पुस्तक समीक्षा: द इन्फिनिटी मशीन: डेमिस हसाबिस, डीपमाइंड, और सुपरइंटेलिजेंस की खोज सेबेस्टियन मलाबी द्वारा

मैंने पहले द पावर लॉ, पढ़ा है, जिसे मैं वेंचर कैपिटल पर लिखी गई सबसे अच्छी पुस्तक मानता हूं, मैंने सेबेस्टियन मलाबी की नवीनतम पुस्तक के साथ असामान्य रूप से उच्च अपेक्षाएं रखीं। द इन्फिनिटी मशीन: डेमिस हसाबिस, डीपमाइंड, और सुपरइंटेलिजेंस की खोज ने निराश नहीं किया।

जैसे द पावर लॉ, पुस्तक इसलिए सफल होती है क्योंकि मलाबी समझते हैं कि परिवर्तनकारी कंपनियों को केवल प्रौद्योगिकी या वित्तीय परिणामों के माध्यम से समझाया नहीं जा सकता है। उन्हें उन लोगों की महत्वाकांक्षाओं, व्यक्तित्व, प्रतिद्वंद्विता और गहराई से पकड़ी गई मान्यताओं के माध्यम से समझा जाना चाहिए जो उन्हें बना रहे हैं।

द इन्फिनिटी मशीन आंशिक रूप से एक उद्यमी की कहानी है जो इतिहास में सबसे महत्वपूर्ण कृत्रिम बुद्धिमत्ता कंपनियों में से एक बनाता है। अधिक महत्वपूर्ण है, हालांकि, यह एक वैज्ञानिक की कहानी है जो वैज्ञानिक प्रश्नों का पीछा करने के लिए उद्यमिता का उपयोग करता है।

डेमिस हसाबिस को ऐसा व्यक्ति नहीं लगता है जिसने डीपमाइंड को मुख्य रूप से धनी, प्रसिद्ध या प्रौद्योगिकी संस्थापक के रूप में जाने जाने के लिए बनाया हो। वह ऐसा व्यक्ति लगता है जिसने बुद्धिमत्ता को सबसे महत्वपूर्ण समस्या के रूप में पहचाना जो वह काम कर सकता है और फिर अपना जीवन इसे हल करने के लिए बनाया।

यह अंतर ही पुस्तक को इतना आकर्षक बनाता है।

एक वैज्ञानिक पहले और एक उद्यमी दूसरे

मलाबी हसाबिस के मार्ग को एक बाल शतरंज प्रतिभा और वीडियो गेम डिजाइनर से तंत्रिका विज्ञानी, एआई शोधकर्ता और अंततः डीपमाइंड के सह-संस्थापक के रूप में अनुसरण करता है। पुस्तक हसाबिस के साथ 30 घंटे से अधिक की बातचीत और 100 से अधिक साक्षात्कारों के साथ-साथ सहयोगियों, प्रतिद्वंद्वियों, आलोचकों और पूर्व सहयोगियों के साथ ड्रॉ करती है।

यह पहुंच मलाबी को हसाबिस को केवल गूगल डीपमाइंड के सार्वजनिक चेहरे के रूप में प्रस्तुत करने की अनुमति देती है, बल्कि एक व्यक्ति के रूप में जिसकी रुचियां आश्चर्यजनक रूप से लगातार बनी हुई हैं।

शतरंज ने उसे आगे की सोचने की सिखाया। सिमुलेशन गेम्स ने उसे दिखाया कि जटिल दुनिया कैसे अपेक्षाकृत सरल नियमों से उभर सकती है। तंत्रिका विज्ञान ने उसे पूछने के लिए प्रेरित किया कि स्मृति, कल्पना, योजना और बुद्धिमत्ता मानव मस्तिष्क के भीतर कैसे काम करती हैं।

ये उसके करियर के अलग-अलग चरण नहीं थे। वे एक ही मूल समस्या के लिए विभिन्न दृष्टिकोण थे: क्या बुद्धिमत्ता को पर्याप्त रूप से समझा जा सकता है ताकि इसे पुन: बनाया जा सके?

