معرفی چهره‌های تاثیرگذار (۳): دمیس هاسابیس، ذهنِ عمیق

استفاده‌های غیراخلاقی از هوش مصنوعی از قبیل دیپ‌فیک، اثرات جانبی استفاده از هوش مصنوعی مثل از بین رفتن مشاغل و از بین رفتن عاملیت شخصی از مهم‌ترین نگرانی‌هایی است که افرادی مثل یووال نوح هراری دربارۀ هوش مصنوعی مطرح می‌کنند. در این چنین جوی، وجود شرکتی متعهد به اخلاق که در رأس اکتشافات علمی در حوزۀ مصنوعی باشد، می‌تواند در تعدیل نگرانی مردم و آگاهی نسبت به جنبه‌های مثبت استفاده از هوش مصنوعی می‌تواند نقش مهمی ایفا کند.

در این جستار با زندگی و فعالیت‌های دمیس هاسابیس (Demis Hassabis)، مؤسس و مدیرعامل شرکت گوگل دیپ‌مایند آشنا می‌شویم.

کودکی و نوجوانی

دمیس هاسابیس از پدری قبرسی‌الاصل و مادری چینی-سنگاپوری در سال ۱۹۷۶ در لندن متولد شد. به عنوان کودکی نابغه، از همان کودکی دمیس علاقۀ خود را به علم و اکتشاف نشان داده بود. او نقل می‌کند که در سن ۴ سالگی پدرش به او شطرنج آموخته است، و پس از مدت کوتاهی دمیس پدرش را به آسانی شکست می‌داد. بقیۀ بستگان نزدیکش هم که ادعای مهارت و پختگی در شطرنج داشتند، حریف دمیس ۴ ساله نشدند. او این علاقه‌اش را پی گرفت و در ۱۳ سالگی، عضو تیم ملی جوانان شطرنج انگلستان شد. هنگامی که در ۱۴ سالگی به لطف جوایزی که از پیروزی‌های شطرنج گرفته بود صاحب اولین کامپیوترش شد، وارد دنیای برنامه‌نویسی شد و از طریق کتاب‌های آموزشی به طور خودآموز سطح خود را در برنامه‌نویسی ارتقا داد.

دمیس دبیرستان خود را در ۱۶ سالگی تمام کرد و پذیرش دانشگاه کمبریج را گرفت، اما به عدلت سن پایینش دانشگاه کمبریج یک سال گپ تحصیلی برای او معین کرد تا در این مدت مهارتی بیاموزد یا کارآموزی کند، و در سال بعد مشغول به تحصیل در دانشگاه شود.

دمیس به علت مقام‌هایی که در مسابقات شطرنج کسب کرده بود و آشنایی‌ای هم که با برنامه‌نویسی داشت، تصمیم گرفت این یک سال را در یک شرکت بازی‌سازی سپری کند. او وارد شرکت بازی‌سازی بولفراگ شد. در ابتدا سن کمش باعث شد کارکنان بولفراگ او را جدی نگیرند، اما دمیس کم‌کم مهارت‌های خود را نشان داد و جزء طراحانی اصلی این شرکت شد. به کمک او در سال ۱۹۹۴ بازی تیم پارک ساخته شد و توسط الکترونیک آرتز منتشر شد و موفقیت چشمگیری کسب کرد.

بعد از گذران یک سال گپ تحصیلی و موفقیت در بازی‌سازی، دمیس وارد کمبریج شد تا تحصیلش را علوم کامپیوتر و عصب‌شناسی تا بالاترین مقاطه دنبال کند.

عصب‌شناسی و هوش مصنوعی

دمیس هاسابیس در دوران تحصیل خود به کمک اساتید برجستۀ کمبریج مقالات متعددی در ژورنال‌های علمی مطرح مثل نیچر و ساینس منتشر کرد. تز دکترای او، دربارۀ ارتباط حافظه و تخیل بود و به این کشف نائل شد که در قسمتی از مغز که حافظۀ رویدادی بوسیلۀ آن کار می‌کند، تخیل هم در همانجا صورت می‌گیرد. به عبارت دیگر، دمیس ارتباط بین تخیل و حافظه را در مغز کشف کرد.

غور در عصب‌شناسی و شناخت آگاهی انسان، دمیس را به سوی هوش مصنوعی کشاند. او می‌گوید که مغز آدمی تاکنون تنها نمونۀ موجود در دنیا برای اثبات خودآگاهی است. انسان بوسیلۀ خودآگاهی، توانسته است تغییرات بزرگی در محیط اطراف خود ایجاد کند. تمام ابزار‌های که توسط انسان تولید شدند، مبتنی بر سخت‌افزار‌هایی هستند که تا پیش از این وجود داشته‌اند. چیزی که مولد ابزار‌ها بوده است، پیشرفت آگاهی و درک این است که چگونه این سخت‌افزار‌ها را می‌توان ترکیب کرد.

