تُظهر أبحاث DeepMind من Google ما يمكننا تعلمه من الذكاء الاصطناعي، وتمتلك المجموعة الكثير من إنجازات الذكاء الاصطناعي المبهجة التي تحمل اسما.
ولعل أهمها هو مشروع AlphaGo، وهو أحد المشاريع الخاصة ببرنامج غوغل للذكاء الصناعي المعروف باسم DeepMind، وتعمل غوغل عبر هذا البرنامج على تطوير برامج وخوارزميات حاسوبية ذات قُدرات عالية من حيث معالجة المعلومات واتخاذ القرار، بحيث تكتسب هذه البرامج قُدراتها الذكية عبر التعلم بالخبرة، بشكل مشابه تمامًا لتعلم الإنسان، حيث يقوم الإنسان بتطوير المَعلومات التي يخزنها ويصقلها مع الخبرة والتقدم بالعمر.
يليه AlphaZero، الذي يلعب Go بشكل أفضل ويمكن تعليمه أيضا ألعاب أخرى؛ و AlphaStar، التي تلعب لعبة استراتيجية في الوقت الحقيقي StarCraft على مستوى الخبراء.
لكن DeepMind، يريد أن يستخدم الذكاء الاصطناعي الخاص به لأكثر من مجرد لعب لعبة، وإلى جانب هذه الإنجازات التي تم الترويج لها بشكل كبير، فقد عملوا على الكثير.
فقد سلطت ورقتان بحثيتان نُشرتا في مجلة Nature يوم الأربعاء الضوء على بعض من هذا العمل: ورقة حول التعليم المعزز (reinforcement learning)، وكيف يمكن أن يعلمنا المزيد حول كيفية عمل الدماغ، وورقة حول كيفية استخدام الذكاء الاصطناعي للتنبؤ بطي البروتينات.
تستكشف الورقة الأولى كيف أن التطورات الحديثة في “التعليم المعزز” قد تعلمنا شيئًا عن كيفية عمل الدماغ.
استنادا إلى أنواع خوارزميات التعلم المعززة التي تحقق أفضل أداء، افترض الباحثون أن الخلايا العصبية قد تنقل معلومات أكثر تعقيدا حول المكافآت المستقبلية مما توقعنا سابقا، وتشير دراسة أجريت على الفئران إلى احتمال وجود شيء ما في هذا الصدد.
لفترة طويلة، جادل الباحثون أن أوجه التشابه موجودة بين طريقة التعلم العميق بمعالجة أنظمة الذكاء الاصطناعي وطريقة عمل الدماغ البشري.
إحدى الطرق التي يمكنك بها تدريب نظام الذكاء الاصطناعي هي التعلم المعزز، حيث يجد وكيل الذكاء الاصطناعى، وهو يأخذ الإجراءات في العالم، أن البعض منهم “يكافأ”، وبمرور الوقت يعدل سلوكه لتعظيم المكافأة التي يمكن أن يكسبها.
تم تطبيق الفكرة بسرعة على علم الأعصاب، حيث افترض بعض الباحثين أن الناقلات العصبية مثل الدوبامين تعمل كإشارات مجزية تشبه إلى حد كبير تلك الموجودة في أنظمة الذكاء الاصطناعي.
لكن الكثير من الأشياء التي قد نرغب في “مكافأتها” في إنسان – أو، في هذا الصدد، عميل متطور للذكاء الاصطناعي – هي أشياء ستحدث في المستقبل البعيد.
إذا كان شخص ما يريد الآيس كريم، على سبيل المثال، ولا يوجد لديه في منزله، فيجب أن يكون الدافع وراء ارتداء أحذيته، والذهاب إلى المتجر، وشراء الآيس كريم، والعودة إلى المنزل قبل أن يتمكن من تناوله.
كيف يعمل هذا؟ كيف يتنبأ الدماغ بالمكافأة البعيدة للأيس كريم ويقوم بالخطوات التي تؤدي إليها؟
في كل خطوة، يتوجب على الدماغ ببساطة توقع مقدار المكافأة التي ستؤدي إليها الخطوة التالية، وهذا من شأنه تحفيزه نحو الخطوات التي تزيد من المكافأة المتوقعة.
قد يكون نظام التحفيز البسيط هو ما تقوم عليه الإجراءات البشرية المعقدة مثل (على سبيل المثال) الدراسة للاختبار – لأنك ترغب في الحصول على درجات جيدة، لأنك تريد وظيفة جيدة، لأنك تريد الكثير من المال.
ولكن ما تجادل به صحيفة “نيتشر” الجديدة هو أن أنظمة الذكاء الاصطناعي المتطورة مثل تلك المستخدمة اليوم تعمل في الواقع على شيء أكثر تعقيدا بقليل مما ورد أعلاه.
ففي كل خطوة، لا يقومون فقط بحساب متوسط المكافأة المتوقعة من سير أعمالهم، وبدلاً من ذلك، يحتفظون بتوزيع احتمالي متطور في رؤوسهم.
الأنظمة التي تفعل ذلك – تسمى متعلمي المسافات الزمنية التوزيعية – تحرز نقاطا أفضل من الأنظمة التي تحسب فقط متوسطا على مهام مثل ألعاب النظام الأساسي (حيث يتحرك اللاعب حول مستوى لتسجيل نقاط).
وهذا ما جعل الباحثين يتساءلون عما إذا كان البشر يحتفظون بهذه النماذج الرياضية المعقدة في رؤوسهم أيضا.
