فاز DeepMind AI على شطرنج Grandmasters و Go Champions. ومع ذلك ، فإن مؤسس ومدير الشركة ، Demis Hassabis ، قد ركز انتباهه على مشاكل حقيقية أكبر يمكن أن تغير حياتنا. أول واحد هو البروتين للطي.
Demis Hassabis - طفلة سابقة معجزة ، ودبلوم كامبردج مع خدمات متميزة في مادتين في وقت واحد ، بطل خمس مرات
للألعاب الفكرية العالمية ، وتخرج من MIT و Harvard ، مطور ألعاب ، رائد أعمال في مرحلة المراهقة ، مؤسس مشارك لشركة DeepMind لتنمية الذكاء الاصطناعي ، سترة عاكسة وأحذية العمل. يرفع يده ويمنع عينيه من الشمس وينظر عبر لندن من سطح المبنى في كينجز كروس. في أي اتجاه من العالم ، فإن النظرة من هناك إلى العاصمة ، والتي تغمرها شمس الربيع ، لا تكفي عملياً لأي شيء. يعبر Hassabis السقف المعبّد ، وباستخدام هاتفه لتحديد الاتجاه ، يتجه شمالًا لمعرفة ما إذا كان يمكنه رؤية مدينة Finchley التي نشأ منها. تُفقد الضواحي خلف أشجار هامبستيد هيث ، لكنه يُمكنه النظر إلى المنحدر المؤدي إلى هاي جيت ، حيث يعيش مع عائلته اليوم.
هنا يدرس موقع المقر المستقبلي لـ DeepMind ، وهي شركة ناشئة أسسها في عام 2010 مع شين ليج ، باحث في جامعة لندن الجامعية ، وكذلك صديق طفولته مصطفى سليمان. الآن هذا المبنى عبارة عن موقع بناء تتعثر فيه المطارق والتدريبات والمطارق الثابتة باستمرار. يعمل 180 مقاولًا في موقع البناء اليوم ، وفي ذروة البناء سيرتفع عددهم إلى 500. يمثل هذا المكان ، الذي من المقرر افتتاحه في منتصف عام 2020 ، بداية مجزية وحرفية ، بداية جديدة للشركة.
"كان مكتبنا الأول في ميدان راسل ، كان مكتبًا صغيرًا لعشرة أشخاص في الطابق العلوي من منزل بلدة بجوار المجتمع الرياضي في لندن" ، يتذكر حابسيس ، "حيث ألقى تورينج محاضراته الشهيرة". آلان تورينج ، رائد الكمبيوتر البريطاني ، هو شخصية مقدسة للحسابيين. يقول حابسيس: "إننا نبني على أكتاف العمالقة" ، في إشارة إلى شخصيات رئيسية أخرى في العلوم ، "ليوناردو دافنشي ، جون فون نيومان" ، الذي حقق أيضًا اختراقات كبيرة.
يتميز موقع المقر الجديد - شمال محطة Kings Cross Station ، في مكان تم تسميته مؤخرًا باسم Knowledge Quarter ، بموقعه المميز. تأسست DeepMind عندما أطاع معظم الشركات الناشئة في لندن بسحب Old Street. لكن لدى حسابي وزملاؤه المؤسسين خططًا أخرى: "حل مشكلة الذكاء" وتطوير AI للأغراض العامة ، ينطبق على المهام المختلفة. حتى الآن ، تم حل هذه المشكلة من خلال إنشاء خوارزميات يمكنها الفوز في الألعاب - الاختراق والشطرنج والمرح. الخطوات التالية هي تطبيق هذا المخطط على البحث العلمي من أجل اقتحام المهام المعقدة في الكيمياء والفيزياء والأحياء باستخدام علوم الكمبيوتر.
يقول حاسابس البالغ من العمر 43 عامًا: "تركز شركتنا على الأبحاث". "أردنا الجلوس بجانب الجامعة" ، والتي يشير بها إلى كلية لندن الجامعية (UKL) ، حيث حصل على درجة الدكتوراه عن عمله "العمليات العصبية في أساس الذكريات العارضة". "لذلك ، نود أن نكون هنا ، لا نزال بعيدين عن المملكة المتحدة والمكتبة البريطانية ومعهد تورينج ، وليس بعيدًا عن الكلية الإمبراطورية ..."
