از طراحی بازی‌های رایانه ای تا نوبل شیمی  ۲۰۲۴/ دمیس هاسابیس ( ذهن شگفت‌انگیز یک کارآفرین درخشان:

دمیس هاسابیس دانشمند بریتانیایی هوش مصنوعی و برنده جایزه نوبل شیمی ۲۰۲۴ سلوک علمی خود را از کودکی با شیفتگی به شطرنج و بازی‌های رایانه‌ای درآمیخته است. پدرش از یونانیان قبرس و مادرش سنگاپوری است.  در ۴ سالگی بازی شطرنج را فراگرفت و در ۱۳ سالگی استاد بین‌المللی شطرنج شد.  بازی شطرنج  او را به عملکرد مغز و فرآیند نحوه تفکر[1] علاقمند کرد.  در ۸ سالگی با پول جایزه‌ای که با قهرمان شدن در یکی از تورنمنت‌های شطرنج به دست آورده بود،  یک کامپیوتر خرید و یک بازی رومیزی[2] به نام   Othello  را با هوش مصنوعی  [3] طراحی کرد که  به راحتی حریفان را شکست می‌داد. این اولین تجربه او در آشنایی باهوش مصنوعی  و درک قدرت بالقوه آن بود. 

دمیس در ۱۷ سالگی همکاری خود رابا یک کمپانی که بازی‌های رایانه‌ای را طراحی می‌کرد شروع کرد. او به زودی  برنامه‌ریز اصلی شرکت شد و بازی فکری  Theme park را طراحی کرد که برنده جایزه نوآوری شد. سپس وارد دانشگاه کمبریج شد تا علوم کامپیوتر بخواند. 

دمیس پس از طی دوران مهندسی کامپیوتر درکمبریج،  شرکت طراحی game خودش را به نام Elixir  studios  تأسيس كرد؛  و هم‌زمان در کالج دانشگاهی لندن [4] دوره دکترای خود را ادامه داد. 

در این هنگام او روی پروژه‌ای در زمینه علوم اعصاب محاسباتی[5]  کار  می‌کرد که  به ارتباط بین توانایی انسان در یادآوری خاطرات با پیشگویی وقایع آینده می‌پرداخت. نتایج این پروژه جزو ده دستاورد برتر علمی و سَد شکنی‌های[6]  سال ۲۰۰۷ میلادی  اعلام شد.

بنیان‌گذاری :Deep Mind   در سال ۲۰۱۱ هاسابیس شرکتDeep Mind Technologies  را تأسيس كرد. در این کمپانی می‌خواهند با استفاده از تحلیل ذهن و نحوه (مکانیسم) تفکر انسان،  به آموزش ماشین‌ها برای انجام وظائف مختلف بپردازند. هدف او این است که توانایی‌ها،  مهارت‌ها و تبیین استراتژی توسط هوش مصنوعی را ارتقاء دهد.  او در این راه  از  طراحی gameکه ذوق اصلی او است  نیز بهره می‌برد. درسال ۲۰۱۳ دمیس  شبکه  Deep  Q  را عرضه کرد که توانایی شکست انسان و عملکرد بهتر نسبت به او در بازی‌های کامپیوتری را دارا بود.

از آلفا گو تا آلفا فولد:  هدف هاسابیس آن بود تا دریابد آیا  AI قادر است باهوش‌ترین بازیکنان Go را شکست  بدهد یا نه؟

اولین بار اَبررایانه[7] شطرنج باز دیپ بلو[8] ساخت شرکت IBM در سال ۱۹۹۷ توانست طی شش دوره بازی با گری کاسپاروف نابغه شطرنج جهان با سه پیروزی،  دو شکست و یک مساوی  بر وی غلبه کند. این یک نقطه عطف در پروژه ارتقاء هوش مصنوعی بود. 

درحالی‌که ریشه‌های بازی شطرنج به پرشیا  (سرزمین ایران باستان) و هند بر می‌گردد، بازی Go حدود ۴۰۰۰ سال قبل در چین اختراع  شد. بازی Go پیچیدگی‌های خاص خود را دارد.  تعداد حرکات محتمل آن بیشتر از تعداد کل اتم‌های موجود در کیهان و جهان هستی است. پیروزی در این بازی نه تنها نیاز به محاسبات ذهنی دقیق دارد بلکه لازمه آن بهره‌برداری از غریزه درونی  بازیگر برای انجام حرکت صحیح در زمان صحیح است. ماشین آلفا گو شرکت دیپ مایند هاسابیس با یادگیری عمیق به تدریج آن قدر قدرتمند شد تا توانست قهرمان اروپا را ۵-۰ و  قهرمان جهان را ۴-۱ شکست دهد. 

