Jeff Dean: AI isn't as smart as you think -- but it could be | TED

المترجم: Mohamed Salem المدقّق: omar idmassaoud

Hi, I'm Jeff.

مرحبًا ، أنا جيف.

I lead AI Research and Health at Google.

أقود أبحاث الذكاء الاصطناعي والصحة في جوجل.

I joined Google more than 20 years ago,

انضممت إلى جوجل منذ أكثر من 20 عامًا،

when we were all wedged into a tiny office space,

عندما كنا جميعًا محصورين في مساحة مكتب صغيرة،

above what's now a T-Mobile store in downtown Palo Alto.

فوق ما هو الآن متجر T-Mobile في وسط مدينة بالو ألتو.

I've seen a lot of computing transformations in that time,

لقد رأيت الكثير من التحولات الحاسوبية في ذلك الوقت،

and in the last decade, we've seen AI be able to do tremendous things.

وفي العقد الماضي، رأينا أن الذكاء الاصطناعي قادر على القيام بأشياء هائلة.

But we're still doing it all wrong in many ways.

لكننا ما زلنا نفعل كل شيء بشكل خاطئ من نواح كثيرة.

That's what I want to talk to you about today.

هذا ما أريد أن أتحدث إليكم عنه اليوم.

But first, let's talk about what AI can do.

لكن أولاً، لنتحدث عما يستطيع الذكاء الاصطناعي فعله.

So in the last decade, we've seen tremendous progress

لذلك في العقد الماضي شهدنا تقدمًا هائلاً

in how AI can help computers see, understand language,

في كيفية مساعدة الذكاء الاصطناعي لأجهزة الكمبيوتر على رؤية اللغة وفهمها

understand speech better than ever before.

وفهمها بشكل أفضل من أي وقت مضى.

Things that we couldn't do before, now we can do.

أشياء لم نتمكن من القيام بها يمكن الآن القيام بها.

If you think about computer vision alone,

إذا كنت تفكر في رؤية الكمبيوتر وحدها،

just in the last 10 years,

فقط في السنوات العشر الماضية،

computers have effectively developed the ability to see;

طورت أجهزة الكمبيوتر بشكل فعال القدرة على الرؤية؛

10 years ago, they couldn't see, now they can see.

قبل 10 سنوات، لم يتمكنوا من الرؤية والآن يمكنهم.

You can imagine this has had a transformative effect

يمكنك أن تتخيل أن هذا كان له تأثير تحويلي

on what we can do with computers.

على ما يمكننا القيام به مع أجهزة الكمبيوتر.

So let's look at a couple of the great applications

لذلك دعونا نلقي نظرة على اثنين من التطبيقات الرائعة

enabled by these capabilities.

التي تم تمكينها بواسطة هذه الإمكانات.

We can better predict flooding, keep everyone safe,

يمكننا التنبؤ بالفيضانات، والحفاظ على سلامة الجميع

using machine learning.

باستخدام التعلم الآلي.

We can translate over 100 languages so we all can communicate better,

يمكننا ترجمة أكثر من 100 لغة حتى نتمكن جميعًا من التواصل بشكل أفضل

and better predict and diagnose disease,

والتنبؤ بالمرض وتشخيصه بشكل أفضل،

where everyone gets the treatment that they need.

حيث يحصل الجميع على العلاج الذي يحتاجون إليه.

So let's look at two key components

لذلك دعونا نلقي نظرة على عنصرين رئيسيين

that underlie the progress in AI systems today.

يشكلان أساس التقدم في أنظمة الذكاء الاصطناعي اليوم.

The first is neural networks,

الأول هو الشبكات العصبية،

a breakthrough approach to solving some of these difficult problems

وهو نهج اختراق لحل بعض هذه المشاكل الصعبة

that has really shone in the last 15 years.

التي ظهرت بالفعل في السنوات الخمس عشرة الماضية.

But they're not a new idea.

لكنها ليست فكرة جديدة.

And the second is computational power.

والثاني هو القوة الحسابية.

It actually takes a lot of computational power

تتطلب في الواقع قدرًا كبيرًا من القوة الحسابية

to make neural networks able to really sing,

لجعل الشبكات العصبية قادرة على الغناء حقًا،

and in the last 15 years, we’ve been able to halve that,

وفي الخمسة عشر عامًا الماضية، تمكنا من خفض ذلك إلى النصف

and that's partly what's enabled all this progress.

وهذا جزئيًا ما مكّن كل هذا التقدم.

But at the same time, I think we're doing several things wrong,

لكن في نفس الوقت، أعتقد أننا نقوم بعدة أشياء خاطئة،

and that's what I want to talk to you about

وهذا ما أريد أن أتحدث إليكم عنه

at the end of the talk.

في نهاية الحديث.

First, a bit of a history lesson.

أولاً، القليل من درس التاريخ.

So for decades,

لذلك لعقود

almost since the very beginning of computing,

منذ بداية الحوسبة تقريبًا،

people have wanted to be able to build computers

أراد الناس أن يكونوا قادرين على بناء كمبيوترات

that could see, understand language, understand speech.

يمكنها رؤية وفهم اللغة وفهم الكلام.

The earliest approaches to this, generally,

الطرق المبكرة لهذا بشكل عام

people were trying to hand-code all the algorithms

كان الناس يحاولون كتابة جميع الخوارزميات

that you need to accomplish those difficult tasks,

التي تحتاجها لإنجاز تلك المهام الصعبة يدويًا،

and it just turned out to not work very well.

