Pełny tekst po polsku 528 zdań · zsynchronizowane z wideo
01 · 0:00 Wprowadzenie02 · 0:18 Droga powrotna do Cambridge0:25 Witam wszystkich. Nazywam się Alastair Beresford, jestem obecnie kierownikiem Wydziału Informatyki i Technologii, znanego też jako Computer Laboratory. Welcome, everybody. So, I'm Alistair barisford the current head of the Department of Computer Science and Technology, also known as the Computer Laboratory. 0:33 Mam ogromną przyjemność powitać dziś po południu Demisa z powrotem w Cambridge. It's my great pleasure this afternoon to welcome Demis back to Cambridge. 0:37 Demis studiował informatykę tu, w Cambridge, w latach 90., kiedy laboratorium mieściło się tuż obok tej sali wykładowej, a Robin Walker, So, Demis studied computer science here in Cambridge in the 1990s at a time when the lab was based just next to this lecture hall, and where Robin Walker, 0:46 który – z radością to mówię – jest dziś z nami, był jego opiekunem studiów w Queens' College. who I'm pleased to say is here today, was dems' Director of Studies at Queen's College. 0:51 Rozmawialiśmy z Demisem wcześniej i sądzimy, że właśnie tu miał swój pierwszy wykład w Cambridge: matematykę o 9:00 rano uh I was discussing earlier with Demis, and we think that this is where he had his first Cambridge lecture, Maths at 9:00 a.m. 0:57 w pierwszy czwartek trymestru Michaelmas. on the first Thursday of mlma term. 0:59 To chyba odpowiednie miejsce, by tu wrócić. So, seems a fitting place for him to return to. 1:02 Zanim Demis przybył do Cambridge, miał już na koncie kilka niezwykłych osiągnięć. So, Demis had already made several incredible achievements by the time he arrived in Cambridge. 1:07 Był mistrzem szachowym i drugim najwyżej notowanym zawodnikiem do lat 14 na świecie. He was a chess master and second -highest rated under -14 player in the world. 1:13 Po ukończeniu szkoły rok wcześniej, zamiast ruszyć z plecakiem po Europie, podjął pracę w branży gier komputerowych, gdzie współprojektował i był głównym programistą And after completing his schooling a year early, instead of backpacking around Europe, he instead took a job in the computer games industry, where he co-designed and was the lead programmer for the computer 1:23 gry Theme Park. game theme park. 1:25 Po ukończeniu Cambridge z wyróżnieniem najwyższego stopnia Demis wrócił do branży gier – najpierw pracował w Lionhead Studios, a potem założył własną firmę. y After graduating from Cambridge with a first -class degree, Demis returned to the games industry, at first working at lion head Studios and subsequently forming his own company. 1:36 Wyraźnie jednak tliła się w nim pasja do podstawowych badań naukowych. However, there was clearly a passion in him for fundamental scientific research. 1:40 Dlatego wrócił na uczelnię, tym razem do UCL, gdzie zrobił doktorat z neuronauki poznawczej, który obronił w 2009 roku. And so Demis returned to academia, this time to UCL, where he studied for a PhD in cognitive neuroscience, graduating in 2009. 1:49 Pozostał w UCL do 2011 roku, kiedy odszedł, by współzałożyć DeepMind – laboratorium badawcze AI, które w 2014 roku przejął Google. He stayed on at UCL until 2011, when he left to co-found Deep Mind an AI research lab, which was acquired by Google in 2014. 1:57 Demis i jego współpracownicy z Google DeepMind wnieśli od tego czasu do nauki kilka przełomowych osiągnięć. Demis and colleagues at Google Deep Mind have gone on to make several seminal contributions to science. 2:02 Wśród nich AlphaGo – pierwszy program komputerowy, który pokonał zawodowych graczy w grę planszową go – oraz AlphaFold, program przewidujący strukturę białek. Highlights include Alpha go which was the first computer program to beat professional human players at the board came Go, and Alpha fold a computer program which is able to predict protein structure. 2:13 To właśnie za wkład w AlphaFold Demis otrzymał część Nagrody Nobla z chemii w 2024 roku. his Demo's contributions to Alpha fold for which he was awarded a share of the 2024 Nobel Prize in Chemistry. 2:21 Obok tych niezwykłych osiągnięć intelektualnych był w tym czasie także wspaniałym wsparciem dla uniwersytetu – m.in. finansując stanowiska akademickie i znacząco wspierając studentów z grup niedoreprezentowanych, Now, alongside his incredible intellectual contributions over this period, he's also been a fantastic supporter of the university, uh including funding for academic positions and significant support for students from underrepresented groups, 2:31 zarówno w Computer Lab, jak i w Queens' College. both in the computer lab and at Queen's College. 2:36 I właśnie pasja Demisa oraz jego wsparcie dla następnego pokolenia informatyków są powodem dzisiejszego wykładu. And demas's uh passion and support for the next generation of computer scientists is the motivation for our lecture today. 2:42 Jestem pewien, że nie tylko pomoże nam zrozumieć, jak przyspieszyć odkrycia naukowe dzięki AI, ale też zainspiruje obecnych na sali studentów następnego pokolenia, by i oni zmieniali świat. And I'm sure he will not only help us understand how to accelerate science uh scientific discovery with AI, but also inspire the next generation of students in the room to change the world 2:52 A teraz zapraszam Demisa na scenę. too. And with that, I would like to welcome Demis to the stage. 03 · 3:07 Szachy, Amiga i Cambridge3:06 – Dziękuję, Alastairze, za to piękne wprowadzenie. Thanks, aliser for that lovely introduction. 3:08 Wspaniale jest wrócić do Cambridge. And um it's so great to be back at Cambridge. 3:11 Zawsze robi mi się ciepło na sercu, kiedy wracam tu jak do domu. I always have a warm feeling when I um sort of my homecoming back to Cambridge. 3:16 A zwłaszcza do tej sali – jak przypomniał mi Alastair, to chyba pierwsza sala wykładowa, w jakiej siedziałem. And specifically, this lecture hall, as alista reminded me, I think it is the first lecture hall I was in. 3:20 Zawsze była moją ulubioną. It's always been my favorite lecture hall. 3:22 Pamiętam, jak mówiłem – widzę tu zresztą wielu starych przyjaciół z czasów Cambridge, chyba Aaronowi – że może kiedyś wrócę, żeby wygłosić uh I remember telling, and I see a lot of my old friends here from my Cambridge days, um Aaron, I think, about uh that one day maybe I'd come back to give a 3:31 tu wykład i ogłosić AGI, a na scenę wejdzie robot i wszystkich zdumieje. lecture in here and talk about announcing AGI, and maybe a robot would walk on and uh astound everyone. 3:38 Dziś tego nie zrobię – przykro mi, że was rozczaruję. I'm not going to do that today um to to disappoint you. 3:42 Ale może za kilka lat wrócę i wygłoszę właśnie taki wykład. But maybe in a few years' time, I'll come back again and I'll give that lecture. 3:46 W każdym razie to niezwykłe miejsce. um But, you know, this is amazing place. 3:48 Bardzo inspirujące. It's such an inspiring place. 3:50 Opowiem trochę o tym, jak Cambridge inspirowało całą moją karierę – i mam nadzieję, że tak samo zainspiruje wielu z was, And I'm going to talk a little bit about how Cambridge has inspired my whole career, actually, and hopefully is going to do the same for many of you, 3:56 studentów obecnych na sali. the students in in the room. 3:59 U mnie zaczęło się – moja droga do AI zaczęła się od gier, a konkretnie od szachów, jak wspomniał Alastair. So, for me, it started, uh uh my journey on AI started with games, and specifically chess, as aliser mentioned. 4:07 Grałem w szachy od czwartego roku życia, i to bardzo poważnie, w juniorskich reprezentacjach Anglii i tak dalej. So, I was playing chess from the age of four years old, and uh very seriously for the England junior teams and things like that. 4:13 I to skłoniło mnie do myślenia o samym myśleniu. And it got me thinking about thinking itself. 4:16 Jak nasz umysł wymyśla te plany, te pomysły? You know, how does our mind come up with these plans, with these ideas? 4:19 Jak rozwiązujemy problemy? um How do we problem solve? 4:21 I jak możemy się poprawiać? And how can we improve? 4:23 Oczywiście, kiedy jako dziecko grasz w szachy wyczynowo, starasz się ten proces doskonalić. Obviously, when you're playing chess at a young age and you're trying to play competitively, you're trying to improve that process. 4:28 I fascynowały mnie – może nawet bardziej niż same gry – procesy umysłowe, które za tym stały. uh And it was fascinating to me, perhaps more fascinating than even the games I was playing, was the actual mental processes behind it. 4:35 Z komputerami i AI zetknąłem się zresztą po raz pierwszy właśnie przy szachach, próbując korzystać z bardzo wczesnych komputerów szachowych, uh And, in fact, AI and and computers, I came across computers and AI for the first time in the context of chess uh and trying to use very early chess computers, 4:45 takich jak ten po prawej. like the one on the right here. 4:47 To chyba był mój pierwszy komputer szachowy. I think this was my first ever chess computer. 4:49 Były to fizyczne plansze, na których trzeba było naciskać pola, żeby przesuwać figury. um There were physical boards where you had to actually had to press the squares down to make move the pieces. 