How AI Is Saving Billions of Years of Human Research Time | Max Jaderberg | TED

المترجم: Nawal Sharabati المدقّق: Hani Eldalees

So a while ago now, I did a PhD,

لذا منذ فترة طويلة الآن، حصلت على درجة الدكتوراه،

and I actually thought it would be quite easy to do research.

وكنت أعتقد في الواقع أن إجراء البحث سيكون أمرًا سهلًا للغاية.

Turns out it was really hard.

تبين أنه كان صعبًا حقًا.

My PhD was spent coding up neural network layers

قضيت فترة الدكتوراه في كتابة شيفرات طبقات الشبكات العصبية

and writing CUDA kernels,

وكتابة نوى البنية الموحدة لأجهزة الحاسوب،

very much computer-based science.

علم يعتمد بشكل كبير على الحاسوب.

And at that time,

وفي ذلك الوقت،

I had a friend who worked in a lab doing real messy science.

كان لدي صديق يعمل في مختبر يقوم بالعِلم الحقيقي الفوضوي.

He was trying to work out the structure of proteins experimentally.

كان يحاول اكتشاف بنية البروتينات تجريبيًا.

And this is a really difficult thing to do.

وهذا أمر صعب حقًا للقيام به.

It can take a whole PhD's worth of work

قد يتطلب الأمر قدرًا كاملاً من العمل لدرجة الدكتوراه

just to work out the structure of a single new protein system.

فقط لاكتشاف بنية نظام بروتين جديد واحد.

And then 10 years later, the field that I was in,

ومن ثم بعد 10 سنوات، المجال الذي كنت فيه،

machine learning,

تعلّم الآلة،

revolutionized his world of protein structure.

حدث ثورة في عالمه بشأن بنية البروتينات.

A neural network called AlphaFold was created by DeepMind

أنشأت شركة ديب مايند شبكة ذكاء عصبية اصطناعية تسمى ألفافولد

that can very accurately predict the structure of proteins

يمكنها التنبؤ بدقة عالية ببنية البروتينات

and solved this 50-year challenge of trying to do protein folding.

وحلّت هذه المشكلة التي استمرت 50 عامًا في محاولة لفهم طي البروتينات.

And just two weeks ago,

وقبل أسبوعين فقط،

this won the Nobel Prize in chemistry.

فاز هذا بجائزة نوبل في الكيمياء.

And it's estimated that since the release of this model,

ويُقدّر أنه منذ إصدار هذا النموذج،

we've saved over a billion years of research time.

قد وفّرنا أكثر من مليار سنة من وقت البحث.

(Applause)

(تصفيق)

A billion years.

مليار سنة.

(Applause)

(تصفيق)

A whole PhD's worth of work is now approximated

العمل الذي يعادل درجة الدكتوراه بأكملها يُقدّر الآن

by a couple of seconds of neural network time.

ببضع ثوانٍ من وقت الشبكة العصبية.

And to my friend, this might sound a bit depressing,

ولصديقي، قد يبدو هذا محبطًا بعض الشيء،

and I'm sorry about that,

وأنا آسف لذلك،

لكن بالنسبة لي، هذا شيء مذهل حقًا.

but to me, this is just really an incredible thing.

The sheer scale of new knowledge about our protein universe

المستوى الحتمي للمعرفة الجديدة عن عالمنا بشأن البروتين

that we now have access to,

الذي يمكننا الوصول إليه الآن،

due to an AI model that's able to replace the need

بفضل نموذج الذكاء الاصطناعي الذي يمكنه استبدال الحاجة

for real-world experimental lab work.

للعمل التجريبي الفعلي في المختبر.

And that frees up our precious human time

ويسمحُ ذلك لنا توفير وقتنا البشري الثمين

to begin probing the next frontiers of science.

للبدء في استكشاف آفاق العلم التالية.

Now some people say that this is a one-time-only event,

يقول بعض الناس أنّ هذا حدث يجري مرة واحدة فقط،

that we can't expect to see these sort of breakthroughs in science

أنه لا يمكننا توقع رؤية هذا النوع من النجاحات العلمية الكبيرة

with AI to be repeated.

