به گزارش خبرنگار علم و فناوری ایسکانیوز؛ گوگل یکی از شرکت‌هایی است که با موتور جست‌وجوی اینترنتی خود و هزاران سرویس دیگر، ید طولایی در پیشرفت فناوری داشته است و هوش مصنوعی هم از این قاعده مستثنی نیست. گوگل بخشی تحت عنوان گوگل ای‌آی دارد که به تحقیقات و طراحی ابزارهای مبتنی بر هوش مصنوعی و حتی مسائل اخلاقی این فناوری اختصاص دارد. این بخش در سال 2017 توسط «ساندار پیچای»، مدیرعامل آلفابت (شرکت مادر گوگل)، معرفی شد.

گوگل ای‌آی با امکانات تحقیقاتی تا نقاط مختلف جهان مانند زوریخ، پاریس و پکن گسترش یافته‌ است.

خط تاریخی هوش مصنوعی گوگل

گوگل به مدت 23 سال است که در زمینه هوش مصنوعی فعالیت می‌کند و همگام با شرکت‌های پیشروی جهان فناوری‌ها و خدمات خود را در این زمینه معرفی می‌کند. معمولا مهم‌ترین این فناوری‌ها را در موتور جست‌وجوی این شرکت دیده‌ایم.

در ادامه به 10 رویداد مهم گوگل که به واسطه هوش مصنوعی رخ داده است، می‌پردازیم:

2001

یادگیری ماشینی به کاربران جست‌وجوی گوگل کمک کرد تا املای خود را تصحیح کنند

لری پیج، یکی از بنیانگذاران گوگل، معتقد بود که یک موتور جست‌وجوی عالی باید دقیقاً منظور شما را بفهمد و دقیقاً آنچه را که نیاز دارید به شما ارائه دهد.

این شرکت زمانی که برای اولین بار شروع به استفاده از نسخه ساده‌ای از یادگیری ماشینی برای پیشنهاد املای بهتر برای جست‌وجوی وب کرد، در واقع گام بزرگی در پیشبرد هوش مصنوعی برداشت. موتور جست‌وجوی گوگل حتی زمانی که واژه‌ای را کامل تایپ نکرده‌اید، آن را حدس می‌زند و محتوای مورد نیازتان را در اختیارتان قرار می‌دهد.

2006

مترجم گوگل راه‌اندازی شد

گوگل در سال 2006 سرویس «گوگل ترنسلیت» را راه‌اندازی کرد که از یادگیری ماشینی برای ترجمه خودکار محتوا به زبان‌های مختلف استفاده می‌کرد. این سرویس ابتدا از ترجمه عربی به انگلیسی و انگلیسی به عربی شروع کرد، اما اکنون از 133 زبانی که میلیون‌ها نفر در سرتاسر جهان به آن صحبت می‌کنند، پشتیبانی می‌کند. این فناوری متن، تصاویر یا حتی یک مکالمه را در زمان واقعی ترجمه می‌کند و با این کار موانع زبانی را در سراسر جامعه جهانی از بین می‌برد، به مردم کمک می‌کند تا با هم ارتباط برقرار کنند و به اطلاعات بیشتری دسترسی داشته باشند.

2015

هوش مصنوعی را دموکراتیک کرد

گوگل با معرفی سرویس «TensorFlow»، یک چارچوب یادگیری ماشین منبع‌باز جدید، نه تنها هوش مصنوعی را در دسترس‌تر، مقیاس‌پذیرتر و کارآمدتر کرد، بلکه به سرعت بخشیدن به تحقیق و توسعه هوش مصنوعی در سراسر جهان کمک کرد. تنسورفلو اکنون یکی از محبوب‌ترین چارچوب‌های یادگیری ماشینی است و برای توسعه طیف گسترده‌ای از برنامه‌های هوش مصنوعی، از تشخیص تصویر گرفته تا پردازش زبان طبیعی و ترجمه ماشینی استفاده می‌شود.