जो बात पुस्तक भर में उभरकर सामने आती है वह हसाबिस की समस्याओं को उनके आधार तक कम करने की प्रवृत्ति है। वह जो मौजूदा प्रौद्योगिकी हासिल कर सकती थी, उसके साथ शुरू नहीं होता था। वह बार-बार परिणाम से शुरू होता था जो वह मानता था कि संभव होना चाहिए और पीछे की ओर काम करता था।

यह पहले सिद्धांतों का दृष्टिकोण भी उसके असामान्य रूप से लंबे समय की सीमा की व्याख्या करता है। हसाबिस समस्या को वर्षों या यहां तक कि दशकों तक अपने दिमाग में रखने के लिए तैयार था जब तक कि विज्ञान और कंप्यूटिंग पर्याप्त रूप से आगे नहीं बढ़ जाते ताकि वह इसे ठीक से संबोधित कर सके।

सबसे स्पष्ट उदाहरण प्रोटीन संरचना की भविष्यवाणी है।

प्रोटीन-मोड़ के बीज को लगाने वाली बातचीत

कैम्ब्रिज में 1990 के दशक में कंप्यूटर विज्ञान का अध्ययन करते समय, हसाबिस जीव विज्ञान के छात्रों के साथ दोस्त बन गए। उनमें से एक विशेष रूप से प्रोटीन-मोड़ समस्या से मोहित था और समझाया कि इसे तोड़ना जीव विज्ञान को बदल सकता है।

हसाबिस ने तुरंत पहचाना कि यह एक बड़े पैमाने पर खोज समस्या हो सकती है जिसे कुछ दिनों में कृत्रिम बुद्धिमत्ता के साथ संबोधित किया जा सकता है। उन्होंने कथित तौर पर वैज्ञानिक समस्याओं के नोट्स बनाए रखे जिन्हें अंततः उन एल्गोरिदम के साथ संबोधित किया जा सकता था जिन्हें वह बनाने की उम्मीद करते थे। प्रोटीन मोड़ लगभग दो दशकों तक उनमें से एक बना रहा।

यह पुस्तक के सबसे आकर्षक हिस्सों में से एक है।

एक सामान्य सी बातचीत ने हसाबिस को एक समस्या से परिचित कराया जो दशकों बाद तक उसके दिमाग के पीछे बनी रही।

इसके बाद के महत्व को समझने के लिए, यह समझना आवश्यक है कि चुनौती का क्या स्तर था।

प्रोटीन अमीनो एसिड की श्रृंखला के रूप में शुरू होते हैं। ये श्रृंखलाएं जटिल त्रि-आयामी संरचनाओं में मोड़ती हैं, और परिणामी आकार ज्यादातर यह निर्धारित करता है कि एक प्रोटीन जीवित जीव में क्या कर सकता है। संरचना को समझना इसलिए बीमारी का अध्ययन करने, दवाएं डिजाइन करने और जीवन पर निर्भर कई तंत्रों को समझने के लिए आवश्यक है।

कठिनाई यह है कि एक अपेक्षाकृत छोटा प्रोटीन सैद्धांतिक रूप से एक खगोलीय संख्या में संभावित कॉन्फ़िगरेशन ले सकता है। एक्स-रे क्रिस्टलोग्राफी या क्रायोजेनिक इलेक्ट्रॉन माइक्रोस्कोपी जैसी विधियों के माध्यम से प्रायोगिक रूप से संरचना का निर्धारण करने में महत्वपूर्ण समय, विशेषज्ञता और व्यय की आवश्यकता हो सकती है।

लगभग 50 वर्षों के लिए, वैज्ञानिक एक प्रोटीन की त्रि-आयामी संरचना की विश्वसनीय रूप से भविष्यवाणी करने के लिए संघर्ष करते रहे, जो इसकी एक-आयामी अमीनो-एसिड अनुक्रम से। यह चुनौती गणितीय जीव विज्ञान में सबसे बड़ी हल नहीं हुई समस्याओं में से एक बन गई।

