Can AI Match the Human Brain? | Surya Ganguli | TED

المترجم: Hani Eldalees

So what the heck happened in the field of AI in the last decade?

إذن ما الذي حدث في مجال الذكاء الاصطناعي في العقد الماضي؟

It's like a strange new type of intelligence

إنه مثل نوع جديد غريب من الذكاء

appeared on our planet.

ظهر على كوكبنا.

But it's not like human intelligence.

لكنها ليست مثل الذكاء البشري.

It has remarkable capabilities,

لديها قدرات رائعة،

but it also makes egregious errors that we never make.

ولكنها ترتكب أيضًا أخطاء فظيعة لا نرتكبها أبدًا.

And it doesn't yet do the deep logical reasoning that we can do.

وهي لا تفعل حتى الآن التفكير المنطقي العميق الذي يمكننا القيام به.

It has a very mysterious surface of both capabilities and fragilities.

لها سطح غامض للغاية من حيث القدرات والهشاشة.

And we understand almost nothing about how it works.

ونحن لا نفهم شيئًا تقريبًا عن كيفية عملها.

I would like a deeper scientific understanding of intelligence.

أود الحصول على فهم علمي أعمق للذكاء.

But to understand AI,

ولكن لفهم الذكاء الاصطناعي، من

it's useful to place it in the historical context

المفيد وضعه في السياق التاريخي

of biological intelligence.

للذكاء البيولوجي.

The story of human intelligence

ربما بدأت

might as well have started with this little critter.

قصة الذكاء البشري أيضًا مع هذا المخلوق الصغير.

It's the last common ancestor of all vertebrates.

إنه آخر سلف مشترك لجميع الفقاريات.

We are all descended from it.

نحن جميعًا ننحدر منه.

It lived about 500 million years ago.

لقد عاشت منذ حوالي 500 مليون سنة.

Then evolution went on to build the brain, which in turn,

ثم استمر التطور في بناء الدماغ، والذي بدوره،

in the space of 500 years from Newton to Einstein,

في غضون 500 عام من نيوتن إلى أينشتاين،

developed the deep math and physics

طور الرياضيات والفيزياء العميقة

required to understand the universe, from quarks to cosmology.

المطلوبة لفهم الكون، من الكواركات إلى علم الكونيات.

And it did this all without consulting ChatGPT.

وقد فعلت كل هذا دون استشارة ChatGPT.

And then, of course, there's the advances of the last decade.

ثم، بالطبع، هناك التطورات التي حدثت في العقد الماضي.

To really understand what just happened in AI,

لكي نفهم حقًا ما حدث للتو في الذكاء الاصطناعي،

we need to combine physics, math,

نحتاج إلى الجمع بين الفيزياء والرياضيات

neuroscience, psychology, computer science and more,

وعلم الأعصاب وعلم النفس وعلوم الكمبيوتر والمزيد،

to develop a new science of intelligence.

لتطوير علم جديد للذكاء.

The science of intelligence

يمكن أن يساعدنا

can simultaneously help us understand biological intelligence

علم الذكاء في نفس الوقت على فهم الذكاء

and create better artificial intelligence.

البيولوجي وخلق ذكاء اصطناعي أفضل.

And we need this science now,

ونحن بحاجة إلى هذا العلم الآن،

because the engineering of intelligence

لأن هندسة الذكاء

has vastly outstripped our ability to understand it.

قد تجاوزت إلى حد كبير قدرتنا على فهمها.

I want to take you on a tour of our work in the science of intelligence

أريد أن آخذك في جولة حول عملنا في علم الذكاء

that addresses five critical areas in which AI can improve --

الذي يتناول خمسة مجالات مهمة يمكن للذكاء الاصطناعي تحسينها - كفاءة

data efficiency, energy efficiency, going beyond evolution,

البيانات وكفاءة الطاقة وتجاوز التطور

explainability and melding minds and machines.

وقابلية التفسير ودمج العقول والآلات.

Let's address these critical gaps one by one.

دعونا نعالج هذه الفجوات الحرجة واحدة تلو الأخرى.

First, data efficiency.

أولاً، كفاءة البيانات.

AI is vastly more data-hungry than humans.

الذكاء الاصطناعي متعطش للبيانات أكثر بكثير من البشر.

For example, we train our language models on the order of one trillion words now.

على سبيل المثال، نقوم بتدريب نماذجنا اللغوية في حدود تريليون كلمة الآن.

Well, how many words do we get?

حسنًا، كم عدد الكلمات التي نحصل عليها؟

Just 100 million.

