ذكاء اصطناعي

مقابلة مع ديميس حسابيس: نظامُ ذكائنا الاصطناعي سيكشف عن أسرار عمل الحياة

يقول الشريكُ المؤسسُ لديب مايند إن الذكاء الاصطناعي جاهزٌ لحل العديد من أصعب المشكلات في العلم، من طبيعة الحياة إلى الاندماج النووي

بقلم: تيموثي ريفيل

ترجمة: محمد الرفاعي

في الفترة التي سبقتْ المباراة، كان لي سيدول Lee Sedol يشعر بالثقة. فقد كان على وشك أن يواجه ذكاءً اصطناعياً Artificial Intelligence (اختصاراً: الذكاء الاصطناعي AI) دُرِّبَ على لعبِ لعبة غو Go اللوحية. ولكنه اعتقد أنه سيفوز بسهولةٍ لأنه أحد أفضل اللاعبين في العالم. وقد صرح في ذلك الحين قائلا: “اعتقدتُ أن ألفا غو AlphaGo كان قائماً على حساب الاحتمالات، وكان مجرد آلة”. حتى بعد أن خسرَ لي الجولةَ الأولى في المباراة، اعتقد أن ذلك يرجع فقط إلى أن ألفا غو لم يرتكبْ أي خطأ. بعد ذلك، في الحركة الـ 37 من اللعبة الثانية، الشهيرة، بدا أن الذكاء الاصطناعي  AI يعيدُ كتابة قواعد غو، ولعبَ حركةً لم يكن أي إنسانٍ يحلم بها. حتى أن لي الذي خسر المباراة في النهاية بنتيجة 4-1، قال مذهولاً: “كانت هذه الحركةُ حقاً مبدعة وجميلةً”.

   لقد شكّلَتْ هذه المباراةُ لحظةً تاريخيةً في تطوير الذكاء الاصطناعي AI، وكان ديميس حسابيس Demis Hassabis أحد الأشخاص الرئيسيين الذين يقفون وراءها. ففي عام 2010، شارك في تأسيس شركة الأبحاث ديب مايند DeepMind وبدأ العمل على أنظمة الذكاء الاصطناعي  AI التي يمكنها لعبُ الألعاب أفضلَ من البشر. في ذلك الوقت، اعتُبِرَ إتقان لعبة غو صعباً جداً على الذكاء الاصطناعي AI. فحركاتُها الممكنةُ أكثرُ من عددِ الذرّات في الكون. ولذلك، فإن الفوز على لي في عام 2016 حصد لديب مايند -وحسابيس –شهرةً عالمية. وكان انتصارُ ألفا غو أعظمَ لحظةٍ في مجال الذكاء الاصطناعي AI منذ أن هَزَمَ ديب بلو Deep Blue من شركة آي بي إم IBM بطلَ العالم في الشطرنج غاري كاسباروف Garry Kasparov في عام 1997.

   منذ ذلك الوقت، تعمل شركة حسابيس، وهي الآن شركةٌ تابعةٌ لشركة ألفابيت Alphabet، الشركة الأم لشركة غوغل Google، على صقل خوارزمياتها وتتطلعُ إلى ما هو أبعد من الألعاب. ففي نوفمبر حلّ الذكاء الاصطناعي AI الجديدُ التابعُ لديب مايند، ألفا فولد AlphaFold، مشكلةً صعبةً جداً متمثلةً بالتنبؤ ببنية البروتين. والبروتينات عبارةٌ عن سلاسل من الأحماض الأمينية التي تطوي نفسها بصورةٍ معقدةٍ إلى أبعد الحدود، وهي أدواتٍ كيميائيةٍ حيويةٍ تجعل الكائنات الحية تعمل. عادةً ما يستغرق اكتشاف شكل البروتين أعواماً من التجارب. فقد نجح ألفا فولد في ذلك دون أي تجربة. هذا، ويعتقد حسابيس أن هذا مجردُ البداية لما يمكن أن يقدمَه الذكاء الاصطناعي AI للعلم.

