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

Fordító: Reka Lorinczy Lektor: Peter Pallos

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

Chris Anderson: Demis, örülök, hogy itt vagy.

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

Demis Hassabis: Fantasztikus itt lenni, köszönöm, Chris.

Now, you told Time Magazine,

Azt mondtad a Time Magazine-nak:

"I want to understand the big questions,

„Szeretném megérteni a nagy kérdéseket,

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

amelyeket általában filozófiával vagy fizikával foglalkozók

if you're interested in them.

tesznek fel maguknak.

I thought building AI

Azt hittem, az MI létrehozása adja

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

a leggyorsabb választ rájuk.”

Why did you think that?

Miért gondoltad ezt?

DH: (Laughs)

DH: (Nevet)

Well, I guess when I was a kid,

Gyerekkoromban

my favorite subject was physics,

a fizika volt a kedvenc tantárgyam,

and I was interested in all the big questions,

és foglalkoztattak a világ nagy dolgai,

fundamental nature of reality,

a valóság alaptermészete,

what is consciousness,

mi a tudatosság,

you know, all the big ones.

hasonló a nagy kérdések.

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

Ezekre főleg a fizikában keressük a válaszokat, ha érdekelnek.

But I read a lot of the great physicists,

Nagyszerű fizikusoktól olvastam,

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

az örök idők tudományos hősei közül pl. Feynmantól stb.

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

Rájöttem, hogy az elmúlt 20–30 évben

we haven't made much progress

alig léptünk előre

in understanding some of these fundamental laws.

ezen alapvető törvények megértésében.

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

Arra gondoltam, miért ne hozzuk létre segítségül a legjobb eszközt:

which is artificial intelligence.

a mesterséges intelligenciát, azaz MI-t.

And at the same time,

Ugyanakkor talán

we could also maybe better understand ourselves

jobban megérthetnénk magunkat

and the brain better, by doing that too.

és az agyat is, ha létrehozzuk.

So not only was it incredible tool,

Tehát nemcsak hihetetlen eszköz volt,

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

néhány nagy kérdéshez is hasznos volt.

CA: Super interesting.

CA: Remek gondolat!

So obviously AI can do so many things,

Az MI nyilván sok mindenre képes,

but I think for this conversation,

de beszélgetésünkben

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

szeretnék arra a témára összpontosítani, hogy mit tehet

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

az igazán nagy kérdések feltárásában, az óriási tudományos áttörésekben,

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

mert neked és cégednek ez a vezérgondolatod.

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

DH: Ez az MI egyik nagy áttörése.

and I've always thought about,

Mindig foglalkoztatott,

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

már 20–30 évvel ezelőtt,

the beginning of the internet era and computer era,

az internet és a számítógépek korszakának kezdetén is,

the amount of data that was being produced

hogy az előállított és kapott tudományos adatok mennyisége

and also scientific data,

túl sokat ahhoz, hogy az emberi elme megértse.

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

Az MI egyik felhasználása, hogy mintákat és lényeget találjon

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

in huge amounts of data and then surface that

hatalmas mennyiségű adatban, majd felfedje ezt a tudósoknak,

to the human scientists to make sense of

hogy értelmet találjanak benne,

and make new hypotheses and conjectures.

és új hipotéziseket és sejtéseket alkossanak.

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

Teljesen összeegyeztethetőnek tűnik a tudományos módszerrel.

CA: Right.

CA: Rendben.

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

A számítógépes játékok szeretete

segített neked ezt kitalálni.

in figuring this thing out.

Who is this young lad on the left there?

Ki ez a kis srác a bal oldalon?

Who is that?

Ki lehet ő?

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

DH: Ez voltam én, kb. kilencéves lehettem.

I'm captaining the England Under 11 team,

Én voltam az angol 11 év alattiak csapatkapitánya,

and we're playing in a Four Nations tournament,

és Négy Nemzet bajnokságon játszunk,

ezért vagyunk mindannyian pirosban.

that's why we're all in red.

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

Franciaország, Skócia és Wales játszott, úgy emlékszem.

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

CA: Ez annyira furcsa, mert velem is ez történt.

In my dreams.

Álmaimban.

(Laughter)

(Nevetés)

And it wasn't just chess,

Nem csak sakkoztál,

you loved all kinds of games.

imádtál mindenféle játékot.

DH: I loved all kinds of games, yeah.

DH: Imádtam mindenféle játékot, igen.

CA: And when you launched DeepMind,

CA: Amikor elindítottad a DeepMind-ot,

pretty quickly, you started having it tackle game play.

elég gyorsan elkezdtél játékokkal foglalkozni.

Why?

Miért?

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

DH: A mérkőzések elsősorban az MI-hez vezettek,

because while we were doing things like,

mert foglalkozásaink közben,

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

pl. edzőtáborokban az angol csapattal stb.

And actually back then,

azokban a régi időkben,

I guess it was in the mid '80s,

azt hiszem, a 80-as évek közepén

we would use the very early chess computers,

használtuk a korai sakkszámítógépeket,

if you remember them, to train against,

ha még emlékszel, azzal edzettünk,

as well as playing against each other.