مع الذكاء الاصطناعي بشكل متكرر.

And I disagree.

وأنا لا أوافق على ذلك.

We will continue to see breakthroughs in understanding our real messy world

سنستمر في رؤية نجاحات كبيرة في فهم عالمنا الحقيقي الفوضوي

with AI.

مع الذكاء الاصطناعي.

Why?

لماذا؟

Because we now have the neural network architectures

لأننا نمتلك الآن تصميمات الشبكة العصبية

that can eat up any data modality that you throw at them.

التي يمكنها معالجة أي نوع من البيانات يتم تقديمه لها.

And we have tried and tested recipes

وقد جربنا طرقًا واختبرناها

of incorporating any possible signal in the world

لدمج أي إشارة ممكنة في العالم

into these learning algorithms.

في خوارزميات التعلّم هذه.

And then we have the engineering and infrastructure

ثم لدينا الهندسة والبنية التحتية

to scale these models to whatever size is needed

لتوسيع نطاق هذه النماذج إلى أي حجم مطلوب

to take advantage of the massive amounts of compute power that we can create.

للاستفادة من كميات الحوسبة الضخمة التي يمكننا إنشاءها.

And finally, we're always creating new ways to record and measure

وأخيرًا، نحن دومًا نبتكر طرقًا جديدة لتسجيل وقياس

every detail of our real messy world

كل تفصيل في عالمنا الحقيقي الفوضوي

that then creates even bigger data sets

التي تنتجُ بدورها مجموعات بيانات أكبر بكثير

that help us train even richer models.

التي تساعدنا في تدريب نماذج أكثر ثراءً.

And so this is a new paradigm in front of us,

وهكذا هذا هو مثال جديد أمامنا،

that of creating AI analogs of our real messy world.

وهو إنشاء نظائر ذكاء اصطناعي تحاكي عالمنا الحقيقي الفوضوي.

This new AI paradigm takes our real, messy, natural world

يأخذ هذا المثال للذكاء الاصطناعي الجديد عالمنا الحقيقي الفوضوي الطبيعي

and learns to recreate the elements of it with neural networks.

ويتعلم إعادة إنشاء عناصره باستخدام الشبكات العصبية.

And why these AI analogs are so powerful is that it's not just about understanding,

وما يجعل نظائر الذكاء الاصطناعي قوية جدًا هو أنها تتجاوز مجرد الفهم،

approximating or simulating the world for the sake of understanding,

بل تتجاوز مجرد تقريب العالم أو محاكاته بغرض الفهم.

but this actually gives us a little virtual world

لكن هذا يمنحنا في الواقع عالمًا افتراضيًا صغيرًا

that we can experiment in at scale

يمكننا إجراء التجارب فيه على نطاق واسع

to ultimately create new knowledge.

لإنتاج معرفة جديدة في نهاية المطاف.

And you can imagine that this experimentation against our AI analogs,

ويمكنكم تخيّل أن هذه التجارب ضد النظائر المماثلة للذكاء الاصطناعي،

this can also happen in silico, in a computer with other agents,

يمكن أن تحدث أيضًا في رقاقة سيليكونية، في حاسوب مع وكلاء آخرين،

in a loop of in silico, open-ended discovery,

في حلقة في الرقاقة السيليكونية، واكتشاف غير محدّد،

ultimately to create new knowledge that we can take back out

لإنتاج معرفة جديدة في النهاية التي يمكننا الاستفادة منها

and change the world around us.

وتغيير العالم من حولنا.

And this isn't science fiction.

وهذا ليس خيالًا علميًا.

Right now, we have thousands of graphics cards burning,

حاليًا، لدينا آلاف بطاقات الرسومات التي تعمل بكامل طاقتها،

training foundational models of our own micro-biological world,

تدربُ النماذج الأساسية لعالم الكائنات الحيّة الصغيرة لدينا،

and then agents that are probing these AI analogs

ثم الوكلاء الذين يفحصون هذه النظائر للذكاء الاصطناعي

to design new molecules that could be potential new drugs.

لتصميم جزيئات جديدة قد تكون أدوية جديدة محتملة.