واتضح أنها لا تعمل بشكل جيد.

But in the last 15 years, a single approach

لكن في الخمسة عشر عامًا الماضية، نهج واحد

unexpectedly advanced all these different problem spaces all at once:

قد طور بشكل غير متوقع كل هذه المساحات المختلفة للمشاكل دفعة واحدة:

neural networks.

الشبكات العصبية.

So neural networks are not a new idea.

فإن الشبكات العصبية ليست فكرة جديدة.

They're kind of loosely based

إنها نوعًا ما مقتبسة

on some of the properties that are in real neural systems.

عن بعض الخصائص الموجودة في الأنظمة العصبية الحقيقية.

And many of the ideas behind neural networks

والعديد من الأفكار وراء الشبكات العصبية

have been around since the 1960s and 70s.

موجودة منذ الستينيات والسبعينيات.

A neural network is what it sounds like,

الشبكة العصبية هي كما تبدو،

a series of interconnected artificial neurons

سلسلة من الخلايا العصبية الاصطناعية المترابطة

that loosely emulate the properties of your real neurons.

التي تحاكي بشكل غير محكم خصائص الخلايا العصبية الحقيقية.

An individual neuron in one of these systems

تحتوي الخلية العصبية في أحد هذه الأنظمة

has a set of inputs,

على مجموعة من المدخلات،

each with an associated weight,

لكل منها وزن مرتبط،

and the output of a neuron

ومخرجات الخلية العصبية

is a function of those inputs multiplied by those weights.

هي دالة لتلك المدخلات مضروبة في تلك الأوزان.

So pretty simple,

بسيط جدًا،

and lots and lots of these work together to learn complicated things.

والكثير والكثير من هؤلاء يعملون معًا لتعلم أشياء معقدة.

So how do we actually learn in a neural network?

إذن كيف نتعلم في الواقع في شبكة عصبية؟

It turns out the learning process

اتضح أن عملية التعلم

consists of repeatedly making tiny little adjustments

تتكون من إجراء تعديلات طفيفة متكررة

to the weight values,

على قيم الوزن،

strengthening the influence of some things,

وتقوية تأثير بعض الأشياء،

weakening the influence of others.

وإضعاف تأثير الآخرين.

By driving the overall system towards desired behaviors,

من خلال توجيه النظام العام نحو السلوكيات المرغوبة،

these systems can be trained to do really complicated things,

يمكن تدريب هذه الأنظمة على القيام بأشياء معقدة للغاية،

like translate from one language to another,

مثل الترجمة من لغة إلى أخرى،

detect what kind of objects are in a photo,

واكتشاف نوع الأشياء الموجودة في الصورة،

all kinds of complicated things.

وجميع أنواع الأشياء المعقدة.

I first got interested in neural networks

اهتممت بالشبكات العصبية لأول مرة

when I took a class on them as an undergraduate in 1990.

عندما أخذت فصلًا دراسيًا عنها عندما كنت طالبًا في عام 1990.

At that time,

في ذلك الوقت،

neural networks showed impressive results on tiny problems,

أظهرت الشبكات العصبية نتائج مبهرة في المشكلات الصغيرة،

but they really couldn't scale to do real-world important tasks.

لكنها في الحقيقة لم تستطع التوسع للقيام بمهام مهمة في العالم الحقيقي.

But I was super excited.

لكنني كنت متحمسًا للغاية.

(Laughter)

(ضحك)

I felt maybe we just needed more compute power.

شعرت أننا ربما نحتاج فقط إلى مزيد من قوة الحوسبة.

And the University of Minnesota had a 32-processor machine.

وكان لدى جامعة مينيسوتا آلة ذات 32 معالجًا.

I thought, "With more compute power,

فكرت “مع المزيد من قوة الحوسبة،

boy, we could really make neural networks really sing."

يا فتى، يمكننا حقًا جعل الشبكات العصبية تغني حقًا.”

So I decided to do a senior thesis on parallel training of neural networks,

لذلك قررت إعداد أطروحة عليا حول التدريب الموازي للشبكات العصبية،

the idea of using processors in a computer or in a computer system

فكرة استخدام المعالجات في جهاز كمبيوتر أو في نظام كمبيوتر

to all work toward the same task,

للعمل جميعًا نحو نفس المهمة،

that of training neural networks.

وهي تدريب الشبكات العصبية.

32 processors, wow,

32 معالجًا، واو،

we’ve got to be able to do great things with this.

علينا أن نكون قادرين على القيام بأشياء رائعة باستخدام هذا.

But I was wrong.

ولكنني كنت مخطئا.

Turns out we needed about a million times as much computational power

تبين أننا كنا بحاجة إلى حوالي مليون ضعف من القوة الحسابية

as we had in 1990

التي كانت لدينا في عام 1990

before we could actually get neural networks to do impressive things.

قبل أن نتمكن بالفعل من جعل الشبكات العصبية تقوم بأشياء مثيرة للإعجاب.

But starting around 2005,

ولكن بدءًا من عام 2005 تقريبًا،

thanks to the computing progress of Moore's law,

وبفضل التقدم الحوسبي لقانون مور،

we actually started to have that much computing power,

بدأنا في الواقع نمتلك تلك القوة الحاسوبية الكبيرة،

and researchers in a few universities around the world started to see success

وبدأ الباحثون في عدد قليل من الجامعات حول العالم في رؤية النجاح

in using neural networks for a wide variety of different kinds of tasks.