és egymás ellen is játszottunk.

And they were big lumps of plastic,

Nagy műanyag szerkezetek voltak,

you know, physical boards that you used to,

fizikai táblák, néhányan emlékeztek,

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

hogy a négyzeteket lenyomtunk,

and there were LED lights, came on.

és LED-es lámpák kigyulladtak.

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

Emlékszem, hogy nemcsak a sakk foglalkoztatott,

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

hanem lenyűgözött az a tény is, hogy ezt a csomó műanyagdarabot

someone had programmed it to be smart

valaki úgy programozta, hogy okos legyen,

and actually play chess to a really high standard.

és egészen magas színvonalon sakkozzon.

And I was just amazed by that.

Magával ragadott.

And that got me thinking about thinking.

Ettől elgondolkodtam a gondolkodáson.

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

Hogyan alakulnak ki az agyban a gondolkodási folyamatok

these ideas,

ezekkel az ötletekkel,

and then maybe how we could mimic that with computers.

és hogyan tudnánk utánozni ezt számítógépekkel.

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

Életre szóló teljes téma.

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

CA: De a pénzt a DeepMind elindításához gyűjtötted össze,

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

és hamarosan pl. erre használtad.

I mean, this is an odd use of it.

Ez furcsa felhasználás.

What was going on here?

Mi történt ekkor?

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

DH: A DeepMind-ot játékokkal indítottuk.

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

Ez 2010-ben történt, kb. 10 éve,

it was our first big breakthrough.

ez volt az első nagy áttörésünk.

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

Mivel az 1970-es évek klasszikus Atari játékaival kezdtük,

the simplest kind of computer games there are out there.

a legegyszerűbb számítógépes játékok már elterjedtek.

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

A játékok használatának egyik oka,

to test out your ideas and your algorithms.

hogy nagyon kényelmesen tesztelhettük ötleteinket és algoritmusainkat.

They're really fast to test.

Rendkívül gyorsan tesztelhetők.

And also, as your systems get more powerful,

Amint a rendszereink megerősödnek,

you can choose harder and harder games.

egyre nehezebb játékokat választhatunk.

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

Ez volt az első alkalom, hogy a gépünk meglepett,

the first of many times,

először a sok közül,

which, it figured out in this game called Breakout,

amint ebben a Breakout nevű játékban rájött,

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

hogy a labdát a fal mögé is lehet küldeni,

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

és sokkal biztonságosabb lenne így kiütni a fal összes csempéjét.

It's a classic Atari game there.

Ez ott a klasszikus Atari játék.

And that was our first real aha moment.

Ez volt az első igazi aha-pillanatunk.

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

CA: Tehát ezt nem stratégiának programoztátok.

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

Az utasítás annyi volt, hogy valahogy győzzön.

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

Csak mozgattad a karokat, aztán vártad, lehet-e nyerni.

DH: It was a real revolution at the time.

DH: Abban az időben igazi forradalom volt.

So this was in 2012, 2013

2012–13-ban alkottunk meg

where we coined these terms "deep reinforcement learning."

az efféle kifejezéseket: „mély megerősítő tanulás”.

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

A rendszerek lényege,

hogy közvetlenül a pixelekből, a képernyőn lévő nyers pixelekből tanultak,

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

de semmi mást nem adtunk meg nekik.

but they weren't being told anything else.

Az utasítás úgy szólt, hogy maximalizálják az eredményt.

So they were being told, maximize the score,

here are the pixels on the screen,

A képernyőn megjelenik

30,000 pixels.

30 000 pixel.

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

A rendszernek az első képlettől önállóan kell értelmeznie,

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

hogy mi zajlik, mit irányít,

how to get points.

hogyan lehet pontokat szerezni.

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

Ez a másik előnye, ha játékból indulunk ki.

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

Világos céljaik vannak: nyerni, pontokat szerezni.

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

Így egészen könnyen mérhető, hogy a rendszereink javulnak-e.

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

CA: Innen egyenes út vezetett

a few years later,

a néhány évvel későbbi pillanatig,

where country of South Korea and many other parts of Asia

amikor Dél-Korea és Ázsia sok más része

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

és valójában a világ megőrült, miért is?

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

DH: Igen, 2016-ban ez volt

the pinnacle of our games-playing work,

a játéktervező munkánk csúcsa,

where, so we'd done Atari,

ekkor készült el az Atari,

we'd done some more complicated games.

és még pár bonyolultabb játék.

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

Aztán elértük a csúcsot, amely a gojáték volt,

which is what they play in Asia instead of chess,

amit Ázsiában sakk helyett játszanak,

but it's actually more complex than chess.

de bonyolultabb, mint a sakk.

And the actual brute force algorithms

A nyers erő algoritmusok,

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

amelyeket a sakk feltöréséhez használtak, nem váltak be a gojátéknál,

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

mert sokkal több lehetséges mintázat van,

much more intuitive game.

sokkal egyedibb játék.