And I want to show you exactly how this process works for us,

وأريد أن أوضح لكم بالضبط كيف تعمل هذه العملية بالنسبة لنا،

because I believe it can serve as a blueprint

لأنني أعتقد أنها يمكن أن تكون بمثابة مخطط

to bring about a whole new wave

لإحداث موجة جديدة كاملة

of the future of AI-driven scientific

للمستقبل العلمي المدفوع بالذكاء الاصطناعي

and technological progress.

والتقدم التقني.

Now drug design is such an important area to focus on

تصميم الأدوية الآن هو مجال شديد الأهمية يجب التركيز عليه

because it's actually becoming harder and harder to design new drugs.

لأنه في الواقع أصبح تصميم أدوية جديدة أكثر صعوبة بشكل متزايد.

This is a graph of the number of new drugs created

هذه رسم بياني يُظهر عدد الأدوية الجديدة التي تم تطويرها

per billion dollars of R and D spent over time.

لكل مليار دولار يتم إنفاقه على البحث والتطوير مع مرور الوقت.

And what you can see is that the number of new drugs

وما يمكنكم ملاحظته هو أن عدد الأدوية الجديدة

يتناقص بشكل كبير.

is exponentially decreasing.

It's becoming more and more expensive to create a new drug.

أصبح من الأكثر تكلفة بشكل متزايد إنشاء دواء جديد.

Now during this same time period,

الآن خلال هذه الفترة الزمنية نفسها،

we've had a huge amount of advancement in the capabilities of AI,

شهدنا تقدمًا هائلًا في قدرات الذكاء الاصطناعي،

driven by a whole host of algorithmic breakthroughs.

مدفوعًا بمجموعة كاملة من النجاحات الخوارزمية الكبيرة.

But one of the secret sources of this advancement in AI

لكن أحد المصادر السرية لهذا التقدم في الذكاء الاصطناعي

has also been that of Moore's Law,

كان أيضًا قانون مور،

that the amount of computing power

أن مقدار قوة الحوسبة

has just been exponentially increasing over time.

قد كانت في تزايد متسارع مع مرور الوقت.

And these days, it perhaps isn't Moore's Law

وفي هذه الأيام، ربما لا يكون قانون مور

that we should care about, but Jensen's law.

هو الذي علينا الاهتمام به، بل قانون جينسن.

Jensen Huang, being the CEO of Nvidia,

جينسن هوانغ الرئيس التنفيذي لشركة نفيديا،

for the exponential increase in GPU FLOPS

للزيادة الهائلة في عمليات النقطة العائمة في الثانية لوحدة معالجة الرسومات

that are now powering our neural networks.

التي تشغّل الآن شبكاتنا العصبية.

So really the question is,

لذا فإن السؤال الحقيقي هو،

how do we bring this world of AI and machine learning

كيف ندمج هذا العالم من الذكاء الاصطناعي والتعلم الآلي

to that of drug design?

إلى عالم تصميم الأدوية؟

Can we think about using our AI analogs to reverse this curse of Eroom’s law

هل يمكننا استخدام نظائر الذكاء الاصطناعي لعكس لعنة قانون إيروم

and jump on this exponential wave of GPU FLOPS powering our neural networks?

والقفز على موجة عملية النقطة العائمة لوحدة المعالجة الرسومية لتشغّل شبكاتنا العصبية؟

Actually bringing these worlds together and driving this change

في الواقع، جمع هذين العالمين معًا ودفع هذا التغيير

is the day-to-day responsibility that I feel.

هي المسؤولية اليومية التي أشعر بها.

So how can we go about modeling biology?

لذا كيف يمكننا البدء في نمذجة علم الأحياء؟

Well if we were in the world of physics, for example, modeling the universe,

حسنًا، إذا كنا في عالم الفيزياء، على سبيل المثال، نمذجة الكون،

then we can actually write down a lot of the theory by hand with maths

عندها يمكننا فعلًا كتابة الكثير من النظرية يدويًا باستخدام الرياضيات

and very accurately predict, for example, the unfolding of the universe,

ويمكننا التنبؤ بدقة كبيرة، على سبيل المثال، بتجلّي الكون،

even millions of light years away.

