دیپ‌مایند چیست؟

به‌طور خاص، دیپ‌مایند از یک شبکه عصبی کانولوشن استفاده می‌کند که مشابه با قشر بینایی انسان (یعنی بخشی از مغز که اطلاعات بصری را پردازش می‌کند)، سازماندهی شده است.

مزیت این نوع شبکه این است که با استفاده از یک سری فیلترها و مقادیر زیادی از داده‌های آموزشی، این سامانه می‌تواند ویژگی‌های خاصی را از آن داده‌ها انتخاب کند.

به‌عنوان مثال، در تشخیص تصویر، گره‌های خاصی در تشخیص یک ویژگی خاص مهارت پیدا می‌کنند (برای مثال، چشم یا در داده‌های صوتی، ترکیب خاصی از صداها).
 
شبکه‌های عصبی ژرف مانند دیپ‌مایند، این کار را با اجرای داده‌ها از طریق یک سری از لایه‌ها به نام «لایه‌های پنهان» انجام می‌دهند.

بنابر گفته‌های IBM هر لایه وزن‌هایی را به داده‌ها اختصاص می‌دهد و اساساً آنچه را که شبکه روی آن تمرکز خواهد کرد انتخاب می‌کند. دیپ‌مایند چندین لایه پنهان دارد.
 
نخستین لایه، یعنی لایه کانولوشن، ویژگی‌های ورودی را با استفاده از فیلتری به نام «کرنال» (kernal) شناسایی می‌کند. ترکیب ورودی و هسته، به بزرگنمایی ویژگی‌هایی می‌پردازد که الگوریتم استنباط می‌کند مهم است.
 
لایه بعدی که با عنوان لایه ادغام شناخته می‌شود، اساساً پیچیدگی نقشه‌های ویژگی ایجاد شده توسط لایه کانولوشن را کاهش می‌دهد و پردازش داده‌ها را آسان‌تر می‌کند. در نهایت، لایه کاملاً متصل، برای پیش بینی‌های آینده از خروجی لایه ادغام استفاده می‌کند.

برای مثال، اگر شبکه عصبی کانولوشن تشخیص تومورها را در مجموعه‌ای از تصاویر آموزشی پزشکی آموخته باشد، می‌تواند تصاویر جدیدی بگیرد و تعیین کند که آیا تومور وجود دارد یا خیر.
 
از آنجایی که دیپ‌مایند یک الگوریتم یادگیری ماشین است، برای «یادگیری» به قوانین خاصی که توسط برنامه نویسان نوشته شده است، نیاز ندارد.

درعوض، این الگوریتم قادر است مقادیر انبوهی از داده‌ها را جمع‌آوری و الگوهای تکراری را شناسایی کند؛ درحالی که رمزگشایی آن‌ها برای انسان یا رایانه‌های سنتی زمان زیادی می‌برد.
 

دیپ‌مایند چه می‌کند؟

 
مزیت الگوریتم‌های یادگیری ماشین دیپ‌مایند این است که می‌توان از آنها برای انواع فرآیندها استفاده کرد. الگوریتم‌های دیپ‌مایند می‌توانند به خود بیاموزند که بازی‌های آتاری را انجام دهند و انسان‌ها را در بازی Go شکست دهند.

گفتنی است بازی اخیر، یک بازی استراتژی پیچیده خیره‌کننده است که شامل گرفتن قلمرو روی یک تخته شبکه‌ای با استفاده از قرار دادن قطعات سیاه و سفید است.
 
این بازی‌ها عمق توانایی هوش مصنوعی در یادگیری را نشان می‌دهند. دیپ‌مایند از آن زمان به‌سمت مقابله با مسائل بیشتر و بزرگتر در دنیای واقعی پیش رفته است.

این مسائل، ایجاد حدس‌های جدید در ریاضیات محض که می‌تواند پیشرفت ریاضیات نظری را سرعت بخشد، تا کشف ساختارهای احتمالی هر پروتئین شناخته‌شده از طبیعت را شامل می‌شود.
 
کار پروتئینی که توسط برنامه برنده جایزه موفقیت‌آمیز AlphaFold تکمیل شد، نشاندهنده یک دگرگونی عظیم در زمینه پروتئومیکس یا مطالعه پروتئین‌ها بود. پروتئین‌ها خود را به‌شکل آرایه‌ای از اشکال می‌پیچند، اما پیش‌بینی چگونگی شکل‌گیری این ساختارهای داخلی، کار کُند و پرزحمت است.

تا قبل از آلفافولد، دانشمندان مجبور بودند پروتئین‌ها را با استفاده از روشی به نام کریستالوگرافی پرتو ایکس، منجمد و تصویربرداری کنند. نتیجه چندین دهه کار، به‌دست آوردن ساختاری برای حدود ۱۹۰ هزار پروتئین بود. اما آلفافولد در عرض حدود یک سال، توانست برای ۲۰۰ میلیون ساختار پروتئین پیش‌بینی انجام دهد.
 
به گفته این شرکت، فناوری دیپ‌مایند در مراکز داده گوگل استفاده می‌شود، یعنی جایی که این فناوری خنک‌شوندگی تجهیزات را کنترل می‌کند و در عین حال مصرف انرژی را نیز به حداقل می‌رساند.

از سوی دیگر، محصول DeepMind WaveNet صدای دستیار گوگل را کنترل می‌کند و هوش مصنوعی این شرکت در سراسر یوتیوب تعبیه شده و مکان تبلیغات و سایر جنبه‌های پلتفرم ویدیو را کنترل می‌کند.
 