2016

آلفاگو قهرمان جهان را شکست داد

در مسابقه چالشی «دیپ‌مایند گوگل» در سال 2016، برنامه کامپیوتری گوگل با نام «آلفاگو» قهرمان جهان انسان را در یک بازی تخته پیچیده شکست داد و نقطه عطفی را در هوش مصنوعی در تاریخ بشر به ثبت رساند. بیش از 200 میلیون نفر به صورت آنلاین در حال تماشای این مسابقه بودند. این پیروزی پتانسیل یادگیری عمیق را برای حل مسائل پیچیده‌ای که زمانی برای کامپیوترها غیرممکن تصور می‌شد، نشان داد. این رویداد همچنین باعث ایجاد یک گفت‌وگوی جهانی درباره آینده هوش مصنوعی شد و نشان داد که سیستم‌های هوش مصنوعی اکنون می‌توانند یاد بگیرند که بر بازی‌های پیچیده‌ای که نیاز به تفکر استراتژیک و خلاقیت دارند، تسلط پیدا کنند.

2016

واحد پردازش تنسور استقرار هوش مصنوعی سریع‌تر و کارآمدتر را امکان‌پذیر می‌کنند

واحدهای پردازش تنسور یا TPU تراشه‌های سیلیکونی با طراحی سفارشی هستند که به طور خاص برای یادگیری ماشینی اختراع شده‌اند و برای تنسورفلو بهینه‌سازی شده‌اند. این تراشه‌ها می‌توانند مدل‌های هوش مصنوعی را بسیار سریع‌تر از تراشه‌های سنتی آموزش و اجرا کنند.

2017

ترانسفورمر معرفی شد

گوگل در مقاله پژوهشی خود تحت عنوان «توجه تمام آن چیزی است که شما نیاز دارید» ، یک معماری شبکه عصبی جدید را معرفی کرد که به درک زبان کمک می‌کند. قبل از ترانسفورمر، ماشین‌ها در درک معنای جملات طولانی خیلی خوب نبودند، چون نمی‌توانستند روابط بین کلماتی را که از هم دور بودند متوجه شوند. ترانسفورمر این امر را بسیار بهبود بخشید و به زیربنای درک زبان و سیستم‌های هوش مصنوعی مولد امروزی تبدیل شد. این شبکه عصبی تحول عظیمی را برای ماشین‌ها در انجام ترجمه، خلاصه‌سازی متن، پاسخ‌گویی به سوالات و حتی تولید تصویر و رباتیک ایجاد کرد.

2019

برت به جست‌وجو کمک می‌کند تا پرس‌وجوها را بهتر درک کند

«برت» (BERT) یک روش برای پردازش زبان طبیعی به‌ صورت یک مدل از قبل آموزش داده شده است که برای درک بهتر پرس‌وجوهای کاربران طراحی شده است. الگوریتم‌های برت به جای درک کلمات به صورت جداگانه، به گوگل کمک کرد تا کلمات را در متن درک کند. این امر منجر به بهبود کیفیت جست‌وجو شد و باعث شد که کاربران به جای اینکه کلمات کلیدی را در کنار هم قرار دهند، یک سوال کامل بپرسند.

2020

آلفافولد مشکل تا شدن پروتئین را حل کرد

شرکت دیپ‌مایند گوگل در سال 2020 با سیستمی تحت عنوان «آلفافولد» جهشی را در زمینه هوش مصنوعی به وجود آورد که بعدا به راهکاری برای مشکل تا شدن پروتئین تبدیل شد. پروتئین‌ها بلوک‌های سازنده زندگی هستند و نحوه تا شدن آنها عملکردشان را تعیین می‌کند. پروتئینی که اشتباه تا شود، باعث بیماری در بدن انسان می‌شود.

دانشمندان به مدت 50 سال در تلاش بودند تا پیش‌بینی کنند که چگونه یک پروتئین تا می‌شود تا از این طریق به درک و درمان بیشتر بیماری‌ها نزدیک شوند و آلفا فولد دقیقا این کار را انجام داد.

