დემის ჰასაბისი და AI-რევოლუცია: ჭადრაკის გენიოსობიდან ნობელის პრემიამდე — 5 გარდამტეხი აღმოჩენა

 

მომზადებულია პროფესორ ზაზა ცოტნიაშვილის მიერ Gen AI ინსტრუმენტების გამოყენებით

1. შესავალი: როგორ ცვლის ხელოვნური ინტელექტი სამეცნიერო აღმოჩენების სიჩქარეს?

 დაფიქრებულხართ თუ არა ოდესმე: შესაძლებელია თუ არა, რომ სამეცნიერო აღმოჩენა, რომელსაც საუკუნეების განმავლობაში ათწლეულები და ათასობით მკვლევრის დამღლელი შრომა სჭირდებოდა, რამდენიმე წამში განხორციელდეს?

საუკუნეების განმავლობაში ბიოლოგიასა და მედიცინაში ფუნდამენტური საიდუმლოებების ამოხსნას თაობების ძალისხმევა მიჰყავდა. თუმცა დღეს ჩვენ ვცხოვრობთ ეპოქაში, სადაც მეცნიერული პროგრესის სიჩქარე ექსპონენციალურად იზრდება. ამ ტექნოლოგიური და სამეცნიერო რევოლუციის სათავეებთან დგას სერ დემის ჰასაბისი (Demis Hassabis) — 2024 წლის ნობელის პრემიის ლაურეატი ქიმიაში, DeepMind-ის თანადამფუძნებელი, კომპანია Isomorphic Labs-ის აღმასრულებელი დირექტორი და Alphabet-ის მთავარი მეცნიერი.

სანამ უშუალოდ ჰასაბისის გარდამტეხ აღმოჩენებს მიმოვიხილავთ, განვმარტოთ ფუნდამენტური ცნება:

ხელოვნური ინტელექტი (AI) — კომპიუტერული სისტემა, რომელსაც ძალუძს შეასრულოს ისეთი ამოცანები, რომლებიც ტრადიციულად ადამიანურ აზროვნებას, სწავლის უნარსა და გამოცდილებიდან დასკვნების გამოტანას მოითხოვს.

მოდით, ერთად თვალი გავადევნოთ დემის ჰასაბისის შთამბეჭდავ გზას ჭადრაკის დაფებიდან თანამედროვე მეცნიერების მწვერვალებამდე.

დაჯავშნეთ ტრენინგი: „გენერაციული ხელოვნური ინტელექტი ორგანიზაციის საქმიანობის ეფექტიანობისთვის“ 

2. ბავშვი-ვუნდერკინდიდან ნეირომეცნიერებამდე — ტვინის საიდუმლოებების ამოხსნა

დემის ჰასაბისის ინტელექტუალური მოგზაურობა თამაშებით დაიწყო. იგი ჭადრაკს 4 წლის ასაკიდან თამაშობდა, ხოლო 13 წლის ასაკში უკვე ოსტატის (Master) წოდებას ფლობდა (Elo 2300 რეიტინგით) და ინგლისის ჭაბუკთა ნაკრებებს კაპიტნობდა. სკოლის 16 წლის ასაკში დასრულების შემდეგ, კემბრიჯის უნივერსიტეტში სწავლის დაწყებამდე, მან ძალები ვიდეოთამაშების ინდუსტრიაში მოსინჯა. 17 წლის ასაკში, Bullfrog Productions-ში პიტერ მოლინიოსთან (Peter Molyneux) ერთად, იგი გახდა საკულტო სიმულაციური თამაშის, Theme Park-ის თანადიაზაინერი და მთავარი პროგრამისტი — თამაშისა, რომელმაც მილიონობით ეგზემპლარი გაყიდა და ახალ ჟანრს ჩაუყარა საფუძველი.

ამის შემდეგ ჰასაბისმა კემბრიჯის უნივერსიტეტში (Queens' College) კომპიუტერული მეცნიერების ფაკულტეტი უმაღლესი წარჩინებით (Double First) დაამთავრა. თუმცა, მისი ინტერესი მხოლოდ ტექნოლოგიით არ შემოიფარგლებოდა — მას სურდა გაეგო, როგორ აზროვნებს თავად ადამიანის ტვინი. 2009 წელს ლონდონის უნივერსიტეტის კოლეჯში (UCL), პროფესორ ელენორ მაგვაირის (Eleanor Maguire) ხელმძღვანელობით, მან მიიღო დოქტორის ხარისხი (PhD) კოგნიტურ ნეირომეცნიერებაში.

