Hadiah Nobel tahun ini memberikan penghargaan di bidang fisika dan kimia kepada pencapaian AI. Demis Hassabis mengemukakan pendapatnya sendiri dalam wawancara eksklusif ini.
Pada bulan Oktober, salah satu pendiri dan CEO DeepMind Demis Hassabis menjadi salah satu dari tiga pemenang Hadiah Nobel Kimia untuk AlphaFold.
Sebagai perangkat lunak kecerdasan buatan, AlphaFold memecahkan masalah yang ditimbulkan oleh komunitas biologi 50 tahun lalu: memprediksi struktur setiap protein yang diketahui.
Faktanya, AlphaFold, model inovatif ini, hanyalah sebagian dari pencapaian DeepMind. Dalam 15 tahun sejak didirikan, DeepMind telah menjadi salah satu laboratorium AI terpenting di dunia.
Meskipun beberapa pertimbangan bisnis telah ditambahkan setelah diakuisisi oleh Google dan digabungkan dengan Google Brain, pertimbangan tersebut masih berfokus pada masalah paling kompleks dan mendasar dalam sains dan teknik, dan pada akhirnya merancang AI canggih yang dapat meniru atau bahkan menggantikan kemampuan kognitif manusia.
Kurang dari 24 jam setelah memenangkan Hadiah Nobel, Demis Hassabis menerima wawancara dengan reporter Financial Times Madhumita Murgia dan mendiskusikan masalah besar yang akan dipecahkan DeepMind selanjutnya, peran AI dalam kemajuan ilmu pengetahuan, dan pemikirannya sendiri dalam perjalanan menuju AGI. Perkiraan prospek.
Demis Hassabis di kantor pusat Google DeepMind di London
Tantangan AI4Science selanjutnya
Kemajuan terkait AlphaFold 3 sampai batas tertentu menunjukkan langkah DeepMind selanjutnya di bidang biologi - memahami interaksi dalam organisme, pada akhirnya memodelkan seluruh jalur, dan bahkan membangun sel virtual.
Selain itu, melalui upaya anak perusahaan DeepMind, Isomorphic, mereka juga memasuki bidang penemuan obat - merancang senyawa baru, menemukan situs pengikatan, dan memprediksi sifat, penyerapan, toksisitas, dll. dari zat-zat tersebut.
Saat ini, Isomorphic juga telah bekerja sama dengan Eli Lilly, Novartis dan perusahaan lain untuk melaksanakan 6 proyek penelitian dan pengembangan obat, yang diharapkan dapat mencapai kemajuan klinis dalam beberapa tahun ke depan. sehingga membantu menyembuhkan beberapa penyakit.
Selain bidang biologi, Hassabis juga mengungkapkan sangat antusias bekerja di bidang desain material.
Tahun lalu, mereka menerbitkan makalah di Nature yang mengusulkan alat AI yang disebut GNoME untuk mencapai desain material level AlphaFold 1 dan menemukan total 2,2 juta kristal baru; pada langkah berikutnya, mereka perlu bekerja keras untuk mencapai level AlphaFold 2.
Alamat kertas: https://www.nature.com/articles/s41586-023-06735-9
Dalam bidang matematika, AlphaProof dan AlphaGeometry telah mencapai level medali perak IMO tahun ini, Dalam beberapa tahun ke depan, DeepMind akan mencoba menggunakan kekuatan AI untuk benar-benar memecahkan dugaan matematika yang penting.
Untuk bidang energi dan iklim, model Graphcast yang dipublikasikan di Science tahun lalu dapat memprediksi cuaca selama 10 hari ke depan dengan akurasi yang belum pernah terjadi sebelumnya dalam waktu satu menit.
Alamat makalah: https://www.science.org/token/author-tokens/ST-1550/full
Teknologi yang terlibat mungkin dapat membantu pemodelan iklim, yang sangat penting dalam berbagai bidang seperti memerangi perubahan iklim dan mengoptimalkan jaringan listrik.
Dapat dilihat bahwa cetak biru masa depan DeepMind lebih berfokus pada penerapan dan praktik rekayasa, yang bertujuan untuk lebih mengubah teknologi menjadi pekerjaan yang dapat mempengaruhi dunia nyata, dibandingkan penelitian dasar murni.