تيموثي ريفيل: ماذا تحاول أن تنجزَه في ديب مايند؟

ديميس حسابيس: رؤيتنا هي استيعاب الذكاء الاصطناعي AI. ما نعنيه بذلك هو الوصولُ إلى فهمٍ شاملٍ للذكاء، وإعادة إنشائه اصطناعياً، ثم استخدامه كأداةٍ لمساعدتنا على فهم العالم وإحداث تأثيرٍ إيجابي. جزءٌ من ذلك يتعلق بتسريع وتيرة الاكتشاف العلمي. ويسمح لنا تلسكوب هابل Hubble برؤية مناطق أبعد في الكون، وهكذا أرى الذكاء الاصطناعي AI، كنسخةٍ شاملةٍ من تلسكوب هابل يمكنها أن تساعدنا على تحقيق المزيد من التقدم في العديد من مجالات العلوم.

كيف تعرف أي نوعٍ من الذكاء يجب أن تحاول ترميزه في الذكاء الاصطناعي AI؟

نستلهم الكثير من علم الأعصاب. أنا عالمُ أعصابٍ وعالم حاسوبٍ في الوقت نفسه. فقد كانت شهادتي الأولى في علوم الحاسوب، وحصلتُ على درجة الدكتوراه في علم الأعصاب. فقد حاولنا الجمع بين الاثنين، مُسْتَلْهِمين القدراتِ التي يمتلكها العقل البشري، وكيفية عمله.

ما هي أكثر الأشياء التي تعمل عليها إثارةً؟

نعملُ على الكثير من المشروعات حالياً. نحاول تحديد المشكلات العلمية التي تنطوي على مجموعةٍ من العوامل التي نحب العمل معها. يجب أن يكون هناك هدفٌ واضحٌ ليُحَسَنَ، وبعض البيانات التدريبية. فالشيءُ الآخر الذي نبحث عنه هو التأثير: هل سيفتَحُ هذا التحدي -إذا نجحنا في حله -فروعاً جديدةً كاملةً من المساعي العلمية؟ يتميز طي البروتين بكل هذه الخصائص. نحن نبحث أيضاً في كيمياء الكم، والرياضيات البحتة، ومجالات الفيزياء، وعلم المواد.

لقد حققتَ نجاحاً كبيراً مؤخراً في مجال البروتينات (انظر: مشكلة البروتين). لماذا اخترتْ العمل عليها؟

أعتقد أن البروتينات باهرةٌ بصورةٍ لا تُصَدَق. إنها تشبه آلاتٍ بيولوجيةً صغيرةً، تنقلُ العناصر الغذائية إلى جميع أنحاء الجسم. إنها مفاتيحُ، إنها محركاتٌ، إنها مصانع صغيرةٌ. من وجهة نظر الرياضيات وعلوم الحاسوب، من المثير للاهتمام أن نرى البيولوجيا عند هذا المستوى وهي تظهر بصورة رقمية وكأنها شيفرةٌ حاسوبيةٌ. لا نعرف سوى بنية نحو 100,000 بروتين. هذا جزءٌ ضئيلٌ من 200 مليون أو نحو ذلك من البروتينات الموجودة في الطبيعة.

   إذا كان بإمكانك حلُّ مشكلةِ طي البروتين، فمن المحتمل أن تتمكن من تسريع وتيرة اكتشاف الأدوية. وقد تبدأ بالكشف عن بعض الأسرار المتعلقة بكيفية عمل الحياة أسرعَ بكثيرٍ مما تستطيع بالتجارب البطيئة والشاقة والصعبة. وسيمكنك فهم الأمراض بصورةٍ أفضل. أعتقد أن أحد التحولات الكبيرة في العلم على مدى الأعوام العشرة إلى العشرين المقبلة ستكون المزيدَ والمزيد من البيولوجيا التي يمكن فهمها بهذه الطريقة المحوسبة.

ما الذي يمكن أن يساعدنا الذكاء الاصطناعي AI على اكتشافه في البيولوجيا، ولا تستطيعُ الأساليبُ التقليدية اكتشافه؟

حُقِقَتْ الكثيرُ من الإنجازات العلمية سهلة المنال التي يمكن لعبقري مثل آينشتاين أن يحققها منفرداً في الأجزاء المبكرة من القرن الواحد والعشرين. الآن، لدينا أنظمةٌ أكثر تعقيداً لا تخضع لقوانين بسيطة. حتى الآن، يُنظر إلى البيولوجيا على أنها فوضويةٌ ومعقدةٌ جداً لدرجةٍ تمنع تطبيق مناهج الفيزياء عليها، ولكن ربما يمكن لعلوم الحاسوب و الذكاء الاصطناعي  AI المساعدة على ردم هذه الفجوة. أعتقدُ أن هذا هو بالضبط المكانُ المثالي للذكاء الاصطناعي  AI.