• ზაზა ცოტნიაშვილი, ხელოვნური ინტელექტის საფუძვლები: AI ყველასათვის, თბ., 2026

სამეცნიერო კონცეფციების სიღრმისეულად გასაგებად, განვმარტოთ ძირითადი ცნებები:

• კოგნიტური ნეირომეცნიერება (Cognitive Neuroscience): მეცნიერების დარგი, რომელიც შეისწავლის ტვინის ბიოლოგიურ მექანიზმებსა და აზროვნების, მეხსიერებისა თუ აღქმის პროცესებს.
• ჰიპოკამპუსი (Hippocampus): ტვინის ნაწილი, რომელიც გადამწყვეტ როლს ასრულებს მეხსიერების კონსოლიდაციასა და წარმოსახვის უნარში.
• ეპიზოდური მეხსიერება (Episodic Memory): ადამიანის უნარი, გაიხსენოს პირადი წარსული გამოცდილებები და მოვლენები.
• სცენის კონსტრუქცია (Scene Construction): ჰასაბისისა და მაგვაირის მიერ ჩამოყალიბებული თეორიული მოდელი — ტვინის უნარი, გონებაში შექმნას და შეინარჩუნოს კომპლექსური, კოჰერენტული ვიზუალური სცენა. ეს პროცესი წარმოადგენს როგორც წარსულის გახსენების, ისე მომავლის წარმოსახვის ფუნდამენტურ საყრდენს.

ჰასაბისის სადოქტორო კვლევამ (რომელიც PNAS-ში გამოქვეყნდა და ჟურნალ Science-ის წლის 10 უდიდეს აღმოჩენას შორის დასახელდა) აჩვენა, რომ ჰიპოკამპუსის დაზიანების მქონე ამნეზიით დაავადებულ პაციენტებს არ შეეძლოთ ახალი სიტუაციების ან მომავლის წარმოდგენა. ამით დადგინდა, რომ მეხსიერების აღდგენა და მომავლის დაგეგმვა ტვინის ერთი და იმავე ნეირონული მექანიზმით ხორციელდება.

ჰასაბისი იხსენებს, თუ რამ შთააგონა იგი კემბრიჯის უნივერსიტეტში სწავლისას:

„მსურდა შემეგრძნო, რას ნიშნავს იმყოფებოდე აღმოჩენების წინა ხაზზე. როდესაც ვუყურებდი 80-იანი წლების ფილმს დნმ-ის აღმოჩენაზე — „დნმ-ის ორმაგი სპირალის რბოლა“ (The Race for the Double Helix), სადაც ჯეფ გოლდბლუმი (Jeff Goldblum) ჯეიმს უოტსონს ანსახიერებს, აღფრთოვანებული ვფიქრობდი: აი, რა მინდა ვაკეთო ცხოვრებაში! რა უნდა იყოს იმაზე ამაღელვებელი, ვიდრე კემბრიჯის ქუჩებში სეირნობა და სამყაროს ფუნდამენტურ საიდუმლოებებზე ფიქრი?“

3. თამაშები, როგორც AI-ის საწვრთნელი პოლიგონი — AlphaGo და Move 37

ნეირომეცნიერული ცოდნის მიღების შემდეგ, ჰასაბისმა გააცნობიერა, რომ თამაშები ხელოვნური ინტელექტის ალგორითმების შესაქმნელად იდეალური, უსაფრთხო გარემოა. 2010 წელს DeepMind-ის დაარსების შემდეგ, გუნდმა დაიწყო პიონერული სისტემით — DQN (Deep Q-Network), რომელმაც Atari-ს თამაშები ისწავლა უშუალოდ ეკრანის პირველადი პიქსელებიდან (raw pixels), ყოველგვარი წინასწარ დაპროგრამებული წესების გარეშე.

ხელოვნურ ინტელექტში ორი ძირითადი მიდგომა დაუპირისპირდა ერთმანეთს:

• ექსპერტული სისტემები (Expert Systems): წინასწარ დაპროგრამებული წესებისა და ლოგიკის მქონე ხისტი სისტემები (მაგალითად, ჭადრაკის კომპიუტერი Deep Blue). ისინი მოკლებულნი არიან მოქნილობას და ვერ უმკლავდებიან გაუთვალისწინებელ სიტუაციებს.
• სწავლადი სისტემები (Learning Systems): თანამედროვე, ნეირომეცნიერებით შთაგონებული მიდგომა, სადაც სისტემა თავად სწავლობს მონაცემებიდან და საკუთარი გამოცდილებიდან.

