحمايتها.
"الفهم" جزء مهم من المنهج العلمي، لكنه مفقود في الهندسة البحتة. الهندسة تنظر فقط - هل ينجح هذا النهج؟ إذا لم ينجح الأمر، فما عليك سوى المحاولة مرة أخرى، فهو مليء بالتجربة والخطأ.
العلم هو ما يمكن فهمه قبل حدوث أي شيء. ومن الناحية المثالية، يعني هذا الفهم أخطاء أقل. يعد هذا أمرًا مهمًا مع الذكاء الاصطناعي والذكاء الاصطناعي العام لأنه عند تطبيق مثل هذه التكنولوجيا القوية، فأنت تريد ارتكاب أقل عدد ممكن من الأخطاء.
ربما في غضون سنوات قليلة، مع اقترابنا من الذكاء الاصطناعي العام، سينشأ سؤال اجتماعي: ما القيمة التي نريد أن تتمتع بها هذه الأنظمة؟ ما هي الأهداف التي يجب أن نضعها لهم؟
وهذا يختلف عن المسائل التقنية. يركز الجانب الفني على كيفية إبقاء النظام على المسار الصحيح والتحرك نحو الأهداف المحددة، لكنه لا يساعدنا في تحديد ماهية الأهداف.
من أجل نظام الذكاء الاصطناعي العام الآمن، يجب أن تكون القضايا التقنية والقضايا الاجتماعية صحيحة، لكن هاسابيس يعتقد أن تحقيق هذه الأخيرة قد يكون أكثر صعوبة.
ستشمل سلسلة من القضايا مثل الأهداف والقيم المزيد من الأمم المتحدة والجغرافيا السياسية، وحتى العلوم الاجتماعية والفلسفة، وتتطلب مناقشات مكثفة مع جميع مستويات الحكومة والأوساط الأكاديمية والمجتمع المدني.
وحتى لو كان الذكاء الاصطناعي العام على بعد عشر سنوات، فليس لدينا الكثير من الوقت لحل هذه المشاكل، لذا ينبغي للمناقشات في هذا المجال أن تبدأ الآن، من خلال جلب الأصوات من مجموعة متنوعة من المصادر ووجهات النظر إلى طاولة المفاوضات.