   يمكنك التفكير في الأمر على أنه أفضلُ مساعد بحثٍ في العالم جاهزٌ لمساعدتك. ويمكنُه العثورُ على الأنماط، وجمعُ أجزاءٍ مختلفةٍ من أبحاث مختلفةٍ، وإيجادُ روابط بينها. فلا يزال على العالِم البشري أن يحدد الهدف ولماذا هذا الهدف مهم. فالكثير من العمل الذي يقوم به طلاب الدكتوراه ليس بالأكثر روعةً أو إبداعاً. ولكن إذا كانت لديك أنظمةٌ آليةٌ تقوم بالعمل المتعب، فيمكنك تفريغ الطلبة للتفكير في الحلول الإبداعية.

أحد الانتقادات الموجهة إلى أنظمةٍ مثل ألفا فولد هو أنها يمكن أن تكون جيدةً جداً في مهمةٍ واحدةٍ، ولكن لا يمكنها فعلُ أي شيءٍ آخر. هل نحتاج إلى إعادة تفكيرٍ جوهريةٍ في الذكاء الاصطناعي AI لجعله أكثر شموليةً؟

لا، لكنني أعتقد أنه انتقادٌ مقبول. فقد طورنا ألفا زيرو AlphaZero الذي يمكنه لعبُ أي لعبةٍ ثنائية اللاعبين دون تعديل، ولكن يجب أن يتعلم من الصفر في كل مرةٍ، إذ لا يمكن لمعرفته أن تنتقل إلى غيره. قد يقول بعض الأشخاص: هذا جيد، لديك خوارزميةٌ عامةٌ. ولكن الآخرين يجدون هذا الأمرَ غير مرضٍ.

   ما أريده من الذكاء الاصطناعي AI هو: إذا تعلم الشطرنج، فينبغى ألا يبدأ من الصفر في لعبة غو؛ يجب أن ينتقل شيءٌ ما. ويقوم البشر بهذا بصورةٍ جيدةٍ جداً، لأنه من الواضح أننا لا نستطيع تحمل تبعات البدء من الصفر في كل مهمة. فهذا يسمى نقل التعلم Transfer learning، ولم يتمكن أحدٌ من القيام به حتى الآن باستخدام الذكاء الاصطناعي AI. إنه مجالُ بحثٍ نشطٌ جداً، وشيءٌ أعمل عليه شخصياً. ربما نحتاج إلى عناصر أخرى، مثل الذاكرة العرضية Episodic memory والانتباه Attention.

كيف ستساعد العناصر الإضافية؟

يبدو أن الدماغ لديه وضعان حاسوبيان على الأقل. فهناك القشرة الدماغيةCortex ، وهي بطيئةٌ جداً في التعلم، وتحتاج إلى الكثير من الأمثلة، لكنها مستقرةٌ جداً. من ناحيةٍ أخرى، لديك الحُصَين Hippocampus، وهو ما درستُهُ للحصول على درجة الدكتوراه. إنه جزءٌ مهمٌ من دماغك، وهو متعلمٌ فائق السرعة. هكذا تتذكرُ ما تَنَاولتَهُ على الغداء بالأمس؛ الحُصين هو من يقوم بذلك.

   قد تسأل لماذا ليس لدينا حصينٌ عملاقٌ واحدٌ. إذ يبدو أن الأسرعَ أفضل. حسناً، لدى الجرذُ، وهو حيوانٌ ذكيٌ جداً بالنسبة إلى حجمه، دماغٌ يتكون أساسا من حصينٍ ضخمٍ. ولكن المشكلة، وهذا هو تخميني، إذا كان الذي لديك مجردَ متعلمٍ سريعٍ، وتعلّمَ شيئاً جديداً، فلن يكون ثابتاً أبداً. فإن تعلّمْتَ ركوبَ الدراجة، قد تمسَحُ خبرتَك في العزف على البيانو؛ إذ إنه لا يوجد هناك تحكمٌ كافٍ فيما سيُمْسَحُ ويُسَجَلُ مكانه لأن العمليةَ يجب أن تكون سريعةً.

