به گزارش ثریا - شرکت گوگل با هدف استفاده از هوش مصنوعی برای علمی دگرگون‌کننده ایجاد شد و این هدف را با هوش مصنوعی آلفافولد محقق کرد. اما ظهور مدل‌های زبانی بزرگ پرسش‌های عمیقی درباره آینده دیپ‌مایند ایجاد کرده است.
در سال ۲۰۱۶، شرکت دیپ‌مایند، جهان را با ساخت یک مدل هوش مصنوعی که توانست بهترین بازیکن انسانی بازی استراتژیک «گو» را شکست دهد، شگفت‌زده کرد. سپس دمیس حسابیس  (Demis Hassabis) دانشمند، کارآفرین و مدیر دنیای هوش مصنوعی، هدفی بسیار بزرگ‌تر تعیین کرد. او در سال ۲۰۱۹ به همکارانش گفت که هدفش این است که با ابزارهای هوش مصنوعی این شرکت، برنده جایزه نوبل شود.

تنها پنج سال طول کشید تا هسابیس و جان جامپر از دیپ‌مایند به این هدف برسند و سهمی از جایزه نوبل شیمی ۲۰۲۴ را برای ساخت آلفافولد، هوش مصنوعی‌ که پیش‌بینی ساختار پروتئین‌ها را متحول کرد، دریافت کنند.

آلفافولد تنها یکی از مجموعه‌ موفقیت‌های علمی دیپ‌مایند در دهه گذشته بوده است. هسابیس، عصب‌شناس و توسعه‌دهنده بازی، هنگام تاسیس شرکت در سال ۲۰۱۰ می‌گوید هدفش این بود که یک آزمایشگاه علمیِ سطح‌بالا، اما در صنعت بسازد. در این مسیر، شرکت تلاش کرد روش علمی را در توسعه هوش مصنوعی به‌کار بگیرد، آن را اخلاقی و مسئولانه بسازد و خطرات و آسیب‌های احتمالی را پیش‌بینی و کاهش دهد. ایجاد یک هیئت اخلاق هوش مصنوعی شرط اصلی توافق این شرکت برای خریداری شدن توسط گوگل در سال ۲۰۱۴ به ارزش حدود ۴۰۰ میلیون دلار بود.

اکنون گوگل دیپ‌مایند تلاش می‌کند موفقیت آلفافولد را در حوزه‌های علمی دیگر تکرار کند. هسابیس می‌گوید: ما داریم هوش مصنوعی را در تقریبا تمام حوزه‌های علمی به‌کار می‌گیریم.

دمیس هاسابیس در سال ۲۰۱۰ شرکت دیپ‌مایند را تأسیس کرد.

اما فضای ادغام صنعت و علم از زمانی که چت‌جی‌پی‌تی در ۲۰۲۲ منتشر شد، رویدادی که هسابیس آن را «لحظه بیدارباش» می‌نامد، به‌شدت تغییر کرد. ظهور چت‌بات‌ها و مدل‌های زبانی بزرگ، موجی از استفاده عمومی از هوش مصنوعی را به راه انداخت و همزمان تعداد روبه‌افزایشی از شرکت‌های ثروتمند برای رسیدن به هوش مصنوعی عمومی (AGI) وارد رقابت شدند.

اکنون گوگل دیپ‌مایند تقریبا هر هفته نسخه‌ای جدید از محصولات تجاری از جمله نسخه‌های تازه مدل‌های زبانی جمنای Gemini  منتشر می‌کند و هم‌زمان کار پژوهشی خود و توسعه مدل‌های علمی را ادامه می‌دهد. این شتاب، کارِ ساخت هوش مصنوعی مسئولانه را سخت‌تر کرده و به گفته چندین کارمند سابق، برخی کارکنان از رویکرد تجاری‌تر شرکت راضی نیستند. همه این‌ها پرسش‌هایی درباره مقصد دیپ‌مایند و اینکه آیا می‌تواند موفقیت‌های عظیم دیگری به دست آورد ایجاد می‌کند.

در مسیر نوبل

در دفتر مرکزی گوگل دیپ‌مایند در محله «کینگز کراس» لندن، مجسمه‌های هندسی براق و بوی اسپرسو فضای ورودی را پر کرده‌اند. زمان آن‌قدر ارزشمند است که کارکنان که تعدادشان بین ۵۰۰ تا ۱٬۰۰۰ نفر در جهان تخمین زده می‌شود، می‌توانند برای طی چندصد متر بین دفاتر، اسکوتر بردارند.

