- Demis Hassabis đã theo đuổi mục tiêu xây dựng trí tuệ nhân tạo (AI) từ rất sớm, kết hợp kinh nghiệm từ cờ vua, phát triển game và khoa học thần kinh để thành lập DeepMind với tầm nhìn đạt được AI tổng quát (AGI).
- DeepMind đã vượt qua sự hoài nghi bằng cách tiên phong kết hợp học sâu (deep learning) và học tăng cường (reinforcement learning), tập trung vào nghiên cứu đột phá và cam kết mạnh mẽ với sứ mệnh AGI dài hạn.
- Tác động lớn nhất của AI là trong lĩnh vực khoa học, minh chứng qua thành công của AlphaFold trong sinh học và tiềm năng của các mô phỏng chính xác để cách mạng hóa y học, khoa học vật liệu và các hệ thống phức tạp khác.
Demis Hassabis: We're Three Quarters of the Way to AGI
- Tầm nhìn dài hạn và kiên định: Demis Hassabis có một mục tiêu rõ ràng về AI từ khi còn thiếu niên và định hướng con đường sự nghiệp của mình (từ game đến khoa học thần kinh) để đạt được nó, nhấn mạnh tầm quan trọng của một tầm nhìn nhất quán.
- Cân bằng giữa tham vọng và tính khả thi: Bài học "đi trước 5 năm, không phải 50 năm" từ Elixir Studios cho thấy cần phải có tầm nhìn xa nhưng cũng phải thực tế về công nghệ và thời điểm chín muồi.
- Cách tiếp cận liên ngành: Thành công của DeepMind đến từ việc kết hợp độc đáo học sâu và học tăng cường, cùng với các ý tưởng từ khoa học thần kinh tính toán, minh chứng sức mạnh của việc tích hợp nhiều lĩnh vực.
- Vượt qua sự hoài nghi: DeepMind đã thành công khi tin vào tiềm năng của AGI trong bối cảnh giới học thuật và công nghiệp còn e ngại, thể hiện tầm quan trọng của niềm tin và sự sẵn sàng đi ngược dòng.
- AI làm công cụ cho khoa học: Sứ mệnh cốt lõi của DeepMind là sử dụng AI để thúc đẩy khoa học và y học, dẫn đến những đột phá như AlphaFold trong việc gấp protein và Isomorphic Labs trong khám phá thuốc.
- Cách mạng hóa khám phá thuốc: AI có khả năng chuyển 99% quá trình khám phá thuốc sang mô phỏng trên máy tính (
in silico), giảm thời gian phát triển từ nhiều năm xuống còn vài tháng, mở ra kỷ nguyên y học cá nhân hóa. - Sự ra đời của các ngành khoa học mới: AI không chỉ là một công cụ mà còn có thể tạo ra các ngành khoa học mới, bao gồm việc nghiên cứu chính các hệ thống AI và sử dụng AI để mô phỏng chính xác các hệ thống tự phát sinh phức tạp (ví dụ: trong khoa học xã hội).
- Học máy là ngôn ngữ mô tả hoàn hảo: Học máy được coi là công cụ lý tưởng để mô tả các hệ thống tự phát sinh như sinh học, nơi toán học truyền thống có thể không đủ mạnh để xử lý vô số tín hiệu yếu và dữ liệu khổng lồ.
pioneer— người tiên phongGPU(Graphics Processing Unit) — Bộ xử lý đồ họablue sky research— nghiên cứu cơ bản/không giới hạnAGI(Artificial General Intelligence) — Trí tuệ nhân tạo tổng quátdeep learning— học sâureinforcement learning— học tăng cườngAlphaFold— Tên AI giải quyết bài toán gấp proteindrug discovery— khám phá thuốcin silico— trên máy tính (chỉ mô phỏng)emergent systems— hệ thống tự phát sinh
Lời mở đầu
Chào mừng Dennis. Rất vui được có mặt ở đây. Cảm ơn mọi người đã đến. Thật tuyệt khi được ở đây. Chúng tôi rất vinh dự khi có bạn tại "nhà máy sản xuất sô cô la" của chúng tôi. Vâng, tôi vừa nghe nói về điều đó. Rất mong chờ được thưởng thức sô cô la sau buổi này. Tuyệt vời. Dennis, chúng ta sẽ bắt đầu ngay. Chúng ta có một trong những người tiên phong (OG) theo mọi nghĩa – những nhà tư tưởng, người sáng lập và nhà tiên phong trong mọi lĩnh vực AI, một nhà khoa học thực thụ, người có niềm tin sắt đá. Chúng ta sẽ dành phần đầu cuộc trò chuyện để nói về những ngày đầu, sau đó là những ngày đầu của DeepMind, và rồi chúng ta sẽ đi sâu vào khoa học và mở phần hỏi đáp. Vậy, hãy bắt đầu ngay.
Hành trình đa dạng và sợi dây liên kết với AI
Demis, bạn từng là một thần đồng cờ vua. Bạn cũng là người sáng lập một công ty trò chơi, một nhà thần kinh học, và là người sáng lập DeepMind, hiện đang lãnh đạo một công ty lớn và có tầm ảnh hưởng. Những vai trò này có vẻ khá không liên quan, nhưng bạn đã nói rằng có một sợi dây xuyên suốt. Bạn có thể giải thích rõ hơn không?
Có một sợi dây xuyên suốt, và có lẽ tôi đã biến nó thành một sợi dây chung để nó có thể là một sự định hình sau đó theo kiểu post hoc... nhưng tôi đã muốn làm AI từ rất lâu rồi. Tôi đã quyết định rằng đó là điều quan trọng nhất và thú vị nhất mà tôi có thể làm trong những năm thiếu niên của mình. Sau đó, tôi chọn những thứ để học hoặc làm mà tôi cảm thấy cuối cùng sẽ giúp tôi xây dựng một công ty như DeepMind. Vì vậy, tôi đã có kế hoạch đó từ khoảng 15, 16 tuổi.
Tôi đã có một cuộc "đi đường vòng" vào ngành game vì thực ra đó là những năm 90. Đây là nơi mà tất cả các công nghệ tiên tiến nhất đang được thực hiện. Rõ ràng là không chỉ trong AI mà đặc biệt là trong đồ họa, bao gồm cả phần cứng. Tất nhiên, các GPU mà chúng ta sử dụng ngày nay được thiết kế cho các graphics engine và tôi đã sử dụng những GPU đầu tiên vào cuối những năm 90.
Vì vậy, có rất nhiều công nghệ thực sự tiên tiến và tất cả các trò chơi tôi tạo ra, bao gồm tất cả các trò chơi tôi làm cho Bullfrog, nhưng cũng là công ty của riêng tôi, Elixir Studios, đều có AI là thành phần chính của gameplay. Có lẽ trò chơi nổi tiếng nhất mà tôi tạo ra là Theme Park khi tôi khoảng 17 tuổi, và đó là một mô phỏng công viên giải trí, nơi hàng nghìn người nhỏ bé đến công viên của bạn, chơi các trò chơi và quyết định mua gì từ các cửa hàng. Vì vậy, có một toàn bộ mô hình economics AI bên dưới và đó là một trong những trò chơi đầu tiên thuộc loại này cùng với Sim City. Và khi tôi thấy nó bán được hơn 10 triệu bản, và khi tôi thấy mọi người thích thú khi tương tác với AI đến mức nào, đó là một trong những điều khiến tôi nghĩ đến việc dành cả sự nghiệp cho nó.
Và sau đó, tất nhiên, khoa học thần kinh là để lấy cảm hứng từ cách bộ não hoạt động và các ý tưởng thuật toán khác nhau từ đó. Sau đó, chỉ cần kết hợp tất cả những điều đó lại với nhau để khởi đầu DeepMind khi chúng tôi cảm thấy thời điểm đã chín muồi. Và tất nhiên, chúng tôi đã sử dụng trò chơi làm sân thử nghiệm ban đầu cho các ý tưởng AI của mình.
Bài học từ Elixir Studios: Đi trước thời đại 5 năm
Ở đây chúng ta có một căn phòng đầy những người sáng lập và bạn có thể đồng cảm vì bạn là người sáng lập không chỉ một mà hai lần. Hãy đưa chúng tôi trở lại lần đầu tiên với Elixir Studios. Nó như thế nào? Đó không phải là công ty khởi nghiệp nổi tiếng nhất của bạn, nhưng bạn đã đạt được thành công đáng kinh ngạc với nó. Bạn đã lãnh đạo nó như thế nào? Và nó đã dạy bạn điều gì về việc xây dựng?
Chà, tôi đã thành lập Elixir Studios ngay sau khi ra trường. Và tôi may mắn được làm việc tại Bullfrog Productions, đối với những người biết về game, đó là một studio game huyền thoại trong những ngày đầu của ngành công nghiệp game, có lẽ là tốt nhất ở Anh, ở Châu Âu. Và tôi muốn làm một cái gì đó kết hợp đẩy mạnh AI. Vì vậy, về cơ bản, tôi đã tài trợ cho AI vào thời điểm đó bằng cách gián tiếp thông qua phát triển game. Và sau đó đẩy ranh giới của điều đó và kết hợp nó với sự sáng tạo tiên tiến. Và tôi nghĩ điều đó vẫn còn phù hợp ngày nay với cách chúng ta thực hiện nghiên cứu blue sky của mình.
Nhưng có lẽ bài học lớn nhất tôi học được là bạn muốn đi trước thời đại 5 năm, chứ không phải 50 năm. Vì vậy, chúng tôi đã cố gắng làm một trò chơi có tên là Republic tại Elixir Studios, mô phỏng cả một đất nước và ý tưởng của trò chơi là bạn có thể lật đổ một nhà độc tài đang cai trị đất nước bằng nhiều cách khác nhau. Chúng tôi về cơ bản đã mô phỏng những thành phố sống động, và điều này cần lưu ý là vào cuối những năm 90 trên một máy tính Pentium. Vì vậy, chúng tôi phải làm cho tất cả đồ họa và tất cả AI cho một triệu người hoạt động trên một máy tính cá nhân tại thời điểm đó. Vì vậy, nó hơi tham vọng và có lẽ là quá tham vọng, và nó đã gây ra một số vấn đề. Và tôi đã rút ra bài học đó rằng bạn muốn đi trước thời đại. Rõ ràng là khi điều gì đó đã rõ ràng với tất cả mọi người thì đã quá muộn. Nhưng nếu bạn đi trước 50 năm, thì có lẽ không có cách nào để bạn đạt được thành công.