لا يبدو هذا مثالياً…

لا تريدُ أن يكون عقلُكَ كلُه غير ثابتٍ إذا كنت تحاول تجميع المعرفة فوق المعرفة. لكن من ناحيةٍ أخرى، لا تريدُ أن تواجه أسداً عند نبع ماءٍ وقت الغسق أكثر من مرةٍ قبل أن تتعلم أن هذا الأمر خطيرٌ حقاً. إذاً، أنت بحاجةٍ إلى كلا النظامين، وبحاجةٍ إلى نوعٍ من آلية النقل بين الاثنين على الأرجح. هذا ما يحدثُ جزئياً حين ننام.

هل يعني هذا أن الذكاء الاصطناعي AI بحاجةٍ إلى شكلٍ من أشكال النوم؟

ربما. نحن نعمل على ذلك. إذا ألقيتَ نظرةً على عملنا المبكر في جعل الذكاء الاصطناعي AI يلعبُ ألعابَ الفيديو أتاري Atari، فإن إعادة تشغيل الذاكرة هي أحد الأسباب الرئيسية في نجاحه. فلم يلعب الذكاء الاصطناعي AI اللعبةَ فحسب، بل أعادَ على نفسه عرضَ الجوانب الرئيسية لما فعلَهُ مرةً أخرى. يمكنك وصف ذلك بالنوم، لكن من الواضح أنه ليس نائماً حقيقةً. بل إنه في وضعٍ غير متصلٍ.

في خط تقدم الذكاء الاصطناعي AI، يمتد الخط من روبوت مكنسةٍ كهربائيةٍ في أحد طرفيه، وذكاءٌ بشري في الطرف الآخر، أين نقع الآن؟

أود أن أقول إننا في مكانٍ ما في منتصف الطريق. فهناك مدارسُ فكريةٌ مختلفةٌ. ويعتقد بعض الأشخاص أننا كمجتمعٍ توصل إلى التعلم العميق Deep learning والتعلم المُعزز Reinforced learning، لسنا على المسار الصحيح، لذلك ستكون هناك بعض العقبات. يقول الآخرون المؤيدون، انظرْ، لدينا كل ما نحتاجُ إليه. إنها الآن مجرد مسألة توسيع نطاق: المزيدُ من أجهزة الحاسوب، والمزيدُ من البيانات، وسَنُنْتِجُ في النهاية الذكاء الاصطناعي AI على مستوى ذكاء الإنسان.

   أعتقدُ أن كلا المعسكرين على خطأ. أرى أن ما اخترعناه حتى الآن يسير على الطريق الصحيح، وهو مفيدٌ جداً. ولكنني لا أعتقد أن لدينا جميع المكونات. نحن بحاجةٍ إلى قفزاتٍ أخرى، ربما القليل منها فقط.

هل أجرى ديب مايند أي بحثٍ عن كوفيد -19؟

ما زال مبكراً جداً أن يكون الذكاء الاصطناعي AI مفيداً حقاً في هذه الفاشية Outbreak بحد ذاتها. لكن، إذا كانت هناك فاشيةٌ أخرى في غضون بضعة أعوامٍ، فأتوقع أن يؤدي الذكاء الاصطناعي AI دوراً أكبر.

“يشبه الذكاء الاصطناعي AI نسخةً شاملةً من تلسكوب هابل تساعدنا على رؤية المزيد في العديد من مجالات العلوم”

 

   حددَ الباحثون الصينيون تسلسلَ البروتينات الجيني في الفيروس في وقتٍ مبكرٍ، واكتُشِفَتْ بعضُ بناها تجريبياً. ولكننا لم نكن نعرف بنى بعض البروتينات أخرى. في ذلك الوقت، كنا نعتقد بالفعل أن نظام ألفا فولد كان دقيقاً جداً، ولكنه لم يُخْتَبَرْ ميدانياً، لذلك لم نرغب في ادعاء ادعاءاتٍ كبيرةٍ حول بنية تلك البروتينات. ولكننا اعتقدنا أيضاً أن ما بين أيدينا قد يكون مفيداً للمجتمع العلمي. لذلك نشرْنا على الفور أفضلَ نمذجاتنا لتلك البروتينات التي لم تُدْرَسْ دراسةً كافيةً.

