How AI Is Unlocking the Secrets of Nature and the Universe | Demis Hassabis | TED

المترجم: Leen Sattout المدقّق: Khaled Radwan

Chris Anderson: Demis, so good to have you here.

ديميس، من الجيد جدًا وجودك هنا.

Demis Hassabis: It's fantastic to be here, thanks, Chris.

إنه لأمر رائع أن أكون هنا، شكرًا، كريس.

Now, you told Time Magazine,

الآن، أخبرتَ مجلة تايم

"I want to understand the big questions,

«أريد أن أفهم الأسئلة الكبيرة

the really big ones that you normally go into philosophy or physics

الأسئلة الكبيرة حقًا التي عادة ما تدرسها في الفلسفة أو الفيزياء

if you're interested in them.

إذا كنت مهتمًا بها.

I thought building AI

اعتقدت أن بناء الذكاء الاصطناعي

would be the fastest route to answer some of those questions."

سيكون أسرع طريق للإجابة على بعض هذه الأسئلة».

Why did you think that?

لماذا تعتقد ذلك؟

DH: (Laughs)

(يضحك)

Well, I guess when I was a kid,

حسنًا، أعتقد عندما كنت طفلاً،

my favorite subject was physics,

كانت المادة المفضلة لدي هي الفيزياء،

and I was interested in all the big questions,

وكنت مهتمًا بجميع الأسئلة الكبيرة،

fundamental nature of reality,

الطبيعة الأساسية للواقع،

what is consciousness,

وما هو الوعي،

you know, all the big ones.

و كل الأسئلة الكبيرة.

And usually you go into physics, if you're interested in that.

وعادة ما تتجه إلى الفيزياء، لكي تجد الأجوبة إذا كنت مهتمًا بذلك.

But I read a lot of the great physicists,

لكنني قرأت الكثير عن علماء الفيزياء العظماء،

some of my all-time scientific heroes like Feynman and so on.

وبعض أبطالي العلميين على مر العصور مثل فاينمان وما إلى ذلك.

And I realized, in the last, sort of 20, 30 years,

وأدركت، في السنوات العشرين أو الثلاثين الماضية،

we haven't made much progress

أننا لم نحرز تقدمًا كبيرًا

in understanding some of these fundamental laws.

في فهم بعض هذه القوانين الأساسية.

So I thought, why not build the ultimate tool to help us,

لذا فكرت، لماذا لا نبني الأداة النهائية لمساعدتنا،

which is artificial intelligence.

وهي الذكاء الاصطناعي.

And at the same time,

وفي الوقت نفسه،

ربما قد نتمكن من فهم أنفسنا أيضاً،

we could also maybe better understand ourselves

والدماغ بشكل أفضل، من خلال القيام بذلك أيضًا.

and the brain better, by doing that too.

So not only was it incredible tool,

لذلك لم تكن مجرد أداة رائعة فحسب،

it was also useful for some of the big questions itself.

بل كانت مفيدة أيضًا لبعض الأسئلة الكبيرة نفسها.

مثيرة للاهتمام للغاية.

CA: Super interesting.

So obviously AI can do so many things,

من الواضح أن الذكاء الاصطناعي يمكنه القيام بالعديد من الأشياء،

but I think for this conversation,

ولكن بالنسبة لهذه المحادثة،

I'd love to focus in on this theme of what it might do

أود التركيز على موضوع ما يمكن ان يتم فعله

to unlock the really big questions, the giant scientific breakthroughs,

لحل الأسئلة الكبيرة حقًا، والإنجازات العلمية العملاقة،

because it's been such a theme driving you and your company.

لأن هذا الموضوع يحفز كلاً منك وشركتك.

أحد الأشياء الكبيرة التي يمكن للذكاء الاصطناعي القيام بها،

DH: So I mean, one of the big things AI can do,

and I've always thought about,

وكنت أفكر فيها دائمًا،

is we're getting, you know, even back 20, 30 years ago,

هو أننا نحصل، كما تعلمون، حتى قبل 20 أو 30 عامًا،

the beginning of the internet era and computer era,

في بداية عصر الإنترنت وعصر الكمبيوتر،

the amount of data that was being produced

وكمية البيانات التي تم إنتاجها

and also scientific data,

وكذلك البيانات العلمية،

just too much for the human mind to comprehend in many cases.

والتي قد تعد أشياء كثيرة جداً بالنسبة للعقل البشري في كثير من الحالات.

And I think one of the uses of AI is to find patterns and insights

وأعتقد أن أحد استخدامات الذكاء الاصطناعي هو العثور على أنماط ورؤى

in huge amounts of data and then surface that

في كميات هائلة من البيانات

to the human scientists to make sense of

ثم عرض ذلك للعلماء البشريين

and make new hypotheses and conjectures.

لفهم ووضع فرضيات وتخمينات جديدة.

So it seems to me very compatible with the scientific method.

لذلك يبدو لي الأمر متوافقًا جدًا مع المنهج العلمي.

CA: Right.

صحيح.

But game play has played a huge role in your own journey

لكن للألعاب دورًا كبيرًا في رحلتك الخاصة

in figuring this thing out.

في ما يتعلق باكتشاف هذا الشيء.

Who is this young lad on the left there?

من هو هذا الفتى الصغير على اليسار هناك؟

Who is that?

من هذا؟

DH: So that was me, I think I must have been about around nine years old.

هذا أنا، أعتقد أنني كنت في التاسعة من عمري تقريبًا.

I'm captaining the England Under 11 team,

كنت قائد فريق إنجلترا للأطفال تحت ال 11 عامًا،

and we're playing in a Four Nations tournament,

ونلعب في بطولة الأمم الأربعة،

ولهذا السبب جميعنا ارتدينا اللون الأحمر.

that's why we're all in red.

I think we're playing France, Scotland and Wales, I think it was.

أعتقد أننا سنواجه فرنسا واسكتلندا وويلز، أعتقد ذلك.

CA: That is so weird, because that happened to me too.

هذا غريب جدًا، لأن ذلك حدث لي أيضًا.

In my dreams.

في أحلامي.

(Laughter)

(ضحك)

And it wasn't just chess,

ولم تحب لعبة الشطرنج فحسب،

you loved all kinds of games.

لقد أحببت جميع أنواع الألعاب.

DH: I loved all kinds of games, yeah.

أحببت جميع أنواع الألعاب، نعم.

CA: And when you launched DeepMind,

وعندما أطلقت DeepMind،

pretty quickly, you started having it tackle game play.

بسرعة كبيرة، بدأت في جعلها تتضمن اللعب،لماذا؟

Why?

DH: Well, look, I mean, games actually got me into AI in the first place

حسنًا، إن الألعاب هي ما جعلتني شغوفاً بالذكاء الاصطناعي في المقام الأول

because while we were doing things like,

لأنه بينما كنا نفعل أشياء مثل

we used to go on training camps with the England team and so on.

اعتدنا الذهاب إلى معسكرات تدريب مع منتخب إنجلترا وما إلى ذلك.