فقط 100 مليون.

It's that tiny little red dot at the center.

إنها تلك النقطة الحمراء الصغيرة في المركز.

You might not be able to see it.

قد لا تتمكن من رؤيتها.

It would take us 24,000 years to read the rest of the one trillion words.

سوف يستغرق الأمر 24000 سنة لقراءة بقية التريليون كلمة.

OK, now, you might say that's unfair.

حسنا، الآن، قد تقول أن هذا غير عادل.

Sure, AI read for 24,000 human-equivalent years,

بالتأكيد، تمت قراءة الذكاء الاصطناعي لمدة 24000 سنة مكافئة للإنسان،

but humans got 500 million years of vertebrate brain evolution.

لكن البشر حصلوا على 500 مليون سنة من تطور دماغ الفقاريات.

But there's a catch.

ولكن هناك مشكلة.

Your entire legacy of evolution is given to you through your DNA,

يتم منحك إرثك الكامل من التطور من خلال الحمض النووي الخاص بك،

and your DNA is only about 700 megabytes,

ويبلغ حجم الحمض النووي لك حوالي 700 ميغا بايت فقط،

or equivalently, 600 million [words].

أو ما يعادله، 600 مليون [كلمة].

So the combined information we get from learning and evolution

لذا فإن المعلومات المجمعة التي نحصل عليها من التعلم والتطور

is minuscule compared to what AI gets.

ضئيلة مقارنة بما يحصل عليه الذكاء الاصطناعي.

You are all incredibly efficient learning machines.

أنتم جميعًا آلات تعليمية فعالة بشكل لا يصدق.

So how do we bridge the gap between AI and humans?

إذن كيف يمكننا سد الفجوة بين الذكاء الاصطناعي والبشر؟

We started to tackle this problem by revisiting the famous scaling laws.

بدأنا في معالجة هذه المشكلة من خلال إعادة النظر في قوانين التحجيم الشهيرة.

Here's an example of a scaling law,

في ما يلي مثال لقانون التحجيم،

where error falls off as a power law with the amount of training data.

حيث يقع الخطأ كقانون قوة مع كمية بيانات التدريب.

These scaling laws have captured the imagination of industry

استحوذت قوانين التوسع هذه على خيال الصناعة

and motivated significant societal investments

وحفزت استثمارات مجتمعية كبيرة

in energy, compute and data collection.

في الطاقة والحوسبة وجمع البيانات.

But there's a problem.

ولكن هناك مشكلة.

The exponents of these scaling laws are small.

إن أسس قوانين التحجيم هذه صغيرة.

So to reduce the error by a little bit,

لذلك لتقليل الخطأ قليلاً، قد

you might need to ten-x your amount of training data.

تحتاج لمضاعفة كمية بيانات التدريب بمقدار عشرة أضعاف.

This is unsustainable in the long run.

هذا غير مستدام على المدى الطويل.

And even if it leads to improvements in the short run,

وحتى لو أدى ذلك إلى تحسينات على المدى القصير،

there must be a better way.

يجب أن تكون هناك طريقة أفضل.

We developed a theory that explains why these scaling laws are so bad.

لقد طورنا نظرية تشرح سبب سوء قوانين القياس هذه.

The basic idea is that large random datasets are incredibly redundant.

الفكرة هي أن مجموعات البيانات العشوائية الكبيرة زائدة عن الحاجة بشكل لا يصدق.

If you already have billions of data points,

إذا كان لديك بالفعل مليارات نقاط البيانات،

the next data point doesn't tell you much that's new.

فإن نقطة البيانات التالية لا تخبرك كثيرًا بما هو جديد.

But what if you could create a nonredundant dataset,

ولكن ماذا لو كان بإمكانك إنشاء مجموعة بيانات غير مكررة،

where each data point is chosen carefully

حيث يتم اختيار كل نقطة بيانات بعناية

to tell you something new, compared to all the other data points?

لإخبارك بشيء جديد، مقارنة بجميع نقاط البيانات الأخرى؟

We developed theory and algorithms to do just this.

قمنا بتطوير النظرية والخوارزميات للقيام بذلك.

We theoretically predicted and experimentally verified

لقد توقعنا نظريًا وتحققنا تجريبيًا من

that we could bend these bad power laws down to much better exponentials,

أنه يمكننا خفض قوانين القوة السيئة هذه إلى أسس أفضل بكثير،

where adding a few more data points could reduce your error,

حيث يمكن أن تؤدي إضافة بضع نقاط بيانات أخرى إلى تقليل خطأك،

rather than ten-xing the amount of data.