4:54 Oczywiście mieliśmy na nich ćwiczyć teorię debiutów i lepiej poznawać szachy. uh And, of course, we were supposed to be using these chess computers to train opening theory and and learn more about chess. 5:00 Ale pamiętam, jak fascynowało mnie to, że ktoś zaprogramował ten kawałek martwego plastiku tak, żeby naprawdę dobrze z tobą grał. But I remember being fascinated by the fact that someone had programmed this lump of inanimate plastic to actually play chess really well against you. 5:09 Bardzo mnie ciekawiło, jak to zrobiono i jak ktoś mógł zaprogramować coś takiego. And uh I was sort of really fascinated by how that was done and how um how someone could program something like that. 5:16 W końcu sam zacząłem eksperymentować jako nastolatek na Amidze 500 – niesamowitym komputerze domowym z końca lat 80. i początku 90. – And I ended up experimenting myself uh in my early teenage years with the Amiga 500 uh computer, amazing home computer back in the in the late ' 80s and early 90s, 5:26 i pisać takie programy AI do gier, na przykład do Othello. I to był tak naprawdę mój pierwszy kontakt z AI. and building those kinds of AI programs myself to play games like cell And, really, that was the first my first taste of AI. 5:33 Od tamtej pory przepadłem. and And I was hooked from then on. 5:34 Bardzo wcześnie postanowiłem, że całą karierę poświęcę przesuwaniu granic tej technologii. And that's, you know, I decided from very early on that I was spend my my entire career trying to push the frontiers of of this technology. 5:44 To zaprowadziło mnie do Cambridge, a trzy lata, które tu spędziłem, ogromnie mnie ukształtowały. So, then that led me to uh to Cambridge, um and which was really my three years here were incredibly formative for me. 5:52 Chodziłem do zwykłej szkoły państwowej w północnym Londynie. um And I went to a school in, in a compens school in North London. 5:56 Za ludzkiej pamięci nikt stamtąd nie dostał się do Oxbridge. No one had ever got to sort of, no one had gone to O bridge for, in sort of living memory. 6:01 A chciałem przyjść do Cambridge przez wszystkie te inspirujące historie, które słyszałem o tym, co się tu działo, o tych niezwykłych ludziach, o których czytałem – But, and the reason I wanted to come to Cambridge was all these inspiring stories that I'd heard about um what happened at Cambridge, all these amazing people that I used to read about, 6:11 ich biografie i ich prace – zwłaszcza o takich jak Crick i Watson, tam w lewym górnym rogu. their biographies and the work they' done, um especially people like Crick and Watson in the in the top left there. 6:17 Szczególnie pamiętam film „The Race for the Double Helix” – świetny film z lat 80., jeśli go nie widzieliście – z Jeffem Goldblumem w jednej z jego wczesnych ról, And I remember particularly a film, uh The Race for the Double Helix, amazing film from the'80s if you haven't seen it, with Jeff Goldblum, one of his early parts, 6:26 grającym z typowym dla siebie entuzjazmem Watsona. we you know, with all the enthusiasm that he plays all of his parts as uh he was Watson. 6:31 Oni tak świetnie się bawili, odkrywając, krążąc po Cambridge, pracując nad DNA, że pomyślałem: chcę And they were having just such an amazing time discovering, roaming around Cambridge, you know, working on things like DNA, and I thought, look, that's what I want, 6:39 kawałek tego. a piece of that. 6:40 Chcę poczuć, jak to jest być na granicy odkryć – bo cóż może być bardziej ekscytującego? And I want to feel what it's like to be at the frontier of discovery and what could be more exhilarating. 6:47 Ten film naprawdę pokazał mi, jak to mogłoby wyglądać. And and that film actually really brought it to life, uh what that might be like. 6:52 No i oczywiście wielu moich bohaterów nauki przeszło przez Cambridge. um And then, of course, all of my my my heroes, my scientific heroes, a lot of them had gone through Cambridge. 6:58 Ludzie tacy jak Alan Turing czy Charles Babbage – i to w sali, w której teraz siedzimy. People like Alan Ing and Charles babage of course, in in the lecture hall that we we now sit in. 7:04 A nawet takie miejsca jak pub The Eagle – jeśli zaczynasz w Queens' College, jedna z wycieczek pierwszego dnia polega na tym, że pokazują ci um and uh and And even places like the Eagle Pub, where if you start at Queen's College, one of the tours they give you on the first day is to go and show 7:12 stolik, przy którym podobno rozmawiano o strukturze DNA. you the the the puted sort of uh uh table that they were discussing and and and and the DNA structure uh around. 7:19 Trudno się tym nie zainspirować, spacerując po King's Parade. And uh you can't help but be inspired by that and walking down King's Parade. 7:24 Miałem niemal wrażenie, że intelektualni giganci przeszłości przemawiają do ciebie z kamieni. um And I almost felt like the the the intellectual giants of the past were were almost speaking to you from the stones. 7:31 Tak to czułem, nawet idąc późną nocą na burgera do Gardenii. To mnie inspirowało – um And um that's how I felt, um you know, going for a late -night burger at gardinas um That that was what was inspiring me around, 7:38 wszyscy ci niezwykli ludzie, którzy przez setki lat chodzili tymi samymi ścieżkami. like, all of these amazing people that had walked those same steps uh over hundreds of years. 7:44 To historia, której nic tu, w Cambridge, nie dorównuje i z której wciąż możemy czerpać inspirację. and And that's the history that is sort of unrivaled here at Cambridge that I think we can still draw on and take inspiration from today. 7:51 A tu zdjęcie moje z Aaronem, jednym z moich najlepszych przyjaciół z Queens', oczywiście na Mathematical Bridge. uh And then there's a picture of me and Aaron there, one of my best friends from Queen's, you know, obviously on on the mathematical bridge there. 7:59 I wreszcie, kiedy… And then finally, you know, what when we... 8:02 Alastair wspomniał o Nagrodzie Nobla – odebranie jej w grudniu w Sztokholmie było zaszczytem życia. alista mentioned, obviously, the Nobel Prize, and it was an honor of a lifetime to go and collect that in in Stockholm um in December. 8:09 Niesamowity tydzień wydarzeń. uh Amazing one week of of activities. 8:12 Ale moim ulubionym momentem było podpisanie Księgi Noblowskiej w Fundacji Nobla. But my favorite activity is when you get to sign the Nobel book in the Nobel Foundation. 8:17 To ta księga. and uh and And that's the book there. 8:20 A jedno z moich zdjęć… And one of my pictures of... 8:21 Zacząłem przeglądać tę księgę. And I started sort of leafing through the book. 8:23 Podpisujesz się, a potem cofasz się po kartkach. You sign your name, and then you leave back. 8:24 Zastanawiasz się: czy jest tu Crick? You wonder, if you know, it's Crick in there? 8:26 Oczywiście, że jest. And of course he is. 8:27 Cofasz się dalej, a tam podpis Einsteina. And then you go back further, and then Einstein signature's there. 8:30 To naprawdę zdumiewające. And it's just mind-blowing really. 8:32 Spędziłem godzinę, fotografując każdą stronę tej księgi. And I start to spend an hour just photoing every page of the uh of the book. 8:37 Dla mnie to zamknięcie koła – od tamtego zdjęcia i od obejrzenia tamtego filmu pod koniec lat 80. um So, you know, it's full circle for me of of of that picture and and then really seeing that film in the in the in the in the late 80s. 04 · 8:46 Założenie DeepMind8:47 W 2010 roku założyliśmy DeepMind w Londynie jako, w naszym ówczesnym rozumieniu, coś w rodzaju programu Apollo So then, uh you know, in 2010, we started Deep Mind in London as uh really at the time it was a kind of an Apollo program effort, 8:57 – przedsięwzięcie mające zbudować sztuczną inteligencję ogólną. is the way we thought of it, uh for trying to build artificial general intelligence. 9:01 Czyli AI naprawdę ogólną, zdolną do wszystkich zdolności poznawczych, do jakich zdolni są ludzie. You know, AI that was truly general and could perform all the cognitive capabilities that that humans are capable of. 9:08 Prawdziwie ogólny system AI. So it would be a truly uh general AI system. 9:11 Sama ta idea wywodzi się zresztą od Turinga i maszyn Turinga. In fact, you know, the idea for that really comes from touring and touring machines. 9:15 Czyli czegoś, co potrafi obliczyć wszystko, co obliczalne, jak pokazał Turing swoimi maszynami. So something that's able to uh compute anything that is computable, uh as churing showed with his touring machines. 9:22 I to było dla mnie fundamentem… And really that's been the foundation for me uh of... 9:26 Jedną z najważniejszych rzeczy, jakie wyniosłem z tutejszych wykładów, były teoretyczne podstawy informatyki i teorii obliczeń, które słynnie stworzyli tacy ludzie jak Turing uh And one of the main things that I carried with me from the lectures here at Cambridge was all these theoretical underpinnings of computer science and computation theory that that people like churing 9:36 i Shannon w latach 40. i 50. and Shannon uh famously did in the 40s and the 50s. 9:41 Zaczęliśmy więc w 2010 roku i to niesamowite. So we started in 2010, and it's amazing. 