في استخدام الشبكات العصبية لمجموعة متنوعة من أنواع المهام المختلفة.

I and a few others at Google heard about some of these successes,

لقد سمعت أنا وعدد قليل من الأشخاص الآخرين في جوجل عن بعض هذه النجاحات،

and we decided to start a project to train very large neural networks.

وقررنا بدء مشروع لتدريب شبكات عصبية كبيرة جدًا.

One system that we trained,

أحد الأنظمة التي دربناها،

we trained with 10 million randomly selected frames

قمنا بتدريب 10 ملايين إطار عشوائيًا

from YouTube videos.

من مقاطع فيديو على يوتيوب.

The system developed the capability

طور النظام القدرة

to recognize all kinds of different objects.

على التعرف على جميع أنواع الأشياء المختلفة.

And it being YouTube, of course,

وكونه موقع يوتيوب، بالطبع،

it developed the ability to recognize cats.

طور القدرة على التعرف على القطط.

YouTube is full of cats.

يوتيوب مليء بالقطط.

(Laughter)

(ضحك)

But what made that so remarkable

ولكن ما جعل ذلك رائعًا

is that the system was never told what a cat was.

هو أنه لم يتم إخبار النظام أبدًا عن ماهية القطة.

So using just patterns in data,

لذلك باستخدام الأنماط في البيانات فقط،

the system honed in on the concept of a cat all on its own.

شحذ النظام مفهوم القط بمفرده.

All of this occurred at the beginning of a decade-long string of successes,

حدث كل هذا في بداية سلسلة من النجاحات استمرت عقدًا من الزمان،

of using neural networks for a huge variety of tasks,

لاستخدام الشبكات العصبية في مجموعة متنوعة من المهام،

at Google and elsewhere.

في جوجل وأماكن أخرى.

Many of the things you use every day,

العديد من الأشياء التي تستخدمها يوميًا،

things like better speech recognition for your phone,

وأشياء مثل التعرف على الكلام بشكل أفضل لهاتفك،

improved understanding of queries and documents

وفهم محسن للاستعلامات والمستندات

for better search quality,

لتحسين جودة البحث،

better understanding of geographic information to improve maps,

وفهم أفضل للمعلومات الجغرافية لتحسين الخرائط،

and so on.

وما إلى ذلك.

Around that time,

في ذلك الوقت تقريبًا،

we also got excited about how we could build hardware that was better tailored

تحمسنا أيضًا لكيفية بناء أجهزة مصممة بشكل أفضل

to the kinds of computations neural networks wanted to do.

لأنواع الحسابات التي تريد الشبكات العصبية القيام بها.

Neural network computations have two special properties.

حسابات الشبكة العصبية لها خاصيتان خاصتان.

The first is they're very tolerant of reduced precision.

الأول هو أنهم متسامحون جدًا مع الدقة المنخفضة.

Couple of significant digits, you don't need six or seven.

زوجان من الأرقام المهمة، لست بحاجة إلى ستة أو سبعة.

And the second is that all the algorithms are generally composed

والثاني هو أن جميع الخوارزميات تتكون بشكل عام

of different sequences of matrix and vector operations.

من متواليات مختلفة من عمليات المصفوفة والمتجهات.

So if you can build a computer

لذا، إذا كان بإمكانك بناء كمبيوتر

that is really good at low-precision matrix and vector operations

جيد حقًا في عمليات المصفوفة والمتجهات منخفضة الدقة

but can't do much else,

ولكن لا يمكنك فعل الكثير،

that's going to be great for neural-network computation,

فسيكون هذا رائعًا لحساب الشبكة العصبية،

even though you can't use it for a lot of other things.

على الرغم من أنه لا يمكنك استخدامه في الكثير من اشياء.

And if you build such things, people will find amazing uses for them.

وإذا قمت ببناء مثل هذه الأشياء، فسيجد الناس استخدامات مذهلة لها.

This is the first one we built, TPU v1.

هذا هو أول ما قمنا ببنائه TPU v1.

"TPU" stands for Tensor Processing Unit.

TPU تعني وحدة معالجة الموتر.

These have been used for many years behind every Google search,

لقد تم استخدام هذه لسنوات عديدة وراء كل بحث جوجل،

for translation,

للترجمة،

in the DeepMind AlphaGo matches,

في مباريات DeepMind AlphaGo،

so Lee Sedol and Ke Jie maybe didn't realize,

لذلك ربما لم يدرك Lee Sedol و Ke Jie

but they were competing against racks of TPU cards.

لكنهما كانا يتنافسان ضد رفوف من بطاقات TPU.

And we've built a bunch of subsequent versions of TPUs

وقمنا ببناء مجموعة من الإصدارات اللاحقة من TPU

that are even better and more exciting.

التي تعد أفضل وأكثر إثارة.

But despite all these successes,

لكن على الرغم من كل هذه النجاحات،

I think we're still doing many things wrong,

أعتقد أننا نفعل الكثير من الأشياء الخاطئة،

and I'll tell you about three key things we're doing wrong,

وسأخبرك عن ثلاثة أشياء رئيسية نقوم بها بشكل خاطئ،

and how we'll fix them.

