سيكويا تلتقي هاسابيس: المعلومات هي جوهر الكون، والذكاء الاصطناعي سيفتح فروع علمية جديدة

مراجعة المحتوى:瓜哥 AI المعرفة الجديدة

تم تنظيم محتوى هذا المقال من مقابلة مع Demis Hassabis على قناة Sequoia Capital، نُشرت علنًا في 29 أبريل 2026.

ملخص المحتوى: مقابلة مع Demis Hassabis في AI Ascent 2026 من Sequoia Capital

علاقة الذكاء الاصطناعي والألعاب: الألعاب هي أفضل ساحة تجريب للذكاء الاصطناعي. من خلال جعل AI جوهر أسلوب اللعب، يمكن التحقق بشكل فعال من تصورات الخوارزميات، كما يمكن أن توفر دعمًا مبكرًا للحوسبة اللازمة لتطوير التقنية.

نظرية “الفرصة في ريادة الأعمال”: يجب أن تكون ريادة الأعمال “متقدمة بخمس سنوات على العصر، وليس خمسين سنة”. من الضروري التقاط التوازن بين الاختراقات التقنية واحتياجات التطبيق العملي، فالتقدم المبكر جدًا غالبًا ما يصعب النجاح.

مسار تطور الذكاء الاصطناعي العام (AGI): مهمة DeepMind واضحة وثابتة — الخطوة الأولى، بناء ذكاء اصطناعي عام (AGI)؛ الخطوة الثانية، استخدام AGI لحل جميع المشكلات المعقدة، بما في ذلك العلمية والطبية.

القيمة الأساسية لـ “الذكاء الاصطناعي من أجل العلم”: AI هو اللغة المثالية لوصف الأحياء والأنظمة الطبيعية المعقدة. مع استخدام AI في المحاكاة، من المتوقع أن ينخفض زمن تطوير الأدوية الجديدة من سنوات إلى أسابيع، وربما يتحقق الطب الشخصي الحقيقي.

ولادة تخصص علمي جديد: تعقيد أنظمة AI نفسها سيؤدي إلى ظهور علوم هندسية جديدة مثل “قابلية تفسير الآليات”. في الوقت ذاته، ستسمح تقنيات المحاكاة المدفوعة بالذكاء الاصطناعي بإجراء تجارب خاضعة للرقابة على أنظمة اجتماعية معقدة، مما يفتح فروع علمية جديدة.

المعلومات جوهر الكون: المادة والطاقة والمعلومات يمكن أن تتبادل التحول. قد يكون جوهر الكون نظام معالجة معلومات ضخم، مما يمنح AI أهمية عميقة في فهم قوانين تشغيل الكون الأساسية.

حدود حساب آلة تورنغ: أثبتت الشبكات العصبية وغيرها من أنظمة AI الحديثة أن آلة تورنغ الكلاسيكية كافية لمحاكاة المشكلات التي كان يُعتقد أن الحلول تتطلب الحوسبة الكمومية (مثل طي البروتينات). دماغ الإنسان، على الأرجح، هو نوع من آلة تورنغ عالية التقريب.

الفلسفة وراء الوعي: ربما يتكون الوعي من مكونات مثل الإدراك الذاتي، استمرارية الزمن، وغيرها. في مسيرة الوصول إلى AGI، يجب أن نعتبره أداة قوية أولاً، ونستخدمها لاستكشاف المسألة الفلسفية الكبرى “الوعي”.

ملخص المحتوى

شارك Demis Hassabis، المؤسس المشارك والرئيس التنفيذي لـ Google DeepMind، الحاصل على جائزة نوبل الكيمياء لعام 2024 بفضل AlphaFold، مع شريك Sequoia Capital Konstantine Buhler في قمة AI Ascent 2026، في حوار شامل وعميق استعرض مسار الوصول إلى AGI ومستقبل ما بعده.

شرح خلال الحوار لماذا يعتقد أنه من الممكن تحقيق AGI بحلول 2030، ولماذا قد يتقلص زمن تطوير الأدوية من عشر سنوات إلى أيام، ولماذا يجب أن نعتبر “المعلومات” وليس المادة أو الطاقة، جوهر الكون وأساسه. كما ناقش كيف سيقيم أينشتاين، لو كان لا يزال حيًا، قيود نماذج AI الحالية، ولماذا ستكون السنة أو السنتان القادمتان حاسمتين لمصير البشرية.

