منبع:راسخون



 

من در اواخر دهه 90 در انگلیس بودم و اسم شما را در مجله‌های کامپیوتری می‌دیدم، هر جا حرف از یک بازی بلند پروازانه بود، اسم شما هم آورده می‌شد. زمانی که در مورد DeepMind مطالبی به گوشم رسید و نام شما را در کنار آن دیدم، با خودم فکر کردم، این دو با هم جور هستند. می‌توانید بین شغل قبلی‌تان در صنعت بازی و کار کنونی‌تان تمایزی قایل شوید؟
بله، هدف نهایی من همواره چیزی همچون DeepMindبود. می‌توان گفت بیش از 20 سال در حال برنامه‌ریزی برای آن بودم. فعالیت‌هایی که در این سال‌ها انجام دادم همه نهایتا به هوش مصنوعی ختم می‌شدند. اگر با کارهای من در Bullfrog آشنا بوده‌اید، حتما می‌دانید تمام چیزهایی که من می‌نوشتم با هوش مصنوعی در ارتباط بودند. بازی‌های Peter Molyneux هم همگی، بازی‌های هوش مصنوعی هستند. زمانی که در 16 یا 17 سالگی بر روی Theme Park کار می‌کردم، متوجه شدم اگر تلاش کنیم هوش مصنوعی را گسترش دهیم تا چه اندازه می‌تواند قدرتمند شود. از آن بازی، میلیون‌ها نسخه فروخته شد و بسیاری از مردم از بازی با آن لذت بردند؛ چرا که هوش مصنوعی با شیوه بازی کاربر سازگار می‌شد. ما همچنان به کار بر روی آن پرداختیم و من ادامه‌ی مدتی را که در صنعت بازی بودم برای پیشرفت هوش مصنوعی تلاش کردم. پس از آن بود که تصمیم گرفتم تحصیلات دانشگاهی‌ام را در رشته نوروساینس تکمیل کنم؛ چرا که مایل بودم به طور مستقیم به تحقیق بر روی هوش مصنوعی بپردازم.
آیا بازی‌ها در این دوران بارزترین کاربرد هوش مصنوعی بودند؟
بله، من اینطور فکر می‌کنم، همچنین فکر می‌کنم ما به شکلی باور نکردنی، هوش مصنوعی را نادیده گرفته بودیم. در آن زمان، دانشگاه هنوز در دهه 90 باقی مانده بود و تکنیک‌های جدید، شناخته و سنجیده نشده بودند؛ تکنیک‌هایی مثل شبکه های عصبی، یادگیری عمیق، یادگیری تقویتی؛ بنابراین می‌توان گفت بهترین کاربرد هوش مصنوعی در بازی‌ها جریان داشت. بازی‌هایی مثل Black & White از یادگیری تقویتی استفاده می‌کردند، فکر می‌کنم این مورد هنوز هم پیچیده‌ترین نمونه‌ی استفاده از این نوع از هوش مصنوعی در بازی‌ها باشد. حوالی سال‌های 2004-2005 صنعت بازی مسیر خود را تغییر داد و از حال و هوای دهه 90 که در آن خلاقیت و سرگرمی موج می‌زد، به بازی‌هایی رسید که بیشتر به گرافیک توجه می‌کردند. این فضا برای من جذابیت چندانی نداشت. من هر چه از دستم برمی‌آمد در بازی‌ها انجام داده بودم، حالا وقت آن رسیده بود برای راه‌اندازی DeepMind به جمع‌آوری اطلاعات بپردازم. نوروساینس بهترین انتخاب بود، من می‌خواستم از این‌که مغز چگونه مسایل را حل می‌کند، الهام بگیرم، چه چیزی بیش از گرفتن دکترای نوروساینس می‌توانست به من کمک کند؟
آیا در نظر دارید که از پیشرفت‌های هوش مصنوعی در بازی‌ها استفاده کنید؟
بله، فکر می‌کنم چنین کاری جالب خواهد بود. اخیرا نماینده‌ای از EA با من تماس گرفت و تصمیم گرفتیم این کار را انجام دهیم. البته ما در حال حاضر روی موضوعاتی مثل مراقبت‌های بهداشتی، سیستم‌های توصیه‌گر (recommendation systems) و چیزهایی از این دست کار می‌کنیم، اما وقتی زمانش فرا برسد واقعا دوست دارم روی بازی‌ها کار کنم. فکر می‌کنم داشتن یک رقیب AI سازگار، برای بسیاری جالب خواهد بود. بازی‌سازها هم از این قضیه استقبال می‌کنند که به جای ساختن یک AI جدید برای هر بازی، بتوانند AI را در بازی رشد و پرورش دهند.
شما را تصور می‌کنم که در خانه بازی‌های ویدیویی را انجام می‌دهید، فکر می‌کنم شخصیت‌های غیرقابل بازی (non-player characters) شما را بیشتر از من ناامید می‌کنند.
حتما [می‌خندد]، این قضیه در بازی‌های چندنفره‌ی بزرگ بیشتر مرا ناامید می‌کرد. شخصیت‌های غیرقابل بازی در این بازی‌ها خیلی احمق بودند. آن‌ها هیچ حافظه‌ای نداشتند، نمی‌توانستند تغییر کنند. فکر می‌کنم با کمک هوشی مصنوعی که می‌تواند بیاموزد، بازی‌ها وارد مرحله کاملا جدیدی خواهند شد.
