A mesterséges intelligencia a tudomány legbonyolultabb kérdéseire is választ adhat – jósolja a DeepMind vezére
Világra szóló hír járta be a világot 2016-ban. Egy AlphaGo nevű mesterséges intelligencia öt játszmában tönkreverte a Go játék egyik legnagyobb bajnokát, a dél-koreai Li Szedolt.
Bár 1997-ben az IBM Deep Blue-ja legyőzte az akkor 12 éve világbajnok Garri Kaszparovot, a Go-t a szakemberek sokáig túlságosan bonyolultnak tartották egy mesterséges intelligencia számára, mivel a lépések variációs lehetőségei sokkal nagyobbak. Ezt a kihívást oldotta meg a 2010-ben létrehozott, majd a Google által 2014-ben megvásárolt DeepMind.
Az ázsiai mester először azt hitte, hogy könnyen nyerhet az AlphaGo ellen, mondván, az csak egy gép. Végül azonban 4-1-es kiütést szenvedett el, és három év múlva visszavonult, mert úgy érezte: képtelen a mesterséges intelligenciával versenyezni.
A DeepMind sikere azóta is töretlen. AlphaZero nevű programjuk néhány órányi tanulás után a sakk, a go és a sógi játékosokat is legyőzte, méghozzá úgy, hogy a játékszabályon kívül semmit sem tápláltak bele előre.
Az AlphaStar pedig a legmagasabb, grandmaster fokozatot érte el a StarCraft II nevű valós idejű stratégiai játékban. Ez azt jelenti, hogy képessé vált az emberi játékosok 99,8 százalékát legyőzni.
- mondta Demis Hassabis, a cég vezérigazgatója a New Scientist-nek.
Tavaly novemberben jelentették be, hogy új mesterséges intelligenciájuk, az AlphaFold megoldotta a biológia egyik legnagyobb kihívását.
A tudósok régóta tudják, hogy az élet építőelemeit jelentő fehérjék felelnek a sejten belüli történések legnagyobb részéért. Már több mint 200 millió fehérjét azonosítottak, de alig 100 ezernek ismerik a struktúráját. Márpedig a fehérjék funkcióját a szerkezetük határozza meg. Vagyis ha ezt sikerülne feltérképezni, az is kiderülhetne, pontosan mit és hogyan csinálnak.
A proteinolimpiának is nevezett CASP verseny az AlphaFold az esetek kétharmadában képes volt az aminosav-szekvenciákból előre jelezni a fehérjék rendkívül bonyolult szerkezetét.
Az sem mellékes, hogy így meg lehet spórolni az ember által végzett, drága és időigényes laboratóriumi kísérletek akár kétharmadát is.
Hassabis szerint ráadásul mindez csak a kezdet.
– mondja.
Videó: Egy tudományos áttörés története
Hassabis az interjúban beszélt egy másik izgalmas kutatási területről is, méghozzá arról, hogy a mesterséges intelligencia képes lehet-e utánozni az emberi figyelem és az epizodikus memória működését.
A kutató az agykéreg és a hippokampusz funkciójának összevetésével magyarázta a kétféle emlékezetet: az agykéreg lassan tanul, sok példára van szüksége, de az ott elraktározott tudás stabil és lehet rá építeni. Ezzel szemben a hippokampusz a rövidtávú memória otthona, amely gyorsan tanul, de gyorsan is felejt. Tehát mindkettő nélkülözhetetlen, és kell, hogy működjön közöttük egyfajta transzfer-funkció. Kérdés, hogy ezt hogyan tudják leképezni.
Két felfogás áll szembe egymással: az egyik azt állítja hogy a mélytanulás, a megerősített tanulás zsákutca, előbb-utóbb falnak ütközünk; a másik viszont azt hirdeti, hogy már minden rendelkezésünkre áll a végcélhoz, már csak mennyiségi növekedésre van szükség a számítógépek és az adatok terén, és eljuthatunk az emberi szintű általános MI-hoz.
A DeepMind főnöke szerint egyik tábornak sincsen igaza. Ő azt vallja, hogy az eddigi eredmények nagyon hasznosak, de még át kell ugraniuk néhány akadályt.
A pandémia kezdetekor ugyanis kínai kutatók azonosították a vírusfehérje genetikai szekvenciáit, néhány protein struktúráját is meg tudták laboratóriumi úton határozni, de egy további tucatnyiét nem. Akkor már létezett az AlphaFold, de még nem tesztelték éles helyzetben. „Azt gondoltunk: nem ülhetünk valamin, ami hasznos lehet a tudományos közösség számára, így közzétettük a még tanulmányozás alatt lévő fehérjék modelljeit” – magyarázta az alapító.
Ezzel szemben máris jelentős sikert ért el a DeepMind a globális felmelegedés elleni küzdelemben. A Google hűtőrendszereinek optimalizálásával például megtakarították a szerverparkjaikban felhasznált elektromos áram 30%-át. Hassabis szerint a jövőben ezeket a fogyasztás-optimalizáló rendszereket mindenféle épületeknél alkalmazni lehetne, akár egy egész ország elektromos hálózatánál is.
Demis Hassabisnak meggyőződése, hogy a következő 10 évben a mesterséges intelligencia óriási áttöréseket fog hozni a tudományban, az iparban, a szolgáltatásokban, az egészségügyben, és akár az atomenergia előállításában is.