ამ სისტემების საფუძველია განმტკიცებითი სწავლება (Reinforcement Learning) — AI-ის სწავლების მეთოდი, სადაც ალგორითმი საკუთარ შეცდომებსა და წარმატებებზე დაკვირვებით, მილიონობით თვით-თამაშის (Self-play) პროცესში იუმჯობესებს შედეგს.

თვით-თამაშის პროცესში ალგორითმი ვითარდება ეტაპობრივად (V_1 \rightarrow V_2 \rightarrow ... \rightarrow V_{17/18}). პირველი ვერსია (V_1) თამაშობს სრულიად შემთხვევითად. 100,000 პარტიის გათამაშების შემდეგ, მონაცემებზე დაყრდნობით იქმნება V_2, რომელიც უკეთ წინასწარმეტყველებს მოგების შანსებს. 24 საათზე ნაკლებ დროში, 17-18 ციკლის შემდეგ, ალგორითმი აჭარბებს ადამიანის ოსტატობის უმაღლეს დონეს.

გოს თამაშში შესაძლო პოზიციების რაოდენობა შეადგენს 10^{170}-ს — რაც აღემატება ატომების რაოდენობას ხილულ სამყაროში. ასეთი ასტრონომიული სივრცის გადარჩევა ე.წ. "უხეში ძალის" (Brute Force) მეთოდით შეუძლებელია. DeepMind-მა ეს პრობლემა გადაჭრა ნეირონული ქსელების მეშვეობით, რომლებიც მონტე-კარლოს ძებნის ხეს (Search Tree) მიმართავენ მხოლოდ ყველაზე პერსპექტიული სვლებისკენ, რაც 10^{170} კომბინაციას გამოთვლადად მართვადს ხდის.

2016 წელს შეიქმნა ისტორიული გარდატეხა: პროგრამამ AlphaGo 4-1 დაამარცხა გოს ლეგენდარული ოსტატი ლი სედოლი (Lee Sedol). მეორე პარტიაში AI-მ გააკეთა სვლა, რომელიც ისტორიაში შევიდა, როგორც "Move 37" (სვლა 37). ეს იყო სვლა, რომელსაც ადამიანი ექსპერტი არასოდეს გააკეთებდა. ამით AI-მ დაამტკიცა, რომ მას ძალუძს ახალი ცოდნისა და სტრატეგიების აღმოჩენა.

მოგვიანებით შეიქმნა AlphaZero, რომელმაც ჭადრაკშიც რევოლუცია მოახდინა. მან დაამარცხა ტრადიციული ჭადრაკის ძრავა Stockfish. ალგორითმმა მატერიალური უპირატესობა გაწირა ფიგურების მობილურობის სასარგებლოდ (ჭადრაკის ისტორიაში ცნობილი, როგორც "Immortal Zugzwang Game"). ჭადრაკის ლეგენდარულმა მსოფლიო ჩემპიონმა გარი კასპაროვმა (Garry Kasparov) ალგორითმის თამაში ასე შეაფასა:

„პროგრამები ჩვეულებრივ ასახავენ პროგრამისტის პრიორიტეტებსა და ცრურწმენებს, მაგრამ რადგან AlphaZero თავად სწავლობს, ვიტყოდი, რომ მისი სტილი ასახავს სიმართლეს.“

4. 50-წლიანი ბიოლოგიური ამოცანის ამოხსნა — AlphaFold და ნობელის პრემიის ტრიუმფი

თამაშებში მიღებული გამოცდილების შემდეგ, დემის ჰასაბისმა მიმართა ბიოლოგიის 50-წლიან დიდ გამოცანას — ცილების 3D სტრუქტურის პროგნოზირებას.

ტერმინების განმარტება:

• ცილის დახვევა (Protein Folding): პროცესი, სადაც ამინომჟავების ერთგანზომილებიანი ჯაჭვი გარდაიქმნება რთულ 3D სტრუქტურად, რაც განსაზღვრავს ცილის ფუნქციას ორგანიზმში.
• ლევინტალის პარადოქსი (Levinthal's Paradox): თეორიული გამოთვლა, რომლის მიხედვითაც საშუალო ცილას აქვს 10^{300} შესაძლო ფორმა, თუმცა ბუნებაში იგი მილიწამებში იხვევა.

