Засновник DeepMind у ексклюзивному інтерв’ю: архітектура AGI, стан агентів та наукові прориви наступного десятиліття

Оригінальна назва відео: Demis Hassabis: Agents, AGI & The Next Big Scientific Breakthrough

Джерело відео: Y Combinator
Переклад: Deep潮 TechFlow

Редакційний вступ

Генеральний директор Google DeepMind, лауреат Нобелівської премії з хімії Demis Hassabis гостює у Y Combinator, обговорює ключові прогреси на шляху до AGI, дає поради підприємцям щодо збереження лідерства, а також де може з’явитися наступний великий науковий прорив.

Найбільш практичним для глибокотехнологічних підприємців є висновок: якщо ви сьогодні запускаєте десяти- або навіть п’ятнадцятирічний проект у цій сфері, потрібно враховувати появу AGI у своїх планах. Крім того, він натякнув, що Isomorphic Labs (виділена з DeepMind компанія з розробки AI для фармацевтики) незабаром зробить важливу заяву.

Влучні цитати

Прогноз і часові рамки для AGI

· «Практично всі сучасні технологічні компоненти майже напевно стануть частиною кінцевої архітектури AGI.»

· «Проблеми безперервного навчання, довгострокового мислення та пам’яті ще не вирішені, і AGI потрібно буде все це зробити.»

· «Якщо ваші часові рамки для AGI приблизно 2030 рік, і ви почали глибокотехнологічний проект сьогодні, потрібно враховувати, що AGI може з’явитися посередині шляху.»

Пам’ять і контекстне вікно

· «Контекстне вікно приблизно відповідає робочій пам’яті. У людей середня робоча пам’ять — сім цифр, тоді як у AI — мільйони або десятки мільйонів токенів у контексті. Але проблема в тому, що ми засмічуємо його всім підряд, включно з непотрібною та помилковою інформацією, і це досі досить грубо.»

· «Якщо потрібно обробляти потік відео в реальному часі і зберігати всі токени, то один мільйон токенів — це приблизно 20 хвилин роботи.»

Недоліки логіки

· «Мені подобається грати в шахи з Gemini. Іноді він усвідомлює, що зробив поганий хід, але не може знайти кращого, і в підсумку робить його. Але точної системи логіки, яка б цього не допускала, ще не створено.»

· «З одного боку, він може вирішувати задачі рівня золотого медаліста IMO, а з іншого — при зміні формул питань робиться помилка, схожа на початкову математику. Внутрішня рефлексія процесу мислення ще потребує розвитку.»

Агент і творчість

· «Щоб досягти AGI, потрібно мати систему, яка може активно допомагати вам у вирішенні проблем. Agent — це шлях, і я вважаю, що ми лише на початку.»

· «Я ще не бачив, щоб хтось створив гру 3A, яка б увійшла до топу в магазині додатків, використовуючи vibe coding. За нинішніх зусиль це цілком можливо, але поки що ні — щось у інструментах або процесах ще бракує.»

Дистиляція і малі моделі

· «Наші припущення такі: новий передовий Pro-модель через півроку або рік після релізу може бути стиснута у дуже маленьку модель, яка працює на периферійних пристроях. Теоретично ми ще не досягли межі інформаційної щільності.»

Наукові відкриття і «Тест Ейнштейна»

· «Іноді я називаю його «Тест Ейнштейна», — чи можливо навчити систему 1901 року знаннями і дати їй самостійно вивести результати, зроблені Ейнштейном у 1905 році, включно з спеціальною теорією відносності. Якщо це вдасться, ці системи вже близькі до створення нових відкриттів.»

· «Розв’язання однієї з головних проблем Millennium Prize — це вже досягнення, але ще складніше — запропонувати нові проблеми, які б вважали глибокими і вартими дослідження все життя, за думкою топ-математиків.»

Поради для глибокотехнологічних стартапів

· «Шукати складні задачі і прості — майже одне й те саме, лише спосіб складності різний. Життя коротке, тому краще вкладати сили у те, що нікому більше не під силу зробити.»

Шляхи реалізації AGI

Gary Tan: Ви думаєте, що ми вже маємо багато кінцевих архітектур AGI? Що зараз найсуттєвіше відсутнє?

Demis Hassabis: Я переконаний, що великомасштабне попереднє навчання, RLHF, мисленнєві ланцюги — все це стане частиною кінцевої архітектури AGI. Ці технології вже довели свою цінність. Уявити, що через два роки ми знайдемо їхній шлях у глухий кут, — важко. Але можливо, що ще потрібно додати одну-дві ключові ідеї — наприклад, безперервне навчання, довгострокове мислення, пам’ять — ще залишаються невирішеними проблемами.