گوگل در سال 2022 حدود 200 میلیون ساختار پروتئینی آلفافولد را -که تقریبا هر موجود زنده روی کره زمین را که توالی ژنومش تعیین شده است، پوشش می‌دهد- به صورت آزادانه با جامعه علمی به اشتراک گذاشت و هم‌اکنون بیش از یک میلیون محقق از این اطلاعات برای کارهای پژوهشی خود بهره می‌برند؛ از تسریع واکسن‌های جدید مالاریا تا پیشبرد کشف داروی سرطان و توسعه آنزیم‌های پلاستیک‌خوار.

2023

بارد به کاربران امکان داد با هوش مصنوعی مولد کار کنند

LaMDA، یک مدل زبان بزرگ محاوره‌ای که توسط بخش پژوهشی گوگل در سال 2021 منتشر شد، راه را برای بسیاری از سیستم‌های هوش مصنوعی مولد مانند «بارد» هموار کرد. بارد ابزاری شبیه به ChatGPT و شبیه‌ساز مکالمات انسانی با بهره‌گیری از پردازش زبان طبیعی و یادگیری ماشینی است. نکته حائز اهمیتی که باید درباره هوش مصنوعی بارد یا «گوگل جمینی» بدانیم، این است که این وسیله کاربردی می‌تواند داده‌های به‌روز و تازه را از اینترنت جست‌وجو کند و در اختیار کاربر قرار دهد. این دقیقا نقطه مقابل ChatGPT است که اطلاعات و داده‌هایش مربوط به سال ۲۰۲۱ بوده و از موضوعات جدید بی‌اطلاع است.

بارد هم‌اکنون در بیشتر نقاط جهان و به بیش از 40 زبان در دسترس است. این سرویس حتی با سرویس‌های دیگر گوگل مانند جی‌میل، داکز، درایو، فلایتز، مپ و یوتیوب ترکیب شده است تا به عنوان یک دستیار خیلی خوب کاربران را در پیشبرد کارهایشان کمک کند.

2023

پالم 2 آینده هوش مصنوعی را پیش می‌برد

گوگل در ماه مه سال گذشته از سرویسی با نام «پالم 2» رونمایی کرد که نسل بعدی مدل زبان بزرگ است که قابلیت‌های چند زبانه، استدلال و کدنویسی را بهبود بخشیده است. این قابلیت نسبت به پیشینیان خود، سریع‌تر و کارآمدتر است و در حال حاضر بیش از 25 محصول و ویژگی گوگل را تامین می‌کند. پالم 2 بیشتر برای پیشبرد تحقیقات داخلی در مورد همه چیز از مراقبت‌های بهداشتی گرفته تا امنیت سایبری استفاده می‌شود.

دیپ‌مایند گوگل چیست؟

دیپ‌مایند در ابتدا یک استارتاپ بود که در سال 2010 توسط چند محقق تاسیس شده بود. این افراد اولین بار همدیگر را در واحد علوم اعصاب محاسباتی گتسبی در دانشگاه کالج لندن دیده بودند.

گوگل در سال 2014 این استارتاپ را خرید و با بخش «گوگل برین» خود که در زمینه هوش مصنوعی فعالیت می‌کرد، ادغام کرد. در سال 2023 این شرکت تحت عنوان «دیپ‌مایند گوگل» با مراکز تحقیقاتی در کانادا، فرانسه، آلمان و آمریکا فعالیت خود را ادامه داد.

دیپ‌مایند در ابتدا ماشین‌های تورینگ عصبی را معرفی کرد که شبکه عصبی است که می‌تواند مانند ماشین تورینگ معمولی به حافظه خارجی دسترسی داشته باشد. این فناوری منجر به ساخت کامپیوتری شد که شباهت زیادی به حافظه کوتاه مدت مغز انسان دارد.

دیپ‌مایند تاکنون چندین مدل شبکه عصبی را برای انجام بازی‌های ویدئویی و بازی‌های تخته‌ای ایجاد کرده و بیشتر فناوری‌های مبتنی بر هوش مصنوعی که در بخش اول گزارش معرفی کردیم از جمله آلفاگو و آلفافولد را این شرکت ساخته است.

«دمیس حسابیس» یکی از بنیانگذاران این شرکت، هم‌اکنون مدیرعامل آن است.