Berkenaan dengan hal tersebut, Hassabis mengatakan bahwa "pelipatan protein" merupakan "tantangan" yang "tidak terduga" dan tidak dapat mengharuskan setiap masalah memiliki kandungan emas seperti itu.
Masalah “pelipatan protein” begitu inti dan penting sehingga setara dengan teorema terakhir Fermat dalam bidang biologi. Namun sayangnya, tidak banyak masalah yang cukup penting dan dieksplorasi dalam waktu yang cukup lama untuk dapat disebut a "tantangan."
Hadiah Nobel akan menjadi momen penting bagi AI
Hadiah Nobel Fisika dan Kimia tahun ini diberikan kepada para sarjana AI satu demi satu. Menariknya, tetapi tidak ada yang tahu mengapa panitia penghargaan mengambil keputusan seperti itu.
Bagaimana Hassabis memahami hal ini?
Dia mengatakan bahwa ini seperti sebuah "pernyataan" yang sengaja dikeluarkan oleh komite, dan juga akan menjadi momen penting bagi AI, menandai bahwa kematangan teknologinya telah cukup diakui untuk membantu penemuan ilmiah.
AlphaFold adalah contoh terbaik, sedangkan penghargaan Hinton dan Hopfield ditujukan untuk pekerjaan algoritma yang lebih mendasar dan tingkat rendah.
Hassabis mengatakan dia berharap ketika dia melihat ke belakang 10 tahun ke belakang, AlphaFold akan menandai zaman keemasan baru penemuan ilmiah di semua bidang yang berbeda ini.
Hal ini juga memunculkan pertanyaan menarik: Dengan alat seperti AlphaFold, para ilmuwan tidak perlu lagi menghabiskan terlalu banyak waktu dan energi untuk membuat prediksi. Atau bahkan mengubah cara Anda mempelajari konsep ilmiah?
Perlu dicatat bahwa sistem AI adalah kelas alat baru yang unik. Sistem ini memiliki beberapa fungsi yang melekat dan oleh karena itu tidak sesuai dengan klasifikasi alat tradisional.
Meskipun alat seperti AlphaFold saat ini hanya dapat membuat prediksi, dalam arti tertentu, prediksi juga merupakan bagian dari “pemahaman”. Jika Anda bisa memprediksi, itu membawa pemahaman.
Sekalipun keluaran yang diprediksi cukup penting, seperti struktur suatu protein, namun keluaran itu sendiri juga berharga.
Dari perspektif yang lebih luas, sains mengandung banyak tingkatan "abstraksi".
Misalnya, seluruh bidang kimia didasarkan pada fisika. Anda tidak perlu memahami semua prinsip fisika seperti mekanika kuantum untuk membicarakan senyawa atom dan memahami kimia pada tingkat abstraknya sendiri.
Untuk bidang biologi, kita dapat mempelajari kehidupan, namun kita masih belum mengetahui bagaimana kehidupan berevolusi atau muncul, dan kita bahkan tidak dapat mendefinisikan dengan tepat konsep “kehidupan”.
Demikian pula, AI seperti lapisan abstraksi yang dipahami oleh orang-orang yang membangun program dan jaringan pada tingkat fisik, namun prediksi yang dihasilkan seperti properti yang muncul yang dapat kita prediksi sendiri pada tingkat ilmiah.
AGI semakin dekat, pemahaman itu penting
Baik itu ilmu pengetahuan alam atau sistem kecerdasan buatan, "pemahaman" sangatlah penting.
Kecerdasan buatan adalah suatu disiplin ilmu teknik, yang berarti Anda harus terlebih dahulu membangun sebuah sistem sebelum Anda dapat mempelajari dan memahami objeknya; sedangkan fenomena dalam ilmu pengetahuan alam tidak perlu dibuat-buat, fenomena tersebut ada secara alami.
Meskipun sistem AI merupakan artefak rekayasa, bukan berarti sistem ini lebih mudah dipelajari dibandingkan fenomena alam. Bahkan dapat diperkirakan bahwa sistem tersebut akan sama sulitnya untuk dipahami, dibongkar, dan didekonstruksi seperti jaringan saraf biologis.
Hal ini terjadi sekarang, tetapi kami telah membuat beberapa kemajuan. Misalnya, ada bidang khusus yang disebut "interpretasi mekanistik", yang menggunakan konsep dan alat ilmu saraf untuk menganalisis "otak virtual" dari sistem AI.