AGI потрібно зробити цілком. Можливо, існуючі технології у поєднанні з поступовими інноваціями дозволять досягти цього, але ймовірно, що залишиться одна-дві ключові проблеми. Я оцінюю ймовірність їхнього існування приблизно 50/50. Тому у DeepMind ми працюємо над обома напрямками.

Gary Tan: Я працюю з багатьма системами агентів і найбільше мене вражає, що базові ваги повторюються у всіх. Тому концепція безперервного навчання дуже цікава, адже зараз ми фактично тимчасово «зліплюємо» все це, наприклад, через «нічні цикли сновидінь».

Demis Hassabis: Так, ці цикли сновидінь дуже круті. Ми раніше думали про інтеграцію сценічної пам’яті. Мій докторський дослід — як гіпокамп елегантно інтегрує нові знання у вже існуючу систему. Мозок у цьому дуже ефективний.

Вночі, особливо під час швидкого руху очей (REM sleep), він повторює важливі переживання для навчання. Наш перший Atari-алгоритм DQN (DeepMind, 2013, глибока Q-мережа, перша застосована глибока підкріплена навчальна модель для Atari) навчився грати у Atari через досвід повторного відтворення.

Це взято з нейронауки — повторювати успішний шлях. Це було ще у 2013 році, і для AI — це був дуже важливий крок.

Я погоджуюсь, що зараз ми дійсно «зліплюємо» все разом. Засмічуємо контекстне вікно всім підряд. Це не зовсім правильно. Теоретично, навіть для машин, а не біологічного мозку, можна мати мільйони або десятки мільйонів токенів у контексті, і пам’ять може бути ідеальною, але пошук і витяг інформації все одно коштує ресурсів. У моменті прийняття рішення знайти справді релевантну інформацію — непросто, навіть якщо все зберігаєш. Тому я бачу ще багато простору для інновацій у пам’яті.

Gary Tan: Чесно кажучи, контекстне вікно на мільйон токенів вже значно більше, ніж я очікував, і воно багато чого дозволяє.

Demis Hassabis: Так, для більшості сценаріїв воно достатньо. Але уявіть, що контекстне вікно — це робоча пам’ять. У людей вона в середньому — сім цифр, а у AI — мільйони або десятки мільйонів токенів. Проблема в тому, що ми засмічуємо її всім підряд, включно з непотрібною та помилковою інформацією, і це досі грубо. Якщо зараз обробляти поток відео в реальному часі і зберігати всі токени, то один мільйон — це приблизно 20 хвилин роботи. Але якщо потрібно зрозуміти, що відбувалося у вашому житті за місяць або два, цього вже недостатньо.

Gary Tan: DeepMind традиційно активно інвестує у підкріплене навчання і пошук, і ця філософія дуже закладена у створення Gemini. Чи залишається воно важливим у цьому процесі? Чи все ще недооцінюють роль RL?

Demis Hassabis: Можливо, так. Ця сфера має свої підйоми і спади. З моменту заснування DeepMind ми працюємо над агентськими системами. Вся робота з Atari і AlphaGo — це, по суті, агентські системи з підкріпленим навчанням, здатні самостійно досягати цілей, приймати рішення і планувати. Спочатку ми зосередилися на іграх, бо там контрольовані умови, і поступово перейшли до більш складних ігор, наприклад, AlphaStar після AlphaGo. Всі ці ігри — наші експерименти.

Наступний крок — це узагальнення цих моделей у глобальні моделі світу або мовні моделі, а не лише ігрові. Ми вже працюємо над цим кілька років. Сучасні провідні моделі — це, по суті, перезапуск ідей, закладених у AlphaGo.

Ми багато з того, що робили раніше, тепер застосовуємо у більш масштабних і універсальних форматах, включно з Монте-Карло пошуком (Monte Carlo tree search) та іншими методами підкріпленого навчання. Ідеї AlphaGo і AlphaZero дуже близькі до сучасних базових моделей, і я вважаю, що найбільший прогрес у найближчі роки — саме з цієї сфери.

Дистиляція і малі моделі

Gary Tan: Щоб зробити модель більш розумною, потрібні більші моделі, але одночасно дистиляція прогресує — малі моделі стають швидшими. Ваші Flash-моделі дуже потужні, вони майже досягають 95% ефективності провідних моделей, але коштують у десять разів менше. Це так?