حتى لمسافات تصل إلى ملايين السنين الضوئية.

But we can't do that for the incredibly complex dynamics within ourselves.

لكن لا يمكننا القيام بذلك للآليات المعقدة للغاية داخل أنفسنا.

We can't just write down some equations for ourselves.

لا يمكننا ببساطة كتابة بعض المعادلات لأنفسنا.

We can perhaps write down the theory of how atoms interact.

ربما يمكننا كتابة نظرية كيفية تفاعل الذرات.

That's physics.

هذه هي الفيزياء.

But then simulating these interactions

لكن محاكاة هذه التفاعلات

on the scale of trillions of atoms within our cells

على نطاق تريليونات الذرات داخل خلايانا

is just completely unfeasible.

وهو أمر غير قابل للتنفيذ تمامًا.

And then we haven't worked out how to describe these complex dynamics

ولم نتمكن بعد من اكتشاف كيفية وصف هذه الآليات المعقدة

in coarser and simpler terms that we could write down with maths.

بعبارات أكثر خشونة وأبسط التي يمكننا كتابتها باستخدام الرياضيات.

It’s just crazy to think that we can model the universe so far away

من الجنون أن نفكر أنه يمكننا نمذجة الكون البعيد جدًا

but not the cells at our fingertips.

لكن لا يمكننا نمذجة الخلايا عند أطراف أصابعنا.

But AI and machine learning can be the perfect abstraction

لكن الذكاء الاصطناعي والتعلّم الآلي يمكن أن يكونا التجريد المثالي

for a biological world.

لعالم علم الأحياء.

Using the snippets of data that we can record from our cells,

باستخدام أجزاء البيانات التي يمكننا تسجيلها من خلايانا،

we can then learn the equations and theories and abstractions implicitly

يمكننا بعد ذلك تعلّم المعادلات والنظريات والتجريدات ضمنيًا

within the activations of our neural networks.

داخل تفعيلات شبكاتنا العصبية.

In fact, our company is called Isomorphic Labs.

في الواقع، تسمى شركتنا مختبرات إيسومورفيك.

Isomorphic because we believe there is an isomorphism,

إيسومورفيك لأننا نعتقد بوجود تماثل،

a fundamental symmetry, that we can create

تماثل أساسي الذي يمكننا إحداثه

between the biological world and the world of information science,

بين عالم عِلم الأحياء وعالم عِلم المعلومات،

machine learning and AI.

والتعلّم الآلي والذكاء الاصطناعي.

So to see how we are using these AI analogs today,

لرؤية كيف نستخدم هذه النظائر المماثلة للذكاء الاصطناعي اليوم،

I want to dive into the body and have a look into cells

أريد الغوص في الجسم وإلقاء نظرة على الخلايا

and think about proteins.

وأفكرُ في البروتينات.

Now proteins are one of the fundamental building blocks of life.

البروتينات الآن هي واحدة من اللبنات الأساسية للحياة.

And these proteins carry different functions in the body.

وتؤدي هذه البروتينات وظائف مختلفة في الجسم.

And if we can modulate the function of a protein,

وإذا تمكنا من تعديل وظيفة البروتين،

then we are well on our way to creating a new drug.

عندها نكون قد بدأنا طريقنا في تطوير دواء جديد.

Proteins are made up of a sequence of amino acids,

تتكون البروتينات من سلسلة من الأحماض الأمينية،

and there are about 20 different amino acids,

وهناك حوالي 20 حمضًا أمينيًا مختلفًا،

each one here depicted by a different letter.

كل واحد منها موضح هنا بحرف مختلف.

An amino acid is a collection of atoms, a molecule,

الحمض الأميني هو مجموعة من الذرات والجزيء،

and these molecules are joined together into a linear sequence.

وهذه الجزيئات متصلة معًا في تسلسل خطي.

And the function of a protein is not just due to the sequence of these proteins,

ولا تعودُ وظيفة البروتين إلى تسلسل هذه البروتينات فقط،

but also due to the three-dimensional shape that these proteins fold up into.