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

Bár a Deep Blue a 90-es években legyőzte Garry Kaszparovot,

it took another 20 years for our program, AlphaGo,

még 20 évbe telt, mire programunk, az AlphaGo

to beat the world champion at Go.

legyőzte a govilágbajnokot.

And we always thought,

Mindig azt gondoltuk

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

sok éven át a projekten dolgozó kollégáimmal,

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

hogy ha olyan rendszert tudunk építeni, amely legyőzi a govilágbajnokot,

it would have had to have done something very interesting.

akkor valami világraszólót alkottunk.

And in this case, what we did with AlphaGo,

Megalkottuk az AlphaGo-t,

is it basically learned for itself,

amelyik aztán önfejlesztéssel

by playing millions and millions of games against itself,

és sok millió játékkal önmaga ellen

ideas about Go, the right strategies.

ötleteket gyűjtött a góról, kialakította a megfelelő stratégiáit.

And in fact invented its own new strategies

Feltalálta saját új stratégiáit,

that the Go world had never seen before,

amelyeket a govilág nem ismert,

even though we've played Go for more than,

annak ellenére,

you know, 2,000 years,

hogy több mint 2000 éve játsszuk a gót,

it's the oldest board game in existence.

ez a legrégebbi társasjáték.

Eléggé megdöbbentő volt.

So, you know, it was pretty astounding.

Not only did it win the match,

Nemcsak megnyerte a meccset,

it also came up with brand new strategies.

hanem vadonatúj stratégiákat is kitalált.

CA: And you continued this with a new strategy

CA: Új stratégiával folytattátok,

of not even really teaching it anything about Go,

nem tanítottatok semmit a góról,

but just setting up systems

hanem csak alapszabályokat adtatok meg,

that just from first principles would play

hogy a semmiből tanuljanak meg

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

gót játszani vagy sakkozni.

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

Mesélj az AlphaZeróról és a sakk akkori bámulatos világáról.

DH: So following this, we started with AlphaGo

DH: Ezt követően az AlphaGo-val úgy kezdtük,

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

hogy megadtuk az összes emberi internetes játékot.

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

Ez volt az induló tudásbázisa.

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

Aztán látni akartuk, mi történik, ha az alapoktól indulunk,

from literally random play.

szó szerint véletlenszerű játékból.

So this is what AlphaZero was.

Ez volt az AlphaZero.

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

Ezért van a zéró a névben,

because it started with zero prior knowledge

mert zéró előzetes ismerettel indult.

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

Az volt a szándékunk,

hogy általánosabb rendszert hozzunk létre.

that was more general.

So AlphaGo could only play Go,

Tehát az AlphaGo csak gót játszhatott,

but AlphaZero could play any two-player game,

de az AlphaZero már bármilyen kétfős játékot.

and it did it by playing initially randomly

Kezdetben véletlenszerűen játszott,

and then slowly, incrementally improving.

majd fokozatosan javította önmagát.

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

Nem túl lassan, 24 órán belül

going from random to better than world-champion level.

a véletlenszerűtől haladtunk a világbajnokinál jobb szintre.

CA: And so this is so amazing to me.

CA: Ez annyira elképesztő!

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

Jobban ismerem a sakkot, mint a gót.

And for decades,

Évtizedekig MI szakértők ezrei dolgoztak

thousands and thousands of AI experts worked on building

hihetetlen sakkszámítógépek létrehozásán.

incredible chess computers.

Eventually, they got better than humans.

Végül jobbak lettek, mint az emberek.

You had a moment a few years ago,

Néhány évvel ezelőtt volt egy pillanat,

where in nine hours,

amikor kilenc óra alatt

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

az AlphaZero jobban megtanította magát sakkozni, mint bármelyik előző rendszer.

Talk about that.

Beszélj erről!

DH: It was a pretty incredible moment, actually.

DH: Igazából eléggé hihetetlen pillanat volt.

So we set it going on chess.

Sakkra állítottuk be.

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

Ahogy említetted, a sakknak és a MI-nek gazdag története van,

where there are these expert systems that have been programmed

ahol vannak szakértői rendszerek,

with these chess ideas, chess algorithms.

amelyeket sakk-ötletekkel, sakk-algoritmusokkal programoztak.

And you have this amazing, you know,

Hihetetlenül hangzik,

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

de világosan emlékszem erre a napra, amikor leültem reggel

starting off random, you know, in the morning,

a véletlenszerűen induló rendszerrel,

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

kávészünetet tartottam, még mindig győztem.

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

Ebédidőre már csak majdnem.

And then you let it go for another four hours.

Aztán ismét eltelt négy óra.

And by dinner,

Vacsoraidőre kész volt

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

a legnagyobb sakkjátékos, amely valaha létezett.

And, you know, it's quite amazing,

Eléggé elképesztő élőben megfigyelni

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

valami jól ismert játékot,

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

pl. a sakkot, amelyben szakértők vagyunk,

and actually just seeing that in front of your eyes.

és valójában a szemed előtt bontakozik ki.

