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

بعد أن قرأت سابقاً كتاب قانون القوة، الذي أعدّه أفضل كتاب كُتب عن رأس المال المغامر، أقبلت على أحدث كتب سيباستيان مالابي بتوقعات مرتفعة على نحو غير معتاد. ولم يخيب كتاب آلة اللانهاية: ديميس هاسابيس وديب مايند والسعي إلى الذكاء الفائق ظني.

وكما في قانون القوة، ينجح الكتاب لأن مالابي يدرك أن الشركات التي تُحدث تحولات كبرى لا يمكن تفسيرها بالتكنولوجيا أو النتائج المالية وحدها. بل لا بد من فهمها من خلال طموحات من يبنونها وشخصياتهم وتنافسهم وقناعاتهم الراسخة. ويروي آلة اللانهاية جزئياً قصة رائد أعمال يؤسس واحدة من أهم شركات الذكاء الاصطناعي في التاريخ. لكنه، وهو الأهم، يروي قصة عالم يستخدم ريادة الأعمال وسيلةً لملاحقة أسئلة علمية. ولا يبدو ديميس هاسابيس شخصاً أسس ديب مايند أساساً ليصبح ثرياً أو مشهوراً أو ليحظى بالاحتفاء كمؤسس تقني. بل يبدو شخصاً رأى أن الذكاء هو أهم مسألة يمكنه العمل عليها، ثم بنى حياته حول حلها.

وهذا التمييز هو ما يجعل الكتاب آسراً إلى هذا الحد.

عالم أولاً ورائد أعمال ثانياً

يتتبع مالابي مسيرة هاسابيس من طفل نابغة في الشطرنج ومصمم ألعاب فيديو، إلى عالم أعصاب وباحث في الذكاء الاصطناعي، ثم مشارك في تأسيس ديب مايند. ويستند الكتاب إلى أكثر من 30 ساعة من الحوارات مع هاسابيس، إضافة إلى أكثر من 100 مقابلة مع زملائه ومنافسيه ومنتقديه ومتعاونين سابقين معه.

وأتاح هذا الاطلاع لمالابي أن يقدم هاسابيس بوصفه أكثر من مجرد الوجه العام لغوغل ديب مايند: شخصاً ظلت اهتماماته ثابتة بدرجة لافتة.

علّمه الشطرنج التفكير عدة نقلات إلى الأمام. وعلّمه تصميم ألعاب المحاكاة كيف يمكن لعوالم معقدة أن تنشأ من قواعد بسيطة نسبياً. وشجعته علوم الأعصاب على التساؤل عن كيفية عمل الذاكرة والخيال والتخطيط والذكاء داخل الدماغ البشري.

ولم تكن هذه الاهتمامات مراحل منفصلة في مسيرته، بل مقاربات مختلفة للسؤال الأساسي نفسه: هل يمكن فهم الذكاء جيداً بما يكفي لإعادة إنشائه؟

وما يبرز في أنحاء الكتاب هو ميل هاسابيس إلى ردّ المشكلات إلى أسسها. فبدلاً من البدء بما تستطيع التكنولوجيا القائمة إنجازه، كان يبدأ مراراً بالنتيجة التي يعتقد أنها ينبغي أن تكون ممكنة، ثم يعمل عكسياً للوصول إليها.

ويفسر هذا النهج القائم على المبادئ الأولى أيضاً أفقه الزمني الطويل على نحو غير معتاد. فقد كان مستعداً للاحتفاظ بمشكلة في ذهنه سنوات، بل عقوداً، إلى أن تتقدم العلوم والحوسبة بما يكفي للتعامل معها كما ينبغي.

وأوضح مثال على ذلك هو التنبؤ ببنية البروتينات.

الحوار الذي زرع بذرة الاهتمام بطي البروتينات

أثناء دراسته علوم الحاسوب في كامبريدج في التسعينيات، صادق هاسابيس طلاباً في علم الأحياء. وكان أحدهم مفتوناً تحديداً بـ مشكلة طي البروتينات ، وشرح له أن حلها قد يُحدث تحولاً في علم الأحياء.

