Κριτική Βιβλίου: Η Μηχανή του Απείρου: Ο Demis Hassabis, η DeepMind και η Αναζήτηση για Υπερευφυΐα από τον Sebastian Mallaby

Έχοντας διαβάσει προηγουμένως το Το Νόμο της Δύναμης, το οποίο θεωρώ το καλύτερο βιβλίο που έχει γραφτεί για κεφαλαιακή επένδυση, προσεγγίσα την τελευταία книга του Sebastian Mallaby με ασυνήθιστα υψητές προσδοκίες. Η Μηχανή του Απείρου: Ο Demis Hassabis, η DeepMind και η Αναζήτηση για Υπερευφυΐα δεν με απογοήτευσε.

Όπως και Ο Νόμος της Δύναμης, το βιβλίο επιτυγχάνει επειδή ο Mallaby καταλαβαίνει ότι οι μετασχηματιστικές εταιρείες δεν μπορούν να εξηγηθούν αποκλειστικά μέσω της τεχνολογίας ή των οικονομικών αποτελεσμάτων. Πρέπει να κατανοηθούν μέσω των φιλοδοξιών, των προσωπικοτήτων, των αντιπαλότητας και των βαθιά κεκτημένων πεποιθήσεων των ανθρώπων που τις χτίζουν.

Η Μηχανή του Απείρου είναι εν μέρει η ιστορία ενός επιχειρηματία που δημιουργεί μια από τις πιο σημαντικές εταιρείες τεχνητής νοημοσύνης στην ιστορία. Ωστόσο, είναι πιο σημαντική η ιστορία ενός επιστήμονα που χρησιμοποιεί την επιχειρηματικότητα ως όχημα για την διερεύνηση επιστημονικών ερωτημάτων.

Ο Demis Hassabis δεν φαίνεται να είναι κάποιος που ίδρυσε τη DeepMind κυρίως για να γίνει πλούσιος, διάσημος ή να γιορταστεί ως τεχνολογικός ιδρυτής. Φαίνεται να είναι κάποιος που ταυτοποίησε την ευφυΐα ως το πιο σημαντικό πρόβλημα που θα μπορούσε να εργαστεί και στη συνέχεια κατασκεύασε τη ζωή του γύρω από την επίλυσή του.

Αυτή η διάκριση είναι που κάνει το βιβλίο τόσο ελκυστικό.

Ένας Επιστήμονας Πρώτα και Ένας Επιχειρηματίας Δεύτερον

Ο Mallaby χαρτογραφεί το μονοπάτι του Hassabis από παιδί-πρωταθλητής σκακιού και σχεδιαστή βιντεοπαιχνιδιών σε νευροεπιστήμονα, ερευνητή τεχνητής νοημοσύνης και τελικά συνιδρυτή της DeepMind. Το βιβλίο βασίζεται σε περισσότερες από 30 ώρες συνομιλιών με τον Hassabis, μαζί με πάνω από 100 συνεντεύξεις με συναδέλφους, ανταγωνιστές, κριτικούς και πρώην συνεργάτες.

Αυτή η πρόσβαση επιτρέπει στον Mallaby να παρουσιάσει τον Hassabis όχι απλώς ως το δημόσιο πρόσωπο της Google DeepMind, αλλά ως ένα άτομο που τα ενδιαφέροντά του έχουν παραμείνει αξιοσημείωτα σταθερά.

Το σκάκι του taught να σκέφτεται πολλά βήματα μπροστά. Η σχεδίαση προσομοιωτικών παιχνιδιών του taught πώς μπορούν να αναδυθούν σύνθετοι κόσμοι από σχετικά απλές κανόνες. Η νευροεπιστήμη του encouraged να ρωτήσει πώς λειτουργούν η μνήμη, η φαντασία, η σχεδιασμός και η ευφυΐα μέσα στον ανθρώπινο εγκέφαλο.