And actually back then,

وفي الواقع في ذلك الوقت،

I guess it was in the mid '80s,

أعتقد أننا كنا في منتصف الثمانينيات،

we would use the very early chess computers,

كنا نستخدم أجهزة كمبيوتر الشطرنج المبكرة جدًا،

if you remember them, to train against,

إذا كنت تتذكرها، للتدرب ضدها،

as well as playing against each other.

وكذلك اللعب ضد بعضنا البعض.

And they were big lumps of plastic,

وكانت عبارة عن كتل كبيرة من البلاستيك،

you know, physical boards that you used to,

كما تعلمون، الألواح المادية التي اعتدنا عليها،

some of you remember, used to actually press the squares down

ويتذكر البعض منكم، استخدمتها بالفعل للضغط على المربعات للأسفل

and there were LED lights, came on.

وكانت هناك مصابيح LED.

And I remember actually, not just thinking about the chess,

وأتذكر في الواقع، لم أفكر في لعبة الشطرنج فحسب حقيقةً

I was actually just fascinated by the fact that this lump of plastic,

كنت في الواقع مفتونًا بحقيقة أن هذه الكتلة البلاستيكية،

someone had programmed it to be smart

قام شخص ما ببرمجتها لتكون ذكية

and actually play chess to a really high standard.

لتلعب الشطرنج بالفعل على مستوى عالٍ حقًا.

And I was just amazed by that.

وقد اندهشت من ذلك.

And that got me thinking about thinking.

وهذا جعلني أفكر في كيفية التفكير

And how does the brain come up with these thought processes,

وكيفية ابتكار الدماغ لعمليات التفكير هذه،

these ideas,

هذه الأفكار،

and then maybe how we could mimic that with computers.

ومن ثم التفكير بكيفية محاكاة ذلك باستخدام أجهزة الكمبيوتر.

لذا نعم، لقد كان موضوعًا كاملاً لحياتي كلها، حقًا.

So yeah, it's been a whole theme for my whole life, really.

CA: But you raised all this money to launch DeepMind,

لكنك جمعت كل هذه الأموال لإطلاق DeepMind،

and pretty soon you were using it to do, for example, this.

وسرعان ما كنت تستخدمها للقيام بذلك، على سبيل المثال،.

I mean, this is an odd use of it.

أعني، هذا استخدام غريب لها.

What was going on here?

ماذا كان يحدث هنا؟

DH: Well, we started off with games at the beginning of DeepMind.

حسنًا، بدأنا بالألعاب في بداية DeepMind.

This was back in 2010, so this is from about 10 years ago,

كان هذا في عام 2010، لذلك هذا منذ حوالي 10 سنوات،

it was our first big breakthrough.

كان أول إنجاز كبير لنا.

Because we started off with classic Atari games from the 1970s,

نظرًا لأننا بدأنا بألعاب Atari الكلاسيكية من السبعينيات،

the simplest kind of computer games there are out there.

فإن أبسط أنواع ألعاب الكمبيوتر موجودة.

And one of the reasons we used games is they're very convenient

وأحد أسباب استخدامنا للألعاب هو أنها مريحة جدًا

to test out your ideas and your algorithms.

لاختبار أفكارك وخوارزمياتك.

They're really fast to test.

إنهم سريعون حقًا في الاختبار.

And also, as your systems get more powerful,

وأيضًا، عندما تصبح أنظمتك أكثر قوة،

you can choose harder and harder games.

يمكنك اختيار ألعاب أصعب وأصعب.

And this was actually the first time ever that our machine surprised us,

وكانت هذه في الواقع المرة الأولى على الإطلاق التي فاجأتنا فيها آلتنا،

the first of many times,

الأولى من عدة مرات،

which, it figured out in this game called Breakout,

والتي اكتشفت في هذه اللعبة المسماة Breakout،

that you could send the ball round the back of the wall,

أنه يمكنك إرسال الكرة حول الجزء الخلفي من الجدار،

and actually, it would be much safer way to knock out all the tiles of the wall.

وفي الواقع، ستكون طريقة أكثر أمانًا لضرب كل بلاطات الجدار.

It's a classic Atari game there.

إنها لعبة أتاري الكلاسيكية هناك.

And that was our first real aha moment.

وكانت تلك أول لحظة حقيقية لنا.

CA: So this thing was not programmed to have any strategy.

لذلك لم تتم برمجة هذا الشيء ليكون لديه أي استراتيجية.

It was just told, try and figure out a way of winning.

لقد قيل للتو، حاول اكتشاف طريقة للفوز.

You just move the bat at the bottom and see if you can find a way of winning.

ما عليك سوى تحريك المضرب في الأسفل ومعرفة ما إذا كان بإمكانك إيجاد طريقة للفوز.

DH: It was a real revolution at the time.

لقد كانت ثورة حقيقية في ذلك الوقت، كان هذا في عامي 2012 و 2013.

So this was in 2012, 2013

where we coined these terms "deep reinforcement learning."

حيث صاغنا هذه المصطلحات «التعلم المعزز العميق».

And the key thing about them is that those systems were learning

فالشيء الرئيسي عنها هو أن تلك الأنظمة كانت تتعلم

directly from the pixels, the raw pixels on the screen,

مباشرة من وحدات البكسل، وحدات البكسل الخام على الشاشة،

but they weren't being told anything else.

ولكن لم يتم إخبارها بأي شيء آخر.

So they were being told, maximize the score,

لذلك قيل لهم، قم بتعظيم النتيجة،

here are the pixels on the screen,

ها هي وحدات البكسل على الشاشة،

30,000 pixels.

30000 بكسل.

The system has to make sense on its own from first principles

يجب أن يكون النظام منطقيًا من تلقاء نفسه من المبادئ الأولى

what’s going on, what it’s controlling,

لما يحدث، وما يتحكم فيه، وكيفية الحصول على النقاط.

how to get points.

And that's the other nice thing about using games to begin with.

وهذا هو الشيء الجميل الآخر في استخدام الألعاب في البداية.

They have clear objectives, to win, to get scores.

لديهم أهداف واضحة، للفوز، للحصول على الدرجات.

So you can kind of measure very easily that your systems are improving.

لذلك يمكنك بسهولة قياس مدى تحسن أنظمتك.

CA: But there was a direct line from that to this moment

ولكن كان هناك خط مباشر من ذلك إلى هذه اللحظة

a few years later,

بعد بضع سنوات،

where country of South Korea and many other parts of Asia

حيث أصيبت دولة كوريا الجنوبية وأجزاء أخرى كثيرة من آسيا

and in fact the world went crazy over -- over what?

وفي الواقع العالم بالجنون -- لماذا؟

DH: Yeah, so this was the pinnacle of -- this is in 2016 --

DH: نعم، كانت هذه ذروة - وهذا في عام 2016 -

the pinnacle of our games-playing work,

ذروة عملنا في الألعاب،

where, so we'd done Atari,

حيث قمنا بعمل أتاري،

we'd done some more complicated games.

وقمنا ببعض الألعاب الأكثر تعقيدًا.

And then we reached the pinnacle, which was the game of Go,

ثم وصلنا إلى الذروة، وهي لعبة Go،

which is what they play in Asia instead of chess,

وهي ما يلعبونه في آسيا بدلاً من الشطرنج،

but it's actually more complex than chess.