بدلاً من مضاعفة كمية البيانات بمقدار عشرة أضعاف.

So what theory did we use to get this result?

إذن ما النظرية التي استخدمناها للحصول على هذه النتيجة؟

We used ideas from statistical physics, and these are the equations.

استخدمنا أفكارًا من الفيزياء الإحصائية، وهذه هي المعادلات.

Now, for the rest of this entire talk,

الآن، لبقية هذا الحديث بأكمله،

I'm going to go through these equations one by one.

سأتطرق إلى هذه المعادلات واحدة تلو الأخرى.

(Laughter)

(ضحك)

You think I'm joking?

هل تعتقد أنني أمزح؟

And explain them to you.

واشرحها لك.

OK, you're right, I'm joking. I'm not that mean.

حسنا، أنت على حق، أنا أمزح. أنا لست بهذا اللئيم.

But you should have seen the faces of the TED organizers

لكن كان يجب أن ترى وجوه منظمي TED

when I said I was going to do that.

عندما قلت إنني سأفعل ذلك.

Alright, let's move on.

حسنا، دعونا نمضي قدما.

Let's zoom out a little bit,

دعونا نتعمق قليلاً،

and think more generally

ونفكر بشكل عام في

about what it takes to make AI less data-hungry.

ما يلزم لجعل الذكاء الاصطناعي أقل تعطشًا للبيانات.

Imagine if we trained our kids

تخيل لو قمنا بتدريب أطفالنا بنفس الطريقة

the same way we pretrain our large language models,

التي نتدرب بها مسبقًا على نماذجنا اللغوية الكبيرة،

by next-word prediction.

من خلال التنبؤ بالكلمة التالية.

So I'd give my kid a random chunk of the internet and say,

لذلك كنت أعطي طفلي جزءًا عشوائيًا من الإنترنت وأقول،

"By the way, this is the next word."

«بالمناسبة، هذه هي الكلمة التالية.»

I'd give them another random chunk of the internet and say,

سأعطيهم جزءًا عشوائيًا آخر من الإنترنت وأقول،

"This is the next word."

«هذه هي الكلمة التالية.»

If that's all we did,

إذا كان كل ما فعلناه،

it would take our kids 24,000 years to learn anything useful.

فسيستغرق أطفالنا 24000 عام لتعلم أي شيء مفيد.

But we do so much more than that.

لكننا نفعل أكثر من ذلك بكثير.

For example, when I teach my son math,

على سبيل المثال، عندما أقوم بتدريس الرياضيات لابني،

I teach him the algorithm required to solve the problem,

أعلمه الخوارزمية المطلوبة لحل المشكلة،

then he can immediately solve new problems

ثم يمكنه على الفور حل المشكلات الجديدة

and generalize using far less training data than any AI system would do.

والتعميم باستخدام بيانات تدريب أقل بكثير من أي نظام ذكاء اصطناعي.

I don't just throw millions of math problems at him.

أنا لا أطرح عليه ملايين المسائل الرياضية فقط.

So to really make AI more data-efficient,

لذلك لجعل الذكاء الاصطناعي أكثر كفاءة في استخدام البيانات،

we have to go far beyond our current training algorithms

علينا أن نتجاوز خوارزميات التدريب الحالية

and turn machine learning into a new science of machine teaching.

ونحول التعلم الآلي إلى علم جديد لتعليم الآلة.

And neuroscience, psychology and math can really help here.

ويمكن أن يساعد علم الأعصاب وعلم النفس والرياضيات حقًا هنا.

Let's go on to the next big gap, energy efficiency.

دعنا ننتقل إلى الفجوة الكبيرة التالية، كفاءة الطاقة.

Our brains are incredibly efficient.

أدمغتنا فعالة بشكل لا يصدق.

We only consume 20 watts of power.

نحن نستهلك 20 واط فقط من الطاقة.

For reference, our old light bulbs were 100 watts.

كمرجع، كانت مصابيحنا القديمة 100 واط.

So we are all literally dimmer than light bulbs.

لذلك نحن جميعًا أكثر خفوتًا حرفيًا من المصابيح الكهربائية.

(Laughter)

(ضحك)

But what about AI?

ماذا عن الذكاء الاصطناعي؟

Training a large model can consume as much as 10 million watts,

يمكن أن يستهلك تدريب نموذج كبير ما يصل إلى 10 ملايين واط،

and there’s talk of going nuclear to power one-billion-watt data centers.