بل أيضًا بسبب الشكل ثلاثي الأبعاد الذي تطويه هذه البروتينات.

And there are thousands of proteins inside of us,

وهناك الآلاف من البروتينات داخلنا،

each with their own unique sequences and their own unique 3D shape.

لدى كل منها له تسلسل فريد وشكل ثلاثي الأبعاد لا نظير له.

And remember,

وتذكروا،

trying to work out experimentally that 3D shape

محاولة تحديد الشكل الثلاثي الأبعاد تجريبيًا

can take months or even years of lab work.

قد يستغرق ذلك شهورًا أو حتى سنوات من العمل في المختبر.

But with the breakthrough of AlphaFold and AlphaFold 2 in 2020,

لكن مع النجاح الكبير لألفا فولد، وألفا فولد 2 عام 2020،

we now have a model that can take the sequence of amino acids as input

لدينا الآن نموذج يمكنه استخدام تسلسل الأحماض الأمينية كمدخل.

and then very accurately predict the 3D structure of a protein

ومن ثم التنبؤ بدقة عالية بالهيكل ثلاثي الأبعاد للبروتين

as the output.

كناتج.

And this allows us to actually fill in the gaps

وهذا يسمح لنا فعليًا بسد الفجوات

of our known protein universe.

في عالم البروتين المعروف لدينا.

It's our AI analog of proteins.

إنه نظيرنا للذكاء الاصطناعي للبروتينات.

So proteins carry their function.

لذلك تؤدي البروتينات وظيفتها.

But these proteins, they don't actually act in isolation.

لكن لا تعمل هذه البروتينات فعليًا بشكل منفصل.

They're part of bigger molecular machines

إنها جزء من آلات جزيئية أكبر

with these proteins interacting with other proteins

حيث تتفاعل هذه البروتينات مع بروتينات أخرى

as well as other biomolecules like DNA,

وكذلك مع جزيئات حيوية أخرى مثل الحمض النووي/ دي إن إيه،

RNA and small molecules.

والحمض النووي الريبي/ رنا والجزيئات الصغيرة.

For example,

مثلًا،

let's zoom in and have a look at this protein.

دعونا نكبر الصورة ونلقي نظرة على هذا البروتين.

This is a protein that repairs DNA,

هذا بروتين يُصلح الحمض النووي،

and it interacts with DNA

ويتفاعل مع الحمض النووي

clamping down on it,

ويضيّق عليه بإحكام،

helping facilitate repair

مما يساعد على تسهيل الإصلاح

and then the repaired DNA is released back out to the cell.

ثم يتم تحرير الحمض النووي الذي تم إصلاحه مرة أخرى إلى الخلية.

Now in drug design what we want to do

الآن في تصميم الأدوية، ما نريد القيام به

is either make molecular machines work better

هو إمّا جعل الآلات الجزيئية تعمل بشكل أفضل،

or actually stop them from working.

أو إيقافها فعليًا من العمل.

And in this case, for cancer,

وفي هذه الحالة، بالنسبة للسرطان،

we actually want to stop this particular DNA repair protein from working,

نحن فعلًا نريد إيقاف هذا البروتين الخاص بإصلاح الحمض النووي عن العمل،

because in cancerous cells

لأنه في الخلايا السرطانية

there is no backup DNA repair mechanism.

لا توجد آلية احتياطية لإصلاح الحمض النووي.

And so if we stop this one working, then cancerous cells will die,

ولذلك إذا أوقفنا عمل هذه الآلية، ستموت الخلايا السرطانية،

leaving just healthy cells remaining.

مما يترك الخلايا السليمة فقط.

So what would a drug actually look like for this protein?

إذن، كيف سيبدو الدواء الذي يستهدف هذا البروتين؟

Well a drug is something that comes in and modulates a molecular machine.

حسنًا، الدواء هو شيء يدخل ويعدّل آلية جزئية.

And this could be a drug molecule that goes into the body,

وقد يكون هذا جزيء دوائي يدخل إلى الجسم،

goes into the cell and then sticks to this protein just over here.

يدخل إلى الخلية ثم يلتصق بهذا البروتين هنا تحديدًا.

