Notatki z rozmowy Lexa Fridmana z laureatem Nagrody Nobla i liderem Google DeepMind o wzorcach w naturze, drodze do AGI i przyszłości ludzkiej cywilizacji. Poniższe notatki powstały na podstawie rozmowy Lexa Fridmana z Demisem Hassabisem (Lex Fridman Podcast #475). Wszystkie przedstawione przemyślenia, obserwacje i wnioski pochodzą od rozmówców.

TL;DR

Wzorce naturalne są możliwe do modelowania – Hassabis uważa, że wszystko co ewoluowało w naturze można efektywnie odkryć i modelować przez klasyczne systemy uczące się
P vs NP to pytanie fizyczne – informacja jest podstawową jednostką wszechświata, bardziej fundamentalną niż energia czy materia
Veo 3 przełamuje bariery rozumienia – AI uczy się intuicyjnej fizyki tylko z obserwacji materiałów YouTube, bez potrzeby fizycznego doświadczania świata
Gry jako laboratorium inteligencji – od Move 37 w Go po przyszłe interaktywne światy generowane przez AI w czasie rzeczywistym
AGI do 2030 – 50% szans na osiągnięcie prawdziwej sztucznej inteligencji ogólnej w ciągu najbliższych 5 lat
Symulacja pełnej komórki – marzenie o modelowaniu wszystkich procesów wewnętrznych komórki drożdżowej jako kompletnego organizmu
Era obfitości energetycznej – fuzja nuklearna i zaawansowane technologie solarne jako klucz do nieograniczonych zasobów

Wprowadzenie

Demis Hassabis łączy w sobie umysł naukowca, wizjonera technologicznego i laureata Nagrody Nobla. Jako lider Google DeepMind stoi za przełomami takimi jak AlphaGo, AlphaFold czy najnowsze Veo 3. W rozmowie z Lexem Fridmanem przedstawia fascynującą wizję przyszłości, w której sztuczna inteligencja może stać się kluczem do rozwiązania największych zagadek natury – od pochodzenia życia po świadomość.

Wzorce w naturze można modelować klasycznie

Hassabis przedstawia prowokacyjną hipotezę z wykładu noblowskiego: każdy wzorzec, który można wygenerować lub znaleźć w naturze, może być efektywnie odkryty i modelowany przez klasyczny algorytm uczący się.

Jego argumentacja opiera się na obserwacji, że systemy naturalne mają strukturę dlatego, że były poddane procesom ewolucyjnym. Jeśli to prawda, to powinien istnieć jakiś wzorzec, który można odtworzyć oraz pewien typ rozmaitości, który pomaga w poszukiwaniu właściwego rozwiązania.

Kluczowe jest tu pojęcie „survival of the stablest”. Nie tylko życie biologiczne, ale także kształty gór przez procesy erozji, orbity planet czy kształty asteroid – wszystko to zostało ukształtowane przez procesy, które działały na nie wielokrotnie przez długi czas.

Wszystko, co widzimy wokół nas, włączając pierwiastki, które są bardziej stabilne, podlega jakiemuś procesowi selekcji. To fundamentalne spostrzeżenie prowadzi do wniosku, że natura nie jest przypadkowa, a jej złożoność wynika z powtarzalnych wzorców.

AlphaFold stanowi doskonały przykład tej teorii w praktyce. Białka składają się w milisekundach w naszych ciałach, więc fizyka jakoś rozwiązuje ten problem, który udało się także rozwiązać obliczeniowo.

P vs NP jako pytanie fizyczne

Hassabis wykracza poza tradycyjne podejście do informatyki teoretycznej. Traktuje wszechświat jako system informacyjny, gdzie informacja jest bardziej fundamentalna niż energia czy materia.

W tej perspektywie pytanie P equals NP staje się pytaniem fizycznym o naturę rzeczywistości. Jednak Hassabis idzie dalej – pracuje nad zdefiniowaniem nowej klasy problemów, które można rozwiązać przez sieci neuronowe działające na systemach klasycznych.

Nowa klasa złożoności obliczeniowej

Hassabis zastanawia się, czy nie powinno być może nowej klasy problemów, które można rozwiązać przez procesy sieci neuronowych i odwzorować na systemy naturalne. To podejście sugeruje, że klasyczne systemy uczące się mogą osiągnąć znacznie więcej niż wcześniej sądzono.

W rezultacie uważa, że jeszcze nawet nie zarysowano powierzchni tego, co tak zwane systemy klasyczne mogą zrobić. Dlatego AI budowane na sieciach neuronowych działających na klasycznych komputerach mogłoby być ostatecznym wyrazem tego potencjału.

Veo 3 i intuicyjna fizyka

Veo 3, najnowszy model generowania wideo od Google DeepMind, zaskoczyło nawet jego twórców. System nauczył się modelować płyny, materiały i oświetlenie tylko poprzez obserwację filmów z YouTube.