نص المقابلة

المذيع: ديميس، شكراً جزيلاً لمجيئك.

ديميس هاسابيس: سعيد جدًا بوجودي هنا. شكراً للجميع على الحضور، والتواصل هنا معكم أمر رائع.

المذيع: إنه لشرف عظيم أن ندعوك لزيارة مصنع الشوكولاتة الخاص بنا.

ديميس هاسابيس: سمعت عن ذلك للتو. أتطلع لتذوق الشوكولاتة لاحقًا.

المذيع: رائع جدًا. ديميس، دعنا نبدأ مباشرة. اليوم، لدينا ضيف مخضرم في المجال (OG): مفكر أصيل، مؤسس، ورائي بعيد النظر، وهو رائد في جميع مجالات AI. ديميس هو مؤمن مطلق، وعالم بحت.

الخطوط الأساسية والنواة الداخلية لـ Demis

سوف نبدأ حوارنا من قصة تأسيس DeepMind، ثم نغوص في العلم والتكنولوجيا، وأخيرًا نخصص وقتًا لأسئلة الجمهور. فلنبدأ مباشرة.

ديميس، كنت عبقري شطرنج، مؤسس شركة ألعاب، وعالم أعصاب. أنت مؤسس DeepMind، وأنت الآن تقود شركة ضخمة وذات تأثير كبير. هذه الأدوار تبدو متباينة، لكنك قلت أن هناك خطًا داخليًا يربطها دائمًا. هل يمكنك مشاركتنا إياه؟

ديميس هاسابيس: بالتأكيد، هناك خط داخلي، رغم أن الأمر قد يكون نوعًا من التفسير بعد الحدث (post hoc reasoning). لكني كنت أريد دائمًا أن أكون في مجال AI. منذ سن الخامسة عشرة أو السادسة عشرة، كنت أختار مسارات دراسية وأقوم بأشياء بهدف بناء شركة مثل DeepMind يومًا ما.

الألعاب: ساحة تدريب الذكاء الاصطناعي

دخلت صناعة الألعاب بشكل غير مباشر، لأن في التسعينات كانت التقنية الأحدث تتطور هناك. ليس فقط AI، بل أيضًا تقنيات الرسوميات والأجهزة. على سبيل المثال، كانت وحدات معالجة الرسوميات (GPU) التي نستخدمها اليوم أصلاً لتشغيل محركات الرسوم، وكنت أستخدم أقدم نسخها في أواخر التسعينات. جميع الألعاب التي طورتها، سواء كانت لصالح Bullfrog أو شركتي Elixir Studios، كانت تعتمد على AI كجزء أساسي من أسلوب اللعب.

أشهر أعمالي كانت لعبة “المنتزه الترفيهي” (Theme Park) عندما كنت في حوالي 17 عامًا. كانت لعبة محاكاة لمنتزه ترفيهي، حيث يتوافد الآلاف من الشخصيات الصغيرة، ويستخدمون مرافق مختلفة، ويقررون ماذا يشترون من المتاجر. وراء الكواليس، كانت تعمل نموذج كامل لاقتصاد AI. مثل لعبة “مدن المحاكاة” (SimCity)، كانت من أوائل الألعاب التي استخدمت هذا الأسلوب. عندما رأيتها تبيع أكثر من 10 ملايين نسخة، وشاهدت تفاعل اللاعبين مع AI، زاد إصراري على تكريس حياتي للذكاء الاصطناعي.

لاحقًا، توجهت إلى علم الأعصاب، لأستلهم من آليات عمل الدماغ، وأطور أفكارًا خوارزمية جديدة. عندما حانت لحظة تأسيس DeepMind، كانت تراكماتي كلها تتكامل، وكل شيء بدا طبيعيًا. وبالطبع، استخدمنا الألعاب كبيئة تدريب مبكرة للتحقق من تصوراتنا عن AI.

تجربة تأسيس Elixir Studios

المذيع: اليوم، يوجد الكثير من رواد الأعمال، وأنت واحد منهم، لأنك أسست شركتين. دعنا نعود إلى تجربتك الأولى مع Elixir Studios. كيف كانت تلك المرحلة؟ رغم أنها ليست أشهر شركاتك، إلا أنها حققت نجاحات كبيرة. كيف قادت تلك الشركة؟ وما الدروس التي تعلمتها حول بناء شركة؟

ديميس هاسابيس: عندما تخرجت من الجامعة، أسست Elixir Studios. كنت محظوظًا لأنني عملت سابقًا في Bullfrog Productions، وهو استوديو أسطوري في صناعة الألعاب، وكان من الأفضل في بريطانيا وأوروبا آنذاك.