And this drug molecule actually glues the DNA repair proteins clamp shut,

وهذا الجزيء الدوائي يلصق فعلًا بروتينات إصلاح الحمض النووي ليغلق المشبك.

so it can't do effective DNA repair causing cancerous cells to die

لذلك لا يمكنه إصلاح للحمض النووي بفعالية مما يتسبب في موت الخلايا السرطانية

and leaving just healthy cells remaining.

مما يترك فقط الخلايا السليمة المتبقية.

Now to design such an amazing drug molecule completely rationally,

الآن لتصميم جزيء دوائي مذهل كهذا بشكل كامل ومنطقي،

we'd have to understand

سيكون علينا أن نفهم

how all of these biomolecular elements come together.

كيف تتجمع كل هذه العناصر الجزيئية الحيوية معًا.

We would need an AI analog of all and any biomolecular systems.

سنحتاج إلى نظير للذكاء الاصطناعي لكل الأنظمة الجزيئية الحيوية.

Earlier this year, we had a breakthrough.

في وقت سابق من هذا العام، حققنا نجاحًا كبيرًا.

We developed a new version of AlphaFold, called AlphaFold 3,

قد طورنا نسخة جديدة من ألفا فولد تسمى ألفا فولد 3،

that can model the structure

التي يمكنها نمذجة البنية

of almost all biomolecules coming together

لأغلب الجزيئات الحيوية وهي تتجمع معًا

with unprecedented accuracy.

بدقة غير مسبوقة.

This model takes as input the protein sequence,

يأخذ هذا النموذج تسلسل البروتين كمدخل،

the DNA sequence

وتسلسل الحمض النووي

and the molecule atoms.

وذرات الجزيء.

And these inputs are fed to a neural network

ويتم تغذية هذه المدخلات إلى شبكة عصبية

that has a large processing trunk based on transformers.

التي تحتوي على صندوق معالجة كبير تعتمد على المحولات.

Now unlike a large language model

الآن على عكس نموذج اللغة الكبير

that operates on one- dimensional sequences,

الذي يعمل على تسلسلات أحادية البُعد،

instead, our model uses what’s called a “pairformer”

بدلًا من ذلك، يستخدم نموذجنا ما يسمى “بايرفورمر” أو مشكّل الأزواج

and operates on a 2D interaction grid of the input sequence.

ويعمل على شبكة تفاعلات ثنائية الأبعاد للتسلسل المدخل.

And this allows our model to explicitly reason about every pairwise interaction

وهذا يسمح لنموذجنا بالتفكير صراحةً في كل تفاعل بين زوجين من العناصر

that could occur in this biomolecular system.

التي قد تحدث في هذا النظام الجزيئي الحيوي.

And so we can use the features of this processing trunk

وبالتالي يمكننا استخدام خصائص صندوق المعالجة الكبير

to condition a diffusion model.

لتهئية نموذج الانتشار.

Now you might know diffusion models

الآن قد تعرفون نماذج الانتشار مثل هذه النماذج المذهلة لتوليد الصور.

as these amazing image generative models.

Now just like diffusing the pixels in an image,

الآن تمامًا مثل نشر أصغر الوحدات في صورة رقمية،

instead, our diffusion model diffuses

بدلاً من ذلك، ينشر نموذجنا للانتشار

the 3D atom coordinates of our biomolecular system.

إحداثيات الذرات ثلاثية الأبعاد لنظامنا الجزيئي الحيوي.

So now this gives us a completely malleable virtual biomolecular world.

لذا، يمنحنا ذلك عالمًا جزيئيًا حيويًا افتراضيًا قابلًا للتشكيل تمامًا.

It’s our AI analog that we can probe as if it’s the real world.

إنه نظيرنا للذكاء الاصطناعي الذي يمكننا استكشافه كأنه العالم الحقيقي.

We can make changes to the inputs,

يمكننا إجراء تغييرات على المدخلات،

changes to the molecule designs

وتغييرات على تصميمات الجزيئات

and see how that changes the output structure.

ونرى كيف تؤثر تلك التغييرات على البنية الناتجة.