Demis Hassabis: Це один із наших ключових переваг. Спершу потрібно створити найбільшу модель для досягнення передових можливостей. Наше головне — швидко дистилювати ці можливості у все менші моделі. Ми винайшли метод дистиляції і досі залишаємося у топі світу. І у нас є сильна бізнес-мотивація для цього. Ми — одна з найбільших платформ застосування AI у світі.

Завдяки AI Overviews, AI Mode і Gemini — кожен продукт Google, включно з картами, YouTube, — інтегрує ці технології. Це мільярди користувачів і десятки продуктів із мільярдною аудиторією. Вони мають працювати швидко, ефективно, з низькою вартістю і мінімальними затримками. Це мотивує нас максимально оптимізувати Flash і малі моделі, щоб вони були максимально ефективними і корисними для користувачів.

Gary Tan: Мене цікавить, наскільки розумними можуть стати ці малі моделі. Чи є межа у дистиляції? Чи можуть 50B або 400B моделі бути так само розумними, як і найпотужніші сучасні?

Demis Hassabis: Я не вважаю, що ми вже досягли інформаційної межі, принаймні наразі ніхто не знає. Можливо, колись з’явиться межа щільності інформації, але зараз ми віримо, що після релізу передової Pro-моделі її можливості можна буде стиснути у дуже маленьку модель, яка працює на периферійних пристроях.

Ви можете побачити це і на моделі Gemma — Gemma 4 показує дуже хороші результати при тому ж обсязі. Це багато в чому досягається за рахунок дистиляції та оптимізації малих моделей. Тому я не бачу теоретичних меж і вважаю, що ми ще дуже далеко від них.

Gary Tan: Зараз спостерігається дивовижний феномен — інженери роблять у 500-1000 разів більше роботи, ніж шість місяців тому. У цій кімнаті хтось виконує роботу, яка раніше займала б тисячу разів більше часу Google-інженера 2000-х. Це вже зафіксовано.

Demis Hassabis: Це дуже захоплює. Малі моделі мають багато застосувань. По-перше, вони дешеві і швидкі, що дає переваги. У програмуванні або інших задачах ти можеш ітерувати швидше, особливо у співпраці з системою. Швидка система, навіть якщо вона не найпередовіша, — цілком достатня, і переваги швидкості окупаються у багато разів.

Ще один напрям — запускати ці моделі на периферійних пристроях, не лише для підвищення ефективності, а й для збереження приватності та безпеки. Уявіть пристрої, що обробляють дуже особисту інформацію, або роботи у вашому домі. Ви захочете мати локальну потужну модель, яка виконує більшість задач, і лише у разі потреби звертаєтеся до хмари. Обробка аудіо і відео локально, збереження даних — це потенційно ідеальний сценарій.

Пам’ять і логіка

Gary Tan: Повернемося до контексту і пам’яті. Зараз моделі — безстанні. Якщо з’явиться здатність до безперервного навчання, яким буде досвід розробника? Як ви будете керувати такою моделлю?

Demis Hassabis: Це дуже цікаве питання. Відсутність безперервного навчання — один із головних бар’єрів для повноцінних агентів. Зараз вони добре працюють у локальних задачах, їх можна з’єднувати для створення крутих систем, але вони погано адаптуються до конкретного оточення. Це причина, чому вони ще не можуть «випустити і забути» — їм потрібно навчатися у вашому конкретному сценарії. Щоб досягти справжнього універсального інтелекту, цю проблему потрібно вирішити.

Gary Tan: На якому зараз рівні логіка? Ваша система мислення дуже сильна, але вона все ще робить помилки, які не роблять навіть початкові студенти. Що потрібно покращити? Які очікування щодо прогресу у логіці?

Demis Hassabis: У мисленнєвій парадигмі ще багато простору для інновацій. Наші системи досі досить грубі і грубої. Можна покращити багато аспектів, наприклад, моніторинг мисленнєвого ланцюга і втручання у процес. Часто я відчуваю, що наші системи або конкуренти зациклюються і зазнають циклічних помилок.

Мені подобається спостерігати за Gemini у шахах. Всі провідні моделі погано грають у шахи, і це цікаво.

Спостерігати за їхніми шляхами мислення дуже цінно, бо шахи — це добре вивчена сфера. Я швидко можу визначити, чи відхилився алгоритм від правильного шляху, чи ні. Іноді він робить хід, усвідомлює, що він поганий, але не може знайти кращого і повертається до нього. Точної системи логіки, яка б цього не допускала, ще не створено.