مقالات شبيهة:
وكتب ويل دابني، وهو باحث في DeepMind ساهم في الورقة: “خلال العقود الثلاثة الماضية، ركزت أفضل نماذجنا للتعلم المعزز في الذكاء الاصطناعى وعلم الأعصاب بشكل كلي تقريبا على تعلم توقع متوسط المكافأة المستقبلية، لكن هذا لا يعكس الحياة الحقيقية – عند لعب اليانصيب، على سبيل المثال، يتوقع الناس إما الفوز بالجائزة الكبرى، أو الفوز بأي شيء – لا أحد يفكر في الحصول على النتيجة المتوسطة. “.
لذلك نظر DeepMind في الدليل على ذلك في دراسة أجرتها جامعة هارفارد على الفئران، حيث وضعوا بيئة للفئران مع بعض الفرص لمكافأة كبيرة وبعض الفرص لمكافأة صغيرة جدا، وقاسوا نشاط الخلايا العصبية، ووجدوا أنماطًا توحي بأن الخلايا العصبية لدى الفئران، مثل أنظمة الذكاء الاصطناعي، كانت ترمز لتوزيع احتمالي معقد بدلا من مجرد نتيجة متوسطة متوقعة.
“يمثل الدماغ مكافآت مستقبلية محتملة، ليس كوسيلة واحدة، ولكن بدلاً من ذلك كتوزيع الاحتمالات، ويمثل بشكل فعال نتائج مستقبلية متعددة في وقت واحد وبالتوازي”، تقول الصحيفة.
تلخص ورقة Nature الثانية عمل DeepMind على استخدام الذكاء الاصطناعي للتنبؤ بطي البروتين، وهي قضية حاسمة لتطوير عقاقير جديدة.
وفي العام الماضي، أنتج DeepMind أحدث النتائج في المهمة، وفي الورقة يصفون كيفية تحقيق تلك النتائج.
كل عام، في مؤتمر يسمى “التقييم النقدي للتنبؤ بالهيكل” (CASP)، يقدم باحثون من جميع أنحاء العالم برامج تأخذ لقطة من تقدير بنية البروتين، وفي العام الماضي، كان DeepMind هو الفائز.
تشرح ورقة Nature مقاربتها الرابحة وتستكشف إمكانات أنظمة الذكاء الاصطناعي المتقدمة لإحراز مزيد من التقدم في مشاكل مثل هذه المشكلة.
وقد تمكنت DeepMind من إثبات فائدة الذكاء الإصطناعي للمساعدة في المهمة المعقدة المتمثلة في التنبؤ بالهياكل ثلاثية الأبعاد للبروتينات التي تعتمد فقط على تسلسلها الجيني.
إن فهم البروتين أمر مهم في تشخيص المرض وعلاجه, ويمكن أن يحسِّن فهم العلماء لجسم الإنسان – فضلاً عن المساعدة المحتملة في دعم تصميم البروتين والهندسة الحيوية.
كتب باحثو DeepMind في الورقة: “يمثل AlphaFold تقدما كبيرا في تنبؤ بنية البروتين، ونتوقع هذه الدقة المتزايدة لتمكين رؤى حول وظيفة وخلل البروتينات، خاصة في الحالات التي لم يتم فيها تحديد أي بنية للبروتينات المتماثلة”.
وفي مقال نشر في مدونة حول مشروع إستخدام الذكاء الإصطناعي للتنبؤ بسلوك البروتينات – والآن بعد مرور عامين – يكتب: “إن النماذج ثلاثية الأبعاد من البروتينات التي يولدها AlphaFold [الذكاء الاصطناعي لشركة DeepMind] هي أكثر دقة بكثير من أي تقنية سابقة – مما يجعل ذلك تقدم كبير في أحد التحديات الأساسية في علم الأحياء “.
هناك طرق علمية مختلفة للتنبؤ بحالة ثلاثية الأبعاد لجزيئات البروتين (أي كيف تطوى سلسلة البروتين للوصول إلى الحالة الأصلية) من الأحماض الأمينية المتبقية في الحمض النووي.
لكن وضع النماذج لهيكل ثلاثي الأبعاد هو مهمة معقدة للغاية, بالنظر إلى عدد التباديل الذي يمكن أن يحدث بسبب حساب البروتين الذي يعتمد على عوامل مثل التفاعلات بين الأحماض الأمينية.
هناك حتى لعبة جماعية (FoldIt) تحاول أن تستغل الحدس البشري للتنبؤ بأشكال بروتينية قابلة للتطبيق.
وتقول DeepMind إن نهجها يعتمد على سنوات من الأبحاث السابقة في إستخدام البيانات الضخمة في محاولة التنبؤ بهياكل البروتين. على وجه التحديد، يتم تطبيق أساليب التعلم العميق للبيانات الجينومية.
“لحسن الحظ, إن مجال علم الجينوم غني جدًا بالبيانات بفضل الإنخفاض السريع في تكلفة التسلسل الجيني. ونتيجة لذلك, أصبحت أساليب التعلم العميق لمشكلة التنبؤ التي تعتمد على البيانات الجينية بشكل متزايد في السنوات القليلة الماضية.
وقد أسفرت أعمال DeepMind عن هذه المشكلة عن AlphaFold, والتي قدمناها إلى CASP [تجربة واسعة على مستوى المجتمع حول التقييم النقدي لتقنيات هيكل البروتين] هذا العام, كما يكتب في مشاركة المدونة.
يصف DeepMind النتائج المحققة حتى الآن بأنها “علامات مبكرة للتقدم في تضاعف البروتين” بإستخدام أساليب حسابية – مدعيا أنها تثبت “فائدة الذكاء الإصطناعي للإكتشاف العلمي”.
ولا يزال هناك طريق طويل لنقطعه، وقد كان AlphaFold أقوى أداءا في CASP، لكن معدل نجاحه المطلق لم يكن جيدًا، وهناك الكثير من التحديات المهمة المتمثلة في طي البروتين والتي لا تزال دون حل.