وأدرك هاسابيس فوراً أنها من نوع مشكلات البحث الهائلة التي قد يستطيع الذكاء الاصطناعي التعامل معها يوماً ما. ويُروى أنه كان يحتفظ بملاحظات عن مشكلات علمية قد تصبح في نهاية المطاف مناسبة للخوارزميات التي يأمل بناءها. وظلت مسألة طي البروتينات بينها قرابة عقدين.

وهذا من أكثر أجزاء الكتاب تشويقاً.

فقد عرّفه حوار عادي ظاهرياً على مشكلة ظلت حاضرة في خلفية ذهنه طوال الجامعة وأبحاث الأعصاب وريادة الأعمال وتأسيس ديب مايند وتطوير أنظمة تعلم تتزايد قدراتها.

ولفهم أهمية ما تلا ذلك، ينبغي إدراك حجم التحدي.

تبدأ البروتينات كسلاسل من الأحماض الأمينية. وتُطوى هذه السلاسل لتشكل بنى ثلاثية الأبعاد معقدة، ويحدد الشكل الناتج إلى حد كبير ما يستطيع البروتين فعله داخل الكائن الحي. لذلك يُعد فهم هذه البنية ضرورياً لدراسة الأمراض وتصميم الأدوية وفهم كثير من الآليات التي تعتمد عليها الحياة.

وتكمن الصعوبة في أن بروتيناً صغيراً نسبياً يمكنه نظرياً اتخاذ عدد فلكي من التكوينات الممكنة. وقد يتطلب تحديد البنية تجريبياً باستخدام طرق مثل علم البلورات بالأشعة السينية أو المجهر الإلكتروني بالتبريد وقتاً وخبرة وتكلفة كبيرة.

وعلى مدى نحو 50 عاماً، عانى العلماء صعوبة التنبؤ الموثوق بالبنية ثلاثية الأبعاد للبروتين انطلاقاً من تسلسله أحادي البعد من الأحماض الأمينية. وأصبح ذلك أحد أكبر الأسئلة غير المحلولة في علم الأحياء الحاسوبي.

وكثيراً ما يقال إن AlphaFold «حلّ مشكلة طي البروتينات». لكن هذا الوصف أوسع مما ينبغي من الناحية التقنية. فقد أحدث AlphaFold تحولاً في التنبؤ ببنية البروتينات؛ لكنه لا يفسر كل مرحلة من مراحل عملية الطي الفيزيائية أو حركة البروتين أو سوء طيه أو تفاعلاته الجزيئية.

ولا ينتقص هذا التحفظ من الإنجاز. فالتنبؤ بالبنى بدقة تقترب من الدقة التجريبية كان في حد ذاته اختراقاً غيّر مجالاً علمياً كاملاً.

كانت الألعاب ميدان التدريب، لا الغاية النهائية

لم تبدأ ديب مايند بعلم الأحياء. بل جاءت اختراقاتها الأولى من الألعاب.

وقدمت الألعاب شيئاً بالغ القيمة لمختبر ذكاء اصطناعي: بيئات مضبوطة ذات قواعد واضحة ونتائج قابلة للقياس وأعداد هائلة من القرارات الممكنة. وكان بوسع الوكيل أن يجرب ويفشل ويتلقى تغذية راجعة ويتحسن، من دون غموض العمل في العالم الحقيقي ومخاطره المادية.

وأظهرت شبكة Q العميقة لدى ديب مايند أن نظام تعلم واحداً يستطيع إتقان مجموعة واسعة من ألعاب أتاري انطلاقاً من بكسلات الشاشة وإشارات المكافأة، بدلاً من تعليمات مخصصة لكل لعبة. وأسهم هذا العمل في ترسيخ التعلم المعزز العميق كأحد أكثر الاتجاهات وعداً في الذكاء الاصطناعي الحديث.