يخترق الحبابيين عدة طوابق ، ويدرس أحد المناطق التي تهمه أكثر من غيرها - سيكون هناك جمهور للمحاضرات. يسعده أن ينظر في الرسومات وعروض الكمبيوتر حول كيفية ظهور هذه الغرفة.
في الركن الشمالي الشرقي للمبنى ، ترتفع نظرته إلى مساحة كبيرة خالية تمتد على ثلاثة طوابق ، حيث ستكون المكتبة. في هذا المكان ، سيظهر في النهاية كائن يبدو أن الحبابيين حريصون على رؤيته أكثر: سلم ضخم على شكل دوامة مزدوجة ، يتم تجميعها الآن في أجزاء. يقول: "أردت أن أذكر الناس بالعلوم وجعله جزءًا من هذا المبنى".
يعرف Hassabis وزملاؤه أن DeepMind أصبح مشهورًا بتطوراته في مجال التعلم الآلي والتعلم العميق ، ونتيجة لذلك غطت الصحافة الحالات على نطاق واسع حيث كانت الشبكات العصبية التي عملت مع الخوارزميات تتقن ألعاب الكمبيوتر بشكل مثالي ، وفازت على مدمني الشطرنج ، وأجبرت Lee Sedol ، بطل العالم في ذهاب - والتي تعتبر أصعب لعبة من تلك التي اخترعها الإنسان - للإعلان: "منذ بداية اللعبة لم تكن هناك لحظة واحدة عندما ظننت أنني أستطيع الفوز".
في الماضي ، أظهرت الآلات التي لعبت ألعابًا مع أشخاص خصائص متأصلة بشكل واضح في الخوارزميات - كان أسلوب لعبهم قاسياً وغير ثابت. ولكن في منافسة الذهاب ، فازت خوارزمية AlphaMo من DeepMind على Sedol بالطريقة التي يمكن للإنسان القيام بها. خطوة واحدة غريبة - 37 في الدفعة الثانية - جعلت الجمهور الذي شاهد المباراة على الهواء مباشرة في سيول اللحظات ودهش ملايين المشاهدين عبر الإنترنت. لعبت الخوارزمية مع هذه الحرية ، والتي قد تبدو للشخص علامة على الإبداع.
يؤمن كل من Hassabis و Suleiman و Legge أن السنوات التسعة الأولى من وجود DeepMind تحددها الحاجة إلى إثبات أهمية البحث في مجال التدريب مع التأكيد - أفكار الأنظمة التي تحتوي على عوامل لا تحاول فقط نمذجة العالم والتعرف على الأنماط (مثل التعلم العميق) ، ولكن أيضًا اتخاذ القرارات الفعالة و تحاول تحقيق أهدافك. في الوقت نفسه ، ستحدد السنوات العشر القادمة الإنجازات التي تحققت في مجال الألعاب: وبالتحديد ، سيتم استخدام البيانات والتعلم الآلي لحل أكثر مشكلات العلوم تعقيدًا. وفقًا لحسابات ، ستكون الخطوات التالية للشركة هي محاولة لفهم مدى عمق التعلم الذي سيساعد على تعزيز التعلم المعزز لحل مشاكل العالم الحقيقي.
"كانت مشكلة التعلم التعزيزي هي أنه كان يستخدم دائمًا لحل مشكلات الألعاب وعوالم الشبكات الصغيرة" ، كما يقول. "كان يعتقد أنه لا يمكن أن تمتد إلى المشاكل الحقيقية الخاطئة - وهنا مجموعة من الأساليب تدخل في الاعتبار."