Thành lập DeepMind: Nhìn thấy tiềm năng khi người khác hoài nghi
Được rồi. Nói về việc không đi quá xa trước thời đại, đó là năm 2009 và bạn đã quyết định rằng sẽ có AGI.
Vâng. Có lẽ nó chỉ đi trước thời đại của chúng ta 10 năm vào thời điểm đó. Tốt hơn 50 năm.
Vậy, hãy nói cho chúng tôi về năm 2009. Bạn đã thuyết phục những tài năng xuất chúng đầu tiên như thế nào, bởi vì bạn đã thu hút được những nhân viên, thành viên đội ngũ đầu tiên có năng lực rất cao? Làm thế nào bạn thuyết phục họ tin vào điều mà lúc đó dường như hoàn toàn là sci-fi?
Chà, có một số luồng thú vị mà tôi nghĩ chúng tôi đã nắm bắt được. Tôi nghĩ chúng tôi đã nghĩ rằng mình đi trước 5 năm, nhưng có lẽ chúng tôi đi trước khoảng 10 năm. Nhưng đó là, deep learning vừa mới được phát minh bởi Jeff Hinton và các đồng nghiệp trong giới học thuật, nhưng hầu như không ai thực sự nhận ra đó là một điều lớn lao. Chúng tôi biết rất nhiều về reinforcement learning và chúng tôi cảm thấy có thể đạt được tiến bộ lớn bằng cách kết hợp hai kỹ thuật này mà hầu như chưa bao giờ được trộn lẫn với nhau, chắc chắn không phải theo bất kỳ cách nào khác ngoài các bài toán đồ chơi trong các môn học thuật. Đó là hai phần khá riêng biệt của AI.
Sau đó, chúng tôi có thể thấy khả năng tính toán – các GPU vào thời điểm đó sẽ thực sự hữu ích. Tất nhiên chúng tôi sử dụng TPU bây giờ. Nhưng ngành công nghiệp accelerated computing sẽ rất hữu ích. Và sau đó chúng tôi cũng cảm thấy, vào cuối chương trình tiến sĩ và postdoc của tôi và một số người khác mà tôi tập hợp lại là các nhà khoa học thần kinh tính toán, rằng chúng tôi có đủ ý tưởng và nguyên tắc từ bộ não có thể hữu ích, bao gồm cả ý tưởng rằng reinforcement learning cuối cùng có thể mở rộng quy mô lên AGI.
Vì vậy, chúng tôi cảm thấy mình có những nguyên liệu này và chúng tôi gần như cảm thấy như mình là những người giữ một bí mật vì không ai, cả trong giới học thuật hay công nghiệp, thực sự tin rằng có bất kỳ tiến bộ lớn nào là có thể. Trên thực tế, rất nhiều người trong giới học thuật thường, bạn biết đấy, thực sự đảo mắt nhìn chúng tôi khi chúng tôi đề xuất rằng chúng tôi sẽ làm việc với AGI hoặc strong AI như đôi khi nó được gọi vào thời điểm đó, bởi vì họ cho rằng: "Chà, chúng tôi biết điều này không hiệu quả. Mọi người đã thử nó vào những năm 90 rồi."
Tôi đã làm postdoc tại MIT, nơi từng là trung tâm của các expert systems và tất cả các hệ thống logic language đầu tiên. Ý tôi là, thật đáng kinh ngạc khi nghĩ về điều đó bây giờ, nhưng tôi đã cảm thấy rằng điều đó đã lỗi thời vào thời điểm đó, nhưng họ vẫn thực hiện như vậy ở cả Cambridge ở Anh và cả MIT, những trung tâm lớn của AI truyền thống. Và tôi cảm thấy, nhưng thực ra điều đó càng thuyết phục tôi hơn rằng chúng tôi đang đi đúng hướng, bởi vì ít nhất nếu chúng tôi thất bại, chúng tôi sẽ thất bại theo một cách khác so với cách mọi người đã thất bại để đạt được AGI vào những năm 90. Vì vậy, điều đó cảm thấy đáng để làm cho dù thế nào đi nữa, ngay cả khi rõ ràng đó là nghiên cứu, chúng tôi không biết chắc chắn nó sẽ thành công, nhưng ít nhất chúng tôi sẽ thất bại theo một cách độc đáo nếu nó không hoạt động.
Có bất kỳ điểm mấu chốt chung nào trong niềm tin ban đầu đó không? Có điều gì mà bạn phải chứng minh cho bản thân hoặc cho những người theo dõi ban đầu của mình để họ ủng hộ không?
Chà, tôi đã... nói thế này, tôi sẽ dành cả đời mình cho AI cho dù điều gì xảy ra. Vì vậy, như đã diễn ra, nó đã đi theo hướng lạc quan một cách tuyệt vời so với những gì chúng tôi nghĩ. Vẫn thực sự nằm trong những gì chúng tôi đã dự đoán vào năm 2010. Chúng tôi nghĩ đó sẽ là một sứ mệnh 20 năm. Và tôi nghĩ chúng ta về cơ bản đang đi đúng hướng với lĩnh vực này. Và rõ ràng chúng tôi đã đóng góp một phần vào đó.
Nhưng ngay cả khi điều đó không xảy ra theo cách đó và nó vẫn chỉ là một chủ đề nhỏ, đó vẫn là điều tôi sẽ làm, bởi vì tôi cảm thấy đó là công nghệ quan trọng nhất từ trước đến nay, nếu điều đó hiển nhiên đối với tôi. Bạn biết đấy, tuyên bố sứ mệnh ban đầu của chúng tôi tại DeepMind là: "Bước một: giải quyết trí tuệ, tức là xây dựng AGI. Bước hai: sử dụng nó để giải quyết mọi thứ khác." Vì vậy, tôi luôn nghĩ rằng đó là công nghệ quan trọng nhất từng được phát minh, nhưng cũng là công nghệ thú vị nhất.
Là một công cụ cho khoa học, là một tạo tác thú vị tự thân nó, và thực sự là một trong những cách tốt nhất để hiểu tâm trí của chính chúng ta, bạn biết đấy, như bản chất của ý thức, giấc mơ, sự sáng tạo, tất cả những câu hỏi mà tôi có với tư cách là một nhà thần kinh học. Tôi cảm thấy một trong những điều còn thiếu là một công cụ phân tích như AI, nhưng cũng là một sự so sánh mà bạn có thể thực hiện một thí nghiệm kiểm soát và nghiên cứu, so sánh hai hệ thống khác nhau với nhau.
AI vì khoa học: Từ AlphaGo đến AlphaFold
Hãy nói về AI vì khoa học. Bạn là người tiên phong trong lĩnh vực đó. Bạn đã là một người có niềm tin sắt đá và thực sự là một người theo chủ nghĩa thuần túy về điều này, rằng đây là sứ mệnh thúc đẩy. Điều gì trong cách bạn thiết lập DeepMind và định hình văn hóa đã giúp nó luôn đi đầu trong AI vì khoa học?
Chà, đó là mục tiêu cuối cùng, ít nhất là đối với tôi, niềm đam mê cá nhân của tôi. Có một động lực riêng của tôi để xây dựng AI, đó là để thúc đẩy khoa học và y học cũng như sự hiểu biết của chúng ta về thế giới. Sự thể hiện sứ mệnh đó của tôi là thực hiện nó một cách meta, đúng không? Xây dựng công cụ tối thượng và sau đó quay lại khi nó sẵn sàng và sử dụng nó để tạo ra những đột phá trong khoa học, những thứ như AlphaFold mà chúng tôi đã làm và tôi nghĩ còn nhiều điều nữa.
Vì vậy, chúng tôi luôn có điều đó là trọng tâm của những gì chúng tôi đã cố gắng làm tại DeepMind. Trên thực tế, chúng tôi đã có một nhóm, một bộ phận AI for Science do Pushmeet Kohli lãnh đạo đã tồn tại gần một thập kỷ nay, thực ra gần như ngay sau khi chúng tôi trở về từ Seoul sau trận đấu AlphaGo, tức là khoảng 10 năm trước. Đó là khi chúng tôi chính thức bắt đầu các nỗ lực AI for Science vì tôi đã chờ đợi các thuật toán đủ mạnh và các ý tưởng đủ tổng quát. Và đối với tôi, việc đánh bại Go là điểm mốc đó, thời điểm đó, chúng tôi nghĩ: "Được rồi, bây giờ chúng tôi đã sẵn sàng thực sự áp dụng những ý tưởng này vào các vấn đề quan trọng trong thế giới thực, bắt đầu với những thách thức khoa học lớn này." Vì vậy, chúng tôi luôn có điều đó trong tâm trí như là việc sử dụng AI mang lại lợi ích nhất: còn gì tuyệt vời hơn việc sử dụng nó để, bạn biết đấy, chữa bệnh và mang lại cho chúng ta tuổi thọ khỏe mạnh hơn, và giúp đỡ y học, tiếp theo rõ ràng là các lĩnh vực thực sự quan trọng khác như khoa học vật liệu, môi trường và năng lượng, và những loại chủ đề mà tôi nghĩ AI cũng sẽ đóng một vai trò rất lớn trong vài năm tới.
Đột phá của AI trong sinh học
Và AI đã tạo ra đột phá như thế nào trong sinh học? Bạn tham gia sâu vào Isomorphic, đây là một lĩnh vực bạn rất đam mê. Bạn đã là một người theo chủ nghĩa thuần túy về tiềm năng của AI để chữa bệnh ngay từ đầu. Khi nào chúng ta sẽ có khoảnh khắc đột phá như chúng ta đã có trong ngôn ngữ và lập trình (coding), nhưng trong sinh học?
Vâng. Tôi nghĩ chúng ta đã có một khoảnh khắc như vậy với AlphaFold.
Đổi mới Y học và Khoa học
Việc giải quyết bài toán gấp protein và cấu trúc 3D của protein là một thách thức lớn trong 50 năm qua. Hiểu rõ điều này cực kỳ quan trọng nếu chúng ta muốn thiết kế thuốc hoặc hiểu về sinh học. Tất nhiên, đây chỉ là một phần trong quy trình drug discovery (khám phá thuốc). Isomorphic Labs, công ty mới nhất của chúng tôi, đang xây dựng các công nghệ liền kề trong không gian sinh hóa và hóa học để có thể tự động thiết kế các hợp chất phù hợp và liên kết với đúng phần của protein. Giờ đây, chúng ta biết hình dạng của protein, những gì có trên bề mặt protein và những gì chúng ta phải nhắm mục tiêu. Tiếp theo, chúng ta phải xây dựng hợp chất phù hợp, tất nhiên là liên kết mạnh mẽ với vị trí mong muốn trên mục tiêu quan tâm nhưng lý tưởng là không liên kết với bất kỳ thứ gì khác, vì điều đó sẽ gây ra tác dụng phụ độc hại.