Co Veo 3 potrafi modelować bez programowania:

Dynamika płynów – realistyczne zachowanie cieczy pod wpływem sił
Właściwości materiałów – odbicia światła, tekstury, sprężystość
Oświetlenie spekularne – skomplikowane odbicia i załamania światła
Procesy fizyczne – np. płyny przeciskane przez prasy hydrauliczne

Hassabis dzieli się obserwacją, że kiedyś pisał silniki fizyczne i graficzne we wczesnych latach gamingu, więc wie, jak boleśnie trudno jest budować programy, które potrafią to robić. Mimo to systemy dokonują inżynierii wstecznej tylko z oglądania filmów YouTube.

Przełamywanie dogmatów o ucieleśnieniu

Tradycyjnie uważano, że zrozumienie fizyki wymaga fizycznego doświadczania świata. Teoria „action in perception” w neuronauce głosiła, że potrzebna jest inteligencja ucieleśniona lub robotyka.

Jednak wydaje się, że można to zrozumieć poprzez pasywną obserwację, co jest dość zaskakujące. To odkrycie ma głębokie implikacje dla rozumienia natury rzeczywistości.

Gry jako laboratorium inteligencji

Hassabis, który rozpoczynał karierę od tworzenia gier, widzi w nich doskonałe laboratorium dla rozwoju AI. Gry były jego pierwszą miłością, a teraz planuje do nich powrócić z zaawansowanymi narzędziami AI.

Zastanawia się, co by było, gdyby miał dostęp do systemów AI, które mamy dzisiaj, w latach 90. Jego wizja obejmuje gry open-world, gdzie AI może dynamicznie tworzyć zawartość w każdym kierunku, w którym podąży gracz.

Opisuje to jako ostateczną grę „wybierz swoją przygodę”. Uważa, że być może jesteśmy w zasięgu takiej możliwości, jeśli pomyślimy o interaktywnej wersji Veo przewiniętej do przodu o 5-10 lat.

Hassabis podkreśla wartość gier jako miejsca do ćwiczenia podejmowania decyzji. Zauważa, że mamy okazję ćwiczyć masywny moment decyzyjny w życiu może tuzin czy więcej kluczowych razy. W związku z tym gry oferują bezpieczne środowisko, gdzie można wielokrotnie ćwiczyć proces podejmowania decyzji oraz uczyć się zarówno z wygranych, jak i przegranych.

Droga do AGI przez naukę

Hassabis szacuje 50% szans na osiągnięcie AGI do 2030 roku. Jego definicja AGI jest jednak ambitna – system musi dorównywać wszystkim funkcjom poznawczym mózgu.

Wyjaśnia, że chcieliby upewnić się, iż ma wszystkie te zdolności. To nie jest pewnego rodzaju nierówna inteligencja, gdzie niektóre rzeczy robi naprawdę dobrze, jak dzisiejsze systemy, ale inne rzeczy są naprawdę wadliwe.

Move 37 dla AGI

Hassabis szuka momentów przełomowych podobnych do słynnego Move 37 z AlphaGo. Opisuje swoje oczekiwania: jednym z nich byłoby wynalezienie nowej hipotezy lub nowej teorii o fizyce, jak zrobił to Einstein.

Innym testem byłoby sprawdzenie, czy może wynaleźć grę tak dobrą jak Go. Nie tylko wymyślić Move 37, nową strategię, ale czy może wynaleźć grę tak głęboką, estetycznie piękną, elegancką jak Go.

Checklista rozpoznania prawdziwego AGI według Hassabisa:

Konsystencja inteligencji – równomiernie wysokie wyniki we wszystkich domenach
Wynajdywanie nowych hipotez – jak teoria względności Einsteina
Tworzenie nowych gier/systemów – na poziomie złożoności Go
Brak oczywistych wad – po testach przez najlepszych ekspertów świata
Zdolności wynalazcze – prawdziwa kreatywność, nie tylko naśladownictwo
Test wsteczny – czy system odkryłby teorię względności mając dane z 1900 roku?

Symulacja życia: od białek do komórek

Marzeniem Hassabisa od 25 lat jest stworzenie „Virtual Cell” – kompletnej symulacji komórki, gdzie można prowadzić eksperymenty in silico, przyspieszając badania nawet 100-krotnie.

AlphaFold stanowi rozwiązanie statycznego obrazu tego, jak wygląda struktura 3D białka. Jednak w biologii wszystkie interesujące rzeczy dzieją się z dynamiką oraz interakcjami. Dlatego kolejne kroki będą koncentrować się na modelowaniu tych procesów.

Zacząłby od komórki drożdżowej – najprostszego jednokomórkowego organizmu, który jest jednocześnie pełnym organizmem i jest bardzo dobrze poznany naukowo.