وكيف سنصلحها.

The first is that most neural networks today

الأول هو أن معظم الشبكات العصبية اليوم

are trained to do one thing, and one thing only.

مدربة على فعل شيء واحد، وشيء واحد فقط.

You train it for a particular task that you might care deeply about,

أنت تدربه على مهمة معينة قد تهتم بها بشدة،

but it's a pretty heavyweight activity.

لكنه نشاط ثقيل جدًا.

You need to curate a data set,

تحتاج إلى تنسيق مجموعة بيانات،

you need to decide what network architecture you'll use

وتحتاج إلى تحديد بنية الشبكة التي ستستخدمها

for this problem,

لهذه المشكلة،

you need to initialize the weights with random values,

وتحتاج إلى تهيئة الأوزان بقيم عشوائية،

apply lots of computation to make adjustments to the weights.

وتطبيق الكثير من الحسابات لإجراء تعديلات على الأوزان.

And at the end, if you’re lucky, you end up with a model

وفي النهاية، إذا كنت محظوظًا فستنتهي بنموذج

that is really good at that task you care about.

جيد حقًا في تلك المهمة التي تهتم بها.

But if you do this over and over,

لكن إذا قمت بذلك مرارًا وتكرارًا

you end up with thousands of separate models,

فسوف ينتهي بك الأمر مع آلاف النماذج المنفصلة،

each perhaps very capable,

كل منها ربما يكون قادرًا جدًا،

but separate for all the different tasks you care about.

ولكن منفصلة لجميع المهام المختلفة التي تهتم بها.

But think about how people learn.

لكن فكر في كيفية تعلم الناس.

In the last year, many of us have picked up a bunch of new skills.

في العام الماضي، اكتسب الكثير منا مجموعة من المهارات الجديدة.

I've been honing my gardening skills,

لقد شحذت مهاراتي في البستنة،

experimenting with vertical hydroponic gardening.

وأجرب البستنة المائية العمودية.

To do that, I didn't need to relearn everything I already knew about plants.

للقيام بذلك ، لم أكن بحاجة إلى إعادة تعلم كل ما أعرفه بالفعل عن النباتات.

I was able to know how to put a plant in a hole,

تمكنت من معرفة كيفية وضع نبات في حفرة،

how to pour water, that plants need sun,

وكيفية صب الماء، وأن النباتات تحتاج إلى الشمس،

and leverage that in learning this new skill.

والاستفادة من ذلك في تعلم هذه المهارة الجديدة.

Computers can work the same way, but they don’t today.

يمكن للكمبيوتر أن تعمل بالطريقة نفسها، لكنها لا تعمل اليوم.

If you train a neural network from scratch,

إذا قمت بتدريب شبكة عصبية من الصفر،

it's effectively like forgetting your entire education

فهذا يشبه فعليًا نسيان تعليمك بالكامل

every time you try to do something new.

في كل مرة تحاول فيها القيام بشيء جديد.

That’s crazy, right?

هذا جنون ، أليس كذلك؟

So instead, I think we can and should be training

لذا بدلاً من ذلك، أعتقد أنه يمكننا ويجب علينا تدريب

multitask models that can do thousands or millions of different tasks.

نماذج متعددة المهام يمكنها القيام بآلاف أو ملايين المهام المختلفة.

Each part of that model would specialize in different kinds of things.

سيتخصص كل جزء من هذا النموذج في أنواع مختلفة من الأشياء.

And then, if we have a model that can do a thousand things,

وبعد ذلك، إذا كان لدينا نموذج يمكنه فعل آلاف الأشياء،

and the thousand and first thing comes along,

وجاءت الألف وأول شيء،

we can leverage the expertise we already have

فيمكننا الاستفادة من الخبرة التي لدينا بالفعل

in the related kinds of things

في أنواع الأشياء ذات الصلة

so that we can more quickly be able to do this new task,

حتى نتمكن من القيام بهذه المهمة الجديدة بسرعة أكبر،

just like you, if you're confronted with some new problem,

مثلك تمامًا، إذا كنت تواجه مشكلة جديدة،

you quickly identify the 17 things you already know

فأنت تحدد بسرعة الأشياء السبعة عشر التي تعرفها بالفعل

that are going to be helpful in solving that problem.

والتي ستكون مفيدة في حل هذه المشكلة.

Second problem is that most of our models today

المشكلة الثانية هي أن معظم نماذجنا اليوم

deal with only a single modality of data --

تتعامل مع طريقة واحدة فقط من البيانات -

with images, or text or speech,

مع الصور أو النص أو الكلام

but not all of these all at once.

ولكن ليس كل هؤلاء في وقت واحد.

But think about how you go about the world.

لكن فكر في طريقة تعاملك مع العالم.

You're continuously using all your senses

أنت تستخدم كل حواسك باستمرار

to learn from, react to,

للتعلم منها والتفاعل معها

figure out what actions you want to take in the world.

ومعرفة الإجراءات التي تريد اتخاذها في العالم.

من المنطقي فعل ذلك

Makes a lot more sense to do that,

and we can build models in the same way.

ويمكننا بناء النماذج بنفس الطريقة.

