История об искусственном интеллекте, которая началась с геймдева

DeepMind стала первой компанией, выпустившей нейросеть, которая обыграла чемпиона мира в сложнейшую игру Go.

DeepMind создала алгоритм для предсказания заболеваний глаз и покорила виртуальный мир стратегии в StarCraft2.

DeepMind разработала AlphaFold и решила проблему, над которой ученые бились несколько десятилетий, — проблему прогнозирования структуры белков.

… Выпустила ИИ для для управления электроподстанциями, сетями передачи данных и возможностью предсказывать спрос на энергию в будущем. Экологически чистая энергетика — наша с вами реальность!

Да, DeepMind. Компания-сенсация, не иначе. О том, как всё начиналось — в нашей статье.

Демис Хассабис, будущий основатель компании DeepMind, с самого детства любил играть. Сначала это были шахматы, в которых он стал гроссмейстером в тринадцать лет, после — компьютерные игры, в разработке которых он участвовал после окончания Кембриджа, и лишь затем — игры разума. Причем искусственного.

Да, Демис Хассабис с детства любил играть, но он и представить себе не мог, что именно это его увлечение сможет воплотить его мечту.

«У меня всегда на уме была компания вроде DeepMind», — Демис Хассабис в интервью The Times Magazine.

Так с чего всё начиналось?

Конечно, с разработки игр.

Именно этот вопрос стал изучать Хассабис ещё до учебы в Кембридже, где его не могли учить, пока не стукнет восемнадцать. Ему примерно так и сказали, мол, парнишка, ты слишком мал для Кембриджа, пусть и умен не по годам. Ты, конечно, принят, но погуляй-ка пару лет.

Вот Демис и “погулял”. Да так, что занял второе место в каком-то мощном конкурсе по программированию, после чего его позвали работать в компанию по разработке компьютерных игр Bullfrog. Там он участвовал в создании одной из самых популярных игр 1990-х — Theme Park. Это симулятор строительства города.

Впрочем, поразрабатывали и хватит. Демису исполнилось восемнадцать. Настала пора учиться в Кембридже.

После окончания учебы в 1997 году он присоединился к компании Lionhead Studio, где занимался разработкой искусственного интеллекта для видеоигр, и уже через год основал свою студию Elixir. Они выпустили Republic: The Revolution и Evil Genius. Но в 2005 году всё изменилось. Компания продала свои технологии и прекратила своё существование.

Почему так случилось? Причины неизвестны.

Но Хассабис не стал расстраиваться. Он решил продолжить обучение. В Университетском колледже Лондона он получил докторскую степень по когнитивной неврологии. Но и это ещё не всё. Вместе с Массачусетским технологическим институтом и Гарвардским университетом он провел исследования в области нейробиологии и искусственного интеллекта. О том, что было дальше, уже несложно догадаться…

Если взять весь профессиональный и научный бэкграунд Демиса, добавить к нему эти новые знания, приправить всё это его нескончаемым энтузиастом, то в итоге получится DeepMind. Если точнее, то стартап DeepMind Technologies, который в 2010 году основали Хассабис, его коллега по Университетскому колледжу Лондона Шейн Легг и друг детства Мустафа Сулейман.

Вот ведь как всё просто! Захотели стартап — основали стартап! Но нет, на самом деле, все куда сложнее…

Как мы уже сказали, чтобы стать известным в научных кругах, а значит, засветить свое имя на всяких форумах и съездах исследователей, а также спонсоров, Демис продолжил обучение, получив звание доктора наук. А это, на секундочку, высшая степень, которая позволяет исследователю стать профессором. Это титул для человека, отдавшего, по меньшей мере, 20 лет образованию и учебе!

Именно поэтому в стартап Хассабиса вложились такие крупные инвесторы, как Скотт Банистер (член правления PayPal), Илон Маск, а также венчурные фонды Horizons Ventures и Founders Fund.

Такое название получила первая весомая разработка DeepMind. Всё потому что уж очень она напоминала Демису Хассабису модель вычислительной машины, предложенной Аланом Тьюрингом в далеком 1936 году. Тьюринговская машина — это что-то вроде универсального компьютера, который может выполнять любые задачи, если только их описать простыми шагами. Можно сказать, что тьюринговская машина считается предвестником современных методов обработки информации.