यह अक्सर कहा जाता है कि अल्फाफोल्ड ने “प्रोटीन मोड़” को हल किया। तकनीकी रूप से, यह विवरण बहुत व्यापक है। अल्फाफोल्ड ने प्रोटीन संरचना की भविष्यवाणी को बदल दिया; यह प्रोटीन मोड़ की प्रत्येक चरण, प्रोटीन गति, मिसफोल्डिंग या आणविक परस्पर क्रिया की व्याख्या नहीं करता है।

यह योगदता को कम नहीं करता है। लगभग प्रयोगात्मक सटीकता के साथ संरचनाओं की भविष्यवाणी करना स्वयं एक सफलता थी जिसने पूरे वैज्ञानिक क्षेत्र को बदल दिया।

गेम्स प्रशिक्षण का मैदान थे, न कि गंतव्य

डीपमाइंड ने जीव विज्ञान से शुरू नहीं किया। इसके शुरुआती सफलता गेम्स के माध्यम से मिली।

गेम्स ने एक एआई प्रयोगशाला के लिए कुछ अमूल्य प्रदान किया: नियंत्रित वातावरण जिसमें स्पष्ट नियम, मापने योग्य परिणाम और निर्णय लेने के लिए बड़ी संख्या में संभावनाएं थीं। एक एजेंट प्रयोग कर सकता था, विफल हो सकता था, प्रतिक्रिया प्राप्त कर सकता था और बिना वास्तविक दुनिया में संचालित होने के जोखिम और अस्पष्टता के बिना सुधार कर सकता था।

डीपमाइंड का गहरा क्यू-नेटवर्क ने प्रदर्शित किया कि एक सीखने वाली प्रणाली एकल स्क्रीन पिक्सल और पुरस्कार संकेतों के बजाय गेम-विशिष्ट निर्देशों से विभिन्न एटारी गेम्स में महारत हासिल कर सकती है। काम ने गहरी प्रबलित सीखने को आधुनिक एआई में सबसे आशाजनक दृष्टिकोणों में से एक के रूप में स्थापित करने में मदद की।

अगला बड़ा परीक्षण गो था।

गो ने पारंपरिक कंप्यूटिंग दृष्टिकोण का विरोध किया क्योंकि इसके संभावित बोर्ड स्थितियों की संख्या ने थकावट से खोज को असंभव बना दिया। सफलता के लिए पैटर्न मान्यता, रणनीतिक योजना और वादा करने वाले कदमों की पहचान करने की क्षमता की आवश्यकता थी, बिना हर संभावित परिणाम की गणना किए।

मार्च 2016 में, अल्फागो ने प्रसिद्ध गो खिलाड़ी ली सेडोल को चार गेम से एक में हराया। 200 मिलियन से अधिक लोगों ने एक मशीन को ऐसे कदम देखते हुए देखा जो यहां तक कि शीर्ष खिलाड़ियों के लिए भी शुरू में समझना मुश्किल था।

अल्फागो जीरो ने तब मानव गेम रिकॉर्ड पर निर्भरता को हटा दिया। शुरू करने के लिए केवल नियमों के साथ, यह स्वयं के खिलाफ खेलकर सीखा और अंततः अल्फागो के पिछले संस्करण को पार कर गया। अल्फाजीरो ने दृष्टिकोण को और आगे बढ़ाया, स्व-निर्मित खेल के माध्यम से शतरंज, शोगी और गो को मास्टर किया बिना मानव-निर्मित रणनीतियों या मानव उदाहरणों पर निर्भर किए बिना।

इन प्रणालियों ने अल्फाफोल्ड के प्रत्यक्ष प्रोटोटाइप के रूप में काम नहीं किया। संबंध अधिक दार्शनिक और संगठनात्मक है niż वास्तुकला।

गेम्स ने डीपमाइंड को विशाल संभावना स्थानों का मार्गदर्शन करने में सक्षम प्रणालियों का निर्माण करने की सिखाया। उन्होंने प्रदर्शित किया कि तंत्रिका नेटवर्क, प्रबलित सीखने, खोज और अपार गणना के साथ मिलकर ऐसे समाधानों का पता लगा सकते हैं जिन्हें मानव ने स्पष्ट रूप से प्रोग्राम नहीं किया है।

