AI That Connects the Digital and Physical Worlds | Anima Anandkumar | TED

المترجم: Hani Eldalees

I grew up with parents who are engineers.

لقد نشأت مع آباء مهندسين.

They were among the first to bring computerized manufacturing

كانوا من بين أوائل من جلبوا التصنيع المحوسب

to my hometown in India.

إلى مسقط رأسي في الهند.

Growing up as a young girl,

عندما نشأت كفتاة صغيرة، أتذكر

I remember being fascinated

أنني كنت مفتونًا

how these computer programs didn't just reside within a computer,

بأن برامج الكمبيوتر هذه لم تكن موجودة داخل الكمبيوتر فحسب،

but touched the physical world

بل لامست العالم المادي

and produced these beautiful and precise metal parts.

وأنتجت هذه الأجزاء المعدنية الجميلة والدقيقة.

Over the last two decades, as I pursued AI research,

على مدار العقدين الماضيين، وبينما كنت أتابع أبحاث الذكاء الاصطناعي، استمرت

this memory continued to inspire me

هذه الذاكرة في إلهامي

to connect the physical

لربط العالمين المادي

and digital worlds together.

والرقمي معًا.

I am working on AI that transforms the way we do science and engineering.

أنا أعمل على الذكاء الاصطناعي الذي يغير الطريقة التي نمارس بها العلوم والهندسة.

Scientific research and engineering design

يتضمن البحث العلمي والتصميم الهندسي

currently involves a lot of trial and error.

حاليًا الكثير من التجربة والخطأ.

Many long hours are spent in the lab doing experiments.

يتم قضاء العديد من الساعات الطويلة في المختبر لإجراء التجارب.

So it's not just the great ideas that propel science forward.

لذلك ليست الأفكار العظيمة فقط هي التي تدفع العلم إلى الأمام.

You need these experiments to validate findings

تحتاج إلى هذه التجارب للتحقق من صحة النتائج

and spark new ideas.

وإثارة أفكار جديدة.

How can language models help here?

كيف يمكن لنماذج اللغة المساعدة هنا؟

What if I ask ChatGPT to come up with a better design of an aircraft wing,

ماذا لو طلبت من ChatGPT التوصل إلى تصميم أفضل لجناح طائرة،

or a drone that flies on a turbulent wind?

أو طائرة بدون طيار تطير في ظل رياح مضطربة؟

It may suggest something.

قد يقترح شيئًا ما.

It may even draw something.

حتى أنه قد يرسم شيئًا.

But how do we know this is any good?

لكن كيف نعرف أن هذا جيد؟

We don't.

نحن لا نفعل ذلك.

Language models hallucinate because they have no physical grounding.

تصاب نماذج اللغة بالهلوسة لأنها لا تملك أساسًا ماديًا.

While language models may help generate new ideas,

في حين أن نماذج اللغة قد تساعد في توليد أفكار جديدة،

they cannot attack the hard part of science

إلا أنها لا تستطيع مهاجمة الجزء الصعب من العلم

which is simulating the necessary physics

وهو محاكاة الفيزياء اللازمة

to replace the Nab experiments.

لتحل محل تجارب Nab.

In order to model scientific and physical phenomena,

من أجل نمذجة الظواهر العلمية والفيزيائية، لا يكفي

text alone is not sufficient.

النص وحده.

To get to AI with universal physical understanding,

للوصول إلى الذكاء الاصطناعي بفهم فيزيائي عالمي،

we need to train it on the data of the world we observe.

نحتاج إلى تدريبه على بيانات العالم الذي نلاحظه.

And not just that, also its hidden details.

وليس ذلك فحسب، بل أيضًا تفاصيله المخفية.

From the intricacies of quantum chemistry

من تعقيدات الكيمياء الكمومية

that happen at the smallest level

التي تحدث على أصغر مستوى

to molecules and proteins that influence how all biological processes work,

إلى الجزيئات والبروتينات التي تؤثر على كيفية عمل جميع العمليات البيولوجية،

to ocean currents and clouds that happen at planetary scales and beyond,

إلى التيارات البحرية والسحب التي تحدث على مستويات الكواكب وخارجها،

we need AI that can capture these whole range of physical phenomena.

نحتاج إلى الذكاء الاصطناعي الذي يمكنه التقاط هذه المجموعة من الظواهر الفيزيائية.