Αυτές οι δραστηριότητες δεν ήταν αποσυνδεδεμένα στάδια της καριέρας του. Ήταν διαφορετικές προσεγγίσεις στο ίδιο υποκείμενο ερώτημα: Μπορεί η ευφυΐα να κατανοηθεί αρκετά καλά για να αναπαραχθεί;

Αυτό που ξεχωρίζει σε όλο το βιβλίο είναι η τάση του Hassabis να μειώνει τα προβλήματα στις βάσεις τους. Αντί να αρχίζει με αυτό που η υπάρχουσα τεχνολογία θα μπορούσε να επιτύχει, επαναλαμβάνοντα ξεκίνησε με το αποτέλεσμα που πίστευε ότι θα έπρεπε να είναι δυνατό και εργάστηκε ανάποδα.

Αυτή η προσέγγιση από τις πρώτες αρχές εξηγεί επίσης τον ασυνήθιστα μακρύ ορίζοντα χρόνου του. Ο Hassabis ήταν πρόθυμος να κρατήσει ένα πρόβλημα στο μυαλό του για χρόνια – ή ακόμη και δεκαετίες – μέχρι να προχωρήσει αρκετά η επιστήμη και η υπολογιστική για να το επιτεθεί σωστά.

Το πιο καθαρό παράδειγμα είναι η πρόβλεψη της δομής των πρωτεϊνών.

Η Συζήτηση που Φύτεψε το Σπόρο της Πτύχωσης των Πρωτεϊνών

Κατά τη διάρκεια των σπουδών του στην επιστήμη των υπολογιστών στο Κέιμπριτζ τη δεκαετία του 1990, ο Hassabis έγινε φίλος με φοιτητές βιολογίας. Ο ένας από αυτούς ήταν ιδιαίτερα ενθουσιασμένος με το πρόβλημα της πτύχωσης των πρωτεϊνών και εξήγησε ότι η διάλυση του θα μπορούσε να μεταμορφώσει τη βιολογία.

Ο Hassabis αναγνώρισε αμέσως ότι ήταν το είδος του τεράστιου προβλήματος αναζήτησης που θα μπορούσε κάποτε να αντιμετωπιστεί με τη βοήθεια της τεχνητής νοημοσύνης. Υπολογίζεται ότι διατήρησε σημειώσεις για επιστημονικά προβλήματα που θα μπορούσαν τελικά να γίνουν κατάλληλα για τους αλγόριθμους που ήλπιζε να κατασκευάσει. Η πτύχωση των πρωτεϊνών παρέμεινε μεταξύ τους για σχεδόν δύο δεκαετίες.

Αυτή είναι μια από τις πιο γοητευτικές partes του βιβλίου.

Μια φαινομενικά κανονική συζήτηση εισήγαγε τον Hassabis σε ένα πρόβλημα που θα παρέμενε στο πίσω μέρος του μυαλού του μέσω του πανεπιστημίου, της έρευνας νευροεπιστήμης, της επιχειρηματικότητας, της δημιουργίας της DeepMind και της ανάπτυξης ολοένα και πιο ικανοποιητικών συστημάτων μάθησης.

Για να κατανοηθεί η σημασία του τι ακολούθησε, είναι απαραίτητο να εκτιμηθεί το μέγεθος της πρόκλησης.

Οι πρωτεΐνες αρχίζουν ως αλυσίδες αμινοξέων. Αυτές οι αλυσίδες πτυχώνουν σε περίπλοκες τρισδιάστατες δομές και η αντίστοιχη μορφή καθορίζει σε μεγάλο βαθμό τι μπορεί να κάνει μια πρωτεΐνη μέσα σε ένα ζωντανό οργανισμό. Η κατανόηση αυτής της δομής είναι επομένως απαραίτητη για τη μελέτη της νόσου, το σχεδιασμό φαρμάκων και την κατανόηση πολλών από τις μηχανισμούς στις οποίες βασίζεται η ζωή.