وهناك حديث عن استخدام الطاقة النووية لتشغيل مراكز البيانات بقدرة مليار واط.

So why is AI so much more energy-hungry than brains?

إذن لماذا يتعطش الذكاء الاصطناعي للطاقة أكثر بكثير من العقول؟

Well, the fault lies in the choice of digital computation itself,

حسنًا، يكمن الخطأ في اختيار الحساب الرقمي نفسه،

where we rely on fast and reliable bit flips

حيث نعتمد على تقلبات البت السريعة والموثوقة

at every intermediate step of the computation.

في كل خطوة وسيطة من الحساب.

Now, the laws of thermodynamics

تتطلب قوانين الديناميكا الحرارية

demand that every fast and reliable bit flip must consume a lot of energy.

أن كل انقلاب سريع وموثوق به يجب أن يستهلك الكثير من الطاقة.

Biology took a very different route.

اتخذ علم الأحياء مسارًا مختلفًا تمامًا.

Biology computes the right answer just in time,

يحسب علم الأحياء الإجابة الصحيحة في الوقت المناسب،

using intermediate steps that are as slow and as unreliable as possible.

باستخدام خطوات وسيطة بطيئة وغير موثوقة قدر الإمكان.

In essence, biology does not rev its engine any more than it needs to.

في الأساس، لا تقوم البيولوجيا بإعادة تشغيل محركها أكثر مما تحتاج إليه.

In addition, biology matches computation to physics much better.

بالإضافة إلى ذلك، فإن علم الأحياء يطابق الحساب مع الفيزياء بشكل أفضل.

Consider, for example, addition.

خذ بعين الاعتبار، مثلا الإضافة.

Our computers add using really complex energy-consuming transistor circuits,

تضيف أجهزة الكمبيوتر الخاصة بنا استخدام دوائر ترانزستور معقدة تستهلك الطاقة،

but neurons just directly add their voltage inputs,

لكن الخلايا العصبية تضيف مدخلات الجهد بشكل مباشر،

because Maxwell's laws of electromagnetism already know how to add voltage.

لأن قوانين ماكسويل للكهرومغناطيسية تعرف بالفعل كيفية إضافة الجهد.

In essence, biology matches its computation

في جوهرها، تقوم البيولوجيا

to the native physics of the universe.

بمطابقة حساباتها مع الفيزياء الأصلية للكون.

So to really build more energy-efficient AI,

لذلك لبناء ذكاء اصطناعي أكثر كفاءة في استخدام الطاقة حقًا،

we need to rethink our entire technology stack,

نحتاج إلى إعادة التفكير في مجموعة التكنولوجيا بأكملها،

from electrons to algorithms,

من الإلكترونات إلى الخوارزميات،

and better match computational dynamics to physical dynamics.

ومطابقة الديناميكيات الحسابية بشكل أفضل مع الديناميكيات الفيزيائية.

For example, what are the fundamental limits

على سبيل المثال، ما هي الحدود

on the speed and accuracy of any given computation,

الأساسية لسرعة ودقة أي حساب معين،

given an energy budget?

بالنظر إلى ميزانية الطاقة؟

And what kinds of electrochemical computers can achieve

وما أنواع أجهزة الكمبيوتر الكهروكيميائية التي يمكنها تحقيق

these fundamental limits?

هذه الحدود الأساسية؟

We recently solved this problem for the computation of sensing,

لقد قمنا مؤخرًا بحل هذه المشكلة لحساب الاستشعار،

which is something that every neuron has to do.

وهو أمر يجب على كل خلية عصبية القيام به.

We were able to find fundamental lower bounds or lower limits on the error

تمكنا من العثور على حدود دنيا أساسية أو حدود أقل للخطأ

as a function of the energy budget.

كدالة لميزانية الطاقة.

That's that red curve.

هذا هو المنحنى الأحمر.

And we were able to find the chemical computers that achieve these limits.

وتمكنا من العثور على أجهزة الكمبيوتر الكيميائية التي تحقق هذه الحدود.

And remarkably, they looked a lot like G-protein coupled receptors,

وبشكل ملحوظ، كانت تشبه إلى حد كبير المستقبلات المقترنة ببروتين G،

which every neuron uses to sense external signals.

والتي تستخدمها كل خلية عصبية لاستشعار الإشارات الخارجية.

So this suggests that biology can achieve amounts of efficiency

لذلك يشير هذا إلى أن علم الأحياء يمكن

that are close to fundamental limits set by the laws of physics itself.

