За Демис Хасабис, главен изпълнителен директор и съосновател на Google DeepMind, изкуственият интелект не е просто следващата технологична платформа. В разговор с Y Combinator той го описва като инструмент, който може да промени начина, по който науката задава въпроси, търси решения и открива нови области за изследване. Неговата основна теза е ясна: първо трябва да се „реши интелигентността“, тоест да се изгради AGI, а след това тази способност да се използва за решаване на други фундаментални проблеми.
AGI (Artificial General Intelligence) е хипотетичен тип изкуствен интелект, който може да учи, разсъждава и прилага знания в широк диапазон от задачи на човешко ниво или по-високо.
Това не е абстрактна амбиция. Хасабис дава конкретни примери от историята на DeepMind: AlphaGo, AlphaFold, Isomorphic Labs, бъдещата идея за виртуална клетка, материалознание, медицина, климатично моделиране и математика. Общото между тях е разбирането, че ИИ може да се използва не само за автоматизация, а за научно търсене в пространства, които са твърде големи за традиционни подходи.
Какво още липсва до AGI
Хасабис не твърди, че сегашните системи вече са завършеният модел на AGI. Според него големите компоненти на днешната парадигма – мащабно предварително обучение, обучение с подсилване, RLHF и chain-of-thought подходи – вероятно ще бъдат част от финалната архитектура. Но той посочва няколко нерешени елемента: непрекъснато учене, дългосрочно разсъждение, аспекти на паметта и по-висока последователност на системите.
Той допуска, че тези липси може да се решат чрез мащабиране и постепенни подобрения. Но оставя отворена и друга възможност: че все още има „една или две големи идеи“, които трябва да бъдат открити. В неговата оценка шансът за това е приблизително 50/50.
Тази несигурност е важна, защото задава рамката на цялото му мислене за науката. Ако AGI е близо – той споменава хоризонт около 2030 г. – тогава всеки, който започва дълбокотехнологичен проект днес, трябва да предвиди, че по средата на 10-годишния път може да се появи нов клас системи.
Защо агентите са част от пътя
Хасабис казва, че за да се стигне до AGI, е нужна активна система, която може да решава проблеми. Затова агентите са важни: те не са просто интерфейс, а начин системата да действа, да проверява, да използва инструменти и да работи по задачи.
Той обаче е предпазлив към прекалените твърдения. Според него все още не е ясно дали днешните агентни системи могат сами да направят големия скок. Той дава пример с творчеството: AlphaGo е известен с Move 37 – ход, който изглежда като творчески момент. Но за Хасабис това не е достатъчно. Истинският тест би бил не просто системата да направи изненадващ ход в Go, а да „измисли Go“ при зададено високо ниво на описание: игра, чиито правила се учат за минути, но се овладяват за цял живот.
Според него днешните системи вероятно още не могат това. Възможно е обаче проблемът да не е само в моделите, а и в начина, по който хората ги използват. Той допуска, че много креативен човек, който работи интензивно с инструментите, може да постигне нещо по-впечатляващо, отколкото очакваме.
AlphaFold като прототип на ИИ за наука
Най-силният пример в разговора е AlphaFold. Във въведението е припомнено, че AlphaFold е решил проблема за предсказване на протеинови структури, описан като 50-годишно предизвикателство в биологията, и че резултатът е предоставен свободно на учените.
За Хасабис AlphaFold е „прототипният пример“ за това, което DeepMind иска да прави с ИИ: да атакува „root node“ проблеми в науката – проблеми, чието решаване отключва цели нови направления на открития. Той казва, че над 3 милиона изследователи по света използват AlphaFold и че почти всеки биологичен изследовател вече работи с него. Според казаното от него, хора от фармацевтичния сектор са му казвали, че почти всяко бъдещо открито лекарство ще използва AlphaFold в някакъв момент от процеса.
Това е ключовата разлика между ИИ като продукт и ИИ като научна инфраструктура. AlphaFold не е просто приложение. То е инструмент, който променя отправната точка на цели изследователски процеси.