Це велика різниця, але її можна виправити за один-два невеликі кроки. Саме тому існує явище «зубчастого інтелекту» (jagged intelligence): він може вирішувати задачі рівня IMO, але при іншій постановці питання робить помилки, схожі на початкову математику. Внутрішня рефлексія мислення ще потребує розвитку.

Реальні можливості агента

Gary Tan: Агент — це велика тема. Дехто вважає її хайпом. Я ж вважаю, що ми лише на початку. Які реальні оцінки внутрішніх досліджень DeepMind щодо можливостей агентів і наскільки вони відрізняються від публічної риторики?

Demis Hassabis: Згоден, ми лише на початку. Щоб досягти AGI, потрібно мати систему, яка може активно допомагати у вирішенні задач. Це для нас давно очевидно. Агент — це шлях, і ми лише починаємо.

Ми досліджуємо, як зробити агентів більш корисними у робочих процесах. У нас багато експериментів у цій сфері, і багато хто з вас теж. Як інтегрувати агентів у робочий потік, щоб вони не були просто додатком, а справжньою рушійною силою? Зараз ми ще на етапі експериментів. Мабуть, лише за останні два-три місяці знайшли цінні сценарії. Технічно — це вже не іграшки, а інструменти, що реально підвищують вашу продуктивність.

Я бачив, як запускають десятки агентів і тримають їх працюючими годинами, але ще не зрозуміло, чи дає це реальний результат.

Ми ще не бачили, щоб хтось створив гру 3A, яка б увійшла до топу в магазині додатків, використовуючи vibe coding. Я сам писав, багато з вас робили круті демо. Можу за півгодини зробити прототип «Theme Park», тоді як у 17 років я витратив на це шість місяців.

Маю відчуття, що якщо присвятити цьому ціле літо, можна створити щось неймовірне. Але для цього потрібна майстерність і людський талант, щоб вкласти душу і смак у продукт. Ще жодна дитяча гра, продана мільйонами, не з’явилася просто так — з сучасними інструментами це цілком можливо. Тому щось ще бракує — можливо, у процесах або інструментах. Сподіваюся, за 6-12 місяців з’являться такі результати.

Gary Tan: Наскільки це буде автоматизовано? Я не думаю, що одразу все стане автоматичним. Швидше, спочатку люди досягнуть у 1000 разів більшої продуктивності, а потім з’являться перші успішні застосування, і автоматизація пошириться.

Demis Hassabis: Саме так. Це перший крок, який потрібно зробити.

Gary Tan: Також частина людей вже робить це, але не хоче відкривати, наскільки їм допомогли агенти.

Demis Hassabis: Можливо. Але я хочу поговорити про творчість. Часто я згадую AlphaGo — зокрема, хід 37 у другій партії. Для мене це був момент, коли я зрозумів, що система може зробити щось неймовірне. Це підштовхнуло мене до запуску таких проектів, як AlphaFold. Ми почали працювати над ним одразу після повернення з Сеула, ще десять років тому. Цього разу я святкую десятиліття AlphaGo у Кореї.

Але просто зробити хід 37 — недостатньо. Це круто і корисно, але чи може ця система винаходити нові ігри або нові ідеї? Якщо дати їй високорівневий опис — «гра, яку можна вивчити за п’ять хвилин, але осягнути за все життя, естетично витончену, яку можна закінчити за один день» — і вона поверне, що це — Го, — тоді це вже щось більше. Сучасні системи цього ще не роблять. Чому?

Gary Tan: Можливо, хтось із присутніх зможе.

Demis Hassabis: Якщо так — відповідь не у тому, що системі не вистачає, а у тому, як ми її використовуємо. Можливо, саме так і треба — потрібен геніальний творець, який зможе надихнути систему, додати їй душу і проектний дух, і цей творець має бути тісно з нею поєднаний. Якщо ви працюєте з цими інструментами цілодобово і маєте глибоку творчість, — можливо, зможете створити щось неймовірне.

Відкритий код і мультимодальні моделі

Gary Tan: Перейдемо до відкритого коду. Останній реліз Gemma дозволив запускати дуже потужні моделі локально. Як ви це оцінюєте? Чи стане AI інструментом, яким користувачі володіють самі, а не лише у хмарі? Це змінить, хто і як зможе створювати продукти?