अल्फागो एक ऐतिहासिक उपलब्धि थी, लेकिन यह कभी भी अंतिम गंतव्य नहीं था। गेम्स डीपमाइंड के लिए प्रयोगशालाएं थीं जहां वे विचार, लोग, बुनियादी ढांचे और वास्तविक वैज्ञानिक समस्याओं से निपटने के लिए आवश्यक आत्मविश्वास विकसित कर सकते थे।

प्रोटीन संरचना की भविष्यवाणी वह जगह थी जहां मूल मिशन अंततः परीक्षण में आया।

अल्फाफोल्ड और जीतने और हल करने के बीच का अंतर

डीपमाइंड ने 2016 में औपचारिक रूप से प्रोटीन संरचना की भविष्यवाणी पर काम करना शुरू किया। इसकी पहली अल्फाफोल्ड प्रणाली 2018 में सीएएसपी13 प्रोटीन-संरचना प्रतियोगिता में प्रवेश की और भागीदारों में से उच्चतम सटीकता हासिल की।

कई संगठनों के लिए, प्रतियोगिता जीतना पर्याप्त होता। यह हेडलाइन पैदा करेगा, अकादमिक मान्यता प्राप्त करेगा और परियोजना के सफल होने का प्रमाण देगा।

हसाबिस चाहता था और भी।

एक प्रणाली जो एक बेंचमार्क पर सबसे ऊपर है लेकिन दैनिक वैज्ञानिक कार्य के लिए पर्याप्त रूप से विश्वसनीय नहीं है, उसने वास्तव में समस्या का समाधान नहीं किया है। डीपमाइंड ने टीम का विस्तार किया, जॉन जंपर को एक केंद्रीय अनुसंधान भूमिका में रखा और प्रणाली को काफी हद तक फिर से डिज़ाइन किया, न कि केवल अपने पहले दृष्टिकोण को परिष्कृत किया।

परिणाम अल्फाफोल्ड2 था।

2020 में सीएएसपी14 में, अल्फाफोल्ड2 ने शोधकर्ताओं और आयोजकों द्वारा कई प्रोटीन लक्ष्यों में प्रयोगात्मक विधियों के समान माना जाने वाला सटीकता हासिल किया। संबद्ध शोध ने दिखाया कि गणनात्मक भविष्यवाणी नियमित रूप से परमाणु सटीकता तक पहुंच सकती है, जिसमें कोई निकट से संबंधित ज्ञात संरचना उपलब्ध नहीं थी।

डीपमाइंड और यूरोपीय जैव सूचना विज्ञान संस्थान ने बाद में 200 मिलियन से अधिक प्रोटीन संरचनाओं की भविष्यवाणियों को जारी किया – विज्ञान द्वारा सूचीबद्ध लगभग हर प्रोटीन। डेटाबेस को तब से 190 से अधिक देशों में तीन मिलियन से अधिक शोधकर्ताओं द्वारा एक्सेस किया गया है।

2024 में, हसाबिस और जंपर ने प्रोटीन संरचना की भविष्यवाणी के लिए रसायन विज्ञान में नोबेल पुरस्कार का आधा हिस्सा साझा किया, दूसरा आधा डेविड बेकर को कम्प्यूटेशनल प्रोटीन डिजाइन के लिए दिया गया।

घटनाओं का क्रम मुझे हसाबिस के बारे में जो सबसे प्रभावशाली लगा वह यह है।

वह जीतने के स्वीकृत उपाय से संतुष्ट नहीं लगता है। वह लगातार पूछता है कि क्या समस्या वास्तव में हल हो गई है।

यह शुद्ध रूप से पहले सिद्धांतों की सोच है। एक बेंचमार्क केवल एक प्रॉक्सी है। उद्देश्य पहले स्थान पर रैंक करना नहीं है। उद्देश्य कुछ ऐसा बनाना है जो वैज्ञानिकों द्वारा की जा सकने वाली चीजों को बदल दे।