أن يحقق كميات من الكفاءة قريبة من الحدود الأساسية وضعتها قوانين الفيزياء نفسها.

Popping up a level,

عند ظهور هذا المستوى،

neuroscience now gives us the ability to measure not only neural activity,

يمنحنا علم الأعصاب الآن القدرة على قياس ليس فقط النشاط العصبي،

but also energy consumption across, for example, the entire brain of the fly.

ولكن أيضًا استهلاك الطاقة عبر، على سبيل المثال، دماغ الذبابة بأكمله.

The energy consumption is measured through ATP usage,

يتم قياس استهلاك الطاقة من خلال استخدام ATP،

which is the chemical fuel that powers all neurons.

وهو الوقود الكيميائي الذي يعمل على تشغيل جميع الخلايا العصبية.

So now let me ask you a question.

لذا اسمحوا لي أن أطرح عليك سؤالاً.

Let's say in a certain brain region, neural activity goes up.

لنفترض أن النشاط العصبي يرتفع في منطقة معينة من الدماغ.

Does the ATP go up or down?

هل يرتفع ATP أم ينخفض؟

A natural guess would be that the ATP goes down,

قد يكون التخمين الطبيعي هو أن ATP ينخفض،

because neural activity costs energy, so it's got to consume the fuel.

لأن النشاط العصبي يكلف الطاقة، لذلك يجب أن يستهلك الوقود.

We found the exact opposite.

وجدنا العكس تمامًا.

When neural activity goes up,

عندما يرتفع النشاط العصبي، يرتفع

ATP goes up and it stays elevated

ATP ويبقى مرتفعًا

just long enough to power expected future neural activity.

لفترة كافية لتشغيل النشاط العصبي المستقبلي المتوقع.

This suggests that the brain follows a predictive energy allocation principle,

يشير هذا إلى أن الدماغ يتبع مبدأ تخصيص الطاقة التنبئي،

where it can predict how much energy is needed, where and when,

حيث يمكنه التنبؤ بكمية الطاقة المطلوبة،

and it delivers just the right amount of energy at just the right location,

وأين ومتى، ويوفر الكمية المناسبة من الطاقة في الموقع المناسب تمامًا،

for just the right amount of time.

لمقدار مناسب من الوقت.

So clearly, we have a lot to learn from physics, neuroscience and evolution

من الواضح أن لدينا الكثير لنتعلمه من الفيزياء وعلم الأعصاب والتطور

about building more energy-efficient AI.

حول بناء ذكاء اصطناعي أكثر كفاءة في استخدام الطاقة.

But we don't need to be limited by evolution.

لكننا لسنا بحاجة إلى أن نكون مقيدين بالتطور.

We can go beyond evolution,

يمكننا تجاوز التطور،

to co-opt the neural algorithms discovered by evolution,

لاستمالة الخوارزميات العصبية التي اكتشفها التطور،

but implement them in quantum hardware that evolution could never figure out.

ولكن تنفيذها في الأجهزة الكمومية التي لا يمكن للتطور اكتشافها أبدًا.

For example, we can replace neurons with atoms.

على سبيل المثال، يمكننا استبدال الخلايا العصبية بالذرات.

The different firing states of neurons

تتوافق حالات إطلاق الخلايا

correspond to the different electronic states of atoms.

العصبية المختلفة مع الحالات الإلكترونية المختلفة للذرات.

And we can replace synapses with photons.

ويمكننا استبدال نقاط الاشتباك العصبي بالفوتونات.

Just as synapses allow two neurons to communicate,

مثلما تسمح نقاط الاشتباك العصبي لخليتين عصبيتين بالتواصل، تسمح

photons allow two atoms to communicate through photon emission and absorption.

الفوتونات لذرتين بالتواصل من خلال انبعاث الفوتون وامتصاصه.

So what can we build with this?

إذن ما الذي يمكننا بناءه بهذا؟

We can build a quantum associative memory out of atoms and photons.

يمكننا بناء ذاكرة ترابطية كمومية من الذرات والفوتونات.

This is the same memory system

هذا هو نفس نظام

that won John Hopfield his recent Nobel Prize in physics,

الذاكرة الذي فاز جون هوبفيلد بجائزة نوبل

but this time, it's a quantum-mechanical system built of atoms and photons,

الأخيرة في الفيزياء، ولكن هذه المرة، إنه نظام ميكانيكي كمي مبني

and we can analyze its performance

من الذرات والفوتونات،

and show that the quantum dynamics yields enhanced memory capacity,

ويمكننا تحليل أدائه وإظهار أن الديناميكيات الكمومية تنتج قدرة

robustness and recall.