Къде може да има следващи „AlphaFold моменти“
Демис Хасабис не ограничава тази логика до биологията. В отговор на въпрос за области като материалознание, drug discovery, климатично моделиране и математика той казва, че не вижда почти нито една област на науката или инженерството, в която ИИ да не може да помогне.
Той описва някои от тези области като почти готови за „AlphaFold момент“: вече има обещаващи резултати, но голямото предизвикателство още не е решено. Сред примерите, които се появяват в разговора, са материали, медицина, климатично моделиране и математика.
Тук има и важна граница. Хасабис не обещава, че всичко ще се реши автоматично. Напротив, той подчертава, че най-интересните възможности са в съчетаването на ИИ с други дълбоки научни и технологични области. За основателите на компании това означава, че просто „обвиване“ на API около foundation model не е достатъчно. По-защитимата и смислена зона според него е там, където ИИ се комбинира с реална експертиза в материята: материали, медицина и други трудни области на науката, особено когато е замесен „светът на атомите“.
Как изглежда проблем, подходящ за такъв пробив
Хасабис формулира сравнително ясно какъв тип научни проблеми са подходящи за подхода, показан от AlphaGo и AlphaFold.
Първо, трябва да има огромно комбинаторно пространство за търсене. При Go това са възможните ходове. При протеините – възможните конфигурации. И в двата случая пространството е толкова голямо, че brute force или специален алгоритъм не са достатъчни.
Второ, трябва да има ясна целева функция. При Go това е победата. При протеините Хасабис споменава минимизиране на свободната енергия като начин да се мисли за целта.
Трето, трябва да има достатъчно данни или симулатор, който може да генерира много синтетични данни в правилното разпределение.
Ако тези условия са изпълнени, според него днешните методи могат да стигнат далеч в намирането на „иглата в купата сено“. Той прилага същата логика и към откриването на лекарства: някъде може да съществува съединение, което решава дадено заболяване без странични ефекти, ако физичните закони го позволяват. Въпросът е как то да бъде намерено по ефективен и проследим начин.
От AlphaFold към виртуална клетка
Един от най-конкретните научни примери в интервюто е идеята за виртуална клетка. След AlphaFold 3, който според въпроса в разговора разширява обхвата отвъд протеините към широк спектър биомолекули, Хасабис говори за Isomorphic Labs като опит да се изгради не само един модел, а по-голяма част от процеса по откриване на лекарства: съседната биохимия и химия, проектиране на правилните съединения и свойства.
Дългосрочната цел, както я описва, е пълна работеща симулация на клетка. Такава виртуална клетка би позволила да се правят промени и да се получават изходи, достатъчно близки до експерименталните, за да бъдат полезни. Това би спестило много стъпки на търсене и би позволило генериране на синтетични данни за обучение на други модели.
Хасабис оценява, че пълна виртуална клетка вероятно е на около 10 години разстояние. Засега DeepMind работи върху виртуално клетъчно ядро, защото то е по-самостоятелна част от сложността. Той обяснява принципа: трябва да се избере „парче“ от сложността, което е достатъчно самостоятелно, така че входовете и изходите да могат да се моделират и приближат.
Ограничението е данните. Хасабис казва, че ако можехме да изображим жива клетка, без да я убием, с нанометрова резолюция и в динамика, това би превърнало проблема във vision problem – тип задача, която ИИ вече умее да решава. Но според него в момента няма такава техника за жива динамична клетка; статични изображения с висока резолюция има, но те не са достатъчни.
Научно разсъждение, а не само pattern matching
Най-интересната част от интервюто е границата между решаване на известни проблеми и измисляне на нови научни хипотези. Хасабис казва, че системи като co-scientist и алгоритми като AlphaFold могат да отидат отвъд базовите възможности на Gemini. Но според него все още не е видял истинско „масивно откритие“ от такъв тип.
Той очаква това да дойде, но го свързва с нещо по-дълбоко от pattern matching. За да направи научно откритие извън познатото, системата трябва да излезе отвъд границите на наличните данни. Там няма готов модел, който просто да бъде копиран. Хасабис говори за аналогично разсъждение и за способността системата да предложи интересна хипотеза, а не само да реши вече зададена.