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

Aztán extrapolálunk, hogy mit tehetne a tudományban vagy valami másban,

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

a játékok persze csak a cél elérésének eszközei voltak.

They were never the end in themselves.

Önmagukban soha nem jelentették a célt.

They were just the training ground for our ideas

Csak az ötleteink kiképző területe volt,

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

hogy gyorsan haladjunk,

less than five years actually went from Atari to Go.

kevesebb mint öt év telt el az Atari és a go között.

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

CA: Ezért félünk az MI-től,

and also kind of terrified by it.

és rémülnek meg tőle.

I mean, it's not just incremental improvement.

Ez nem csak fokozatos javulás.

The fact that in a few hours you can achieve

Néhány óra alatt elérhető az,

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

amire embermilliók évszázadok alatt képtelenek voltak.

That gives you pause for thought.

Ettől megáll az eszünk!

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

DH: Igen, ez rendkívül erős technológia.

It's going to be incredibly transformative.

Hihetetlenül átalakító lesz.

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

Megfontoltan kell használjuk ezt a képességét.

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

CA: Beszélj a felhasználásáról,

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

mert ez munkátok újabb kibővítése,

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

ahol most valamit hihetetlenül hasznossá alakítasz a világnak.

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

Mit jelentenek a bal és a jobb oldali betűk?

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

DH: Gyerekkoromtól az MI-vel mindig az volt a célom,

which is to use it to accelerate scientific discovery.

hogy tudományos felfedezések felgyorsítására használjuk.

And actually, ever since doing my undergrad at Cambridge,

Cambridge-i diplomám megszerzése óta

I had this problem in mind one day for AI,

mindennap foglalkoztatott az MI-vel kapcsolatban

it's called the protein-folding problem.

az ún. fehérjehajtogatási probléma.

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

Ez 50 éves nagy kihívás a biológiában.

And it's very simple to explain.

Roppant egyszerű megmagyarázni.

Proteins are essential to life.

A fehérjék nélkülözhetetlenek az élethez.

They're the building blocks of life.

Ők az élet építőkövei.

Everything in your body depends on proteins.

A testben minden a fehérjéktől függ.

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

A fehérjét az aminosav-szekvenciája írja le,

which you can think of as roughly the genetic sequence

amelyet nagyjából a fehérjét leíró genetikai szekvenciának tekinthetünk.

describing the protein, so that are the letters.

A betűkkel ezeket jelöljük.

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

CA: E betűk mindegyike összetett molekulát jelöl?

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

DH: Így van, a betűk mindegyike aminosav.

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

Úgy képzeld el őket, mint egy gyöngyfűzért;

there at the bottom, left, right?

ott alul, balra, látod?

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

De a természetben, a testedben vagy egy állatban

this string, a sequence,

ez a gyöngysor, a szekvencia

turns into this beautiful shape on the right.

a jobb oldalon látható gyönyörű alakot ölti.

That's the protein.

Ez a fehérje.

Those letters describe that shape.

A betűk a formáját írják le.

And that's what it looks like in nature.

Így néz ki a természetben.

And the important thing about that 3D structure is

A 3D szerkezet lényege,

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

hogy a fehérje 3D-s szerkezete megmondja,

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

mi a funkciója a testben, mit csinál.

And so the protein-folding problem is:

Tehát a fehérjehajtogatási probléma a következő:

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

Meg tudjuk-e jósolni a 3D szerkezetet közvetlenül az aminosav-szekvenciából?

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

Tehát ha megadjuk a gépnek, az MI rendszernek

the letters on the left,

a bal oldali betűket,

can it produce the 3D structure on the right?

képes lesz-e létrehozni a jobb oldali 3D szerkezetet?

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

Az AlphaFold programunk ezt tudja.

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

CA: Nem a betűkből számítja ki,

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

hanem más ismert hajtogatott fehérjék mintáit vizsgálja meg,

and somehow learning from those patterns

és ezekből a mintákból tanulja,

that this may be the way to do this?

ez lehet a módszere?

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

DH: Amikor közvetlenül az AlphaGo után elkezdtük a projektet,

I thought we were ready.

azt hittem, készen állunk.

Once we'd cracked Go,

Miután megoldottuk a gót,

I felt we were finally ready after, you know,

úgy éreztem, végre készen állunk,

almost 20 years of working on this stuff

miután majdnem 20 évig ezen a kérdésen dolgoztunk,

to actually tackle some scientific problems,

hogy tudományos problémával foglalkozzunk,

including protein folding.

a fehérjehajtogatással is.

And what we start with is painstakingly,

Szorgalmas munkával kezdtük,

over the last 40-plus years,

az elmúlt több mint 40 évben

experimental biologists have pieced together

kísérleti biológusok

around 150,000 protein structures

kb. 150 000 fehérjeszerkezetet állítottak össze

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

nagyon bonyolult röntgen- krisztallográfiai technikákkal

and other complicated experimental techniques.

és egyéb bonyolult kísérleti technikákkal.