بالنسبة لـ DeepMind ، يمثل ظهور مقر جديد رمزًا لفصل جديد في تاريخ الشركة ، تمامًا كما يلقي بكل قوتها وقوتها الحاسوبية في محاولة لفهم ، من بين أمور أخرى ، كيفية عمل اللبنات الأساسية للحياة العضوية. من خلال ذلك ، تأمل الشركة في تحقيق اختراقات في مجال الطب والتخصصات الأخرى ، مما سيؤثر بشكل خطير على التقدم في مجالات العلوم المختلفة. "يجب أن تكون مهمتنا واحدة من أكثر الرحلات إثارة للاهتمام في كل العلوم" ، يقول حابسيس. "نحن نحاول بناء معبد من الطموحات العلمية."
من اليسار إلى اليمين: برافين شرينيفاسان ، رئيس DeepMind على Google ؛ درو برويز ، المدير الإبداعي للعالمين ؛ راية حدسيل ، باحثة. داخل مقر DeepMind غير المكتمل.في دراسة في جامعة كوليدج في لندن ثم في معهد ماساتشوستس للتكنولوجيا ، وجد حسابي أن التعاون متعدد التخصصات كان موضوعًا عصريًا للغاية. يتذكر كيف عقدت مؤتمرات العمل بمشاركة ممثلين من مختلف التخصصات - على سبيل المثال ، علم الأعصاب وعلم النفس والرياضيات والفلسفة. كانت هناك تقارير ومناقشات استغرقت يومين ، ثم عاد العلماء إلى أقسامهم ، واثقين من أنهم يجب أن يجتمعوا مرات أكثر وإيجاد طرق للتعاون. وعقد الاجتماع التالي بعد عام - طلبات الحصول على منح ، والتعيينات في الوظائف التعليمية ، والروتين للبحث والحياة التعليمية في طريق التعاون.
يقول حابسيس: "من الصعب تنظيم التعاون متعدد التخصصات". - لنفترض أننا نأخذ خبيرين عالميين بارزين في الرياضيات وعلم الوراثة - من الواضح أنهما يمكن أن يكون لهما موضوعات مشتركة. لكن من سيبذل الجهود لفهم منطقة شخص آخر ، بلغته ، ما هي مشكلته الحقيقية؟ "
العثور على الأسئلة الصحيحة ، وأسباب عدم وجود إجابات ، والاقتباسات الرئيسية ، وبسبب هذه الإجابات ليست كذلك ، قد تبدو هذه العملية واضحة لمراقب خارجي. لكن العلماء المختلفين ، حتى في نفس المجال ، لا يقومون دائمًا بتقييم عملهم بالتساوي. يجد الباحثون صعوبة بالغة في إضافة قيمة إلى تخصصات أخرى. من الأصعب العثور على أسئلة شائعة يمكنهم الإجابة عليها.
استقبل المقر الحالي لـ DeepMind ، الطابقين من مبنى Google في Kings Cross ، المزيد والمزيد من الموظفين على مدار العامين الماضيين. فقط في مجال أبحاث الذكاء الاصطناعى ، تمتلك الشركة من ستة إلى سبعة تخصصات مختلفة ، وكجزء من التوسع في مجموعة من الفصول الدراسية ، تقوم بتوظيف متخصصين في الرياضيات والفيزياء وعلم الأحياء العصبية وعلم وظائف الأعضاء والبيولوجيا والفلسفة.
يقول الحسابي "بعض مجالات العلوم الأكثر إثارة للاهتمام هي بين المجالات الكلاسيكية ، عند تقاطعات مواضيع بحثية مختلفة". - عند إنشاء DeepMind ، حاولت العثور على "توحيد الأشخاص" ، المتخصصين من الطراز العالمي في مختلف المجالات ، الذين يساعد نهجهم الإبداعي في البحث عن أوجه التشابه والأرض المشتركة في مختلف المجالات. بشكل عام ، عندما يحدث هذا ، هناك سحر ".