وكان الاختبار الكبير التالي هو لعبة غو.

فقد استعصت غو على أساليب الحوسبة التقليدية لأن عدد أوضاع الرقعة الممكنة جعل البحث الشامل مستحيلاً. وكان النجاح يتطلب التعرف على الأنماط والتخطيط الاستراتيجي والقدرة على تحديد النقلات الواعدة دون حساب كل نتيجة محتملة.

وفي مارس 2016، هزم AlphaGo لاعب غو الأسطوري لي سيدول بأربع مباريات مقابل واحدة. وشاهد أكثر من 200 مليون شخص آلةً تلعب نقلات استصعب حتى نخبة اللاعبين فهمها في البداية. ثم ألغى AlphaGo Zero الاعتماد على سجلات مباريات البشر. فانطلق من القواعد وحدها، وتعلم باللعب ضد نفسه، ثم تجاوز النسخة السابقة من AlphaGo. وعمّم AlphaZero هذا النهج أكثر، فأتقن الشطرنج والشوغي وغو من خلال اللعب الذاتي، دون الاعتماد على استراتيجيات مصممة يدوياً أو أمثلة بشرية.

ولم تكن هذه الأنظمة نماذج أولية مباشرة لـAlphaFold. فالصلة بينها فلسفية وتنظيمية أكثر من كونها صلة في البنية التقنية.

علّمت الألعاب ديب مايند بناء أنظمة قادرة على التنقل في فضاءات هائلة من الاحتمالات. وأثبتت أن الشبكات العصبية والتعلم المعزز والبحث والكميات الهائلة من الحوسبة تستطيع كشف حلول لم يبرمجها البشر صراحة.

والأهم أنها منحت هاسابيس الثقة في قدرة الذكاء الاصطناعي على تجاوز التصنيف ومطابقة الأنماط لإنتاج رؤى مفيدة فعلاً.

كان AlphaGo إنجازاً تاريخياً، لكنه لم يكن الغاية النهائية قط. كانت الألعاب مختبرات تستطيع ديب مايند فيها تطوير الأفكار والكوادر والبنية التحتية والثقة اللازمة لمواجهة مشكلات علمية حقيقية.

وفي التنبؤ ببنية البروتينات كان الاختبار الفعلي للمهمة الأصلية سيأتي أخيراً.

AlphaFold والفرق بين الفوز وحل المشكلة

بدأت ديب مايند العمل رسمياً على التنبؤ ببنية البروتينات في عام 2016. وشارك نظام AlphaFold الأول في مسابقة CASP13 لبنية البروتينات عام 2018، وحقق أعلى دقة بين المشاركين.

ولمؤسسات كثيرة، كان الفوز بالمسابقة سيكفي. فهو يجلب التغطية الإعلامية والاعتراف الأكاديمي والدليل على نجاح المشروع.

لكن هاسابيس أراد أكثر من ذلك.

فنظام يتصدر اختباراً معيارياً لكنه لا يزال غير موثوق بما يكفي للعمل العلمي اليومي لم يحل المشكلة فعلاً. لذلك وسعت ديب مايند الفريق، وأسندت إلى جون جامبر دوراً بحثياً محورياً، وأعادت تصميم النظام بصورة جوهرية بدلاً من الاكتفاء بتحسين مقاربتها الأولى.

وكانت النتيجة AlphaFold2.

وفي CASP14 عام 2020، حقق AlphaFold2 دقة رأى المنظمون والباحثون أنها تضاهي الطرق التجريبية في كثير من البروتينات المستهدفة. وأظهر البحث المرتبط به أن التنبؤ الحاسوبي يستطيع الاقتراب بانتظام من الدقة على المستوى الذري، حتى في حالات لا تتوفر فيها بنية معروفة وثيقة الصلة.