كنت أريد أن أوسع حدود AI. في ذلك الوقت، كنت أستخدم تطوير الألعاب كوسيلة لتمويل أبحاث AI، وأتحدى حدود التقنية، وأدمجها مع الإبداع. أعتقد أن هذا النهج لا يزال صالحًا اليوم في أبحاث “السماء الزرقاء” (Blue-sky Research).

أحد الدروس الأهم هو: يجب أن تتقدم بخمس سنوات على العصر، وليس خمسين سنة. في Elixir، حاولنا تطوير لعبة “الجمهورية” (Republic)، التي كانت تحاكي دولة كاملة. كانت اللعبة تسمح للاعبين بتغيير النظام الحاكم، وتحتوي على محاكاة حية لمدن نابضة بالحياة.

تخيل أن ذلك كان في أواخر التسعينات، ومعالجات Pentium فقط. كان طموحًا كبيرًا جدًا، وأدى إلى مشاكل كثيرة.

تعلمت أن التقدم مهم، لكن إذا تقدمت 50 سنة على العصر، ستفشل حتمًا. وعندما يكون شيء واضح للجميع، يكون متأخرًا جدًا للدخول. إذن، التوازن هو المفتاح.

تأسيس DeepMind في 2009

المذيع: حسنًا، لنحذر من التقدم المبكر جدًا. نصل إلى 2009، وأنت متأكد أن AGI ستتحقق. ربما كانت متقدمة بعشر سنوات، وهو أفضل من خمسين. حدثنا عن تلك السنة. كيف أقنعت أفضل المواهب في البداية؟ كيف جعلتهم يصدقون أن ذلك ممكن، رغم أن فكرة AGI كانت تبدو خيالًا علميًا آنذاك؟

ديميس هاسابيس: في ذلك الوقت، أدركنا إشارات مثيرة. كنا نظن أننا متقدمون بخمس سنوات، لكن في الواقع ربما بعشر. كانت تقنيات التعلم العميق (Deep Learning) قد ظهرت حديثًا على يد Jeff Hinton وزملائه، ولم يكن أحد يدرك أهميتها بعد. نحن، من ناحية أخرى، كانت لدينا خبرة قوية في التعلم المعزز (Reinforcement Learning)، واعتقدنا أن دمج هاتين التقنيتين سيحقق قفزات نوعية. قبل ذلك، كانت هاتان التقنيتان تعملان بشكل منفصل، وحتى عندما تم دمجهما، كان ذلك في “مشاكل ألعاب” بسيطة، وليس في تطبيقات حقيقية.

بالإضافة إلى ذلك، رأينا مستقبل الحوسبة (Compute). كانت وحدات GPU ستلعب دورًا كبيرًا. الآن نستخدم TPU، لكن في ذلك الوقت، كانت تسريع الحوسبة صناعة ضخمة. خلال دراستي للدكتوراه وما بعدها، جمعنا فريقًا من علماء الأعصاب الحاسوبي، واستخلصنا من آليات الدماغ أفكارًا وقوانين مهمة، من بينها أن التعلم المعزز يمكن أن يتطور ليصل إلى AGI عبر التوسع في الحجم (Scale).

شعرنا أن لدينا العناصر الأساسية. كنا نعتقد أننا نحرس سرًا عظيمًا، لأنه في الأوساط الأكاديمية والصناعية، لم يكن أحد يعتقد أن AI يمكن أن يحقق إنجازات كبيرة. عندما قررنا التركيز على تطوير AGI، كان الكثيرون ينظرون إلينا بازدراء، معتبرين أن ذلك طريق مسدود، خاصة بعد تجارب التسعينات الفاشلة.

خلال فترة دراستي في MIT، كنت أعتقد أن الطرق التقليدية قد عفا عليها الزمن، لكن في الوقت ذاته، في كامبريدج أو MIT، كانت الطرق القديمة لا تزال سائدة. هذا زاد من إيماني أننا على الطريق الصحيح. حتى لو فشلنا، فسنفشل بطريقة أصيلة، وليس تكرار أخطاء التسعينات. هذا جعلني أؤمن أن الأمر يستحق المحاولة، حتى لو كانت مجرد مغامرة غير مؤكدة.