So let's use this model to design a new drug

لذلك، دعونا نستخدم هذا النموذج لتصميم دواء جديد.

for our DNA repair protein.

للبروتين المسؤول عن إصلاح الحمض النووي لدينا.

We can take a small molecule that's been recorded to stick to this protein

يمكننا أخذ جزيء صغير تم تسجيله ليلتصق بهذا البروتين،

and make changes to its design.

وإجراء تغييرات على تصميمه.

We want to change the molecule design

نريد تغيير تصميم الجزيء

so that this molecule makes more interactions with the protein,

لكي يجعل هذا الجزيء يتفاعل أكثر مع البروتين،

and that will make it stick to this protein stronger.

وهذا سيجعله يلتصق بهذا البروتين بشكل أقوى.

And so you can imagine that this gives a human drug designer

وهكذا يمكنكم تخيّل أنّ هذا يمنح مصمم الأدوية البشرية

a perfect game to play.

لعبة مثالية للعب.

How do I change the design of this molecule

كيف يمكنني تغيير تصميم هذا الجزيء

to create more interactions?

لإحداث المزيد من التفاعلات؟

Now normally,

الآن عادةً،

a drug designer would have to wait months

سيتعين على مصمم الأدوية الانتظار شهورًا

to get results back from a real lab at each step of this design game.

للحصول على النتائج من مختبر حقيقي في كل مرحلة لهذه اللعبة التصميمية.

But for us, using this AI analog, this takes just seconds.

ولكن بالنسبة إلينا، استخدام هذا النظير للذكاء الاصطناعي، يستغرق هذا ثوانٍ فقط.

And this is the reality

وهذه هي الحقيقة

of what our drug designers back in London are doing right now.

لما يفعله مصممو الأدوية لدينا في لندن الآن.

So we have this beautiful game that's being played by our drug designers,

لذلك لدينا هذه اللعبة الجميلة التي يلعبها مصممو الأدوية لدينا،

who are using this AI analog of biomolecular systems

الذين يستخدمون هذا النظير للذكاء الاصطناعي للأنظمة الجزيئية الحيوية

to rationally design potential new drug molecules.

لتصميم جزيئات دواء جديدة محتملة منطقيًا.

But you can imagine

لكن يمكنكم تخيّل

that we don't have to just limit this game

أنه لا يتعين علينا فقط حصر هذه اللعبة

to human drug designers

على مصممي الأدوية البشرية.

Earlier in my career,

وقت سابق من مسيرتي المهنية،

I worked on training agents

عملت على تدريب الوكلاء

to beat the top human professionals at the game of StarCraft.

للتغلب على أفضل المحترفين البشريين في لعبة ستار كرافت.

And we created game-playing agents for the games of Go and Capture the Flag.

وقمنا بإنشاء وكلاء للعب الألعاب للعبة “غو” و“أمسك العلم“.

So why can't we create agents that instead play the game

فلماذا لا يمكننا إنشاء وكلاء الذين بدلًا من لعب اللعبة

that our human drug designers are playing?

التي يلعبها مصممو الأدوية البشرية لدينا؟

So now our AI analog becomes the game environment,

لذا، يصبح الآن نظيرنا للذكاء الاصطناعي البيئة للعبة،

and we can train agents against that.

ويمكننا تدريب الوكلاء ضد ذلك.

And we already have some incredibly powerful agents

ولدينا فعلًا بعض الوكلاء الأقوياء للغاية

that are already doing this today.

الذين يقومون بذلك فعلًا اليوم.

Now in this setup,

الآن في هذا الإعداد،

all of the drug design is happening on a computer.

كل تصميم الأدوية تحدث على جهاز الحاسوب.

So what happens if we have access to many, many computers?

إذن ماذا يحدث إذا تمكنا من الوصول إلى الكثير والعديد من الحواسيب؟

Well instead of having one human drug designer

حسنًا، بدلاً من وجود مصمم أدوية بشري واحد

working on some new molecule designs,

يعمل على تصميم بعض الجزيئات الجديدة،

instead, we can have thousands of agents doing molecule design in parallel.