وأصدرت ديب مايند والمعهد الأوروبي للمعلوماتية الحيوية لاحقاً تنبؤات تغطي أكثر من 200 مليون بنية بروتينية، أي تقريباً كل بروتين فهرسه العلم. ومنذ ذلك الحين، استخدم قاعدة البيانات أكثر من ثلاثة ملايين باحث في أكثر من 190 دولة.

وفي عام 2024، تقاسم هاسابيس وجامبر نصف جائزة نوبل في الكيمياء عن التنبؤ ببنية البروتينات، فيما مُنح النصف الآخر لديفيد بيكر عن التصميم الحاسوبي للبروتينات.

ويلخص تسلسل هذه الأحداث أكثر ما أثار إعجابي في هاسابيس.

فهو لا يبدو راضياً بمجرد الفوز وفق المقياس المعتمد لمشكلة ما، بل يسأل باستمرار عما إذا كانت المشكلة الأساسية قد حُلّت فعلاً.

وهذا هو التفكير انطلاقاً من المبادئ الأولى في أنقى صوره. فالاختبار المعياري مجرد مؤشر بديل. والهدف ليس احتلال المرتبة الأولى، بل ابتكار شيء يغيّر ما يستطيع العلماء إنجازه.

النقطة العمياء تجاه النماذج اللغوية الكبيرة التي ساعدت OpenAI على التقدم

أوضح الكتاب أيضاً واحدة من أكثر الوقائع إرباكاً في تاريخ الذكاء الاصطناعي الحديث.

فقد قدم باحثو غوغل بنية المحوّلات في الورقة البارزة الصادرة عام 2017 بعنوان Attention Is All You Need «الانتباه هو كل ما تحتاج إليه». وأصبحت المحوّلات الأساس الذي بُنيت عليه النماذج اللغوية الكبيرة الحديثة.

لكن غوغل لم تحول هذه الأسبقية إلى المنتج الذي عرّف عصر الذكاء الاصطناعي التوليدي. فقد أطلقت OpenAI تطبيق ChatGPT وأسست الواجهة التي تعرّف من خلالها مئات الملايين لأول مرة على الذكاء الاصطناعي المتقدم. وبرزت Anthropic لاحقاً كجهة رائدة أخرى، خصوصاً بين المطورين ومستخدمي المؤسسات.

والرواية الشائعة تقول إن غوغل اخترعت المحوّل ثم أخفقت ببساطة في بناء نماذج لغوية. وهذا ليس دقيقاً تماماً. فقد نشرت غوغل وديب مايند أبحاثاً مهمة في النماذج اللغوية، منها نموذج Gopher من ديب مايند، الذي يضم 280 مليار معلمة، في عام 2021 .

ولم يكن الإخفاق غياباً للبحث، بل قصوراً في القناعة الاستراتيجية والتنفيذ على مستوى المنتج.

شكك هاسابيس في البداية في قدرة اللغة وحدها على إنتاج ذكاء حقيقي. وكان يعتقد أن النظام الذكي يحتاج إلى ارتباط بالعالم من خلال الإدراك أو الفعل أو الروبوتات أو بيئات المحاكاة.

وكان قلقه معقولاً. فقد تخزن آلة تعريفاً للوزن، لكن هل تفهم الوزن حقاً إن لم ترفع شيئاً قط؟ وقد تعالج أوصافاً للجاذبية، لكن هل تفهم أن كأساً سيتحطم إذا أُسقط؟

لذلك ركز البرنامج البحثي لديب مايند على وكلاء يعملون داخل الألعاب والعوالم المحاكاة. بل بنى باحثوها أنظمة تهدف تحديداً إلى ربط اللغة بالإدراك والفعل في بيئات ثلاثية الأبعاد.

وما قلل هاسابيس من تقديره هو مقدار المعلومات عن العالم المادي والاجتماعي الذي كانت اللغة البشرية قد اختزنته بالفعل. كما كان بوسع النماذج الكبيرة اكتساب شكل من الارتباط بالواقع عبر التغذية الراجعة من أشخاص خبروا العالم مباشرة.

