รีวิวหนังสือ: The Infinity Machine: Demis Hassabis, DeepMind และการแสวงหาอัจฉริยภาพเหนือมนุษย์ โดย Sebastian Mallaby

หลังจากที่ได้อ่าน The Power Law ซึ่งฉันถือว่าเป็นหนังสือที่ดีที่สุดเกี่ยวกับเงินร่วมทุน ฉันจึงเข้ามาในหนังสือเล่มล่าสุดของ Sebastian Mallaby ด้วยความคาดหวังที่ไม่ธรรมดา The Infinity Machine: Demis Hassabis, DeepMind และการแสวงหาอัจฉริยภาพเหนือมนุษย์ ไม่ทำให้ฉันผิดหวัง

เช่นเดียวกับ The Power Law หนังสือเล่มนี้ประสบความสำเร็จเพราะ Mallaby เข้าใจว่าบริษัทที่เปลี่ยนแปลงโลกไม่สามารถอธิบายได้เพียงผ่านเทคโนโลยีหรือผลลัพธ์ทางการเงินเท่านั้น แต่ต้องเข้าใจผ่านความทะเยอทะยาน บุคลิกภาพ ความเป็นคู่แข่ง และความเชื่อที่มีต่อกันของคนๆ ที่สร้างมันขึ้น

The Infinity Machine เป็นเรื่องราวของนักธุรกิจที่สร้างบริษัท AI ที่สำคัญที่สุดในประวัติศาสตร์ แต่สิ่งสำคัญกว่านั้นคือเรื่องราวของนักวิทยาศาสตร์ที่ใช้การเป็นนักธุรกิจเป็นเครื่องมือในการแสวงหาคำตอบทางวิทยาศาสตร์

Demis Hassabis ไม่ดูเหมือนคนที่สร้าง DeepMind เพื่อความมั่งคั่ง ชื่อเสียง หรือการเป็นที่รู้จักในฐานะผู้ก่อตั้งเทคโนโลยี เขาดูเหมือนคนที่ระบุว่าปัญญาเป็นปัญหาที่สำคัญที่สุดที่เขาสามารถทำงานได้ และสร้างชีวิตของเขาเพื่อแก้ปัญหา

สิ่งนี้ทำให้หนังสือเล่มนี้น่าสนใจมาก

นักวิทยาศาสตร์ก่อนและนักธุรกิจที่สอง

Mallaby ติดตามเส้นทางของ Hassabis ตั้งแต่เด็กที่เป็นนักเล่นหมากรุกและนักออกแบบเกม ไปจนถึงนักประสาทวิทยา นักวิจัย AI และในที่สุดก็เป็นผู้ร่วมก่อตั้ง DeepMind หนังสือเล่มนี้อาศัยการคุยกับ Hassabis มากกว่า 30 ชั่วโมง พร้อมด้วยการสัมภาษณ์มากกว่า 100 ครั้งกับเพื่อนร่วมงาน คู่แข่ง ผู้วิจารณ์ และผู้ร่วมงานในอดีต

การเข้าถึงนี้ทำให้ Mallaby สามารถนำเสนอ Hassabis ไม่เพียงแต่เป็นหน้าตาประชาธิปไตยของ Google DeepMind แต่ยังเป็นบุคคลที่มีความสนใจที่ยังคงสม่ำเสมอ

หมากรุกสอนให้เขาคิดหลายขั้นตอนล่วงหน้า การออกแบบเกมจำลองสอนให้เขารู้ว่าโลกที่ซับซ้อนสามารถเกิดขึ้นจากกฎที่เรียบง่ายได้อย่างไร ประสาทวิทยาส่งเสริมให้เขาตั้งคำถามว่าความทรงจำ การจินตนาการ การวางแผน และปัญญาทำงานอย่างไรภายในสมองของมนุษย์

การแสวงหาทางการงานเหล่านี้ไม่ได้แยกจากกัน แต่เป็นแนวทางที่แตกต่างกันในการตอบคำถามพื้นฐานเดียวกัน: สามารถเข้าใจปัญญาได้ดีพอที่จะสร้างขึ้นมาใหม่ได้หรือไม่?