Ước mơ là thực hiện gần như toàn bộ quá trình khám phá - chiếm 99% công việc và thời gian - in silico (trên máy tính) và sau đó chỉ dành bước wet lab (thử nghiệm trong phòng thí nghiệm) cho bước xác nhận. Nếu chúng ta có thể làm được điều đó, tôi nghĩ chúng ta có thể giảm thời gian khám phá thuốc từ mức trung bình 10 năm xuống còn vài tháng, thậm chí vài tuần, và có thể một ngày nào đó là vài ngày. Khi đó, tất cả các bệnh tật có thể nằm trong tầm kiểm soát, và những thứ như personalized medicine (y học cá nhân hóa) sẽ trở nên khả thi, như các biến thể cá nhân hóa của các loại thuốc cơ bản. Tôi nghĩ toàn bộ lĩnh vực y tế và drug discovery sẽ được cách mạng hóa trong vài năm tới.
AI và Sự Ra Đời của Các Khoa học Mới
Bạn đã nói nhiều về AI for science (AI cho khoa học). Liệu có lúc nào AI sẽ tạo ra các ngành khoa học mới, giống như cuộc cách mạng công nghiệp và nhiệt động lực học không? Liệu có điều gì đó mới mẻ được dạy một cách cơ bản trong hệ thống giáo dục của chúng ta không? Và nếu có, nó sẽ như thế nào?
Tôi nghĩ có một số điều sẽ xảy ra theo hướng đó. Trước hết, việc hiểu và phân tích các hệ thống AI tự thân sẽ trở thành một ngành khoa học hoàn chỉnh, một dạng khoa học kỹ thuật. Đây là những tạo tác vô cùng thú vị mà chúng ta đang xây dựng, và chúng cũng vô cùng phức tạp, cuối cùng sẽ phức tạp như tâm trí và bộ não con người. Vì vậy, chúng sẽ cần được nghiên cứu để chúng ta có thể hiểu đầy đủ cách các hệ thống này hoạt động, vượt xa những gì chúng ta đang có hiện nay. Vì vậy, tôi nghĩ có cả một lĩnh vực mà mech là một phần trong đó, nhưng còn nhiều điều nữa chúng ta có thể làm để phân tích các hệ thống này.
Đó sẽ là một ngành khoa học, nhưng tôi cũng nghĩ rằng AI tự nó có thể mở khóa các ngành khoa học mới, đó có lẽ là điều bạn muốn nói. Điều mà tôi đặc biệt hào hứng là AI for simulations (AI cho các mô phỏng). Tôi yêu các mô phỏng. Tất cả các trò chơi tôi viết không chỉ có AI mà còn là các mô phỏng. Và tôi nghĩ mô phỏng là cách chúng ta có thể giải quyết một số vấn đề mà chúng ta có thể coi là khoa học xã hội, như kinh tế học và các môn nhân văn khác, bởi vì rất khó để thực hiện các nghiên cứu kiểm soát trong các lĩnh vực đó. Tại sao chúng không chỉ là các ngành khoa học như vật lý ngày nay? Bởi vì vấn đề là chúng là các emergent systems (hệ thống tự phát sinh), giống như sinh học vậy, và rất khó để thực hiện các thí nghiệm kiểm soát lặp đi lặp lại. Nếu bạn tăng lãi suất thêm nửa phần trăm, bạn phải làm điều đó trong thế giới thực và sau đó xem điều gì xảy ra. Bạn có thể có các lý thuyết nhưng không thể chạy nó hàng nghìn lần. Nhưng nếu bạn có thể mô phỏng mọi thứ thực sự chính xác, thì có lẽ có những ngành khoa học mới có thể được thực hiện, nơi bạn có thể lấy mẫu một cách nghiêm ngặt từ một simulator (trình mô phỏng) rất chính xác. Và tôi nghĩ điều đó sẽ cho phép chúng ta đưa ra các quyết định tốt hơn nhiều trong các lĩnh vực hiện nay vốn rất không chắc chắn.
Đạt được Các Mô phỏng Chính xác và Mô Hình Thế Giới
Cần những gì để đạt được những mô phỏng cực kỳ chính xác, các world models (mô hình thế giới)? Cần loại khoa học và kỹ thuật nào để cùng thực hiện điều đó?
Vâng, tôi đang suy nghĩ rất nhiều về điều đó. Chúng tôi đang thực hiện rất nhiều công việc tương tự như học các simulator cơ bản. Điều này áp dụng cho các lĩnh vực mà chúng ta không biết toán học đủ rõ hoặc nó có lẽ quá phức tạp. Chúng ta không thể chỉ viết trực tiếp một simulator trường hợp đặc biệt. Nó không đủ chính xác, không nắm bắt được tất cả các biến. Chúng tôi đã làm điều đó với thời tiết. Chúng tôi có loại simulator thời tiết chính xác nhất thế giới, WeatherNext, và nó nhanh hơn nhiều so với những gì các nhà khí tượng học sử dụng.
Vậy chúng ta đã điều khiển được thời tiết chưa?
Không, chúng tôi chưa thể, và tôi cũng không chắc đó là một ý hay. Nhưng bước đầu tiên là hiểu rõ hơn. Thậm chí cả sinh học, chúng tôi đang nghiên cứu một thứ mà tôi gọi là "tế bào ảo". Đó là một emergent system cực kỳ năng động. Và tôi nghĩ sinh học hoàn hảo, kiểu như machine learning (học máy) là ngôn ngữ mô tả hoàn hảo cho sinh học, theo cách mà toán học là cho vật lý. Bởi vì tôi nghĩ trong sinh học và nhiều hệ thống tự nhiên này, bạn có vô số tín hiệu yếu, tương quan yếu, rất nhiều dữ liệu, quá nhiều để trí óc con người có thể phân tích, nhưng có những kết nối và tương quan và những nguyên nhân thú vị trong khối dữ liệu đó. Vì vậy, tôi nghĩ machine learning luôn là công cụ hoàn hảo để mô tả những loại hệ thống mà cho đến nay toán học chưa thể làm được, hoặc là vì chúng ta không thể quản lý được nó với tư cách là những nhà toán học hàng đầu vì quá phức tạp, hoặc là sức mạnh biểu đạt của toán học không đủ để hiểu những hệ thống động học tự phát sinh cao như vậy.
Liệu đó cũng là vì sự lộn xộn và bản chất ngẫu nhiên?
Chắc chắn rồi. Và tôi muốn nói rằng, một khi bạn học được các simulator này, có thể có một nhánh khoa học mới khác mà bạn có thể trích xuất một số phương trình từ simulator đó. Vì vậy, bạn có simulator ẩn, simulator trực quan này và sau đó có thể trích xuất các phương trình rõ ràng từ đó, một phần vì bạn cũng có thể lấy mẫu nó bao nhiêu lần tùy thích.
Giống như Maxwell's equations (phương trình Maxwell) hay gì đó mang tính cơ bản?
Có thể, nếu tôi không biết liệu điều đó có tồn tại cho các emergent systems như vậy không. Nhưng nếu chúng tồn tại, tôi không thấy lý do tại sao chúng ta lại không thể tìm thấy chúng bằng các phương pháp này.
Thông tin là Nền tảng và Máy Turing
Điều đó thật tuyệt vời. Bạn đã nói về lý thuyết này rằng khối xây dựng cơ bản của mọi thứ trong vũ trụ có thể là thông tin, điều này mang tính lý thuyết hơn. Bạn nghĩ gì về điều đó và nó có ý nghĩa gì đối với một máy tính Turing cổ điển truyền thống?
Chà, tôi nghĩ tất nhiên, tất cả những công thức nổi tiếng như E=mc² và tất cả những gì Einstein đã làm, năng lượng và vật chất đều tương đương. Nhưng tôi thực sự nghĩ thông tin cũng có một loại tương đương theo cách tương tự. Vì vậy, bạn có thể nghĩ về tổ chức của vật chất và cấu trúc, đặc biệt là những thứ như sinh học đang chống lại entropy (độ hỗn loạn), về cơ bản là các hệ thống xử lý thông tin tại cốt lõi của chúng. Vì vậy, tôi nghĩ người ta có thể chuyển đổi cả ba loại đại lượng đó thành nhau. Nhưng tôi có cảm giác thông tin là cơ bản nhất. Vì vậy, nó hơi ngược lại so với cách các nhà vật lý cổ điển nghĩ vào những năm 1920, nơi mà năng lượng và vật chất là chính. Tôi thực sự nghĩ rằng một cách tốt hơn để hiểu thế giới, vũ trụ là nghĩ về nó như thông tin trước tiên. Và nếu điều đó là đúng, và tôi nghĩ có khá nhiều bằng chứng cho điều đó, thì tất nhiên AI thậm chí còn sâu sắc hơn theo một nghĩa hoàn toàn khác so với những gì chúng ta nghĩ, và nó đã khá sâu sắc rồi, bởi vì nó cũng là về việc tổ chức thông tin và hiểu thông tin và xây dựng các đối tượng thông tin. Vì vậy, AI theo ý kiến của tôi là tất cả về xử lý thông tin. Vì vậy, tôi nghĩ có điều gì đó rất sâu sắc kết nối với các lĩnh vực khác nhau này nếu bạn nhìn nhận nó qua lăng kính xử lý thông tin là cách chính để suy nghĩ về nó.
Và bạn nghĩ một classical Turing machine (máy Turing cổ điển) sẽ có thể tính toán mọi thứ không?
Chà, đôi khi tôi nghĩ về những gì chúng ta đang làm và tự gọi mình là "nhà vô địch của Turing" vì tôi nghĩ Alan Turing là một trong những anh hùng khoa học yêu thích mọi thời đại của tôi. Tôi nghĩ những gì ông ấy đã làm rõ ràng đã đặt nền móng cho khoa học máy tính mà còn cả AI. Và tôi nghĩ đó là một trong những kết quả sâu sắc nhất từ trước đến nay là kết quả về Turing machine. Bạn biết đấy, mọi thứ có thể tính toán đều có thể được tính toán bằng một mô tả tương đối đơn giản về một cỗ máy. Vì vậy, tôi nghĩ bộ não của chúng ta có khả năng là các approximate Turing machines (máy Turing gần đúng).
