مغز متفکر پشت پرده DeepMind کیست؟

اما آیا یک شخص واقعاً می‌تواند مسیر توسعه یک فناوری را هدایت کند یا حتی بزرگ‌ترینِ آن‌ها صرفاً بازیگرانی در پیشرفتِ اجتناب‌ناپذیر آن هستند؟

این پرسش، شالوده کتاب «ماشین بی‌نهایت» (The Infinity Machine) نوشته «سباستین مالابی» (Sebastian Mallab)؛ زندگی‌نامه‌ای از «دمیس هاسابیس» (Demis Hassabis) هم‌بنیان‌گذار Google DeepMind  است.

گفته‌های برنده جایزه نوبل دمیس هاسابیس، درباره معنای AGI برای بشریت در ویژه‌نامه هوش مصنوعی نشریه تایم را در هوشیو بخوانید.

اگر «سم آلتمن» یک معامله‌گر زیرک است، «داریو آمودی» یک نوآوری درگیر تعارضات اخلاقی است و «ایلان ماسک» صرفاً، خود ایلان ماسک است؛ لذا در روایت «مالابی»، «هاسابیس» یک نابغهِ آینده‌نگر و فداکار است. او «فردی شایسته و خیرخواه است و بهترین‌ها را برای بشریت می‌خواهد». ماموریت او در توسعه هوش جامع مصنوعی (AGI)، اگرچه «به مرزهای رسالت مسیحایی تنه می‌زند» اما تلاشی برای کسب قدرت یا پول نیست بلکه جستجویی برای دانش است؛ یعنی ساخت ماشینی که قادر به حل تمام مسائل علمی به نفع بشریت باشد.

مالابی اذعان می‌کند که پذیرش این تصویر قدیس‌گونه ممکن است «دشوار» باشد. بااین‌حال، برخلاف فیلمِ اغراق‌آمیز The Thinking Game محصول ۲۰۲۴ و ساخته «گرگ کوهس»، این کتاب تلاشی صادقانه برای درک این موضوع است که آیا اصول اخلاقیِ یک انسان می‌تواند از رویارویی با الزامات تجاریِ بی‌رحمانه در رقابت هوش مصنوعی جان سالم به در ببرد یا خیر.

حتی در سال ۲۰۱۰، زمانی که هاسابیس، DeepMind را به همراه «شین لگ» و «مصطفی سلیمان» تاسیس کرد، AGI اصطلاحی مبهم بود. (سلیمان عضو هیئت‌مدیره شرکت مادرِ نشریه اکونومیست است.) لگ که برخلاف ادعای کتاب این اصطلاح را ابداع نکرد؛ اما به رواج آن کمک کرد، با این ایده که هوش «جامع» لزوماً باید «انسان‌گونه» باشد، مخالفت کرد. او استدلال کرد که یک هوش مصنوعی که بنا بر آزمون معروف تورینگ از انسان تقلید کند، مشکوک خواهد بود. یک هوش جامع، صرفاً هوشی است که بتواند طیف گسترده‌ای از مشکلات را حل کند، فارغ از اینکه سازوکار درونی آن تا چه حد ناشناخته یا بیگانه باشد. بااین‌وجود، هاسابیس با مدرک دکترای علوم اعصابِ خود، معتقد بود که ذهن انسان باید حداقل به‌عنوان یک راهنما عمل کند.

اما آن‌ها بر سر برنامه اصلی توافق داشتند؛ DeepMind هوش مصنوعی‌ای خواهد ساخت که بتواند انجام بازی‌ها را به خودش آموزش دهد. پیش‌فرض ساده بود. انجام بازی نیازمند حل مسئله است و علم نیز همین‌طور؛ بنابراین، هرچه یک هوش مصنوعی بتواند بازی‌های بیشتری را یاد بگیرد، هوش آن جامع‌تر می‌شود و توانایی بیشتری برای مقابله با مشکلات دیگر پیدا می‌کند. بخش «به خودش آموزش دهد» بسیار حیاتی بود؛ زیرا هوش مصنوعیِ متکی به آموزش انسان هرگز قادر به پیشی‌گرفتن از نبوغ بشری نخواهد بود. ماشین‌ها باید استراتژی‌های خود را از طریق آزمون‌وخطا ابداع می‌کردند؛ تکنیکی که به‌عنوان «یادگیری تقویتی» (Reinforcement Learning) شناخته می‌شود.