Hassabis sangat optimis terhadap kemampuan menjelaskan AI dan percaya bahwa kemajuan besar akan dicapai dalam memahami sistem AI dalam beberapa tahun ke depan.
Tentu saja AI juga bisa belajar menjelaskan dirinya sendiri. Bayangkan menggabungkan AlphaFold dengan sistem kemahiran bahasa sehingga dapat memprediksi dan menjelaskan apa yang dilakukannya pada saat yang bersamaan.
Saat ini, banyak laboratorium terkemuka yang mempersempit cakupan eksplorasinya dan berfokus pada penskalaan Transformer. Tidak dapat disangkal bahwa ini adalah arah yang baik dan akan menjadi komponen kunci dari sistem AGI akhir, namun DeepMind akan terus bertahan dalam eksplorasi dan penelitian inovatif.
Faktanya, DeepMind memiliki platform penelitian terluas dan terdalam hingga saat ini untuk menciptakan Transformers generasi berikutnya sebagai bagian dari warisan ilmiah mereka.
Eksplorasi ini diperlukan, antara lain, untuk melihat seberapa jauh kita bisa melangkah sehingga kita tahu apa yang perlu dieksplorasi.
Mengeksplorasi ide-ide baru dan memanfaatkan ide-ide menarik secara maksimal adalah hal yang penting. Jika Anda tidak memahami keterbatasan mutlak dari ide-ide Anda saat ini, Anda tidak akan tahu terobosan apa yang diperlukan.
Jendela konteks panjang LLM adalah contoh yang bagus. Konteks token 2M yang dibuat oleh Google Gemini 1.5 Pro adalah inovasi keren yang belum dapat ditiru oleh orang lain.
Kantor Google DeepMind London
Hanya dengan memahami AI kita dapat memiliki AGI yang aman
Hassabis dan banyak pemimpin teknologi memperkirakan dibutuhkan waktu 5 hingga 20 tahun untuk mewujudkan AGI.
Jika kita ingin menggunakan metode ilmiah untuk mencapai tujuan ini, itu berarti lebih banyak waktu, energi dan pemikiran, fokus pada pemahaman AI dan alat analisis, benchmarking dan evaluasi, yang memerlukan 10 kali lipat investasi saat ini.
Masukan-masukan ini tidak hanya harus datang dari perusahaan-perusahaan teknologi, namun juga dari lembaga-lembaga keamanan AI, akademisi, dan masyarakat sipil. Kita perlu memahami apa yang dilakukan sistem AI, keterbatasannya, dan cara mengendalikan dan melindungi sistem ini.
"Pemahaman" adalah bagian penting dari metode ilmiah, namun hal ini tidak ada dalam rekayasa murni. Teknik baru saja melihat - apakah pendekatan ini berhasil? Kalau tidak berhasil coba lagi, penuh trial and error.
Sains adalah apa yang dapat dipahami sebelum sesuatu terjadi. Idealnya, pemahaman ini berarti lebih sedikit kesalahan. Hal ini penting dalam AI dan AGI karena ketika menerapkan teknologi canggih seperti itu, Anda ingin membuat kesalahan sesedikit mungkin.
Mungkin dalam beberapa tahun ke depan, ketika kita semakin dekat dengan AGI, sebuah pertanyaan sosial akan muncul – nilai apa yang kita inginkan dari sistem ini? Tujuan apa yang harus kita tetapkan untuk mereka?
Hal ini berbeda dengan masalah teknis. Aspek teknis berfokus pada bagaimana menjaga sistem tetap pada jalurnya dan bergerak menuju tujuan yang telah ditetapkan, namun tidak membantu kita memutuskan tujuan apa yang seharusnya.
Untuk sistem AGI yang aman, baik permasalahan teknis maupun permasalahan sosial harus tepat, namun Hassabis percaya bahwa permasalahan sosial mungkin lebih sulit untuk dicapai.
Serangkaian isu seperti tujuan dan nilai akan lebih melibatkan PBB dan geopolitik, bahkan ilmu sosial dan filsafat, dan memerlukan diskusi ekstensif dengan semua tingkat pemerintahan, akademisi, dan masyarakat sipil.
Sekalipun AGI tinggal 10 tahun lagi, kita tidak punya banyak waktu untuk menyelesaikan masalah ini, jadi diskusi mengenai hal ini harus dimulai sekarang, dengan menghadirkan pendapat dari berbagai sumber dan perspektif.