We can build models that take in these different modalities of input data,

يمكننا بناء نماذج تأخذ هذه الأساليب المختلفة لبيانات الإدخال

text, images, speech,

والنصوص والصور والكلام

but then fuse them together,

ولكن بعد ذلك ندمجها معًا

so that regardless of whether the model sees the word "leopard,"

بحيث بغض النظر عما إذا كان النموذج يرى كلمة “فهد”

sees a video of a leopard or hears someone say the word "leopard,"

أو يرى فيديو لفهد أو يسمع شخصًا ما يقول كلمة “فهد”

the same response is triggered inside the model:

يتم تشغيل نفس الاستجابة داخل النموذج:

the concept of a leopard

يمكن لمفهوم الفهد

can deal with different kinds of input data,

التعامل مع أنواع مختلفة من بيانات الإدخال،

even nonhuman inputs, like genetic sequences,

حتى المدخلات غير البشرية مثل التسلسلات الجينية

3D clouds of points, as well as images, text and video.

وسحب النقاط ثلاثية الأبعاد بالإضافة إلى الصور والنصوص والفيديو.

The third problem is that today's models are dense.

المشكلة الثالثة هي أن نماذج اليوم كثيفة.

There's a single model,

هناك نموذج واحد،

the model is fully activated for every task,

يتم تنشيط النموذج بالكامل لكل مهمة،

for every example that we want to accomplish,

ولكل مثال نريد إنجازه

whether that's a really simple or a really complicated thing.

سواء كان ذلك أمرًا بسيطًا حقًا أو أمرًا معقدًا حقًا.

This, too, is unlike how our own brains work.

هذا أيضًا يختلف عن كيفية عمل أدمغتنا.

Different parts of our brains are good at different things,

أجزاء مختلفة من أدمغتنا جيدة في أشياء مختلفة

and we're continuously calling upon the pieces of them

ونحن نستدعي باستمرار الأجزاء

that are relevant for the task at hand.

ذات الصلة بالمهمة التي نقوم بها.

For example, nervously watching a garbage truck

على سبيل المثال، عندما تراقب بتوتر شاحنة قمامة

back up towards your car,

تتجه نحو سيارتك

the part of your brain that thinks about Shakespearean sonnets

فإن الجزء من دماغك الذي يفكر في سوناتات شكسبير

is probably inactive.

ربما يكون غير نشط.

(Laughter)

(ضحك)

AI models can work the same way.

يمكن أن تعمل نماذج الذكاء بنفس الطريقة.

Instead of a dense model,

بدلاً من نموذج كثيف

we can have one that is sparsely activated.

يمكن أن يكون لدينا نموذج يتم تنشيطه بشكل ضئيل.

So for particular different tasks, we call upon different parts of the model.

لذلك بالنسبة لمهام مختلفة معينة، فإننا ندعو إلى أجزاء مختلفة من النموذج.

During training, the model can also learn which parts are good at which things,

أثناء التدريب، يمكن للنموذج أيضًا معرفة الأجزاء الجيدة في أي الأشياء،

to continuously identify what parts it wants to call upon

لتحديد الأجزاء التي يريد الاتصال بها باستمرار

in order to accomplish a new task.

من أجل إنجاز مهمة جديدة.

The advantage of this is we can have a very high-capacity model,

ميزة هذا هو أنه يمكننا الحصول على نموذج عالي السعة للغاية،

but it's very efficient,

لكنه فعال للغاية

because we're only calling upon the parts that we need

لأننا نستعين فقط بالأجزاء التي نحتاجها

for any given task.

لأية مهمة معينة.

So fixing these three things, I think,

لذا فإن إصلاح هذه الأشياء الثلاثة أعتقد

will lead to a more powerful AI system:

سيؤدي إلى نظام ذكاء اصطناعي أكثر قوة:

instead of thousands of separate models,

بدلاً من آلاف النماذج المنفصلة،

train a handful of general-purpose models

ويدريب مجموعة من النماذج ذات الأغراض العامة

that can do thousands or millions of things.

التي يمكنها القيام بآلاف أو ملايين الأشياء.

Instead of dealing with single modalities,

بدلاً من التعامل مع طرائق واحدة

deal with all modalities,

تعامل مع جميع الأساليب

and be able to fuse them together.

وكن قادرًا على دمجها معًا.

And instead of dense models, use sparse, high-capacity models,

وبدلاً من النماذج الكثيفة، استخدم نماذج متفرقة عالية السعة،

where we call upon the relevant bits as we need them.

حيث نقوم باستدعاء البتات ذات الصلة كما نحتاج إليها.

We've been building a system that enables these kinds of approaches,

لقد عملنا على بناء نظام يتيح هذه الأنواع من الأساليب،

and we’ve been calling the system “Pathways.”

وقد أطلقنا على النظام اسم “المسارات“.

So the idea is this model will be able to do

لذا فإن الفكرة هي أن هذا النموذج سيكون قادرًا على القيام

thousands or millions of different tasks,

بالآلاف أو الملايين من المهام المختلفة،

and then, we can incrementally add new tasks,

وبعد ذلك، يمكننا إضافة مهام جديدة تدريجياً

and it can deal with all modalities at once,

ويمكنه التعامل مع جميع الأساليب مرة واحدة

and then incrementally learn new tasks as needed

ثم تعلم المهام الجديدة تدريجياً حسب الحاجة

and call upon the relevant bits of the model

واستدعاء الأجزاء ذات الصلة من النموذج

for different examples or tasks.

لأمثلة أو مهام مختلفة.