एलएलएम ब्लाइंड स्पॉट जिसने ओपनएआई को आगे बढ़ने में मदद की

पुस्तक ने हाल के एआई इतिहास में सबसे भ्रमित करने वाले प्रकरणों में से एक को स्पष्ट किया।

गूगल शोधकर्ताओं ने 2017 के लैंडमार्क पेपर अटेंशन इज ऑल यू नीड में ट्रांसफॉर्मर आर्किटेक्चर पेश किया। ट्रांसफॉर्मर आधुनिक बड़े भाषा मॉडल बनाने के लिए आधार बन गया।

फिर भी, गूगल ने इस शुरुआती बढ़त को जनरेटिव एआई युग को परिभाषित करने वाले उत्पाद में नहीं बदला। ओपनएआई ने चैटजीपीटी जारी किया और सैकड़ों मिलियन लोगों द्वारा उन्नत एआई का पहली बार सामना करने वाले इंटरफेस की स्थापना की। एंथ्रोपिक बाद में विशेष रूप से डेवलपर्स और उद्यम उपयोगकर्ताओं के बीच एक और नेता के रूप में उभरा।

इस कहानी का सामान्य संस्करण यह है कि गूगल ने ट्रांसफॉर्मर का आविष्कार किया और फिर भाषा मॉडल बनाने में विफल रहा। यह बिल्कुल सटीक नहीं है। गूगल और डीपमाइंड ने 2021 में डीपमाइंड के 280-बिलियन-पैरामीटर गोफर मॉडल सहित महत्वपूर्ण भाषा मॉडल शोध प्रकाशित किया।

विफलता शोध की अनुपस्थिति नहीं थी। यह रणनीतिक दृढ़ विश्वास और उत्पाद निष्पादन की विफलता थी।

हसाबिस ने शुरू में संदेह किया कि भाषा अकेले वास्तविक बुद्धिमत्ता पैदा कर सकती है। उन्हें लगता था कि एक बुद्धिमान प्रणाली को धारणा, क्रिया, रोबोटिक्स या सिम्युलेटेड वातावरण के माध्यम से दुनिया में आधारित होने की आवश्यकता है।

उनकी चिंता उचित थी। एक मशीन वजन की परिभाषा संग्रहीत कर सकती है, लेकिन क्या यह वास्तव में वजन को समझेगी अगर यह कभी कुछ नहीं उठाती? यह गुरुत्वाकर्षण के विवरण को संसाधित कर सकता है, लेकिन क्या यह समझेगा कि एक ग्लास टूट जाएगा जब यह गिराया जाता है?

डीपमाइंड के शोध एजेंडे ने इसलिए एजेंटों पर जोर दिया जो गेम्स और सिम्युलेटेड दुनिया में काम करते थे। इसके शोधकर्ताओं ने भाषा को त्रि-आयामी वातावरण में धारणा और क्रिया से जोड़ने के लिए विशेष रूप से प्रणालियों का निर्माण किया।

हसाबिस ने जो कम आंका वह यह था कि मानव भाषा में कितनी जानकारी पहले से ही शारीरिक और सामाजिक दुनिया के बारे में एन्कोड की गई थी। बड़े मॉडल मानव भाषा के माध्यम से दुनिया के साथ बातचीत करने वाले लोगों से प्रतिक्रिया के माध्यम से एक प्रकार की आधार प्राप्त कर सकते थे।

हसाबिस ने बाद में स्वीकार किया कि उन्होंने इसे गलत समझा था, भाषा मॉडल को “अनुचित रूप से प्रभावी” कहा।

यह पुस्तक के सबसे मूल्यवान खंडों में से एक है क्योंकि यह गूगल के व्यवहार को बहुत अधिक समझने योग्य बनाता है।

बाहर से, ऐसा लगता था कि यह समझ से बाहर था कि ट्रांसफॉर्मर के लिए जिम्मेदार संगठन एलएलएम युग को परिभाषित करने के लिए ओपनएआई को अनुमति दे सकता है। हसाबिस के बौद्धिक ढांचे से, यह अधिक समझ में आता है। वह गहरी बुद्धिमत्ता की तलाश में था और शुरू में भाषा भविष्यवाणी को इसके लिए एक अधूरा मार्ग मानता था।