We need AI that can really zoom into the fine details

نحن بحاجة إلى الذكاء الاصطناعي الذي يمكنه حقًا تكبير التفاصيل الدقيقة من

in order to simulate these phenomena accurately.

أجل محاكاة هذه الظواهر بدقة.

To capture the cloud movements,

لالتقاط حركات السحب

and predict how clouds move and change in our atmosphere,

والتنبؤ بكيفية تحرك السحب وتغيرها في غلافنا الجوي،

we need to be able to zoom into the fine details

نحتاج إلى أن نكون قادرين على تكبير التفاصيل

of the turbulent fluid flow.

الدقيقة لتدفق السوائل المضطرب.

Standard deep learning uses a fixed number of pixels.

يستخدم التعلم العميق القياسي عددًا ثابتًا من وحدات البكسل.

So if you zoom in, it gets blurry

لذلك إذا قمت بالتكبير، فسيصبح الأمر ضبابيًا

and not all the details are captured.

ولا يتم التقاط جميع التفاصيل.

We invented an AI technology called neural operators

لقد اخترعنا تقنية الذكاء الاصطناعي التي تسمى

that represents the data as continuous functions or shapes,

المشغلات العصبية التي تمثل البيانات كوظيفة أو أشكال مستمرة،

and allows us to zoom in indefinitely to any resolution or scale.

وتسمح لنا بالتكبير إلى أجل غير مسمى إلى أي دقة أو مقياس.

Neural operators allow us to train on data

تسمح لنا العوامل العصبية بالتدريب على البيانات

at multiple scales or resolutions.

بمقاييس أو قرارات متعددة.

And also allows us to incorporate

ويتيح لنا أيضًا دمج المعرفة

the knowledge of mathematical equations

بالمعادلات الرياضية

to fill in the finer details

لملء التفاصيل الدقيقة

when only limited resolution data is available.

عندما تتوفر بيانات ذات دقة محدودة فقط.

Such learning at multiple scales is essential for scientific understanding

مثل هذا التعلم على مستويات متعددة ضروري للفهم العلمي

and neural operators enable this.

ويتيح المشغلون العصبونيون ذلك.

With neural operators,

باستخدام المشغلين

we can simulate physical phenomena such as fluid dynamics

العصبيين، يمكننا محاكاة الظواهر الفيزيائية

as much as a million times faster than traditional simulations.

مثل ديناميكيات السوائل بشكل أسرع بمليون مرة من المحاكاة التقليدية.

Last year, we used neural operators to invent a better medical catheter.

في العام الماضي، استخدمنا عوامل عصبية لابتكار قسطرة طبية أفضل.

A medical catheter is a tube that draws fluids out of the human body.

القسطرة الطبية عبارة عن أنبوب يسحب السوائل من جسم الإنسان.

Unfortunately, the bacteria tend to swim upstream against the fluid flow

لسوء الحظ، تميل البكتيريا إلى السباحة في اتجاه المنبع ضد تدفق السوائل

and infect the human.

وتصيب الإنسان.

In fact, annually there is more than half a million cases

في الواقع، هناك أكثر من نصف مليون حالة

of such healthcare-related infections,

من هذه العدوى المرتبطة بالرعاية الصحية سنويًا،

and this is one of the leading causes.

وهذا أحد الأسباب الرئيسية.

Last year, we used neural operators to change the inside of the catheter

في العام الماضي، استخدمنا عوامل عصبية لتغيير الجزء الداخلي من القسطرة

from smooth to ridged.

من السلس إلى المحزز.

With ridges, now we have vortices created as the fluid flows,

مع الحواف، لدينا الآن دوامات تتشكل مع تدفق السوائل،

and we can hope to stop the bacteria from swimming upstream

ويمكننا أن نأمل في منع البكتيريا من السباحة في اتجاه المنبع

because of these vortices.

بسبب هذه الدوامات.

But to get this correct,

ولكن لتصحيح هذا الأمر،

we need the shape of the ridges to be exactly right.

نحتاج إلى أن يكون شكل الحواف صحيحًا تمامًا.

In the past, this would have been done by trial and error.

في الماضي، كان من الممكن أن يتم ذلك عن طريق التجربة والخطأ.