สิ่งที่โดดเด่นตลอดทั้งหนังสือคือ Hassabis มีแนวโน้มที่จะลดปัญหาให้เหลือรากฐาน ไม่ว่าจะเริ่มต้นด้วยสิ่งที่เทคโนโลยีที่มีอยู่สามารถทำได้ แต่เขากลับเริ่มต้นด้วยผลลัพธ์ที่เขาคิดว่าควรจะเป็นไปได้และทำงานย้อนกลับ

แนวทางนี้อธิบายถึงระยะเวลาที่ไม่ธรรมดาได้ Hassabis พร้อมที่จะเก็บปัญหาไว้ในใจเป็นเวลาหลายปีหรือแม้กระทั่งหลายทศวรรษ จนกว่าวิทยาศาสตร์และการคำนวณจะพัฒนาพอที่เขาจะสามารถโจมตีมันได้อย่างเหมาะสม

ตัวอย่างที่ชัดเจนที่สุดคือการทำนายโครงสร้างโปรตีน

การสนทนาที่ปลูกเมล็ดการทำนายการพับโปรตีน

ในขณะที่กำลังศึกษาวิทยาศาสตร์คอมพิวเตอร์ที่เคมบริดจ์ในช่วงทศวรรษ 1990 Hassabis กลายเป็นเพื่อนกับนักศึกษาชีววิทยา หนึ่งในนั้นสนใจเป็นพิเศษกับ ปัญหาในการพับโปรตีน และอธิบายว่าการแก้ปัญหานี้สามารถเปลี่ยนแปลงชีววิทยาได้

Hassabis ตระหนักได้ทันทีว่านี่เป็นปัญหาการค้นหาที่ยิ่งใหญ่ที่อาจแก้ไขได้ด้วย AI ในอนาคต เขาได้รายงานว่าเก็บบันทึกเกี่ยวกับปัญหาทางวิทยาศาสตร์ที่อาจกลายเป็นปัญหาที่เหมาะสมสำหรับอัลกอริทึมที่เขาหวังว่าจะสร้างได้ การพับโปรตีนยังคงอยู่ในบันทึกของเขาเกือบสองทศวรรษ

สิ่งนี้เป็นหนึ่งในส่วนที่น่าตื่นเต้นที่สุดของหนังสือ

การสนทนาแบบธรรมดานำ Hassabis เข้าสู่ปัญหาที่จะยังคงอยู่ในใจของเขาผ่านมหาวิทยาลัย การวิจัยประสาทวิทยา การเป็นผู้ประกอบการ การสร้าง DeepMind และการพัฒนาระบบการเรียนรู้ที่มีความสามารถมากขึ้น

เพื่อเข้าใจความสำคัญของสิ่งที่ตามมา จำเป็นต้องต้องเข้าใจถึงขนาดของความท้าทาย

โปรตีนเริ่มต้นเป็นโซ่ของกรดอะมิโน โซ่เหล่านี้พับเป็นโครงสร้างสามมิติที่ซับซ้อน และรูปร่างที่ได้จะกำหนดสิ่งที่โปรตีนสามารถทำได้ภายในสิ่งมีชีวิต การทำความเข้าใจโครงสร้างนี้จึงจำเป็นสำหรับการศึกษาการเจ็บป่วย การออกแบบยา และการทำความเข้าใจกลไกหลายอย่างที่ชีวิตพึ่งพา

ความยากคือโปรตีนขนาดเล็กสามารถมีการจัดเรียงที่เป็นไปได้จำนวนมากที่น่าเหลือเชื่อ การกำหนดโครงสร้างด้วยวิธีการทดลอง เช่น การเรียงส่วนต่างๆ ของคริสตัลหรือการถ่ายภาพอิเล็กตรอนแบบเย็น อาจต้องใช้เวลา ความเชี่ยวชาญ และค่าใช้จ่ายที่สำคัญ

นักวิทยาศาสตร์พยายามค้นหาวิธีการทำนายโครงสร้างสามมิติของโปรตีนจากลำดับกรดอะมิโนหนึ่งมิติเป็นเวลาประมาณ 50 ปี ปัญหานี้กลายเป็นหนึ่งในปัญหาที่ยังไม่ได้รับการแก้ไขที่ยิ่งใหญ่ที่สุดในชีววิทยาคอมพิวเตอร์

