استعراض الكتاب: آلة الانفينيتي: ديميس هاسابيس، ديب مايند، وسعي إلى الذكاء الفائق بواسطة سباستيان مالابي

بعد قراءة كتاب قانون القوة، الذي أعتبره أفضل كتاب مكتوب حول رأس المال الاستثماري، اقتربت من كتاب سباستيان مالابي الأخير مع توقعات غير عادية. آلة الانفينيتي: ديميس هاسابيس، ديب مايند، وسعي إلى الذكاء الفائق لم يخيب آمالي.

مثل قانون القوة، ينجح الكتاب لأن مالابي يفهم أن الشركات التحولية لا يمكن تفسيرها من خلال التكنولوجيا أو النتائج المالية فقط. يجب فهمها من خلال الطموحات والشخصيات والمنافسات والمعتقدات العميقة للأشخاص الذين يبنونها.

آلة الانفينيتي هو جزئياً قصة رجل أعمال يخلق واحدة من أهم شركات الذكاء الاصطناعي في التاريخ. ومع ذلك، هو قصة عالم يحدث أن يستخدم روح المبادرة كوسيلة لمتابعة الأسئلة العلمية.

ديميس هاسابيس لا يبدو شخصاً أسس ديب مايند بشكل رئيسي ليكون ثرياً أو مشهوراً أو يحظى بالاحترام كمنشئ تكنولوجي. يبدو شخصاً حدد الذكاء كأهم مشكلة يمكنه العمل عليها و بنى حياته حول حلها.

هذا هو ما يجعل الكتاب مقنعاً.

عالم أولا ورجل أعمال ثانيا

يتبع مالابي مسار هاسابيس من طفل عبقري في الشطرنج ومصمم ألعاب فيديو إلى عالم أعصاب وباحث في الذكاء الاصطناعي وفي النهاية إلى المؤسس المشارك لشركة ديب مايند. يستند الكتاب إلى أكثر من 30 ساعة من المحادثات مع هاسابيس، إلى جانب أكثر من 100 مقابلة مع زملاء ومنافسين ونقاد ومشتركين سابقين.

تسمح هذه الوصول لمالابي بتقديم هاسابيس ليس فقط كوجه عام لشركة جوجل ديب مايند، ولكن كشخصinterests قد ظلت متماسكة بشكل ملحوظ.

تعلم الشطرنج كيف يفكر متقدمة. تصميم ألعاب المحاكاة taughtه كيف يمكن أن تظهر عوالم معقدة من قواعد بسيطة. تشجيع العلوم العصبية على سؤال كيف تعمل الذاكرة والخيال والتخطيط والذكاء داخل الدماغ البشري.

لم تكن هذه المتابعة مراحل منفصلة في مسيرته المهنية. كانت مقاربات مختلفة لنفس السؤال الأساسي: هل يمكن فهم الذكاء جيداً ليكون ممكناً إعادة خلقه؟

ما يبرز في جميع أنحاء الكتاب هو ميول هاسابيس لتقليص المشاكل إلى أساسياتها. بدلاً من البدء بما يمكن أن تنجزه التكنولوجيا الحالية، بدأ بشكل متكرر بالنتيجة التي يعتقد أنها يجب أن تكون ممكنة واعمل بالعكس.

هذا النهج من المبادئ الأولى يفسر أيضًا أفق زمني طويل غير عادي. كان هاسابيس على استعداد للاحتفاظ بمشكلة في ذهنه لسنوات أو حتى عقود حتى تتقدم العلم والحوسبة بما فيه الكفاية لمهاجمتها بشكل صحيح.

أ明ح مثال على ذلك هو توقع هيكل البروتين.

المحادثة التي غرسَت بذرة توقع هيكل البروتين

خلال دراسته للعلوم الحاسوبية في جامعة كامبريدج في التسعينيات، أصبح هاسابيس صديقاً لطلاب بيولوجيا. أحدهم كان مهتماً بشكل خاص بمشكلة توقع هيكل البروتين وأوضح أن كسرها يمكن أن يغير البيولوجيا.

تعرف هاسابيس على الفور أنها مشكلة بحث ضخم قد يتم حلها ذات يوم بالذكاء الاصطناعي. ويقال إنه احتفظ بملاحظات حول المشاكل العلمية التي يمكن أن تصبح في النهاية مناسبة للخوارزميات التي كان يأمل في بنائها. ظل توقع هيكل البروتين بينها لما يقرب من عقدين.

هذا جزء من أهم أجزاء الكتاب.

دخلت محادثة عادية هاسابيس في مشكلة ظلت في مؤخرة ذهنه خلال الجامعة وأبحاث العلوم العصبية والروح المبادرة وتأسيس ديب مايند وتطوير أنظمة التعلم المتقدمة.

للفهم أهمية ما تبع، من الضروري تقدير حجم التحدي.