Η δυσκολία είναι ότι ακόμη και μια σχετικά μικρή πρωτεΐνη μπορεί θεωρητικά να αναλάβει einen αστρονομικό αριθμό πιθανών διαμορφώσεων. Η πειραματική καθορισμός μιας δομής μέσω μεθόδων όπως η κρυσταλλογραφία ακτίνων-Χ ή η κρυοηλεκτρονική μικροσκοπία μπορεί να απαιτήσει σημαντικό χρόνο, εμπειρογνωσία και έξοδα.

Για περίπου 50 χρόνια, οι επιστήμονες αγωνίστηκαν να προβλέψουν με αξιοπιστία τη τρισδιάστατη δομή μιας πρωτεΐνης από την αμινοξική της ακολουθία. Η πρόκληση έγινε ένα από τα μεγαλύτερα ανεπίλυτα προβλήματα στη υπολογιστική βιολογία.

Λέγεται συχνά ότι το AlphaFold «λύσε» την πτύχωση των πρωτεϊνών. Τεχνικά, αυτή η περιγραφή είναι πολύ ευρεία. Το AlphaFold μετέτρεψε την πρόβλεψη της δομής των πρωτεϊνών. Δεν εξηγεί κάθε στάδιο της φυσικής διαδικασίας πτύχωσης, της κίνησης των πρωτεϊνών, της πτύχωσης ή της αλληλεπίδρασης των μορίων.

Αυτή η προσθήκη δεν μειώνει την επιτεύξη. Η πρόβλεψη δομών με近-πειραματική ακρίβεια ήταν η ίδια μια突破 που άλλαξε ολόκληρο επιστημονικό πεδίο.

Τα Παιχνίδια Ήταν το Εκπαιδευτικό Έδαφος, Όχι ο Προορισμός

Η DeepMind δεν ξεκίνησε με τη βιολογία. Οι πρώτες της突破 ήρθαν μέσω των παιχνιδιών.

Τα παιχνίδια προσέφεραν κάτι ανεκτίμητο σε ένα εργαστήριο τεχνητής νοημοσύνης: ελεγχόμενα περιβάλλοντα με σαφείς κανόνες, μετρήσιμα αποτελέσματα και τεράστιος αριθμός πιθανών αποφάσεων. Ένας πράκτορας θα μπορούσε να πειραματιστεί, να αποτύχει, να λάβει ανατροφοδότηση και να βελτιωθεί χωρίς την αμφιθυμία και τον φυσικό κίνδυνο της λειτουργίας στον πραγματικό κόσμο.

Το βαθύ δίκτυο της DeepMind αποδείχθηκε ότι ένα μόνο σύστημα μάθησης θα μπορούσε να κυριαρχήσει σε eine ευρεία επιλογή από παιχνίδια Atari από pixel και σήματα ανταμοιβής αντί για οδηγίες ειδικού παιχνιδιού. Το έργο βοήθησε να καθορίσει τη βαθιά ενισχυμένη μάθηση ως μια από τις πιο υποσχόμενες προσεγγίσεις στη σύγχρονη τεχνητή νοημοσύνη.

Το επόμενο μεγάλο τεστ ήταν το Go.

Το Go είχε αντισταθεί στις παραδοσιακές υπολογιστικές προσεγγίσεις επειδή ο αριθμός των πιθανών θέσεων του ταμπλό έκανε την εξαντλητική αναζήτηση αδύνατη. Η επιτυχία απαιτούσε αναγνώριση προτύπων, στρατηγική σχεδιασμό και την ικανότητα να αναγνωρίσει υποσχόμενες κινήσεις χωρίς να υπολογίσει κάθε πιθανό αποτέλεσμα.

Τον Μάρτιο του 2016, το AlphaGo νίκησε τον θρυλικό παίκτη Go Lee Sedol τέσσερις φορές σε ένα. Περισσότεροι από 200 εκατομμύρια άνθρωποι παρακολούθησαν μια μηχανή να εμφανίζει κινήσεις που ακόμη και οι ελίτ παίκτες αρχικά αγωνίστηκαν να κατανοήσουν.