Демис Хассабис, когда создал архитектуру “Нейронной машины Тьюринга”, считал, что это будет большой шаг вперед для искусственного интеллекта. Он думал, что, если добавить к нейронным сетям доступ к внешней памяти (это как мозг и память у людей), то они смогут лучше обрабатывать информацию из разных источников. То есть, они смогут быть умнее и адаптивнее в обучении на основе новых данных. Это значит, что они смогут лучше понимать тексты, анализировать временные ряды и многое другое.

Хорошая новость — эти ожидания оправдались. Архитектура "Нейронной машины Тьюринга" дала нейросетям возможность общаться с внешней памятью, что помогло им стать умнее и гибче в обучении, особенно на новых данных, и анализировать информацию разных типов. Плохая — внедрение внешней памяти в нейронки представляло сложности с точки зрения проектирования и оптимизации алгоритмов. Было необходимо создать специальные механизмы, которые позволяли эффективно обращаться к внешней памяти и использовать ее в процессе обучения и работы нейросети. И это не говоря ещё о проблемах с производительностью и использованием ресурсов, поскольку доступ к внешней памяти требовал дополнительных вычислительных ресурсов и времени.

Для решения этих проблем с архитектурой Демис Хассабис и его команда провели просто колоссальное количество исследований и экспериментов, чтобы найти подходящие решения. Они улучшали способы обработки информации и принятия решений нейросетью, разрабатывали новые алгоритмы, оптимизировали существующие… Ещё они экспериментировали с другими архитектурами, изменяя структуру нейросети и ее компонентов. Например, они могли изменять количество слоев и нейронов в сети, а также применять различные типы связей между нейронами. Одним словом, ребята из DeepMind делали всё, что было в их силах. Или даже больше.

27 января 2014 года Google совершил свою крупнейшую европейскую покупку на тот момент, потратив £400 миллионов на DeepMind, небольшой стартап с великой амбицией: "Решить проблему искусственного интеллекта, а затем использовать это для решения всего остального".

DeepMind хотели и продолжают хотеть найти священный грааль искусственного интеллекта: искусственный общий интеллект — AGI. Это когнитивная система, такая же обширная, как человеческий мозг и способная выполнять широкий спектр задач, а возможно, и преодолевать самые большие угрозы для цивилизации.

Как сказал Демис Хассабис в интервью The Guardian:

Поэтому причина, по которой DeepMind перешла во владения Google, самая банальная — заполучить этих гениальных ребят, чтобы на их идеях стать ещё выше, лучше, круче. Заявить о себе.

И эта сделка заставила весь мир заговорить о том, что значит теперь уже не просто DeepMind, а Google DeepMind для будущего ИИ.

Но как вообще Гугл узнали об их существовании?

Исследование DeepMind в области игр на Atari в 2014 году ознаменовало новую эру в мире ИИ. Алгоритм, созданный DeepMind, показал, что он может самостоятельно научиться играть в игры без предварительных инструкций, используя методы обучения с подкреплением. Это вызвало интерес не только Google, но и всего мира технологий, что подтолкнуло корпорацию к покупке.

Гугл видел в DeepMind не только потенциал для улучшения своих продуктов и услуг, но и возможность внедрения ИИ в различные сферы, от поиска и рекламы до облачных вычислений и автоматизации процессов. Это обещало новые возможности для продуктов Google и в целом для развития технологий ИИ.

Многие предприниматели псчитали бы это благополучным завершением. Можно было бы замедлить темп, отойти назад, почувствовать власть и удариться в полный кайф затратной жизни… Но для Хассабиса сделка с Google была лишь ещё одним этапом на его пути к развитию мощного искусственного интеллекта. Практически весь 2013 год он уделял переговорам по этой сделке. DeepMind будет функционировать автономно от своего материнского предприятия. Хассабис получит все преимущества корпоративного мира, такие как доступ к финансовым ресурсам и вычислительной мощности, при этом сохраняя контроль над компанией.

Хассабис предполагал, что DeepMind станет своеобразным гибридом: сочетанием стартаповской энергии, умственных ресурсов лучших университетов и финансовых возможностей одной из самых богатых компаний в мире. Всё это задумывалось с целью ускорить развитие мощного искусственного интеллекта и принести пользу всему человечеству.

Великая компания с великими идеями не менее великой стратегией.