Và tôi nghĩ điều thú vị là suy nghĩ về mối liên hệ giữa các Turing machines và quantum computers (máy tính lượng tử) và các quantum systems (hệ thống lượng tử). Nhưng tôi nghĩ ít nhất những gì chúng ta đã chứng minh với những thứ như AlphaGo và đặc biệt là AlphaFold là một classical Turing machine, rõ ràng dưới hình thức của một neural network (mạng nơ-ron) hiện đại, có thể mô hình hóa cái mà người ta từng nghĩ là một quantum system trong trường hợp gấp protein. Bạn biết đấy, theo một nghĩa nào đó, nó đang xử lý các hạt rất nhỏ. Và người ta có thể nghĩ rằng bạn sẽ phải tính đến tất cả các hiệu ứng lượng tử của các liên kết nước và mọi thứ khác, nhưng hóa ra bạn có thể đạt được giải pháp tối ưu gần đúng trên một classical system. Vì vậy, có thể hóa ra rằng nhiều thứ mà chúng ta nghĩ là sẽ cần một quantum system để mô hình hóa hoặc chạy, có thể được mô hình hóa trên một classical system nếu được suy nghĩ đúng cách.
AI như một Công cụ và Con đường đến AGI
Vậy là bạn đã luôn nói về AI như một tool (công cụ), giống như kính thiên văn hay kính hiển vi, hay kính thiên văn đo góc qua nhiều thế kỷ. Nhưng khi bạn nghĩ về một cỗ máy có thể mô hình hóa gần như mọi thứ, giả sử nó thậm chí không thể mô hình hóa các quantum systems như bạn đã chỉ ra, thì khi nào nó sẽ ngừng là một công cụ và liệu điều đó có bao giờ xảy ra không?
Chà, cảm nhận mạnh mẽ của tôi là chúng ta nên trong sứ mệnh và hành trình xây dựng AGI (Trí tuệ nhân tạo tổng quát), những người trong chúng ta trên hành trình đó, nhiều người trong căn phòng này, tôi cảm thấy sẽ tốt nhất nếu xây dựng một tool trước, một tool cực kỳ thông minh, hữu ích và chính xác. Và sau đó mới vượt qua mốc tiếp theo vốn đã đủ sâu sắc rồi. Và tất nhiên, công cụ đó có thể bắt đầu trở nên ngày càng autonomous (tự chủ) và giống agent (tác nhân) hơn mà tất cả chúng ta đang thấy. Chúng ta đang ở giữa kỷ nguyên agent (the agent era) ngay bây giờ.
Nhưng sau đó có một bước tiếp theo là liệu nó có agency (quyền tự quyết) không? Nó có conscious (ý thức) không? Những câu hỏi kiểu này cũng sẽ là những câu hỏi chúng ta cần giải quyết. Nhưng tôi sẽ khuyên rằng chúng ta nên làm điều đó như một bước thứ hai, có lẽ sử dụng công cụ ở bước đầu tiên để giúp chúng ta giải quyết những câu hỏi sâu sắc tiếp theo đó. Và lý tưởng là chúng ta cũng có thể hiểu rõ hơn về bộ não và tâm trí của chính mình, và định nghĩa những thứ như consciousness (ý thức) chính xác hơn nhiều so với hiện tại.
Bạn có ước tính nào về định nghĩa của consciousness đó có thể trông như thế nào không?
Không, ý tôi là tôi không có gì nhiều để bổ sung ngoài những gì hàng nghìn năm triết học đã nói. Nhưng tôi rất rõ ràng rằng một số thành phần sẽ cần thiết. Chúng có lẽ cần thiết nhưng chưa đủ. Những thứ như self-awareness (tự nhận thức) và ý tưởng về bản thân và người khác, một dạng liên tục theo thời gian.
Bàn luận về Ý thức và AGI
Một số điều này rõ ràng là cần thiết cho bất cứ thứ gì có thể trông giống như ý thức. Nhưng rõ ràng, đây vẫn là một câu hỏi mở về định nghĩa đầy đủ của nó, và tôi đã nói chuyện với nhiều triết gia vĩ đại về vấn đề này. Daniel Dennett, đáng buồn thay, đã qua đời gần đây, nhưng chúng tôi đã có một cuộc trò chuyện dài vài năm trước về điều này. Và tôi nghĩ, một trong những vấn đề là: Một hệ thống hành xử như thế nào? Nó có hành xử giống như một hệ thống có ý thức không? Vì vậy, bạn có thể lập luận rằng một số hệ thống AI có thể làm được điều đó khi chúng tiến gần đến AGI. Nhưng sau đó vẫn còn câu hỏi tại sao chúng ta nghĩ rằng người khác có ý thức? Một là cách chúng ta hành xử – chúng ta hành xử như những sinh vật có ý thức. Nhưng điều khác là, chúng ta đang chạy trên cùng một cơ chất. Vì vậy, tôi nghĩ rằng nếu những điều đó là đúng, thì việc tưởng tượng bạn đang trải nghiệm điều tương tự như tôi đang trải nghiệm là hợp lý, đó là lý do tại sao chúng ta không có cuộc tranh luận thông thường về việc liệu mỗi người có ý thức hay không. Nhưng tôi nghĩ, rõ ràng, chúng ta sẽ không bao giờ có sự tương đương cơ chất với một hệ thống nhân tạo. Vì vậy, sẽ luôn có một... Tôi nghĩ sẽ khó để thu hẹp hoàn toàn khoảng cách đó. Bạn có thể nhìn vào nó theo hành vi, nhưng còn về mặt trải nghiệm thì sao? Có lẽ có một số cách để làm điều đó sau AGI, nhưng điều đó hơi nằm ngoài phạm vi thảo luận hôm nay, ngay cả đối với AI cho khoa học.
Vâng. Tuyệt vời. Chúng ta sẽ mở phần hỏi đáp ngay bây giờ. Hãy chuẩn bị câu hỏi của bạn. Bạn đã nhắc đến các triết gia.
Triết học và Bản chất của Thực tại
Bạn đã đề cập đến Kant và Spinoza là hai trong số những triết gia yêu thích của bạn. Kant là một triết gia deontological (đạo đức học nghĩa vụ) rất coi trọng nghĩa vụ. Spinoza gần như có một cái nhìn định mệnh về vũ trụ. Làm thế nào để bạn kết nối hai niềm tin đó và quan điểm của bạn về cách thế giới vận hành là gì?
Chà, lý do tôi thích hai triết gia đó – họ nổi bật với tôi là vì tôi nghĩ Kant, khi tôi đang làm luận án PhD về neuroscience, những tuyên bố của ông ấy về việc tâm trí tạo ra thực tại, phải không? Tôi nghĩ điều đó về cơ bản là đúng. Và đó là một lý do khác để nghiên cứu tâm trí, phải không? Và cách bộ não hoạt động. Cuối cùng, tôi quan tâm đến bản chất của thực tại, vì vậy chúng ta phải hiểu cách tâm trí diễn giải điều đó. Đó là những gì tôi học được từ Kant. Còn Spinoza thì thiên về chiều kích mà bạn có thể gọi là tinh thần, như thể khi bạn cố gắng hiểu vũ trụ – trong trường hợp của tôi, sử dụng khoa học làm công cụ – bạn đang hiểu một bí ẩn sâu sắc về cách vũ trụ vận hành một cách thực sự... sâu sắc. Và đó là điều tôi cảm thấy chúng ta đang làm và tôi đang làm khi tôi thực hiện nghiên cứu khoa học và chúng ta làm việc về AI cũng như xây dựng những công cụ này; bằng cách nào đó, chúng ta đang đọc ngôn ngữ của vũ trụ.
Đẹp đẽ. Thật là một cách tuyệt vời để diễn tả công việc hàng ngày của bạn. Deis, nhà khoa học hay triết gia?
Câu hỏi nhanh
Trước khi kết thúc, chúng ta sẽ có một vài câu hỏi nhanh. Được thôi. Cảm ơn bạn. Anh ấy chưa thấy những câu hỏi này. Chắc chắn rồi. Về dự đoán thời điểm AGI xuất hiện?
Ồ, wow. Hay bạn từ chối tiền đề của câu hỏi?
Không. 2030. Tôi đã khá nhất quán về mốc thời gian đó.
Được. 2030. Một cuốn sách, bài thơ hoặc bài báo cần đọc khi chúng ta đạt được AGI?
Ồ, wow. Khi chúng ta đạt được nó. Vâng, cuốn sách yêu thích của tôi là The Fabric of Reality của David Deutsch. Tôi nghĩ điều đó vẫn có giá trị. Tôi hy vọng sẽ trả lời các câu hỏi trong cuốn sách đó cùng với AGI. Đó là công việc sau AGI của tôi.
Tuyệt vời.
Vâng. Khoảnh khắc đáng tự hào nhất cho đến nay tại DeepMind?
Ồ, wow. Chúng tôi đã may mắn có rất nhiều khoảnh khắc như vậy. Ý tôi là, có lẽ là AlphaFold.
Được.
Vâng. Bây giờ, một vài câu hỏi về trò chơi. Nếu bạn tham gia vào một trò chơi chiến lược có rủi ro cao, trò chơi chiến lược theo lượt.
Được. Như Civ, Polytopia, và bạn có thể chọn một nhà khoa học từ lịch sử. Chúng ta đang nghĩ đến những người như Einstein, Turing, Newton. Bạn sẽ chọn ai vào đội của mình?
Vào đội của tôi?
Vào đội của bạn?
Ồ, Chúa ơi. Có lẽ là Von Neumann, tôi nghĩ vậy. Ý tôi là, ông ấy là một game theorist (nhà lý thuyết trò chơi). Và tôi nghĩ ông ấy là người giỏi nhất.
Hoàn toàn hợp lý. Rõ ràng đó là cách bạn sẽ là một đồng đội tốt.
Vâng. Được rồi. Vâng. Chà, Dennis, bạn làm được tất cả. Cảm ơn bạn rất nhiều vì đã ở đây với chúng tôi. Hãy cùng tôi cảm ơn.