لكنها في الواقع أكثر تعقيدًا من الشطرنج.

And the actual brute force algorithms

ولم تكن خوارزميات القوة الغاشمة الفعلية

that were used to kind of crack chess were not possible with Go

التي تم استخدامها لنوع من لعبة الشطرنج ممكنة مع Go

because it's a much more pattern-based game,

لأنها لعبة تعتمد على الأنماط بشكل أكبر،

much more intuitive game.

وهي لعبة أكثر سهولة.

So even though Deep Blue beat Garry Kasparov in the '90s,

لذلك على الرغم من فوز ديب بلو على غاري كاسباروف في التسعينيات،

it took another 20 years for our program, AlphaGo,

فقد استغرق برنامجنا، AlphaGo ،20 عامًا أخرى

to beat the world champion at Go.

للتغلب على بطل العالم في Go.

And we always thought,

وكنا نعتقد دائمًا،

myself and the people working on this project for many years,

أنا والأشخاص الذين يعملون في هذا المشروع لسنوات عديدة،

if you could build a system that could beat the world champion at Go,

أنه إذا كان بإمكانك بناء نظام يمكنه التغلب على بطل العالم في Go،

it would have had to have done something very interesting.

فسيتعين عليه القيام بشيء مثير للاهتمام للغاية.

And in this case, what we did with AlphaGo,

وفي هذه الحالة، ما فعلناه مع AlphaGo،

is it basically learned for itself,

هو أنه تعلم بشكل أساسي لنفسه،

by playing millions and millions of games against itself,

من خلال لعب الملايين والملايين من الألعاب ضد نفسه،

ideas about Go, the right strategies.

والأفكار حول Go، والاستراتيجيات الصحيحة.

And in fact invented its own new strategies

وفي الواقع ابتكرت استراتيجياتها الجديدة

that the Go world had never seen before,

التي لم يسبق لعالم Go رؤيتها من قبل،

even though we've played Go for more than,

على الرغم من أننا لعبنا Go

you know, 2,000 years,

لأكثر من 2000 عام،

it's the oldest board game in existence.

فهي أقدم لعبة لوحية في الوجود.

لذا، كان الأمر مذهلاً للغاية. لم يقتصر الأمر على الفوز بالمباراة،

So, you know, it was pretty astounding.

Not only did it win the match,

it also came up with brand new strategies.

بل ابتكر أيضًا استراتيجيات جديدة تمامًا.

CA: And you continued this with a new strategy

وقد واصلت هذا باستراتيجية جديدة

of not even really teaching it anything about Go,

تتمثل في عدم تعليمها أي شيء عن Go،

but just setting up systems

ولكن فقط إعداد أنظمة

that just from first principles would play

يمكن استخدامها من المبادئ الأولى فقط

so that they could teach themselves from scratch, Go or chess.

حتى يتمكنوا من تعليم أنفسهم من الصفر أو Go أو الشطرنج.

Talk about AlphaZero and the amazing thing that happened in chess then.

تحدث عن AlphaZero والشيء المدهش الذي حدث في لعبة الشطرنج بعد ذلك.

DH: So following this, we started with AlphaGo

بعد ذلك، بدأنا مع AlphaGo

by giving it all of the human games that are being played on the internet.

من خلال إعطائها جميع الألعاب البشرية التي يتم لعبها على الإنترنت.

So it started that as a basic starting point for its knowledge.

لذلك بدأت ذلك كنقطة انطلاق أساسية لمعرفتها.

And then we wanted to see what would happen if we started from scratch,

ثم أردنا أن نرى ما سيحدث إذا بدأنا من الصفر،

from literally random play.

من اللعب العشوائي حرفيًا.

So this is what AlphaZero was.

إذن هذا ما كان عليه AlphaZero.

That's why it's the zero in the name,

هذا هو السبب في وجود الصفر في الاسم،

because it started with zero prior knowledge

لأنه بدأ بدون أي معرفة مسبقة

And the reason we did that is because then we would build a system

والسبب في قيامنا بذلك هو أننا سنبني نظامًا

that was more general.

أكثر عمومية.

So AlphaGo could only play Go,

لذلك كان بإمكان AlphaGo لعب Go فقط،

but AlphaZero could play any two-player game,

لكن AlphaZero يمكنه لعب أي لعبة ثنائية اللاعبين،

and it did it by playing initially randomly

وقد فعل ذلك من خلال اللعب بشكل عشوائي في البداية

and then slowly, incrementally improving.

ثم ببطء، مع التحسين التدريجي.

Well, not very slowly, actually, within the course of 24 hours,

حسنًا، ليس ببطء شديد، في الواقع، في غضون 24 ساعة،

going from random to better than world-champion level.

الانتقال من المستوى العشوائي إلى مستوى أفضل من مستوى بطل العالم.

وولهذا السبب إن هذا الأمر مذهل جدًا بالنسبة لي.

CA: And so this is so amazing to me.

So I'm more familiar with chess than with Go.

لذلك أنا على دراية بالشطرنج أكثر من Go.

And for decades,

وعلى مدى عقود،

thousands and thousands of AI experts worked on building

عمل الآلاف والآلاف من خبراء الذكاء الاصطناعي على بناء

incredible chess computers.

أجهزة كمبيوتر شطرنج مذهلة.

Eventually, they got better than humans.

في النهاية، أصبحوا أفضل من البشر.

You had a moment a few years ago,

كانت لديك لحظة قبل بضع سنوات،

where in nine hours,

حيث قامت AlphaZero في تسع ساعات

AlphaZero taught itself to play chess better than any of those systems ever did.

بتعليم نفسها لعب الشطرنج بشكل أفضل من أي من هذه الأنظمة على الإطلاق.

Talk about that.

تحدث عن ذلك.

DH: It was a pretty incredible moment, actually.

لقد كانت لحظة رائعة جدًا، في الواقع.

So we set it going on chess.

لذلك شرعنا في لعبة الشطرنج.

وكما قلت، يوجد تاريخ مشترك بين الشطرنج والذكاء الاصطناعي

And as you said, there's this rich history of chess and AI

where there are these expert systems that have been programmed

حيث توجد هذه الأنظمة الخبيرة التي تمت برمجتها

with these chess ideas, chess algorithms.

بأفكار الشطرنج هذه، خوارزميات الشطرنج.

And you have this amazing, you know,

ولديك هذا الشيء المذهل، كما تعلمون،

I remember this day very clearly, where you sort of sit down with the system

أتذكر هذا اليوم بوضوح شديد، حيث تجلس بشكل ما مع النظام الذي

starting off random, you know, in the morning,

يبدأ عشوائيًا، في الصباح،

you go for a cup of coffee, you come back.

تذهب لتناول فنجان من القهوة، وتعود.

I can still just about beat it by lunchtime, maybe just about.

لا يزال بإمكاني التغلب عليه بحلول وقت الغداء، ربما .

And then you let it go for another four hours.

ثم تتركها لمدة أربع ساعات أخرى.

And by dinner,

وبحلول العشاء،

it's the greatest chess-playing entity that's ever existed.

فهي أعظم كيان يلعب الشطرنج على الإطلاق.