And we're pretty excited about this,

ونحن متحمسون جدًا لذلك،

we think this is going to be a step forward

نعتقد أن هذه ستكون خطوة إلى الأمام في كيفية بناء أنظمة الذكاء الاصطناعي.

in how we build AI systems.

But I also wanted to touch on responsible AI.

لكنني أردت أيضًا أن أتطرق إلى ذكاء الاصطناعي مسؤول.

We clearly need to make sure that this vision of powerful AI systems

من الواضح أننا بحاجة إلى التأكد من أن هذه الرؤية لأنظمة الذكاء الاصطناعي القوية

benefits everyone.

تفيد الجميع.

These kinds of models raise important new questions

تثير هذه الأنواع من النماذج أسئلة جديدة مهمة

about how do we build them with fairness,

حول كيفية بنائها مع مراعاة الإنصاف

interpretability, privacy and security,

وقابلية التفسير والخصوصية والأمان

for all users in mind.

لجميع المستخدمين.

For example, if we're going to train these models

على سبيل المثال، إذا كنا سنقوم بتدريب هذه النماذج

on thousands or millions of tasks,

على آلاف أو ملايين المهام،

we'll need to be able to train them on large amounts of data.

فسنحتاج إلى تدريبهم على كميات كبيرة من البيانات.

And we need to make sure that data is thoughtfully collected

ونحن بحاجة للتأكد من أن البيانات تم جمعها بعناية

and is representative of different communities and situations

وتمثل المجتمعات والمواقف المختلفة

all around the world.

في جميع أنحاء العالم.

And data concerns are only one aspect of responsible AI.

والشواغل المتعلقة بالبيانات ليست سوى جانب واحد من جوانب ذكاء اصطناعي مسؤول.

We have a lot of work to do here.

لدينا الكثير من العمل هنا.

So in 2018, Google published this set of AI principles

لذا في عام 2018، نشرت جوجل هذه المجموعة

من مبادئ الذكاء الاصطناعي

by which we think about developing these kinds of technology.

والتي من خلالها نفكر في تطوير هذه الأنواع من التكنولوجيا.

And these have helped guide us in how we do research in this space,

وقد ساعدنا ذلك في إرشادنا في كيفية إجراء البحث في هذا المجال،

how we use AI in our products.

وكيفية استخدام الذكاء الاصطناعي في منتجاتنا.

And I think it's a really helpful and important framing

وأعتقد أنه إطار مفيد ومهم حقًا

for how to think about these deep and complex questions

لكيفية التفكير في هذه الأسئلة العميقة والمعقدة

about how we should be using AI in society.

حول كيفية استخدام الذكاء الاصطناعي في المجتمع.

We continue to update these as we learn more.

نستمر في تحديث هذه كما نتعلم المزيد.

Many of these kinds of principles are active areas of research --

العديد من هذه الأنواع من المبادئ هي مجالات بحث نشطة -

super important area.

مجال مهم للغاية.

Moving from single-purpose systems that kind of recognize patterns in data

إن الانتقال من الأنظمة أحادية الغرض التي تتعرف نوعًا ما على الأنماط في البيانات

to these kinds of general-purpose intelligent systems

إلى هذه الأنواع من الأنظمة الذكية ذات الأغراض العامة

that have a deeper understanding of the world

التي لديها فهم أعمق للعالم

will really enable us to tackle

سيمكننا حقًا من معالجة

some of the greatest problems humanity faces.

بعض أكبر المشكلات التي تواجه البشرية.

For example,

على سبيل المثال،

we’ll be able to diagnose more disease;

سنتمكن من تشخيص المزيد من الأمراض

we'll be able to engineer better medicines

سنكون قادرين على هندسة أدوية أفضل

by infusing these models with knowledge of chemistry and physics;

من خلال غرس هذه النماذج بمعرفة الكيمياء والفيزياء

we'll be able to advance educational systems

سنكون قادرين على تطوير الأنظمة التعليمية

by providing more individualized tutoring

من خلال توفير المزيد من الدروس الخصوصية

to help people learn in new and better ways;

لمساعدة الناس على التعلم بطرق جديدة وأفضل

we’ll be able to tackle really complicated issues,

سنتمكن من معالجة المشكلات المعقدة

like climate change,

مثل تغير المناخ

and perhaps engineering of clean energy solutions.

وربما هندسة حلول الطاقة النظيفة.

So really, all of these kinds of systems

لذا حقًا، كل هذه الأنواع من الأنظمة

are going to be requiring the multidisciplinary expertise

سوف تتطلب خبرة متعددة التخصصات

of people all over the world.

من الناس في جميع أنحاء العالم.

So connecting AI with whatever field you are in,

لذا ربط الذكاء الاصطناعي بأي مجال تتواجد فيه

in order to make progress.

من أجل إحراز تقدم.

So I've seen a lot of advances in computing,

لقد رأيت الكثير من التطورات في مجال الحوسبة

and how computing, over the past decades,

وكيف أن الحوسبة على مدى العقود الماضية

has really helped millions of people better understand the world around them.

ساعدت حقًا ملايين الأشخاص على فهم العالم من حولهم بشكل أفضل.

And AI today has the potential to help billions of people.

والAI اليوم لديه القدرة على مساعدة المليارات من الناس.

We truly live in exciting times.

نحن نعيش حقًا في أوقات مثيرة.

Thank you.

شكراً لكم.