В 2015 году этот стартап попал под крыло гиганта Alphabet Inc, в который входит и Google. Они снова переименовались и стали DeepMind Technologies Limited, ну или просто DeepMind. Их научные центры теперь были не только в Лондоне, но и в США, Франции и Канаде.

В феврале 2016 года они показали, на что способна их нейросеть в мире 3D-игр. Ученые смогли обучить этот искусственный интеллект управлять машиной в какой-то гоночной игре TORCS, находить пути в лабиринте в Labyrinth и справляться с задачами в MuJoCo. В том же году весь мир узнал о DeepMind, когда они представили свою знаменитую программу AlphaGo. Об этом — далее.

Да, в истории DeepMind было и такое.

И всё бы ничего, если бы не одна китайская игра на логику под названием Го, обыграть в которую человека, как предполагалось, искусственный интеллект сможет ещё не скоро.

Для начала разберемся, что это за игра такая и почему с ней всё так сложно?

Китайская игра Го — это весьма древняя (считается, что ей от 2500 до 5000 лет) и стратегическая настольная игра, в которой два игрока стараются захватить больше территории на игровом поле, используя камни различных цветов. В отличие от шахмат или шашек, где всего 64 или 32 фигуры, в Го на игровом поле, размером 19x19 клеток, размещен 361 камень — 180 белых и 181 черных. Это делает Го одной из самых сложных стратегических игр, где важно не только предвидеть ходы противника, но и строить долгосрочные планы.

Нейросеть AlphaGo от DeepMind стала первой программой, которая смогла обыграть чемпиона мира по Го.

Но обучение AlphaGo было довольно сложным.

Прежде всего, нужно было собрать достаточное количество данных об игре в Го. Для этого использовались записи партий, сыгранных профессиональными игроками, и симуляции игр, проведенные компьютерами.

После сбора данных их нужно было подготовить для обучения нейросети. Это означало преобразовать записанные партии в формат, который нейросеть может понять, и провести различные преобразования для улучшения качества данных и удаления ненужной информации.

После подготовки данных началось обучение самой нейросети. Для этого использовался метод глубокого обучения, который включает множество слоев нейронов, способных обнаруживать сложные закономерности в данных. AlphaGo использовала комбинацию сверточных нейронных сетей для анализа игровой доски и рекуррентных нейронных сетей для прогнозирования ходов.

Важной частью процесса обучения было самообучение нейросети путем игры с самой собой. AlphaGo играла множество партий с различными вариантами игры, а затем анализировала результаты, выявляя наилучшие стратегии и применяя их в будущих играх.

Наконец, AlphaGo была обучена с помощью партий, сыгранных профессиональными игроками в Го. Это позволило нейросети выучить стратегии и тактики, используемые наиболее опытными игроками.

В результате этих этапов AlphaGo стала одной из самых сильных игровых программ в истории, способной побеждать даже лучших игроков в Го.

И вот в 2016 году AlphaGo впервые вышла на арену и выиграла у чемпиона Европы по игре Го Фань Хуэя со счетом 5:0, а затем победила мирового чемпиона Ли Седоля. Годом позже программа победила самого сильного в мире игрока в Го — Ке Цзэ. В 2019 году Ли Седоль завершил свою карьеру, объяснив это тем, что делать ему в этой игре больше нечего, так как его обыграла нейросеть.

В 2017 году компания представила еще один алгоритм — AlphaZero, более обобщенный, который может играть не только в го, но и в шахматы и сёги (японская настольная логическая игра шахматного типа).

О том, сколько всего разработала команда DeepMind, можно рассказывать чертовски долго, но сейчас технологии шагнули далеко вперед, поэтому чем-то нейросетевым, разработанным до 2024, удивить, мягко говоря, сложно. Однако мы не преуменьшаем вклад стартапа в ИИ, наоборот, давайте кратко пройдемся по громким достижениям, чтобы быть в курсе.

AlphaFold — нейросеть, которая умеет предсказывать, как будет выглядеть структура белка. Это большое дело для биоинформатики и медицинских исследований.

AlphaFold использует deep learning и нейросети, чтобы разбираться в последовательностях аминокислот и предсказывать структуры белков. Это позволяет ученым лучше разбираться в функциях белков и понимать, как они могут влиять на разные болезни. Это может помочь ускорить создание новых лекарств и методов лечения.