TL;DR
- Demis Hassabis đã theo đuổi mục tiêu xây dựng trí tuệ nhân tạo (AI) từ rất sớm, kết hợp kinh nghiệm từ cờ vua, phát triển game và khoa học thần kinh để thành lập DeepMind với tầm nhìn đạt được AI tổng quát (AGI).
- DeepMind đã vượt qua sự hoài nghi bằng cách tiên phong kết hợp học sâu (deep learning) và học tăng cường (reinforcement learning), tập trung vào nghiên cứu đột phá và cam kết mạnh mẽ với sứ mệnh AGI dài hạn.
- Tác động lớn nhất của AI là trong lĩnh vực khoa học, minh chứng qua thành công của AlphaFold trong sinh học và tiềm năng của các mô phỏng chính xác để cách mạng hóa y học, khoa học vật liệu và các hệ thống phức tạp khác.
Điểm chính
- Tầm nhìn dài hạn và kiên định: Demis Hassabis có một mục tiêu rõ ràng về AI từ khi còn thiếu niên và định hướng con đường sự nghiệp của mình (từ game đến khoa học thần kinh) để đạt được nó, nhấn mạnh tầm quan trọng của một tầm nhìn nhất quán.
- Cân bằng giữa tham vọng và tính khả thi: Bài học "đi trước 5 năm, không phải 50 năm" từ Elixir Studios cho thấy cần phải có tầm nhìn xa nhưng cũng phải thực tế về công nghệ và thời điểm chín muồi.
- Cách tiếp cận liên ngành: Thành công của DeepMind đến từ việc kết hợp độc đáo học sâu và học tăng cường, cùng với các ý tưởng từ khoa học thần kinh tính toán, minh chứng sức mạnh của việc tích hợp nhiều lĩnh vực.
- Vượt qua sự hoài nghi: DeepMind đã thành công khi tin vào tiềm năng của AGI trong bối cảnh giới học thuật và công nghiệp còn e ngại, thể hiện tầm quan trọng của niềm tin và sự sẵn sàng đi ngược dòng.
- AI làm công cụ cho khoa học: Sứ mệnh cốt lõi của DeepMind là sử dụng AI để thúc đẩy khoa học và y học, dẫn đến những đột phá như AlphaFold trong việc gấp protein và Isomorphic Labs trong khám phá thuốc.
- Cách mạng hóa khám phá thuốc: AI có khả năng chuyển 99% quá trình khám phá thuốc sang mô phỏng trên máy tính (
in silico), giảm thời gian phát triển từ nhiều năm xuống còn vài tháng, mở ra kỷ nguyên y học cá nhân hóa. - Sự ra đời của các ngành khoa học mới: AI không chỉ là một công cụ mà còn có thể tạo ra các ngành khoa học mới, bao gồm việc nghiên cứu chính các hệ thống AI và sử dụng AI để mô phỏng chính xác các hệ thống tự phát sinh phức tạp (ví dụ: trong khoa học xã hội).
- Học máy là ngôn ngữ mô tả hoàn hảo: Học máy được coi là công cụ lý tưởng để mô tả các hệ thống tự phát sinh như sinh học, nơi toán học truyền thống có thể không đủ mạnh để xử lý vô số tín hiệu yếu và dữ liệu khổng lồ.
Từ vựng
pioneer— người tiên phongGPU(Graphics Processing Unit) — Bộ xử lý đồ họablue sky research— nghiên cứu cơ bản/không giới hạnAGI(Artificial General Intelligence) — Trí tuệ nhân tạo tổng quátdeep learning— học sâureinforcement learning— học tăng cườngAlphaFold— Tên AI giải quyết bài toán gấp proteindrug discovery— khám phá thuốcin silico— trên máy tính (chỉ mô phỏng)emergent systems— hệ thống tự phát sinh
Nội dung chi tiết
Lời mở đầu
Chào mừng Dennis. Rất vui được có mặt ở đây. Cảm ơn mọi người đã đến. Thật tuyệt khi được ở đây. Chúng tôi rất vinh dự khi có bạn tại "nhà máy sản xuất sô cô la" của chúng tôi. Vâng, tôi vừa nghe nói về điều đó. Rất mong chờ được thưởng thức sô cô la sau buổi này. Tuyệt vời. Dennis, chúng ta sẽ bắt đầu ngay. Chúng ta có một trong những người tiên phong (OG) theo mọi nghĩa – những nhà tư tưởng, người sáng lập và nhà tiên phong trong mọi lĩnh vực AI, một nhà khoa học thực thụ, người có niềm tin sắt đá. Chúng ta sẽ dành phần đầu cuộc trò chuyện để nói về những ngày đầu, sau đó là những ngày đầu của DeepMind, và rồi chúng ta sẽ đi sâu vào khoa học và mở phần hỏi đáp. Vậy, hãy bắt đầu ngay.
Hành trình đa dạng và sợi dây liên kết với AI
Demis, bạn từng là một thần đồng cờ vua. Bạn cũng là người sáng lập một công ty trò chơi, một nhà thần kinh học, và là người sáng lập DeepMind, hiện đang lãnh đạo một công ty lớn và có tầm ảnh hưởng. Những vai trò này có vẻ khá không liên quan, nhưng bạn đã nói rằng có một sợi dây xuyên suốt. Bạn có thể giải thích rõ hơn không?
Có một sợi dây xuyên suốt, và có lẽ tôi đã biến nó thành một sợi dây chung để nó có thể là một sự định hình sau đó theo kiểu post hoc... nhưng tôi đã muốn làm AI từ rất lâu rồi. Tôi đã quyết định rằng đó là điều quan trọng nhất và thú vị nhất mà tôi có thể làm trong những năm thiếu niên của mình. Sau đó, tôi chọn những thứ để học hoặc làm mà tôi cảm thấy cuối cùng sẽ giúp tôi xây dựng một công ty như DeepMind. Vì vậy, tôi đã có kế hoạch đó từ khoảng 15, 16 tuổi.
Tôi đã có một cuộc "đi đường vòng" vào ngành game vì thực ra đó là những năm 90. Đây là nơi mà tất cả các công nghệ tiên tiến nhất đang được thực hiện. Rõ ràng là không chỉ trong AI mà đặc biệt là trong đồ họa, bao gồm cả phần cứng. Tất nhiên, các GPU mà chúng ta sử dụng ngày nay được thiết kế cho các graphics engine và tôi đã sử dụng những GPU đầu tiên vào cuối những năm 90.
Vì vậy, có rất nhiều công nghệ thực sự tiên tiến và tất cả các trò chơi tôi tạo ra, bao gồm tất cả các trò chơi tôi làm cho Bullfrog, nhưng cũng là công ty của riêng tôi, Elixir Studios, đều có AI là thành phần chính của gameplay. Có lẽ trò chơi nổi tiếng nhất mà tôi tạo ra là Theme Park khi tôi khoảng 17 tuổi, và đó là một mô phỏng công viên giải trí, nơi hàng nghìn người nhỏ bé đến công viên của bạn, chơi các trò chơi và quyết định mua gì từ các cửa hàng. Vì vậy, có một toàn bộ mô hình economics AI bên dưới và đó là một trong những trò chơi đầu tiên thuộc loại này cùng với Sim City. Và khi tôi thấy nó bán được hơn 10 triệu bản, và khi tôi thấy mọi người thích thú khi tương tác với AI đến mức nào, đó là một trong những điều khiến tôi nghĩ đến việc dành cả sự nghiệp cho nó.
Và sau đó, tất nhiên, khoa học thần kinh là để lấy cảm hứng từ cách bộ não hoạt động và các ý tưởng thuật toán khác nhau từ đó. Sau đó, chỉ cần kết hợp tất cả những điều đó lại với nhau để khởi đầu DeepMind khi chúng tôi cảm thấy thời điểm đã chín muồi. Và tất nhiên, chúng tôi đã sử dụng trò chơi làm sân thử nghiệm ban đầu cho các ý tưởng AI của mình.
Bài học từ Elixir Studios: Đi trước thời đại 5 năm
Ở đây chúng ta có một căn phòng đầy những người sáng lập và bạn có thể đồng cảm vì bạn là người sáng lập không chỉ một mà hai lần. Hãy đưa chúng tôi trở lại lần đầu tiên với Elixir Studios. Nó như thế nào? Đó không phải là công ty khởi nghiệp nổi tiếng nhất của bạn, nhưng bạn đã đạt được thành công đáng kinh ngạc với nó. Bạn đã lãnh đạo nó như thế nào? Và nó đã dạy bạn điều gì về việc xây dựng?
Chà, tôi đã thành lập Elixir Studios ngay sau khi ra trường. Và tôi may mắn được làm việc tại Bullfrog Productions, đối với những người biết về game, đó là một studio game huyền thoại trong những ngày đầu của ngành công nghiệp game, có lẽ là tốt nhất ở Anh, ở Châu Âu. Và tôi muốn làm một cái gì đó kết hợp đẩy mạnh AI. Vì vậy, về cơ bản, tôi đã tài trợ cho AI vào thời điểm đó bằng cách gián tiếp thông qua phát triển game. Và sau đó đẩy ranh giới của điều đó và kết hợp nó với sự sáng tạo tiên tiến. Và tôi nghĩ điều đó vẫn còn phù hợp ngày nay với cách chúng ta thực hiện nghiên cứu blue sky của mình.
Nhưng có lẽ bài học lớn nhất tôi học được là bạn muốn đi trước thời đại 5 năm, chứ không phải 50 năm. Vì vậy, chúng tôi đã cố gắng làm một trò chơi có tên là Republic tại Elixir Studios, mô phỏng cả một đất nước và ý tưởng của trò chơi là bạn có thể lật đổ một nhà độc tài đang cai trị đất nước bằng nhiều cách khác nhau. Chúng tôi về cơ bản đã mô phỏng những thành phố sống động, và điều này cần lưu ý là vào cuối những năm 90 trên một máy tính Pentium. Vì vậy, chúng tôi phải làm cho tất cả đồ họa và tất cả AI cho một triệu người hoạt động trên một máy tính cá nhân tại thời điểm đó. Vì vậy, nó hơi tham vọng và có lẽ là quá tham vọng, và nó đã gây ra một số vấn đề. Và tôi đã rút ra bài học đó rằng bạn muốn đi trước thời đại. Rõ ràng là khi điều gì đó đã rõ ràng với tất cả mọi người thì đã quá muộn. Nhưng nếu bạn đi trước 50 năm, thì có lẽ không có cách nào để bạn đạt được thành công.