مهمة DeepMind واستثمار في AGI

المذيع: هل واجهتم مقاومة أو شكوك في البداية؟ وهل كان عليك أن تثبت لنفسك أو لفريقك أن الأمر ممكن؟

ديميس هاسابيس: مهما كانت الظروف، سأظل أكرس حياتي للذكاء الاصطناعي. التطور فاق توقعاتنا، لكنه كان ضمن نطاق توقعاتنا في 2010 — كنا نعتقد أنها رحلة تستغرق 20 سنة.

أعتقد أن تقدمنا كان متوافقًا مع التوقعات، وأننا لعبنا دورًا مهمًا فيه.

حتى لو لم يتطور الأمر بهذه الصورة، فـ AI لا يزال مجالًا صغيرًا، وسأظل متمسكًا به، لأنه أهم تقنية على الإطلاق في نظري. هدفنا واضح منذ البداية: أولًا، فهم الذكاء، أي بناء AGI؛ ثانيًا، استخدامه لحل جميع المشكلات. أؤمن أن هذه التقنية هي أعظم إنجاز يمكن للبشر أن يبتكروه.

هي أداة علمية، وخلق رائع، وأفضل وسيلة لفهم العقل البشري (مثل الوعي، الأحلام، والإبداع). كعالم أعصاب، كنت أفتقد أدوات تحليلية لمثل هذه الأسئلة، وAI أعطانا آلية للمقارنة بين أنظمة مختلفة، كأننا نجري تجارب مضادة.

ثقافة “AI من أجل العلم”

المذيع: دعنا نتحدث عن “AI من أجل العلم”. أنت من أوائل من دخل هذا المجال، ومؤمن به تمامًا، وهو مهمتك الأساسية. كيف أنشأت ثقافة ونموذج عمل في DeepMind ليظل دائمًا في طليعة “AI من أجل العلم”؟

ديميس هاسابيس: هذا هو هدفنا النهائي. بالنسبة لي، الدافع الأساسي هو بناء AI يدفع العلم والطب وفهم العالم. أتبنى “الطريقة الميتا” (Meta Way): نبني أداة نهائية، وعندما تنضج، نستخدمها لتحقيق إنجازات علمية. لقد حققنا إنجازات مثل AlphaFold، وأتوقع أن يظهر المزيد.

DeepMind جعلت هذا هدفًا رئيسيًا. لدينا قسم بقيادة Pushmeet Kohli، منذ حوالي عشر سنوات، بدأ بعد فوز AlphaGo مباشرة، وها نحن الآن في العام العاشر.

كنت أعمل بصمت، أنتظر أن تتطور الخوارزميات وتصبح أكثر عمومية. كانت لعبة Go نقطة تحول؛ أدركنا أن الوقت قد حان لتطبيق هذه الأفكار على مشاكل علمية حاسمة، وبدأنا من التحديات الكبرى.

نؤمن أن هذا هو مستقبل AI الأكثر فائدة. لا شيء أسمى من استخدامه لعلاج الأمراض، وتمديد عمر الإنسان، وتحسين الرعاية الصحية. في السنوات القادمة، ستتألق AI في مجالات مثل المواد، البيئة، والطاقة.

الاختراقات في علم الأحياء وIsomorphic Labs

المذيع: كيف حقق AI تقدمًا في علم الأحياء؟ أنت مندمج بشكل عميق مع Isomorphic Labs، وهو مجال يثير شغفك. منذ البداية، كنت تؤمن أن AI يمكن أن يشفى الأمراض. متى يمكن أن نشهد لحظة “مضيئة” في علم الأحياء، مماثلة للغة أو البرمجة؟

ديميس هاسابيس: أعتقد أن ظهور AlphaFold هو لحظة “مضيئة” خاصة بعلم الأحياء. طي البروتينات وبنيتها ثلاثية الأبعاد كانت مشكلة علمية استمرت 50 عامًا. حلها ضروري لتصميم الأدوية وفهم أساسيات البيولوجيا. لكن، هذا جزء من عملية اكتشاف الأدوية، وليس كل شيء.