Demis Hassabis: Ми — тверді прихильники відкритого коду і відкритої науки. Всі наші моделі, зокрема AlphaFold, — відкриті і безкоштовні. Наші наукові публікації публікуються у топових журналах. Щодо Gemma — ми прагнемо створити провідні моделі у цьому масштабі. Вже зараз Gemma завантажена понад 40 мільйонів разів за дві з половиною тижні після релізу.

Я вважаю, що важливо зберігати сильну відкриту екосистему, особливо у західних країнах. В Китаї відкритий код дуже сильний і вже зараз дає переваги. Ми вважаємо, що Gemma у цьому масштабі — дуже конкурентоспроможна модель.

Ще один ресурсний аспект — у світі немає безлічі потужностей для тренування двох великих моделей одночасно. Тому ми вирішили: моделі для периферії — для Android, окулярів, роботів — мають бути відкритими. Адже, коли вони вже на пристрої, вони відкриті самі по собі. Це стратегічно виправдано.

Gary Tan: Перед презентацією я показав тобі свій AI-операційний системний інтерфейс, я можу голосом спілкуватися з Gemini. Це був експеримент, і я був трохи нервовий, але все спрацювало. Gemini з самого початку — мультимодальна модель. Я користувався багатьма моделями, але інтеграція голосу, інструментів і глибоке розуміння контексту — це щось унікальне.

Demis Hassabis: Так. Однією з переваг Gemini є те, що ми з самого початку будували її мультимодально. Це ускладнює старт, але дає довгострокові переваги, і вже зараз ми починаємо їх реалізовувати.

Наприклад, у сфері глобальних моделей ми створили Genie — генеративний інтерактивний модельний середовище від DeepMind. У робототехніці Gemini Robotics базується на мультимодальних моделях, і наші переваги у цій сфері стануть конкурентною перевагою. Ми також все більше використовуємо Gemini у Waymo (автопілот компанії Alphabet).

Уявіть цифрового помічника, який супроводжує вас у реальному світі — на телефоні або окулярах, розуміє ваше оточення і фізичний світ. Наші системи дуже сильні у цьому. Ми продовжимо вкладати у цю сферу, і я впевнений, що наші переваги тут — значні.

Gary Tan: Вартість логіки дедалі швидше знижується. Якщо логіка стане майже безкоштовною, що стане можливим? Чи змінить це напрямки ваших досліджень?

Demis Hassabis: Не зовсім впевнений, що логіка стане безкоштовною — тут є парадокс Джевонса (Jevons’ Paradox), коли підвищення ефективності веде до зростання споживання. Вірю, що всі зрештою використають весь доступний обчислювальний ресурс.

Можна уявити мільйони агентів, які співпрацюють, або групу агентів, що одночасно досліджують кілька напрямків і об’єднують результати. Ми вже експериментуємо з цим. Це все буде з’їдати ресурси.

Щодо енергетики — якщо нам вдасться вирішити питання з управлінням ядерного синтезу, надзвичайно низькою вартістю батарей і матеріалознавством, — тоді енергетичні витрати стануть майже нульовими. Але виробництво мікросхем і фізичні обмеження залишаються. Тому обчислювальні ресурси все ще будуть обмежені, і потрібно ефективно їх використовувати.

Наступний науковий прорив

Gary Tan: Добре, що малі моделі стають все розумнішими. У вас багато засновників у біотехнологіях. AlphaFold 3 вже перевершив можливості білків і поширився на ширший спектр біомолекул. Наскільки ми ще далі від моделювання цілісної клітини? Це зовсім інший рівень складності?

Demis Hassabis: Прогрес Isomorphic Labs дуже хороший. AlphaFold — лише один етап у процесі відкриття ліків. Ми працюємо над суміжними біохімічними дослідженнями, наприклад, проектуємо молекули з потрібними властивостями, і скоро буде важлива новина.

Мета — створити повністю віртуальну клітку, яку можна буде моделювати і змінювати, щоб вона давала результати, близькі до експериментальних, і була корисною. Можна пропустити багато етапів пошуку, генеруючи синтетичні дані для тренування інших моделей, щоб передбачати поведінку реальної клітини.

Я оцінюю, що до створення повної віртуальної клітини залишилось близько десяти років. Ми починаємо з ядра клітини — воно досить автономне і добре вивчене. Головне — знайти таку «сферу» досліджень, яка буде достатньо складною і одночасно самодостатньою, щоб її можна було моделювати. Це — ядро клітини.

