Napredni modeli UI, ki jih razvijajo pri podjetju Google DeepMind

V podjetju Google DeepMind razvijajo nekatere najnaprednejše modele umetne inteligence. Med temi so AlphaFold, ki izvaja napovedi strukture beljakovin, za katerega sta Demis Hassabis in John Jumper prejela Nobelovo nagrado za kemijo za leto 2024; AlphaGenome, ki obeta novo razumevanje genoma; DolphinGemma, ki pomaga pri raziskovanju komunikacije delfinov, in številni drugi modeli, uporabni v znanosti, matematiki, medicini in tudi v vsakdanjem življenju.

Dr. Nenad Tomašev je raziskovalec pri DeepMindu in trenutno je osredotočen predvsem na razvoj modelov in agentov umetne inteligence (UI) za pomoč pri procesu znanstvenih odkritij. Tomašev je bil mladi raziskovalec na Institutu Jožef Stefan (IJS) in kot pravi, so bila leta doktorskega študija v Ljubljani »ključna za začetek moje znanstvene kariere«, saj je na IJS »veliko briljantnih umov in vzdušje je navdihujoče«. Ob koncu doktorskega študija je dobil priložnost za delo pri Googlu, najprej v Montrealu, nato na sedežu družbe v Kaliforniji, nazadnje pa pri podjetju Google DeepMind v Londonu. Google DeepMind je med drugim odgovoren tudi za razvoj velikih jezikovnih modelov gemini in drugih generativnih orodij, kot sta model za pretvorbo besedila v sliko imagen in model za pretvorbo besedila v video veo.

Od modelov za igranje goja do sodelavca znanstvenikov

Še preden se je pojavila generativna umetna inteligenca, ki se z nami pogovarja podobno kot človek in ima ogromno znanja, so za prelomne trenutke v računalništvu med drugim skrbeli računalniki in modeli, ki so premagovali človeške šahiste in igralce goja. Že davnega leta 1997 je IBM-ov Deep Blue v šahu premagal mojstra Garija Kasparova – to je bila ena izmed prelomnic, ko se je nakazovalo, da bi lahko znanstvena fantastika, ki je pripovedovala o naprednih in razmišljujočih računalnikih, postala resničnost. Še bolj je završalo, ko je model AlphaGo, ki ga je razvil DeepMind leta 2015, premagal najboljšega igralca igre go, izjemno kompleksne igre, ki zahteva prepoznavanje vzorcev in dolgoročno strateško razmišljanje. Prav zato so številni menili, da bodo stroji potrebovali precej časa, da ga bodo obvladali bolje kot ljudje.

Iz AlphaGo je nastal model AlphaZero, ki se je naučil igrati sam, ne da bi si pomagal s preučevanjem človeških iger. Poleg goja je model obvladoval tudi šah in šogi. Kot je dejal Tomašev, sta ta modela in njuni učni algoritmi »predstavljali ključni trenutek pri predstavitvi ogromnega potenciala spodbujevanega učenja (reinforcement learning) in morda še pomembneje – samoizboljševanja s samoigro«.

Ta načela so modelu AlphaZero, kot je dodal sogovornik, »omogočila obvladovanje zelo zapletenih družabnih iger brez človeškega vložka ali človeškega nadzora; pri tem pa so se ustvarile zelo kreativne ideje in motivi. Glede na to, da je ustvarjalnost izjemno pomembna v znanstvenih raziskavah in da se pogosto srečujemo s težavami z omejenimi predhodnimi podatki, lahko črpamo veliko navdiha iz sistemov, kot je AlphaZero.«

Sistemi UI lahko raziskovalcem pri njihovem delu pomagajo na različne načine, je poudaril dr. Tomašev. »Bodisi kot orodja (v primeru bolj specializiranih sistemov) bodisi za sooblikovanje in sorazvoj, ko gre za trenutno generacijo temeljnih modelov in agentov umetne inteligence.« Vendar pa se tudi pri razvoju teh sistemov soočajo s številnimi izzivi: »Od pomanjkanja in visokih stroškov prilagajanja eksperimentalnih podatkov, treba je integrirati široko paleto podatkovnih modalitet, hkrati pa tudi zagotavljati faktičnost in utemeljenost napovedi. Zaradi tega lahko aplikacije umetne inteligence v znanosti ne le pomagajo pri napredku znanosti, ampak z velikimi odprtimi znanstvenimi vprašanji in izzivi pomagajo izboljšati umetno inteligenco.«

Nenad Tomašev pri podjetju Google DeepMind razvija sisteme UI, namenjene razvoju znanosti. FOTO: Ben Peter Catchpole  

Nenad Tomašev sodeluje pri razvoju strojnega sodelavca znanstvenikov Co-scientist. »Gre za sistem, zasnovan za pomoč raziskovalcem pri znanstvenih zamislih in ustvarjanju projektnih načrtov za raziskovanje idej. Je evolucijski okvir, kjer se ideje ustvarjajo in prilagajajo skozi čas na podlagi prvotne zahteve uporabnika. Z lastnim razmislekom in razmišljanjem ter razpoložljivimi viri identificira najbolj obetavne raziskovalne smeri.« Sistem poganjajo veliki jezikovni modeli gemini in ima zmogljivosti, kot so napredno razmišljanje, večmodalno razumevanje in dolgi kontekst ter drugo.