بلند پروازی‌های هاسابیس درارتقاء و بهره وری از توانایی های AI در راستای این اندیشه است که ماشین‌های هوش مصنوعی در آینده نزدیک  قادر خواهند بود تا قریب به اتفاق مسائل حل ناشده بشری را پاسخ دهند؛  از تعدیل  تغییرات آب و هوا و معضل گرمایش جهانی گرفته،  تا درمان بیماری‌های صعب‌العلاج تا اسرار ناگشوده طبیعت و حتی جاودانگی.

دستاوردهای اولیه :  یکی از پیامدهای موفقیت دیپ مایند و پروژه آلفا فولد،  شناسایی ۲۶ پروتئین ویروس کرونا بوده است که امکان ساخت واکسن‌ها و داروهای جدید برای ان را فراهم کرده است.

گام‌های بعدی:  پس از مشخص شدن نحوه تاخوردگی[9] پروتئین‌ها، باید ساختار کامل پروتئین‌ها را به طور دقیق و بدون تقریب تعیین کرد تا بتوان بر مکانیسم اعمال متفاوت پروتئین‌ها از تأمين انرژی گرفته تا اعمال کاتالیزوری و آنزیمی  تا عملکردهای ساختاری و دفاعی (ایمنی) اشراف حاصل کرد و این جا است که کامپیوتر های کوانتومی می‌توانند گره گشا باشند و دانش پروتئومیک را کامل کنند.

اکنون به کمک هوش مصنوعی آلفا فولد دیپ مایند چگونگی تا خوردگی میلیون‌ها پروتئین که عملکردهای اساسی در ساز و کار حیات دارند مشخص شده است و این یک دستاورد بی‌نظیر است.  در اهمیت آن همین بس که بخشی از جایزه نوبل شیمی ۲۰۲۴ به دمیس هاسابیس و جان جامپر مدیران دیپ مایند و طراحان اصلی هوش مصنوعی Alpha fold داه شد.  

دانشمندان اکنون encyclopedia ی قطورغول پیکری  با  صد  ها هزار مدخل در اختیار دارند که ساختار فضایی سه بعدی میلیون ها پروتئین را مشخص کرده است. 

گام اساسی بعدی چیست؟ در این مرحله دانشمندان سعی می کنند تا تعیین کنند شکل هندسی هر  مولکول پروتئین چگونه function آن را مشخص می‌کند.  در این مرحله کامپیوتر های کوانتومی نقش اساسی بازی خواهند کرد. 

ایجادپروتئین‌ها و داروهای جدید: در طی میلیاردها سال که از شکل گرفتن حیات بر روی زمین می‌گذرد،  فرایند تکامل (فرگشت)  گنجینه‌ای از پروتئین‌ها را بر روی زمین فراهم کرده است که میلیون‌ها عملکرد متفاوت را به انجام می‌رسانند.

اکنون و با توسعه روز افزون  کامپیوترهای کوانتومی،  بشر در مرحله‌ای قرار دارد که می‌تواند این روند چندین میلیارد ساله را شتاب بخشد و با استفاده از دائرة‌المعارف غنی پروتئین‌هایی که در دست دارد و اِشراف بر function آن‌ها، بتواند به سرعت داروهای کاملا جدید و متنوعی برای درمان  بیماری‌های صعب‌العلاج، حل مشکل مقاومت میکروب‌ها به آنتی‌بیوتیک‌ها و پاکسازی محیط ابداع کند. 

پژوهشگران در مرکز نوآوری آنزیم  در  دانشگاه پورتزموث انگلستان، در حال ساختن پروتئین‌هایی هستند  که می‌توانند ۱۵۰میلیون بطری نوشابه پلاستیکی در اقیانوس‌ها و محیط زیست را تجزیه کنند. 

همچنین برای درمان بیماری‌های ناشی از پرایون ها مثل جنون گاوی، و همچنین  برای آلزایمر،  پارکینسون و ALS که ناهنجاری تا خوردن پروتئین‌ها در آن‌ها نقش اساسی دارد،  راه جدید امیدوارکننده‌ای باز شده است.

ماشین‌های یادگیری[10] : رادنی بروکس دانشمند آزمایشگاه هوش مصنوعی در MIT و از پیشگامان یادگیری ماشینی بیان می‌کند که الگوی یادگیری ماشینی برپایه الهام از مادر طبیعت است.  مهارت‌های مغز بر پایه آزمون و خطا و  تصحیح  خطا در تجربه‌های بعدی کامل می‌شوند.  مغز با هر بار خطا plan دقیق‌تری برای نیل به هدف  و حل مسئله می‌ریزد تا در نهایت expertise حاصل شود.