به این ترتیب، اگر ذهن انسان بالقوه همیشه توانایی این را داشته است که ابزاری مثل هواپیما را طراحی کند و بسازد، بسیاری از اچیز‌هایی دیگر هم هست که هنوز به مخیلۀ انسان خطور نکرده است اما توان ساخت آن را دارد. ‌ایده ساخت چیزی که با درجات بیشتر از آگاهی، رانۀ اصلی دمیس بود بعد از تحصیل بود. او ظرفیت دانشگاه را برای ادامۀ تحقیقات و اکتشافات خود کافی نیافت، در نتیجه به کمک دو دوست خود مصطفی سلیمان و شین لگ وارد فضای استارتاپی شد.

دیپ‌مایند

دمیس به کمک دوستانش در ۲۰۱۰ شرکت دیپ‌مایند را تأسیس کرد. آن‌ها در ابتدا برای جذب سرمایه مشکل داشتند، خود استارتاپ آن‌ها تحقیقاتی بود و در چشم‌انداز خود ارائۀ محصول و خدمات به مشتریان را تعیین نکرده بود. هدف دیپ‌مایند این بود که معمای آگاهی را حل کند و سپس تمام مشکلات دیگر را بوسیلۀ آن حل کند.

دمیس می‌گوید مهم نیست که مسئلۀ شما چیست، جواب هوش مصنوعی است. به سختی زیاد، سرمایه‌گذار برای شرکت دیپ‌مایند پیدا شد و آن‌ها در کار خود را آغاز کردند.

تجربۀ دمیس در شطرنج، بازی‌سازی و عصب‌شناسی مسیر آینده او را معین کرده بود. ابتدا ذکر این نکته لازم است که از دهۀ ۱۹۹۰، الگوریتم‌های که بتوانند با انسان در بازی‌های مختلف رقابت کنند ساخته شده بود. در یکی از نقاط اوج تاریخ هوش مصنوعی، سامانۀ دیپ بلو ساختۀ شرکت آی‌بی‌ام در سال ۱۹۹۷‌ گری کاسپاروف، قهرمان جهانی شطرنج، را شکست داد. شرکت دیپ‌مایند، کار خود را با ساخت سامانه‌هایی که در بازی‌ها خبره هستند آغاز کرد، منتها با یک تفاوت بزرگ.

سامانه‌هایی دیپ‌مایند این گونه طراحی نمی‌شدند که قوانین و حرکات بازی به آن‌ها آموخته شود و سپس آن‌ها را به مسابقه بفرستند. در شرایط مذکور، اگر حرکتی توسط رقیب سامانه انجام شود که در حافظۀ آن نباشد، او توان پاسخ مناسب را به آن ندارد. سامانه‌های دیپ‌میاند، بر اساس یادگیری تقویتی (Reinforcement learning) مبتنی شدند.

یادگیری تقویتی، نوعی از یادگیری ماشینی است که در آن یک سامانه، شروع به تعامل با محیط اطرافش می‌کند. سامانه می‌تواند انواع بی‌شماری از تعامل را با محیط برقرار کند، اما فقط آن‌ها به عنوان تعامل مثبت در حافظۀ آن ثبت می‌شوند که از طرف طراح سامانه بازخورد مثبت گرفته باشند. بعد از دریافت بازخورد‌های مثبت اولیه، سامانه دوباره در محدودۀ تعامل‌های مثتبی که در آن ثبت شده تعاملات جدیدی می‌سازد و از بین این تعاملات جدید باز هم برخی بازخورد مثبت می‌گیرند.

این روند به قدری طی می‌شود که تعاملات مثبت در لایه‌های مختلف و با ارزش‌های مختلف در حافظۀ سیستم ثبت می‌شوند. بازی شطرنج را تصور کنید. یک سامانه وارد فضای شطرنج می‌شود و در برابر رقیبش که می‌تواند یک انسان یا یک ماشین باشد تعاملات مختلف را آغاز می‌کند. حرکات مثبت او بازخورد مثبت می‌گیرد و بالعکس. چنین سامانه‌ای، بسیار قدرتمند از دیپ بلوی آی‌بی‌ام می‌تواند وارد مسابقه شود. تحصیلات دمیس دربارۀ رابطۀ تجربه و حافظه کمک زیادی به ساخت این سامانه‌ها کرد.

دیپ‌مایند اولین خروجی خود را در سال ۲۰۱۳ برای بازی آتاری منشتر کرد. توجه گوگل به پیشرفت این شرکت در یادگیری تقویتی جلب شد. به همین دلیل گوگل در سال ۲۰۱۴ با ارزش ۴۰۰ میلیون دلار، دیپ‌مایند را خریداری کرد. با سرمایه و امکانات گوگل، سرعت تحقیقات دیپ‌مایند بیشتر شد. دمیس و همکارانش مشغول طراحی سامانه‌ای شدند تا در بازی گو (Go) به خبرگی برسد.