أحد هؤلاء الأشخاص الموحدين هو باشميت كولي. مدير أبحاث Microsoft السابق يقود الفريق العلمي في DeepMind. هناك الكثير من الحديث في دوائر الذكاء الاصطناعى حول النهاية المحتملة لـ "شتاء الذكاء الاصطناعى" - فترة بدون تقدم ملموس - في منتصف العقد الماضي. ينطبق الإحساس نفسه بالحركة على مهمة
البروتينات المطوية ، علم التنبؤ بالشكل الذي يعتبره علماء الأحياء لبنات الحياة.
جمع كولي فريقًا من علماء الأحياء الهيكلية وخبراء التعلم الآلي وعلماء الفيزياء لمهاجمة هذه المشكلة ، والتي تم الاعتراف بها باعتبارها واحدة من أهم القضايا في العلوم. تشكل البروتينات أساس حياة جميع الثدييات - فهي تشكل جزءًا كبيرًا من بنية الأنسجة والأعضاء وعملها على المستوى الجزيئي. يتكون كل منها من الأحماض الأمينية التي تشكل السلسلة. يحدد تسلسلها شكل البروتين ، الذي يحدد وظيفته.
يقول جون جامبر ، الباحث في البروتين المطوي في DeepMind: "إن البروتينات هي أكثر الآلات المذهلة التي تم إنشاؤها على الإطلاق لتحريك الذرات على مقياس نانوي ، وغالبًا ما تعمل على تحريك الكيمياء بأعداد قليلة من حيث الحجم أكثر فعالية من أي شيء فعلناه". "كما أنها لا يمكن تفسيرها بطريقة ما ، فهذه الآلات ذاتية التجميع."
تستخدم البروتينات الذرات على نطاق أنجستروم [
10-10 م ، أو 100 م / تقريبا. العابرة.] ، [وحدات قديمة] بطول عشرة مليارات مرة أصغر من المتر. من شأن الفهم الأعمق لهذه الآلية أن يمكّن العلماء من فهم البيولوجيا البنيوية بشكل أفضل. على سبيل المثال ، تعد البروتينات ضرورية لكل ما يحدث داخل الخلية تقريبًا ، ويعتبر طي البروتين بشكل غير صحيح عاملاً مهمًا في حدوث أمراض مثل مرض الشلل الرعاش ومرض الزهايمر ومرض السكري.
يقول Jumper: "إذا استطعنا اكتشاف البروتينات الطبيعية ، فيمكننا إنشاء البروتينات الخاصة بنا". "السؤال هو دراسة هذا العالم المجهري المعقد بعناية فائقة."
جعل نشر بيانات الجينوم على نطاق واسع لغزًا جذابًا قابل للطي للبروتين لـ DeepMind. منذ عام 2006 ، كانت هناك زيادة حادة في استلام وتخزين وتوزيع وتحليل بيانات الحمض النووي. يقدر الباحثون أنه بحلول عام 2025 ، سيتم تحليل ملياري جينوم ، الأمر الذي سيتطلب 40 إكسابايت من التخزين.
"من وجهة نظر التعلم العميق ، هذه مهمة مثيرة للاهتمام ، لأنه بعد إنفاق قدر كبير من الموارد والوقت ، جمع الناس مثل هذه المجموعة الرائعة من البروتينات التي اكتشفناها بالفعل" ، قال جامبر.
التقدم مستمر ، لكن العلماء يحذروننا من التنوع الهائل ضمن هذه المشكلة. أشار عالم الأحياء الجزيئي الأمريكي المتميز Cyrus Levintal إلى أن الأمر سيستغرق وقتًا أطول من عمر الكون لفرز جميع التكوينات المحتملة لبروتين نموذجي بحثًا عن الهيكل الصحيح ثلاثي الأبعاد. يقول ريك إيفانز ، الباحث في DeepMind: "مساحة البحث ضخمة". "أكثر من الذهاب".
ومع ذلك ، تم تحقيق معلم رئيسي في دراسة طي البروتين في ديسمبر 2018 في مسابقة CASP [التقييم النقدي لتقنيات تنبؤ بنية البروتين] في كانكون ، المكسيك. تقام هذه المسابقة كل عامين لتقديم نظرة غير متحيزة على التقدم المحرز في هذا المجال. هدف فرق العلماء المتنافسة هو التنبؤ ، على أساس تسلسل الأحماض الأمينية ، بهيكل البروتينات التي أصبح شكلها ثلاثي الأبعاد معروفًا بالفعل ، ولكن لم يتم نشره بعد. لجنة مستقلة بتقييم التوقعات.