Čeprav je UI izjemno načitana, prebrala je veliko več besedila kot katerikoli človek, ima svoje omejitve. Še vedno si nekatere odgovore izmisli, prav tako raziskovalci in razvijalci ne vedo natančno, kako modeli pridejo do rešitve. »Razložljivost je pomembna raziskovalna tema pri razvoju UI in tam je še nekaj neodgovorjenih vprašanj. Vendar je ena izmed prednosti zlasti velikih jezikovnih modelov ta, da je lažje razumeti njihovo razmišljanje, ko je predstavljeno v naravnem jeziku. To je v nasprotju s prejšnjimi generacijami sistemov, ki so bili po zasnovi bolj nepregledni,« je pojasnil Tomašev.

Kako delo Nobelovih nagrajencev spreminja znanost

Kako daleč pa so na poti do zaupanja vredne umetne inteligence? »Izredno pomembno je, da so sistemi UI varni in zanesljivi in delujejo znotraj sprejemljivih parametrov. To je eno od ključnih področij, na katera se osredotočamo, in naš cilj je vključiti odgovorne inženirske prakse v vse naše delo,« je odgovoril. Dodal je še, da mora biti UI, da bi bila varna in koristna, razvita v skladu z etičnimi načeli. »Naša ekipa za etiko umetne inteligence je bila v izjemno pomoč pri usmerjanju naših projektov k tem ciljem.«

Bo UI nadomestila znanstvenike?

Verjetno je to, da vas bo UI nadomestila na delovnem mestu, ena največjih bojazni, ko je govora o umetni inteligenci. Vsekakor so napredni modeli spremenili naše delovanje. Večina se strinja, da se bo povečala produktivnost in da se bodo delovna mesta spremenila in prilagodila. Ponekod bodo zaradi uvedbe UI potrebovali manj ljudi, drugod bo opravljala rutinska dela, ki jih nihče ne mara opravljati. Pa bi denimo Co-scientist ali soznanstvenik lahko nadomestil človeške raziskovalce? »Sistemi umetne inteligence, ki jih razvijamo za znanstvena odkritja, so namenjeni opolnomočenju človeških znanstvenikov, tako da jim pomagajo hitreje prepoznati dragocene vzorce v podatkih in usmerijo njihovo pozornost na najbolj obetavne smeri, usmerjene v prihodnost,« je diplomatsko odgovoril dr. Tomašev.

Ljudje smo pred UI še vedno v prednosti, kar se tiče izvirnosti in kreativnosti, vendar nas lahko tudi tu ujame. »Ustvarjalnost in sposobnost razmišljanja izven okvirjev sta zelo pomembni na številnih področjih, vsekakor tudi pri omogočanju globokega in transformativnega znanstvenega napredka. Medtem ko ustvarjalnost nedvomno ostaja eden največjih izzivov za sisteme UI na splošno, je bila že realizirana v bolj specifičnih primerih – na primer pri AlphaGo in AlphaZero. Nekatere poteze in vzorci, do katerih so prišli ti sistemi, so bili zelo ustvarjalni in so presenetili tudi vrhunske človeške igralce; številne ideje teh modelov so zdaj sprejete v igrah, ki jih igrajo le ljudje. Še zlasti v primeru AlphaZero, ki se je učil pravil igre brez človeških podatkov, lahko govorimo o tem, da so bile ideje njegove lastne,« je razložil in izrazil upanje, da bomo te zmogljivosti v prihodnosti videli tudi v bolj splošnih sistemih UI, ki se trenutno razvijajo.

Na vprašanje, ali je umetna inteligenca že spremenila tok zgodovine, je dr. Nenad Tomašev odgovoril, da ustvarja nove možnosti. »Informacije še nikoli niso bile bolj dostopne. Na misel mi pridejo tudi veliki znanstveni napredki, kot jih denimo omogoča model AlphaFold. Verjamem, da je večina tega vpliva še vedno v prihodnosti in bi si morali prizadevati za odgovorne inovacije in ustvarjanje tehnologij, ki bodo koristile človeštvu.«