มักจะพูดว่า AlphaFold “แก้ปัญหาในการพับโปรตีน” แต่คำอธิบายนี้กว้างเกินไป เทคนิค AlphaFold ทำให้การทำนายโครงสร้างโปรตีนเปลี่ยนแปลงไป แต่ไม่ได้อธิบายทุกขั้นตอนของกระบวนการพับ โปรตีน การเคลื่อนไหว หรือการโต้ตอบระดับโมเลกุล

การคัดค้านนี้ไม่ลดความสำเร็จ การทำนายโครงสร้างที่มีความแม่นยำใกล้เคียงกับวิธีการทดลองเป็นการพัฒนาที่เปลี่ยนแปลงสาขาวิทยาศาสตร์ทั้งหมด

เกมเป็นสนามฝึกซ้อม ไม่ใช่จุดหมายปลาย

DeepMind ไม่ได้เริ่มต้นด้วยชีววิทยา การพัฒนาที่สำคัญในตอนแรกมาจากเกม

เกมให้สิ่งที่มีคุณค่าแก่ห้องปฏิบัติการ AI: สภาพแวดล้อมที่ควบคุมได้ มีกฎที่ชัดเจน มีผลลัพธ์ที่วัดได้ และมีการตัดสินใจที่เป็นไปได้มากมาย ตัวแทนสามารถทดลอง ล้มเหลว รับคำติชม และปรับปรุงโดยไม่มีความคลุมเครือและความเสี่ยงทางกายภาพของการทำงานในโลกแห่งความเป็นจริง

เครือข่าย Q ที่ลึกของ DeepMind ได้แสดงให้เห็นว่าระบบการเรียนรู้แบบเดียวสามารถเอาชนะเกม Atari หลายเกมจากพิกเซลและสัญญาณรางวัลได้ การทำงานนี้ช่วยให้การเรียนรู้แบบเสริมกำลังลึกเป็นหนึ่งในแนวทางที่มีแนวโน้มมากที่สุดใน AI โมเดิร์น

การทดสอบครั้งสำคัญถัดไปคือ Go

Go ต้านทานการเข้าใกล้คอมพิวเตอร์แบบดั้งเดิมเพราะจำนวนตำแหน่งบนกระดานที่เป็นไปได้ทำให้การค้นหาที่ครอบคลุมเป็นไปไม่ได้ ความสำเร็จต้องการการรู้จำรูปแบบ การวางแผนเชิงกลยุทธ์ และความสามารถในการระบุการเคลื่อนไหวที่มีแนวโน้มโดยไม่ต้องคำนวณผลลัพธ์ที่เป็นไปได้ทั้งหมด

ในเดือนมีนาคม 2016 AlphaGo ชนะ Lee Sedol นักเล่น Go ที่มีชื่อเสียง 4-1 มากกว่า 200 ล้านคนดูเครื่องจักรแสดงการเคลื่อนไหวที่แม้แต่นักเล่นที่มีทักษะสูงก็ยากที่จะเข้าใจ

AlphaGo Zero ถอดความพึ่งพาเรกคอร์ดเกมของมนุษย์ออกไป โดยเริ่มต้นด้วยกฎเพียงอย่างเดียว มันเรียนรู้โดยการเล่นกับตัวมันเองและในที่สุดก็เอาชนะ AlphaGo ในที่สุด AlphaZero ขยายแนวทางนี้ออกไปอีกโดยการเอาชนะหมากรุก شги และ Go ผ่านการฝึกฝนเองโดยไม่ต้องอาศัยกลยุทธ์ที่สร้างขึ้นโดยมนุษย์หรือตัวอย่าง

ระบบเหล่านี้ไม่ใช่โพรโทไทป์โดยตรงของ AlphaFold การเชื่อมโยงคือเรื่องของปรัชญาและองค์กรมากกว่าโครงสร้าง

เกมสอน DeepMind วิธีการสร้างระบบที่สามารถเดินผ่านพื้นที่ความเป็นไปได้ที่กว้างใหญ่ พวกเขาทำให้เห็นว่าเครือข่ายประสาทและระบบการเรียนรู้แบบเสริมกำลังสามารถค้นพบคำตอบที่มนุษย์ไม่ได้เขียนโปรแกรมไว้โดยเฉพาะ

สิ่งสำคัญกว่านั้นคือเกมให้ Hassabis ความมั่นใจว่า AI สามารถไปไกลกว่าการจำแนกและจับคู่รูปแบบเพื่อสร้างข้อมูลเชิงลึกที่แท้จริง