Thành lập DeepMind: Nhìn thấy tiềm năng khi người khác hoài nghi
Được rồi. Nói về việc không đi quá xa trước thời đại, đó là năm 2009 và bạn đã quyết định rằng sẽ có AGI.
Vâng. Có lẽ nó chỉ đi trước thời đại của chúng ta 10 năm vào thời điểm đó. Tốt hơn 50 năm.
Vậy, hãy nói cho chúng tôi về năm 2009. Bạn đã thuyết phục những tài năng xuất chúng đầu tiên như thế nào, bởi vì bạn đã thu hút được những nhân viên, thành viên đội ngũ đầu tiên có năng lực rất cao? Làm thế nào bạn thuyết phục họ tin vào điều mà lúc đó dường như hoàn toàn là sci-fi?
Chà, có một số luồng thú vị mà tôi nghĩ chúng tôi đã nắm bắt được. Tôi nghĩ chúng tôi đã nghĩ rằng mình đi trước 5 năm, nhưng có lẽ chúng tôi đi trước khoảng 10 năm. Nhưng đó là, deep learning vừa mới được phát minh bởi Jeff Hinton và các đồng nghiệp trong giới học thuật, nhưng hầu như không ai thực sự nhận ra đó là một điều lớn lao. Chúng tôi biết rất nhiều về reinforcement learning và chúng tôi cảm thấy có thể đạt được tiến bộ lớn bằng cách kết hợp hai kỹ thuật này mà hầu như chưa bao giờ được trộn lẫn với nhau, chắc chắn không phải theo bất kỳ cách nào khác ngoài các bài toán đồ chơi trong các môn học thuật. Đó là hai phần khá riêng biệt của AI.
Sau đó, chúng tôi có thể thấy khả năng tính toán – các GPU vào thời điểm đó sẽ thực sự hữu ích. Tất nhiên chúng tôi sử dụng TPU bây giờ. Nhưng ngành công nghiệp accelerated computing sẽ rất hữu ích. Và sau đó chúng tôi cũng cảm thấy, vào cuối chương trình tiến sĩ và postdoc của tôi và một số người khác mà tôi tập hợp lại là các nhà khoa học thần kinh tính toán, rằng chúng tôi có đủ ý tưởng và nguyên tắc từ bộ não có thể hữu ích, bao gồm cả ý tưởng rằng reinforcement learning cuối cùng có thể mở rộng quy mô lên AGI.
Vì vậy, chúng tôi cảm thấy mình có những nguyên liệu này và chúng tôi gần như cảm thấy như mình là những người giữ một bí mật vì không ai, cả trong giới học thuật hay công nghiệp, thực sự tin rằng có bất kỳ tiến bộ lớn nào là có thể. Trên thực tế, rất nhiều người trong giới học thuật thường, bạn biết đấy, thực sự đảo mắt nhìn chúng tôi khi chúng tôi đề xuất rằng chúng tôi sẽ làm việc với AGI hoặc strong AI như đôi khi nó được gọi vào thời điểm đó, bởi vì họ cho rằng: "Chà, chúng tôi biết điều này không hiệu quả. Mọi người đã thử nó vào những năm 90 rồi."
Tôi đã làm postdoc tại MIT, nơi từng là trung tâm của các expert systems và tất cả các hệ thống logic language đầu tiên. Ý tôi là, thật đáng kinh ngạc khi nghĩ về điều đó bây giờ, nhưng tôi đã cảm thấy rằng điều đó đã lỗi thời vào thời điểm đó, nhưng họ vẫn thực hiện như vậy ở cả Cambridge ở Anh và cả MIT, những trung tâm lớn của AI truyền thống. Và tôi cảm thấy, nhưng thực ra điều đó càng thuyết phục tôi hơn rằng chúng tôi đang đi đúng hướng, bởi vì ít nhất nếu chúng tôi thất bại, chúng tôi sẽ thất bại theo một cách khác so với cách mọi người đã thất bại để đạt được AGI vào những năm 90. Vì vậy, điều đó cảm thấy đáng để làm cho dù thế nào đi nữa, ngay cả khi rõ ràng đó là nghiên cứu, chúng tôi không biết chắc chắn nó sẽ thành công, nhưng ít nhất chúng tôi sẽ thất bại theo một cách độc đáo nếu nó không hoạt động.
Có bất kỳ điểm mấu chốt chung nào trong niềm tin ban đầu đó không? Có điều gì mà bạn phải chứng minh cho bản thân hoặc cho những người theo dõi ban đầu của mình để họ ủng hộ không?
Chà, tôi đã... nói thế này, tôi sẽ dành cả đời mình cho AI cho dù điều gì xảy ra. Vì vậy, như đã diễn ra, nó đã đi theo hướng lạc quan một cách tuyệt vời so với những gì chúng tôi nghĩ. Vẫn thực sự nằm trong những gì chúng tôi đã dự đoán vào năm 2010. Chúng tôi nghĩ đó sẽ là một sứ mệnh 20 năm. Và tôi nghĩ chúng ta về cơ bản đang đi đúng hướng với lĩnh vực này. Và rõ ràng chúng tôi đã đóng góp một phần vào đó.
Nhưng ngay cả khi điều đó không xảy ra theo cách đó và nó vẫn chỉ là một chủ đề nhỏ, đó vẫn là điều tôi sẽ làm, bởi vì tôi cảm thấy đó là công nghệ quan trọng nhất từ trước đến nay, nếu điều đó hiển nhiên đối với tôi. Bạn biết đấy, tuyên bố sứ mệnh ban đầu của chúng tôi tại DeepMind là: "Bước một: giải quyết trí tuệ, tức là xây dựng AGI. Bước hai: sử dụng nó để giải quyết mọi thứ khác." Vì vậy, tôi luôn nghĩ rằng đó là công nghệ quan trọng nhất từng được phát minh, nhưng cũng là công nghệ thú vị nhất.
Là một công cụ cho khoa học, là một tạo tác thú vị tự thân nó, và thực sự là một trong những cách tốt nhất để hiểu tâm trí của chính chúng ta, bạn biết đấy, như bản chất của ý thức, giấc mơ, sự sáng tạo, tất cả những câu hỏi mà tôi có với tư cách là một nhà thần kinh học. Tôi cảm thấy một trong những điều còn thiếu là một công cụ phân tích như AI, nhưng cũng là một sự so sánh mà bạn có thể thực hiện một thí nghiệm kiểm soát và nghiên cứu, so sánh hai hệ thống khác nhau với nhau.
AI vì khoa học: Từ AlphaGo đến AlphaFold
Hãy nói về AI vì khoa học. Bạn là người tiên phong trong lĩnh vực đó. Bạn đã là một người có niềm tin sắt đá và thực sự là một người theo chủ nghĩa thuần túy về điều này, rằng đây là sứ mệnh thúc đẩy. Điều gì trong cách bạn thiết lập DeepMind và định hình văn hóa đã giúp nó luôn đi đầu trong AI vì khoa học?
Chà, đó là mục tiêu cuối cùng, ít nhất là đối với tôi, niềm đam mê cá nhân của tôi. Có một động lực riêng của tôi để xây dựng AI, đó là để thúc đẩy khoa học và y học cũng như sự hiểu biết của chúng ta về thế giới. Sự thể hiện sứ mệnh đó của tôi là thực hiện nó một cách meta, đúng không? Xây dựng công cụ tối thượng và sau đó quay lại khi nó sẵn sàng và sử dụng nó để tạo ra những đột phá trong khoa học, những thứ như AlphaFold mà chúng tôi đã làm và tôi nghĩ còn nhiều điều nữa.
Vì vậy, chúng tôi luôn có điều đó là trọng tâm của những gì chúng tôi đã cố gắng làm tại DeepMind. Trên thực tế, chúng tôi đã có một nhóm, một bộ phận AI for Science do Pushmeet Kohli lãnh đạo đã tồn tại gần một thập kỷ nay, thực ra gần như ngay sau khi chúng tôi trở về từ Seoul sau trận đấu AlphaGo, tức là khoảng 10 năm trước. Đó là khi chúng tôi chính thức bắt đầu các nỗ lực AI for Science vì tôi đã chờ đợi các thuật toán đủ mạnh và các ý tưởng đủ tổng quát. Và đối với tôi, việc đánh bại Go là điểm mốc đó, thời điểm đó, chúng tôi nghĩ: "Được rồi, bây giờ chúng tôi đã sẵn sàng thực sự áp dụng những ý tưởng này vào các vấn đề quan trọng trong thế giới thực, bắt đầu với những thách thức khoa học lớn này." Vì vậy, chúng tôi luôn có điều đó trong tâm trí như là việc sử dụng AI mang lại lợi ích nhất: còn gì tuyệt vời hơn việc sử dụng nó để, bạn biết đấy, chữa bệnh và mang lại cho chúng ta tuổi thọ khỏe mạnh hơn, và giúp đỡ y học, tiếp theo rõ ràng là các lĩnh vực thực sự quan trọng khác như khoa học vật liệu, môi trường và năng lượng, và những loại chủ đề mà tôi nghĩ AI cũng sẽ đóng một vai trò rất lớn trong vài năm tới.
Đột phá của AI trong sinh học
Và AI đã tạo ra đột phá như thế nào trong sinh học? Bạn tham gia sâu vào Isomorphic, đây là một lĩnh vực bạn rất đam mê. Bạn đã là một người theo chủ nghĩa thuần túy về tiềm năng của AI để chữa bệnh ngay từ đầu. Khi nào chúng ta sẽ có khoảnh khắc đột phá như chúng ta đã có trong ngôn ngữ và lập trình (coding), nhưng trong sinh học?
Vâng. Tôi nghĩ chúng ta đã có một khoảnh khắc như vậy với AlphaFold.