هیات اخلاقی هوش مصنوعی

دیپ‌مایند بعد از اینکه با گوگل ادغام شد، یک هیات اخلاقی هوش مصنوعی تشکیل داد که البته هنوز هیچ جزئیاتی از آن فاش نشده است و هر 2 شرکت از افشای افرادی که در هیات مدیره آن نشسته‌اند، خودداری کرده‌اند. دیپ‌مایند در سال 2017 اعلام کرد که واحد جدیدی را با نام «مسائل اخلاقی و جامعه دیپ‌مایند» را تاسیس کرده که بر مسائل اخلاقی و اجتماعی که توسط هوش مصنوعی فیلسوف برجسته «نیک بوستروم» به عنوان مشاور مطرح می‌شود، تمرکز کرده است. هدف این هیات تامین مالی تحقیقات خارجی با موضوعات حریم خصوصی، شفافیت، و انصاف است و روی چالش‌های مهم جهان از جمله اثرات اقتصادی، حاکمیت و پاسخگویی، مدیریت ریسک هوش مصنوعی، اخلاق و ارزش‌های هوش مصنوعی متمرکز شده است.

این زیرمجموعه جدید دیپ‌مایند یک واحد کاملاً مجزاست که با شرکت‌های پیشرو، دانشگاه‌ها، سازمان‌های جامعه مدنی و سازمان‌های غیرانتفاعی با نام مشارکت در هوش مصنوعی به نفع مردم و جامعه همکاری می‌کند.

استخدام افراد دانشگاهی

اساتید بسیار بزرگی در رشته یادگیری ماشینی هم‌اکنون در دیپ‌مایند کار و تحقیق می‌کنند:

- نیل لارنس، استاد گروه علوم و فناوری کامپیوتر دانشگاه کمبریج

- مایکل برونشتاین، استاد گروه علوم کامپیوتر دانشگاه آکسفورد

- مارک دیزنروث، استاد گروه علوم کامپیوتر دانشگاه کالج لندن.

جالب است بدانید که این شرکت هر ساله دانشجویان دوره دکتری را در رشته‌های یادگیری ماشینی یا هوش مصنوعی بورسیه می‌کند و برای این کار با دانشکده انفورماتیک دانشگاه ادینبورگ همکاری می‌کند.

این بورسیه هزینه‌های تحصیل را پوشش می‌دهد (با نرخ شهریه خانه)، کمک هزینه سالانه 18 هزار و 622 پوند در سال (برای 3/5 سال تحصیل تمام وقت) و کمک هزینه آموزشی و پشتیبانی تحقیقاتی را ارائه می‌دهد.

از آنجا که دیپ‌مایند تحقیقات گسترده‌ای در زمینه هوش مصنوعی دارد، تا سال 2020 بیش از هزار مقاله در این زمینه منتشر کرده است که 13 مقاله آن در «نیچر» و «ساینس» منتشر شده‌اند.

هدف فناوری دیپ‌مایند «حل هوش» است و محققان آن در تلاشند تا با ترکیب بهترین روش‌ها از جمله یادگیری ماشینی و سامانه‌های علوم اعصاب به یک الگوریتم یادگیری قدرتمند چندمنظوره برسند. این افراد تلاش می‌کنند تا هوش را قاعده‌مند کنند برای آنکه علاوه بر پیاده‌سازی روی ماشین، توانایی درک ذهن انسان را نیز بیابد.

در حال حاضر توجه این شرکت روی پژوهش روی سامانه‌های کامپیوتری است که می‌توانند بازی کنند و این سامانه‌ها را ارتقا بخشند. به گفته یکی از بنیانگذاران این شرکت، هوش در سطح انسان ماشینی هنگامی به‌دست می‌آید که یک ماشین می‌تواند دامنه بسیار وسیعی از بازی‌ها را از طریق جریان ورودی و خروجی دریافت و انتقال فهم در طول بازی‌ها یاد بگیرد.