Το AlphaGo Zero στη συνέχεια αφαίρεσε την εξάρτηση από ανθρώπινους καταλόγους παιχνιδιών. Ξεκινώντας μόνο με τους κανόνες, έμαθε παίζοντας εναντίον του εαυτού του και τελικά ξεπέρασε την προηγούμενη έκδοση του AlphaGo. Το AlphaZero γενίκευσε την προσέγγιση περαιτέρω, κυριαρχώντας στο σκάκι, στο σόγκι και στο Go μέσω αυτο-παιχνιδιού χωρίς να βασίζεται σε χειροποίητες στρατηγικές ή ανθρώπινες παραδείγματα.

Αυτά τα συστήματα δεν ήταν άμεσες προτυπώσεις του AlphaFold. Η σύνδεση είναι πιο φιλοσοφική και οργανωτική παρά αρχιτεκτονική.

Τα παιχνίδια taught στην DeepMind πώς να χτίζουν συστήματα ικανά να πλοηγούνται σε τεράστιους χώρους πιθανότητας. Εμφάνισαν ότι τα νευρωνικά δίκτυα, η ενισχυμένη μάθηση, η αναζήτηση και η τεράστια ποσότητα υπολογισμού θα μπορούσαν να ανακαλύψουν λύσεις που οι άνθρωποι δεν είχαν ρητά προγραμματίσει.

Το AlphaGo ήταν μια ιστορική επιτεύξη, αλλά δεν ήταν ποτέ ο τελικός προορισμός. Τα παιχνίδια ήταν εργαστήρια στα οποία η DeepMind θα μπορούσε να αναπτύξει τις ιδέες, τους ανθρώπους, την υποδομή και την αυτοπεποίθηση που χρειαζόταν για να αντιμετωπίσει πραγματικά επιστημονικά προβλήματα.

Η πρόβλεψη της δομής των πρωτεϊνών ήταν εκείνη που θα τεστάρει τελικά η αρχική αποστολή.

Το AlphaFold και η Διαφορά μεταξύ Νίκης και Επίλυσης

Η DeepMind ξεκίνησε正式ά να εργάζεται στην πρόβλεψη της δομής των πρωτεϊνών το 2016. Το πρώτο σύστημα AlphaFold της μπήκε στον διαγωνισμό CASP13 για την πρόβλεψη της δομής των πρωτεϊνών το 2018 και πέτυχε την υψηλότερη ακρίβεια μεταξύ των συμμετεχόντων.

Για πολλές οργανώσεις, η νίκη στον διαγωνισμό θα ήταν αρκετό. Θα είχε δημιουργήσει επικεφαλίδες, ακαδημαϊκή αναγνώριση και απόδειξη ότι το πρόjekt είχε επιτύχει.

Ο Hassabis ήθελε περισσότερα.

Ένα σύστημα που κατέλαβε την κορυφή ενός διαγωνισμού αλλά παρέμεινε ανεπαρκώς αξιόπιστο για καθημερινή επιστημονική εργασία δεν είχε πραγματικά λύσει το πρόβλημα. Η DeepMind επέκτεινε την ομάδα, τοποθέτησε τον John Jumper σε κεντρικό ερευνητικό ρόλο και σχεδίασε εκ νέου το σύστημα αντί να βελτιώσει απλώς την πρώτη του προσέγγιση.

Το αποτέλεσμα ήταν το AlphaFold2.

Στο CASP14 το 2020, το AlphaFold2 πέτυχε ακρίβεια που οι διοργανωτές και οι ερευνητές θεωρούσαν συγκρίσιμη με πειραματικές μεθόδους σε πολλά στόχους πρωτεϊνών. Η συναφής έρευνα απέδειξε ότι η υπολογιστική πρόβλεψη θα μπορούσε να προσεγγίσει τακτικά την ατομική ακρίβεια, συμπεριλαμβανομένων των περιπτώσεων όπου δεν υπήρχε κανένα γνωστό στενά συναφές σχήμα.