وقد أقر هاسابيس لاحقاً بأنه أخطأ التقدير في هذه النقطة، واصفاً النماذج اللغوية بأنها «فعالة على نحو يصعب تفسيره».

وكان هذا أحد أكثر أقسام الكتاب قيمة، لأنه يجعل سلوك غوغل أكثر قابلية للفهم.

فمن الخارج، بدا من غير المفهوم أن تسمح المؤسسة المسؤولة عن المحوّل لـOpenAI بتحديد ملامح عصر النماذج اللغوية الكبيرة. أما ضمن الإطار الفكري لهاسابيس، فيصبح الأمر أكثر منطقية. فقد كان يبحث عن صورة أعمق للذكاء، ورأى أول الأمر أن التنبؤ اللغوي طريق غير مكتمل نحوها.

وقد يتبين في النهاية أن هذا الحكم صحيح على مستوى الذكاء الاصطناعي العام؛ فالنماذج اللغوية وحدها قد لا تكفي. لكنه، كقرار يتعلق بالمنتج والمنصة، منح المنافسين فرصة استثنائية.

ومن واقع متابعتي للسوق، أصبح Gemini نظاماً قوياً للغاية وقد يتفوق على النماذج المنافسة في تقييمات منفردة. لكن الانطباع لا يزال أن غوغل تحاول إعادة تعريف فئة حددت OpenAI وAnthropic توقعاتها.

ويساعد الكتاب على تفسير كيف وجدت إحدى المؤسسات الأكثر امتلاكاً لمواهب الذكاء الاصطناعي وبنيته التحتية نفسها في هذا الموضع.

لماذا كان بيع ديب مايند لغوغل منسجماً مع المهمة؟

أما الواقعة الأخرى التي غيرت فهمي لهاسابيس فكانت بيع ديب مايند لغوغل. تميل الأساطير المحيطة بالمؤسسين إلى تمجيد الاستقلال. فالمفترض أن يحتفظ رائد الأعمال المثالي بالسيطرة، ويرفض الاستحواذ، ويبني إمبراطورية، وينال الاعتراف الشخصي بإنشاء شركة مهيمنة.

لكن يبدو أن هاسابيس قيّم القرار بطريقة مختلفة.

أثناء التنافس على الاستحواذ على ديب مايند عام 2013، طرح لاري بيج حجة تمس أولويات هاسابيس مباشرة: إذا كان هدفه الفعلي هو إنشاء ذكاء اصطناعي عام، فلماذا يقضي سنوات في إعادة بناء البنية التحتية وجمع التمويل وتأسيس شركة تضاهي غوغل، بينما موارد غوغل موجودة بالفعل؟

وجرت الحوارات وسط سلسلة اجتماعات تكاد تكون سريالية، شارك فيها بيج ومارك زوكربيرغ وإيلون ماسك وشخصيات تقنية أخرى، منها تجمع في قلعة مستأجرة في نيويورك بمناسبة عيد ميلاد ماسك.

وكانت غوغل تستطيع تقديم بنية حوسبية ورأس مال ومواهب بحثية وصبر بحجم كان سيصعب على ديب مايند المستقلة تحقيقه. كما كانت مستعدة لقبول شروط أخلاقية عدّتها ديب مايند مهمة. وقد اختار هاسابيس غوغل في النهاية رغم تلقيه، بحسب التقارير، عرضاً أكبر من فيسبوك .

ومن منظور ريادة الأعمال التقليدي، قد يبدو بيع ديب مايند مبكراً إلى هذا الحد تخلياً عن الاستقلال.

أما من منظور هاسابيس، فقد كان البقاء مستقلاً هو مصدر التشتيت الأكبر.