بالحديث عن التهديدات الوجودية، هل يمكن أن يساعدنا الذكاء الاصطناعي AI على التغير المناخي؟

كان من أشهر الأعمال التي قمنا بها لصالح غوغل هو التحكم في أنظمة التبريد في مراكز البيانات التي يستخدمها الجميع حين يشاهدون يوتيوب YouTube وما إلى ذلك. تمكنا من توفير 30% من الطاقة التي تستخدمها مراكز البيانات هذه بتشغيل وإيقاف المراوح، والمضخات، وكافة المعدات الرائعة الأخرى الموجودة في مراكز البيانات هذه بكفاءةٍ أكبر. لذلك من الواضح أن هذا أمرٌ ضخمٌ لتوفير التكاليف، وللبيئة أيضاً.

   يجب أن تكون قادراً على تطبيق أنواع التحسين نفسها على المباني الأخرى، أو حتى على شبكة الطاقة الوطنية؛ فهذا سيوفر الكثيرَ من الطاقة. ففي المستقبل قد يساهمُ الذكاء الاصطناعي AI في أشياءَ مثل تصميم المواد، أو تصميم البروتين، فتكون لدينا بروتيناتٌ يمكنها تحطيم نفايات البلاستيك، أو إنتاج وقودٍ حيوي متجددٍ.

في الأعوام العشرة المقبلة، ما المجال الذي سيؤثر فيه الذكاء الاصطناعي AI أكبر تأثيرٍ ؟

آمل بأن أرى العشرات من الإنجازات في التحديات العلمية الكبرى، تليها العديدُ من المنتجات، والخدمات، والتطورات التي ستتحققُ بفضل ذلك. سأكون مندهشاً جداً إذا لم يحدث ذلك في الأعوام العشرة المقبلة. نأملُ بأن نكون جزءاً كبيراً من كل ذلك في الكثير من فروع العلوم المختلفة، من الطاقة المتجددة -أشياء مثل الاندماج Fusion -إلى كيمياء الكم، وتصميم المواد، وإيجاد علاجاتٍ للأمراض.

هل قلتَ الاندماج النووي؟

ربما لم يكن يجدر بي ذكرُ ذلك. لكن نعم، أشعر بأن هناك بعض مجالات الاندماج المثيرة للاهتمام، والتي أعتقد أن الذكاء الاصطناعي AI يمكن أن يتعامل بها، كالتحكم في البلازما على سبيل المثال. ربما قلتُ الكثير، لكن في المستقبل، قد يكون لدينا شيءٌ نناقشه حول ذلك.

يبدو هذا مغرياً إلى حدٍ ما. لكن، بوجود كل هذه الأمور التي تجري في ديب مايند، كيف تقضي يومك؟

جدولي الزمني غريبٌ نوعاً ما، لأن عملي وحياتي متشابكان. لدي نظامٌ ليومين. لذلك، خلال النهار، أدير الشركة وأعقد الاجتماعات. في المساء، أبدأ من جديد. أنا شخصٌ ليلي إلى حدٍ كبيرٍ، لذا أجلسُ مرةً أخرى الساعة الـعاشرة مساءً تقريباً، وأستمرُ حتى ساعات الصباح. وفي هذا الوقت أكتبُ أوراقي البحثية، وأقرأ عن مجالاتٍ مختلفةٍ وأدرُسُهَا، وأبحثُ فيها. فهذا هو وقتي الشخصي، وأنا أحبُه. أقوم بذلك سبعة أيامٍ في الأسبوع.

“ما اخترعناه حتى الآن يسير على الطريق الصحيح. لكنني لا أعتقد أن لدينا جميع المكونات”

 

يبدو أنه ليس لديك الكثير من الوقت للنوم، وهو الأمر المهم للبشر وللذكاء الاصطناعي AI كذلك.

نعم، أعرفُ ذلك، وهو أمرٌ سيئٌ. لا أعرف عدد الأعوام التي يمكنني العمل فيها بهذا الشكل. وأنا أعلم جيداً مدى ضرر ذلك على الدماغ، لذلك أحاول الحصول على ست ساعاتٍ على الأقل، لكنني أفشل أحياناً. في عطلة نهاية الأسبوع، أحاول التعويض بالاستلقاء، على الرغم من أن ذلك ليس جيداً مثل الحصول على قسطٍ منتظمٍ من النوم. أنا أعمل على حل مشكلة النوم.