Η DeepMind και το Ευρωπαϊκό Ινστιτούτο Βιοπληροφορικής αργότερα δημοσίευσαν προβλέψεις που καλύπτουν περισσότερες από 200 εκατομμύρια δομές πρωτεϊνών – σχεδόν κάθε πρωτεΐνη που έχει καταλογραφεί από την επιστήμη. Η βάση δεδομένων έχει منذ τότε προσεγγιστεί από περισσότερους από τρεις εκατομμύρια ερευνητές σε πάνω από 190 χώρες.

Το 2024, ο Hassabis και ο Jumper μοιράστηκαν το μισό του Βραβείου Νόμπελ Χημείας για την πρόβλεψη της δομής των πρωτεϊνών, με το άλλο μισό που απονεμήθηκε στον David Baker για τον υπολογιστικό σχεδιασμό πρωτεϊνών.

Η σειρά των γεγονότων αποτυπώνει αυτό που βρήκα πιο εντυπωσιακό για τον Hassabis.

Δεν φαίνεται ικανοποιημένος από τη νίκη του σε μια αποδεκτή μέτρηση ενός προβλήματος. Συνεχώς ρωτάει αν το υποκείμενο πρόβλημα έχει πραγματικά λυθεί.

Αυτή είναι η σκέψη από τις πρώτες αρχές στη πιο καθαρή της μορφή. Ένας διαγωνισμός είναι μόνο ένας δείκτης. Το αντικείμενο δεν είναι να καταταχθεί πρώτος. Το αντικείμενο είναι να δημιουργηθεί κάτι που αλλάζει αυτό που οι επιστήμονες είναι ικανοί να κάνουν.

Η Τυφλή Καιάδα LLM που Βοήθησε την OpenAI να Προηγηθεί

Το βιβλίο επίσης εξήγησε ένα από τα πιο συναρπαστικά επεισόδια στην πρόσφατη ιστορία της τεχνητής νοημοσύνης.

Οι ερευνητές της Google εισήγαγαν την αρχιτεκτονική του μετασχηματιστή στη σημαδιακή εργασία του 2017 Η Προσοχή είναι Όλα όσα Χρειάζονται. Οι μετασχηματιστές έγιναν η βάση πάνω στην οποία χτίστηκαν τα σύγχρονα μεγάλης κλίμακας μοντέλα γλωσσών.

Ωστόσο, η Google δεν μετέτρεψε αυτή την προηγουμένη θέση σε ένα προϊόν που θα ορίσει την εποχή της γενετικής τεχνητής νοημοσύνης. Η OpenAI κυκλοφόρησε το ChatGPT και καθόρισε τη διεπαφή μέσω της οποίας εκατομμύρια άνθρωποι θα συναντούσαν για πρώτη φορά προηγμένη τεχνητή νοημοσύνη. Η Anthropic αργότερα εμφανίστηκε ως άλλος ηγέτης, ιδιαίτερα μεταξύ των dévelopers και των επιχειρηματικών χρηστών.

Η κοινή εκδοχή αυτής της ιστορίας είναι ότι η Google εφηύρε τον μετασχηματιστή και στη συνέχεια απλώς απέτυχε να χτίσει μοντέλα γλωσσών. Αυτό δεν είναι ακριβώς ακριβές. Η Google και η DeepMind δημοσίευσαν σημαντική έρευνα για μοντέλα γλωσσών, συμπεριλαμβανομένου του μοντέλου Gopher 280 δισεκατομμυρίων παραμέτρων της DeepMind το 2021.

Η αποτυχία δεν ήταν η απουσία έρευνας. Ήταν η αποτυχία στρατηγικής πειθούς και εκτέλεσης προϊόντος.