شركتنا الجديدة، Isomorphic Labs، تركز على تطوير تقنيات أساسية في الكيمياء الحيوية والكيمياء، تتيح تصميم مركبات تتوافق تمامًا مع أجزاء معينة من البروتينات. بمجرد أن نعرف شكل البروتين وواجهته، نكون قد حددنا الهدف. بعد ذلك، نحتاج إلى تصميم مركبات تتصل به بقوة، مع تجنب الآثار الجانبية الضارة.

حلمنا النهائي هو أن نحول عملية البحث التي تستغرق 99% من الوقت والجهد إلى محاكاة حاسوبية (In Silico)، ونترك التجارب المختبرية (Wet Lab) فقط للتحقق النهائي. إذا استطعنا ذلك، فسنقصّر مدة اكتشاف الأدوية من سنوات إلى شهور، وربما أيام.

أؤمن أنه بمجرد أن نصل إلى هذا، ستصبح علاج جميع الأمراض ممكنًا. مثل تخصيص الأدوية حسب المريض، ستصبح حقيقة. أعتقد أن قطاع الرعاية الصحية والأدوية سيتغير تمامًا خلال السنوات القليلة القادمة.

المحاكاة وولادة علم جديد

المذيع: رائع جدًا. ذكرت مرارًا “AI من أجل العلم”. هل تعتقد أن AI سيخلق نظامًا علميًا جديدًا تمامًا، مثلما أدت الثورة الصناعية إلى ظهور الديناميكا الحرارية؟ هل ستظهر تخصصات جديدة في نظامنا التعليمي، وإذا كانت كذلك، فكيف ستكون؟

ديميس هاسابيس: أرى أن هناك ثلاثة تطورات رئيسية:

أولًا، فهم وتحليل أنظمة AI نفسها سيصبح تخصصًا هندسيًا كاملًا (Engineering Science). نحن نبني مخلوقات معقدة جدًا، ستتساوى في التعقيد مع عقول البشر. لذلك، يجب أن ندرسها بعمق لفهم آليات عملها، وهو مجال يتطلب أدوات جديدة، ويعد Mechanistic Interpretability مجرد بداية له.

ثانيًا، AI سيفتح أبوابًا علمية جديدة. أحد أكثر المجالات إثارة هو “AI من أجل المحاكاة” (AI for Simulations). أنا مهووس بالمحاكاة؛ جميع ألعابي تعتمد على محاكاة، وAI هو جوهرها. أعتقد أن المحاكاة هي الطريق النهائي لحل مشاكل العلوم الاجتماعية والإنسانية، مثل الاقتصاد.

هذه الأنظمة، مثل الأحياء، تظهر خصائص ناشئة (Emergent Systems)، ويصعب إجراء تجارب متكررة عليها. على سبيل المثال، رفع سعر الفائدة 0.5% يمكن أن يكون له نتائج غير متوقعة، ولا يمكن تكرار التجربة في الواقع. لكن، إذا استطعنا محاكاة هذه الأنظمة بدقة، يمكننا إجراء تحليلات استنتاجية موثوقة، وخلق علم جديد.

أؤمن أن هذا سيمكننا من اتخاذ قرارات أفضل في مجالات غير مؤكدة حاليًا.

ما المطلوب لتحقيق هذه المحاكاة الدقيقة؟ مثل نماذج العالم (World Models). ما هي الاختراقات العلمية والهندسية اللازمة؟

ديميس هاسابيس: أعمل على هذا السؤال منذ فترة. نستخدم بشكل كبير “المحاكيات المتعلمة” (Learning Simulators)، خاصة في مجالات يصعب فهمها رياضيًا أو تكون معقدة جدًا. لا يمكن الاعتماد فقط على برمجة محاكيات مباشرة، لأنها غير دقيقة أو غير شاملة.

لقد طبقنا ذلك على التنبؤات الجوية، مع محاكيات مثل “WeatherNext”، التي تتفوق على أدوات الأرصاد الحالية. لا أضمن أننا نعرف كل شيء، لكن الخطوة الأولى هي فهم الأنظمة المعقدة بشكل أفضل.

حتى في علم الأحياء، نعمل على “خلايا افتراضية” (Virtual Cells)، وهي أنظمة ناشئة ديناميكية. تمامًا كما أن الرياضيات لغة مثالية لوصف الفيزياء، فإن التعلم الآلي سيكون لغة لوصف الأحياء. البيانات الضخمة، والروابط، والعلاقات السببية، كلها تتطلب أدوات جديدة.