Wyzwaniem jest modelowanie procesów zachodzących w różnych skalach czasowych – od szybkiego składania białek po długotrwałe procesy komórkowe. Prawdopodobnie potrzeba kilku symulowanych systemów, które mogą współdziałać w tych różnych dynamikach czasowych.

Pochodzenie życia i wielkie pytania

Hassabis nie zatrzymuje się na symulacji istniejącego życia. Chce wykorzystać AI do rozwiązania jednej z największych zagadek – pochodzenia życia z materii nieożywionej.

Opisuje swoje podejście: dlaczego AI nie mogłoby pomóc w tym? Jakiegoś rodzaju symulacja. To znowu jest trochę proces poszukiwań przez przestrzeń kombinatoryczną.

Hassabis sugeruje, że może nie ma ostrej granicy między żywym a nieżywym. Być może to, co odkryjemy, to że jest kontinuum. Nie ma czegoś takiego jak linia między nieżywym a żywym.

To prowadzi do jeszcze głębszych pytań, które fascynują Hassabisa od dzieciństwa. „To po prostu… od zawsze krzyczy mi prosto w twarz. Ciągle się to we mnie wzmaga. Co tu się właściwie dzieje? Mam na myśli naturę rzeczywistości, która musi być ostatecznym pytaniem” – wyznaje w rozmowie.

Przyszłość energii i cywilizacji

Hassabis ma optymistyczną wizję przyszłości energetycznej ludzkości. Fuzja nuklearna i zaawansowane technologie solarne to jego główny wybór.

Główne źródła energii przyszłości (20-40 lat):

Fuzja nuklearna – kontrolowana reakcja jądrowa, czysta i bezpieczna
Zaawansowany solar – „reaktor fuzyjny na niebie”, problem to baterie i transmisja
Solar w kosmosie – koncepcje typu Sfera Dysona dla nieograniczonej energii
Nowe materiały – rewolucyjne ogniwa słoneczne, nadprzewodniki w temperaturze pokojowej

Era radykalnej obfitości

Z nieograniczoną, czystą energią przychodzi wizja transformacji cywilizacji. Po raz pierwszy w historii ludzkości nie bylibyśmy ograniczeni zasobami.

To oznaczałoby koniec sytuacji zero-sum oraz otworzyłoby drogę do „maksymalnego rozkwitu ludzkości do gwiazd”. Nieograniczona energia oznaczałaby także „nieograniczone paliwo rakietowe” z rozdziału wody morskiej na wodór i tlen.

Kombinacja z samolądownymi rakietami Elona Muska mogłaby stworzyć „usługę autobusową do kosmosu”, otwierając drogę do wydobycia asteroid i eksploracji kosmosu.

Współpraca vs konkurencja w wyścigu do AGI

Hassabis utrzymuje dobre relacje z liderami innych laboratoriów AI, mimo nasilającej się konkurencji. Podkreśla swoje podejście: stara się być współpracujący, jest osobą współpracującą. Badania to przedsięwzięcie współpracujące.

Zamiast myśleć o „wygrywaniu”, Hassabis koncentruje się na odpowiedzialnym sterowaniu AGI. Wyjaśnia swoją filozofię: wszyscy z nas na czołowej pozycji mamy odpowiedzialność, aby pokierować tą niesamowitą technologią bezpiecznie do świata dla dobra ludzkości.

Utrzymywanie komunikacji między laboratoriami będzie kluczowe, gdy sprawy staną się jeszcze poważniejsze niż są teraz. Te kanały komunikacyjne będą ułatwiać współpracę, jeśli będzie to wymagane, szczególnie w kwestiach bezpieczeństwa.

Przyszłość programowania i pracy

Według Hassabisa, programowanie jest jednym z obszarów, gdzie AI osiąga najlepsze wyniki. Wynika to z możliwości tworzenia dużych ilości danych syntetycznych i weryfikowania ich poprawności.

Przewiduje, że przez następne 5-10 lat odkryjemy, iż ludzie, którzy obejmą te technologie, będą ściśle z nimi współpracować, czy to w branżach kreatywnych, czy technicznych, będą nadludzko produktywni.

Najlepsi programiści staną się jeszcze lepsi – może nawet dziesięć razy lepsi niż są dzisiaj. Będą wykorzystywać swoje umiejętności do maksymalnego wykorzystania narzędzi AI, szczególnie w specyfikowaniu architektury i kierowaniu asystentami kodowania.

Hassabis ostrzega jednak, że nadchodząca zmiana będzie intensywna. Prawdopodobnie zobaczymy dziesięć razy większy wpływ niż Rewolucja Przemysłowa, ale też dziesięć razy szybszy – co oznacza transformację w ciągu dekady zamiast stulecia.

