Google DeepMind-ийн Гүйцэтгэх захирал, Нобелийн шагналт Демис Хассабис.
2024 оны Нобелийн Химийн шагналыг тэрээр өөрийн багийн ахлах судлаач Жон Жампер (John Jumper) болон өөр нэг эрдэмтний хамт хүртсэн. Яагаад компанийн захирал хүн Нобелийн шагнал авсан бэ? гэж хүмүүс гайхаж магадгүй. Үүнд товч хариулт өгөхөд:
1. Гоц авьяастай хүүхэд (Child Prodigy) Демис Хассабис 4 настайгаасаа шатар тоглож эхэлсэн бөгөөд 13 насандаа дэлхийн шилдэг өсвөрийн шатарчдын нэг болж байв. Түүний тархи багаасаа л стратеги, тооцоолол дээр ажиллаж сурсан байжээ.
2. Тоглоомын ертөнцийн од Түүнийг технологийн ертөнцөд алдаршуулсан зүйл нь Video Games байв. Тэрээр 17-хон насандаа алдарт "Theme Park" тоглоомыг бүтээлцсэн. Энэ тоглоом нь хиймэл оюун ухааны анхан шатны элементүүдийг ашигласан гэдгээрээ онцлог байв.
3. "Тархи" судлаач Тэр зүгээр л код бичих нь хангалтгүй гэдгийг ойлгосон. Жинхэнэ хиймэл оюун ухаан бүтээхийн тулд "Хүний тархи яаж ажилладгийг" ойлгох ёстой гэж үзээд, Нейробиологиор (Neuroscience) докторын зэрэг хамгаалсан. Тэр хүний тархины ажиллах зарчмыг компьютерын кодтой хослуулж чадсан хүн юм.
4. Google DeepMind ба AlphaFold-ийн санаа Тэр DeepMind компанийг байгуулахдаа нэг л зорилго тавьсан: "Эхлээд оюун ухааныг тайлах, дараа нь түүгээрээ бусад бүх асуудлыг шийдэх."
Тэр багтайгаа нийлж "AlphaGo"-г бүтээж дэлхийн аваргыг хожсоныхоо дараа: "За одоо тоглоом тоглох нь хангалттай. Одоо шинжлэх ухааны хамгийн хэцүү асуудлыг барьж авцгаая" гэж хэлсэн нь AlphaFold төсөл эхлэх команд байв. Тэр төслийн ерөнхий архитектур, алсын харааг зурж, биологи болон AI-г хослуулах стратегийг боловсруулсан учраас Нобелийн шагналын эзэн болсон юм.
TED 2024 4-р сард Крис Андерсонтой хийсэн ярилцлага:
Chris Anderson: Демис, энд байгаад баярлалаа.
Demis Hassabis: Энд ирсэндээ үнэхээр баяртай байна, баярлалаа,
Chris Anderson: Та Time Magazine-д “Би том асуултууд, жинхэнэ том асуултуудыг ойлгомоор байсан. Тийм асуулт сонирхдог хүн ер нь философи эсвэл физик рүү ордог. Харин би хиймэл оюун ухаан бүтээх нь тэр асуултуудыг шийдэх хамгийн хурдан зам гэж бодсон” гэж хэлсэн. Яагаад ингэж бодсон бэ?
ДХ: (инээв) Ер нь багадаа миний хамгийн дуртай хичээл физик байсан. Би бодит ертөнцийн суурь шинж чанар, ухамсар гэж юу вэ гэх мэт том асуултуудад дуртай байсан. Тийм асуулт сонирхдог хүн ихэвчлэн физик рүү ордог. Гэхдээ Фейнман зэрэг миний биширдэг их физикчдийн бүтээлийг уншихад сүүлийн 20–30 жилд бид суурь ойлголтын түвшинд төдийлөн ахиц гаргаагүй юм шиг санагдсан. Тэгэхээр эдгээрийг тайлахын тулд хамгийн хүчирхэг багажийг – хиймэл оюун ухааныг – бүтээвэл яасан юм бэ гэж бодсон. Мөн энэ явцдаа бид өөрсдийгөө болон тархи хэрхэн ажилладгийг илүү сайн ойлгож ч магадгүй. Тийм болохоор энэ бол зөвхөн хэрэгсэл биш, асуултуудад өөрөө хариу гаргаж өгөх боломжтой хүчирхэг зам байсан.