شما این هفته اشاره کردید که کاربرد اصلی هوش مصنوعی در آینده مراقبت‌های بهداشتی، دستیاران گوشی‌های هوشمند و رباتیک خواهد بود. اگر بخواهیم در مورد مراقبت‌های بهداشتی صحبت کنیم می‌توانیم برای نمونه به IBM و Watson اشاره کنیم که کارهایی را در زمینه تشخیص سرطان انجام دادند. DeepMind چه برنامه‌ای دارد؟
خب باید بگویم ما هنوز اول کار هستیم. چند هفته پیش شراکت خود را با NHS اعلام کردیم، اما این تنها آغازی برای ساختن پلتفرمی بود که یادگیری ماشینی (Machine learning) بتواند در آن به کار رود. فکر می‌کنم کار Watson با آنچه ما انجام می‌دهیم متفاوت است. چنان که متوجه شدم، کار آن‌ها، یک سیستم تخصصی و مدل متفاوتی از هوش مصنوعی است. این نوع از هوش مصنوعی، براساس عکس‌ها، تشخیص پزشکی انجام می‌دهد، سپس علایم حیاتی را در طول زمان ردیابی می‌کند و خود را ارتقا می‌دهد و در تلاش است به مردم کمک کند شیوه زندگی سالمی داشته باشند. این برای یادگیری تقویتی بسیار مناسب است.
بعد از شراکت با NHS شما اپلیکیشنی را اعلام کردید که به نظر نمی‌رسید چندان از هوش مصنوعی یا یادگیری ماشینی استفاده کند. چه فکری پشت آن است؟ چرا NHS از نرم‌افزارهای شرکت دیگری استفاده نکرد؟
آن‌طور که من متوجه شدم نرم‌افزارهای NHS اصلا مناسب نیستند، بنابراین فکر می‌کنم اولین قدم به روز کردن این نرم‌افزارهاست. نرم‌افزارهای قدیمی پزشکان و پرستاران را ناامید می‌کند و سرعت کارشان را کم می‌کند. اولین کاری که ما در نظر داریم، اینست که آن‌ها را به ابزارهایی مفید، مجهز کنیم. پس از آن می‌توان تکنیک‌های یادگیری ماشینی پیچیده‌تر را هم در نظر گرفت.
چه مقدار هزینه برای این کارها پرداخت شده است؟ تامین بودجه برای مراقبت‌های بهداشتی در بریتانیا همیشه مورد بحث بوده است.
بله، خب،[می‌خندد] ما این کار را به رایگان انجام می‌دهیم. کار با بسیاری از شرکت‌های نرم‌افزاری متفاوت است. شرکت‌های بزرگ و چند ملیتی‌ای که معمولا چنین کارهایی را انجام می‌دهند، به کاربران توجهی نمی‌کنند؛ در حالی که ما این برنامه را بیشتر استارت‌آپی در نظر گرفته‌ایم که برای دریافت بازخورد کاربران طراحی شده است، در واقع کاربران در طراحی آن با ما همکاری دارند.
اجازه بدهید به سراغ دستیاران گوشی‌های هوشمند برویم. من دیدم که شما در یکی از اسلایدهای خود، اشاره‌ای به فیلمHer کردید، آیا چنین چیزی را به عنوان هدف نهایی در نظر دارید؟
نه، منظورم این است که فیلمHer نمونه‌ای محبوب برای معرفی چنین چیزی است. فکر می‌کنم ما دوست داریم این دستیاران گوشی‌های هوشمند، درکی عمیق‌تر از آنچه شما می‌خواهید انجام دهید، داشته باشند. در حال حاضر بسیاری از این برنامه‌ها، ناقص هستند. وقتی شما از محدوده‌ی پیش برنامه‌ریزی شده‌ی آن‌ها بیرون می‌روید، کاملا بی‌فایده خواهند شد. آنچه ما در نظر داریم این است که آن‌ها را سازگار، انعطاف‌پذیر و قوی‌تر کنیم.
پیشرفت در این زمینه چه اهمیتی می‌تواند داشته باشد؟
من فکر می‌کنم باید با رویکرد متفاوتی به قضیه نگاه کنید. اینجا هم مساله، دوگانگی میان برنامه‌های از پیش طراحی شده و یادگیری است. در حال حاضر تقریبا تمامی دستیاران گوشی‌های هوشمند، از پیش برنامه‌ریزی شده هستند و تنها در یک زمینه کاربرد دارند، آن‌ها ناقص هستند؛ چرا که تنها می‌توانند کارهایی را انجام دهند که برای آن‌ها برنامه‌ریزی شده‌اند. دنیای واقعی بسیار آشفته و پیچیده است و کاربران ممکن است خواسته‌های غیرقابل پیش‌بینی‌ای داشته باشند، که به ذهن شما نرسیده باشد. باور ما در DeepMind همواره این است که تنها رویکرد به هوش در همه زمینه‌ها، قضیه یادگیری است.