ذاكرة معززة وقوة واسترجاع.

We can also build new types of quantum optimizers built directly out of photons,

يمكننا أيضًا بناء أنواع جديدة من محسنات الكم المبنية مباشرة من الفوتونات،

and we can analyze their energy landscape

ويمكننا تحليل مشهد الطاقة الخاص بها

and explain how they solve optimization problems in fundamentally new ways.

وشرح كيفية حلها لمشاكل التحسين بطرق جديدة بشكل أساسي.

This marriage between neural algorithms and quantum hardware

هذا الزواج بين الخوارزميات العصبية والأجهزة الكمومية

opens up an entirely new field,

يفتح مجالًا جديدًا تمامًا،

which I like to call quantum neuromorphic computing.

والذي أحب أن أسميه الحوسبة العصبية الكمومية.

OK, but let's return to the brain,

حسنًا، ولكن دعونا نعود إلى الدماغ،

where explainable AI can help us understand how it works.

حيث يمكن للذكاء الاصطناعي القابل للتفسير أن يساعدنا على فهم كيفية عمله.

So now, AI allows us to build

حتى الآن، يسمح لنا الذكاء الاصطناعي ببناء نماذج دقيقة

incredibly accurate but complicated models of the brain.

للغاية ولكنها معقدة للدماغ.

So where is this all going?

إذن إلى أين يذهب كل هذا؟

Are we simply replacing something we don't understand, the brain,

هل نقوم ببساطة باستبدال شيء لا نفهمه، الدماغ،

with something else we don't understand, our complex model of it?

بشيء آخر لا نفهمه، نموذجنا المعقد له؟

As scientists, we'd like to have a conceptual understanding

كعلماء، نرغب في الحصول على فهم

of how the brain works,

مفاهيمي لكيفية عمل الدماغ،

not just have a model handed to us.

وليس مجرد تسليم نموذج لنا.

So basically, I'd like to give you

لذا في الأساس، أود أن أقدم لكم

an example of our work on explainable AI, applied to the retina.

مثالاً لعملنا على الذكاء الاصطناعي القابل للتفسير، المطبق على شبكية العين.

So the retina is a multilayered circuit of photoreceptors

فشبكية العين عبارة عن دائرة متعددة الطبقات من المستقبلات الضوئية

going to hidden neurons, going to output neurons.

تذهب للخلايا العصبية المخفية، وتنتج خلايا عصبية.

So how does it work?

إذن كيف يعمل؟

Well, we recently built the world's most accurate model of the retina.

حسنًا، قمنا مؤخرًا ببناء النموذج الأكثر دقة في العالم لشبكية العين.

It could reproduce two decades of experiments on the retina.

يمكن أن تعيد إنتاج عقدين من التجارب على شبكية العين.

So this is fantastic.

لذلك هذا رائع.

We have a digital twin of the retina.

لدينا توأم رقمي لشبكية العين.

But how does the twin work?

لكن كيف يعمل التوأم؟

Why is it designed the way it is?

لماذا تم تصميمها بالطريقة التي هي عليها؟

To make these questions concrete,

لجعل هذه الأسئلة ملموسة،

I'd like to discuss just one

أود مناقشة واحدة فقط

of the two decades of experiments that I mentioned.

من عقدين من التجارب التي ذكرتها.

And we're going to do this experiment on you right now.

وسنقوم بهذه التجربة عليك الآن.

I'd like you to focus on my hand, and I'd like you to track it.

أود منك أن تركز على يدي، وأود منك أن تتعقبها.

OK, great. Let's do that just one more time.

حسنا، عظيم. دعونا نفعل ذلك مرة أخرى فقط.

OK.

موافق.

You might have been slightly surprised when my hand reversed direction.

ربما فوجئت قليلاً عندما عكست يدي اتجاهها.

And you should be surprised,

ويجب أن تتفاجأ،

because my hand just violated Newton's first law of motion,

لأن يدي انتهكت للتو قانون نيوتن الأول للحركة،

which states that objects that are in motion tend to remain in motion.

والذي ينص على أن الأجسام المتحركة تميل إلى البقاء في حالة حركة.

So where in your brain is a violation of Newton's first law first detected?

إذن أين في دماغك تم اكتشاف انتهاك لقانون نيوتن الأول لأول مرة؟

The answer is remarkable. It's in your retina.

الجواب رائع. إنه في شبكية عينك.

There are neurons in your retina that will fire

هناك خلايا عصبية في شبكية العين ستنطلق

if and only if Newton's first law is violated.