البروتينات تبدأ كřetái من الأحماض الأمينية. تت gấp هذه السلاسل إلى هياكل ثلاثية الأبعاد معقدة، ويتحدد الشكل الناتج إلى حد كبير ما يمكن للبروتين فعله داخل كائن حي. لذلك، فهم هذا الهيكل ضروري لدراسة الأمراض وتصميم الأدوية وفهم العديد من الآليات التي تعتمد عليها الحياة.

الصعوبة تكمن في أن بروتيناً صغيراً نسبياً يمكن أن يعتمد عدداً فلكياً من التكوينات المحتملة. يمكن أن تتطلب تحديد الهيكل تجريبياً من خلال طرق مثل تحليل البلورات بالأشعة السينية أو المجهر الإلكتروني البارد وقتًا كبيرًا وخبرة ومتطلبات مادية.

لمدة تقارب 50 عامًا، عانى العلماء من صعوبة في التنبؤ بدقة بتركيب بروتين ثلاثي الأبعاد من تسلسل الأحماض الأمينية أحادي البعد. أصبحت التحديات واحدة من أكبر المشاكل غير المحلولة في علم الأحياء الحاسوبي.

غالبًا ما يقال إن AlphaFold “حلت مشكلة توقع هيكل البروتين”. تقنياً، هذا الوصف واسع جدًا. AlphaFold غيرت توقع هيكل البروتين؛ لا يشرح كل مرحلة من مراحل عملية الطي الفعلية أو حركة البروتين أو الطي الخاطئ أو التفاعل الجزيئي.

هذا التمييز لا يقلل من الإنجاز. كان التنبؤ بالهياكل بدقة قريبة من التجربة كان في حد ذاته كفاية ليكون اختراقًا غيرت مجالًا علميًا كاملاً.

الألعاب كانت ساحة التدريب، وليست الوجهة

لم تبدأ ديب مايند بالبيولوجيا. كانت الانجازات المبكرة تأتي من خلال الألعاب.

قدمت الألعاب شيئاً قيماً لمختبر الذكاء الاصطناعي: بيئات خاضعة للرقابة مع قواعد واضحة ونتائج قابلة للقياس وعدد هائل من القرارات الممكنة. يمكن للوكيل أن يجرّب ويفشل ويتلقى反馈 ويتحسن دون الغموض والخطر المادي للعمل في العالم الحقيقي.

أثبت الشبكة العميقة لشركة ديب مايند أن نظامًا تعليميًا واحدًا يمكن أن يتقن مجموعة واسعة من ألعاب أتاري من بكسل الشاشة وإشارات المكافأة بدلاً من تعليمات محددة للعبة. ساعد العمل على تأسيس التعلم بالتعزيز العميق كأحد أكثر النهج الواعد في الذكاء الاصطناعي الحديث.

كان الاختبار الرئيسي التالي هو غو.

مقاومت غو النهج التقليدية للحوسبة لأن عدد مواقف اللوحة الممكنة جعل البحث الشامل مستحيلاً. يتطلب النجاح التعرف على الأنماط والتخطيط الاستراتيجي والقدرة على تحديد الحركات الواعدة دون حساب كل نتيجة محتملة.

في مارس 2016، AlphaGo هزم لاعب غو الأسطوري لي سيدول أربع مرات من خمس. شاهد أكثر من 200 مليون شخص آلة تعرض حركات حتى اللاعبون النخبة عانوا في البداية من فهمها.

ثم AlphaGo Zero أزال الاعتماد على سجلات ألعاب البشر. بدءاً فقط من القواعد، تعلم من خلال اللعب ضد نفسه وأخيراً تجاوز الإصدار السابق من AlphaGo. AlphaZero أوسع نطاق النهج، حيث أتقن الشطرنج والشوجي وغو من خلال اللعب الذاتي دون الاعتماد على استراتيجيات مصنعة أو أمثلة بشرية.

لم تكن هذه الأنظمة نماذج مباشرة لشركة AlphaFold. الاتصال أكثر من كونه فلسفيًا ومنظمًا من حيث الهندسة المعمارية.

علمت الألعاب ديب مايند كيف تبني أنظمة قادرة على التنقل في فضاءات الاحتمالات الواسعة. أظهرت أن الشبكات العصبية والتعلم بالتعزيز والبحث والكميات الهائلة من الحوسبة يمكن أن تكشف عن حلول لم يتم برمجتها بشكل صريح من قبل البشر.

ما هو أكثر أهمية، أعطت هاسابيس الثقة بأن الذكاء الاصطناعي يمكن أن يتجاوز التصنيف والتعرف على الأنماط إلى توليد رؤى مفيدة حقًا.

كان AlphaGo إنجازًا تاريخيًا، لكنه لم يكن الوجهة النهائية. كانت الألعاب مختبرات يمكن لشركة ديب مايند فيها تطوير الأفكار والأشخاص والبنية والثقة اللازمة لمواجهة مشاكل علمية حقيقية.

كان توقع هيكل البروتين هو المكان الذي سيتم اختبار المهمة الأصلية أخيرًا.