AlphaGo เป็นความสำเร็จที่มีประวัติศาสตร์ แต่ไม่ใช่จุดหมายปลาย เกมเป็นห้องปฏิบัติการที่ DeepMind สามารถพัฒนาแนวคิด คน อินฟราสตรัคเชอร์ และความมั่นใจที่จำเป็นในการเผชิญหน้ากับปัญหาทางวิทยาศาสตร์ที่แท้จริง

การทำนายโครงสร้างโปรตีนคือที่ที่ภารกิจเดิมจะถูกทดสอบสุดท้าย

AlphaFold และความแตกต่างระหว่างการชนะและการแก้ปัญหา

DeepMind เริ่มทำงานอย่างเป็นทางการเกี่ยวกับการทำนายโครงสร้างโปรตีนในปี 2016 ระบบ AlphaFold ครั้งแรกเข้าร่วมการแข่งขัน CASP13 ในปี 2018 และได้รับความแม่นยำสูงสุดในบรรดาผู้เข้าร่วม

สำหรับหลายองค์กร การชนะการแข่งขันจะเพียงพอแล้ว มันจะสร้างความสนใจ สิ่งพิมพ์ทางวิชาการ และการยอมรับว่าโครงการได้สำเร็จ

Hassabis ต้องการมากกว่านั้น

ระบบที่ติดอันดับแรกในมาตรฐาน แต่ยังไม่เชื่อถือได้เพียงพอสำหรับการทำงานทางวิทยาศาสตร์ในชีวิตประจำวัน ไม่ได้แก้ปัญหา DeepMind ขยายทีม วาง John Jumper ในตำแหน่งการวิจัยหลัก และออกแบบระบบใหม่แทนที่จะเพิ่มประสิทธิภาพแนวทางแรก

ผลลัพธ์คือ AlphaFold2

ที่ CASP14 ในปี 2020 AlphaFold2 ได้รับความแม่นยำที่ผู้จัดงานและนักวิจัยพิจารณาว่าเทียบเท่ากับวิธีการทดลองในเป้าหมายโปรตีนหลายตัว การวิจัยที่เกี่ยวข้องแสดงให้เห็นว่าการทำนายเชิงคำนวณสามารถเข้าใกล้ความแม่นยำระดับอะตอมได้ รวมถึงในกรณีที่ไม่มีโครงสร้างที่รู้จักใกล้เคียง

DeepMind และสถาบันชีวสารสนเทศแห่งยุโรปต่อมาเผยแพร่การทำนายที่ครอบคลุมโครงสร้างโปรตีนมากกว่า 200 ล้านโครงสร้าง ซึ่งเกือบจะครอบคลุมโปรตีนすべてที่วิทยาศาสตร์ทำการบันทึก ฐานข้อมูลนี้ได้รับการเข้าถึงโดยนักวิจัยมากกว่า 3 ล้านคนในกว่า 190 ประเทศ

ในปี 2024 Hassabis และ Jumper ได้รับรางวัลโนเบลสาขาเคมี ครึ่งหนึ่งสำหรับการทำนายโครงสร้างโปรตีน โดยอีกครึ่งหนึ่งได้รับรางวัล David Baker สำหรับการออกแบบโปรตีนเชิงคำนวณ

ลำดับเหตุการณ์แสดงให้เห็นสิ่งที่ฉันพบว่าน่าประทับใจเกี่ยวกับ Hassabis

เขาดูเหมือนไม่พอใจกับการชนะการวัดปัญหา เขาเรียกร้องอย่างต่อเนื่องว่าปัญหาเบื้องหลังได้รับการแก้ไขแล้วหรือไม่

นี่คือการคิดจากหลักการแรกในแบบที่บริสุทธิ์ที่สุด มาตรฐานเป็นเพียงตัวแทนเท่านั้น วัตถุประสงค์ไม่ใช่การเป็นอันดับหนึ่ง วัตถุประสงค์คือการสร้างสิ่งที่เปลี่ยนแปลงสิ่งที่นักวิทยาศาสตร์สามารถทำได้

จุดบอดของ LLM ที่ช่วยให้ OpenAI ขึ้นนำ

หนังสือเล่มนี้ชี้แจงหนึ่งในเหตุการณ์ที่สับสนมากที่สุดในประวัติศาสตร์ AI เร็วๆ นี้