عند امتلاك هذه المحاكيات، يمكننا استنتاج قوانين علمية أساسية، مثل معادلات ماكسويل. ربما، يوماً ما، سنكتشف قوانين أساسية من خلال تحليل هذه الأنظمة الناشئة.

ربما، لا توجد قوانين واضحة حتى الآن، لكن إذا كانت موجودة، فهناك فرصة لاكتشافها عبر هذه الطرق.

الكون كمكون أساسي: المعلومات

المذيع: تحدثت عن أن الوحدة الأساسية للكون قد تكون المعلومات، وهو تصور نظري أكثر. كيف ترى ذلك؟ وما معنى ذلك بالنسبة للحوسبة التقليدية، خاصة آلة تورنغ؟

ديميس هاسابيس: بالطبع، يمكن الإشارة إلى معادلة E=mc² وأبحاث أينشتاين، التي تقول إن الطاقة والمادة متكافئتان. لكني أعتقد أن المعلومات لها أيضًا نوع من التكافؤ. يمكن اعتبار المادة، والتنظيم البنيوي، خاصة في الأنظمة التي تقاوم زيادة الإنتروبيا (Resisting Entropy)، على أنها أنظمة معالجة للمعلومات.

أميل إلى أن المعلومات هي الأساس، أكثر من المادة أو الطاقة. هذا يتوافق مع رأي بعض الفيزيائيين في عشرينيات القرن الماضي، الذين اعتقدوا أن المادة والطاقة هما الأساس. أنا أرى أن فهم الكون على أنه نظام معلوماتي هو الطريقة الأفضل لفهمه.

إذا كان الأمر كذلك، فإن AI سيكون أداة أساسية، لأنها تتعلق بتنظيم وفهم المعلومات، وبناء الكائنات المعلوماتية.

برأيي، جوهر AI هو معالجة المعلومات. عندما نعتبر المعلومات كوسيلة لفهم العالم، نكتشف علاقات عميقة بين مجالات مختلفة.

هل يمكن لآلة تورنغ التقليدية أن تحسب كل شيء؟

ديميس هاسابيس: أحيانًا أعتبر نفسي “مدافعًا عن تورنغ”، لأن آلان تورنغ هو بطلي العلمي. أؤمن أن عمله وضع أساس الحوسبة والذكاء الاصطناعي. نظرية آلة تورنغ تقول إن أي شيء يمكن حسابه، يمكن أن يُحاكى بواسطة آلة بسيطة. أعتقد أن دماغ الإنسان هو نوع من آلة تورنغ عالية التقريب.

التفكير في علاقة آلة تورنغ والأنظمة الكمومية ممتع. عبر AlphaGo وAlphaFold، أظهرنا أن الشبكات العصبية، التي تبدو حديثة، يمكن أن تحاكي مشكلات كانت تتطلب سابقًا الحوسبة الكمومية، مثل طي البروتينات، التي تتطلب التفاعلات الكمومية.

لكن، ثبت أن الحلول التقليدية، باستخدام أنظمة كلاسيكية، يمكن أن تعطي تقريبًا الحلول المثلى. إذن، ربما، العديد من العمليات التي اعتقدنا أنها تتطلب الحوسبة الكمومية، يمكن محاكاتها بواسطة أنظمة كلاسيكية، إذا كانت الطرق مناسبة.

الفلسفة حول الوعي

المذيع: تعتبر AI أداة، مثل التلسكوبات والمجاهر والأبراج (Astrolabe) التي استخدمها الإنسان عبر التاريخ. لكن، عندما تصل آلة إلى مستوى يمكنها أن تحاكي كل شيء، وحتى تفسر أنظمة كمومية، متى ستتجاوز كونها أداة، وتصبح كائنًا مستقلًا؟

ديميس هاسابيس: أعتقد أن الطريق إلى AGI هو رحلة، ونحن نؤمن أن أفضل طريقة هي بناء أداة ذكية جدًا، ثم ننتقل إلى مرحلة أخرى. هذه الأداة قد تصبح أكثر استقلالية، وتكتسب صفات كائن ذكي، وهو ما نراه اليوم.