یکی از اعضای تیم آلفافولد پیش‌بینی ساختار یک پروتئین را بررسی می‌کند

این محیط، فاصله زیادی با روزهای ابتدایی شرکت دارد؛ زمانی که آن‌ها می‌خواستند سامانه‌های هوش مصنوعی عمومی را با ترکیب ایده‌هایی از علوم اعصاب و یادگیری ماشینی بسازند. جوانا برایسون، پژوهشگر اخلاق هوش مصنوعی در مدرسه هرتی برلین، می‌گوید: آن‌ها نابغه‌های مطلق بودند؛ ۱۲ نفری که همه دوست داشتند با آن‌ها کار کنند.

آزمایشگاه دیپ‌مایند، پیشگام روش «یادگیری عمیق» بود. روشی که از نورون‌های شبیه‌سازی‌شده برای یادگیری الگوها از داده‌های دنیای واقعی استفاده می‌کند و همچنین «یادگیری تقویتی» که در آن مدل از راه آزمون و خطا و پاداش یاد می‌گیرد. پس از استفاده از این روش‌ها برای آموزش مدل‌هایی که بازی‌های آرکید را در سال ۲۰۱۵ و بازی گو را در سال ۲۰۱۶ آموختند، دیپ‌مایند سراغ نخستین مسئله علمی خود رفت: پیش‌بینی ساختار سه‌بعدی پروتئین‌ها بر اساس اسیدهای آمینه آن‌ها.

هسابیس نخستین‌بار هنگام تحصیل کارشناسی در دانشگاه کمبریج بریتانیا با مسئله ساختار پروتئین آشنا شد و آن را مسئله‌ای دانست که شاید روزی هوش مصنوعی بتواند حلش کند. یادگیری ماشینی نیاز به پایگاه داده‌ای بزرگ و معیارهای واضح برای اندازه‌گیری موفقیت دارد، چیزی که در مورد پروتئین‌ها وجود داشت.
پروتئین ‌فولدینگ (تاخوردگی پروتئین) برای هسابیس یک مسئله «ریشه‌ای» بود؛ مسائلی که با حل‌شدن‌شان، مسیر بسیاری از تحقیقات بعدی را باز می‌کنند. هسابیس می‌گوید: این نوع مسائل ارزش دارند که پنج یا ۱۰ سال و کلی رایانه و پژوهشگر خرجشان کنی.

جان جامپر و پوشمیت کوهلی در دفتر دیپ‌مایند با محقق اولاف رونبرگر صحبت می‌کنند.

دیپ‌مایند نخستین نسخه آلفافولد را در سال ۲۰۱۸ منتشر کرد و تا سال ۲۰۲۰ عملکردش بسیار بالاتر از هر گروه دیگری بود. امروز، یک شرکت منشعب‌شده از دیپ‌مایند به نام Isomorphic Labs تلاش می‌کند آلفافولد را در کشف دارو به کار گیرد. پایگاه داده آلفافولد با بیش از ۲۰۰ میلیون ساختار پروتئینی پیش‌بینی‌شده نیز در تحقیقات متنوعی از بهبود ایمنی زنبورها تا غربالگری ترکیبات ضدانگل برای درمان بیماری به کار رفته است.

پوشمیت کوهلی، مدیر فعالیت‌های علمی شرکت، می‌گوید علم فقط منبعی برای مسئله نیست؛ بلکه شرکت تلاش می‌کند همه توسعه‌های هوش مصنوعی را نیز علمی و مبتنی بر اصول پایه‌ای انجام دهد. او می‌گوید پژوهشگران برای هر مسئله از اصول نخست شروع می‌کنند و روش‌های  تازه می‌آزمایند.
اما تکرار موفقیت آلفافولد آسان نیست. گادوین، مدیرعامل شرکت Orbital Materials لندن و پژوهشگر سابق دیپ‌مایند، می‌گوید: خیلی از تلاش‌های علمی این‌طور جواب نمی‌دهند.

رمزگشایی ژنوم

دیپ‌مایند منابع خود را روی چند مسئله که فکر می‌کند هوش مصنوعی می‌تواند در آن‌ها سرعت و تحول ایجاد کند متمرکز کرده است؛ از جمله پیش‌بینی آب‌وهوا و همجوشی هسته‌ای که می‌تواند منبعی پاک و فراوان برای انرژی شود. پروژه‌ها با یک فرایند انتخاب سخت‌گیرانه انتخاب می‌شوند، اما پژوهشگران آزادی دارند مسیر کار و روش حل مسئله را انتخاب کنند.