Той дава силен тест: система с cutoff на знанието от 1901 г. би ли могла да стигне до това, което Айнщайн прави през 1905 г., включително специалната теория на относителността? Ако такъв тест бъде преминат, според него ще сме на прага на системи, способни да изобретяват нещо наистина ново.
В математиката той прави още по-трудно разграничение. Решаването на Римановата хипотеза или проблем от Millennium Prize би било впечатляващо. Но още по-трудно би било системата да измисли нов набор от проблеми, които водещи математици биха сметнали за достатъчно дълбоки и достойни за цял живот работа.
Общи модели и специализирани научни инструменти
Хасабис не си представя бъдещето като един гигантски модел, който прави всичко. Напротив, той казва, че не е нужно Gemini да прави protein folding. Ако цялото знание за протеините се постави в общ модел, това може да навреди на други умения, например езиковите.
По-добрият път според него е общите модели да бъдат много добри в използването на инструменти. Така Gemini, Claude или други общи системи могат да използват специализирани модели като AlphaFold, вместо да ги поглъщат. Възможно е общите модели дори да помагат за тренирането на такива специализирани инструменти, но те да останат отделни системи.
Това е важен урок за научните организации и компаниите: бъдещата инфраструктура за ИИ в науката вероятно няма да бъде един модел, а екосистема от общи агентни системи и специализирани научни инструменти.
Отворена наука и достъп
Демис Хасабис подчертава, че Google DeepMind подкрепя open source и open science. Той припомня, че AlphaFold е предоставен свободно, а научната работа продължава да се публикува в големи списания. В разговора той споменава и Gemma като пример за отворени и достъпни модели, които могат да работят локално, и казва, че за кратко време са достигнали около 40 милиона изтегляния.
Тази тема има пряка връзка с науката. Ако моделите и инструментите са достъпни, повече изследователи могат да експериментират, да валидират и да строят върху тях. Но Хасабис не премахва ограниченията: изчислителните ресурси, талантът и compute остават реални фактори.
Материали, енергия и граници на compute
В интервюто се появява и по-широка картина за ресурсите. Хасабис обсъжда идеята, че inference вероятно няма да стане напълно безплатен, защото колкото повече ресурси има, толкова повече ще ги използваме – включително за милиони агенти, „рояци“ от агенти или множество паралелни посоки на мислене.
Той допуска, че един ден енергията може да стане почти нулев разход, ако бъдат решени проблеми като fusion, superconductors, оптимални батерии или комбинация от такива пробиви, свързани с материалознанието. Но дори тогава остават физическото производство на чипове и други ограничения.
Това отново връща разговора към науката: напредъкът в ИИ зависи от науката, а ИИ може да ускори науката. В тази взаимна зависимост материалознанието и енергията не са периферни теми, а част от основата.
Какъв е практическият извод
Ако се следва мисленето на Хасабис, най-важният въпрос не е „как ИИ ще замени учени“, а „как ИИ ще промени формата на научното търсене“. В неговата визия ИИ може да:
- търси в огромни пространства от възможности;
- използва ясни целеви функции и симулации;
- подпомага откриването на лекарства;
- моделира части от живата клетка;
- комбинира данни, симулатори и специализирани инструменти;
- помага в материалознание, медицина, климатично моделиране и математика;
- премине от решаване на зададени проблеми към предлагане на нови хипотези.
Но в същото време той оставя границите видими. Днешните системи все още имат нерешени проблеми с памет, дългосрочно разсъждение, непрекъснато учене и истинска творческа научна хипотеза. Те могат да бъдат изключително полезни, но все още не са показали онзи тип откритие, който би бил еквивалент на Айнщайн през 1905 г.
Затова най-точното обобщение на позицията му е предпазлив оптимизъм. ИИ вече е научен инструмент с реален ефект. AlphaFold показва как един модел може да стане инфраструктура за милиони изследователи. Следващата стъпка е по-трудна: системи, които не само намират отговори, а помагат да се измислят правилните въпроси.