مشكلة البروتين

البروتينات هي لبنات الحياة الأساسية. فهي تشكل كل شيءٍ داخل الخلايا من آلات توليد الطاقة الجزيئية إلى أدوات استشعار البيئة، وهضم الطعام، وإجراء الإصلاحات. ويتكون كل بروتينٍ من خيوطٍ طويلةٍ من 20 نوعاً مختلفاً أو نحو ذلك من الأحماض الأمينية، والتي يَسْهُلُ التعرفُ عليها. وتطوي البروتينات الناتجة نفسها إلى أشكال معقدةٍ ثلاثية الأبعاد، مملوءةٍ باللوالب والحلقات.

   إن تحديد الشكل الذي يأخذه البروتين بناءً على الأحماض الأمينية المكَوِنَةِ له هو أمرٌ صعبٌ يترك العقل حيراناً. فوفقاً لأحد التقديرات، هناك 30010 تكويناً محتملاً لبروتين واحد. غالباً ما يتطلب تحديد الشكل أعواماً من التجارب المُضنية والتحليلات. ولذلك نحن لا نعرفُ سوى بنيةِ جزءٍ صغيرٍ من مجموعة البروتينات الموجودة في الطبيعة.

   منذ عام 1994 أُقيمَتْ مسابقةٌ تُسَمَى التقييم النقدي لتوقع بنية البروتين Critical Assessment of protein Structure Prediction (اختصاراً: التقييم CASP)، وتقام كل عامين لتشجيع التقدم. وتُعْطَى الفرقُ المشاركةُ تسلسلَ الأحماض الأمينية التي تشكل بروتيناتٍ مختلفةً حُدِدَ شكلُها ثلاثي الأبعاد تجريبياً، ولكنه لم يُنْشَرْ بعد. وتتنافسُ الفرقُ للتنبؤ بشكل البروتين اعتماداً على الأحماض الأمينية. ولكن لم يُحْرَزْ سوى تقدمٍ طفيفٍ حتى وقتٍ قريبٍ.

   ففي عام 2018 دخلتْ ديب مايند المنافسةَ لأول مرةٍ باستخدام الذكاء الاصطناعي AI يُسَمَى ألفا فولد؛ وفازَ. ولكنه أنجز ذلك برصيد 60 من 100 فقط من حيث الدقة في الفئة الأصعب. وتُعْتَبَرُ النتيجةُ فوق الـ 90 بجودة التجاربُ التي يجريها البشر.

   وعلى الرغم من ذلك، في عام 2020، شاركتْ نسخةٌ معادٌ تصميمها من ألفا فولد، وفازَتْ بالمنافسة مرةً أخرى. هذه المرة، كان أداؤها أفضلَ بكثيرٍ بمتوسط 87 في الفئة الأصعب. وسجلَتْ أعلى من 90 في ثلثي البروتينات في جميع الفئات المختلفة. وقال جون مولت John Moult من جامعة ميريلاند University of Maryland، أحد منظمي المسابقة في ذلك الوقت: “لقد ذُهِلْتُ حقاً حين رأيتُ ذلك”.

   يستخدمُ ألفا فولد العديدَ من المبادئ نفسها التي تستخدمُها أنظمةُ الذكاء الاصطناعي AI الأخرى في ديب مايند، مثل ألفا غو (انظر: المقابلة). بدلاً عن إعطاء تعليماتٍ حول كيفية التنبؤ بشكل البروتين، يتعلمُ الذكاء الاصطناعي AI باستخدام تقنيةٍ تسمى التعلم المُعَزَزَ العميق. إذ يتعلمُ من خلال كميةٍ هائلةٍ من التجربة والخطأ، باستخدام كلٍ من المحاكاة والأمثلة الحقيقية، كيفيةَ التنبؤ بنفسه. هذا يعني أن ألفا فولد لا يستخدم معرفةً بشريةً مغروسة فيه للتنبؤ. ربما يكون هذا جيداً أيضاً، لأن العديد من التكرارات لمسابقة التقييم CASP أظهرتْ أننا حقاً لسنا جيدين في هذه التنبؤات.

تاريخٌ موجزٌ لديب مايند

حجزتْ الشركةُ لنفسها مكانةً مرموقةً لتدريبها الذكاء الاصطناعي AI في لعب ألعاب الفيديو. وهي تساعد الآن على تشخيصِ الأمراضِ وحلِ المشكلات العلمية الشائكة.

2010

أسس ديميس حسابيس شركة ديب مايند برفقة شين ليغ Shane Legg ومصطفى سليمان Mustafa Suleyman. فقد كانت الشركة مدعومةً في البداية من مجموعةٍ من المستثمرين الأثرياء.