شارك فريق طي البروتين DeepMind في المنافسة لاختبار خوارزمية AlphaFold الجديدة المطورة في العامين السابقين. في الأشهر التي سبقت المسابقة ، أرسل المنظمون مجموعات بيانات لأعضاء الفريق من King Cross ، وقاموا بإرجاع توقعاتهم دون معرفة النتيجة النهائية. على وجه العموم ، كانوا بحاجة إلى التنبؤ بتكوين تسعين بروتينات - في بعض الحالات ، تم استخدام البروتينات المعروفة بالفعل في عمل تنبؤات بناءً عليها ، في حين كان لابد من تفكير البعض الآخر من البداية. قبل وقت قصير من المؤتمر ، حصلوا على نتائج المسابقة: في المتوسط ، كانت تنبؤات AlphaFold أكثر دقة من أي فريق آخر. حسب بعض التقديرات ، DeepMind يتقدم بشكل كبير على المنافسة. بالنسبة للبروتينات التي تم تصميم هيكلها من البداية - وكان هناك 43 من أصل 90 - قامت AlphaFold بعمل أكثر التنبؤات دقة لـ 25 بروتينًا. هذا الأمر مثير للدهشة مقارنةً بفريق الوصيف الذي تمكن من التنبؤ بثلاثة هياكل فقط بشكل صحيح.
رسم تخطيطي للشريط ، وهو تمثيل ثلاثي الأبعاد تخطيطي لبروتين بروتين مطوي في هيكل ثلاثي الأبعاد وفقًا لتوقعات خوارزمية AlphaFold لمنافسة CASP13كان محمد القريشي ، الباحث في مختبر علم الأدوية وعلم النظم للأنظمة في كلية الطب بجامعة هارفارد ، حاضراً في المسابقة وتعلم الطريقة المستخدمة في DeepMind ، حتى قبل نشر النتائج. يقول: "عند قراءة السيرة الذاتية للعمل ، لم أكن أعتقد أنه شيء جديد تمامًا". "قررت أنه ينبغي عليهم القيام بعمل جيد ، لكنني لم أتوقع منهم أن يفعلوا ذلك جيدًا."
يقول القريشي إن هذا النهج كان مشابهاً لنهج المختبرات الأخرى ، لكن عملية DeepMind تميزت بحقيقة أنها يمكن أن "تؤدي بشكل أفضل". يشير إلى نقاط قوة فريق DeepMind في المجال الهندسي.
يقول القريشي: "أعتقد أنه يمكنهم العمل بشكل أفضل من المجموعات التي تتكون من علماء ، لأن هذه الأخيرة تميل إلى الحفاظ على سرية عملهم". "وعلى الرغم من أن جميع الأفكار التي تضمنها DeepMind في الخوارزمية موجودة بالفعل ، وحاول أشخاص مختلفون تطبيقها بشكل منفصل ، لم يفكر أحد في جمعها معًا."
يربط القريشي أوجه الشبه مع المجتمع العلمي في مجال التعلم الآلي ، والتي حصلت منها في السنوات الأخيرة نتائج في شركات مثل Google Brain و DeepMind و Facebook. لديهم هياكل تنظيمية أكثر كفاءة ومكافآت كبيرة وموارد حسابية لا توجد دائمًا في الجامعات.
يقول: "لقد شهدت مجتمعات التعلم الآلي هذه حقيقة في السنوات 4-5 الماضية". "لقد بدأت البيولوجيا الحاسوبية فقط في السيطرة على هذا الواقع الجديد."