And the rule of thumb is

Az általános szabály az,

that it takes one PhD student their whole PhD,

hogy egy doktorandusz teljes PhD-jét,

so four or five years, to uncover one structure.

vagyis négy-öt évet vesz igénybe, hogy feltárjon egy szerkezetet.

But there are 200 million proteins known to nature.

De a természetben 200 millió fehérje ismert.

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

Ez örök feladatnak tűnt.

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

Nekünk sikerült az AlphaFold használatával egy év alatt összehajtani

all those 200 million proteins known to science.

mind a 200 millió tudományosan ismert fehérjét.

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

Tehát ez egymilliárd év PhD időt takarított meg.

(Applause)

(Taps)

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

CA: Lenyűgöz, hogy mennyire megbízhatóan működik.

I mean, this shows, you know,

Ebből látjuk,

hogy a modell készen áll, csak kísérletezzünk vele!

here's the model and you do the experiment.

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

Biztos, hogy a fehérje ugyanígy alakul ki.

Times 200 million.

200 milliószor.

DH: And the more deeply you go into proteins,

DH: És minél mélyebben belemerülünk a fehérjékbe,

you just start appreciating how exquisite they are.

elkezdjük értékelni, milyen finomak.

I mean, look at how beautiful these proteins are.

Nézd meg, milyen szépek ezek a fehérjék.

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

Mindegyik különleges funkciót tölt be a természetben.

And they're almost like works of art.

Szinte műalkotások.

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

Ma is elámulok, hogy az AlphaFold remekül képes megjósolni –

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

a zöld az alapigazság, a kék pedig az előrejelzés –,

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

hogy az atom átlagos szélességén belül van-e,

is how accurate the prediction is,

mennyire pontos az előrejelzés.

which is what is needed for biologists to use it,

A biológusoknak ez kell

and for drug design and for disease understanding,

a gyógyszertervezéshez és a betegségek megértéséhez,

which is what AlphaFold unlocks.

amit az AlphaFold feltár.

CA: You made a surprising decision,

CA: Meglepő döntést hoztál:

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

szabadon elérhetővé tetted 200 millió fehérje tényleges eredményeit.

DH: We open-sourced AlphaFold and gave everything away

DH: Nyílt forráskódúvá tettük az AlphaFold-ot.

on a huge database with our wonderful colleagues,

Mindent hatalmas adatbázisba adtunk át

az Európai Bioinformatikai Intézetben dolgozó csodálatos kollégáinknak.

the European Bioinformatics Institute.

(Applause)

(Taps)

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

CA: A Google része vagy.

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

Felhívtak telefonon: „Szia, Demis, éppen mit csináltál?”

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

DH: Szerencsés vagyok, mert a Google

Google's really supportive of science

valóban támogatja a tudományt,

and understand the benefits this can bring to the world.

és megértik, milyen előnyökkel járhat ez a világnak.

And, you know, the argument here

Az az érdemi része ennek,

was that we could only ever have even scratched the surface

soha a közelében sem jártunk a lehetőségnek,

of the potential of what we could do with this.

amelyre ezzel képesek vagyunk.

This, you know, maybe like a millionth

Ez talán milliomod része annak,

of what the scientific community is doing with it.

amit a tudományos közösség elér vele.

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

Világszerte több mint másfél millió biológus használta az AlphaFoldot

have used AlphaFold and its predictions.

és az előrejelzéseit.

We think that's almost every biologist in the world

Valószínűleg a világ szinte minden biológusa

is making use of this now, every pharma company.

és gyógyszergyártója használja.

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

Valószínűleg soha nem fogjuk tudni, mi az egésznek a teljes hatása.

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

CA: De a munkát új cégnél folytatod,

that's spinning out of Google called Isomorph.

amely a Google-ból indul ki, Isomorph néven.

DH: Isomorphic.

DH: Isomorphic.

CA: Isomorphic.

CA: Isomorphic.

Give us just a sense of the vision there.

Magyarázd el az ottani munka tartalmát!

What's the vision?

Mi az elképzelésed?

DH: AlphaFold is a sort of fundamental biology tool.

DH: Az AlphaFold alapvető biológiai eszköz.

Like, what are these 3D structures,

Mik ezek a 3D struktúrák,

and then what might they do in nature?

és akkor mit tehetnek a természetben?

And then if you, you know,

Ami engem igazán lázba hozott,

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

ezért gondoltam rá,

is that this is the beginnings of understanding disease

mert ez a betegségek megértésének kezdete,

and also maybe helpful for designing drugs.

és talán hasznos lehet a gyógyszertervezésben is.

So if you know the shape of the protein,

Tehát, ha ismerjük a fehérje alakját,

and then you can kind of figure out

akkor rájöhetünk,

which part of the surface of the protein

hogy a fehérje felszínének melyik részét

you're going to target with your drug compound.

célozzuk meg a gyógyszervegyületünkkel.

And Isomorphic is extending this work we did in AlphaFold

Az Isomorphic pedig kiterjeszti az AlphaFold-ban végzett munkát

into the chemistry space,

a kémiai térbe,

where we can design chemical compounds

ahol olyan kémiai vegyületeket tervezhetünk,

that will bind exactly to the right spot on the protein

amelyek a fehérje pontosan megfelelő helyéhez kötődnek,

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

és ami a legfontosabb, semmi máshoz a testben.