(Applause)

(تصفيق)

Chris Anderson: Thank you so much.

كريس أندرسن: شكراً جزيلاً لك.

I want to follow up on a couple things.

أريد متابعة بعض الأشياء.

This is what I heard.

هذا ما سمعته.

Most people's traditional picture of AI

الصورة التقليدية لمعظم الناس للذكاء الاصطناعي

is that computers recognize a pattern of information,

هي أن أجهزة الكمبيوتر تتعرف على نمط من المعلومات،

and with a bit of machine learning,

ومع القليل من التعلم الآلي،

they can get really good at that, better than humans.

يمكنهم فعل ذلك بشكل جيد، أفضل من البشر.

What you're saying is those patterns

ما تقوله هو أن هذه الأنماط

are no longer the atoms that AI is working with,

لم تعد الذرات التي يعمل بها الذكاء الاصطناعي،

that it's much richer-layered concepts

بل إنها مفاهيم ذات طبقات أكثر ثراءً

that can include all manners of types of things

يمكن أن تشمل جميع أساليب أنواع الأشياء

that go to make up a leopard, for example.

التي تشكل الفهد على سبيل المثال.

So what could that lead to?

إذن ما الذي يمكن أن يؤدي إليه ذلك؟

Give me an example of when that AI is working,

أعطني مثالاً على الوقت الذي يعمل فيه الذكاء الاصطناعي

what do you picture happening in the world

ما الذي تتخيله يحدث في العالم

in the next five or 10 years that excites you?

في السنوات الخمس أو العشر القادمة والذي يثيرك؟

Jeff Dean: I think the grand challenge in AI

جيف دين: أعتقد أن التحدي الكبير في الذكاء الاصطناعي

is how do you generalize from a set of tasks

هو كيف يمكنك التعميم من مجموعة من المهام

you already know how to do

التي تعرف بالفعل كيفية فعلها

to new tasks,

إلى مهام جديدة

as easily and effortlessly as possible.

بأكبر قدر ممكن من السهولة والجهد.

And the current approach of training separate models for everything

والنهج الحالي لتدريب نماذج منفصلة لكل شيء

means you need lots of data about that particular problem,

يعني أنك بحاجة إلى الكثير من البيانات حول تلك المشكلة بالذات

because you're effectively trying to learn everything

لأنك تحاول بشكل فعال تعلم كل شيء

about the world and that problem, from nothing.

عن العالم وتلك المشكلة من لا شيء.

But if you can build these systems

لكن إذا كان يمكنك بناء هذه الأنظمة

that already are infused with how to do thousands and millions of tasks,

التي تم دمجها بالفعل في كيفية القيام بالآلاف والملايين من المهام

then you can effectively teach them to do a new thing

فيمكنك تعليمهم بشكل فعال القيام بشيء جديد

with relatively few examples.

باستخدام أمثلة قليلة نسبيًا.

So I think that's the real hope,

لذلك أعتقد أن هذا هو الأمل الحقيقي

that you could then have a system where you just give it five examples

أنه يمكن أن يكون لديك نظام حيث يمكنك فقط إعطائه خمسة أمثلة

of something you care about,

لشيء تهتم به

and it learns to do that new task.

ويتعلم القيام بهذه المهمة الجديدة.

CA: You can do a form of self-supervised learning

كريس: يمكنك أن تفعل نموذجاً من التعلم الذاتي

that is based on remarkably little seeding.

الذي يعتمد على القليل من البذر بشكل ملحوظ.

JD: Yeah, as opposed to needing 10,000 or 100,000 examples

جيف: نعم ، بدلاً من الحاجة إلى 10000 أو 100000 مثال

to figure everything in the world out.

لمعرفة كل شيء في العالم.

CA: Aren't there kind of terrifying unintended consequences

كريس: ألا يوجد نوع من العواقب المرعبة غير المقصودة

possible, from that?

المحتملة من ذلك؟

JD: I think it depends on how you apply these systems.

جيف: أعتقد أن ذلك يعتمد على كيفية تطبيقك لهذه الأنظمة.

It's very clear that AI can be a powerful system for good,

من الواضح جدًا أن الذكاء الاصطناعي يمكن أن يكون نظامًا قويًا من أجل الخير

or if you apply it in ways that are not so great,

أو إذا قمت بتطبيقه بطرق ليست بهذه الروعة

it can be a negative consequence.

فقد يكون ذلك نتيجة سلبية.

So I think that's why it's important to have a set of principles

لذلك أعتقد أن هذا هو السبب في أنه أهمية وجود مجموعة من المبادئ

by which you look at potential uses of AI

التي تنظر في الاستخدامات المحتملة للAI

and really are careful and thoughtful about how you consider applications.

وتكون حذرًا ومدروسًا بشأن كيفية النظر في التطبيقات.

CA: One of the things people worry most about

كريس: أحد أكثر الأشياء التي يقلق الناس بشأنها

is that, if AI is so good at learning from the world as it is,

هو أنه إذا كان الذكاء الاصطناعي جيدًا في التعلم من العالم كما هو

it's going to carry forward into the future

فسوف ينتقل إلى الجوانب المستقبلية

aspects of the world as it is that actually aren't right, right now.

للعالم لأنه في الواقع ليس صحيحًا ، في الحال.

And there's obviously been a huge controversy about that

ومن الواضح أنه كان هناك جدل كبير حول ذلك

recently at Google.

