รางวัลโนเบลในปีนี้มอบรางวัลทั้งในด้านฟิสิกส์และเคมีให้กับความสำเร็จของ AI สิ่งนี้หมายความว่าอย่างไรและจะมีผลกระทบอย่างไร Demis Hassabis หยิบยกความคิดเห็นของตัวเองในการสัมภาษณ์พิเศษนี้
ในเดือนตุลาคม Demis Hassabi ผู้ร่วมก่อตั้งและซีอีโอ DeepMind กลายเป็นหนึ่งในสามผู้ชนะร่วมของรางวัลโนเบลสาขาเคมีสำหรับ AlphaFold
ในฐานะซอฟต์แวร์ปัญญาประดิษฐ์ AlphaFold แก้ปัญหาที่เกิดจากชุมชนทางชีววิทยาเมื่อ 50 ปีที่แล้ว: การทำนายโครงสร้างของโปรตีนทุกชนิดที่รู้จัก
อันที่จริง AlphaFold ซึ่งเป็นโมเดลที่ก้าวล้ำนี้เป็นเพียงส่วนหนึ่งของความสำเร็จของ DeepMind เท่านั้น ในรอบ 15 ปีนับตั้งแต่ก่อตั้ง DeepMind ได้กลายเป็นหนึ่งในห้องปฏิบัติการ AI ที่สำคัญที่สุดในโลก
แม้ว่าข้อควรพิจารณาทางธุรกิจบางอย่างจะถูกเพิ่มเข้ามาหลังจากที่ Google เข้าซื้อกิจการและรวมเข้ากับ Google Brain แต่ประเด็นเหล่านี้ยังคงมุ่งเน้นไปที่ปัญหาที่ซับซ้อนและเป็นพื้นฐานที่สุดในด้านวิทยาศาสตร์และวิศวกรรมศาสตร์ และท้ายที่สุดแล้ว การออกแบบ AI อันทรงพลังที่สามารถเลียนแบบหรือแม้แต่แทนที่ความสามารถทางปัญญาของมนุษย์
ไม่ถึง 24 ชั่วโมงหลังจากได้รับรางวัลโนเบล Demis Hassabis ยอมรับการสัมภาษณ์กับ Madhumita Murgia นักข่าวของ Financial Times และพูดคุยเกี่ยวกับปัญหาสำคัญที่ DeepMind จะแก้ไขต่อไป บทบาทของ AI ในความก้าวหน้าทางวิทยาศาสตร์ และความคิดของเขาเองบนเส้นทางสู่ AGI การคาดการณ์ในอนาคต
Demis Hassabis ที่สำนักงานใหญ่ Google DeepMind ในลอนดอน
ความท้าทายต่อไปของ AI4Science
ความคืบหน้าที่เกี่ยวข้องของ AlphaFold 3 แสดงให้เห็นในระดับหนึ่งถึงขั้นตอนต่อไปของ DeepMind ในสาขาชีววิทยา ซึ่งได้แก่ การทำความเข้าใจปฏิสัมพันธ์ภายในสิ่งมีชีวิต ท้ายที่สุดคือการสร้างแบบจำลองทางเดินทั้งหมด และแม้กระทั่งการสร้างเซลล์เสมือนจริง
นอกจากนี้ ด้วยความพยายามของ Isomorphic ซึ่งเป็นบริษัทในเครือของ DeepMind พวกเขากำลังเข้าสู่สาขาการค้นคว้ายาด้วย การออกแบบสารประกอบใหม่ ค้นหาตำแหน่งที่มีผลผูกพัน และทำนายคุณสมบัติ การดูดซึม ความเป็นพิษ ฯลฯ ของสารเหล่านี้
ปัจจุบัน Isomorphic ยังได้ร่วมมือกับ Eli Lilly, Novartis และบริษัทอื่นๆ เพื่อดำเนินโครงการวิจัยและพัฒนายา 6 โครงการ ซึ่งคาดว่าจะมีความก้าวหน้าทางคลินิกในอีกไม่กี่ปีข้างหน้า โดยหวังว่าจะลดเวลาที่ต้องใช้ในการค้นคว้ายาลงอย่างมาก จึงช่วยรักษาโรคบางชนิดได้