إذا وفقط إذا تم انتهاك قانون نيوتن الأول.

So does our model do that?

فهل يقوم نموذجنا بذلك؟

Yes, it does. It reproduces it.

نعم، إنها كذلك. إنها تستنسخها.

But now, there's a puzzle.

ولكن الآن، هناك لغز.

How does the model do it?

كيف يقوم النموذج بذلك؟

Well, we developed methods, explainable AI methods,

حسنًا، لقد طورنا طرقًا، وأساليب ذكاء اصطناعي قابلة للتفسير،

to take any given stimulus that causes a neuron to fire,

لأخذ أي محفز معين يتسبب في إطلاق الخلايا العصبية،

and we carve out the essential subcircuit responsible for that firing,

وقمنا بتحديد الدائرة الفرعية الأساسية المسؤولة عن هذا الإطلاق،

and we explain how it works.

ونوضح كيفية عملها.

We were able to do this not only for Newton's first law violations,

لقد تمكنا من القيام بذلك ليس فقط لانتهاكات نيوتن الأولى للقانون،

but for the two decades of experiments that our model reproduced.

ولكن لعقدين من التجارب التي أعاد نموذجنا إنتاجها.

And so this one model reproduces two decades' worth of neuroscience

ولذا فإن هذا النموذج يعيد إنتاج ما قيمته عقدين من علم الأعصاب

and also makes some new predictions.

ويقدم أيضًا بعض التنبؤات الجديدة.

This opens up a new pathway to accelerating neuroscience discovery

هذا يفتح طريقًا جديدًا لتسريع اكتشاف علم الأعصاب

using AI.

باستخدام الذكاء الاصطناعي.

Basically, build digital twins of the brain,

في الأساس، قم ببناء التوائم الرقمية للدماغ،

and then use explainable AI to understand how they work.

ثم استخدم الذكاء الاصطناعي القابل للتفسير لفهم كيفية عملها.

We're actually engaged in a big effort at Stanford

نحن في الواقع منخرطون في جهد كبير في ستانفورد

to build a digital twin of the entire primate visual system

لبناء توأم رقمي للنظام المرئي الرئيسي بأكمله

and explain how it works.

وشرح كيفية عمله.

But we can go beyond that

لكن يمكننا تجاوز ذلك

and use our digital twins to meld minds and machines,

واستخدام التوائم الرقمية لدمج العقول والآلات، من

by allowing bidirectional communication between them.

خلال السماح بالاتصال ثنائي الاتجاه بينهما.

So imagine a scenario where you have a brain,

لذا تخيل سيناريو يكون لديك فيه دماغ،

you record from it, you build a digital twin.

تسجل منه، تبني توأمًا رقميًا.

Then you use control theory to learn neural activity patterns

ثم تستخدم نظرية التحكم لتعلم أنماط النشاط العصبي

that you can write directly into the digital twin to control it.

التي يمكنك كتابتها مباشرة في التوأم الرقمي للتحكم فيها.

Then, you take those same neural activity patterns

ثم تأخذ نفس أنماط النشاط العصبي

and you write them into the brain to control the brain.

وتكتبها في الدماغ للتحكم في الدماغ.

In essence, we can learn the language of the brain,

في الأساس، يمكننا تعلم لغة الدماغ،

and then speak directly back to it.

ثم التحدث إليها مباشرة.

So we recently carried out this program in mice,

لذلك قمنا مؤخرًا بتنفيذ هذا البرنامج على الفئران،

where we could use AI to read the mind of a mouse.

حيث يمكننا استخدام الذكاء الاصطناعي لقراءة عقل الماوس.

So on the top row, you're seeing images that we actually showed to the mouse,

لذا في الصف العلوي، ترى الصور التي عرضناها بالفعل على الماوس،

and in the bottom row,

وفي الصف السفلي،

you're seeing images that we decoded from the brain of the mouse.

ترى الصور التي قمنا بفك تشفيرها من دماغ الماوس.

Our decoded images are lower-resolution than the actual images,

تتميز الصور التي تم فك تشفيرها بدقة أقل من الصور الفعلية،

but not because our decoders are bad.

ولكن ليس لأن أجهزة فك التشفير لدينا سيئة.

It's because mouse visual resolution is bad.

ذلك لأن الدقة البصرية للماوس سيئة.

So actually, the decoded images

في الواقع،

show you what the world would actually look like

تُظهر لك الصور التي تم فك تشفيرها كيف سيبدو العالم فعليًا

if you were a mouse.