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

Nincs mellékhatása, és nem mérgező és így tovább.

And we're building many other AI models,

Több MI modellt építünk,

sort of sister models to AlphaFold

AlphaFold testvérmodelleket,

to help predict,

hogy segítsünk megjósolni,

make predictions in chemistry space.

előrejelzéseket készíteni a kémiai térben.

CA: So we can expect to see

CA: Tehát számíthatunk néhány

some pretty dramatic health medicine breakthroughs

elég drámai egészségügyi áttörésre

az elkövetkező néhány évben.

in the coming few years.

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

DH: Azt hiszem, képesek leszünk évekről hónapokra csökkenteni

from years to maybe months.

a gyógyszerfeltalálás idejét.

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

CA: Demis, szeretnék kissé témát váltani.

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

Közös barátunk, Liv Boeree tavaly beszédet tartott a TEDAI-on,

that she called the “Moloch Trap.”

„Moloch-csapda” címmel.

The Moloch Trap is a situation

A Moloch-csapda olyan helyzet,

where organizations,

amikor versenyhelyzetben lévő szervezeteket,

companies in a competitive situation can be driven to do things

vállalatokat arra lehet ösztönözni, hogy olyasmiket tegyenek,

that no individual running those companies would by themselves do.

amiket az ilyen cégeket működtető egyének saját maguk meg sem tennének.

I was really struck by this talk,

Nagyon megdöbbentett a beszéde,

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

és laikus megfigyelőként úgy éreztem,

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

hogy a Moloch-csapda megdöbbentően érvényben volt az elmúlt pár évben.

So here you are with DeepMind,

Tehát itt vagy a DeepMind-dal,

sort of pursuing these amazing medical breakthroughs

hajtod ezeket a csodálatos orvosi

and scientific breakthroughs,

és tudományos áttöréseket,

and then suddenly, kind of out of left field,

aztán hirtelen balról bevágódik

OpenAI with Microsoft releases ChatGPT.

az OpenAI a Microsofttal, kiadja a ChatGPT-t.

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

A világ megőrül, és hirtelen azt mondja: „Te jó ég! Az MI-t...”

you know, everyone can use it.

Mindenki használhatja!

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

Úgy éreztem, mintha a Moloch-csapda működne.

I think Microsoft CEO Satya Nadella actually said,

Satya Nadella, a Microsoft vezérigazgatója azt mondta:

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

„A Google a 400 kilós gorilla a keresőtérben.

We wanted to make Google dance."

Rá akarjuk beszélni, a Google-t, hogy táncoljon.”

How ...?

Hogyan...?

And it did, Google did dance.

Végül megtette, a Google táncolt.

There was a dramatic response.

Drámai válasz érkezett.

Your role was changed,

A szereped megváltozott,

you took over the whole Google AI effort.

átvetted a Google MI teljes erőfeszítését.

Products were rushed out.

A termékeket sürgették.

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

A Gemini valami csodálatos, részben kínos.

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

Nem fogok a Geminiről kérdezni, mert máshol is foglalkoztál vele.

But it feels like this was the Moloch Trap happening,

Talán a Moloch-csapda volt az,

hogy téged és másokat olyan dolgokra kényszerítettek,

that you and others were pushed to do stuff

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

amelyeket nem tettetek volna ilyen katalizáló versengés nélkül.

Meta did something similar as well.

A Meta is valami hasonlót tett.

They rushed out an open-source version of AI,

Hirtelen kiadták az MI nyílt forráskódú verzióját,

which is arguably a reckless act in itself.

ami önmagában vitathatatlanul meggondolatlan cselekedet.

This seems terrifying to me.

Ez engem megrémiszt.

Is it terrifying?

Szerinted is az?

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

DH: Ez bonyolult téma.

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

Sok mindent el kell mondani róla.

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

Először is, sok nagy nyelvi modellen dolgoztunk.

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

Tény, hogy a Google kutatása feltalálta a Transformerst,

as you know,

ez volt az az architektúra,

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

amely lehetővé tette, hogy mindez megvalósuljon

five, six years ago.

öt-hat évvel ezelőtt.

And so we had many large models internally.

Sok nagy belső modellünk volt.

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

A ChatGPT megjelenése változást hozott,

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

méltányos, hogy megtették, bizonyítani akartak,

I think somewhat surprisingly to themselves as well,

kissé meglepő módon maguknak is,

that the public were ready to,

hogy a nyilvánosság készen áll rá,

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

hogy a nagyközönség kész volt elfogadni ezeket a rendszereket,

and actually find value in these systems.

és értéket találni bennük.

Lenyűgöző e rendszereken dolgoznunk,

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

leginkább a hibákra és arra összpontosítunk, amit nem csinálnak,

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

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

hallucinációkra és olyasmikre, amiket mindannyian ismertek.

We're thinking, you know,

Arra gondoltunk,

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

akad valaki, aki hasznosnak találná, mert ezt és azt teszi?