นักวิจัยของ Google เสนอโครงสร้างทรานส์ฟอร์เมอร์ในเอกสารที่มีชื่อเสียงในปี 2017 Attention Is All You Need ทรานส์ฟอร์เมอร์กลายเป็นพื้นฐานที่สร้างโมเดลภาษาขนาดใหญ่สมัยใหม่

อย่างไรก็ตาม Google ไม่ได้เปลี่ยนความได้เปรียบแรกนี้ให้เป็นผลิตภัณฑ์ที่กำหนดยุค AI ที่สร้างขึ้น OpenAI เปิดตัว ChatGPT และกำหนดอินเทอร์เฟซที่หลายร้อยล้านคนจะพบกับ AI ที่ซับซ้อน Anthropic ต่อมาปรากฏตัวขึ้นเป็นผู้นำอีกคนหนึ่ง โดยเฉพาะอย่างยิ่ง средиนักพัฒนาและผู้ใช้ในระดับองค์กร

เรื่องราวทั่วไปของเหตุการณ์นี้คือ Google คิดค้นทรานส์ฟอร์เมอร์แล้วไม่สร้างโมเดลภาษา นั่นไม่ถูกต้อง Google และ DeepMind ตีพิมพ์งานวิจัยโมเดลภาษาที่สำคัญ รวมถึง โมเดล Gopher ขนาด 280 พันล้านพารามิเตอร์ของ DeepMind ในปี 2021

ความล้มเหลวไม่ใช่การขาดการวิจัย แต่เป็นความล้มเหลวของความเชื่อมั่นเชิงกลยุทธ์และการดำเนินการผลิตภัณฑ์

Hassabis สงสัยว่าภาษาเพียงอย่างเดียวสามารถสร้างปัญญาได้จริงๆ หรือไม่ เขาเชื่อว่าระบบอัจฉริยะต้องมีฐานะในโลกผ่านการรับรู้ การกระทำ หุ่นยนต์ หรือสภาพแวดล้อมที่จำลอง

ความกังวลของเขามีเหตุผล มachine อาจจัดเก็บคำจำกัดความของน้ำหนัก แต่จะเข้าใจน้ำหนักจริงๆ หรือไม่ถ้าไม่เคยยกอะไรขึ้นมา? มันสามารถประมวลผลคำอธิบายของแรงโน้มถ่วงได้ แต่จะเข้าใจว่าแก้วจะแตกเมื่อถูกทิ้งลงหรือไม่?

วาระการวิจัยของ DeepMind จึงเน้นไปที่ตัวแทนการที่ดำเนินการในเกมและโลกที่จำลอง ระบบของนักวิจัยยังสร้างระบบที่มีจุดมุ่งหมายเพื่อเชื่อมโยงภาษากับการรับรู้และการกระทำในโลกสามมิติ

สิ่งที่ Hassabis ประเมินต่ำไปคือมีข้อมูลเกี่ยวกับโลกทางกายภาพและสังคมมากเพียงใดที่ถูกเข้ารหัสไว้ในภาษาของมนุษย์ โมเดลขนาดใหญ่สามารถมีฐานะในรูปแบบของการให้ข้อมูลจากผู้ที่มีประสบการณ์โลกโดยตรง

Hassabis ได้ยอมรับแล้วว่านี่เป็นสิ่งที่เขาคาดการณ์ผิด โดยอธิบายโมเดลภาษาว่า “มีประสิทธิภาพเกินกว่าที่จะเชื่อได้”

สิ่งนี้เป็นหนึ่งในส่วนที่มีค่าที่สุดของหนังสือ

จากภายนอก ดูเหมือนว่าไม่สามารถอธิบายได้ว่าทำไมองค์กรที่คิดค้นทรานส์ฟอร์เมอร์จึงปล่อยให้ OpenAI กำหนดยุค LLM จากภายในกรอบความคิดของ Hassabis มันเข้าใจได้ เขากำลังมองหาปัญญาที่ลึกซึ้งกว่านั้น และในตอนแรกมองว่าการทำนายภาษาเป็นเส้นทางที่ไม่สมบูรณ์ในการบรรลุเป้าหมายนั้น