9:43 To było 15 lat temu, co pod pewnymi względami nie jest aż tak dawno. like It's 15 years ago, which in some ways isn't that long ago. 9:46 Ale kiedy zakładaliśmy DeepMind, prawie nikt nie zajmował się AI – trudno w to dziś uwierzyć, skoro teraz zajmują się nią niemal wszyscy. But when we started out Deep Mind almost nobody was working on AI, which is hard to believe today, given that almost everyone seems to be working on AI today. 9:54 W ciągu nieco ponad dekady wszystko niesamowicie przyspieszyło. uh In just a matter of just over a decade, uh things have gone, you know, accelerating incredibly. 10:00 A my oczywiście byliśmy częścią tej ekscytującej podróży. And obviously we've been part of that very exciting journey. 05 · 10:03 Od systemów eksperckich do uczących się10:04 Naszą misją w DeepMind od początku było – mówimy o tym – odpowiedzialne budowanie AI dla dobra ludzkości. So our mission at Deep Mind from the beginning was, um uh uh we talk about building AI responsibly to benefit humanity. 10:11 Ale na początku formułowaliśmy to jako proces dwuetapowy. But the way we used to articulate it when we started out was uh in a two-step process. 10:15 Krok pierwszy: rozwiązać problem inteligencji. Step one, solve intelligence. 10:17 Krok drugi: użyć jej do rozwiązania wszystkiego innego. Step two, use it to solve everything else. 10:19 W 2010 roku brzmiało to bardzo dziwacznie – wyobraźcie sobie, że próbujecie z taką misją przekonać inwestora venture capital. And um and this seemed very outlandish at the time in 2010, and you can imagine trying to pitch a venture capitalist on that on the basis of that mission. 10:28 Wydawało się to dość szalone. It seemed pretty crazy. 10:29 Ale wciąż w to głęboko wierzę i myślę, że coraz więcej ludzi zdaje sobie sprawę, że AI zbudowana w ten ogólny sposób może mieć głęboki i But I I still fundamentally believe uh in that today, and I think more and more people are realizing that AI um built in this general way could have these kind of profound and 10:39 przełomowy wpływ na niemal każdą dziedzinę – co jest oczywiście drugą częścią tej misji. transformative impact on almost any field, uh uh which is obviously the second part of that mission statement. 10:45 Dla mnie oznacza to przyspieszenie samych odkryć naukowych i medycyny oraz pogłębienie naszego rozumienia otaczającego nas wszechświata. And I think, uh uh for me, that that involves accelerating scientific discovery itself and medicine and advancing our understanding of the universe around us. 10:58 Kiedy zaczynaliśmy – a właściwie już wtedy, gdy studiowałem tu w latach 90. – były w zasadzie dwa sposoby budowania AI, So back when we started there were basically two ways, and in fact, when I studying here in the 90s, there are two ways to build AI, 11:05 mówiąc ogólnie. Pierwszy to systemy eksperckie, w których rozwiązanie programuje się z góry, bezpośrednio. broadly speaking. There's the expert system way, which is you kind of pre-program an expert system directly with the solution. 11:12 Na przykład Deep Blue, który w latach 90. słynnie pokonał w szachy Garriego Kasparowa – zresztą akurat wtedy, gdy tu studiowałem. um Things like Deep Blue that beat Carri casar at chess very famously in the 90s, actually, while while I was studying here. 11:19 To chyba szczytowy przykład systemu eksperckiego. um That would be the pinnacle example, probably, of an expert system. 11:23 Problem z systemami eksperckimi – i powód, dla którego nigdy nie urosły do pełnej, ogólnej inteligencji – polega na tym, że nie radzą sobie z nieoczekiwanym. But the problem with these expert systems was, and why they never really scaled to full general intelligence, is they can't deal with the unexpected. 11:31 Jeśli zdarzy się coś nieprzewidzianego, czego wcześniej nie uwzględniłeś, w systemie nie ma nic, co pozwoliłoby mu sobie z tym poradzić. um if you you know If something unexpected happens that you didn't already cater for, um there's nothing in the system that will allow it to to deal with that. 11:40 Inspirowały się systemami logicznymi i przez to były dość sztywne, kruche i podatne na awarie. um And they sort of were inspired by logic systems, um and they were quite rigid and and fragile and brittle because of that. 11:47 Współczesne podejścia opierają się natomiast na systemach uczących się. Whereas the modern -day approaches uh are built on learning systems. 11:50 To systemy, które potrafią uczyć się same, bezpośrednio z doświadczenia lub danych, od podstaw, i są inspirowane raczej ideami z neuronauki. So these are systems that are able to learn for themselves and learn directly from experience or data from first principles, um and really inspired by more neuroscience ideas. 11:59 Obietnica dzisiejszych systemów polega oczywiście na tym, że potencjalnie mogą wyjść poza wiedzę, którą my – programiści czy projektanci systemu – już mamy, um And the obviously, the promise of these systems that we have today is that they can go beyond the knowledge, potentially, that we as the programmers or the system designers already know how 12:09 poza to, co już umiemy rozwiązać. A to oczywiście niezwykle cenne w dziedzinach takich jak odkrycia naukowe. to solve. And of course, that's extremely valuable in areas like um scientific discovery. 06 · 12:16 Opanowanie go12:17 Zaczęliśmy więc na początku lat 2010., oczywiście od gier. So we started in the in the early 2010s with um with games, of course. 12:21 Gry towarzyszyły mi w życiu na wiele sposobów. And I've used games many times in my life. 12:23 Najpierw trenowałem nimi własny umysł. First of all, to train my own mind. 12:25 Potem tworzyłem gry i sztuczną inteligencję do gier komputerowych. Then I used to build games and AI for computer games. 12:29 A wreszcie, po trzecie, używaliśmy ich do trenowania naszych systemów AI. And then finally, in a third way, to train up our AI systems. 12:32 Gry to idealny poligon doświadczalny dla systemów AI. And games are the perfect proving ground for AI systems. 12:35 Można zacząć od bardzo prostych gier, takich jak gry na Atari z lat 70. um You can start with very simple games like Atari games from the 70s. 12:39 Ten system, DQN, był pierwszym w historii kompleksowym systemem uczącym się, który potrafił uczyć się bezpośrednio z surowych danych. uh And really, at this this this system, DQN, was the first time anyone had built an endend learning system that could learn directly from raw data. 12:49 W tym przypadku z surowych pikseli na ekranie. So in this case, the raw pixels on the screen. 12:51 Nie mówi mu się nic o grach ani o tym, czym steruje. And it's it's not told anything about the games or anything about what it's controlling. 12:55 Ma tylko maksymalizować wynik na podstawie strumienia obrazu, strumienia pikseli. It's just told to maximize the score based on this uh uh video stream input, pixel stream input. 13:03 Mniej więcej w 2013 roku opanowaliśmy w ten sposób najróżniejsze gry na Atari. So we were able to master all different Atari games uh uh uh in sort of around 2013. 13:09 Potem przeskalowaliśmy te systemy do, jak sądzę, największego wyzwania AI w grach: czy da się stworzyć system, który Then we took these uh uh systems and we scaled them up to really the, I would say, the grand challenge of games AI, which is um can you you you create systems that 13:19 zagra w go na poziomie mistrza świata lub wyższym? can play the game of Go um at world champion level or beyond. 13:24 Go to prawdopodobnie najbardziej złożona gra, jaką ludzie kiedykolwiek wymyślili. And Go, of course, is probably the most complex game that humans have ever invented. 13:29 Ma tysiące lat. Ed It's thousands of years old. 13:31 To także najstarsza gra i jedna z najbardziej eleganckich. so It's also the oldest game and one of the most elegant games. 13:34 Złożoność go dobrze pokazuje to, że możliwych pozycji jest w niej 10 do potęgi 170. um But one of the ways you can just see the complexity of Go is that there are 10 to the power, 170 possible positions in Go. 13:41 To znacznie więcej, niż jest atomów w obserwowalnym wszechświecie. um So that's more way more than there are atoms in the observable universe. 13:45 A ważne jest to, że strategii w go nie da się wypracować metodami siłowymi. And um the important reason, point about that is that you cannot come up with a strategy and Go using brute force techniques. 13:52 To byłoby niemożliwe. It would be impossible. 13:53 Problem byłby całkowicie nierozwiązywalny obliczeniowo. it'll be totally intractable. 13:55 Trzeba więc zrobić coś znacznie sprytniejszego. So you have to do something much smarter. 13:57 W 2016 roku, jak powszechnie wiadomo, wygraliśmy mecz o milion dolarów z dziesięciokrotnym mistrzem świata Lee Sedolem, jedną z legend tej gry, um And we famously, in basic 2016, won million doll challenge match against 10 times world champion Leisa doll and one of the legends of the game, 14:08 południowokoreańskim arcymistrzem. Mecz oglądało 200 milionów ludzi na całym świecie. the South Korean grandm and was watched by 200 million people around the world. 