Ο Hassabis αρχικά αμφέβαλλε αν η γλώσσα μόνη της θα μπορούσε να παράγει πραγματική ευφυΐα. Πίστευε ότι ένα έξυπνο σύστημα χρειαζόταν να εδραιωθεί στον κόσμο μέσω αντίληψης, δράσης, ρομποτικής ή προσομοιωμένων περιβαλλόντων.

Η ανησυχία του ήταν εύλογη. Μια μηχανή θα μπορούσε να αποθηκεύσει μια ορισμό του βάρους, αλλά θα το κατανοούσε πραγματικά χωρίς να σηκώσει κάτι; Θα μπορούσε να επεξεργαστεί περιγραφές της βαρύτητας, αλλά θα το κατανοούσε ότι ένα γυάλινο ποτήρι θα σπάσει όταν πέσει;

Η ερευνητική ατζέντα της DeepMind συνεπώς τόνισε πράκτορες που δρούσαν μέσα σε παιχνίδια και προσομοιωμένα κόσμους. Οι ερευνητές της thậm chí χτίσαν συστήματα που προορίζονταν να συνδέσουν τη γλώσσα με αντίληψη και δράση σε τρισδιάστατους περιβάλλοντες.

Τι δεν εκτίμησε ο Hassabis ήταν πόσο πολύ πληροφορίες για τον φυσικό και κοινωνικό κόσμο είχαν ήδη κωδικοποιηθεί στην ανθρώπινη γλώσσα. Μεγάλα μοντέλα θα μπορούσαν επίσης να κληρονομήσουν μια μορφή εδράωσης μέσω της ανατροφοδότησης από ανθρώπους που είχαν άμεση εμπειρία του κόσμου.

Αυτή ήταν μια από τις πιο πολύτιμες ενότητες του βιβλίου επειδή καθιστά τη συμπεριφορά της Google πολύ πιο κατανοητή.

Από έξω, φαινόταν ακατανόητο ότι η οργάνωση που ήταν υπεύθυνη για τον μετασχηματιστή θα επέτρεπε στην OpenAI να ορίσει την εποχή LLM. Από μέσα στο πνευματικό πλαίσιο του Hassabis, έχει πιο πολύ νόημα. Ψάχνει μια βαθύτερη μορφή ευφυΐας και αρχικά θεωρούσε τα μοντέλα γλωσσών ως μια непλήρη οδό προς αυτή.

Αυτή η κρίση μπορεί τελικά να αποδειχθεί σωστή στο επίπεδο της AGI. Τα μοντέλα γλωσσών μόνα τους μπορεί να μην είναι αρκετά. Ωστόσο, ως απόφαση προϊόντος και πλατφόρμας, έδωσε στους ανταγωνιστές μια εξαιρετική ευκαιρία.

Στη δική μου παρατήρηση της αγοράς, το Gemini έχει γίνει ένα φοβερό σύστημα και μπορεί να υπερβεί τα ανταγωνιστικά μοντέλα σε ατομικές αξιολογήσεις. Ωστόσο, vẫn φαίνεται ότι η Google προσπαθεί να ξαναορίσει μια κατηγορία των οποίων οι προσδοκίες καθορίστηκαν από την OpenAI και την Anthropic.

Το βιβλίο βοηθά να εξηγήσει πώς μια από τις οργανώσεις με τη μεγαλύτερη συγκέντρωση ταλέντου και υποδομής τεχνητής νοημοσύνης βρέθηκε σε αυτή τη θέση.

Γιατί η Πώληση της DeepMind στη Google ήταν Συνεπής με την Αποστολή

Το άλλο επεισόδιο που άλλαξε την κατανόησή μου για τον Hassabis ήταν η πώληση της DeepMind στη Google.