ათწლეულების განმავლობაში, ტრადიციული ექსპერიმენტული მეთოდებით (რენტგენოსტრუქტურული ანალიზი, კრიო-ელექტრონული მიკროსკოპია) 1 ცილის სტრუქტურის დადგენას 1 დოქტორანტის 4-5 წლის შრომა სჭირდებოდა.

2020 წელს CASP14 კონკურსზე DeepMind-ის ალგორითმმა AlphaFold 2-მა მიაღწია ატომურ სიზუსტეს (შეცდომა < 1 ონგსტრემი / GDT > 87). ამის შემდეგ:

1. AlphaFold 2-მა 1 წელიწადში მეცნიერებისთვის ცნობილი 200 მილიონი ცილის სტრუქტურა იწინასწარმეტყველა (რაც დაახლოებით 1 მილიარდი წლის PhD შრომის ეკვივალენტია).
2. EMBL-EBI-სთან თანამშრომლობით, AlphaFold-ის მონაცემთა ბაზა სრულიად უფასოდ გახდა ხელმისაწვლდომი 2 მილიონზე მეტი მკვლევრისთვის მთელ მსოფლიოში.

ამ ისტორიული სამეცნიერო მიღწევისთვის, 2024 წელს დემის ჰასაბისს და ჯონ ჯამპერს (John Jumper) მიენიჭათ ნობელის პრემია ქიმიაში.

5. ციფრული ბიოლოგია და მედიცინის მომავალი — AlphaFold 3, AlphaProteo და Isomorphic Labs

ჰასაბისის ფილოსოფიური კონცეფციით, თუ კლასიკური მათემატიკა არის იდეალური ენა ფიზიკის აღწერისთვის, ხელოვნური ინტელექტის სწავლადი ალგორითმები წარმოადგენს ბუნებრივ ენას ბიოლოგიის რთული, დინამიური და ემერჯენტული სისტემების აღწერისთვის.

ამ ხედვის პრაქტიკაში დასანერგად ჰასაბისმა დააფუძნა კომპანია Isomorphic Labs, რომლის მისიაა მედიკამენტების აღმოჩენის პროცესის შემოკლება ტრადიციული 10 წლიდან რამდენიმე თვემდე ან კვირამდე.

ტექნოლოგიური განვითარების ახალი ეტაპები:

• AlphaFold 3: გადავიდა სტატიკური ცილების მოდელირებიდან დინამიურ ბიოლოგიურ ურთიერთქმედებებზე. მას ძალუძს იწინასწარმეტყველოს ცილების კავშირი დნმ-თან, რნმ-თან, ლიგანდებთან და მცირე მოლეკულებთან (წამლის ნაერთებთან).
• AlphaProteo: ახორციელებს ცილის დახვევის საპირისპირო პროცესს — დნმ-ისა და ამინომჟავების სრულიად ახალი სექვენსების პროექტებას ნულიდან (de novo), რათა შეიქმნას კონკრეტული ფუნქციის მქონე ახალი ცილები (მაგალითად, სამიზნე ანტისხეულები).
• ციფრული ბიოლოგია (Digital Biology) და ვირტუალური უჯრედი (Virtual Cell): ბიოლოგიური პროცესების მოდელირება კომპიუტერულ გარემოში (in silico). ჰასაბისის საბოლოო მიზანია შეიქმნას საფუარის კომპიუტერული უჯრედი, სადაც ექსპერიმენტები ციფრულად ჩატარდება.

AlphaFold-ის პრაქტიკული გამოყენების მაგალითები:

• პორტსმუთის უნივერსიტეტი (University of Portsmouth): პლასტმასის მომნელებელი ახალი ფერმენტების ინჟინერია გარემოს დაბინძურებასთან საბრძოლველად.
• ფლემინგის ცენტრი (Fleming Centre): ანტიბიოტიკებისადმი რეზისტენტობის (სუპერბაქტერიების) მექანიზმების კვლევა.
• DNDi (Drugs for Neglected Diseases initiative): იშვიათი ტროპიკული დაავადებების (მალარია, ლეიშმანიოზი, ზიკას ვირუსი) სამკურნალო მედიკამენტების შექმნა.
• ბროდის ინსტიტუტი (Broad Institute): ორგანიზმში წამლის მიზნობრივი მიწოდებისთვის მოლეკულური „შპრიცების“ პროექტირება.
• ფუნდამენტური ბიოლოგია: ბირთვული ფორების კომპლექსის (Nanopore Complex) სტრუქტურისა და ადამიანის ნაყოფიერების მექანიზმების ამოცნობა.