01:12 CA: Маш сонирхолтой. Хиймэл оюун ухаан маш олон зүйл хийж чадна. Гэхдээ өнөөдрийн яриандаа тэр хэмжээлшгүй том шинжлэх ухааны нээлтүүдийг нээж өгөх боломжийн тухай яримаар байна. Энэ нь таны болон танай компанийн гол хөдөлгөгч сэдэл шүү дээ.
ДХ: Тэгэлгүй яах вэ. Би 20–30 жилийн өмнө интернет, компьютерийн эрин эхлэх үед л "хүмүүсийн тархи ганцаараа ойлгоход хэтэрхий том өгөгдөл бий болж байна" гэдгийг ойлгосон. Шинжлэх ухааны өгөгдөл ч ялгаагүй. Тэгэхээр хиймэл оюун ухааны нэг гол үүрэг бол асар том өгөгдөл дундаас хүнд харагддаггүй хэв маяг, холбоос, шинэ санаа, гипотезийг олж илрүүлэх. Тэгээд түүнийг эрдэмтэд ойлгож цааш хөгжүүлэх боломж олгох. Энэ нь ч шинжлэх ухааны аргачлалтай тохирох санагдсан.
02:03 CA: Таны өндөрлөг рүү явах замд “тоглоом” маш том үүрэгтэй байсан. Энд байгаа зургийн зүүн талд байгаа жаал хэн бэ?
ДХ: Тэр бол би. Ойролцоогоор есөн настай байх үе. Английн 11 нас хүртэлх шигшээ багийг ахлан дөрвөн улсын тэмцээнд оролцож байгаа үе. Улаан хувцастай байгаа нь тийм учир. Бид Франц, Шотланд, Уэльстэй тоглож байсан санагдаж байна.
02:27 CA: Ёстой сонин юм. Би ч бас тэнд байсан... Зүүдэндээ.
(инээд)
02:34 CA: Таны дуртай зүйл зөвхөн шатар ч биш байсан.
ДХ: Тийм, би бүх төрлийн тоглоомд дуртай байсан.
CA: Тэгвэл DeepMind-ийг байгуулаад тун удалгүй та тоглоомууд дээр туршиж эхэлсэн. Яагаад?
ДХ: Ер нь надад AI-д орох суурь шалтгаан нь тоглоом байсан. Английн шигшээтэй хамт бэлтгэлд явахдаа бид шатрын компьютерүүдээр (1980-аад оны үеийн) бэлтгэл хийдэг байсан. Тэр үед тэр төхөөрөмж механик самбар шиг, дөрвөлжин дээр дардаг, LED гэрэл асдаг ийм аппарат. Би зөвхөн шатар боддог байсангүй, харин “энэ том хуванцар хайрцаг ийм өндөр түвшинд тоглоход хэн яаж код бичсэн юм бол?” гэж алмайрсан. Тэндээс л би “сэтгэлгээ гэж юу вэ?”, “Тархи яаж ийм үйлдлийг бодож гаргадаг вэ?” гэх мэт асуулт сонирхож эхэлсэн. Харин нэг өдөр үүнийг компьютерээр дуурайлгах боломжтой болно гэж бодсон. Энэ миний амьдралын гол шугам болсон.
03:46 CA: Гэхдээ та DeepMind-д хөрөнгө босгоод удалгүй ийм зүйл хийж эхэлсэн. Эхний том амжилт юу болсон бэ?
ДХ: DeepMind-ийг 2010 онд эхлүүлэхэд бид 1970 аад оны Atari-гийн сонгодог тоглоомуудыг сонгосон. Нэг онцлох шалтгаан нь маш хурдан турших боломжтой, алгоритмаа сайжруулахад хамгийн тохиромжтой. Компьютер хүчирхэг болохын хэрээр тоглоомуудыг улам хүнд болгох боломжтой. Breakout тоглоом дээр хиймэл оюун ухаан маань биднийг анх удаа гайхшруулсан. Бөмбөгийг ханын ар тал руу оруулаад бүх блокийг илүү аюулгүй, илүү хурдан эвдэж болдог гэдгийг AI өөрөө олж чадсан.
04:44 CA: Тодорхой стратеги түүнд зааж өгөөгүй шүү дээ? Зүгээр л оролдоод үз, хожих гэж хичээ...
ДХ: Тийм. 2012, 2013 он байсан. Тухайн үед бид “гүн хүчитгэсэн сургалт” (deep reinforcement learning) гэсэн нэр томьёог хэрэглэж эхэлсэн. Системд өгсөн зүйл бол – дэлгэцийн пикселүүд ба “оноо ав” гэсэн зорилго л байсан. Ямар үйлдэл юу өгдөг, ямар дүрэмтэй – бүгдийг өөрөө эхнээс нь ойлгоно. Тоглоомын давуу тал нь зорилго маш тодорхой, сайжирч буй эсэхийг хэмжихэд хялбар.