14:12 AlphaGo, nasz system, nie tylko wygrał ten mecz — co ważne, wymyślił też nowe, oryginalne strategie gry w go. um And not only did alphao our system, uh win that match, importantly, it actually came up with new original Go strategies. 14:20 Choć w go gra się od tysięcy lat, a zawodowo od setek, system wciąż potrafił znaleźć niewidziane wcześniej strategie. Even though um we've played Go for thousands of years and professionally for hundreds of years, um it was still able to find never -seen -before strategies. 14:29 Najsłynniejszy jest „ruch 37”, tu zaznaczony na czerwono, z drugiej partii. Jeśli obejrzycie film dokumentalny o tym meczu, dostępny na YouTube, Most famously, uh this Move 37 move uh here in red uh during Game two which um if you watch the documentary on this, you'll see, which is on YouTube, 14:39 zobaczycie, jak bardzo ten ruch zaskoczył najlepszych graczy świata, którzy komentowali partię. you'll see uh that how surprised the the best players in the world were they were commentating on the game uh about this move. 14:46 To był ruch w zasadzie nie do pomyślenia. It was sort of an unthinkable move. 14:48 A jednak sto ruchów później przesądził o wygranej AlphaGo w tej drugiej partii. And yet it decided um the G this Game too in favor of alphao um 100 moves later. 14:56 To znów pokazało mi, jaki potencjał mają takie systemy w wymyślaniu i odkrywaniu nowej wiedzy. So again, that told me about the potential for these types of systems to invent and discover new knowledge. 15:03 Tutaj mówimy oczywiście tylko o wiedzy o grze, ale moim marzeniem było uogólnienie tego na wszystkie obszary odkryć naukowych. So here, of course, we're just talking about game knowledge, but um obviously my dream was to generalize this to all areas of um scientific discovery. 15:11 Jak więc działają te systemy? So how do these systems work? 07 · 15:13 Gra z samym sobą15:15 Zasadniczo trenujemy sieci neuronowe metodą gry samej ze sobą. Tak działa AlphaGo, a także późniejsze systemy, AlphaGo Zero i AlphaZero, które um we We basically train up these newal networks through a system of selfplay So this is actually Alpha go and also um subsequent systems, uh that Alpha go Zer and Alpha Zer that 15:27 uogólniły to, co zrobiliśmy dla go, na dowolną grę dwuosobową, ucząc się od zera. generalized what we've done for Go to play any two-player uh game from scratch. 15:32 Zaczyna się od pierwszej wersji systemu, która nie wie o grze nic poza zasadami i gra losowo. Rozgrywa się, And you start off with a version one of the system that doesn't really know anything about the game, just the rules, and it plays randomly and you play, 15:40 powiedzmy, 100 tysięcy partii tego systemu z samym sobą. say, 100,000 games against itself uh of this system. 15:44 To tworzy nową bazę danych pozycji z tych 100 tysięcy partii. And that creates a new database of um game positions from those 100,000 uh games. 15:51 Na jej podstawie trenuje się drugą, nieco lepszą wersję modelu, która uczy się przewidywać, jakie ruchy najpewniej zostaną zagrane w danej pozycji And from that, you train a second version, slightly better version of the model, version 2 uh that's trained to predict um what the likely moves are to be played in any one position 16:01 oraz kto prawdopodobnie wygra z tej pozycji — czarne czy białe — i z jakim prawdopodobieństwem. and also who is more likely to win, which side, black or white, is likely to win from that position uh and what percentage chance do they have of winning. 16:10 Potem wersja druga rozgrywa z wersją pierwszą mecz na sto partii i jeśli wygra ze znaczną przewagą, uh And then you can use that version two to, um you play against version one uh and in a 100 -game match -off, and then if it wins by significant uh margin, 16:21 tutaj przy 55 procentach zwycięstw, zastępuje się wersję pierwszą drugą, tworzy nową bazę partii nieco wyższej jakości i uczy so in this case, 55 win rate, you replace the version one with version two and you create a new uh database of games that are slightly higher quality and then you learn a 16:33 wersję trzecią. version three system. 16:34 Jeśli powtórzy się to około 17–18 razy, to od losowej gry rano dochodzi się w 24 godziny lub mniej do tego, uh And if you do this and you repeat it around 17, 18 times, you go from playing randomly in the morning to 24 hours or less later, 16:42 że wersja 17. czy 18. jest silniejsza od mistrza świata. your your your by the version 17 or 18, you're stronger than um the world champion level. 16:48 To niesamowite: oglądać, jak ten proces samodoskonalenia rozgrywa się w bardzo, bardzo krótkim czasie. So it's quite an incredible thing, uh process to see this this self -improvement process playing out uh in a very, very short amount of time. 16:57 Te sieci neuronowe w gruncie rzeczy redukują nieprzebraną przestrzeń przeszukiwania, 10 do potęgi 170 możliwości, do czegoś, So if we think about what these neural networks are doing is you're kind of uh reducing down this intractable search space of you know 10 to the 170 possibilities down to something that's 17:09 co da się przeliczyć w kilka minut pracy komputera. much more tractable in a few minutes of uh compute time. 17:13 Robią to, zawężając pole: sieć neuronowa sprawnie kieruje mechanizmem przeszukiwania. And uh it's doing this by narrowing down, uh using the newal network to efficiently guide the search mechanism. 17:20 Wyobraźmy sobie drzewo możliwości, w którym każdy węzeł to pozycja w go. Zamiast analizować So if you think about the this tree of possibilities as uh and each of the nodes in this tree is a go position, um then instead of having to to to look at 17:29 każdą możliwość, sieć neuronowa prowadzi nas tylko najciekawszymi i najbardziej użytecznymi wariantami. sort of every possibility, you can actually use the neuron network to guide you just down the most um the most uh uh most interesting and most useful lines to examine. 17:40 Tutaj tymi zaznaczonymi na niebiesko. So in this case, the ones in blue. 17:42 A gdy skończy się czas na myślenie, wybiera się najlepszy, najbardziej obiecujący wariant spośród dotąd zbadanych. And then um after you've run out of thinking time, you pick the best line, the most promising line that you've seen thus far. 17:49 W tym przypadku ten wariant zaznaczony na fioletowo. So I I in this case, uh this this particular line in purple. 08 · 17:54 Od gier do realnych problemów17:55 To doprowadziło nas do gry nie tylko w go, lecz w dowolną dwuosobową grę z pełną informacją. So this then leads to, you know, we we then play did not just go, but any two-player perfect information game. 18:01 System potrafił odkryć nowe strategie i nowe style gry w szachy, co jest niezwykłe, bo komputery szachowe były już wtedy bardzo silne. And it was either able to discover new strategies and new styles of playing chess, um which which is kind of extraordinary, but given that chess computers were so strong already. 18:12 Choćby programy takie jak Stockfish. So uh programs like Stockfish. 18:14 A AlphaZero potrafił pokonać ówczesnego Stockfisha w szachy, co jest niemal niemożliwe. And ala zero was able to beat Stockfish at the time uh uh in at chess, which is almost sort of impossible to do. 18:21 I nie tylko go pokonał — tu AlphaZero gra białymi przeciw Stockfishowi grającemu czarnymi. And not only did it beat Stockfish, uh so Alpha zero here is in white, playing against Stockfish, who's black. 18:28 To pozycja z jednej z najsłynniejszych partii AlphaZero, nazywanej „nieśmiertelną partią zugzwangową”. But in this particular particular position, one of the most famous games that Alpha zero played it's called the Immortal zwang game. 18:34 Dlaczego tu wygrywa? Bo przedkłada mobilność nad materiał. um why is winning here um because it favors mobility over material. 18:39 Większość komputerów szachowych przedkłada materiał. So most chess computers favor material. 18:41 Ci z was, którzy grają w szachy, zobaczą, że czarne mają więcej materiału, ale nie mogą ruszyć żadną bierką. And you'll see that black, those you who play chess, you'll see that black has more material, um but actually can't move any of its pieces. 18:48 Wszystkie utknęły w rogu. They're all stuck in the corner. 18:50 AlphaZero poświęcił materiał dla tej mobilności. And this is Alpha zero sacrificed material for this mobility. 18:54 A dla ludzkich arcymistrzów i czołowych szachistów to nie tylko bardzo skuteczny styl, lecz także styl gry piękny estetycznie. And actually for human Grand Masters uh and top chess players, this is not only very effective sty it's very beautiful aesthetic style uh to and to play chess in. 19:04 To niesamowite, że AlphaZero potrafił odkryć ten nowy, dynamiczny sposób gry. So um it's kind of amazing that Alpha Zer was able to sort of discover this new way, this new dynamic way of playing. 