ردده التفسير الذي قدمه مؤسسو DeepMind فيما يتعلق ببيع Google في يناير 2014. سيسمح حجم شبكة Google للكمبيوتر للشركة بإجراء بحث أسرع بكثير مما لو كان سينمو بشكل طبيعي ، وسيسمح التحقق من 400 مليون جنيه إسترليني للشركات الناشئة بتوظيف متخصصين على مستوى عالمي. يصف Hassabis استراتيجية البحث للأشخاص الذين يعتبرون مناسبين لمجالات بحثية محددة. يقول: "لدينا خطة تطوير تتبع من خلالها مجالات البحث من الذكاء الاصطناعي أو علم الأعصاب التي ستكون مهمة". "ثم انطلقنا في البحث عن أفضل شخص في العالم ومناسب لنا أيضًا من الناحية الثقافية".
يقول القريشي: "لذلك من تلك المناطق التي يمكن لـ DeepMind تغيير العالم فيها ، يبدو طي البروتين بداية رائعة - إنها مهمة محددة جيدًا ، ولها بيانات مفيدة ، ويمكن ، من حيث المبدأ ، اعتبارها مهمة في علوم الكمبيوتر". - في مجالات علم الأحياء الأخرى ، ربما لن ينجح هذا النهج. كل شيء أقل تنظيما هناك. لذلك ، لا أعتقد أن نجاح DeepMind في مجال طي البروتين يمكن نقله تلقائيًا إلى مجالات بحث أخرى. "
موظف DeepMind على سطح مكتب Kings Cross في Googleيشارك DeepMind بنشاط في إدارة المنتجات لشركة الأبحاث. كل ستة أشهر ، يقوم كبار المديرين بدراسة الأولويات ، وإعادة تنظيم بعض المشاريع ، وإلهام الفرق - وخاصة المهندسين - للانتقال من منطقة إلى أخرى. تختلط التخصصات باستمرار وبشكل مقصود. تستغرق العديد من مشاريع الشركة وقتًا أطول من ستة أشهر - عادة من عامين إلى أربع سنوات. ولكن بينما يركز DeepMind على الأبحاث ، فإن الشركة الآن هي شركة تابعة لـ Alphabet ، الشركة الأم لـ Google ، والرابع الأكثر تكلفة في العالم. وإذا توقع علماء لندن إجراء أبحاث طويلة الأجل ومتطورة من الشركة ، فإن مديري ماونتن فيو في كاليفورنيا يتوقعون بطبيعة الحال عائدًا على الاستثمار.
« , Google Alphabet, – , Google Alphabet , DeepMind – , , », — . DeepMind Google , , , . , WaveNet, , , , Google, Android Google Home, Google.
« , — . – , , . – ».
, «?», . , ( – ), , , , , , , – , , .
300- , SoftBank – , – « DeepMind ». , , -, ( ). , , , 2010- – , , , , , , , – .
DeepMind -, . , , « ». , , « », .
« , — . – , , , , , , , , : ' '».
– , , , . , , , . . , , , , , .
2019 , . « , , — . – – . , 18 , 1970-. , – – ».
, « »: , , . 2018 Nesta, 50 – , . , « R&D. , 3,2% ; ». Deloitte , R&D , 10,1% 2010 1,9% 2018.
« , , — . – ? , , , - – . . – , ».
,– , , , . – , – – DeepMind. « , , — . – , , , . . , ».
, , . – , , , , . , 19:40, , « », - 22:30 4:00-4:30.
« , — . – , . , , , . . , , , - , , ».
. – -- – « , . , ». : , ; . « - , . , ».
, 50% . 2018 , , 18 Intel , Kleiner, Caulfield, Perkins and Byers – – Coursera. – , 20 , , 6. , DeepMind « », « », .
«, , — . – , - DeepMind , -. , . , . , , , DeepMind, , ».
, . . , 11 , .
12 . – , – , , , . , , . , , . .
« , — . – 12 , , , , , ».
– , 30-40 – . , . , – .
« , — . – . . . . , 12 ».
, . , , . , , , , , . « , », — .
, -, DeepMind , . « , . », — . , , , , . , , , – . « , , , , », — .
, . , « », , Macintosh – – . DeepMind , , , , , , , , .
« , , , - , , — . – , , ».