Ο μύθος του ιδρυτή τείνει να γιορτάζει την ανεξαρτησία. Ο ιδéal επιχειρηματίας πρέπει να διατηρεί τον έλεγχο, να αντιστέκεται στην απόκτηση, να χτίσει μια αυτοκρατορία και να λαμβάνει προσωπική αναγνώριση για τη δημιουργία μιας κυρίαρχης εταιρείας.

Ο Hassabis φαίνεται να αξιολόγησε την απόφαση διαφορετικά.

Κατά τη διάρκεια του διαγωνισμού του 2013 για την απόκτηση της DeepMind, ο Larry Page έκανε ένα επιχείρημα που πήγε直接 στο προτεραιότητες του Hassabis. Αν το πραγματικό του αντικείμενο ήταν να δημιουργήσει AGI, γιατί να ξοδεύει χρόνια ανακατασκευάζοντας υποδομή, συγκεντρώνοντας κεφάλαια και κατασκευάζοντας μια εταιρεία συγκρίσιμη με τη Google όταν η υποδομή της Google ήδη υπήρχε;

Οι συνομιλίες ξεδιπλώθηκαν εν μέσω μιας σχεδόν σουρεαλιστικής σειράς συναντήσεων που περιελάμβαναν τον Page, τον Mark Zuckerberg, τον Elon Musk και άλλες σημαντικές προσωπικότητες της τεχνολογίας, συμπεριλαμβανομένης μιας συνάθροισης σε ένα ενοικιασμένο κάστρο στη Νέα Υόρκη για τα γενέθλια του Musk.

Η Google θα μπορούσε να προσφέρει υπολογιστική υποδομή, κεφάλαια, ερευνητικό ταλέντο και υπομονή σε κλίμακα που μια ανεξάρτητη DeepMind θα είχε δυσκολευτεί να αναπαράγει. Ήταν επίσης πρόθυμη να αποδεχθεί τις ηθικές προϋποθέσεις που η DeepMind θεωρούσε σημαντικές. Ο Hassabis τελικά επέλεξε τη Google παρά την αναφορά ότι έλαβε μια μεγαλύτερη προσφορά από τη Facebook.

Δειχθεί από μια συμβατική επιχειρηματική οπτική, η πώληση της DeepMind τόσο sớm θα μπορούσε να φανεί ως παραίτηση από την ανεξαρτησία.

Δειχθεί από την οπτική του Hassabis, η διατήρηση της ανεξαρτησίας θα μπορούσε να είναι η μεγαλύτερη απόσπαση.

Το αντικείμενο του ήταν να χρησιμοποιήσει τη γρηγορότερη πιστευτή οδό προς την κατασκευή της AGI και την εφαρμογή προηγμένης ευφυΐας στην επιστήμη. Η Google συντόμευσε αυτή τη διαδρομή.

Η απόκτηση αργότερα παρήγαγε πραγματικές εντάσεις σχετικά με την ανεξαρτησία, τη διακυβέρνηση, την εμπορευματοποίηση και τα ηθικά όρια της τεχνητής νοημοσύνης. Το βιβλίο δεν υποδηλώνει ότι η τοποθέτηση της DeepMind μέσα σε μια από τις μεγαλύτερες εταιρείες του κόσμου διέλυσε αυτά τα ερωτήματα. Σε κάποιους τρόπους, τα έκανε πιο δύσκολα.

Ωστόσο, η απόφαση αποκαλύπτει κάτι σημαντικό για τον Hassabis. Φαίνεται λιγότερο προσκολλημένος στο συμβατικό καθεστώς της επιχειρηματικότητας από ό,τι στην επιστημονική αποστολή που η επιχειρηματικότητα καθιστά δυνατή.

Ένας από τους Καλύτερους – Αλλά Όχι Άτρωτος

Ο Hassabis τελικά φαίνεται ως ένας από τους καλούς τύπους στον αγώνα της τεχνητής νοημοσύνης.