19:11 Komentowali to zresztą niektórzy z najlepszych szachistów świata. And in fact, some of the top chess players in the world commentated about this. 19:14 Garri Kasparow, mój ulubiony szachista wszech czasów, powiedział, że programy zwykle odzwierciedlają priorytety i uprzedzenia programisty. So Gary Kasparov, my alltime sort of favorite chess player, he said, that programs usually reflect priorities and prejudices of the programmer. 19:21 „Ale ponieważ AlphaZero uczy się sam, powiedziałbym, że jego styl odzwierciedla prawdę”. But because Alpha zero learns for itself, I would say that its style reflects the truth. 19:26 A ówczesny mistrz świata, Magnus Carlsen, przeanalizował te partie i przeczytał książki napisane o AlphaZero, And then the current world champion at the time, Magnus Carlson said, uh you know, read uh and and looked at these games and and read about the books that were written about Alpha 19:35 po czym powiedział: „Ostatnio wpłynął na mnie jeden z moich bohaterów — AlphaZero”. Rzeczywiście włączył wiele tych idei do własnej gry, by zero And I said, I've been influenced by one of my heroes recently, one of which is Alpha zero So he actually incorporated a lot of these ideas uh into his own game to 19:45 dominować w świecie szachów przez niemal dekadę. dominate the chess scene for, you know, almost a decade now. 19:50 Dokonaliśmy więc tych przełomów w AI dla gier mniej więcej w ciągu pierwszej dekady istnienia DeepMind. So we did all these landmark breakthroughs in games AI and over the first, I guess, sort of decade of of of deep min's existence. 19:57 Ale oczywiście był to tylko poligon treningowy dla tego, co chcieliśmy osiągnąć — środek do celu. But of course, these were just the training ground for what we wanted to do and uh was just a a means to an end. 20:04 Celem samym w sobie nie było granie w te gry, choć bardzo je kocham. It wasn't the end in itself to play these games, much as I love games. 20:07 Chodziło o stworzenie algorytmów ogólnie przydatnych w rozwiązywaniu rzeczywistych problemów. um It was to create these algorithms that could be generally useful for tackling real -world problems. 20:15 Czego więc szukamy w rzeczywistych problemach — nie tylko naukowych, ale też przemysłowych? So um what we look for in real -world problems, not only scientific problems, uh but actually uh industrial problems as well. 20:22 Szukamy trzech kryteriów, które sprawiają, że problem nadaje się do zmierzenia się z nim za pomocą takich systemów AI oraz idei i algorytmów, które opracowaliśmy And we look for sort of three different criteria that make it suitable, the problem suitable to be tackled by these types of AI systems and and ideas and algorithms that we developed for 20:33 do gier. Po pierwsze, szukamy problemów, które można opisać jako ogromne kombinatoryczne przestrzenie przeszukiwania. playing games. um Number one is we look for problems that can be described as massive combinatorial search spaces. 20:41 Zwykle zbyt złożone, o zbyt wielu kombinacjach, by znaleźć rozwiązanie siłowo. So um so usually far too complex, far too many combinations to brute force the solution. 20:47 Ale być może jest w nich jakaś struktura, której sieci neuronowe mogą się nauczyć i która bardzo sprawnie pokieruje przeszukiwaniem. so um But maybe there's some kind of structure that we can learn about with annual networks that can guide that search very efficiently. 20:55 Po drugie, szukamy problemów, które da się opisać jasną funkcją celu albo jakąś miarą, względem której można optymalizować. Secondly, uh we look for problems that can be described with a clear objective function or some sort of metric uh that you can optimize against. 21:03 W grach to bardzo proste. So in games, that's very easy. 21:05 Chodzi o maksymalizację wyniku albo o wygraną. It's things like maximizing the score or uh winning the game. 21:09 Ale w rzeczywistości wiele realnych problemów da się sprowadzić do kilku miar albo kilku funkcji celu, które próbujemy maksymalizować. But actually, there's a lot of real -world problems that you can boil down to uh a few metrics or a few objective functions that you're trying to maximize. 21:17 I wreszcie, rzecz jasna, potrzeba sporo danych albo doświadczenia, z których można się uczyć, a najlepiej także dokładnego i wydajnego symulatora, który wygeneruje And then finally, of course, you need quite a lot of data uh or experience to learn from and or ideally it's and a kind of accurate and efficient simulator so you can generate 21:27 więcej danych syntetycznych uzupełniających dane rzeczywiste. more syn thetic data to augment uh the real data that you have. 21:33 Okazuje się, że wiele problemów da się ująć w tych kategoriach, jeśli patrzy się na nie pod tym kątem, w tym wiele, And it turns out uh that there are a lot of problems uh that can be couched in these terms if you're looking at the problem from this angle uh and including many, 21:42 wiele ważnych problemów naukowych. many problems, uh important problems in science. 21:46 A tym, który zawsze miałem w głowie, odkąd zetknąłem się z nim tu, w Cambridge, jako student, jest problem zwijania białek, And the one that I always had in mind actually from my days of first seeing, coming across the problem here at Cambridge as an undergrad is the protein folding problem, 09 · 21:53 Zwijanie białek21:54 który krótko opiszę tym, którzy nie znają się na biologii i białkach. uh which I'll just quickly describe to you for those that don't know about biology and proteins. 21:58 Białka są niezwykle ważne. So proteins are incredibly important. 22:01 To cegiełki życia — praktycznie każda funkcja żywego organizmu zależy od białek, od impulsów neuronów po skurcze włókien mięśniowych. They're they're the building blocks of life pretty much every every uh uh uh function in the living body depends on proteins um from your neurons firing to your muscle fibers twitching. 22:13 To właśnie białka umożliwiają życie. So really proteins are what makes life possible. 22:17 Sam problem zwijania białek bardzo łatwo opisać. And the protein folding problem then is is really easy to describe. 22:20 Białko jest określone przez swoją sekwencję genetyczną, która wyznacza sekwencję aminokwasów, It's basically a protein is is defined by its uh descri is is is defined by its gene sequence, it genetic sequence, which then specifies an amino acid sequence, 22:30 a ta w naturze samoistnie zwija się w zwykle bardzo piękną strukturę białka. uh which in nature then folds up spontaneously into usually a very beautiful uh protein structure. 22:38 Przechodzimy więc od sekwencji genetycznej do struktury białka. So you go from this genetic sequence to a protein structure. 22:42 A struktura białka, ta trójwymiarowa, jest tak ważna, bo w dużej mierze określa, jaką funkcję pełni białko i co robi w organizmie. And the reason the protein structure, the 3D structure is very important is it goes a long way to defining what function it has, what it does uh in the body. 22:51 Nie opisuje funkcji w całości, ale ma duży wpływ na to, co białko faktycznie robi w naturze. So um it's not doesn't totally describe the function, but it it has a big part to play in what what it actually does uh in nature. 22:58 Problem zwijania białek to więc pytanie: czy da się przewidzieć strukturę białka bezpośrednio z jednowymiarowej sekwencji aminokwasów? So the protein folding problem then is is this problem of can you predict the protein structure directly from this one-dimensional amino acid sequence? 23:07 Czy można obliczeniowo przewidzieć tę niesamowitą strukturę 3D na podstawie tej sekwencji? Can you predict that computationally, that incredible 3D structure uh uh from that sequence? 23:15 Dlaczego to taki trudny problem? So why is this such a hard problem? 23:17 Levinthal, słynny badacz białek z lat 60., sformułował hipotezę, która stała się znana jako paradoks Levinthala: Well, um uh lantal is a famous researcher, protein researcher in the in the 60s, described this uh uh uh conjecture that that that became called became known as the T's paradox, 23:29 obliczył, że przeciętne białko może przyjąć około 10 do potęgi 300 możliwych kształtów. which is that he calculated there roughly you know 10 to the 300 possible shapes that an average protein can take. 23:37 A jednak w naturze, w organizmie, białka zwijają się samoistnie w ciągu milisekund. Na tym polega paradoks. um And yet somehow in nature and in the body, these proteins fold up spontaneously in a matter of millisecs So that's the paradox. 23:46 Skoro możliwości jest tak wiele, jak natura to robi? Like if there's so many possibilities, how does nature do this? 23:50 Prawda? Jak w zasadzie fizyka to osiąga? Right? And basically, how does physics uh achieve this? 23:53 To daje nadzieję, że problem musi być rozwiązywalny obliczeniowo w rozsądnym czasie, bo fizyka go rozwiązuje, um And that gives you hope that this must be tractable computationally in some reasonable amount of time time because uh physics does solve this problem, U um you know, 24:02 miliardy razy na sekundę w organizmie. billions of times a second in the body. 24:06 Co więcej, przyciągnęło mnie do tego problemu to, że istniał organizowany co dwa lata konkurs CASP — można go uznać za olimpiadę And um furthermore, what attracted me to this um problem was that there was a biannual competition called the CASP competition, which is like, you can think of it as like the Olympics for 24:15 zwijania białek. Odbywa się co dwa lata i prowadzą go wspaniali ludzie pod kierunkiem profesora Johna Moulta z Uniwersytetu Maryland. protein folding. And it happens every two years and it's run by some amazing people led by Professor John molt uh University of Maryland. 