شبکه‌های عصبی [11] در علوم کامپیوتر نیز همانند مغز می‌توانند با تکرار مداوم یک کار و یادگیری از اشتباهات قبلی،  با هر تکرار به مسیر صحیح نزدیک‌تر شوند؛ این پدیده را  “قانون هب” می‌نامند که اساس یادگیری عمیق[12]  در هوش مصنوعی است. یعنی مسیرهای الکتریکی صحیح برای  هر کار پس از تکرارهای متوالی در مغز یک هوش مصنوعی تقویت می‌شوند.

قانون هب[13] یک قانون یادگیری در شبکه‌های عصبی است که توسط دونالد هب، روانشناس کانادایی، در سال ۱۹۴۹ معرفی شده است. این قانون به این صورت عمل می‌کند که اگر دو نورون به طور هم‌زمان فعال شوند، ارتباط بین آن‌ها تقویت می‌شود. به عبارت دیگر، “نورون‌هایی که با هم شلیک می‌کنند، با هم ارتباط پیدا می‌کنند” (Cells that fire together, wire together). این قانون پایه‌ای برای یادگیری وابسته به فعالیت است که به ساختن ارتباطات پایدار در شبکه‌های عصبی کمک می‌کند.

دمیس هاسابیس با طراحی هوش مصنوعی آلفاگو که از راهبرد یادگیری عمیق  استفاده می‌کرد توانست در نهایت قهرمان جهان بازی Go را در سال ۲۰۱۷ شکست دهد و این دستاوردی بی‌نظیر بود ؛ چراکه  در بازی Go که روی یک تخته ۱۹×۱۹  انجام می شود ۱۷۰*۱۰  (ده به توان ۱۷۰) موقعیت ممکن برای حرکت وجود دارد.  به عبارت دیگر هوش مصنوعی آلفا گو با یادگیری عمیق اکنون می‌تواند با سرعتی تقریبا معادل سرعت نور تصمیم‌گیری کند.

مسئله  تاخوردگی پروتئین‌ها[14]:  اگرچه  DNA  نقشه اصلی[15] حیات را تعیین می کند، ولی این  پروتئین‌ها هستند که وظیفه سنگین  ساخت و ساز ارگان‌ها و بافت‌ها، متابولیسم بدن و همچنین دفاع از بدن در مقابل میکروب‌ها و ویروس‌ها را به عهده دارند. حتی یک نقشه ساختمانی عالی،  بدون وجود کارگزاران قابل و توانا، اجرایی نمی شود و بی فایده است.  

چگونه پروتئین‌ها در بدن وظایف‌شان را این قدر عالی و بی‌نقص انجام می‌دهند؟  

این یکی از پیچیده‌ترین اسرار هستی و حیات است که گام‌های اولیه برای رمزگشایی از آن  با کمک تکنیک بلورنگاری با اشعه X [16] که دو فیزیک‌دان پدرو پسر ویلیام لارنس براگ و ویلیام هنری براگ در اوایل قرن بیستم ابداع کردند صورت گرفت،  ولی پیشرفت اساسی و پارادایم شیفت  در این امر با تولد زیست‌شناسی محاسباتی[17] و استفاده از هوش مصنوعی و یادگیری ماشینی، صرفا در سالیان اخیر صورت پذیرفته است.

در سال ۱۹۹۴ دانشمندان  چالش  جهانی[18]  را اعلام کردند که هدف آن نوشتن بهترین برنامه کامپیوتری برای تعیین ساختار نهایی و نحوه تاخوردگی پروتئین های مختلف  و نحوه عملکرد آن‌ها بود. آن چه مکانیسم عمل پروتئین‌ها را تعیین می‌کند،  نحوه تاخوردگی و ساختار فضایی سه بعدی آن‌ها است. تیم‌های مختلفی در این رقابت وارد شدند.  در مورد هر پروتئین مورد نظر،  از توالی اسیدهای آمینه آن باید به ساختار سه‌بعدی و نحوه تاخوردگی  آن دستیابی می‌شد. همان‌گونه که  ریچارد فاینمن فیزیک دان نوبلیست نشان داده است،  استفاده از اصل کمترین کُنش[19] می‌تواند رهیافت خوبی برای نوشتن یک برنامه کامپیوتری مناسب برای حل مسئله  folding پروتئین‌ها باشد. این اصل بیان می‌کند که طبیعت کارها را به نحوی انجام می‌دهد که نیازمند به مصرف کمترین انرژی باشد.