And, you know, it's quite amazing,

وكما تعلمون، إنه لأمر مدهش للغاية،

like, looking at that live on something that you know well,

مثل، النظر إلى ذلك مباشرة على شيء تعرفه جيدًا،

you know, like chess, and you're expert in

كما تعلمون، مثل الشطرنج، وأنت خبير في ذلك

and actually just seeing that in front of your eyes.

وفي الواقع مجرد رؤيته أمام عينيك.

And then you extrapolate to what it could then do in science or something else,

ثم تستنبط ما يمكن أن تفعله بعد ذلك في العلوم أو أي شيء آخر،

which of course, games were only a means to an end.

والذي بالطبع، كانت الألعاب مجرد وسيلة لتحقيق غاية.

They were never the end in themselves.

لم تكن أبدًا النهاية في حد ذاتها.

They were just the training ground for our ideas

لقد كانت مجرد ساحة تدريب لأفكارنا

and to make quick progress in a matter of, you know,

ولإحراز تقدم سريع في غضون

less than five years actually went from Atari to Go.

أقل من خمس سنوات مرت فعليًا من Atari إلى Go.

CA: I mean, this is why people are in awe of AI

أعني، هذا هو السبب في أن الناس يشعرون بالرهبة من الذكاء الاصطناعي

and also kind of terrified by it.

وأيضًا يشعرون بالرعب منه.

I mean, it's not just incremental improvement.

أعني، إنه ليس مجرد تحسن تدريجي.

The fact that in a few hours you can achieve

حقيقة أنه في غضون ساعات قليلة يمكنك تحقيق

what millions of humans over centuries have not been able to achieve.

ما لم يتمكن ملايين البشر على مر القرون من تحقيقه.

That gives you pause for thought.

هذا يمنحك وقفة للتفكير.

DH: It does, I mean, it's a hugely powerful technology.

إنها حقيقة الأمر، أعني، إنها تقنية قوية للغاية.

It's going to be incredibly transformative.

ستكون نقلة قوية بشكل لا يصدق.

And we have to be very thoughtful about how we use that capability.

وعلينا أن ندرس بدقة كيفية استخدامنا لهذه القدرة.

CA: So talk about this use of it because this is again,

لذا لنتحدث عن هذا الاستخدام مرةً أخرى،

this is another extension of the work you've done,

لأنه مجرد مجال آخر للعمل الذي قمت به،

where now you're turning it to something incredibly useful for the world.

حيث تقوم الآن بتحويله إلى شيء مفيد للغاية للعالم.

What are all the letters on the left, and what’s on the right?

ما هي جميع الحروف الموجودة على اليسار، وماذا على اليمين؟

DH: This was always my aim with AI from a kid,

كان هذا هدفي دائماً مع الذكاء الاصطناعي منذ طفولتي،

which is to use it to accelerate scientific discovery.

وهدفي هو استخدام الذكاء الاصطناعي لتسريع الاكتشاف العلمي.

And actually, ever since doing my undergrad at Cambridge,

وفي الواقع، منذ دراستي الجامعية في كامبريدج،

ففي أحد الأيام كنت أفكر في هذه المشكلة بالنسبة للذكاء الاصطناعي

I had this problem in mind one day for AI,

it's called the protein-folding problem.

والتي تسمى مشكلة طي البروتين.

And it's kind of like a 50-year grand challenge in biology.

وهو نوع من التحدي الكبير لمدة 50 عامًا في علم الأحياء.

And it's very simple to explain.

ومن السهل جدًا شرح ذلك.

Proteins are essential to life.

البروتينات ضرورية للحياة.

They're the building blocks of life.

إنها اللبنات الأساسية للحياة.

Everything in your body depends on proteins.

كل شيء في جسمك يعتمد على البروتينات.

A protein is sort of described by its amino acid sequence,

يتم وصف البروتين نوعًا ما من خلال تسلسل الأحماض الأمينية الخاص به،

والذي يمكنك التفكير فيه تقريبًا على أنه التسلسل الجيني

which you can think of as roughly the genetic sequence

describing the protein, so that are the letters.

الذي يصف البروتين، هذه هي الأحرف.

CA: And each of those letters represents in itself a complex molecule?

CA: وكل من هذه الحروف يمثل في حد ذاته جزيءًا معقدًا؟

DH: That's right, each of those letters is an amino acid.

DH: هذا صحيح، كل حرف من هذه الأحرف عبارة عن حمض أميني.

And you can think of them as a kind of string of beads

ويمكنك التفكير فيها كنوع من سلسلة الخرز

there at the bottom, left, right?

هناك في الأسفل، اليسار، أليس كذلك؟

But in nature, in your body or in an animal,

ولكن في الطبيعة، في جسمك أو في حيوان،

this string, a sequence,

تتحول هذه السلسلة،

turns into this beautiful shape on the right.

إلى هذا الشكل الجميل على اليمين.

That's the protein.

هذا هو البروتين.

Those letters describe that shape.

هذه الحروف تصف هذا الشكل.

And that's what it looks like in nature.

وهذا ما تبدو عليه في الطبيعة.

And the important thing about that 3D structure is

والشيء المهم في هذا الهيكل ثلاثي الأبعاد

the 3D structure of the protein goes a long way to telling you

هو أن البنية ثلاثية الأبعاد للبروتين تقطع شوطًا طويلاً

what its function is in the body, what it does.

لإخبارك بوظيفته في الجسم، وماذا يفعل.

And so the protein-folding problem is:

وبالتالي فإن مشكلة طي البروتين هي:

Can you directly predict the 3D structure just from the amino acid sequence?

هل يمكنك التنبؤ مباشرة بالبنية ثلاثية الأبعاد فقط من تسلسل الأحماض الأمينية؟

So literally if you give the machine, the AI system,

لذا حرفيًا إذا أعطيت الجهاز، ونظام الذكاء الاصطناعي،

the letters on the left,

والأحرف الموجودة على اليسار،

can it produce the 3D structure on the right?

فهل يمكنه إنتاج البنية ثلاثية الأبعاد على اليمين؟

And that's what AlphaFold does, our program does.

وهذا ما يفعله برنامجنا AlphaFold.

CA: It's not calculating it from the letters,

فلا يتم حسابها من الحروف،

it's looking at patterns of other folded proteins that are known about

إنها تبحث في أنماط البروتينات المطوية الأخرى المعروفة عنها

and somehow learning from those patterns

وتتعلم بطريقة أو بأخرى من تلك الأنماط

that this may be the way to do this?

أن هذه قد تكون الطريقة للقيام بذلك؟

DH: So when we started this project, actually straight after AlphaGo,

لذلك عندما بدأنا هذا المشروع، في الواقع مباشرة بعد AlphaGo،

I thought we were ready.

اعتقدت أننا جاهزون.

Once we'd cracked Go,

بمجرد أن أطلقنا Go،

I felt we were finally ready after, you know,

شعرت أننا جاهزون أخيرًا بعد ما يقرب

almost 20 years of working on this stuff

من 20 عامًا من العمل على هذه الأشياء

to actually tackle some scientific problems,

لمعالجة بعض المشكلات العلمية فعليًا،

including protein folding.