24:22 Organizowany jest od 1994 roku. And um it's been running for since 1994. 24:26 To świetny konkurs, bo organizatorzy współpracują z eksperymentatorami, którzy żmudnie ustalają te struktury za pomocą bardzo egzotycznego i drogiego sprzętu, na przykład mikroskopów elektronowych. And it's a great competition because they work with experimentalists and uh who who painstakingly find these structures using very exotic and expensive equipment like electron microscopes. 24:39 Nowo odkryte struktury, które nie zostały jeszcze opublikowane, and um And they newly discovered structures that haven't been published yet. 24:43 trafiają do konkursu. They put it into the competition. 24:45 Organizatorzy znają więc prawdziwą odpowiedź, a zespoły obliczeniowe — setki zespołów startują So you actually, the the the the competition organizers know what the ground truth is, but the computational teams, you know, hundreds of teams enter every year, 24:54 w każdej edycji, co dwa lata — every every competition, every couple of years. 24:56 próbują przewidzieć te struktury swoimi metodami obliczeniowymi. And they try with their computational method to predict that those structures. 25:00 W konkursie jest zwykle około stu białek. And it's usually around 100 proteins that are in the competition. 25:03 Pod koniec lata ujawnia się prawdziwe struktury i można porównać z nimi przewidywane — ich odległości, And then at the end of the summer, um they reveal what the true structures are and you can compare the predicted ones uh and their distances, 25:10 czyli błąd przewidywań względem rzeczywistych struktur. the error in the predictions, uh to to the real structures. 25:16 Pierwszy raz zgłosiliśmy AlphaFold 1 w 2018 roku, a sam projekt AlphaFold zaczęliśmy w 2016 roku, praktycznie dzień po powrocie So we entered uh Alpha fold 1 actually for the first time in 2018 and we started this Alpha fold project in 2016 actually pretty much the day after we C we got back 25:28 z meczu AlphaGo w Seulu, w Korei. from the alphao match in Soul for in Korea. 25:31 Czułem, że jesteśmy gotowi — że nasze techniki są dość dojrzałe, by zastosować je poza grami i zmierzyć się z naprawdę We felt that, and I felt that we were ready, we had the techniques that were mature enough and ready to now be applied outside of games and to try and tackle uh really 25:41 znaczącymi problemami. meaningful uh uh problems. 25:43 Nazywamy je problemami-korzeniami, bo gdyby udało się je rozwiązać, otwierają całe nowe gałęzie i ścieżki odkryć, na których można dalej budować. We call them kind of root note problems because they open, if they could be solved, they they open up whole new branches and avenues of discovery that can be built on top. 25:51 A zwijanie białek było tego modelowym przykładem. And protein folding was was a prime example of that. 25:54 Zaczęliśmy więc pracę w 2016 roku. So we started working in 2016. 25:56 AlphaFold 1 był gotowy już po kilku latach i zgłosiliśmy go do konkursu CASP13. we we Alpha fold one was already after a couple of years and we entered it into the C 13 competition. 26:01 Te wykresy słupkowe pokazują wynik zwycięskiego zespołu z poprzedniej dekady w najtrudniejszej kategorii, And you can see for the decade prior, uh these bar charts are showing the winning score of the winning team uh uh uh in the hardest category, 26:11 czyli dla najtrudniejszych przewidywanych białek. actually the hardest proteins that were being predicted. 26:14 Można to traktować jako procentową dokładność: ile aminokwasów umieszczono we właściwym położeniu z pewną tolerancją — And you can think of it as a percentage accuracy of how many of the atomic, how many of these amino acids have you got in the right position within a certain tolerance, 26:22 trzeba je przewidzieć z dokładnością mniej więcej do szerokości atomu. uh within the sort of width of an atom you need to predict it within. 26:26 Widać, że przez dekadę nie było większego postępu i utknęliśmy na poziomie około 60 punktów. And um you can see there was sort of not much progress for a decade and we were stuck at this um 60 points level. 26:34 A dla nas… czyli And you we for the, which 26:41 w praktyce: dojście do 90 oznacza dokładność do szerokości atomu. is effectively if you got to 90, you would be within the width of an atom. 26:45 Czyli dokładność atomową. So You' be atomic accuracy. 26:46 Eksperymentatorzy mówili nam, że taką dokładność trzeba osiągnąć, by konkurować z metodami eksperymentalnymi. And that's what we were told by experimentalists was the accuracy you'd had to reach so that it was competitive with experimental methods. 26:53 Żeby eksperymentatorzy mogli polegać na tych przewidywaniach, zamiast koniecznie wykonywać żmudną, mozolną pracę, by ustalić strukturę. So the experimentalists could actually rely on these predictions rather than have having to necessarily do the laborious, painstaking uh work to um to find that structure. 27:04 Moi przyjaciele biolodzy zawsze mówili mi, że z grubsza cały doktorat — cztery, pięć lat — zajmuje doktorantowi And uh just as a rule of thumb, my biologist friends would always tell me that, you know, it take a PhD student, their entire PhD, so four or five years to fold, 27:14 ustalenie struktury jednego białka. uh to find the structure of just one protein. 27:16 A nauka zna 200 milionów białek, a w ludzkim proteomie jest ich 20 tysięcy. um and um and And there are 200 million proteins uh known to science and 20,000 uh uh uh proteins in the human uh proteo. 27:27 Z AlphaFold 1 wygraliśmy ten konkurs, wyprzedzając kolejny najlepszy system o prawie 50 procent. So uh so we with Alpha fold 1 we were able to uh win this competition and and sort of um be better by almost 50 than the next best system. 27:36 AlphaFold 1 po raz pierwszy uczynił uczenie maszynowe głównym komponentem systemu. And Alpha fold one for the first time, introduced machine learning techniques as the main component of the system uh for the first time. 27:43 Ale to nie wystarczyło, by osiągnąć dokładność atomową. uh But it was not enough to to reach this atomic accuracy. 27:47 Musieliśmy wrócić do deski kreślarskiej z tym, czego się nauczyliśmy, i od zera przeprojektować architekturę dla AlphaFold 2, wykorzystując wszystkie lekcje z AlphaFold 1, We actually had to go back to the drawing board with what we'd learned and re -architect it uh for Alpha fold 2 from scratch uh using all the learnings we had from alpha 27:56 by wreszcie osiągnąć dokładność atomową. fold one to finally reach this atomic accuracy. 27:59 To skłoniło organizatorów do ogłoszenia pod koniec 2020 roku, że problem został rozwiązany. And that led the organizers to declare that the problem had been solved in uh the end of 2020. 28:05 Tak AlphaFold działa w ujęciu wizualnym. So this is an example of how alpha works visually. 28:09 Po lewej stronie widać bardzo złożone białko. So you can see on the left -hand side here is a very complex protein. 28:12 Prawdziwa struktura jest zaznaczona na zielono. uh The ground truth is in green. 28:14 Przewidywana na niebiesko. The predicted uh structure is in blue. 28:16 Widać, jak ściśle niebieska pokrywa się z zieloną. And you can see how closely the blue uh overlaps the green. 28:20 A po prawej widać, jak działa AlphaFold 2. uh And then on the right -hand side, you can see how alpha fold 2 works. 28:24 Buduje strukturę w procesie iteracyjnym. It sort of builds up that structure in the iterative process. 28:27 Przetwarza samego siebie w kolejnych cyklach, przez 192 kroki, zaczynając od zmiętej kulki materii białkowej, aminokwasów, It kind of recycl Cycles itself actually over 192 steps um and then builds out, starts as a as a scrunch ball of of protein matter, amino acids, 28:36 i stopniowo buduje coraz bardziej wiarygodną strukturę. and then it builds out a more more plausible structure. 28:39 Na końcu dopracowuje ostatnie fragmenty, aż powstanie gotowe przewidywanie. And at the end, it sort of refines the last parts of it until it has the finished prediction. 10 · 28:45 Skutki AlphaFold28:45 Od razu potem spróbowaliśmy, bo AlphaFold jest nie tylko tak dokładny, ale też niezwykle szybki. um we We immediately uh then try to, because Alpha fold is so accurate, but it's not just accurate, it's also extremely fast. 28:54 Przeciętne białko potrafi zwinąć w kilka sekund. It's able to fold proteins in a matter of seconds, an average protein. 28:57 Dość szybko zrozumieliśmy, że możemy zwinąć wszystkie 200 milionów białek znanych nauce. We realized quite quickly that we could actually fold all 200 million proteins uh uh uh known to science. 