05:30 CA: Дараа нь үүнээс шууд өгсөөд дэлхийн анхаарлыг татсан Go-ийн мөч ирсэн.
ДХ: Тийм. Энэ бол 2016 он. Атари, бусад тоглоомын дараа бид Go тоглоомд хүрсэн. Ази даяар гол тоглодог энэхүү тоглоом нь шатрынхаас илүү нарийн, илүү хэв маяг давамгайлсан, илүү зөн совин шаарддаг. Deep Blue 1990-ээд онд Каспаровыг хожсон ч Go-г эвдэхэд дахин 20 жил шаардсан. AlphaGo бол дэлхийн аваргыг ялсан анхны AI. Хэрэв чи Go-ийн дэлхийн аваргыг хождог ХО бүтээж чадвал тэр ямар нэг сонирхолтой зүйл болно. Тэр систем өөрөө өөртэйгээ сая сая тоглоод стратегиудыг шинээр олж нээсэн. 2000 гаруй жилийн турш хүмүүс тоглосон ч ийм нээлт хийгээгүй. Энэ үнэхээр гайхамшигтай байсан.
07:01 CA: Дараа нь бүр цааш ахиж AlphaZero-г бүтээсэн. Энэ бол Go-г ч, шатар ч, өөр тоглоом ч зүгээр эхнээс нь сурдаг систем. Яаж ажилласан бэ?
ДХ: AlphaGo-д эхлээд хүний тоглолтын том өгөгдөл өгсөн байсан. Харин AlphaZero-д “юу ч өгөөгүй” – нэр нь ч тийм. Зөвхөн дүрмийг мэдээд эхнээсээ санамсаргүй тоглож эхэлдэг. Илүү ерөнхий зориулалттай гэсэн үг. 24 цагийн дотор санамсаргүй түвшнээс дэлхийн аваргаас ч илүү түвшинд хүрсэн.
08:06 CA: Шатар сонирхдог хүний хувьд би үүнд бүр алмайрсан. Урт хугацаанд мянга мянган програмистууд шатарын AI хөгжүүлсэн. Гэтэл AlphaZero ердөө есөн цагийн дотор бүгдийг давсан. Тэр үед танд юу бодогдсон бэ?
ДХ: Үнэхээр онцгой мөч байсан. Өглөө нь санамсаргүй тоглож байгаа системийг асаана. Өдрийн хоолны өмнө би өөрөө арай гэж хожиж чадна. Орой гэхэд систем дэлхийн түүхэнд байгаагүй хүчирхэг тоглогч болсон байдаг. Ингэж нүдэн дээр өөрчлөгдөж байгааг харах үнэхээр цочирдмоор. Тэр үед л “энэ тоглоом дээр хийж байгаа зүйл шинжлэх ухаанд юу хийж чадах бол?” гэж бодогдсон. Бидэнд тоглоом бол зөвхөн туршилтын талбай байсан.
09:34 CA: Үүнээс хүмүүс гайхахын зэрэгцээ айх нь ойлгомжтой. Хэдхэн цагийн дотор хүн төрөлхтний олон зуун жилийн хуримтлалыг давна гэдэг бол аймшигтай бодогдох л зүйл.
ДХ: Тийм. Энэ бол маш хүчирхэг технологи. Маш том өөрчлөлт авчирна. Бид үүнийг хэрхэн ашиглахаа маш хариуцлагатай бодох ёстой.
10:02 CA: Ингээд та AI-г шууд бодит амьдралын том асуудалд ашигласан. Энд байгаа зураг дээр юу байна вэ?
ДХ: Миний хүүхэд насны зорилго бол AI-г шинжлэх ухааны нээлтийг хурдасгахад ашиглах. Кембриджид оюутан байхдаа бодож эхэлсэн нэг том асуудал бий – “уургийн нугаралтын асуудал”. Уураг бол амьдралын үндсэн бүтэц. Тэдгээрийн хэлбэр нь функцээ тодорхойлдог. Зурган дээр амин хүчлүүдийн дараалал өгөөд үсэг бүр амин хүчлүүд. Амьдрал дээр эдгээр нь баруун талд байгаа гайхалтай үзэсгэлэнтэй хэлбэрт ордог. Хамгийн чухал асуудал бол зөвхөн амин хүчлүүдийн дарааллаас 3D хэлбэрийг нь урьдчилан таах боломж бий юу? Энэ л асуудлыг AlphaFold шийдсэн.