Design a version of the catheter,

صمم نسخة من القسطرة، وقم

build it out, take it to the lab,

ببنائها، وخذها إلى المختبر،

observe a hypothesis if something went wrong,

وراقب الفرضية إذا حدث خطأ ما،

rinse and repeat and redesign again.

واشطفها وكررها وأعد تصميمها مرة أخرى.

But instead, we taught AI the behavior of the fluid flow inside the tube,

ولكن بدلاً من ذلك، قمنا بتعليم الذكاء الاصطناعي سلوك تدفق السوائل داخل الأنبوب،

and with it, our neural operator model was able to directly propose

ومع ذلك، تمكن نموذج المشغل العصبي لدينا من اقتراح تصميم

an optimized design.

محسن بشكل مباشر.

We 3D-printed the design only once to verify that it worked.

قمنا بطباعة التصميم ثلاثي الأبعاد مرة واحدة فقط للتحقق من نجاحه.

In the video, you're seeing our catheter being tested in the lab.

في الفيديو، ترى القسطرة الخاصة بنا يتم اختبارها في المختبر.

The bacteria are not able to swim upstream,

لا تستطيع البكتيريا السباحة في اتجاه المنبع، وبدلاً من ذلك

are instead being pushed out with the fluid flow.

يتم دفعها للخارج مع تدفق السوائل.

In fact, we measured the reduction in bacterial contamination

في الواقع، قمنا بقياس الانخفاض في التلوث البكتيري

by more than 100-fold.

بأكثر من 100 ضعف.

So in this case, the neural operators were specialized to understand

لذلك في هذه الحالة، كان المشغلون العصبيون متخصصين لفهم تدفق

fluid flow in a tube.

السوائل في الأنبوب.

What other applications can AI tackle

ما التطبيقات الأخرى التي يمكن للذكاء الاصطناعي معالجتها

and help us solve such pressing problems?

وتساعدنا في حل مثل هذه المشاكل الملحة؟

Can deep learning beat numerical weather models?

هل يمكن للتعلم العميق التغلب على نماذج الطقس العددية؟

A group of leading weather scientists asked this question in February 2021,

طرحت مجموعة من علماء الطقس البارزين هذا السؤال في فبراير 2021،

in a "Royal Society" publication.

في منشور «Royal Society».

They felt that AI was still in its infancy,

لقد شعروا أن الذكاء الاصطناعي لا يزال في مهده،

and that a number of fundamental breakthroughs would be needed

وأنه ستكون هناك حاجة إلى عدد من الاختراقات الأساسية حتى يصبح

for AI to become competitive with traditional weather models,

الذكاء الاصطناعي قادرًا على المنافسة مع نماذج الطقس التقليدية،

and that would take years or even decades.

وهذا سيستغرق سنوات أو حتى عقودًا.

Exactly a year later,

بعد عام بالضبط،

we released FourCastNet.

أصدرنا FourcastNet.

Using neural operators,

باستخدام المشغلات العصبية،

we built the first fully AI-based weather model

قمنا ببناء أول نموذج طقس قائم على الذكاء الاصطناعي

that is high resolution

بالكامل يتميز بدقة

and is tens of thousands of times faster than traditional weather models.

عالية وأسرع بعشرات الآلاف من المرات من نماذج الطقس التقليدية.

What used to take a big supercomputer

ما كان يستخدم في السابق كمبيوترًا عملاقًا كبيرًا

can now run on a gaming PC that you may have at home.

يمكن تشغيله الآن على كمبيوتر ألعاب قد يكون لديك في المنزل.

This model is also running

يتم تشغيل هذا النموذج أيضًا

at the European Centre for Medium-Range Weather Forecasting,

في المركز الأوروبي للتنبؤ بالطقس متوسط المدى، وهو

one of the premier weather agencies of the world.

أحد وكالات الطقس الرائدة في العالم.

And our AI model is not just tens of thousands of times faster

ونموذج الذكاء الاصطناعي الخاص بنا ليس فقط أسرع بعشرات الآلاف من المرات

than traditional models.

من النماذج التقليدية.

It's also more accurate in many cases.

كما أنها أكثر دقة في كثير من الحالات.

On September 16 last year,

في 16 سبتمبر من العام الماضي، ضرب

Hurricane Lee hit the coast of Nova Scotia, Canada.