Świadomość i natura rzeczywistości

Hassabis zastanawia się nad fundamentalnymi pytaniami dotyczącymi świadomości oraz natury rzeczywistości. Uważa, że budowanie AI pomoże nam zrozumieć, co czyni umysł ludzki wyjątkowym.

Opisuje swoje podejście: zawsze myślał, że najlepszym sposobem jest oczywiście filozofowanie o tym i przeprowadzanie eksperymentów myślowych, a może nawet wykonywanie prawdziwych eksperymentów, jak robi się w neuronauce na prawdziwych mózgach.

Interesujące jest pytanie o to, jak rozpoznajemy świadomość u innych. Dlaczego myślimy, że każdy z nas jest świadomy? To z dwóch powodów. Jeden to to, że demonstrujesz takie same zachowanie, jakie ja mam. Druga rzecz, która jest często pomijana, to to, że działamy na tym samym substracie.

Z AI na krzemie nie będziemy mogli polegać na tej drugiej części, co prowadzi do fascynujących pytań o przyszłość interfejsów mózg-komputer oraz możliwość naprawdę wczucia się w to, jak to jest być komputerem.

Praktyczne wnioski dla przyszłości

Hassabis identyfikuje kluczowe obszary transformacji: naukę i medycynę (od AlphaFold po zrozumienie pochodzenia życia), energię (optymalizacja sieci, reaktory fuzyjne, nowe materiały), edukację (AI jako współpracownik naukowy) oraz rozrywkę (interaktywne doświadczenia generowane w czasie rzeczywistym).

Jak przygotować się na nadchodzące zmiany:

Naucz się współpracować z AI – ci, którzy to zrobią, będą „nadludzko produktywni”
Rozwijaj umiejętności wysokiego poziomu – projektowanie, architektura, strategia
Ćwicz elastyczność myślenia – zdolność adaptacji będzie kluczowa
Inwestuj w ciągłe uczenie się – zmiany będą przyspieszać
Rozwijaj kreatywność – to, co AI (jeszcze) nie potrafi dobrze
Ucz się zadawać właściwe pytania – kluczowa umiejętność współpracy z AI

Kluczowy insight

Kreatywność przez ograniczenia

Standardowo myślimy: Aby uzyskać od AI kreatywne, przełomowe rezultaty, należy dać jej ogólne, otwarte polecenie i maksymalną swobodę działania.

W praktyce okazuje się, że: Największą kreatywność i najlepsze wyniki AI osiąga wtedy, gdy otrzymuje bardzo precyzyjne, szczegółowe i pełne ograniczeń polecenia. Systemy takie jak AlphaEvolve potrafią odkryć szybszy algorytm, ponieważ jest to zadanie z twardymi ramami. Mimo to ogólne polecenie „stwórz lepszą wersję siebie” jest dla nich zbyt nieokreślone, by zadziałać.

Dlaczego to jest istotne: Zmienia to nasze podejście do AI z postrzegania jej jako magicznego „artysty” na traktowanie jej jako potężnego narzędzia optymalizacyjnego, które najlepiej działa w ściśle zdefiniowanej przestrzeni problemu.

Test na jutro: Następnym razem gdy będziesz chciał, by AI wygenerowała dla Ciebie tekst, kod lub strategię, zamiast prosić ogólnie „napisz dobry tekst”, spróbuj sformułować polecenie z 5-7 konkretnymi ograniczeniami (np. długość, ton, słowa kluczowe, grupa docelowa, struktura, cel) i porównaj jakość wyniku.

Podsumowanie

Demis Hassabis przedstawia fascynującą wizję przyszłości, gdzie AI staje się kluczem do rozwiązania największych zagadek nauki i technologii. Jego hipoteza o możliwości modelowania wzorców naturalnych przez klasyczne systemy uczące się może zrewolucjonizować nasze rozumienie wszechświata.

Kluczowe przesłanie brzmi: nie chodzi o konkurencję między laboratoriami AI, ale o odpowiedzialne sterowanie technologią dla dobra ludzkości. Era AGI może przynieść niewyobrażalne korzyści – od wyleczenia wszystkich chorób po podróże międzygwiezdne – ale wymaga mądrego podejścia do rozwoju i wdrażania.

Hassabis kończy optymistyczną nutą: myśli, że ludzka cywilizacja to zrobi w pełnym sensie czasu, jeśli zrobimy AI właściwie i rozwiążemy niektóre z tych problemów za jego pomocą.

Ten wpis jest częścią mojej kolekcji notatek z ciekawych podcastów, webinarów i innych treści, które uważam za wartościowe i do których sam chcę wracać. Jeśli chcesz sprawdzić oryginalne źródło, znajdziesz je tutaj: Lex Fridman Podcast #475 – Demis Hassabis

Tag: Uczenie Maszynowe

Demis Hassabis o przyszłości AI: Jak sztuczna inteligencja może rozwiązać największe zagadki natury #EN237