لكن، هل ستتمكن من أن تكون ذات إرادة (Agency)؟ هل ستشعر بالوعي؟ هذه أسئلة عميقة، ويجب أن نواجهها. أرى أن علينا أن نستخدم الأدوات التي نبنيها الآن، لاستكشاف هذه المفاهيم.

من خلال ذلك، يمكن أن نفهم أدمغتنا ووعينا بشكل أدق، ونقرب فهمنا لمفهوم “الوعي”.

توقعات حول مستقبل الوعي

المذيع: هل لديك تصور تقريبي لتعريف الوعي في المستقبل؟

ديميس هاسابيس: لا، سوى أن الفلاسفة منذ قرون ناقشوا ذلك. ما هو واضح أن بعض المكونات ضرورية، مثل الإدراك الذاتي، استمرارية الزمن، والهوية. هذه ضرورية لأي كائن يبدو واعيًا.

لكن، التعريف الكامل لا يزال غير محسوم. لقد ناقشت مع فلاسفة عظام، مثل دانييل دنت، قبل وفاته. أحد الأسئلة هو: هل يظهر النظام سلوكًا واعيًا؟ مع تقدم أنظمة AI، قد نصل إلى نقطة يكون فيها ذلك ممكنًا.

لكن، لماذا نعتقد أن بعض الكائنات واعية، بينما لا نعرف عن الآخرين؟ أحد الأسباب هو سلوكها، وكيفية أدائها. لكن، هل يمكن أن نعرف ذلك من خلال التجربة الذاتية (Experiential)؟ بعد الوصول إلى AGI، ربما توجد طرق لمعالجة ذلك، لكن ذلك يتجاوز نطاق النقاش اليوم.

الختام والأسئلة السريعة

المذيع: رائع جدًا. سنفتح الآن باب الأسئلة من الجمهور. ذكرت أن الفلاسفة المفضلين لديك هما كانط (Kant) وسبينوزا (Spinoza). كانط يركز على الواجب والأخلاق، وسبينوزا على الحتمية (Determinism). كيف تربط بين هذين المفهومين، وما هو تصورك لآلية عمل العالم؟

ديميس هاسابيس: أحب هذين الفيلسوفين لأن كانط قال شيئًا مهمًا — وأنا أؤمن به منذ دراستي لعلم الأعصاب — وهو أن “العقل يصنع الواقع”. هذا يوضح أن فهمنا للعقل هو المفتاح لفهم العالم. أما سبينوزا، فهو يركز على أن الكون يعمل وفق قوانين حتمية، وهو يربط بين العلم والفلسفة.

عندما أعمل في العلم والذكاء الاصطناعي، أشعر أنني أقرأ لغة الكون، وأحاول فهم كيف يعمل.

المذيع: جميل جدًا. أنت تجمع بين العلم والفلسفة، وتلخص عملك كعالم، ومتحدث، وفيلسوف. قبل أن نختم، دعنا نجيب على بعض الأسئلة السريعة. هل تتوقع أن يتحقق AGI قبل أو بعد 2030؟ وإذا رفضت، فلا بأس.

ديميس هاسابيس: أعتقد أنه قبل 2030، وأؤمن بذلك بقوة.

المذيع: ممتاز. وإذا حققنا AGI، ما هو الكتاب أو المقال أو القصيدة التي تنصح بقراءتها؟

ديميس هاسابيس: أود أن أوصي بـ “نسيج الواقع” (The Fabric of Reality) لديفيد دويش (David Deutsch). أعتقد أن أفكارها لا تزال ذات صلة، وسأستخدم AGI لاحقًا للإجابة على الأسئلة العميقة التي تطرحها.

المذيع: وأخيرًا، ما هو أعظم إنجاز حققته في DeepMind حتى الآن؟

ديميس هاسابيس: بلا شك، AlphaFold.

المذيع: وأخيرًا، إذا كنت تلعب لعبة استراتيجية عالية المخاطر، وتستطيع اختيار عالم واحد كرفيق، من تختار: أينشتاين، تورينج، أو نيوتن؟

ديميس هاسابيس: أختار فون نيومان، لأنه خبير في نظرية الألعاب، وأعتقد أنه الأفضل في ذلك.

المذيع: رائع جدًا. شكراً لك، ديميس، على حضورك ومشاركتك. لنشكر ديميس على حديثه الرائع.