यह निर्णय अंततः एएजीआई स्तर पर सही साबित हो सकता है। भाषा मॉडल अकेले पर्याप्त नहीं हो सकते हैं। लेकिन एक उत्पाद और प्लेटफ़ॉर्म निर्णय के रूप में, यह प्रतियोगियों को एक असाधारण खुला अवसर दिया।

मेरे अपने बाजार अवलोकन में, जेमिनी एक प्रभावशाली प्रणाली बन गई है और व्यक्तिगत मूल्यांकन पर प्रतिस्पर्धी मॉडल को पार कर सकती है। फिर भी, यह ऐसा लगता है कि गूगल ओपनएआई और एंथ्रोपिक द्वारा स्थापित अपेक्षाओं की श्रेणी को फिर से परिभाषित करने का प्रयास कर रहा है।

पुस्तक यह समझाने में मदद करती है कि एआई में सबसे अधिक सांद्रता वाली प्रतिभा और बुनियादी ढांचे वाले संगठनों में से एक कैसे खुद को उस स्थिति में पाया।

गूगल को डीपमाइंड बेचना मिशन के साथ संगत था

हसाबिस को बदलने वाला एक और प्रकरण डीपमाइंड का गूगल को बिक्री था।

संस्थापक पौराणिक कथा स्वतंत्रता का जश्न मनाती है। आदर्श उद्यमी को नियंत्रण बनाए रखना चाहिए, अधिग्रहण का विरोध करना चाहिए, एक साम्राज्य बनाना चाहिए और व्यक्तिगत मान्यता प्राप्त करनी चाहिए कि उन्होंने एक प्रमुख कंपनी बनाई है।

हसाबिस ने फैसले का मूल्यांकन अलग तरह से किया।

2013 की प्रतियोगिता के दौरान डीपमाइंड का अधिग्रहण करने के लिए, लैरी पेज ने हसाबिस की प्राथमिकताओं के लिए सीधे तर्क दिया। यदि उनका वास्तविक उद्देश्य एएजीआई बनाना था, तो क्यों वर्षों बिताना गूगल जैसी कंपनी का निर्माण करने में और बुनियादी ढांचे का पुनर्निर्माण करने में जब गूगल के संसाधन पहले से ही मौजूद थे?

बातचीत एलोन मस्क, मार्क जुकरबर्ग और अन्य प्रौद्योगिकी हस्तियों के साथ बैठकों की एक लगभग असामान्य श्रृंखला के बीच हुई, जिसमें मस्क के जन्मदिन के लिए न्यूयॉर्क में एक किराए के महल के लिए एक समारोह भी शामिल था।

गूगल ने कम्प्यूटिंग इन्फ्रास्ट्रक्चर, पूंजी, शोध प्रतिभा और धैर्य प्रदान कर सकता था जिसे एक स्वतंत्र डीपमाइंड को पुनः उत्पन्न करने में संघर्ष होगा। यह डीपमाइंड द्वारा महत्वपूर्ण माने जाने वाले नैतिक शर्तों को स्वीकार करने के लिए तैयार था। हसाबिस ने अंततः फेसबुक से कथित तौर पर बड़ी पेशकश के बावजूद गूगल को चुना।

पारंपरिक उद्यमी लेंस के माध्यम से देखा, डीपमाइंड को इतनी जल्दी बेचना स्वतंत्रता का त्याग करने जैसा लग सकता है।

हसाबिस के लेंस के माध्यम से देखा, स्वतंत्र रहना बड़ा विकर्षण हो सकता था।

उनका उद्देश्य गूगल के अगले संस्थापक के रूप में जाने जाने के लिए नहीं था। यह एएजीआई बनाने और उन्नत बुद्धिमत्ता को विज्ञान पर लागू करने के लिए था। गूगल ने उस मार्ग को छोटा कर दिया।