در سال ۲۰۲۲٬ محققان مؤسسه فناوری فدرال سوئیس در لوزان (EPFL) گزارش دادند که با همکاری دیپ‌مایند، هوش مصنوعی این شرکت را برای شکل دادن پلاسمای هیدروژن در یک راکتور همجوشی آزمایش کردند که می‌تواند گامی به سوی استفاده از همجوشی هسته‌ای به‌عنوان منبع انرژی تلقی گردد.

محققان این شرکت همچنین در حال کار بر روی استفاده از الگوریتم‌ها برای اتومبیل‌های خودران، تحلیل‌های ورزشی و تشخیص‌های پزشکی هستند.
 
 

دیپ‌مایند چه رکوردهایی را شکسته است؟

 سرعت شکستن رکورد آلفافولد در پیش‌بینی شکل‌های پروتئینی تنها رکوردی نیست که دیپ‌مایند به‌آن دست یافته است. در ماه اکتبر سال ۲۰۲۲٬ این شرکت یک رکورد ۵۰ ساله در ریاضیات را نیز شکست.

این رکورد عبارت بود از یافتن راه جدیدی برای ضرب ماتریس یا ضرب آرایه‌های اعداد با یکدیگر. گفتنی است ضرب یک ماتریس ۴ در ۴ از اعداد با یک ماتریس ۴ در ۴ دیگر، مستلزم انجام ۶۴ محاسبه است.

در سال ۱۹۶۹٬ ریاضیدان فولکر استراسن الگوریتمی ایجاد کرد که می‌توانست همین ضرب ماتریسی را با ۴۹ محاسبه انجام دهد. از سوی دیگر، یک هوش مصنوعی دیپ‌مایند به نام DeepTensor نشان داد که می‌تواند این کار را تنها در ۴۷ محاسبه انجام دهد.
 
اندکی پس از آن، گروه دیگری از محققان یک مقالهٔ پیش‌چاپ ارسال کردند که نشان می‌داد می‌توانند از DeepTensor برای کاهش تعداد محاسبات مورد نیاز برای ضرب دو ماتریس ۵ در ۵ در یکدیگر، از ۹۶ به ۹۵ استفاده کنند.
 
دیپ‌مایند همچنین بارها بازیکنان پیشروی بازی Go را شکست داده و حتی در سال ۲۰۱۹ باعث بازنشسته شدن قهرمان کره جنوبی، با نام Lee Se-dol شد.

آقای لی در آن سال به خبرگزاری کره‌ای یونهاپ گفت: «با نخستین حضور هوش مصنوعی در بازی‌های Go، متوجه شدم که دیگر در اوج نیستم؛ حتی اگر با تلاش‌های بی‌وقفه تبدیل به بازیکن شماره یک شوم».

آلفاگو (AlphaGo) از دیپ‌مایند در سال ۲۰۱۶ در یک تورنمنت در چهار بازی از پنج بازی، لی را شکست داد. بدین‌ترتیب، آقای لی تنها انسانی است که تا به حال AlphaGo را در رقابت‌ها شکست داده است. در سال ۲۰۱۷، AlphaGo دوباره توانست قهرمان انسانی بازی با نام Ke Jie از چین را شکست دهد.
 

آیا کاری که دیپ‌مایند انجام می‌دهد، اخلاقی است؟
 

سازندگان دیپ‌مایند با توجه به قدرت بی‌حد آن در هدایت الگوریتم‌های رسانه‌های اجتماعی (که تعیین می‌کنند مردم چه اطلاعاتی را ببینند، یا در زمینه تشخیص بیماری‌هایی که ممکن است موضوع مرگ یا زندگی باشند، یا اینکه شاید روزی راننده ماشین‌های مردم باشد)، مسئولیت سنگینی بر عهده دارند.
 
دیپ‌مایند در سال ۲۰۱۷ یک گروه با عنوان «اخلاق و جامعه» راه‌اندازی کرد، اما این کار هم دیپ‌مایند را از دردسر دور نگه نداشت.

دیپ‌مایند در حال حاضر در انگلستان و به‌دلیل آزمایش ایمنی بالینی برنامه‌ای به نام Streams که برای تشخیص آسیب حاد کلیه طراحی شده، با یک شکایت دسته‌جمعی مواجه است.

گفته می‌شود بنیادی موسوم به Royal Free London NHS Foundation Trust داده‌های بیماران را برای آزمایش ارائه کرده، اما بعداً مشخص شد که این بنیاد با انجام این کار، قانون حفاظت از داده‌های بیمار در بریتانیا را زیر پا گذاشته است.
 
قدرت دیپ‌مایند نه تنها در شناسایی تصاویر، ویدئو و صدا، بلکه در ایجاد نسخه‌های جدید و فوق واقعی از هر سه اینهاست؛ به‌این معنی که هوش مصنوعی می‌تواند برای بدتر کردن مشکل اطلاعات نادرست که در حال حاضر اینترنت را درگیر کرده است، مورد استفاده قرار بگیرد.

منتقدان هشدار داده‌اند که می‌توان از هوش مصنوعی دیپ‌مایند برای ایجاد «دیپ فیک» نیز استفاده کرد، یعنی ویدیوهایی که به‌نظر می‌رسد رویدادهای واقعی را نشان می‌دهند (دیپ‌مایند تنها هوش مصنوعی‌ای نیست که می‌تواند این کار را انجام دهد؛ با همکاری مؤسسه فناوری ماساچوست و دو شرکت هوش مصنوعی، ویدئویی یک ساخته شد که سخنرانی رئیس جمهور نیکسون را نشان می‌داد و وانمود می‌کرد که این سخنرانی در صورتی انجام می‌شد که در نخستین فرود سرنشینان بر روی ماه مشکلی بروز می‌یافت.)
 
صرف نظر از اخلاقی یا غیراخلاقی بودن دیپ‌مایند، مطمئناً همزمان با فراگیرتر شدن آن، با مشکلات جدیدی نیز روبه‌رو خواهد شد.