بما في ذلك طي البروتين.

And what we start with is painstakingly,

وما نبدأ به هو بشق الأنفس،

over the last 40-plus years,

على مدى أكثر من 40 عامًا الماضية،

experimental biologists have pieced together

قام علماء الأحياء التجريبية بتجميع

around 150,000 protein structures

حوالي 150,000 بنية بروتينية

using very complicated, you know, X-ray crystallography techniques

باستخدام تقنيات معقدة للغاية في علم البلورات بالأشعة السينية

and other complicated experimental techniques.

وغيرها من التقنيات التجريبية المعقدة.

And the rule of thumb is

والقاعدة الأساسية

that it takes one PhD student their whole PhD,

هي أن الأمر يتطلب من طالب دكتوراه واحد الحصول على درجة الدكتوراه بأكملها،

so four or five years, to uncover one structure.

أي أربع أو خمس سنوات، للكشف عن بنية واحدة.

But there are 200 million proteins known to nature.

ولكن هناك 200 مليون بروتين معروف في الطبيعة.

So you could just, you know, take forever to do that.

لذلك يمكنك أن تستغرق وقتًا طويلاً للقيام بذلك.

And so we managed to actually fold, using AlphaFold, in one year,

وهكذا تمكنا بالفعل، باستخدام AlphaFold، في عام واحد،

all those 200 million proteins known to science.

من طي كل تلك الـ 200 مليون بروتين المعروفة للعلم.

So that's a billion years of PhD time saved.

وهذا يعني توفير مليار سنة من وقت الدكتوراه.

(Applause)

(تصفيق)

CA: So it's amazing to me just how reliably it works.

CA: لذلك من المدهش بالنسبة لي مدى موثوقية عملها.

I mean, this shows, you know,

أعني، هذا يظهر،

here's the model and you do the experiment.

ها هو النموذج وأنت تقوم بالتجربة.

And sure enough, the protein turns out the same way.

ومن المؤكد أن البروتين يظهر بنفس الطريقة.

Times 200 million.

200 مليون مرة.

DH: And the more deeply you go into proteins,

DH: وكلما تعمقت في البروتينات،

you just start appreciating how exquisite they are.

تبدأ في تقدير مدى روعتها.

I mean, look at how beautiful these proteins are.

أعني، انظروا إلى مدى جمال هذه البروتينات.

And each of these things do a special function in nature.

وكل من هذه الأشياء تؤدي وظيفة خاصة في الطبيعة.

And they're almost like works of art.

وهي تشبه الأعمال الفنية تقريبًا.

And it's still astounds me today that AlphaFold can predict,

ولا يزال يذهلني اليوم أن AlphaFold يمكن أن يتنبأ،

the green is the ground truth, and the blue is the prediction,

والأخضر هو الحقيقة الأساسية، والأزرق هو التنبؤ،

how well it can predict, is to within the width of an atom on average,

ومدى قدرته على التنبؤ، هو في حدود عرض الذرة في المتوسط،

is how accurate the prediction is,

هو مدى دقة التنبؤ،

which is what is needed for biologists to use it,

وهو ما يحتاجه علماء الأحياء لاستخدامه،

and for drug design and for disease understanding,

ولتصميم الأدوية وفهم الأمراض،

which is what AlphaFold unlocks.

وهو ما يفتحه AlphaFold.

CA: You made a surprising decision,

CA: لقد اتخذت قرارًا مفاجئًا،

which was to give away the actual results of your 200 million proteins.

وهو التخلي عن النتائج الفعلية لـ 200 مليون بروتين.

DH: We open-sourced AlphaFold and gave everything away

DH: قمنا بفتح مصدر AlphaFold وقدمنا كل شيء

on a huge database with our wonderful colleagues,

في قاعدة بيانات ضخمة مع زملائنا الرائعين، في المعهد الأوروبي للمعلوماتية الحيوية.

the European Bioinformatics Institute.

(Applause)

(تصفيق)

CA: I mean, you're part of Google.

أعني، أنت جزء من جوجل.

Was there a phone call saying, "Uh, Demis, what did you just do?"

هل كانت هناك مكالمة هاتفية تقول، «آه، ديميس، ماذا فعلت للتو؟»

DH: You know, I'm lucky we have very supportive,

كما تعلمون، أنا محظوظ لأن لدينا دعمًا كبيرًا،

Google's really supportive of science

حيث تدعم Google العلم وبشدة

and understand the benefits this can bring to the world.

وتفهم الفوائد التي يمكن أن يجلبها هذا للعالم.

And, you know, the argument here

وكما تعلمون،

was that we could only ever have even scratched the surface

كانت الحجة هنا هي أنه لم يكن بإمكاننا إلا أن نخدش سطح إمكانات

of the potential of what we could do with this.

ما يمكننا فعله بهذا.

This, you know, maybe like a millionth

هذا، ربما مثل جزء من المليون مما يفعله المجتمع العلمي به.

of what the scientific community is doing with it.

There's over a million and a half biologists around the world

هناك أكثر من مليون ونصف عالم أحياء حول العالم

have used AlphaFold and its predictions.

استخدموا AlphaFold وتوقعاته.

We think that's almost every biologist in the world

نعتقد أن كل عالم أحياء في العالم تقريبًا

is making use of this now, every pharma company.

يستفيد من هذا الآن، كل شركة أدوية.

So we'll never know probably what the full impact of it all is.

لذلك لن نعرف أبدًا ما هو التأثير الكامل لكل ذلك.

CA: But you're continuing this work in a new company

CA: لكنك تواصل هذا العمل في شركة جديدة

that's spinning out of Google called Isomorph.

انها من Google تسمى Isomorph.

DH: Isomorphic.

DH: متماثل الشكل.

CA: Isomorphic.

CA: متساوي الشكل.

Give us just a sense of the vision there.

أعطنا مجرد إحساس بالرؤية هناك.

What's the vision?

ما هي الرؤية؟

DH: AlphaFold is a sort of fundamental biology tool.

DH: AlphaFold هو نوع من أدوات البيولوجيا الأساسية.

Like, what are these 3D structures,

مثل، ما هذه الهياكل ثلاثية الأبعاد،

and then what might they do in nature?

ثم ماذا يمكن أن تفعل في الطبيعة؟

And then if you, you know,

ثم إذا كنت، كما تعلمون،

the reason I thought about this and was so excited about this,

السبب الذي جعلني أفكر في هذا الأمر وكنت متحمسًا جدًا له،

is that this is the beginnings of understanding disease

هو أن هذه هي بدايات فهم المرض

and also maybe helpful for designing drugs.

وربما تكون مفيدة أيضًا في تصميم الأدوية.

So if you know the shape of the protein,

لذلك إذا كنت تعرف شكل البروتين،

and then you can kind of figure out

وبعد ذلك يمكنك نوعًا ما معرفة

which part of the surface of the protein

أي جزء من سطح البروتين

you're going to target with your drug compound.

ستستهدفه بمركب الدواء الخاص بك.