11:40 CA: Энэ систем зүгээр тооцоолоод гаргасан юм биш, харин олон уургийн бодит хэлбэрээс хэв маяг олж сурсан, тийм үү?
ДХ: Тийм. Шинжлэх ухаанд 40 гаруй жилийн турш 150,000 уургийн хэлбэрийг туршилтаар гаргасан. Нэг уургийг бүтэцтэй нь илрүүлэхэд нэг PhD оюутан бүх хугацаагаа зарцуулдаг. Гэтэл байгальд 200 сая уураг бий. Бид AlphaFold-оор нэг жилийн дотор тэр бүхнийг урьдчилан тааж чадсан. Энэ бол “PhD хийхэд шаардагдах нэг тэрбум жилийн хугацааг хэмнэсэн” гэсэн үг.
(алга ташив)
12:52 CA: Үр дүн нь үнэхээр итгэмээргүй. Дарааллыг өгнө, таамаглана, туршина – бараг атомын түвшинд таарч гарна. 200 сая ширхэг уурган дээр.
ДХ: Тийм. Ногоон нь туршилтын бодит хэлбэр, цэнхэр нь AlphaFold-ын таамаглал. Дундаж алдаа нь атомын өргөнтэй тэнцүү. Энэ нарийвчлал бол эм, биологийн судалгаанд яг хэрэг болдог түвшин.
13:36 CA: Та ийм том зүйл хийчихээд үр дүнг нь бүгдэд үнэ төлбөргүй нээж өгсөн. Энэ их сонин шийдвэр биш үү?
ДХ: Бид AlphaFold-ын бүх мэдээллийг нээлттэй болгосон. Европын биоинформатикийн институттэй хамтран том өгөгдлийн сан бүрдүүлсэн.
13:55 CA: Google танд “Демис, чи юу хийчихэв?” гэж залгаагүй юу?
ДХ: Аз болж Google шинжлэх ухааны ач холбогдлыг ойлгодог. Дэлхий дээр 1.5 сая биологич AlphaFold ашиглаж байна – бараг бүх биологич, бүх эмийн компани ашиглаж байгаа гэсэн үг.
14:35 CA: Та Isomorphic гэдэг шинэ компани байгуулсан. Ямар зорилготой вэ?
ДХ: AlphaFold бол уураг таниулах суурь загвар. Харин Isomorphic бол дараагийн алхам – эмийн бодисын молекулуудыг автоматаар зохион бүтээдэг AI загварууд бүтээх. Уураг ямар хэлбэртэйг мэдэж байвал яг зөв хэсэгт нь хоргүй, гаж нөлөөгүй бодис зохион бүтээх боломжтой. Бид тэр орон зайд олон AI загвар хөгжүүлж байна.
15:43 CA: Тэгэхээр тун удахгүй эмийн салбарт том нээлтүүд гарна гэж харж байна?
ДХ: Манай үзэж буйгаар хэдэн жил шаарддаг эмийн судалгаа хэдхэн сард багтах боломжтой.
15:54 CA: За, бага зэрэг чиглэл өөрчилье. Лив Борее “Молохын урхи” гэдэг TED илтгэл тавьсан. Энэ нь өрсөлдөөнөөс болж байгууллагууд өөрсдийн хүсэхгүй шийдвэрт хүрэх тухай. Таны салбарт яг ийм зүйл тохиолдсон юм шиг. DeepMind шинжлэх ухааны гайхалтай нээлт хийж явтал OpenAI ChatGPT гаргалаа. Дэлхий даяар гал алдлаа. "Бид Google-ийг бүжиглүүлмээр байна." гэж Microsoft-ийн гүйцэтгэх захирал Сатя Надела хэлсэн. Google ч “бүжиглэсэн”. Gemini гэх мэт бүтээгдэхүүнүүд гаргаж эхэлсэн. Энэ бол яг Молохын урхины бодит жишээ биш үү? Энэ айх зүйл мөн биз?