Đổi mới Y học và Khoa học
Việc giải quyết bài toán gấp protein và cấu trúc 3D của protein là một thách thức lớn trong 50 năm qua. Hiểu rõ điều này cực kỳ quan trọng nếu chúng ta muốn thiết kế thuốc hoặc hiểu về sinh học. Tất nhiên, đây chỉ là một phần trong quy trình drug discovery (khám phá thuốc). Isomorphic Labs, công ty mới nhất của chúng tôi, đang xây dựng các công nghệ liền kề trong không gian sinh hóa và hóa học để có thể tự động thiết kế các hợp chất phù hợp và liên kết với đúng phần của protein. Giờ đây, chúng ta biết hình dạng của protein, những gì có trên bề mặt protein và những gì chúng ta phải nhắm mục tiêu. Tiếp theo, chúng ta phải xây dựng hợp chất phù hợp, tất nhiên là liên kết mạnh mẽ với vị trí mong muốn trên mục tiêu quan tâm nhưng lý tưởng là không liên kết với bất kỳ thứ gì khác, vì điều đó sẽ gây ra tác dụng phụ độc hại.
Ước mơ là thực hiện gần như toàn bộ quá trình khám phá - chiếm 99% công việc và thời gian - in silico (trên máy tính) và sau đó chỉ dành bước wet lab (thử nghiệm trong phòng thí nghiệm) cho bước xác nhận. Nếu chúng ta có thể làm được điều đó, tôi nghĩ chúng ta có thể giảm thời gian khám phá thuốc từ mức trung bình 10 năm xuống còn vài tháng, thậm chí vài tuần, và có thể một ngày nào đó là vài ngày. Khi đó, tất cả các bệnh tật có thể nằm trong tầm kiểm soát, và những thứ như personalized medicine (y học cá nhân hóa) sẽ trở nên khả thi, như các biến thể cá nhân hóa của các loại thuốc cơ bản. Tôi nghĩ toàn bộ lĩnh vực y tế và drug discovery sẽ được cách mạng hóa trong vài năm tới.
AI và Sự Ra Đời của Các Khoa học Mới
Bạn đã nói nhiều về AI for science (AI cho khoa học). Liệu có lúc nào AI sẽ tạo ra các ngành khoa học mới, giống như cuộc cách mạng công nghiệp và nhiệt động lực học không? Liệu có điều gì đó mới mẻ được dạy một cách cơ bản trong hệ thống giáo dục của chúng ta không? Và nếu có, nó sẽ như thế nào?
Tôi nghĩ có một số điều sẽ xảy ra theo hướng đó. Trước hết, việc hiểu và phân tích các hệ thống AI tự thân sẽ trở thành một ngành khoa học hoàn chỉnh, một dạng khoa học kỹ thuật. Đây là những tạo tác vô cùng thú vị mà chúng ta đang xây dựng, và chúng cũng vô cùng phức tạp, cuối cùng sẽ phức tạp như tâm trí và bộ não con người. Vì vậy, chúng sẽ cần được nghiên cứu để chúng ta có thể hiểu đầy đủ cách các hệ thống này hoạt động, vượt xa những gì chúng ta đang có hiện nay. Vì vậy, tôi nghĩ có cả một lĩnh vực mà mech là một phần trong đó, nhưng còn nhiều điều nữa chúng ta có thể làm để phân tích các hệ thống này.
Đó sẽ là một ngành khoa học, nhưng tôi cũng nghĩ rằng AI tự nó có thể mở khóa các ngành khoa học mới, đó có lẽ là điều bạn muốn nói. Điều mà tôi đặc biệt hào hứng là AI for simulations (AI cho các mô phỏng). Tôi yêu các mô phỏng. Tất cả các trò chơi tôi viết không chỉ có AI mà còn là các mô phỏng. Và tôi nghĩ mô phỏng là cách chúng ta có thể giải quyết một số vấn đề mà chúng ta có thể coi là khoa học xã hội, như kinh tế học và các môn nhân văn khác, bởi vì rất khó để thực hiện các nghiên cứu kiểm soát trong các lĩnh vực đó. Tại sao chúng không chỉ là các ngành khoa học như vật lý ngày nay? Bởi vì vấn đề là chúng là các emergent systems (hệ thống tự phát sinh), giống như sinh học vậy, và rất khó để thực hiện các thí nghiệm kiểm soát lặp đi lặp lại. Nếu bạn tăng lãi suất thêm nửa phần trăm, bạn phải làm điều đó trong thế giới thực và sau đó xem điều gì xảy ra. Bạn có thể có các lý thuyết nhưng không thể chạy nó hàng nghìn lần. Nhưng nếu bạn có thể mô phỏng mọi thứ thực sự chính xác, thì có lẽ có những ngành khoa học mới có thể được thực hiện, nơi bạn có thể lấy mẫu một cách nghiêm ngặt từ một simulator (trình mô phỏng) rất chính xác. Và tôi nghĩ điều đó sẽ cho phép chúng ta đưa ra các quyết định tốt hơn nhiều trong các lĩnh vực hiện nay vốn rất không chắc chắn.
Đạt được Các Mô phỏng Chính xác và Mô Hình Thế Giới
Cần những gì để đạt được những mô phỏng cực kỳ chính xác, các world models (mô hình thế giới)? Cần loại khoa học và kỹ thuật nào để cùng thực hiện điều đó?
Vâng, tôi đang suy nghĩ rất nhiều về điều đó. Chúng tôi đang thực hiện rất nhiều công việc tương tự như học các simulator cơ bản. Điều này áp dụng cho các lĩnh vực mà chúng ta không biết toán học đủ rõ hoặc nó có lẽ quá phức tạp. Chúng ta không thể chỉ viết trực tiếp một simulator trường hợp đặc biệt. Nó không đủ chính xác, không nắm bắt được tất cả các biến. Chúng tôi đã làm điều đó với thời tiết. Chúng tôi có loại simulator thời tiết chính xác nhất thế giới, WeatherNext, và nó nhanh hơn nhiều so với những gì các nhà khí tượng học sử dụng.
Vậy chúng ta đã điều khiển được thời tiết chưa?
Không, chúng tôi chưa thể, và tôi cũng không chắc đó là một ý hay. Nhưng bước đầu tiên là hiểu rõ hơn. Thậm chí cả sinh học, chúng tôi đang nghiên cứu một thứ mà tôi gọi là "tế bào ảo". Đó là một emergent system cực kỳ năng động. Và tôi nghĩ sinh học hoàn hảo, kiểu như machine learning (học máy) là ngôn ngữ mô tả hoàn hảo cho sinh học, theo cách mà toán học là cho vật lý. Bởi vì tôi nghĩ trong sinh học và nhiều hệ thống tự nhiên này, bạn có vô số tín hiệu yếu, tương quan yếu, rất nhiều dữ liệu, quá nhiều để trí óc con người có thể phân tích, nhưng có những kết nối và tương quan và những nguyên nhân thú vị trong khối dữ liệu đó. Vì vậy, tôi nghĩ machine learning luôn là công cụ hoàn hảo để mô tả những loại hệ thống mà cho đến nay toán học chưa thể làm được, hoặc là vì chúng ta không thể quản lý được nó với tư cách là những nhà toán học hàng đầu vì quá phức tạp, hoặc là sức mạnh biểu đạt của toán học không đủ để hiểu những hệ thống động học tự phát sinh cao như vậy.
Liệu đó cũng là vì sự lộn xộn và bản chất ngẫu nhiên?
Chắc chắn rồi. Và tôi muốn nói rằng, một khi bạn học được các simulator này, có thể có một nhánh khoa học mới khác mà bạn có thể trích xuất một số phương trình từ simulator đó. Vì vậy, bạn có simulator ẩn, simulator trực quan này và sau đó có thể trích xuất các phương trình rõ ràng từ đó, một phần vì bạn cũng có thể lấy mẫu nó bao nhiêu lần tùy thích.
Giống như Maxwell's equations (phương trình Maxwell) hay gì đó mang tính cơ bản?
Có thể, nếu tôi không biết liệu điều đó có tồn tại cho các emergent systems như vậy không. Nhưng nếu chúng tồn tại, tôi không thấy lý do tại sao chúng ta lại không thể tìm thấy chúng bằng các phương pháp này.
Thông tin là Nền tảng và Máy Turing
Điều đó thật tuyệt vời. Bạn đã nói về lý thuyết này rằng khối xây dựng cơ bản của mọi thứ trong vũ trụ có thể là thông tin, điều này mang tính lý thuyết hơn. Bạn nghĩ gì về điều đó và nó có ý nghĩa gì đối với một máy tính Turing cổ điển truyền thống?
Chà, tôi nghĩ tất nhiên, tất cả những công thức nổi tiếng như E=mc² và tất cả những gì Einstein đã làm, năng lượng và vật chất đều tương đương. Nhưng tôi thực sự nghĩ thông tin cũng có một loại tương đương theo cách tương tự. Vì vậy, bạn có thể nghĩ về tổ chức của vật chất và cấu trúc, đặc biệt là những thứ như sinh học đang chống lại entropy (độ hỗn loạn), về cơ bản là các hệ thống xử lý thông tin tại cốt lõi của chúng. Vì vậy, tôi nghĩ người ta có thể chuyển đổi cả ba loại đại lượng đó thành nhau. Nhưng tôi có cảm giác thông tin là cơ bản nhất. Vì vậy, nó hơi ngược lại so với cách các nhà vật lý cổ điển nghĩ vào những năm 1920, nơi mà năng lượng và vật chất là chính. Tôi thực sự nghĩ rằng một cách tốt hơn để hiểu thế giới, vũ trụ là nghĩ về nó như thông tin trước tiên. Và nếu điều đó là đúng, và tôi nghĩ có khá nhiều bằng chứng cho điều đó, thì tất nhiên AI thậm chí còn sâu sắc hơn theo một nghĩa hoàn toàn khác so với những gì chúng ta nghĩ, và nó đã khá sâu sắc rồi, bởi vì nó cũng là về việc tổ chức thông tin và hiểu thông tin và xây dựng các đối tượng thông tin. Vì vậy, AI theo ý kiến của tôi là tất cả về xử lý thông tin. Vì vậy, tôi nghĩ có điều gì đó rất sâu sắc kết nối với các lĩnh vực khác nhau này nếu bạn nhìn nhận nó qua lăng kính xử lý thông tin là cách chính để suy nghĩ về nó.
Và bạn nghĩ một classical Turing machine (máy Turing cổ điển) sẽ có thể tính toán mọi thứ không?
Chà, đôi khi tôi nghĩ về những gì chúng ta đang làm và tự gọi mình là "nhà vô địch của Turing" vì tôi nghĩ Alan Turing là một trong những anh hùng khoa học yêu thích mọi thời đại của tôi. Tôi nghĩ những gì ông ấy đã làm rõ ràng đã đặt nền móng cho khoa học máy tính mà còn cả AI. Và tôi nghĩ đó là một trong những kết quả sâu sắc nhất từ trước đến nay là kết quả về Turing machine. Bạn biết đấy, mọi thứ có thể tính toán đều có thể được tính toán bằng một mô tả tương đối đơn giản về một cỗ máy. Vì vậy, tôi nghĩ bộ não của chúng ta có khả năng là các approximate Turing machines (máy Turing gần đúng).