مؤخرًا في جوجل.

Some of those principles of AI development,

بعض هذه المبادئ لتطوير الذكاء الاصطناعي،

you've been challenged that you're not actually holding to them.

لقد واجهت تحديًا لأنك لا تتمسك بها في الواقع.

Not really interested to hear about comments on a specific case,

لست مهتمًا حقًا بسماع تعليقات على قضية معينة،

but ... are you really committed?

لكن ... هل أنت ملتزم حقًا؟

How do we know that you are committed to these principles?

كيف نعرف أنك ملتزم بهذه المبادئ؟

Is that just PR, or is that real, at the heart of your day-to-day?

هل هذا مجرد علاقات عامة أم أن هذا حقيقي في صميم حياتك اليومية؟

JD: No, that is absolutely real.

جيف: لا، هذا حقيقي فعلاً.

Like, we have literally hundreds of people

مثل لدينا المئات من الأشخاص

working on many of these related research issues,

يعملون في العديد من هذه القضايا البحثية المتعلقة

because many of those things are research topics

لأن العديد من هذه الأشياء هي مواضيع بحث

in their own right.

في حد ذاتها.

How do you take data from the real world,

كيف تأخذ البيانات من العالم الحقيقي

that is the world as it is, not as we would like it to be,

أي العالم كما هو، وليس كما نود أن يكون

and how do you then use that to train a machine-learning model

وكيف يمكنك استخدام ذلك لتدريب نموذج التعلم الآلي

and adapt the data bit of the scene

وتكييف جزء البيانات من المشهد

or augment the data with additional data

أو زيادة البيانات ببيانات إضافية

so that it can better reflect the values we want the system to have,

بحيث يمكن أن تعكس القيم التي نريد أن يمتلكها النظام بشكل أفضل

not the values that it sees in the world?

وليس القيم التي يراها في العالم؟

CA: But you work for Google,

كريس: لكنك تعمل لصالح جوجل،

Google is funding the research.

جوجل تمول البحث.

How do we know that the main values that this AI will build

كيف نعرف أن القيم الرئيسية التي سيبنيها هذا الذكاء الاصطناعي

are for the world,

هي للعالم

and not, for example, to maximize the profitability of an ad model?

وليست على سبيل المثال لتعظيم ربحية نموذج إعلان؟

When you know everything there is to know about human attention,

عندما تعرف كل شيء يجب أن تعرفه عن اهتمام الإنسان

you're going to know so much

ستعرف الكثير

about the little wriggly, weird, dark parts of us.

عن الأجزاء الصغيرة المتلألئة والغريبة والمظلمة منا.

In your group, are there rules about how you hold off,

في مجموعتك هل توجد قواعد حول كيفية صدك

church-state wall between a sort of commercial push,

وجدار الكنيسة الدولية بين نوع من الدفع التجاري

"You must do it for this purpose,"

“يجب أن تفعل ذلك لهذا الغرض”

so that you can inspire your engineers and so forth,

حتى تتمكن من إلهام المهندسين وما إلى ذلك

to do this for the world, for all of us.

للقيام بذلك من أجل العالم لنا جميعًا.

JD: Yeah, our research group does collaborate

جيف: نعم، تتعاون مجموعتنا البحثية

with a number of groups across Google,

مع عدد من المجموعات عبر جوجل

including the Ads group, the Search group, the Maps group,

بما في ذلك مجموعة الإعلانات ومجموعة البحث ومجموعة الخرائط،

so we do have some collaboration, but also a lot of basic research

لذلك لدينا بعض التعاون ولكن أيضًا الكثير من الأبحاث الأساسية

that we publish openly.

التي ننشرها علنًا.

We've published more than 1,000 papers last year

لقد نشرنا أكثر من 1000 ورقة بحثية العام الماضي

in different topics, including the ones you discussed,

في مواضيع مختلفة بما في ذلك الموضوعات التي ناقشتها

about fairness, interpretability of the machine-learning models,

حول الإنصاف وقابلية تفسير نماذج التعلم الآلي

things that are super important,

والأشياء ذات الأهمية الفائقة

and we need to advance the state of the art in this

ونحن بحاجة إلى تطوير حالة الفن في هذا.

in order to continue to make progress

من أجل الاستمرار في التقدم

to make sure these models are developed safely and responsibly.

للتأكد من تطوير هذه النماذج بشكل آمن ومسؤول.

CA: It feels like we're at a time when people are concerned

كريس: يبدو أننا في وقت يشعر فيه الناس بالقلق

about the power of the big tech companies,

بشأن قوة شركات التكنولوجيا الكبرى

and it's almost, if there was ever a moment to really show the world

وتقريبًا إذا كانت هناك لحظة لإظهار العالم حقًا

that this is being done to make a better future,

أن هذا يتم من أجل صنع مستقبل أفضل

that is actually key to Google's future,

هذا هو في الواقع مفتاح لمستقبل جوجل

as well as all of ours.

وكذلك مستقبلنا جميعًا.

JD: Indeed.

جيف: بالفعل.

CA: It's very good to hear you come and say that, Jeff.

كريس: من الجيد جدًا سماعك تأتي وتقول ذلك يا جيف.

Thank you so much for coming here to TED.

شكراً جزيلاً لمجيئك إلى TED.

JD: Thank you.

جيف: شكراً لك.

(Applause)

(تصفيق)