And we would want them to improve those things first,

Szeretnénk, ha előbb javítanának ezeket a dolgokon,

before putting them out.

mielőtt kiadjuk őket.

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

De érdekes módon kiderült, hogy még a hibákkal együtt is

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

sok tízmillióan találják nagyon hasznosnak.

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

Ez érdekes értesülés volt a termékek és a tudomány konvergenciájáról,

and the science that actually,

hogy mindezek a csodálatos dolgok,

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

amelyeket a laborban hoztunk létre,

are actually ready for prime time for general use,

tényleg készen állnak az általános használatra

beyond the rarefied world of science.

a tudomány titokzatos világán túl is.

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

Ez sok szempontból nagyon izgalmas.

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

CA: Jelenleg izgalmas termékválasztékunk van,

which we're all enjoying.

amelyet mindannyian élvezünk.

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

Az általános MI dolog csodálatos.

But let's roll the clock forward a bit.

De tekerjük előre kicsit az időt.

Microsoft and OpenAI are reported to be building

A Microsoft és az OpenAI a jelentések szerint

or investing like 100 billion dollars

mintegy 100 milliárd dollárt fektet be

into an absolute monster database supercomputer

egy abszolút gigantikus adatbázis-szuperszámítógépbe,

that can offer compute at orders of magnitude

amely nagyságrenddel többet tud kínálni,

more than anything we have today.

mint bármi mai létező.

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

Becslések szerint öt gigawatt energia kell a működtetéséhez.

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

Ez New York nagyságrendű energia egy adatközpont működtetéséhez.

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

Ennyi energiát pumpálunk az óriási agyba.

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

Feltételezem, hogy a Google megfelel ilyen típusú befektetéseknek.

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

DH: Nem a konkrét számainkról beszélünk,

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

de idővel ennél többet fektetünk be.

So, and that's one of the reasons

Ez az egyik oka annak, hogy 2014-ben

we teamed up with Google back in 2014,

együttműködtünk a Google-lal,

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

sejtettük, hogy az AGI-hoz jussunk,

we would need a lot of compute.

sok számításra lesz szükségünk.

And that's what's transpired.

Ez így is alakult.

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

A Google-nak, volt és még mindig a legtöbb számítógépe van.

CA: So Earth is building these giant computers

CA: A Föld óriási számítógépeket épít,

that are going to basically, these giant brains,

ezek az óriási agyak fogják működtetni

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

a jövő gazdaságának nagy részét.

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

Ezt egymással versengő vállalatok teszik.

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

Hogyan kerüljük el azt a helyzetet, amikor valaki vezető helyzetbe jutva

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

a más dolgába fektet be 100 milliárd dollárt?

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

Nem fogják azt mondani:: „Várj egy percet.

If we used reinforcement learning here

Ha itt a megerősítő tanulást használnánk,

to maybe have the AI tweak its own code

hogy az MI módosítsa a saját kódját,

and rewrite itself and make it so [powerful],

és újraírja magát, és olyan erőssé tesszük,

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

hogy a hétvégére kilenc óra múlva

képesek leszünk utolérni őket.

with what they're doing.

Roll the dice, dammit, we have no choice.

Kockáztassunk, a fenébe, nincs más választásunk!

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

Másképp elveszítjük a részvényeseink vagyonát.”

How are we going to avoid that?

Hogyan fogjuk ezt elkerülni?

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

DH: Ezt nyilván el kell kerülnünk.

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

Ahogy közelebb kerülünk az AGI-hez,

we need to collaborate more.

jobban együtt kell működjünk.

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

A jó hír az, hogy a laborokban munkálkodó tudósok zöme

know each other very well.

nagyon jól ismeri egymást.

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

Sokat beszélünk egymással konferenciákon és máskor.

And this technology is still relatively nascent.

Ez a technológia még mindig viszonylag kialakulóban van.

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

Valószínűleg rendben van, ami jelenleg történik.

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

De ahogy közelebb kerülünk az AGI-hez,

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

társadalomként el kell gondolkodnunk a felépülő architektúrák típusairól.

So I'm very optimistic, of course,

Természetesen egészen optimista vagyok,

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

ezért dolgoztam egész életemben az MI-n és az AGI-n.

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

De gyanítom, hogy sokféleképpen lehet biztonságosan, robusztusan,

reliably and in an understandable way.

megbízhatóan és érthető módon építeni.

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

Szinte biztosan lesznek szerkezetépítő módszerek,

amelyek valamiért nem biztonságosak vagy kockázatosak.

that are unsafe or risky in some form.

So I see a sort of,

Szűk keresztmetszeten

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

kell átjuttatnunk az emberiséget,

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

amely biztonságos első típusú AGI-rendszer architektúrákat épít.

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

Aztán tanúi lehetünk

többféle rendszer virágzásának,

a flourishing of many different types of systems

de talán megválunk azoktól a biztonságos architektúráktól,

that are perhaps sharded off those safe architectures

amelyek működésükhöz ideális esetben

that ideally have some mathematical guarantees

matematikai vagy legalábbis gyakorlati garanciát nyújtottak.

or at least some practical guarantees around what they do.