17:59 ДХ: Энэ бол маш төвөгтэй сэдэв. Нэгдүгээрт, Google аль хэдийн том хэлний загваруудтай байсан. LLМ-д ашиглагдаж байгаа Transformers ч Google Research-аас анх гарсан. Гэхдээ ChatGPT гарснаар ил болсон зүйл бол – олон нийт иймэрхүү системийг ашиглахад бэлэн байсан. Бид дотроо яг эсрэгийг бодож байсан – “энэ болдоггүй, тэр орхигддог, ийм алдаа гардаг, иймээс хараахан олон нийтэд гүйцэд биш” гэж. Сонирхолтой нь энэ асуудлуудыг үл харгалзан олон нийт үр дүнтэй ашиглаж байсан. Энэ бол том сургамж болсон.
19:24 CA: Одоо дэлхий даяар асар том дата төвүүд баригдаж байна. Microsoft болон OpenAI 100 тэрбум долларын суперкомпьютер барьж байна гэх. Google ч мэдээж хоцрохгүй?
ДХ: Ерөнхий Хиймэл Оюун(AGI)-д хүрхэд бидэнд асар их тооцоолол шаардлагатай. Google-д хүчин чадал байсан байх болно.
20:50 CA: Энэ өрсөлдөөн нэг өдөр “AI өөрөө өөрийгөө сайжруулж хурдацтай сэргэнэ” гэх мэт аюул руу түлхэх вий?
ДХ: AGI-д ойртох тусам өрсөлдөөнөөс илүү хамтын ажиллагаа чухал болно. Том лабораториудын ихэнх эрдэмтэд бие биенээ сайн мэддэг, ярилцдаг. Одоохондоо эрсдэл арай багатай. Гэвч AGI-д ойртох тусам нийгэм нийтээрээ “юуг зөвшөөрөх, юуг хориглох, ямар архитектур аюулгүй вэ” гэдгийг зэрэг ярилцах ёстой. Найдвартай, баталгаатай архитектур эхэлж бий болгох нь хамгийн чухал.
22:36 CA: Тэгэхээр засгийн газар, академи, компани – бүгд оролцох ёстой?
ДХ: Мэдээж. Энэ бол зөвхөн технологийн асуудал биш олон нийтийн ч асуудал. AGI руу ойртох тусам илүү хамтарч ажиллах ёстой.
23:01 CA: Та үүнд өөдрөг хандаж байна шүү. Энд энэ зураг юу вэ?
ДХ: Энэ миний хамгийн дуртай дүрслэл. Би үүнийг “мэдлэгийн мод” гэж дууддаг. Энэ мэдлэгийн мод нь орчлон ертөнцийн бүх мэдлэгийг илэрхийлнэ. Бид өнөөдөр зөвхөн түүний жижиг салаа хэсгийг л мэддэг. Соёл иргэншил бол жижиг хэсэг нь л юм. Харин AI бол тэр бүх модыг тойрч үзэх боломж олгож байгаа юм. Бид “үндэсний зангилааны асуудал” гэх үзэл санааг дэвшүүлсэн. Тэрхүү зангилааг шийдвэл бүхэл бүтэн шинэ салбар нээгддэг. AlphaFold яг тийм байсан. Google DeepMind энэ модны үндсийг задлах зорилготой.
24:03 CA: Бидний хугацаа дуусч байна. Таны мөрөөдөл дундаас нэгийг хэлээч – AI таны амьдралд амжиж ямар асуултыг тайлж чадна гэж найддаг вэ?
ДХ: AGI бэлэн болмогц би түүнийг бодит байдлын суурь шинж чанарыг судлахад ашиглахыг хүсдэг. Планкын хэмжээний түвшинд – орчлонгийн “нэг пиксел”-ийг судлах.
24:37 CA: Бидний мэдэх боломжгүй зүйл гэж байх болвуу?
ДХ: Магадгүэ. Миний бодлоор хүн төрөлхтний бодож олсон хамгийн агуу зүйл нь шинжлэх ухааны арга барил. Одооны энэ соёл иргэншил үүний тусламжтай бий болсон.
25:15 CA: Та аль хэдийн дэлхий ертөнцийг өөрчлсөн. Энд байгаа бүх хүмүүс үүнд тань талархаж таны хичээл зүтгэлээр бид зөв чиглэлд явж байгаа гэж бодож байна.
https://innolab-mn.github.io/posts/nobeliin-shagnalt-ai-alphafold
https://innolab-mn.github.io/posts/alphafold-kh-gzh-legchid-naashaa-khereg-bolzh-yuuny-magad Хэрвээ надад түүнээс асуулт асуух боломж гарвал: "Хүний түвшний оюун ухаан бий болоод тэр нь шатар тоглож сураад мөн сайтар сургагдсан AlphaZero-той шатар тогловол аль нь хожих вэ?" гэж асууна.