And Isomorphic is extending this work we did in AlphaFold

وتقوم شركة Isomorphic بتوسيع هذا العمل الذي قمنا به في AlphaFold

into the chemistry space,

إلى الفضاء الكيميائي،

where we can design chemical compounds

حيث يمكننا تصميم مركبات كيميائية

that will bind exactly to the right spot on the protein

ترتبط تمامًا بالبقعة الصحيحة من البروتين

and also, importantly, to nothing else in the body.

وأيضًا، والأهم من ذلك، بأي شيء آخر في الجسم.

So it doesn't have any side effects and it's not toxic and so on.

لذلك ليس لها أي آثار جانبية وليست سامة وما إلى ذلك.

And we're building many other AI models,

ونحن نبني العديد من نماذج الذكاء الاصطناعي الأخرى،

sort of sister models to AlphaFold

نوع من النماذج الشقيقة لـ AlphaFold

to help predict,

للمساعدة في التنبؤ

make predictions in chemistry space.

في مجال الكيمياء.

CA: So we can expect to see

لذلك يمكننا أن نتوقع

some pretty dramatic health medicine breakthroughs

رؤية بعض الإنجازات الدراماتيكية في الطب الصحي

في السنوات القليلة المقبلة.

in the coming few years.

DH: I think we'll be able to get down drug discovery

أعتقد أننا سنكون قادرين على خفض اكتشاف الأدوية

from years to maybe months.

من سنوات إلى ربما أشهر.

CA: OK. Demis, I'd like to change direction a bit.

حسنًا. ديميس، أود تغيير الاتجاه قليلاً.

Our mutual friend, Liv Boeree, gave a talk last year at TEDAI

ألقت صديقتنا المشتركة، ليف بويري، محاضرة العام الماضي في TEDAI

that she called the “Moloch Trap.”

أطلقت عليها اسم «Moloch Trap».

The Moloch Trap is a situation

مصيدة Moloch هي حالة يمكن فيها

where organizations,

دفع المنظمات

companies in a competitive situation can be driven to do things

والشركات في وضع تنافسي

that no individual running those companies would by themselves do.

للقيام بأشياء لا يمكن لأي فرد يدير هذه الشركات القيام بها بمفرده.

I was really struck by this talk,

لقد أدهشني هذا الحديث حقًا،

and it's felt, as a sort of layperson observer,

وشعرت، كنوع من المراقبين العاديين،

that the Moloch Trap has been shockingly in effect in the last couple of years.

أن مصيدة مولوك كانت سارية بشكل مروع في العامين الماضيين.

So here you are with DeepMind,

إذن ها أنت مع DeepMind،

sort of pursuing these amazing medical breakthroughs

نوعًا ما تسعى وراء هذه الاختراقات الطبية المذهلة

and scientific breakthroughs,

والاختراقات العلمية،

and then suddenly, kind of out of left field,

ثم فجأة، نوعًا ما خارج المجال الأيسر،

OpenAI with Microsoft releases ChatGPT.

تطلق OpenAI مع مايكروسوفت ChatGPT.

And the world goes crazy and suddenly goes, “Holy crap, AI is ...”

ويصاب العالم بالجنون وفجأة يقول: «يا إلهي، الذكاء الاصطناعي هو...»

you know, everyone can use it.

يمكن للجميع استخدامه.

And there’s a sort of, it felt like the Moloch Trap in action.

وهناك نوع من الشعور وكأنه مصيدة مولوك أثناء العمل.

I think Microsoft CEO Satya Nadella actually said,

أعتقد أن الرئيس التنفيذي لشركة Microsoft Satya Nadella قال بالفعل،

"Google is the 800-pound gorilla in the search space.

«Google هي الغوريلا التي تزن 800 رطل في مساحة البحث.

We wanted to make Google dance."

أردنا أن نجعل Google ترقص.»

How ...?

كيف...؟

And it did, Google did dance.

وفعلت ذلك، رقصت غوغل.

There was a dramatic response.

كانت هناك استجابة مثيرة.

Your role was changed,

تم تغيير دورك

you took over the whole Google AI effort.

واستولت على جهود Google AI بأكملها.

Products were rushed out.

تم إخراج المنتجات بسرعة.

You know, Gemini, some part amazing, part embarrassing.

Gemini، جزء مذهل، جزء محرج.

I’m not going to ask you about Gemini because you’ve addressed it elsewhere.

لن أسألك عن Gemini لأنك تناولت الموضوع في مكان آخر.

But it feels like this was the Moloch Trap happening,

لكن يبدو أن هذا حدث في مصيدة Moloch،

that you and others were pushed to do stuff

أنه تم دفعك أنت والآخرين للقيام بأشياء

that you wouldn't have done without this sort of catalyzing competitive thing.

لم تكن لتفعلها بدون هذا النوع من التحفيز التنافسي.

Meta did something similar as well.

قامت Meta بشيء مماثل أيضًا.

They rushed out an open-source version of AI,

لقد سارعوا إلى إصدار نسخة مفتوحة المصدر من الذكاء الاصطناعي،

which is arguably a reckless act in itself.

والذي يمكن القول إنه عمل متهور في حد ذاته.

This seems terrifying to me.

يبدو هذا مرعبًا بالنسبة لي.

Is it terrifying?

هل هذا مرعب؟

DH: Look, it's a complicated topic, of course.

انظر، إنه موضوع معقد بالطبع.

And, first of all, I mean, there are many things to say about it.

أولاً، هناك أشياء كثيرة يمكن قولها حول هذا الموضوع.

First of all, we were working on many large language models.

أولاً، كنا نعمل على العديد من نماذج اللغات الكبيرة.

And in fact, obviously, Google research actually invented Transformers,

وفي الواقع، من الواضح أن أبحاث Google اخترعت بالفعل شركة Transformers،

as you know,

كما تعلم،

which was the architecture that allowed all this to be possible,

وهي البنية التي سمحت لكل هذا بأن يكون ممكنًا،

five, six years ago.

منذ خمس أو ست سنوات.

And so we had many large models internally.

ولذا كان لدينا العديد من النماذج الكبيرة داخليًا.

The thing was, I think what the ChatGPT moment did that changed was,

كان الأمر، أعتقد أن ما تغير لحظة ChatGPT

and fair play to them to do that, was they demonstrated,

واللعب النظيف بالنسبة لهم للقيام بذلك، هو أنهم أظهروا،

I think somewhat surprisingly to themselves as well,

بشكل مفاجئ إلى حد ما لأنفسهم أيضًا،

that the public were ready to,

أن الجمهور كان مستعدًا،

you know, the general public were ready to embrace these systems

كان عامة الناس على استعداد لاحتضان هذه الأنظمة

and actually find value in these systems.

وإيجاد قيمة في هذه الأنظمة بالفعل.

Impressive though they are, I guess, when we're working on these systems,

على الرغم من أنها مثيرة للإعجاب، عندما نعمل على هذه الأنظمة،

mostly you're focusing on the flaws and the things they don't do

إلا أنك تركز في الغالب على العيوب والأشياء التي لا تفعلها

and hallucinations and things you're all familiar with now.

والهلوسة والأشياء التي تعرفها جميعًا الآن.

We're thinking, you know,

نحن نفكر،

would anyone really find that useful given that it does this and that?