Và tôi nghĩ điều thú vị là suy nghĩ về mối liên hệ giữa các Turing machines và quantum computers (máy tính lượng tử) và các quantum systems (hệ thống lượng tử). Nhưng tôi nghĩ ít nhất những gì chúng ta đã chứng minh với những thứ như AlphaGo và đặc biệt là AlphaFold là một classical Turing machine, rõ ràng dưới hình thức của một neural network (mạng nơ-ron) hiện đại, có thể mô hình hóa cái mà người ta từng nghĩ là một quantum system trong trường hợp gấp protein. Bạn biết đấy, theo một nghĩa nào đó, nó đang xử lý các hạt rất nhỏ. Và người ta có thể nghĩ rằng bạn sẽ phải tính đến tất cả các hiệu ứng lượng tử của các liên kết nước và mọi thứ khác, nhưng hóa ra bạn có thể đạt được giải pháp tối ưu gần đúng trên một classical system. Vì vậy, có thể hóa ra rằng nhiều thứ mà chúng ta nghĩ là sẽ cần một quantum system để mô hình hóa hoặc chạy, có thể được mô hình hóa trên một classical system nếu được suy nghĩ đúng cách.
AI như một Công cụ và Con đường đến AGI
Vậy là bạn đã luôn nói về AI như một tool (công cụ), giống như kính thiên văn hay kính hiển vi, hay kính thiên văn đo góc qua nhiều thế kỷ. Nhưng khi bạn nghĩ về một cỗ máy có thể mô hình hóa gần như mọi thứ, giả sử nó thậm chí không thể mô hình hóa các quantum systems như bạn đã chỉ ra, thì khi nào nó sẽ ngừng là một công cụ và liệu điều đó có bao giờ xảy ra không?
Chà, cảm nhận mạnh mẽ của tôi là chúng ta nên trong sứ mệnh và hành trình xây dựng AGI (Trí tuệ nhân tạo tổng quát), những người trong chúng ta trên hành trình đó, nhiều người trong căn phòng này, tôi cảm thấy sẽ tốt nhất nếu xây dựng một tool trước, một tool cực kỳ thông minh, hữu ích và chính xác. Và sau đó mới vượt qua mốc tiếp theo vốn đã đủ sâu sắc rồi. Và tất nhiên, công cụ đó có thể bắt đầu trở nên ngày càng autonomous (tự chủ) và giống agent (tác nhân) hơn mà tất cả chúng ta đang thấy. Chúng ta đang ở giữa kỷ nguyên agent (the agent era) ngay bây giờ.
Nhưng sau đó có một bước tiếp theo là liệu nó có agency (quyền tự quyết) không? Nó có conscious (ý thức) không? Những câu hỏi kiểu này cũng sẽ là những câu hỏi chúng ta cần giải quyết. Nhưng tôi sẽ khuyên rằng chúng ta nên làm điều đó như một bước thứ hai, có lẽ sử dụng công cụ ở bước đầu tiên để giúp chúng ta giải quyết những câu hỏi sâu sắc tiếp theo đó. Và lý tưởng là chúng ta cũng có thể hiểu rõ hơn về bộ não và tâm trí của chính mình, và định nghĩa những thứ như consciousness (ý thức) chính xác hơn nhiều so với hiện tại.
Bạn có ước tính nào về định nghĩa của consciousness đó có thể trông như thế nào không?
Không, ý tôi là tôi không có gì nhiều để bổ sung ngoài những gì hàng nghìn năm triết học đã nói. Nhưng tôi rất rõ ràng rằng một số thành phần sẽ cần thiết. Chúng có lẽ cần thiết nhưng chưa đủ. Những thứ như self-awareness (tự nhận thức) và ý tưởng về bản thân và người khác, một dạng liên tục theo thời gian.
Bàn luận về Ý thức và AGI
Một số điều này rõ ràng là cần thiết cho bất cứ thứ gì có thể trông giống như ý thức. Nhưng rõ ràng, đây vẫn là một câu hỏi mở về định nghĩa đầy đủ của nó, và tôi đã nói chuyện với nhiều triết gia vĩ đại về vấn đề này. Daniel Dennett, đáng buồn thay, đã qua đời gần đây, nhưng chúng tôi đã có một cuộc trò chuyện dài vài năm trước về điều này. Và tôi nghĩ, một trong những vấn đề là: Một hệ thống hành xử như thế nào? Nó có hành xử giống như một hệ thống có ý thức không? Vì vậy, bạn có thể lập luận rằng một số hệ thống AI có thể làm được điều đó khi chúng tiến gần đến AGI. Nhưng sau đó vẫn còn câu hỏi tại sao chúng ta nghĩ rằng người khác có ý thức? Một là cách chúng ta hành xử – chúng ta hành xử như những sinh vật có ý thức. Nhưng điều khác là, chúng ta đang chạy trên cùng một cơ chất. Vì vậy, tôi nghĩ rằng nếu những điều đó là đúng, thì việc tưởng tượng bạn đang trải nghiệm điều tương tự như tôi đang trải nghiệm là hợp lý, đó là lý do tại sao chúng ta không có cuộc tranh luận thông thường về việc liệu mỗi người có ý thức hay không. Nhưng tôi nghĩ, rõ ràng, chúng ta sẽ không bao giờ có sự tương đương cơ chất với một hệ thống nhân tạo. Vì vậy, sẽ luôn có một... Tôi nghĩ sẽ khó để thu hẹp hoàn toàn khoảng cách đó. Bạn có thể nhìn vào nó theo hành vi, nhưng còn về mặt trải nghiệm thì sao? Có lẽ có một số cách để làm điều đó sau AGI, nhưng điều đó hơi nằm ngoài phạm vi thảo luận hôm nay, ngay cả đối với AI cho khoa học.
Vâng. Tuyệt vời. Chúng ta sẽ mở phần hỏi đáp ngay bây giờ. Hãy chuẩn bị câu hỏi của bạn. Bạn đã nhắc đến các triết gia.
Triết học và Bản chất của Thực tại
Bạn đã đề cập đến Kant và Spinoza là hai trong số những triết gia yêu thích của bạn. Kant là một triết gia deontological (đạo đức học nghĩa vụ) rất coi trọng nghĩa vụ. Spinoza gần như có một cái nhìn định mệnh về vũ trụ. Làm thế nào để bạn kết nối hai niềm tin đó và quan điểm của bạn về cách thế giới vận hành là gì?
Chà, lý do tôi thích hai triết gia đó – họ nổi bật với tôi là vì tôi nghĩ Kant, khi tôi đang làm luận án PhD về neuroscience, những tuyên bố của ông ấy về việc tâm trí tạo ra thực tại, phải không? Tôi nghĩ điều đó về cơ bản là đúng. Và đó là một lý do khác để nghiên cứu tâm trí, phải không? Và cách bộ não hoạt động. Cuối cùng, tôi quan tâm đến bản chất của thực tại, vì vậy chúng ta phải hiểu cách tâm trí diễn giải điều đó. Đó là những gì tôi học được từ Kant. Còn Spinoza thì thiên về chiều kích mà bạn có thể gọi là tinh thần, như thể khi bạn cố gắng hiểu vũ trụ – trong trường hợp của tôi, sử dụng khoa học làm công cụ – bạn đang hiểu một bí ẩn sâu sắc về cách vũ trụ vận hành một cách thực sự... sâu sắc. Và đó là điều tôi cảm thấy chúng ta đang làm và tôi đang làm khi tôi thực hiện nghiên cứu khoa học và chúng ta làm việc về AI cũng như xây dựng những công cụ này; bằng cách nào đó, chúng ta đang đọc ngôn ngữ của vũ trụ.
Đẹp đẽ. Thật là một cách tuyệt vời để diễn tả công việc hàng ngày của bạn. Deis, nhà khoa học hay triết gia?
Câu hỏi nhanh
Trước khi kết thúc, chúng ta sẽ có một vài câu hỏi nhanh. Được thôi. Cảm ơn bạn. Anh ấy chưa thấy những câu hỏi này. Chắc chắn rồi. Về dự đoán thời điểm AGI xuất hiện?
Ồ, wow. Hay bạn từ chối tiền đề của câu hỏi?
Không. 2030. Tôi đã khá nhất quán về mốc thời gian đó.
Được. 2030. Một cuốn sách, bài thơ hoặc bài báo cần đọc khi chúng ta đạt được AGI?
Ồ, wow. Khi chúng ta đạt được nó. Vâng, cuốn sách yêu thích của tôi là The Fabric of Reality của David Deutsch. Tôi nghĩ điều đó vẫn có giá trị. Tôi hy vọng sẽ trả lời các câu hỏi trong cuốn sách đó cùng với AGI. Đó là công việc sau AGI của tôi.
Tuyệt vời.
Vâng. Khoảnh khắc đáng tự hào nhất cho đến nay tại DeepMind?
Ồ, wow. Chúng tôi đã may mắn có rất nhiều khoảnh khắc như vậy. Ý tôi là, có lẽ là AlphaFold.
Được.
Vâng. Bây giờ, một vài câu hỏi về trò chơi. Nếu bạn tham gia vào một trò chơi chiến lược có rủi ro cao, trò chơi chiến lược theo lượt.
Được. Như Civ, Polytopia, và bạn có thể chọn một nhà khoa học từ lịch sử. Chúng ta đang nghĩ đến những người như Einstein, Turing, Newton. Bạn sẽ chọn ai vào đội của mình?
Vào đội của tôi?
Vào đội của bạn?
Ồ, Chúa ơi. Có lẽ là Von Neumann, tôi nghĩ vậy. Ý tôi là, ông ấy là một game theorist (nhà lý thuyết trò chơi). Và tôi nghĩ ông ấy là người giỏi nhất.
Hoàn toàn hợp lý. Rõ ràng đó là cách bạn sẽ là một đồng đội tốt.
Vâng. Được rồi. Vâng. Chà, Dennis, bạn làm được tất cả. Cảm ơn bạn rất nhiều vì đã ở đây với chúng tôi. Hãy cùng tôi cảm ơn.