نام این سامانه آلفاگو (AlphaGo) گو گذاشته شد. گو یک بازی رومیزی مثل شطرنج است، با این تفاوت که تعداد حرکات در آن خیلی بیشتر است و از پیچیدگی بیشتری برخوردار استو توسعۀ این محصول ۲۰۱۶ به اتمام رسید و سر و صدای زیادی به پا کرد.

خبرگی در این بازی شباهتی به خبرگی در بازی‌هایی مثل اتاری و شطرنج ندارد. گو بسیار پیچیده‌تر است و حتی حرفه‌ای‌ترین بازیکنان هم تمام زیر‌و‌بم‌های این بازی را نمی‌دانند و عموماً حرکات را بر اساس شهودشان از بازی انتخاب می‌کنند. به همین دلیل خبر اینکه سامانه‌ای مبتنی بر هوش مصنوعی در این بازی خبره شده است، شکه‌کننده بود.

در مارس ۲۰۱۶، مسابقه‌ای در سئول ترتیب داده شد تا آلفاگو در برابر لئو سیدول، قهرمان جهانی این بازی، قرار بگیرد. این مسابقه، به صورت زنده توسط ۲۰۰ میلیون نفر در سراسر جهان دیده شد و در برابر حیرت همگان، آلفاگو پیروز شد. عجیب‌تر از پیروزی آلفاگو اما، حرکتی بود که در بازی توسط این سامانه صورت گرفت. این حرکت که به «حرکت ۳۷» معروف شد، حرکت خلاقانه‌ای بود که پیش از آن توسط هیچ بازیکنی انجام نشده بود. به عبارت دیگر، این حرکت کاملاً نوآورانه بود و در شرایط خاصی از بازی توسط آلفاگو صورت گرفته بود. همین حرکت باعث شد پس از آن استراتژی جدیدی برای بازی گو طراحی شود که تا پیش از آن برای بازیکنان آن شناخته شده نبود.

تا اینجا ممکن است این ایراد وارد شود که این دستاورد‌ها چشمگیر، اما بی‌فایده هستند و بهترین حالت سرگرمی هستند. اما چنانکه دمیس هاسابیس می‌گوید، بازی‌ها صرفاً محلی برای تست‌ایده‌ها بوده است و هدف نهایی دیپ‌مایند نبوده است. پس دستاورد‌هایی که ذکر آن رفت، دمیس و همکارانش وارد پروژه‌ای شدند که مشکلی از مشکلات علمی و زندگی روزمره را حل کند. دغدغۀ آن‌ها از ابتدا این بوده است که هوش مصنوعی را به جایی برسانند که به طور ملموس اثر مثبتی بر زندگی انسان‌ها داشته باشد. همین هدف، آن‌ها را به آلفافولد (AlphaFold) رساند.

در اینجا وارد جزئیات پیچیدۀ این سامانه نمی‌شویم، که این کار از متخصصان زیست‌شناسی بر می‌آید. اما برای آشنایی با ایدۀ پشت آلفافولد، لازم است اشاره به مشکلی که ۵۰ سال زیست‌شناسان را درگیر کرده بود آشنا شویم. پروتئین‌هایی که وارد بدن می‌شوند، شکل‌های بسیار مختلفی می‌تواند به خود بگیرد. محیط بدن و پروتئین در تعامل با هم، شکل خاصی به پروتئین می‌دهند.

شناسایی شکل این پروتئین‌ها در بدن، نقش زیادی در شناسایی مکانیسم‌های بیماری و به تبع آن کشف درمان دارند. آلفافولد، با همان روش یادگیری تقویتی که ذکر آن رفت و چشم داشتن به پیچیدگی‌های کشف ساختار پروتئین با کمک زیست‌شناسان، توانست مشکل قدیمی زیست‌شناسان را حل کند و کشف ساختار پروتئین در بدن هر انسان را کشف کند. در انتهای سال ۲۰۱۸، آلفافولد توانست تأیید جواع علمی را به خود جلب کند. این سامانه، یکی از گواهان آشکار بر فایدۀ هوش مصنوعی در استفاده از زندگی روزمره بوده است.

جمع‌بندی

دمیس هاسابیس برای شرکت دیپ‌مایند یک منشور اخلاقی طراحی کرده است و فعالیت‌های تیم ۲۰۰۰ هزار نفرۀ خود را محدود به حدودی کرده است که در راستای نفع بشریت باشند و استفاده‌های ریسک‌زای هوش مصنوعی را کاهش دهد. دستاورد‌های دیپ‌مایند در یادگیری تقویتی که تاکنون در بازی‌ها و زیست‌شناسی نمود یافته است، ‌امید زیادی در دل دانشمندان و عموم آفریده است که افقهاش ناگشوده کشف شوند و راه‌حل‌های جدیدی برای مسائل زندگی پیدا شوند. دمیس و همکارانش مشغول ادامۀ فعالیت خود را زیست‌شناسی هستند و‌امید دارند هوش مصنوعی را به جایی برسانند که خود نائل به یک کشف علمی شود و برای آن جایزۀ نوبل دریافت کند.