يمكننا بدلاً من ذلك استخدام آلاف الوكلاء الذين يصممون الجزيئات بشكل موازٍ.

Just imagine what impact that could have

تخيّلوا فقط التأثير الذي يمكن أن يحدثه ذلك

on patients suffering from a rare type of cancer,

على المرضى الذين يعانون من نوع نادر من السرطان،

the speed that we could get to a potential new molecule

السرعة التي يمكننا بها الوصول إلى جزيء جديد محتمل

to address this medical need

لمعالجة هذا الاحتياج الطبي

or the ability to go after many diseases in parallel.

أو القدرة على متابعة العديد من الأمراض بالتوازي.

Cancer is often caused by mutations of proteins,

غالبًا ما يحدث السرطان بسبب طفرات البروتينات،

and even within the same type of cancer,

وحتى داخل نفس نوع السرطان،

each patient can have different mutations.

يمكن أن يكون لكل مريض طفرات مختلفة.

And that means that one drug molecule won't work for all patients.

ويعني ذلك أن جزيء دواء واحد لن يعمل مع جميع المرضى.

But what if we could go in

لكن ماذا لو تمكنا من الدخول

and measure each individual patient's protein mutations,

وقياس طفرات البروتينات لكل مريض على حدة،

and then have a whole team of molecule-design agents

ومن ثم يكون لدينا فريق كامل من الوكلاء لتصميم الجزيئات،

working on that individual's protein mutations?

يعملون على طفرات البروتين لذلك الفرد؟

Then we could create a molecule tailored for each individual patient.

حينها يمكننا إنشاء جزيء مخصص لكل مريض على حدة.

I'm showing just this.

أنا أعرض هذا فقط.

Here the protein is randomly mutating,

يطفر البروتين هنا عشوائيًا،

and each mutation in red

وكل طفرة باللون الأحمر

subtly changes the 3D shape of this protein.

تغير بدقة الشكل ثلاثي الأبعاد لهذا البروتين.

And we're able to generate molecules that should stick to this protein

ونحن قادرون على توليد جزيئات يجب أن تلتصق بهذا البروتين

in response to these changes.

استجابة لهذه التغيّرات.

Now this is still far away from patients,

الآن لا يزال هذا بعيدًا عن المرضى،

and there's a huge amount of complexity in drug design left to tackle,

ولا يزال هناك قدر كبير من التعقيد في تصميم الأدوية يتعين معالجته،

but this really does give us a glimpse at the future that is to come.

لكن هذا يعطينا حقًا لمحة عن المستقبل القادم.

So we've seen how this new AI paradigm is driving our progression in drug design.

قد رأينا كيف يدفع هذا المثال الجديد للذكاء الاصطناعي تقدمنا في تصميم الأدوية.

And you can also see this paradigm being played out in material science,

ويمكنكم أيضًا رؤية هذا المثال يُطبق في عِلم المادة،

in creating new forms of energy

في إنشاء أشكال جديدة من الطاقة

and in chemistry.

وفي الكيمياء.

The ability to take our real messy world

القدرة على أخذ عالمنا الحقيقي الفوضوي

and then create our own AI analogs

ومن ثم إنشاء نظائرنا للذكاء الاصطناعي

to then on a computer do open-ended scientific discovery

ثم على الحاسوب عمل اكتشاف علمي غير محدد

to create new knowledge that we can take back out

لإحداث معرفة جديدة يمكننا استعادتها

and change the world around us.

وتغيير العالم من حولنا.

This is an incredibly powerful paradigm,

هذا مثال قوي للغاية،

and one that will bring about a whole new wave of scientific

وواحد سيحدثُ موجة جديدة كاملة من التقدم العلمي

and technological advancements.

والتطورات التقنية.

And we’re going to need as many people as possible,

ونحن بحاجة إلى أكبر عدد ممكن من الناس،

especially those working in machine learning,

وخاصة أولئك الذين يعملون في التعلم الآلي،

AI and technology,

والذكاء الاصطناعي والتقنية،

to help drive this new wave of progression.

للمساعدة في دفع هذه الموجة الجديدة من التقدم.

Thank you.

شكرًا لكم.

(Applause)

(تصفيق)