هل سيجد أي شخص ذلك مفيدًا حقًا نظرًا لأنه يفعل هذا وذاك؟

And we would want them to improve those things first,

ونريد منهم تحسين هذه الأشياء أولاً

before putting them out.

قبل إخمادها.

But interestingly, it turned out that even with those flaws,

ولكن من المثير للاهتمام أنه اتضح أنه حتى مع هذه العيوب،

many tens of millions of people still find them very useful.

لا يزال عشرات الملايين من الناس يجدونها مفيدة للغاية.

And so that was an interesting update on maybe the convergence of products

ولذا كان هذا تحديثًا مثيرًا للاهتمام حول التقارب بين المنتجات

and the science that actually,

والعلوم التي في الواقع،

all of these amazing things we've been doing in the lab, so to speak,

كل هذه الأشياء المدهشة التي كنا نقوم بها في المختبر، إن جاز التعبير،

are actually ready for prime time for general use,

جاهزة بالفعل لوقت الذروة للاستخدام العام،

beyond the rarefied world of science.

خارج عالم العلوم النادر.

And I think that's pretty exciting in many ways.

وأعتقد أن هذا مثير جدًا من نواح كثيرة.

CA: So at the moment, we've got this exciting array of products

في الوقت الحالي، لدينا هذه المجموعة المثيرة من المنتجات

which we're all enjoying.

التي نستمتع بها جميعًا.

And, you know, all this generative AI stuff is amazing.

وكما تعلمون، كل هذه الأشياء المولدة للذكاء الاصطناعي مذهلة.

But let's roll the clock forward a bit.

ولكن دعونا ندحرج الساعة إلى الأمام قليلاً.

Microsoft and OpenAI are reported to be building

يُقال إن Microsoft و OpenAI تقومان ببناء

or investing like 100 billion dollars

أو استثمار ما يقرب من 100 مليار دولار

into an absolute monster database supercomputer

في كمبيوتر عملاق بقاعدة بيانات ضخمة تمامًا

that can offer compute at orders of magnitude

يمكنه تقديم الحوسبة بأعداد كبيرة

more than anything we have today.

أكثر من أي شيء لدينا اليوم.

It takes like five gigawatts of energy to drive this, it's estimated.

ويقدر أن الأمر يتطلب حوالي خمسة جيجاوات من الطاقة لتشغيل هذا.

That's the energy of New York City to drive a data center.

هذه هي طاقة مدينة نيويورك لقيادة مركز البيانات.

So we're pumping all this energy into this giant, vast brain.

لذلك نحن نضخ كل هذه الطاقة إلى هذا الدماغ العملاق والواسع.

Google, I presume is going to match this type of investment, right?

أفترض أن Google ستطابق هذا النوع من الاستثمار، أليس كذلك؟

DH: Well, I mean, we don't talk about our specific numbers,

DH: حسنًا، أعني، نحن لا نتحدث عن أرقامنا المحددة،

but you know, I think we're investing more than that over time.

ولكن كما تعلمون، أعتقد أننا نستثمر أكثر من ذلك بمرور الوقت.

So, and that's one of the reasons

لذلك، وهذا أحد أسباب

we teamed up with Google back in 2014,

تعاوننا مع Google في عام 2014،

is kind of we knew that in order to get to AGI,

هو أننا عرفنا نوعًا ما أنه من أجل الوصول إلى الذكاء الاصطناعي العام،

we would need a lot of compute.

سنحتاج إلى الكثير من الحوسبة.

And that's what's transpired.

وهذا ما حدث.

And Google, you know, had and still has the most computers.

وجوجل، كانت ولا تزال تمتلك معظم أجهزة الكمبيوتر.

CA: إذن تقوم الأرض ببناء أجهزة الكمبيوتر العملاقة هذه

CA: So Earth is building these giant computers

التي ستقوم أساسًا،

that are going to basically, these giant brains,

هذه العقول العملاقة، بتزويد الكثير من الاقتصاد المستقبلي بالطاقة.

that are going to power so much of the future economy.

And it's all by companies that are in competition with each other.

وكل ذلك من قبل الشركات التي تتنافس مع بعضها البعض.

How will we avoid the situation where someone is getting a lead,

كيف سنتجنب الموقف الذي يحصل فيه شخص ما على زمام المبادرة،

someone else has got 100 billion dollars invested in their thing.

وقد استثمر شخص آخر 100 مليار دولار في هذا الشيء.

Isn't someone going to go, "Wait a sec.

ألن يقول أحد، “انتظر لحظة“.

If we used reinforcement learning here

إذا استخدمنا التعلم المعزز هنا ربما

to maybe have the AI tweak its own code

لجعل الذكاء الاصطناعي يعدل الكود الخاص به

and rewrite itself and make it so [powerful],

ويعيد كتابة نفسه وجعله قويًا،

we might be able to catch up in nine hours over the weekend

فقد نتمكن من تعويض ما يفعلونه في تسع ساعات

خلال عطلة نهاية الأسبوع.

with what they're doing.

Roll the dice, dammit, we have no choice.

إرم النرد، اللعنة، ليس لدينا خيار.

Otherwise we're going to lose a fortune for our shareholders."

وإلا فإننا سنخسر ثروة لمساهمينا».

How are we going to avoid that?

كيف سنتجنب ذلك؟

DH: Yeah, well, we must avoid that, of course, clearly.

نعم، يجب أن نتجنب ذلك، بالطبع.

And my view is that as we get closer to AGI,

وأرى أنه مع اقترابنا من الذكاء الاصطناعي العام،

we need to collaborate more.

نحتاج إلى المزيد من التعاون.

And the good news is that most of the scientists involved in these labs

والخبر السار هو أن معظم العلماء المشاركين في هذه المختبرات

know each other very well.

يعرفون بعضهم البعض جيدًا.

And we talk to each other a lot at conferences and other things.

ونتحدث مع بعضنا البعض كثيرًا في المؤتمرات وغيرها من الأشياء.

And this technology is still relatively nascent.

وهذه التكنولوجيا لا تزال وليدة نسبيًا.

So probably it's OK what's happening at the moment.

لذلك ربما لا بأس بما يحدث في الوقت الحالي.

But as we get closer to AGI, I think as a society,

ولكن مع اقترابنا من الذكاء الاصطناعي العام،

أعتقد أننا كمجتمع بحاجة إلى البدء في التفكير في أنواع البنيات التي يتم بناؤها.

we need to start thinking about the types of architectures that get built.

So I'm very optimistic, of course,

لذلك أنا متفائل جدًا، بالطبع،

that's why I spent my whole life working on AI and working towards AGI.

لهذا السبب قضيت حياتي كلها في العمل على الذكاء الاصطناعي والعمل من أجله بشكل العام

But I suspect there are many ways to build the architecture safely, robustly,

لكنني أظن أن هناك العديد من الطرق لبناء البنية بأمان وقوة

reliably and in an understandable way.

وموثوقية وبطريقة مفهومة.

And I think there are almost certainly going to be ways of building architectures

وأعتقد أنه ستكون هناك بالتأكيد طرق لبناء الهياكل

الغير آمنة أو المحفوفة بالمخاطر بشكل ما.

that are unsafe or risky in some form.