فلم يكن هدفه أن يُعرف بمؤسس غوغل التالية، بل سلوك أسرع طريق موثوق نحو بناء الذكاء الاصطناعي العام وتسخير الذكاء المتقدم للعلم. وقد اختصرت غوغل هذا الطريق.

وأنتج الاستحواذ لاحقاً توترات حقيقية حول الاستقلال والحوكمة والتسويق التجاري والحدود الأخلاقية للذكاء الاصطناعي. ولا يوحي الكتاب بأن وضع ديب مايند داخل إحدى أكبر شركات العالم حسم هذه المسائل؛ بل جعلها أصعب من بعض الوجوه.

ومع ذلك، يكشف القرار شيئاً مهماً عن هاسابيس: يبدو أقل تعلقاً بالمكانة التقليدية لريادة الأعمال، وأكثر تعلقاً بالمهمة العلمية التي أتاحت له ريادة الأعمال تحقيقها.

أحد أصحاب النوايا الحسنة، لكنه ليس معصوماً من الخطأ

يبدو هاسابيس في النهاية واحداً من أصحاب النوايا الحسنة في سباق الذكاء الاصطناعي.

ولا يعني ذلك أن كل قراراته كانت صائبة. فقد كان لتردده تجاه النماذج اللغوية أثر مهم. وانطوت علاقة ديب مايند بغوغل على تنازلات. كما أن تركّز أنظمة الذكاء الاصطناعي القوية داخل عدد قليل من الشركات يثير أسئلة لا تستطيع النوايا الحسنة وحدها الإجابة عنها.

لكن دوافعه تبدو متسقة بدرجة غير معتادة.

فهو يريد فهم الذكاء، ويعتقد أن الذكاء الاصطناعي المتقدم يستطيع تسريع الاكتشاف العلمي. وقد شدد مراراً على السلامة وضرورة التفكير في العواقب طويلة الأجل للأنظمة المتزايدة القدرة. والأهم أن AlphaFold يقدم دليلاً ملموساً على أن رؤيته للذكاء الاصطناعي كأداة للعلم تتجاوز مجرد كلام طموح.

ثمة فرق بين الوعد بأن الذكاء الاصطناعي سيفيد البشرية، وبين إصدار أداة يستخدمها ملايين الباحثين لتحسين فهم آليات الحياة.

ويمنح AlphaFold هاسابيس مصداقية لا يملكها إلا قلة من القادة الآخرين في سباق الذكاء الاصطناعي العام.

أفكار ختامية

آلة اللانهاية كتاب ناجح كسيرة ذاتية وتاريخ لديب مايند وعرض مبسّط لعدد من أهم الاختراقات في الذكاء الاصطناعي الحديث. كما يجعل الأحداث التي شهدناها وقت وقوعها، من AlphaGo وAlphaFold إلى تأخر استجابة غوغل لـChatGPT، تبدو أكثر ترابطاً بكثير.

وأقوى دروسه ليس مجرد أن هاسابيس يتمتع بذكاء استثنائي، مع أنه كذلك بوضوح، بل أنه تعمد بعناية غير معتادة تحديد المشكلات التي تستحق تسخير هذا الذكاء لها.

فقد عرّفه حوار مع طلاب أحياء على طي البروتينات قبل عقود من قدرة الذكاء الاصطناعي على التعامل معه. واحتفظ بالمشكلة في ذهنه، وبنى المؤسسة والأنظمة اللازمة لمواجهتها، ثم عاد إليها عندما تقدمت التكنولوجيا بما يكفي.

يبدأ معظم رواد الأعمال بتكنولوجيا متاحة ويبحثون لها عن سوق. أما هاسابيس فبدأ بأسئلة اعتقد أنها قد تغير البشرية، وعمل على إنشاء تكنولوجيا قوية بما يكفي للإجابة عنها.

وهذا ما يجعل آلة اللانهاية كتاباً راسخاً في الذاكرة، وديميس هاسابيس شخصية غير معتادة في تاريخ الذكاء الاصطناعي.