CA: Do governments have an essential role here

CA: Vajon alapvető szerepük van a kormányoknak,

to define what a level playing field looks like

hogy meghatározzák az egyenlő versenyfeltételeket,

and what is absolutely taboo?

és azt, mi abszolút tabu?

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

DH: Ez nem csak arról szól...

actually I think government and civil society

A kormánynak, a civil társadalomnak,

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

az akadémiai köröknek és az egész társadalomnak fontos szerepe van abban,

to shape, along with industry labs,

hogy az ipari laborokkal együtt meghatározzák,

what that should look like as we get closer to AGI

hogy vezessük be az AGI-t,

and the cooperation needed and the collaboration needed,

mindezt összefogva és együttműködve,

to prevent that kind of runaway race dynamic happening.

hogy megakadályozzuk az elszabaduló versenydinamikát.

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

CA: Úgy hangzik, hogy optimista maradsz.

What's this image here?

Mi ez a kép itt?

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

DH: Ez az egyik kedvenc képem.

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

A mindentudás fájának nevezem.

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

Sokat beszéltünk a tudományról,

and a lot of science can be boiled down to

és sok tudományt leszűkíthetünk,

if you imagine all the knowledge that exists in the world

ha a világban létező összes tudást

as a tree of knowledge,

a tudás fájaként képzeljük el,

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

és talán azt, amit ma civilizációként ismerünk,

small subset of that.

az ennek kis részhalmaza.

And I see AI as this tool that allows us,

Az MI-t úgy látom, mint azt az eszközt, amely lehetővé teszi

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

nekünk tudósoknak, hogy egy nap felfedezzük az egész fát.

And we have this idea of root node problems

Vannak gyökércsomópont- probléma ismereteink, –

that, like AlphaFold, the protein-folding problem,

mint például az AlphaFold, a fehérjehajtogatási probléma –,

where if you could crack them,

amelyeket ha megoldunk,

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

a felfedezés vagy új kutatás teljesen új ágát nyitja meg.

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

Erre próbálunk összpontosítani a DeepMind-nál

and Google DeepMind to crack those.

és a Google DeepMind-nál, hogy ezeket feltörjük.

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

Ha ez sikerül, akkor hihetetlen

in this incredible new era of radical abundance,

radikális bőségben élhetünk,

curing all diseases,

meggyógyítjuk az összes betegséget,

spreading consciousness to the stars.

és a tudatosságot a csillagokig terjeszthetjük.

You know, maximum human flourishing.

Maximális emberi jólétet jelent.

CA: We're out of time,

CA: Elfogyott az időnk,

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

de mi az utolsó álompéldád, áhított kérdésed,

this dream question that you think there is a shot

amelyre szerinted van esély,

that in your lifetime AI might take us to?

ahova az MI elvezethet minket még életünk során?

DH: I mean, once AGI is built,

DH: Amint az AGI kiépül,

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

megpróbálom használni

the fundamental nature of reality.

a valóság alapvető természetének megértésére.

So do experiments at the Planck scale.

Tehát végezzen kísérleteket Planck-skálán.

You know, the smallest possible scale, theoretical scale,

Ez a lehető legkisebb skála, elméleti skála,

which is almost like the resolution of reality.

amely majdnem olyan, mint a valóság felbontása.

CA: You know, I was brought up religious.

CA: Vallásosan nevelkedtem.

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

A Bibliában a tudás fájáról van egy történet,

that doesn't work out very well.

amely nem túl jól alakult.

(Laughter)

(Nevetés)

Is there any scenario

Van-e olyan forgatókönyv,

where we discover knowledge that the universe says,

amikor felfedezzük a tudást, de az univerzum azt mondja:

"Humans, you may not know that."

„Emberek, ezt talán nem tudjátok.”

DH: Potentially.

DH: Lehetséges.

I mean, there might be some unknowable things.

Lehet, hogy vannak megismerhetetlen dolgok.

But I think scientific method is the greatest sort of invention

De a tudományos módszer

a valaha létezett legnagyobb emberi találmány.

humans have ever come up with.

You know, the enlightenment and scientific discovery.

A felvilágosodás és a tudományos felfedezés

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

építette fel körülöttünk a hihetetlen modern civilizációt

and all the tools that we use.

és az összes eszközt, amelyet használunk.

So I think it's the best technique we have

Úgy gondolom, hogy ez a legjobb technika

for understanding the enormity of the universe around us.

a körülöttünk lévő univerzum hatalmasságának megértéséhez.

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

CA: Demis, te már megváltoztattad a világot.

I think probably everyone here will be cheering you on

Itt mindenki csodálja erőfeszítésed,

in your efforts to ensure that we continue to accelerate

hogy továbbra is a helyes irányba gyorsuljunk.

in the right direction.

DH: Thank you.

DH: Köszönöm.

CA: Demis Hassabis.

CA: Demis Hassabis.

(Applause)

(Taps)