So I see a sort of,

لذلك أرى عنق الزجاجة

a kind of bottleneck that we have to get humanity through,

التى يتعين علينا أن نجتاز البشرية من خلالها،

which is building safe architectures as the first types of AGI systems.

وهو بناء بنيات آمنة كأول أنواع أنظمة الذكاء الاصطناعي العام.

And then after that, we can have a sort of,

وبعد ذلك، يمكن أن يكون لدينا

a flourishing of many different types of systems

نوع من الازدهار العديد من الأنواع المختلفة من الأنظمة

that are perhaps sharded off those safe architectures

التي ربما يتم تقسيمها من تلك البنيات الآمنة

that ideally have some mathematical guarantees

التي تتمتع بشكل مثالي ببعض الضمانات الرياضية

or at least some practical guarantees around what they do.

أو على الأقل بعض الضمانات العملية حول ما تفعله.

CA: Do governments have an essential role here

CA: هل تلعب الحكومات دورًا أساسيًا هنا

to define what a level playing field looks like

لتحديد شكل ساحة اللعب المتكافئة

and what is absolutely taboo?

وما هو المحظور تمامًا؟

DH: Yeah, I think it's not just about --

نعم، أعتقد أن الأمر لا يتعلق فقط -

في الواقع أعتقد أن الحكومة والمجتمع المدني والأوساط الأكاديمية

actually I think government and civil society

and academia and all parts of society have a critical role to play here

وجميع أجزاء المجتمع لها دور حاسم تلعبه هنا لتشكيل

to shape, along with industry labs,

بجانب مختبرات الصناعة،

what that should look like as we get closer to AGI

الشكل الذي يجب أن يبدو عليه ذلك مع اقترابنا من الذكاء الاصطناعي العام

and the cooperation needed and the collaboration needed,

والتعاون المطلوب والمشاركة المطلوبة،

to prevent that kind of runaway race dynamic happening.

لمنع حدوث هذا النوع من ديناميكية السباق الجامح.

CA: OK, well, it sounds like you remain optimistic.

حسنًا، يبدو أنك لا تزال متفائلًا.

What's this image here?

ما هذه الصورة هنا؟

DH: That's one of my favorite images, actually.

هذه واحدة من الصور المفضلة لدي، في الواقع.

I call it, like, the tree of all knowledge.

أسميها شجرة كل المعرفة.

So, you know, we've been talking a lot about science,

كنا نتحدث كثيرًا عن العلم،

and a lot of science can be boiled down to

ويمكن تلخيص الكثير من العلوم

if you imagine all the knowledge that exists in the world

إذا تخيلت كل المعرفة الموجودة في العالم

as a tree of knowledge,

كشجرة المعرفة،

and then maybe what we know today as a civilization is some, you know,

ثم ربما ما نعرفه اليوم كحضارة

small subset of that.

هو مجموعة فرعية صغيرة من ذلك.

And I see AI as this tool that allows us,

وأرى الذكاء الاصطناعي كأداة تسمح لنا

as scientists, to explore, potentially, the entire tree one day.

كعلماء، باستكشاف الشجرة بأكملها يومًا ما.

And we have this idea of root node problems

ولدينا هذه الفكرة عن مشاكل العقدة الجذرية

that, like AlphaFold, the protein-folding problem,

والتي، مثل AlphaFold،مشكلة طي البروتين،

where if you could crack them,

حيث إذا كان بإمكانك حلها،

it unlocks an entire new branch of discovery or new research.

فإنها تفتح فرعًا جديدًا بالكامل من الاكتشافات أو الأبحاث الجديدة.

And that's what we try and focus on at DeepMind

وهذا ما نحاول التركيز عليه في DeepMind

and Google DeepMind to crack those.

و Google DeepMind للقضاء عليها.

And if we get this right, then I think we could be, you know,

وإذا فهمنا هذا بشكل صحيح، فأعتقد أننا يمكن أن نكون، كما تعلمون،

in this incredible new era of radical abundance,

في هذا العصر الجديد المذهل من الوفرة الجذرية،

curing all diseases,

وعلاج جميع الأمراض،

spreading consciousness to the stars.

ونشر الوعي إلى النجوم.

You know, maximum human flourishing.

أقصى قدر من الازدهار البشري.

CA: We're out of time,

CA: لقد نفد الوقت،

but what's the last example of like, in your dreams,

ولكن ما هو المثال الأخير في أحلامك،

this dream question that you think there is a shot

سؤال الأحلام الذي تعتقد أن هناك فرصة

that in your lifetime AI might take us to?

قد يأخذنا إليها الذكاء الاصطناعي في حياتك؟

DH: I mean, once AGI is built,

بمجرد بناء الذكاء الاصطناعي العام،

what I'd like to use it for is to try and use it to understand

فإن ما أود استخدامه من أجله هو محاولة استخدامه

the fundamental nature of reality.

لفهم الطبيعة الأساسية للواقع.

So do experiments at the Planck scale.

وكذلك بإجراء تجارب على مقياس بلانك.

You know, the smallest possible scale, theoretical scale,

أصغر مقياس ممكن، مقياس نظري،

which is almost like the resolution of reality.

والذي يشبه تقريبًا دقة الواقع.

CA: You know, I was brought up religious.

CA: كما تعلمون، لقد نشأت متدينًا.

And in the Bible, there’s a story about the tree of knowledge

وفي الكتاب المقدس، هناك قصة عن شجرة المعرفة

that doesn't work out very well.

التي لا تعمل بشكل جيد.

(Laughter)

(ضحك)

Is there any scenario

هل هناك أي سيناريو

where we discover knowledge that the universe says,

نكتشف فيه أن الكون يقول

"Humans, you may not know that."

«أيها البشر، قد لا تعرفون ذلك»

DH: Potentially.

DH: من المحتمل.

I mean, there might be some unknowable things.

قد تكون هناك بعض الأشياء غير المعروفة.

But I think scientific method is the greatest sort of invention

لكنني أعتقد أن الطريقة العلمية هي أعظم نوع من الاختراعات

humans have ever come up with.

التي توصل إليها البشر على الإطلاق.

You know, the enlightenment and scientific discovery.

كما تعلمون، التنوير والاكتشاف العلمي.

That's what's built this incredible modern civilization around us

هذا ما بنى هذه الحضارة الحديثة المذهلة من حولنا

and all the tools that we use.

وجميع الأدوات التي نستخدمها.

So I think it's the best technique we have

لذلك أعتقد أنها أفضل تقنية لدينا

for understanding the enormity of the universe around us.

لفهم ضخامة الكون من حولنا.

CA: Well, Demis, you've already changed the world.

حسنًا، ديميس، لقد غيرت العالم بالفعل.

I think probably everyone here will be cheering you on

أعتقد أنه من المحتمل أن يشجعك الجميع هنا

in your efforts to ensure that we continue to accelerate

في جهودك لضمان استمرارنا

في التسارع في الاتجاه الصحيح.

in the right direction.

DH: Thank you.

DH: شكرا لك.

CA: Demis Hassabis.

CA: ديميس هاسابيس.

(Applause)

(تصفيق)