یکی از پروژه‌های امیدوارکننده آلفاجِنوم است که در ژوئن آغاز شد؛ تلاشی برای رمزگشایی نواحی طولانی دی‌ا» ‌ای غیرکُدکننده انسان و پیش‌بینی عملکرد احتمالی آن‌ها. اما این مسئله بسیار دشوارتر از آلفافولد است، زیرا هر توالی می‌تواند چندین عملکرد معتبر داشته باشد.

علوم مواد نیز حوزه‌ای است که شرکت امید دارد هوش مصنوعی در آن انقلابی ایجاد کند. مدل‌سازی مواد دشوار است، زیرا تعاملات پیچیده هسته و الکترون‌ها فقط به‌صورت تقریبی قابل محاسبه‌اند. دیپ‌مایند در سال ۲۰۲۳ با مدل GNoME حدود ۴۰۰ هزار ماده جدیدِ بالقوه را پیش‌بینی کرد. اکنون هدف این است که مدل‌هایی ساخته شوند که رفتار الکترون‌ها را دقیق‌تر و بر پایه مثال یاد بگیرند، نه فقط اصول فیزیکی. کوهلی می‌گوید: می‌خواهیم دورانی برسد که هوش مصنوعی بتواند هر ماده‌ای را با هر خاصیت جادویی که ممکن باشد طراحی کند.

ایمنی و مسئولیت‌پذیری

مدل‌های هوش مصنوعی مجموعه‌ای از خطرات شناخته‌شده دارند. از سوءاستفاده در ساخت سلاح‌های زیستی تا تکرار سوگیری‌های نژادی و جنسیتی.  هنگام انتشار عمومی این خطرها بیشتر می‌شوند. دیپ‌مایند یک کمیته اختصاصی ایمنی و مسئولیت دارد که در هر مرحله مهم توسعه حضور دارد و سناریوهای خطر را بررسی می‌کند.

جان جامپر و پوشمیت کوهلی در ساختمان دفتر مرکزی

برخی نیز می‌گویند دیپ‌مایند بر خلاف بسیاری شرکت‌های دیگر، روی نوعی از هوش مصنوعی کار می‌کند که دنیا واقعا به آن نیاز دارد. گادوین می‌گوید: مردم واقعا نمی‌خواهند ویدئوهای عجیب و غریب خودشان در شبکه‌های اجتماعی منتشر شود؛ آن‌ها انرژی نامحدود و درمان بیماری‌ها می‌خواهند. اما رقابت در حال افزایش است: در دو ماه گذشته، اوپن‌اِی‌آی و شرکت فرانسوی میسترال (Mistral) گروه‌های ویژه‌ای برای کشف علمی ایجاد کرده‌اند. انتشار چت‌جی‌پی‌تی در سال ۲۰۲۲ همه چیز را تغییر داد. هسابیس می‌گوید موفقیتش «برای همه شگفت‌انگیز بود».
پس از آن، در سال ۲۰۲۳، دیپ‌مایند با گوگل‌برِین ادغام شد تا تخصص هوش مصنوعی گوگل یک‌پارچه شود. این شرکت مدل تجاری جمنای را در دسامبر ۲۰۲۳ منتشر کرد. این شتابِ توسعه، اکنون ضرورت تجاری جدیدی ایجاد کرده است.

رقابت بیشتر، کارمندان بیشتری با فرهنگ مهندسی‌محور می‌طلبد و برخی نگران‌اند که شرکت کمتر از گذشته پژوهش‌های خود را منتشر کند. دیپ‌مایند می‌گوید همچنان به این اصل پایبند است که «فقط جایی از هوش مصنوعی استفاده کند که منافعش به‌طور قابل‌توجهی بر خطراتش غلبه کند.

آینده به سوی هوش مصنوعی عمومی

مانند بسیاری شرکت‌های هوش مصنوعی، دیپ‌مایند به دنبال «هوش مصنوعی عمومی» یا AGI است. مدلی که بتواند هر کار شناختی را انجام دهد. بسیاری شرکت‌ها فکر می‌کنند می‌توان با بزرگ‌تر کردن مدل‌های زبانی به آن رسید. اما هسابیس می‌گوید برای رسیدن به  هوش مصنوعی عمومی به پیشرفت‌های مفهومی تازه در روش‌های هوش مصنوعی نیاز است. برخی پژوهشگران باور دارند دیپ‌مایند شانس بیشتری دارد، چون از تنوع فکری بالاتری برخوردار است. وندی هال، دانشمند رایانه در دانشگاه ساوت‌همپتون، می‌گوید هسابیس «مرزهای کار را می‌شناسد» و درک می‌کند هوش مصنوعی عمومی چه پیامدهایی برای انسانیت دارد.

منبع : دیپ مایند