AlphaFold وفرق بين الفوز والحل

بدأت ديب مايند正式ًا العمل على توقع هيكل البروتين في عام 2016. دخل نظام AlphaFold الأول مسابقة توقع هيكل البروتين CASP13 في عام 2018 وأحتل أعلى دقة بين المشاركين.

للمنظمات الكثيرة، كان الفوز في المسابقة كافياً. لكان قد أنتج عناوين رئيسية واعترافًا أكاديميًا وبرهانًا على أن المشروع نجح.

أراد هاسابيس المزيد.

نظام يتصدر معيارًا لكنه لا يزال غير موثوق به للعمل العلمي اليومي لم يحل المشكلة حقًا. وسعت ديب مايند الفريق ووضعت جون جمبر في دور بحثي مركزي وأعادة تصميم النظام بشكل كبير بدلاً من مجرد تحسين النهج الأول.

النتيجة كانت AlphaFold2.

في CASP14 في عام 2020، AlphaFold2 حقق دقة اعتبرها المنظمون والباحثون مشابهة لطرق التجارب عبر العديد من أهداف البروتين. أظهر البحث المرافق أن التنبؤ الحاسوبي يمكن أن يقترب بانتظام من الدقة الذرية، بما في ذلك في الحالات التي لا تتوفر فيها هيكل معروف متعلق.

أصدرت ديب مايند ومعهد البيولوجيا الحاسوبية الأوروبي فيما بعد تنبؤات تغطي أكثر من 200 مليون هيكل بروتيني -几乎 كل بروتين تمت دراسته من قبل العلم. تم الوصول إلى قاعدة البيانات من قبل أكثر من ثلاثة ملايين باحث في أكثر من 190 دولة.

في عام 2024، shared هاسابيس وجمبر نصف جائزة نوبل في الكيمياء لتوقع هيكل البروتين، مع منح النصف الآخر إلى ديفيد بيكر لتصميم البروتين الحاسوبي.

تسلسل الأحداث يلخص ما وجدته أكثر إثارة للاهتمام حول هاسابيس.

لا يبدو راضياً عن مجرد الفوز بمعيار مقبول للمشكلة. إنه يسأل باستمرار عما إذا كانت المشكلة الأساسية قد حُلت بالفعل.

هذا التفكير من المبادئ الأولى في شكله النقي. المعيار هو مجرد وكيل. الهدف ليس أن تحتل المرتبة الأولى. الهدف هو إنشاء شيء يغير ما يمكن للعلماء القيام به.

نقطة عمي اللغات الكبيرة التي ساعدت OpenAI على التقدم

أوضح الكتاب أيضًا واحدة من أكثر الحوادث إرباكًا في تاريخ الذكاء الاصطناعي الحديث.

قدم باحثو جوجل هيكل التحويل في الورقة الرائدة الانتباه هو كل ما تحتاجه في عام 2017. أصبحت التحويلات أساس النماذج اللغوية الكبيرة الحديثة.

ومع ذلك، لم تتحول جوجل هذه المقدمة إلى المنتج الذي حدد عصر الذكاء الاصطناعي التوليدي. أصدرت OpenAI ChatGPT وأسست الواجهة التي من خلالها واجه مئات الملايين من الناس الذكاء الاصطناعي المتقدم لأول مرة. ظهرت Anthropic لاحقًا كقائد آخر، خاصة بين المطورين ومستخدمي المؤسسات.

النسخة الشائعة من هذه القصة هي أن جوجل اخترعت التحويل ثم فشلت ببساطة في بناء نماذج لغوية. هذا ليس دقيقًا تمامًا. نشرت جوجل وديب مايند أبحاثًا كبيرة حول نماذج اللغة، بما في ذلك نموذج Gopher البالغ 280 مليار معامل في عام 2021.

الفشل لم يكن غيابًا في البحث. كان فشلًا في الإقناع الاستراتيجي وتنفيذ المنتج.

شكك هاسابيس في البداية في أن اللغة وحدها يمكن أن تنتج ذكاءً حقيقيًا. كان يعتقد أن نظامًا ذكيًا يحتاج إلى أن يكون مرتكزًا في العالم من خلال الإدراك أو الإجراء أو الروبوتات أو البيئات المحاكاة.

كانت مخاوفه معقولة. يمكن لآلة تخزين تعريف للوزن، لكن هل سيفهم حقًا الوزن بدون رفع شيء؟ يمكنها معالجة وصفات الجاذبية، لكن هل ستفهم أن كأسًا ستنكسر عندما تسقط؟

نتيجة لذلك، ركز جدول أبحاث ديب مايند على الوكلاء الذين يتصرفون داخل الألعاب والعالم المحاكى. بنوا حتى أنظمة مصممة بشكل خاص للربط بين اللغة والإدراك والعمل في البيئات ثلاثية الأبعاد.

ما أهمل هاسابيس هو مقدار المعلومات حول العالم الفيزيائي والاجتماعي التي تم بالفعل ترميزها في اللغة البشرية. يمكن للنماذج الكبيرة أيضًا наследة شكلًا من أشكال التأصيل من خلال反