محصولات و فناوری‌ها

به غیر از محصولات شاخصی مانند آلفاگو و آلفافولد که توسط محققان دیپ‌مایند طراحی شده‌اند، می‌توان به موارد زیر اشاره کرد:

آلفاکد

دیپ‌مایند در سال 2022 از سرویس آلفاکد پرده برداری کرد که یک موتور برنامه‌نویسی مبتنی بر هوش مصنوعی که برنامه‌های کامپیوتری را با نرخی قابل مقایسه با برنامه‌نویسان معمولی ایجاد می‌کند. این برنامه باید راه‌حلی منحصر به فرد ارائه می‌کرد و از تکرار پاسخ‌ها جلوگیری می‌کرد.

سیما

دیپ‌مایند در ماه مه امسال SIMA را معرفی کرد که یک عامل هوش مصنوعی به شمار می‌رود و قادر به درک و پیروی از دستورالعمل‌های زبان طبیعی برای تکمیل وظایف در محیط‌های مختلف مجازی سه‌بعدی است. این عامل شامل بینایی کامپیوتری و مدل‌های زبانی از قبل آموزش‌ دیده است که روی داده‌های بازی تنظیم شده‌اند و زبان برای درک و تکمیل وظایف داده شده طبق دستورالعمل بسیار مهم است.

مدل ویدئویی

در ماه مه 2024، از یک مدل تولید ویدئوی چند وجهی به نام Veo در یکی از رویدادهای مهم گوگل با نام Google I/O رونمایی شد. گوگل ادعا کرد که این ابزار می‌تواند ویدئوهای 1080 پیکسلی را بیش از یک دقیقه تولید کند.

رباتیک

RoboCat که در ژوئن 2023 منتشر شد، یک مدل هوش مصنوعی است که می‌تواند بازوهای رباتیک را کنترل کند. این مدل می‌تواند با مدل‌های جدید بازوهای رباتیک و انواع جدیدی از وظایف سازگار شود.

ورزش‌ها

محققان دیپ‌مایند مدل‌های یادگیری ماشینی را در ورزش فوتبال اعمال کرده‌اند و رفتار بازیکنان فوتبال از جمله دروازه‌بان، مدافعان و مهاجمان را در سناریوهای مختلف مانند ضربات پنالتی مدل‌سازی می‌کنند. محققان از نقشه‌های حرارتی و تجزیه و تحلیل خوشه‌ای برای سازماندهی بازیکنان بر اساس تمایل آنها به رفتار خاصی در طول بازی در هنگام مواجهه با تصمیم‌گیری در مورد نحوه گلزنی یا جلوگیری از گلزنی تیم دیگر استفاده کردند.

محققان خاطرنشان می‌کنند که مدل‌های یادگیری ماشینی می‌توانند با انتخاب خودکار کلیپ‌های ویدئویی جالب از بازی که به عنوان نکات برجسته عمل می‌کنند، برای دموکراتیک کردن صنعت فوتبال استفاده شوند. این را می‌توان با جست‌وجوی ویدئوها برای رویدادهای خاص انجام داد، که این امکان‌پذیر است، زیرا تجزیه و تحلیل ویدئو یک زمینه شناخته شده یادگیری ماشین است.

باستان‌شناسی

گوگل از یک برنامه اسناد باستان‌شناسی جدید با نام «ایتاکا» پرده‌برداری کرده است که نامش از جزیره یونانی در اودیسه هومر اقتباس شده است. این شبکه عصبی عمیق به محققان کمک می‌کند تا متن خالی اسناد یونانی آسیب دیده را بازیابی کنند و تاریخ و منشاء جغرافیایی آنها را شناسایی کنند. نویسندگان ادعا کردند که استفاده از ایتاکا توسط مورخان متخصص دقت کار آنها را از 25 به 72 درصد افزایش داده است.

علم مواد

دیپ‌مایند در نوامبر 2023 یک شبکه گراف منبع‌باز برای اکتشاف مواد با نام GNoME را معرفی کرد. این ابزار میلیون‌ها ماده را پیشنهاد می‌کند که قبلاً برای شیمی ناشناخته بودند، از جمله چند صد هزار ساختار بلوری پایدار که 736 مورد به طور آزمایشی توسط مؤسسه فناوری ماساچوست در زمان انتشار تولید شده بودند.

انتهای پیام/