إعصار لي ساحل نوفا سكوتيا، كندا.

A full ten days earlier,

قبل عشرة أيام كاملة، تنبأ نموذج FourcastNet

our FourCastNet model correctly predicted

الخاص بنا بشكل صحيح

that the hurricane would make landfall,

بأن الإعصار سيصل إلى اليابسة،

but the traditional weather model

لكن نموذج الطقس التقليدي

predicted the hurricane would skip the coast.

توقع أن الإعصار سيتجاوز الساحل.

Only five days later, on September 11,

بعد خمسة أيام فقط، في 11 سبتمبر،

did the traditional weather model correct its forecast to predict landfall.

قام نموذج الطقس التقليدي بتصحيح توقعاته للتنبؤ بهبوط اليابسة.

Extreme weather events such as Hurricane Lee

ستزداد الظواهر الجوية المتطرفة مثل إعصار لي

will only increase further unless we take action

أكثر ما لم نتخذ إجراءات

on climate change.

بشأن تغير المناخ.

Such as finding new, clean sources of energy.

مثل إيجاد مصادر جديدة ونظيفة للطاقة.

Nuclear fusion is one of them.

الاندماج النووي هو واحد منهم.

But unfortunately, there are still big challenges with it.

ولكن للأسف، لا تزال هناك تحديات كبيرة معها.

The fusion reactor heats up the plasma

يقوم مفاعل الاندماج بتسخين البلازما

to extremely high temperatures to get fusion started.

إلى درجات حرارة عالية للغاية لبدء الاندماج.

And sometimes this hot plasma can escape confinement

وأحيانًا يمكن لهذه البلازما الساخنة أن تفلت من الحبس

and can damage the reactor.

ويمكن أن تلحق الضرر بالمفاعل.

We train neural operators to simulate and predict

نقوم بتدريب المشغلين العصبيين لمحاكاة وتوقع

the evolution of plasma inside the reactor.

تطور البلازما داخل المفاعل.

And with it,

ومع ذلك،

we can use this to predict disruptions before they occur

يمكننا استخدام هذا للتنبؤ بالاضطرابات قبل حدوثها

and take corrective action in the real world.

واتخاذ إجراءات تصحيحية في العالم الحقيقي.

We are enabling the possibility of nuclear fusion

نحن نعمل على تمكين إمكانية

becoming a reality.

أن يصبح الاندماج النووي حقيقة واقعة.

So neural operators and AI broadly

لذا فإن المشغلين العصبيين والذكاء الاصطناعي على نطاق واسع

are enabling us to tackle hard scientific challenges

يمكّننا من مواجهة التحديات العلمية الصعبة

such as climate change and nuclear fusion.

مثل تغير المناخ والاندماج النووي.

To me, this is just the beginning.

بالنسبة لي، هذه مجرد البداية.

So far, these AI models are limited to the narrow domains they're trained on.

حتى الآن، تقتصر نماذج الذكاء الاصطناعي هذه على المجالات الضيقة التي تم التدريب عليها.

What if you had an AI model

ماذا لو كان لديك نموذج ذكاء اصطناعي

that could solve all and any scientific problem?

يمكنه حل جميع المشكلات العلمية؟

From designing better drones, aircrafts, rockets,

من تصميم طائرات بدون طيار وطائرات وصواريخ أفضل

and even better drugs and medical devices?

وحتى أدوية وأجهزة طبية أفضل؟

Such an AI model would greatly benefit humanity.

نموذج الذكاء الاصطناعي هذا سيفيد البشرية بشكل كبير.

This is what we are working on.

هذا ما نعمل عليه.

We are building a generalist AI model with emergent capabilities

نحن نبني نموذجًا عامًا للذكاء الاصطناعي بقدرات ناشئة

that can simulate any physical phenomena

يمكنها محاكاة أي ظواهر فيزيائية

and generate novel designs that were previously out of reach.

وإنشاء تصميمات جديدة كانت بعيدة المنال في السابق.

This is how we scale up neural operators

هذه هي الطريقة التي نقوم بها بتوسيع نطاق المشغلين

to enable general intelligence with universal physical understanding.

العصبيين لتمكين الذكاء العام من خلال الفهم المادي الشامل.

Thank you.

شكرًا لكم.

(Applause)

(تصفيق)