29:04 W ciągu roku, przy użyciu mnóstwa komputerów w Google Cloud, zwinęliśmy je wszystkie i udostępniliśmy bezpłatnie w bazie danych And we over the course of a year, we used a lot of computers on the Google Cloud to to fold all of them and then put them out freely uh on a database 29:12 razem z kolegami z EMBL-EBI, tuż obok, w Sanger Centre pod Cambridge. with our colleagues at emble EBI just up the road uh at the sang Center um uh just outside of Cambridge. 29:19 Udostępniliśmy ją za darmo, bez ograniczeń, każdemu na świecie. And we provided that for free, unrestricted access to anyone in the world to use it. 29:24 Te 200 milionów białek — jeśli pomyśleć, ile trwa ustalenie struktury doświadczalnie, cztery, pięć lat — to jakby miliard lat pracy doktorantów wykonany w jeden um And that 200 million proteins, if you think about how long it takes to do that experimentally, four five years, it's kind of like a billion years of PhD time done in one 29:34 rok. To niesamowite, jak bardzo można przyspieszyć naukę. year. So, um you know, it's it's kind of amazing to think about how much science could be accelerated. 29:40 Otworzyło to zupełnie nowe kierunki badań, bo wiele z tych struktur, zwłaszcza dla słabiej zbadanych organizmów, jak niektóre rodzaje roślin, And it opened up whole new avenues of exploration because um many of these uh structures, especially for the less well -studied organisms, like some certain types of plants, 29:51 bardzo ważnych dla nauki, rolnictwa i badań rolniczych — prawie żadna z tych struktur nie zostałaby wyznaczona i udostępniona. they're very important for science and for agriculture um and agriculture research, but the the there's there's that you wouldn't have any, almost none of those structures would have been found and be available. 30:03 Teraz wszystkie są dostępne, a mając 200 milionów, można patrzeć na nie zbiorczo, porównywać struktury między gatunkami, szukać So now those are all available and also 200 million, you can look at them at an aggregate level and sort of look at structure structures um across species uh and uh kind of 30:14 metastruktur i sprawdzać, co mają wspólnego w toku ewolucji. meta -structures and see what the commonalities are uh through evolution. 30:19 Otwierają się więc naprawdę ciekawe, nowe gałęzie biologii strukturalnej, które są teraz badane. So there really interesting new avenues of of branches of of structural biology now that are being explored. 30:25 Oczywiście od początku myśleliśmy o bezpieczeństwie — jako czołówka AI bardzo poważnie traktujemy naszą odpowiedzialność. And of course, we thought about safety from the beginning uh and we take our responsibility very seriously at the forefront of AI. 30:32 W tym przypadku konsultowaliśmy się z ponad 30 ekspertami od bezpieczeństwa biologicznego i bioetyki, żeby upewnić się, że to, co wypuszczamy w świat, And in this case, we you know consulted with over 30 biocurity and bioethics experts to make sure that um what were putting out into the world, 30:40 przyniesie korzyści znacznie przewyższające związane z tym ryzyko. um the benefits of that far outweighed any any uh risks associated with it. 30:45 Z dumą mogę powiedzieć, że korzysta z niego ponad dwa miliony badaczy z niemal każdego kraju świata. And now I'm very proud to say that you know over two million researchers are using it um from pretty much every country in the world. 30:53 Cytowano go już ponad 30 000 razy i stał się standardowym narzędziem w badaniach biologicznych. um and uh And it's been sort of cited over 30,000 times now and it's become a standard tool uh in in in biology research now. 31:02 Wielu z was na sali, doktorantów, mam nadzieję, też z niego korzysta. And many of you in the audience who are PhD students, hopefully you're using it and making use of it. 31:06 Należy już do standardowego kanonu badań biologicznych. And it's just um part of the standard canon now that is used for biology research. 31:11 Zdumiewające jest to, co inni badacze zrobili z tą technologią i tymi wszystkimi strukturami. uh It's been amazing to see what other researchers have done uh with all of this uh technology and all these structures. 31:19 Wybrałem sześć moich ulubionych przykładów. um I've just called out uh six of my favorite uh uh examples. 31:23 Grupa badawcza z Uniwersytetu w Portsmouth używa go do walki z zanieczyszczeniem środowiska plastikiem — próbują zaprojektować nowe enzymy, czyli rodzaj białek, które potrafią uh People at University of Portsmouth are using it, research group is using it to tackle plastic pollution in the environment, trying to design new enzymes which are types of proteins uh that can 31:34 trawić plastik. Współpracujemy z Fleming Centre nad opornością na antybiotyki, a także nad chorobami zaniedbanymi, jak choroby tropikalne dotykające biedniejsze regiony świata. digest plastic. um We're working with the Fleming Center on antibiotic resistance, um neglected diseases uh like tropical diseases that affect the poorer parts of the world. 31:46 Współpracujemy z Drugs for Neglected Diseases Initiative. We work with the Drugs for neglecta Diseases Institute. 31:49 To dobry przykład, jak możemy przyspieszyć badania tam, gdzie — czy chodzi o malarię, leiszmaniozę czy wirusa Zika — wielu struktur nie znano. um And here's a good example of where we can accelerate research in those areas where you know whether it's malaria, leash manases um Zika virus, a lot of those structures are not known. 32:00 Teraz można przejść od razu do odkrywania leków, bo jest już wiele informacji o strukturach tych wirusów i bakterii. uh But now they can go straight to drug discovery because uh they have a lot of the information about the structures for those viruses and and bacteria. 32:09 Prowadzi się też dużo badań podstawowych, na przykład nad ustaleniem struktury kompleksu porów jądrowych — bardzo ważnego białka, które uh And then there's been a lot of fundamental research being done on things like uh finding the the structure of the nanop complex, which is a very important protein that that that lets 32:19 przepuszcza substancje odżywcze do i z jądra komórki przez por jądrowy. in nutrients in and out of the nuclear Poe of the cell. 32:23 W Broad Institute powstała niesamowita praca nad dostarczaniem leków: projektowanie molekularnych strzykawek, przeprojektowywanie białek, które dostarczają leki do konkretnej części ciała. um as amazing work at the Broad Institute done with drug delivery, sort of designing molecular syringes, redesigning uh proteins that can deliver drugs targeted to a particular part of the body. 32:34 Używa się go nawet do badania mechanizmów płodności. uh And it's even being used in in things like looking at mechanisms of of fertility. 32:39 Zakres zastosowań obejmuje dziś niemal każdą dziedzinę biologii i badań medycznych — wszędzie korzysta się z AlphaFold. Przez So the the amount of things that it's being used for is sort of almost every area of biology and medical research now is is uh making use of alpha fold We've continued in 11 · 32:49 Przyszłość odkrywania leków32:51 ostatnie kilka lat dalej rozwijaliśmy i ulepszaliśmy te systemy. the last few years to develop uh more struct more uh uh uh uh developments and improving the systems. 32:57 Na początku tego roku udostępniliśmy naukowcom AlphaFold 3. We released Alpha fold 3 uh earlier this year uh uh for academics to use. 33:02 Rozszerzyliśmy AlphaFold 3 tak, by obsługiwał interakcje. And we've extended now Alpha fold 3 to to deal with um interactions. 33:07 AlphaFold 2 można sobie wyobrazić jako zdjęcie statycznej struktury białka, ale biologia to proces dynamiczny. So um you can think of alpha fold 2 as a picture of the the static uh uh protein structure, but really biology is a dynamic process. 33:15 Trzeba więc rozumieć, jak różne elementy biologiczne oddziałują ze sobą. So you need to understand how how um different biological elements interact with each other. 33:21 Oczywiście białka z innymi białkami, ale też białka z innymi cząsteczkami ważnymi dla życia, jak DNA i RNA, a także ligandy, czyli małe cząsteczki, So of course, proteins with other proteins, but also proteins with others other molecules uh important to life, things like DNA and RNA, and also ligans So uh small molecules, 33:32 na przykład związki stanowiące leki. which, uh you know, things like drug compounds. 33:35 Jak białko wiąże się z takim związkiem? How does the protein bind with um with that compound? 33:40 Mamy też osobny nurt prac, AlphaProteo, który robi odwrotność AlphaFold, wciąż korzystając z jego technik: And then we have a separate set of work, Alpha proteo which is doing the reverse of alpha fold about making use of, still of of the alpha fold techniques, 33:48 jeśli chcesz zaprojektować nowe białko, może nieistniejące w naturze, do konkretnego zadania, konkretnej funkcji — jaka sekwencja aminokwasów i jaka sekwencja genetyczna where if you want to design a novel protein, maybe that doesn't exist in nature for a particular job, a particular function, what is the amino acid SE and the genetic sequence that will 33:59 da ci taką strukturę? give you that structure? 