Ще одна проблема — недостатня кількість даних. Я спілкувався з топовими вченими, що працюють з електронною мікроскопією. Якщо зможемо не руйнуючи клітку робити знімки живих клітин, це буде революційно. Це перетворить проблему у візуальну, і ми вже знаємо, як її вирішувати.

Але наразі технології ще не дозволяють отримати високороздільні знімки живих клітин без їх пошкодження. Це — виклик.

Є два шляхи: апаратний і програмний. Перший — створювати нові технології для зйомки, другий — будувати більш досконалі моделі для імітації біологічних процесів.

Gary Tan: Ви дивитеся не лише на біологію. Матеріалознавство, фармацевтика, кліматологія, математика — якщо потрібно ранжувати, які сфери найбільше зазнають революції у найближчі п’ять років?

Demis Hassabis: Кожна сфера захоплює. Це і є причина, чому я вже понад 30 років займаюся AI. Вважаю, що AI — це універсальний інструмент для науки, відкриттів, медицини і розуміння Всесвіту.

Ми почали з двох кроків. Перший — створити інтелект, тобто AGI. Другий — застосувати його для вирішення всіх інших проблем. Згодом довелося змінити формулювання, бо почали питати: «Чи справді ви маєте на увазі вирішення всіх проблем?»

Ми так і маємо на увазі. Зараз багато хто розуміє, що це означає. Зокрема, — вирішення «кореневих» проблем у науці, які відкриють нові напрямки досліджень. Наприклад, AlphaFold — прототип нашої ідеї.

Більше трьох мільйонів дослідників у світі вже використовують AlphaFold. Деякі керівники фармацевтичних компаній кажуть, що майбутні ліки майже всі будуть створюватися з його допомогою. Це — наш внесок у науку і технології. Але це лише початок.

Я не можу уявити галузь науки або інженерії, де AI не допоможе. Всі сфери — від матеріалознавства до математики — ще не досягли вершини, і попереду багато проривів.

Gary Tan: Це схоже на пророцтво Прометея — дає людству нові можливості.

Demis Hassabis: Саме так. І, як і в міфі, потрібно бути обережним, щоб не зловживати цими можливостями, не використовувати їх у поганих цілях і не допустити зловживань.

Успішний досвід

Gary Tan: Багато хто з присутніх намагається заснувати компанії, що застосовують AI у науці. На вашу думку, у чому різниця між справжніми передовими стартапами і тими, що просто накладають API на базові моделі і називають себе «AI for Science»?

Demis Hassabis: Я б подумав, що якби я зараз був у вашому місці і дивився на проекти у Y Combinator, я б порадив враховувати напрямок розвитку AI. Це дуже складно передбачити, але я вважаю, що поєднання AI з іншими глибокотехнологічними сферами — великий шанс. Це стосується матеріалів, медицини і інших складних наук, особливо тих, що пов’язані з атомами. У найближчі роки тут не буде швидких проривів, і ці сфери не зламає оновлення базових моделей. Це — захищені напрямки, і я б рекомендував їх для довгострокових інвестицій.

Я завжди віддаю перевагу глибоким технологіям. Справжні цінності — це те, що не дається легко. Мене завжди приваблювала глибока наука і технології. Ще у 2010 році, коли ми починали, багато говорили, що AI — це нішевий напрямок, і що він не має перспектив. Але я був переконаний у зворотному.

Якщо у вас є віра у свою ідею, унікальний бекґраунд і ви можете зібрати команду експертів — у вас є шанс створити щось значне і впливове.

Gary Tan: Це дуже важливо. Що зроблено — здається очевидним, але перед цим всі були проти.

Demis Hassabis: Так, тому потрібно займатися тим, що дійсно вас захоплює. Для мене — AI. З дитинства я був переконаний, що це — найважливіше і найцікавіше. Це підтвердилося, але можливо, що я був раніше за час — на 50 років.

І це ще й найцікавіша справа для мене. Навіть якщо сьогодні ми ще в гаражі, і AI не готовий, я все одно буду шукати шляхи рухатися далі. Можливо, повернуся до академії, але продовжуватиму працювати у цій сфері.

Gary Tan: AlphaFold — приклад того, що ви правильно обрали напрямок і зробили ставку. Що робить галузь науки придатною для проривів на зразок AlphaFold? Чи є якісь закономірності, наприклад, у цільових функціях?

Demis Hassabis: Мені здається, що потрібно зібрати досвід із проектів, таких як AlphaGo і AlphaFold. Зокрема, я навчився, що ефективність досягається, коли:

• проблема має дуже великий простір пошуку