در یک برنامه‌نویسی اولیه برای تخمین نحوه folding پروتئین‌ها،  ابتدا آمینو اسیدهای متوالی را به هم متصل می‌کنند و چون با دانش شیمی زوایای پیوند اتم‌های خاص به یکدیگر مشخص است،  یک تقریب اولیه از شکل ظاهری پروتئین به دست می‌آید.

در مرحله دوم انرژی پیکربندی آمینو اسیدها را محاسبه می‌کنند. در مرحله سوم پیوندها را می‌چرخانند،  تا ببینند پیکربندی جدید،  انرژی پروتئین را افزایش می‌دهد یا کم کمی کند. 

در مرحله بعد تمام تنظیماتی را که انرژی را افزایش می‌دهند کنار می‌گذارند و فقط آن‌هایی را که انرژی راکاهش می‌دهند، نگه می‌دارند. در این مرحله کامپیوتر با آزمون و خطا یاد می‌گیرد که چگونه حرکت اتم‌ها منجر به ایجاد حالت کمترین انرژی می‌شود. در نهایت کامپیوتر می‌تواند نسخه ساده شده‌ای از ساختار فضایی سه بعدی از آن  پروتئین را در عرض چند ساعت تا چند روز  ارائه کند. البته در ابتدا که با این روش بایوانفورماتیکی شکل پروتئین را مشخص می‌کردند،  نتایج بسیار ناامید کننده و در مقایسه با شکل واقعی آن‌ها که با تکنیک بلورنگاری با اشعه X مشخص می‌شد خام و ناشیانه  بودند. اما به‌طور پیشرونده و در طی سالیان،  با استفاده از یادگیری ماشینی، برنامه‌های کامپیوتری،  قدرتمندتر و مدل‌ها دقیق‌تر شده‌اند.

تا سال ۲۰۲۱ برنامه هوش مصنوعی Alpha Fold    به رهبری دمیس هاسابیس در شرکت Deep Mind گوگل توانست با دقت بسیار زیاد،  از ساختار ۳۵۰ هزار پروتئین رمزگشایی نماید که با نتایج بلورنگاری با اشعه X مطابقت حیرت‌آوری دارد. اکنون دیپ مایند اعلام کرده است که توانسته ساختار هندسی فضایی تمامی  ۲۰ هزار پروتئین فهرست شده در پروژه ژنوم انسان را رمزگشایی کند ؛  و حتی ساختار پروتئین‌های باکتری E. Coli و Drosophila  (مگس سرکه)  را آشکار سازی کرده است. 

دیپ مایند اخیرا اعلام کرده به زودی پایگاه داده بیش از  ۱۰۰ میلیون پروتئین را که شامل همه پروتئین‌های شناخته شده در عالم است را منتشر خواهد کرد.

افق آینده : هدف  شرکت دیپ مایند و دمیس هاسابیس  توسعه ماشین‌های هوش مصنوعی است که آن قدر هوشمند (smart)  باشند که بتوانند در کنار انسان،  هر مسئله‌ای  را که  با آن مواجه می‌شوند،  حل کنند.  ماشین‌هایی که خودشان به طور مستقل از انسان قادر به تحلیل  و تصمیم باشند.  دمیس هاسابیس آن را  Artificial General Intelligence (AGI)  می‌نامد. در حال حاضر هوش مصنوعی دیپ مایند  نشان داده که توانسته است درمواردی با تحلیل دقیق اسکن بخش‌های بدن،  تشخیص دقیقتر و صحیح‌تری از بیماری درمقایسه با پزشکان ارائه دهد.  

تخمین می‌زنند که تاسال ۲۰۳۵ ماشین های هوش مصنوعی  بیش از 13 تریلیون پوند انگلیس،  به اقتصاد جهان کمک کنند. تازه در این مرحله  هوش مصنوعی   ٪ 10    هوشمندی انسان را برخوردار خواهد بود ولی قابلیت آن به سرعت به انسان خواهد رسید و فراتر خواهد رفت.

[1] Thinking about thinking

[2] : Board game بازی‌هایی نظیرشطرنج، تخته نرد و go را که با مهره‌هایی چیده شده روی میز انجام می‌شوند، می‌گویند.  این بازی‌ها عموما فکری هستند و برای پیروزی در آن ها باید استراتژی طراحی شود.

[3] Artificial intelligence (AI)

[4] University College London (UCL) 

[5] Computational neuroscience  

[6] Beakthroughs

[7] Super Computer

[8] Deep Blue

[9] Folding

[10] learning machines

[11] Neural networks 

[12] Deep learning

[13] Hebbian Learning Rule

[14] Protein Folding

[15] blue print  

[16] X-Ray Crystallography

[17] Computational Biology

[18] Critical Assessment of Structure Prediction (CASP)

[19] Principle of least action