این رویکرد، DeepMind را از بازی ساده Pong در آرکید به بازی به‌شدت دشوار Go رساند که در آن پیروزیِ هوش مصنوعی بر بازیکنِ رتبه اول جهان، DeepMind را در کانون توجه جهانیان قرار داد. این شرکت از روش مشابهی برای حل مسئله «تاشدگی پروتئین» (Protein Folding)که یکی از سخت‌ترین مسائل در زیست‌شناسی است استفاده کرد که قفلِ دنیایی از داروهای احتمالی را باز کرد و در سال ۲۰۲۴ برای هاسابیس و همکارش جایزه نوبل شیمی را به ارمغان آورد.

اما موفقیت DeepMind در یادگیری تقویتی تقریباً به نقطه‌ضعف آن تبدیل شد. در سال ۲۰۱۷، رقیب آن، یعنی OpenAI، روی نوع متفاوتی از مدل‌ها به نام «ترانسفورمر» تمرکز کرد. ترانسفورمرها به‌جای آموزشِ خود برای حل مسائل، یاد گرفتند تا با آموزش روی حجم عظیمی از متونِ تولیدشده توسط انسان، پاسخ به پرسش‌ها را پیش‌بینی کنند. در واقع، آن‌ها دانش بشری را به‌جای تولید راه‌حل‌های خاص خود، «طوطی‌وار تکرار می‌کردند»؛ واقعیتی که در ابتدا بسیاری از کارشناسان، از جمله هاسابیس را به نادیده‌گرفتن آن‌ها سوق داد. اما این امر همچنین بدان معنا بود که آن‌ها بسیار «جامع‌تر» بودند؛ زیرا آن‌ها می‌توانستند برای هر پرسشی پاسخی ارائه دهند، هرچند اغلب اشتباه.

OpenAI مزیت دیگری نیز داشت و آن یک طرز فکر به‌مراتب تجاری‌تر بود. DeepMind با وفاداری به جاه‌طلبی‌های علمی هاسابیس، هرگز محصول تجاری عرضه نکرده بود؛ بنابراین زمانی که OpenAI در سال ۲۰۲۲، ChatGPT را منتشر کرد، گوگل که DeepMind را در سال ۲۰۱۴ خریداری کرده بود و از قضا، جایی بود که معماری ترانسفورمر در آنجا اختراع شده بود، در وضعیتی آشفته و منفعل رها شد. از قضا، این همان زمانی بود که مالابی برای نوشتن کتاب به سراغ هاسابیس رفته بود. مالابی با دسترسیِ بی‌سابقه‌ای که داشت، از نزدیک شاهدِ تقلاهای DeepMind برای تغییر مسیر از یک آزمایشگاه تحقیقاتی و تلاش‌های آن برای ساخت Gemini به‌عنوان رقیبی برای ChatGPT بود.

توجیه خود هاسابیس برای تغییر مسیر به‌سوی مدل‌های تجاری هوش مصنوعی این است که: «من در حال حاضر آن اشتیاق علمی را ارضا کرده‌ام… من همیشه با هر دو مسیر مشکلی نداشته‌ام.» با به‌تصویرکشیدن هاسابیس به‌عنوان غول فکری‌ای که بدون شک هست، «ماشین بی‌نهایت» تنها به این کارکرد می‌رسد که نشان دهد حتی غول‌ها در برابر یک نیروی عظیم و مقاومت‌ناپذیرِ فناوری تا چه حد ناچیز هستند. در بخشی از کتاب، جفری هینتون، یکی از پیشگامان هوش مصنوعی و رقیب هاسابیس، به این واقعیت می‌اندیشد که فارغ از تردیدهای اخلاقی یک دانشمند، «چشم‌انداز کشف و اکتشاف آن‌قدر شیرین است» که نمی‌تواند آن‌ها را از پیگیری تحقیقاتِ به طور بالقوه فاجعه‌بار بازدارد. براین‌اساس، به نظر می‌رسد شاید مالابی تلویحاً می‌گوید که حداقل ترجیح می‌دهید فردی مانند هاسابیس این اکتشافات را انجام دهد؛ اما باتوجه‌به نیروهای درگیر در این بازی، این موضوع ممکن است دلخوشیِ بسیار کوچکی به نظر برسد.

گزارش حاضر در نسخه April 4^th 2026 نشریه The Economist منتشر شده است.