การตัดสินนั้นอาจจะถูกต้องในระดับ AGI ในอนาคต โมเดลภาษาอาจไม่เพียงพอ แต่ในฐานะการตัดสินใจผลิตภัณฑ์และแพลตฟอร์ม มันให้โอกาสที่ไม่ธรรมดาแก่คู่แข่ง

ในความเห็นของฉัน Gemini ได้กลายเป็นระบบที่น่าเกรงขามและอาจจะเอาชนะโมเดลที่แข่งขันกันในบางการประเมิน แต่ดูเหมือนว่า Google ยังคงพยายามที่จะกำหนดหมวดหมู่ที่ความคาดหวังถูกกำหนดโดย OpenAI และ Anthropic

หนังสือเล่มนี้ช่วยอธิบายว่าทำไมองค์กรที่มีกลุ่มคนมีความสามารถ AI ที่มากที่สุดและโครงสร้างพื้นฐานจึงพบว่าตัวเองอยู่ในตำแหน่งนั้น

เหตุผลที่ขาย DeepMind ให้กับ Google สอดคล้องกับภารกิจ

เหตุการณ์อื่นที่เปลี่ยนความเข้าใจของฉันเกี่ยวกับ Hassabis คือการขาย DeepMind ให้กับ Google

ตำนานผู้ก่อตั้งโดยทั่วไปยกย่องความเป็นอิสระ ผู้ประกอบการที่ดีควรจะรักษาการควบคุม ต้านการซื้อกิจการ สร้างอาณาจักร และได้รับการยอมรับในฐานะผู้สร้างบริษัทที่มีอำนาจ

Hassabis ดูเหมือนจะประเมินการตัดสินใจนี้ในทางที่แตกต่าง

ในระหว่างการแข่งขันการซื้อ DeepMind ในปี 2013 Larry Page ให้เหตุผลที่ตรงไปที่จุดมุ่งหมายของ Hassabis หากวัตถุประสงค์จริงๆ ของเขาคือการสร้าง AGI แล้วทำไมต้องใช้เวลาหลายปีในการสร้างโครงสร้างพื้นฐาน การระดมทุน และการสร้างบริษัทที่เทียบเท่ากับ Google เมื่อทรัพยากรของ Google มีอยู่แล้ว?

การสนทนานี้เกิดขึ้นระหว่างการพบปะที่ไม่ธรรมดาของ Page Mark Zuckerberg Elon Musk และบุคคลสำคัญทางเทคโนโลยีอื่นๆ รวมถึงการรวมตัวที่ปราสาทที่เช่าในนิวยอร์กเพื่อฉลองวันเกิดของ Musk

Google สามารถให้โครงสร้างพื้นฐานในการคำนวณ ทุน ทалันต์ในการวิจัย และความอดทนในระดับที่ DeepMind ที่เป็นอิสระจะพบว่า khóที่จะทำซ้ำได้ นอกจากนี้ยังพร้อมที่จะยอมรับเงื่อนไขทางจริยธรรมที่ DeepMind พิจารณาว่าสำคัญ Hassabis ในที่สุดก็เลือก Google แม้ว่าจะได้รับการเสนอที่ใหญ่กว่าจาก Facebook

เมื่อดูผ่านเลนส์ทางธุรกิจแบบดั้งเดิม การขาย DeepMind ในตอนต้นอาจดูเหมือนการยอมแพ้ต่อความเป็นอิสระ

เมื่อดูผ่านเลนส์ของ Hassabis การยังคงอิสระอาจเป็นการเบี่ยงเบนความสนใจมากกว่า

วัตถุประสงค์ของเขาคือการสร้าง AGI และใช้ AI ที่ซับซ้อนเพื่อประโยชน์ของวิทยาศาสตร์ ไม่ใช่เพื่อเป็นที่รู้จักในฐานะผู้ก่อตั้งบริษัทถัดไปของ Google การเข้าซื้อกิจการทำให้เส้นทางสั้นลง

การเข้าซื้อกิจการนี้ต่อมาได้สร้างความตึงเครียดที่แท้จริงเกี่ยวกับการเป็นอิสระ การกำกับดูแล การพาณิชย์ และขอบเขตทางจริยธรรมของ AI หนังสือเล่มนี้ไม่แนะนำว่าการวาง DeepMind ภายในหนึ่งในองค์กรที่ใหญ่ที่สุดในโลกได้คลี่คลายคำถามเหล่านี้ ในทางกลับกัน มันทำให้คำถามเหล่านั้นยากขึ้น