Αυτό δεν σημαίνει ότι κάθε απόφαση ήταν σωστή. Η διστακτικότητά του σχετικά με τα μοντέλα γλωσσών ήταν σημαντική. Η σχέση της DeepMind με τη Google περιελάμβανε συμβιβασμούς. Η συγκέντρωση ισχυρών συστημάτων τεχνητής νοημοσύνης μέσα σε λίγες εταιρείες δημιουργεί ερωτήματα που οι καλές προθέσεις μόνο δεν μπορούν να απαντήσουν.

Ωστόσο, οι мотивές του φαίνονται ασυνήθιστα συνεπείς.

Θέλει να κατανοήσει την ευφυΐα. Πιστεύει ότι η προηγμένη τεχνητή νοημοσύνη μπορεί να επιταχύνει την επιστημονική ανακάλυψη. Έχει επαναλαμβανόμενα τονίσει την ασφάλεια και την ανάγκη να ληφθούν υπόψη οι μακροπρόθεσμες συνέπειες ολοένα και πιο ικανοποιητικών συστημάτων. Το πιο σημαντικό, το AlphaFold παρέχει συγκεκριτές αποδείξεις ότι η όρασή του για την τεχνητή νοημοσύνη ως εργαλείο για την επιστήμη είναι περισσότερο από ένα ευχάριστο σημείο.

Υπάρχει μια διαφορά μεταξύ της υπόσχεσης ότι η τεχνητή νοημοσύνη θα ωφελήσει την ανθρωπότητα και της κυκλοφορίας ενός εργαλείου που χρησιμοποιείται από εκατομμύρια ερευνητές για να κατανοήσουν καλύτερα τη μηχανική της ζωής.

Το AlphaFold δίνει στον Hassabis αξιοπιστία που λίγοι άλλοι ηγέτες στον αγώνα της AGI κατέχουν.

Τελικές Σκέψεις

Η Μηχανή του Απείρου πετυχαίνει ως βιογραφία, ιστορία της DeepMind και προσιτή περιγραφή κάποιων από τις πιο σημαντικές突破 στην σύγχρονη τεχνητή νοημοσύνη. Επίσης, κάνει τα γεγονότα που μαρτυρήσαμε σε πραγματικό χρόνο – από το AlphaGo και το AlphaFold μέχρι την καθυστερημένη απάντηση της Google στο ChatGPT – να φαίνονται σημαντικά πιο συνεκτικά.

Η πιο ισχυρή διδαχή δεν είναι ότι ο Hassabis είναι εξαιρετικά ευφυής, αν και είναι σαφώς. Είναι ότι έχει sido ασυνήθιστα σκόπιμος σχετικά με την απόφαση ποια προβλήματα αξίζει να αφιερώσει αυτή την ευφυΐα.

Μια συζήτηση με φοιτητές βιολογίας τον εισήγαγε στην πτύχωση των πρωτεϊνών δεκαετίες πριν η τεχνητή νοημοσύνη ήταν ικανή να την αντιμετωπίσει. Κράτησε το πρόβλημα στο μυαλό του, χτίστηκε η οργάνωση και τα συστήματα που χρειαζόταν για να το αντιμετωπίσει και επέστρεψε σε αυτό μια φορά που η τεχνολογία είχε προχωρήσει αρκετά.

Οι περισσότεροι επιχειρηματίες αρχίζουν με μια διαθέσιμη τεχνολογία και ψάχνουν για μια αγορά. Ο Hassabis άρχισε με ερωτήματα που πίστευε ότι θα μπορούσαν να αλλάξουν την ανθρωπότητα και εργάστηκε προς τη δημιουργία τεχνολογίας αρκετά ισχυρής για να απαντήσει σε αυτά.

Αυτή είναι η αιτία που κάνει Η Μηχανή του Απείρου ένα τόσο αξιομνημόνευτο βιβλίο και τον Demis Hassabis ένα τόσο ασυνήθιστο πρόσωπο στην ιστορία της τεχνητής νοημοσύνης.