นอกจากสาขาชีววิทยาแล้ว Hassabis ยังแสดงว่าเขารู้สึกตื่นเต้นมากกับงานด้านการออกแบบวัสดุ
เมื่อปีที่แล้ว พวกเขาตีพิมพ์บทความใน Nature ที่เสนอเครื่องมือ AI ที่เรียกว่า GNoME เพื่อให้บรรลุการออกแบบวัสดุระดับ AlphaFold 1 และค้นพบคริสตัลใหม่ทั้งหมด 2.2 ล้านชิ้น ในขั้นตอนถัดไป พวกเขาต้องทำงานอย่างหนักเพื่อไปถึงระดับ AlphaFold 2
ที่อยู่กระดาษ: https://www.nature.com/articles/s41586-023-06735-9
ในด้านคณิตศาสตร์ AlphaProof และ AlphaGeometry ได้มาถึงระดับเหรียญเงิน IMO ในปีนี้ ในอีกไม่กี่ปีข้างหน้า DeepMind จะพยายามใช้พลังของ AI เพื่อแก้ปัญหาการคาดเดาทางคณิตศาสตร์ที่สำคัญอย่างแท้จริง
สำหรับสาขาพลังงานและสภาพภูมิอากาศ แบบจำลอง Graphcast ที่ตีพิมพ์ในวารสาร Science เมื่อปีที่แล้ว สามารถคาดการณ์สภาพอากาศในอีก 10 วันข้างหน้าได้อย่างแม่นยำอย่างที่ไม่เคยเกิดขึ้นมาก่อนภายในหนึ่งนาที
ที่อยู่กระดาษ: https://www.science.org/token/author-tokens/ST-1550/full
เทคโนโลยีที่เกี่ยวข้องอาจสามารถช่วยในการสร้างแบบจำลองสภาพภูมิอากาศได้ ซึ่งมีความสำคัญมากในด้านต่างๆ เช่น การต่อสู้กับการเปลี่ยนแปลงสภาพภูมิอากาศและการเพิ่มประสิทธิภาพโครงข่ายไฟฟ้า
จะเห็นได้ว่าพิมพ์เขียวในอนาคตของ DeepMind มุ่งเน้นไปที่การประยุกต์ใช้งานและการปฏิบัติงานด้านวิศวกรรมมากขึ้น โดยมีเป้าหมายที่จะเปลี่ยนเทคโนโลยีให้เป็นงานที่อาจส่งผลกระทบต่อโลกแห่งความเป็นจริง แทนที่จะเป็นการวิจัยขั้นพื้นฐานล้วนๆ
ในเรื่องนี้ ฮาสซาบิสกล่าวว่า "การพับโปรตีน" ถือเป็น "ความท้าทาย" ที่ "คาดไม่ถึง" และไม่อาจกำหนดให้ทุกปัญหาต้องมีปริมาณทองคำดังกล่าว
ปัญหาของ "การพับโปรตีน" ถือเป็นปัญหาสำคัญและสำคัญมากจนเทียบเท่ากับทฤษฎีบทสุดท้ายของแฟร์มาต์ในสาขาชีววิทยา อย่างไรก็ตาม โชคร้ายที่ไม่มีปัญหามากมายที่สำคัญเพียงพอและถูกสำรวจเป็นเวลานานพอที่จะเรียกว่า a "ท้าทาย."
รางวัลโนเบลจะเป็นช่วงเวลาสำคัญสำหรับ AI
รางวัลโนเบลสาขาฟิสิกส์และเคมีในปีนี้มอบให้กับนักวิชาการด้าน AI ทีละคน เป็นเรื่องที่น่าสนใจ แต่ไม่มีใครสามารถบอกได้ว่าทำไมคณะกรรมการตัดสินจึงตัดสินใจเช่นนั้น
ฮัสซาบิสเข้าใจเรื่องนี้อย่างไร?