Еще есть WaveNet. Она умеет воспроизводить речь человека. Это делает синтез речи намного круче и ближе к тому, как говорят люди. WaveNet может повлиять на то, как мы используем голосовые помощники и другие системы синтеза речи.

А еще — Deep Q-Network (DQN). Это такой алгоритм обучения, который научил нейронные сети играть в видеоигры на уровне или даже лучше, чем профессиональные игроки. DQN открывает новые возможности для обучения компьютерных программ, и его можно применять в разных областях, от образования до геймдева.

И, конечно, не будем забывать про DeepMind Health.

DeepMind Health — это направление, в котором DeepMind Technologies применяет свои технологии в области ИИ и ML к сфере здравоохранения. Одним из громких и значимых достижений DeepMind Health было создание системы для диагностики и лечения офтальмологических заболеваний.

В 2018 году DeepMind сообщила о разработке алгоритма, способного диагностировать болезни глаза, такие как дегенерация сетчатки, на основе анализа снимков сетчатки. Алгоритм использовал нейросети для обнаружения признаков заболевания на медицинских изображениях, что позволило повысить скорость и точность диагностики, а также сэкономить время медицинского персонала.

Также DeepMind Health представила проект, в котором ИИ прогнозирует и предотвращает осложнения при лечении заболеваний почек. Этот проект включал разработку ML-моделей, которые могли предсказывать изменения состояния пациентов и предупреждать медиков о возможных проблемах. Такой подход улучшил качество ухода за пациентами и сократил риски развития осложнений.

Создание AGI или общего искусственного интеллекта — вот что сейчас стоит на кону у DeepMind, а значит, и у Google. К AGI сейчас вообще стремятся все компании, которые так или иначе связаны с ИИ.

OpenAI, создавшая ChatGPT, стартап Anthropic, состоящий из бывших сотрудников OpenAI — все они преследуют одну и ту же цель — сделать такой искусственный интеллект, который будет наравне с человеком. Он будет решать множество задач, учиться, думать и познавать этот мир самостоятельно.

Но насколько это достижимо сейчас? Какие технологии для этого нужны? Есть ли они вообще? И что думает про AGI сам Демис Хассабис?

Он предсказал, что такая система может появиться где-то между "в ближайшие несколько лет" и "может быть, в течение десятилетия".

На последнем интервью, проведенном во время фестиваля The Wall Street Journal Future of Everything в 2023 году, Хассабис сообщил журналисту Крису Мимсу, что он считает приближение машин с когнитивным уровнем человека неминуемым:

"Прогресс за последние несколько лет был довольно невероятным. Я не вижу никаких причин, почему этот прогресс должен замедлиться. Я даже думаю, что он может ускориться. Так что я думаю, что мы можем быть всего в нескольких годах от создания AGI, а может быть, и в течение десятилетия”.

Эти замечания последовали вскоре после внутренней реструктуризации, в результате которой Google объявил о слиянии "Google AI" и "DeepMind" под названием "Google DeepMind".

На вопрос о том, что такое "AGI" — искусственный общий интеллект, Хассабис ответил: "когнитивный уровень человека".

И вот сейчас 2024, в котором пока не существует бенчмарка или критерия для AGI, широко принятого научным, технологическим, инженерным и математическим сообществом. Более того, нет также единого научного согласия на то, возможен ли вообще AGI.

Понятно, что главным вызовом при создании AGI будет разработка системы, способной обучаться и адаптироваться к разнообразным задачам и средам, а также проявлять обобщающие способности, подобные способностям человеческого мозга. Для этого нужно провести исследования в области понимания человеческого интеллекта, его механизмов и принципов работы. И эти исследования должны быть куда глобальнее чем те, которые мы имеем сейчас.

Не стоит забывать и том, что для успешного создания AGI будет нужно разработать мощные вычислительные системы и инфраструктуру, способную эффективно обрабатывать огромные объемы данных и проводить сложные вычисления в реальном времени.

Возможно ли это?

Скорее да, чем нет. Да и слова CEO Google DeepMind это подтверждают. Просто это требует колоссальное количество времени, ресурсов и опыта. А риски… Риски есть всегда. Но именно в этом вызове и кроется величие человеческого разума — в поиске новых горизонтов, даже если за ними могут быть неизвестности и невероятные возможности.