อย่างไรก็ตาม การตัดสินใจนี้เปิดเผยสิ่งสำคัญเกี่ยวกับ Hassabis เขาดูเหมือนจะไม่แน่นอนกับสถานะแบบดั้งเดิมของการเป็นผู้ประกอบการ

วัตถุประสงค์ของเขาคือการสร้าง AGI และใช้ AI ที่ซับซ้อนเพื่อประโยชน์ของวิทยาศาสตร์ ไม่ใช่เพื่อเป็นที่รู้จักในฐานะผู้ก่อตั้งบริษัทถัดไปของ Google การเข้าซื้อกิจการทำให้เส้นทางสั้นลง

หนึ่งในคนดีๆ — แต่ไม่สมบูรณ์แบบ

Hassabis สุดท้ายก็เป็นหนึ่งในคนดีๆ ในการแข่งขัน AI

สิ่งนี้ไม่ได้หมายความว่าทุกการตัดสินใจจะเป็นไปอย่างถูกต้อง ความลังเลของเขาที่จะทำนายภาษาเป็นผลกระทบ DeepMind มีความสัมพันธ์กับ Google ที่เกี่ยวข้องกับการประนีประนอม การรวม AI ที่มีอำนาจเข้าด้วยกันในบริษัทไม่กี่แห่งทำให้เกิดคำถามที่ความตั้งใจที่ดีเพียงอย่างเดียวไม่สามารถตอบได้

ความตั้งใจของเขาดูเหมือนจะสม่ำเสมอ

เขาต้องการเข้าใจปัญญา เขาเชื่อว่า AI ที่ซับซ้อนสามารถเร่งการค้นพบทางวิทยาศาสตร์ เขาเน้นย้ำถึงความปลอดภัยและความจำเป็นในการพิจารณาผลที่ตามมาในระยะยาวของระบบที่มีความสามารถมากขึ้น สิ่งสำคัญที่สุดคือ AlphaFold ให้หลักฐานเชิงประจักษ์ว่าความฝันของเขาที่จะใช้ AI เป็นเครื่องมือทางวิทยาศาสตร์มากกว่าคำพูดที่ต้องการ

มีความแตกต่างระหว่างการให้คำมั่นว่า AI จะเป็นประโยชน์ต่อมนุษยชาติและการเปิดตัวเครื่องมือที่นักวิจัยหลายล้านคนใช้เพื่อทำความเข้าใจกลไกของชีวิต

AlphaFold ให้ Hassabis มีความน่าเชื่อถือที่ไม่เหมือนใครในบรรดาผู้นำในการแข่งขัน AGI

ความคิดสุดท้าย

The Infinity Machine ประสบความสำเร็จในฐานะชีวประวัติ ประวัติของ DeepMind และเรื่องราวที่เข้าถึงได้ของการผ่านที่สำคัญที่สุดบางอย่างใน AI โมเดิร์น นอกจากนี้ยังทำให้เหตุการณ์ที่เราเห็นในเวลาจริงตั้งแต่ AlphaGo และ AlphaFold ไปจนถึงการตอบสนองของ Google ที่ล่าช้าต่อ ChatGPT ดูสอดคล้องกันมากขึ้น

บทเรียนที่ทรงพลังที่สุดไม่ใช่แค่ว่า Hassabis มีความฉลาดพิเศษ แต่เขามีความตั้งใจที่ไม่ธรรมดาในการเลือกปัญหาที่สมควรได้รับความฉลาดนั้น

การสนทนากับนักศึกษาชีววิทยานำเข้าสู่ปัญหาในการพับโปรตีนหลายทศวรรษก่อนที่ AI จะพร้อมที่จะจัดการกับมัน เขาเก็บปัญหาไว้ในใจ สร้างองค์กรและระบบที่จำเป็นในการเผชิญหน้ากับมัน และกลับมาที่มันเมื่อเทคโนโลยีพัฒนามากพอที่จะโจมตีได้อย่างเหมาะสม

สิ่งนี้ทำให้ The Infinity Machine เป็นหนังสือที่น่าจดจำและ Demis Hassabis เป็นบุคคลที่ไม่เหมือนใครในประวัติศาสตร์ AI