เขากล่าวว่าสิ่งนี้เหมือนกับ "แถลงการณ์" ที่จงใจออกโดยคณะกรรมการ และจะกลายเป็นช่วงเวลาต้นทางสำหรับ AI โดยเป็นการบ่งบอกว่าความสมบูรณ์ทางเทคโนโลยีของ AI ได้รับการยอมรับอย่างเพียงพอที่จะช่วยในการค้นพบทางวิทยาศาสตร์
AlphaFold เป็นตัวอย่างที่ดีที่สุด ในขณะที่รางวัลของ Hinton และ Hopfield นั้นมีไว้สำหรับงานอัลกอริธึมขั้นพื้นฐานและระดับต่ำ
Hassabis กล่าวว่าเขาหวังว่าเมื่อมองย้อนกลับไปในอีก 10 ปีข้างหน้า AlphaFold จะเป็นการประกาศยุคทองใหม่ของการค้นพบทางวิทยาศาสตร์ในสาขาต่างๆ ทั้งหมดเหล่านี้
สิ่งนี้ทำให้เกิดคำถามที่น่าสนใจ: ด้วยเครื่องมืออย่าง AlphaFold นักวิทยาศาสตร์ไม่จำเป็นต้องใช้เวลาและพลังงานมากเกินไปในการทำนายอีกต่อไป นี่หมายความว่าเราควรสำรวจสาขาใหม่หรือไม่ หรือแม้แต่เปลี่ยนวิธีการเรียนรู้แนวคิดทางวิทยาศาสตร์?
ควรสังเกตว่าระบบ AI เป็นเครื่องมือประเภทใหม่ที่ไม่เหมือนใคร มีฟังก์ชันบางอย่างโดยธรรมชาติ จึงไม่เหมาะกับการจำแนกประเภทของเครื่องมือแบบเดิม
แม้ว่าเครื่องมืออย่าง AlphaFold ในปัจจุบันจะทำได้เพียงการคาดการณ์เท่านั้น แต่ในแง่หนึ่ง การทำนายก็เป็นส่วนหนึ่งของ "ความเข้าใจ" เช่นกัน หากคุณสามารถคาดเดาได้ นั่นก็จะนำมาซึ่งความเข้าใจ
แม้ว่าผลลัพธ์ที่คาดการณ์ไว้จะมีความสำคัญเพียงพอ เช่น โครงสร้างของโปรตีน แต่ก็มีคุณค่าในตัวเอง
จากมุมมองที่กว้างขึ้น วิทยาศาสตร์ประกอบด้วย "นามธรรม" หลายระดับ
ตัวอย่างเช่น สาขาวิชาเคมีทั้งหมดมีพื้นฐานมาจากฟิสิกส์ คุณไม่จำเป็นต้องเข้าใจหลักการทางกายภาพทั้งหมด เช่น กลศาสตร์ควอนตัม เพื่อพูดคุยเกี่ยวกับสารประกอบอะตอมและเข้าใจเคมีในระดับนามธรรม
สำหรับสาขาชีววิทยา เราสามารถศึกษาชีวิตได้ แต่เรายังไม่รู้ว่าชีวิตมีวิวัฒนาการหรือเกิดขึ้นได้อย่างไร และเราไม่สามารถให้คำจำกัดความแนวคิดเรื่อง "ชีวิต" ได้อย่างถูกต้องด้วยซ้ำ
ในทำนองเดียวกัน AI ก็เหมือนกับชั้นของนามธรรมที่ผู้คนสร้างโปรแกรมและเครือข่ายเข้าใจในระดับกายภาพ แต่การคาดการณ์ที่ออกมาก็เหมือนกับคุณสมบัติฉุกเฉินที่เราสามารถทำนายได้ด้วยตัวเองในระดับทางวิทยาศาสตร์ วิเคราะห์การคาดการณ์เหล่านี้
AGI กำลังใกล้เข้ามา ความเข้าใจเป็นสิ่งสำคัญ