अधिग्रहण बाद में स्वतंत्रता, शासन, वाणिज्यीकरण और एआई की नैतिक सीमाओं पर वास्तविक तनाव पैदा किया। पुस्तक यह सुझाव नहीं देती है कि डीपमाइंड को दुनिया की सबसे बड़ी निगमों में से एक के भीतर रखने से इन प्रश्नों का समाधान हो गया। कुछ मायनों में, यह उन्हें और भी कठिन बना दिया।

फिर भी, निर्णय हसाबिस के बारे में कुछ महत्वपूर्ण को उजागर करता है। वह पारंपरिक उद्यमिता की स्थिति से कम जुड़ा हुआ लगता है और वैज्ञानिक मिशन के लिए जो उद्यमिता संभव है।

एक अच्छा आदमी—लेकिन एक त्रुटिहीन नहीं

हसाबिस अंततः एआई दौड़ में अच्छे लोगों में से एक के रूप में सामने आता है।

इसका मतलब यह नहीं है कि हर निर्णय सही था। उनकी भाषा मॉडल पर हिचकिचाहट परिणामी थी। डीपमाइंड का गूगल के साथ संबंध समझौतों से जुड़ा था। शक्तिशाली एआई प्रणालियों का एक छोटे से निगमों के भीतर केंद्रीकरण ने ऐसे प्रश्न उठाए जिन्हें अच्छे इरादे अकेले नहीं हल कर सकते थे।

लेकिन उनकी प्रेरणा असामान्य रूप से सुसंगत लगती है।

वह बुद्धिमत्ता को समझना चाहता है। उन्हें लगता है कि उन्नत एआई वैज्ञानिक खोज को तेज कर सकता है। उन्होंने बार-बार सुरक्षा पर जोर दिया है और बढ़ती क्षमता वाली प्रणालियों के दीर्घकालिक परिणामों पर विचार करने की आवश्यकता पर। सबसे महत्वपूर्ण बात, अल्फाफोल्ड इस बात का ठोस प्रमाण है कि उनका एआई को विज्ञान के लिए एक उपकरण के रूप में देखने का दृष्टिकोण केवल एक आकांक्षी बात नहीं है।

यह एक बड़ा अंतर है। एआई को मानवता के लिए लाभ पहुंचाने का वादा करना और लाखों शोधकर्ताओं द्वारा उपयोग किए जाने वाले जीवन की मशीनरी को बेहतर ढंग से समझने के लिए एक उपकरण जारी करने के बीच।

अल्फाफोल्ड हसाबिस को कुछ अन्य एएजीआई दौड़ के नेताओं के पास नहीं मिलने वाला विश्वास दिलाता है।

अंतिम विचार

द इन्फिनिटी मशीन जीवनी, डीपमाइंड के इतिहास और आधुनिक कृत्रिम बुद्धिमत्ता में सबसे महत्वपूर्ण सफलताओं में से कुछ के लिए एक सुलभ खाते के रूप में सफल होती है। यह उन घटनाओं को भी अधिक सुसंगत बनाती है जिन्हें हमने वास्तविक समय में देखा – अल्फागो, अल्फाफोल्ड से लेकर गूगल की चैटजीपीटी की देर से प्रतिक्रिया तक।

सबसे शक्तिशाली सबक यह नहीं है कि हसाबिस असाधारण रूप से बुद्धिमान है, हालांकि वह स्पष्ट रूप से है। यह है कि उन्होंने जो समस्याएं अपनी बुद्धिमत्ता के योग्य मानते हैं उन पर निर्णय लेने में असामान्य रूप से जानबूझकर रहे हैं।

जीव विज्ञान के छात्रों के साथ एक बातचीत ने उन्हें दशकों पहले प्रोटीन मोड़ से परिचित कराया। उन्होंने समस्या को अपने दिमाग में रखा, संबोधन के लिए आवश्यक संगठन और प्रणालियों का निर्माण किया और एक बार तकनीक पर्याप्त रूप से आगे बढ़ जाने के बाद इस पर लौटे।

यही बात द इन्फिनिटी मशीन को इतनी यादगार पुस्तक और डेमिस हसाबिस को कृत्रिम बुद्धिमत्ता के इतिहास में एक असामान्य व्यक्ति बनाती है।