2014

اشترى عملاقُ التكنولوجيا، غوغل، شركةَ ديب مايند.

فبراير، 2015

أعلنتْ ديب مايند عن أول نجاحٍ كبيرٍ لها. إذ دربتْ الذكاء الاصطناعي  AI على لعب 49 لعبة فيديو مختلفة على أتاري 2600 (Atari 2600)، وهي منصةُ ألعابٍ أُصْدِرَتْ في أواخر سبعينات القرن العشرين. تعلّمَ الذكاء الاصطناعي AI كيفية لعب الألعاب من الصفر، وذلك فقط من خلال مشاهدة البكسلات على الشاشة كما كان يلعبها البشر. وتغلبَ على أعلى درجات اللاعبين البشر في 23 لعبة.

مارس، 2016

في حادثةٍ جعلتْ ديب مايند مشهورةً عالمياً، انتصر الذكاء الاصطناعي AI ألفا غو على لي سيدول، الذي كان حينها لاعباً رائداً عالمياً في اللعبة اللوحية غو (انظر: المقابلة).

أبريل، 2016

وقّعتْ شركة ديب مايند اتفاقيةً مع هيئة الخدمات الصحية الوطنية المجانية الملكية Royal Free NHS Trust في المملكة المتحدة لتطوير خدمة الذكاء الاصطناعي AI لتحليل بيانات المرضى، واكتشاف علاماتِ مشكلات الكلى آليا. ففي عام 2016 كشفَتْ نيو ساينتست New Scientist أن الاتفاقية أتاحت لديب مايند الوصول إلى كنزٍ من البيانات الطبية لـ 1.6 مليون مريض، بما في ذلك من زارهم في المستشفى.

أغسطس، 2018

أظهرَ نظامُ ديب مايند أنه يمكنه اكتشاف العلامات المبكرة لأمراض العين في مسح الشبكية Retinal scan بصورةٍ أفضل من الأطباء البشريين. دُرِّبَ النظام على فحوصاتٍ مجهولة المصدر لـ 15,000 مريض. فلديه القدرة على كشف الأشخاص الذين يحتاجون إلى العلاج قبل أن تكون أمراض عيونهم غير قابلةٍ للعلاج.

ديسمبر، 2018

كشفَتْ الشركةُ النقابَ عن ألفا زيرو، وهي نسخةٌ من ألفا غو يمكنها تعلمُ لعبِ الألعابِ اللوحية الأخرى كالشطرنج، ولعبةٍ يابانيةٍ مشابهةٍ تُسَمَى شوغي Shogi. فقد كانت خطوةً نحو شكلٍ أكثر شمولاً من الذكاء الاصطناعي AI، والذي اعتُبِرَ دائماً هدفاً مهماً.

أكتوبر، 2019

حققَ الذكاء الاصطناعي AI ألفا ستار AlphaStar من ديب مايند مكانةَ أستاذٍ كبيرٍ Grandmaster في لعبة الفيديو ستار كرافت StarCraft، إذ احتلَ مرتبةً في فئة أفضل 0.2% من اللاعبين. ستار كرافت هي لعبةٌ استراتيجيةٌ في الوقت الحقيقي، تدور أحداثها في الفضاء، وهي صعبةٌ على الذكاء الاصطناعي AI لأن هناك معلوماتٍ غير كاملةٍ عن العالم الافتراضي، إذ لا يمكنك رؤية كل ما يفعله خصمك، وهناك عددٌ كبيرٌ من الحركات والتكتيكات الممكنة.

ديسمبر، 2020

اكتَشَفَتْ ديب مايند بنيةَ البروتين المطوي. ويتميزُ الذكاء الاصطناعي AI ألفا فولد بأنه دقيقٌ جداً في التنبؤ بشكل البروتين اعتماداً على تركيبة أحماضه الأمينية، وقد جاءت النتائج معادلة للتجارب التي قام بها البشر (انظر: مشكلة البروتين).

 

© 2020, New Scientist, Distributed by Tribune Content Agency LLC.

تسوق لمجلتك المفضلة بأمان

مقالات ذات صلة

اترك تعليقاً

لن يتم نشر عنوان بريدك الإلكتروني. الحقول الإلزامية مشار إليها بـ *

For security, use of Google's reCAPTCHA service is required which is subject to the Google Privacy Policy and Terms of Use.

I agree to these terms.

زر الذهاب إلى الأعلى