ไม่ว่าจะเป็นวิทยาศาสตร์ธรรมชาติหรือระบบปัญญาประดิษฐ์ “ความเข้าใจ” มีความสำคัญมาก
ปัญญาประดิษฐ์เป็นวินัยทางวิศวกรรม ซึ่งหมายความว่าคุณต้องสร้างระบบก่อนจึงจะสามารถศึกษาและทำความเข้าใจวัตถุนั้นได้ แม้ว่าปรากฏการณ์ในวิทยาศาสตร์ธรรมชาติจะไม่จำเป็นต้องถูกสร้างขึ้น แต่มันก็มีอยู่ตามธรรมชาติ
แม้ว่าระบบ AI จะเป็นสิ่งประดิษฐ์ทางวิศวกรรม แต่ก็ไม่ได้หมายความว่าจะศึกษาได้ง่ายกว่าปรากฏการณ์ทางธรรมชาติ และอาจคาดการณ์ได้ว่าระบบจะเข้าใจ แยกส่วน และแยกส่วนได้ยากพอๆ กับโครงข่ายประสาททางชีววิทยา
สิ่งนี้กำลังเกิดขึ้นในขณะนี้ แต่เราก็มีความคืบหน้าไปบ้างแล้ว ตัวอย่างเช่น มีสาขาพิเศษที่เรียกว่า "การตีความเชิงกลไก" ซึ่งใช้แนวคิดและเครื่องมือทางประสาทวิทยาศาสตร์ในการวิเคราะห์ "สมองเสมือน" ของระบบ AI
Hassabis มีทัศนคติเชิงบวกอย่างมากเกี่ยวกับความสามารถในการอธิบายของ AI และเชื่อว่าจะมีความก้าวหน้าอย่างมากในการทำความเข้าใจระบบ AI ในอีกไม่กี่ปีข้างหน้า
แน่นอนว่า AI ก็สามารถเรียนรู้ที่จะอธิบายตัวเองได้เช่นกัน ลองจินตนาการถึงการรวม AlphaFold เข้ากับระบบความสามารถทางภาษา เพื่อให้สามารถคาดการณ์และอธิบายสิ่งที่กำลังทำอยู่ในเวลาเดียวกันได้
ปัจจุบัน ห้องปฏิบัติการชั้นนำหลายแห่งกำลังจำกัดขอบเขตการสำรวจให้แคบลง และมุ่งเน้นไปที่การขยายขนาด Transformers ปฏิเสธไม่ได้ว่านี่เป็นทิศทางที่ดีและจะกลายเป็นองค์ประกอบสำคัญของระบบ AGI ขั้นสุดท้าย แต่ DeepMind จะยังคงมุ่งมั่นในการสำรวจและการวิจัยเชิงนวัตกรรมต่อไป
ในความเป็นจริง DeepMind มีแพลตฟอร์มการวิจัยที่กว้างและลึกที่สุดจนถึงปัจจุบันสำหรับการประดิษฐ์ Transformers รุ่นต่อไป ซึ่งเป็นส่วนหนึ่งของมรดกทางวิทยาศาสตร์
การสำรวจเหล่านี้มีความจำเป็นในส่วนหนึ่งเพื่อดูว่าเราจะไปได้ไกลแค่ไหนเพื่อที่เราจะได้รู้ว่าต้องสำรวจอะไรบ้าง
การสำรวจแนวคิดใหม่ๆ และการนำแนวคิดที่น่าตื่นเต้นไปใช้ให้เกิดประโยชน์สูงสุดถือเป็นสิ่งสำคัญทั้งคู่ หากคุณไม่เข้าใจข้อจำกัดที่แท้จริงของแนวคิดปัจจุบันของคุณ คุณจะไม่รู้ว่าจำเป็นต้องมีการพัฒนาอะไรบ้าง
หน้าต่างบริบทแบบยาวของ LLM เป็นตัวอย่างที่ดี บริบทโทเค็น 2M ที่สร้างโดย Google Gemini 1.5 Pro เป็นนวัตกรรมสุดเจ๋งที่ยังไม่มีใครสามารถคัดลอกได้
สำนักงาน Google DeepMind ในลอนดอน