إذا كنت فأرًا.

Now, we can go beyond that.

الآن، يمكننا أن نتجاوز ذلك.

We can now write neural activity patterns into the mouse's brain,

يمكننا الآن كتابة أنماط النشاط العصبي في دماغ الفأر،

so we can make it hallucinate

حتى نتمكن من جعله يهلوس

any particular percept we would like it to hallucinate.

بأي تصور معين نود أن يهلوسه.

And we got so good at this

وقد نجحنا في هذا الأمر لدرجة

that we could make it reliably hallucinate a percept

أننا تمكنا من جعله يهلوس الإدراك بشكل موثوق من

by controlling only 20 neurons in the mouse's brain,

خلال التحكم في 20 خلية عصبية فقط في دماغ الفأر،

by figuring out the right 20 neurons to control.

من خلال اكتشاف 20 خلية عصبية مناسبة للتحكم فيها.

So essentially, we can control what the mouse sees

لذلك بشكل أساسي، يمكننا التحكم في ما يراه الماوس

directly, by writing to its brain.

مباشرة، عن طريق الكتابة إلى دماغه.

The possibilities of bidirectional communication

إن إمكانيات الاتصال ثنائي الاتجاه

between brains and machines are limitless.

بين العقول والآلات لا حدود لها.

To understand, to cure and to augment the brain.

لفهم وعلاج وزيادة الدماغ.

So I hope you'll see that the pursuit of a unified science of intelligence

لذلك آمل أن ترى أن السعي وراء علم موحد للذكاء يمتد عبر العقول والآلات

that spans brains and machines

يمكن

can both help us better understand biological intelligence

أن يساعدنا على فهم الذكاء البيولوجي بشكل أفضل

and help us create more efficient, explainable

ويساعدنا على إنشاء ذكاء اصطناعي أكثر كفاءة

and powerful artificial intelligence.

وقابلية للتفسير وقوة.

But it's important that this pursuit be done out in the open

ولكن من المهم أن يتم هذا السعي في العلن

so the science can be shared with the world,

حتى يمكن مشاركة العلم مع العالم،

and it must be done with a very long time horizon.

ويجب أن يتم ذلك في أفق زمني طويل جدًا.

This makes academia the perfect place to pursue a science of intelligence.

هذا يجعل الأوساط الأكاديمية المكان المثالي لمتابعة علم الذكاء.

In academia, we're free from the tyranny of quarterly earnings reports.

في الأوساط الأكاديمية، نحن متحررون من طغيان تقارير الأرباح الفصلية.

We're free from the censorship of corporate legal departments.

نحن متحررون من رقابة الأقسام القانونية للشركات.

We can be far more interdisciplinary than any one company.

يمكننا أن نكون متعددي التخصصات أكثر بكثير من أي شركة واحدة.

And our very mission is to share what we learn with the world.

ومهمتنا هي مشاركة ما نتعلمه مع العالم.

For all these reasons, we're actually building a new center

لكل هذه الأسباب، نحن في الواقع نبني مركزًا

for the science of intelligence at Stanford.

جديدًا لعلوم الذكاء في ستانفورد.

While there have been incredible advances in industry

على الرغم من وجود تطورات مذهلة

on the engineering of intelligence,

في الصناعة فيما يتعلق بهندسة

now increasingly happening behind closed doors,

الذكاء، والتي تحدث الآن بشكل متزايد

I'm very excited about what the science of intelligence can achieve

خلف الأبواب المغلقة، إلا أنني متحمس جدًا لما يمكن أن يحققه

out in the open.

علم الذكاء في العلن.

You know, in the last century,

كما تعلمون، في القرن الماضي،

one of the greatest intellectual adventures

كانت إحدى أعظم المغامرات الفكرية

lay in humanity peering outwards into the universe

تكمن في نظر البشرية إلى الخارج إلى الكون لفهمه، من الكواركات

to understand it, from quarks to cosmology.

إلى علم الكونيات.

I think one of the greatest intellectual adventures of this century

أعتقد أن إحدى أعظم المغامرات الفكرية في هذا القرن

will lie in humanity peering inwards,

ستكمن في نظر البشرية إلى الداخل،

both into ourselves and into the AIs that we create,

سواء في أنفسنا أو في الذكاء الاصطناعي الذي نبتكره،

in order to develop a deeper, new scientific understanding of intelligence.

من أجل تطوير فهم علمي أعمق وجديد للذكاء.

Thank you.

شكرًا لكم.

(Applause)

(تصفيق)