6. გზა AGI-სკენ, სამყაროს მოდელები და მეცნიერული პასუხისმგებლობა

დემის ჰასაბისის მთავარი მისია ყოველთვის იყო AGI (Artificial General Intelligence / ხელოვნური ზოგადი ინტელექტი) — სისტემა, რომელსაც ძალუძს ალან ტურინგის (Alan Turing) თეორიული მანქანის მსგავსად გამოთვალოს და შეასრულოს ნებისმიერი ინტელექტუალური ამოცანა, რაც ადამიანის ტვინისთვისაა ხელმისაწვდომი.

AGI-ისკენ მიმავალ გზაზე DeepMind ქმნის ახალ „სამყაროს მოდელებს“ (World Models):

• Veo2 და Genie2: ეს სისტემები უბრალოდ ვიზუალურ კონტენტს კი არ გენერირებენ, არამედ პირდაპირ ვიზუალური მონაცემებიდან (და არა წინასწარ დაპროგრამებული ფიზიკის ძრავებით) სწავლობენ რეალური სამყაროს ფიზიკის კანონებს — სითხის დინამიკას, იმპულსს, დაჯახებასა და ობიექტების სიმტკიცეს. Genie2-ს ძალუძს ტექსტური ბრძანებით შექმნას ინტერაქტიული, სამგანზომილებიანი სათამაშო სამყაროები.
• Gemini: ახალი თაობის მულტიმოდალური AI მოდელები.

ტექნოლოგიურ პროგრესთან ერთად, ჰასაბისი მკვეთრად მიუთითებს პასუხისმგებლობაზე და ერთმანეთს ადარებს ორ ფილოსოფიას:

1. სილიკონის ველის ტრადიციული მიდგომა: „იმოძრავე სწრაფად და დაანგრიე წესები“ (Move fast and break things).
2. DeepMind-ის სამეცნიერო მიდგომა: „სამეცნიერო მეთოდი, თავმდაბლობა, უსაფრთხოება და პასუხისმგებლობა“.

AI უსაფრთხოების უზრუნველსაყოფად DeepMind-მა შექმნა ტექნოლოგია SynthID — სპეციალური ალგორითმი, რომელიც AI-ის მიერ გენერირებულ ფოტო, ვიდეო, აუდიო და ტექსტურ მასალას უხილავად ნიშნავს (Watermarking), რათა მარტივად მოხდეს სინთეტიკური კონტენტის განსხვავება რეალურისგან.

7. დასკვნა: შეჯამება და დაფიქრებისთვის განკუთვნილი შეკითხვა

როგორც აკადემიური სფეროს წარმომადგენელი, პროფესორი ზაზა ცოტნიაშვილი ხაზგასმით აღვნიშნავ: დემის ჰასაბისის მოღვაწეობამ წარმოაჩინა ღრმა თეორიული ჰიპოთეზა — კლასიკურ გამოთვლით მანქანებს (ტურინგის მანქანებს) და სწავლად ალგორითმებს ძალუძთ კვანტურ მასშტაბში მიმდინარე ბუნებრივი პროცესების (როგორიცაა ცილების დახვევა) ეფექტური მოდელირება და მიახლოება. ეს მიგნებას ეჭვქვეშ აყენებს ძველ წარმოდგენას იმის შესახებ, რომ ბუნების რთული კვანტური სისტემების შესასწავლად ექსკლუზიურად კვანტური კომპიუტერებია საჭირო. თუ ბუნებაში არსებობს რაიმე ფიზიკური კანონზომიერება ან სტრუქტურა, ხელოვნურ ინტელექტს ძალუძს მისი ამოცნობა.

სტატიის დასასრულს, მსურს დაგიტოვოთ ერთი შეკითხვა დაფიქრებისთვის:

„თუ ხელოვნურ ინტელექტს შეუძლია 1 წელში ამოხსნას 1 მილიარდი წლის სამეცნიერო ამოცანა, რა ახალ საიდუმლოებებს გაგვიმხელს იგი სამყაროსა და ადამიანის არსის შესახებ მომდევნო ათწლეულში?“