เมื่อเราเข้าใจ AI เท่านั้น เราก็จะมี AGI ที่ปลอดภัยได้
Hassabi และผู้นำด้านเทคโนโลยีหลายรายคาดการณ์ว่าจะต้องใช้เวลา 5 ถึง 20 ปีในการทำให้ AGI เป็นจริง
หากเราต้องการใช้วิธีการทางวิทยาศาสตร์เพื่อให้บรรลุเป้าหมายนี้ นั่นหมายถึงเวลา พลังงาน และการคิดที่มากขึ้น โดยมุ่งเน้นไปที่เครื่องมือในการทำความเข้าใจและวิเคราะห์ AI การเปรียบเทียบและการประเมินผล ซึ่งต้องใช้การลงทุนในปัจจุบันถึง 10 เท่า
ข้อมูลเหล่านี้ควรไม่เพียงมาจากบริษัทเทคโนโลยีเท่านั้น แต่ยังมาจากหน่วยงานด้านความปลอดภัยของ AI นักวิชาการ และภาคประชาสังคมด้วย เราต้องเข้าใจว่าระบบ AI กำลังทำอะไรอยู่ ข้อจำกัด และวิธีควบคุมและปกป้องระบบเหล่านี้
"ความเข้าใจ" เป็นส่วนสำคัญของวิธีการทางวิทยาศาสตร์ แต่ไม่มีอยู่ในวิศวกรรมบริสุทธิ์ วิศวกรรมแค่มองดู - แนวทางนี้ใช้ได้ผลหรือไม่? หากไม่ได้ผล ให้ลองอีกครั้ง มันเต็มไปด้วยการลองผิดลองถูก
วิทยาศาสตร์คือสิ่งที่สามารถเข้าใจได้ก่อนสิ่งใดจะเกิดขึ้น ตามหลักการแล้ว ความเข้าใจนี้หมายถึงข้อผิดพลาดน้อยลง นี่เป็นสิ่งสำคัญสำหรับ AI และ AGI เพราะเมื่อใช้เทคโนโลยีอันทรงพลังเช่นนี้ คุณต้องการทำผิดพลาดให้น้อยที่สุด
บางทีในอีกไม่กี่ปีข้างหน้า เมื่อเราเข้าใกล้ AGI มากขึ้น คำถามทางสังคมก็จะเกิดขึ้น - เราต้องการให้ระบบเหล่านี้มีคุณค่าเท่าใด เราควรตั้งเป้าหมายอะไรให้พวกเขา?
สิ่งนี้แตกต่างจากปัญหาทางเทคนิค ด้านเทคนิคมุ่งเน้นไปที่การรักษาระบบให้เป็นไปตามเป้าหมายและก้าวไปสู่เป้าหมายที่ตั้งไว้ แต่ไม่ได้ช่วยให้เราตัดสินใจว่าเป้าหมายควรเป็นอย่างไร
สำหรับระบบ AGI ที่ปลอดภัย ทั้งประเด็นทางเทคนิคและประเด็นทางสังคมจำเป็นต้องถูกต้อง แต่ Hassabis เชื่อว่าประเด็นหลังอาจทำได้ยากกว่า
ประเด็นต่างๆ เช่น เป้าหมายและค่านิยมจะเกี่ยวข้องกับสหประชาชาติและภูมิศาสตร์การเมือง แม้กระทั่งสังคมศาสตร์และปรัชญา และจำเป็นต้องมีการหารืออย่างกว้างขวางกับทุกระดับของรัฐบาล นักวิชาการ และภาคประชาสังคม
แม้ว่า AGI จะอยู่ห่างออกไป 10 ปี แต่เราไม่มีเวลามากพอที่จะแก้ไขปัญหาเหล่านี้ ดังนั้นการอภิปรายในพื้นที่นี้จึงควรเริ่มต้นตั้งแต่ตอนนี้ โดยนำความคิดเห็นจากแหล่งที่มาและมุมมองที่หลากหลายมาสู่โต๊ะ