34:01 To jakby uruchomić go wstecz i projektować nowe struktury, które robią nowe rzeczy — znów może to być niezwykle przydatne so um So it's kind of like running it in reverse and trying to design new structures that will do novel things um and, again, could be extremely useful uh uh in in for 34:11 przy projektowaniu leków, antybiotyków i przeciwciał. for designing drugs and things like anti antibiotics and antibodies. 34:18 Zróbmy więc krok wstecz: jeśli spojrzę na całą naszą pracę z ostatnich 15 lat, jakie ma ona implikacje dla nauki i So taking a step back then, what is, uh you know, if I look at all the work we've done in the last 15 years, um what's the implications uh for science and and 12 · 34:24 Nauka w cyfrowym tempie34:27 dla uczenia maszynowego? also machine learning? 34:28 Jeśli pomyśleć o tym, co zrobiliśmy — najpierw w grach, a teraz w pracy naukowej, um And if you think about what we've done with, first of all, our games work, uh and then now with the scientific work that we've been working on, 34:35 której najlepszym przykładem jest AlphaFold — chodzi zawsze o to, by przeszukiwanie stało się wykonalne. of which Alpha fold is our best example, um it's all about making this search tractable. 34:41 Mamy niezwykle złożony problem z ogromną liczbą możliwych rozwiązań i trzeba znaleźć to optymalne — jak igłę w stogu siana w tej ogromnej You have this incredibly complex problem, there's many, many possible solutions to the problem, and you've got to find uh the optimal solution, kind of needle in the Hy stack of that uh enormous 34:52 kombinatorycznej przestrzeni przeszukiwania. combinatorial search space. 34:53 Nie da się tego zrobić metodą siłową, więc trzeba nauczyć model sieci neuronowej, który poznaje topologię problemu, tak żeby And you can't do it by brute force, so you have to learn the this new network model, um so it sort of learns about the topology of the problem uh so that you 35:03 można było sprawnie kierować przeszukiwaniem i znaleźć optymalne rozwiązanie dla celu, który mamy na myśli. can efficiently guide the search to reach your, uh to maximize or find the optimal solution to the objective that you have in mind. 35:12 Uważam, że to niezwykle ogólne rozwiązanie, niezwykle ogólny sposób podejścia do mnóstwa problemów. And I think this is an incredibly general way, uh uh in general solution, an incredibly general way to approach um a whole myriad of problems. 35:21 Wróćmy do przykładu z Go: używamy tych systemów, by znaleźć najlepszy ruch w Go, ale można też zamienić te węzły na związki And so we think about back to the Go example, so we're trying to use these systems to find the best Go move, but you could also change those nodes to be uh chemical 35:31 chemiczne — i wtedy szukamy najlepszej cząsteczki w przestrzeni chemicznej. To początek projektowania leków: compounds, and now you're trying to find the best molecule in chemistry space, in chemical space, and the best molecule, you know, and this this is the beginning of drug design, 35:41 cząsteczki, która zwiąże się specyficznie z interesującym nas celem, ale z niczym innym. and and that will bind specifically to the target you're interested in, but nothing else. 35:46 To ogranicza skutki uboczne i toksyczność takiego związku. So it reduces the side effects and the toxicity of that compound. 35:50 Bardzo podobnych technik używamy teraz do projektowania tych cząsteczek, w kolejnych krokach, w miarę jak coraz bardziej wchodzimy w odkrywanie leków. um And it's a very, very similar um techniques that we're using in order to design these molecules now as the next steps as we as we move more and more into drug discovery. 13 · 35:58 Era biologii cyfrowej36:01 Myślę, że przynajmniej w biologii wkraczamy w nową erę — erę tego, co lubię nazywać biologią cyfrową. So I think in biology, at least, um I feel like we're entering a new era now of what I like to call digital biology. 36:08 Na najbardziej podstawowym poziomie myślę o biologii jako o systemie przetwarzania informacji, który próbuje opierać się otaczającej go entropii. So, you know, I think of biology in its most fundamental level as an information processing system, you know, that's trying to resist entropy around it. 36:17 Myślę, że w zasadzie tym właśnie jest życie. And I think that's basically what life is. 36:19 Oczywiście to niebywale złożony, emergentny system przetwarzania informacji. um Of course, it's a phenomenally complex and emergent information processing system. 36:24 I tu wkracza AI: tak jak matematyka — której uczyłem się w tej sali — była idealnym językiem opisu fizyki i zjawisk fizycznych, uh And I think that's where AI comes in, just like maths and the maths that I learned in this room was the perfect description language for physics um and phys phys physical phenomena. 36:35 tak AI może być idealnym językiem opisu biologii. I think that AI is potentially the perfect description language for biology. 36:39 Doskonale radzi sobie ze złożonością emergentnych zachowań i interakcji, jakie zachodzą w dynamicznym systemie, takim jak biologia. um It's perfect for dealing with the complexities of the emergent behaviors and interactions that you get in a dynamic system like biology. 36:48 A AlphaFold jest tego dowodem. And I think Alpha fold is a proof point of that. 36:51 Mam nadzieję, że patrząc wstecz za 10 lat, zobaczymy w nim nie odosobniony przełom, lecz zwiastun nowej ery, um And I hope when we look back in 10 years' time, it won't be an isolated breakthrough, but actually um have has sort of heralded in this new era, 37:00 złotej ery biologii cyfrowej. um golden era of digital biology. 37:02 Sami staramy się ją przybliżać. And we're trying to progress that ourselves. 37:04 Założyliśmy nową spółkę wydzieloną, Isomorphic Labs, by rozwijać technologię AlphaFold, wejść głębiej w przestrzeń chemiczną, o której przed chwilą mówiłem, i na nowo wymyślić We started a new spin -out company, Isomorphic Labs, to build on our Alpha fold technology and move more into the chemistry space that I was just talking about and actually try and reimagine 37:14 odkrywanie leków od podstaw, z pomocą AI. drug discovery from first principles with AI. 37:17 Dziś opracowanie leku zajmuje średnio 10 lat i jest niezwykle kosztowne. And right now, it takes an average of 10 years um for a drug to be developed, um and it's extraordinary expensive. 37:24 Kosztuje miliardy dolarów. It cost billions and billions of dollars. 37:25 Myślę więc: dlaczego nie użyć tych technik, by skrócić to z lat do miesięcy, a może kiedyś nawet tygodni — tak jak skróciliśmy wyznaczanie struktur białek And so, why I'm thinking, why why can't we use these techniques to reduce that down from years to months, maybe even one day weeks, just like we reduce down the discovery of protein 37:36 z potencjalnie lat do minut i sekund. structures from potentially years down to now minutes and seconds. 37:42 Myślimy o tym jak o uprawianiu nauki w cyfrowym tempie. And so, we think of this as a kind of doing science, a digital speed. 37:47 Chodzi o to, by wnieść to, co najlepsze w technologii, do nauk przyrodniczych. So, um trying to bring the best of what we do in the technology area to the um the natural sciences. 37:55 Marzę, by kiedyś stworzyć wirtualną komórkę, komórkę obliczeniową — może czegoś bardzo prostego, jak komórka drożdży — And my dream one day is to be to create maybe a kind of virtual cell, uh a computational cell, perhaps of something very simple like a yeast cell, 38:04 na której można przeprowadzać eksperymenty in silico, a przewidywania uzyskane z wirtualnej komórki podpowiadałyby, jak prowadzić prawdziwe eksperymenty um and that you can actually run experiments in silico on it, and the predictions that you get out of the virtual cell will actually tell you uh inform your your real -world experiments 38:14 w laboratorium. in the lab. 38:15 Można by znacznie ograniczyć poszukiwania prowadzone w mokrym laboratorium i używać go raczej do walidacji niż do bardzo kosztownego um And you can reduce down a lot of the search that's done in the wet lab uh and actually um more use the wet lab for validation steps rather than the very expensive 38:24 i powolnego procesu poszukiwań. um and slow search process. 14 · 38:28 AI dla całej nauki38:29 Oczywiście AI stosujemy nie tylko w biologii — można jej używać szerzej: w nauce, matematyce, medycynie. Of course, AI, and we've been using AI not just in biology, but it can be used for science, mathematics, medicine, more generally. 38:37 Mieliśmy cały szereg przełomów nie tylko w naukach biologicznych, ale też w zdrowiu, jak wykrywanie chorób oczu ze skanów siatkówki, um and we've had a whole range of breakthroughs not just in the biological sciences, but from things in health like identifying eye disease from retinal scans, 38:45 odkrywanie nowych materiałów, pomoc w utrzymywaniu plazmy w reaktorach fuzyjnych, szybsze algorytmy — AI odkrywająca lepsze algorytmy dla samej siebie, jak szybsze mnożenie macierzy, discovering new materials, um helping with plasma container infusion reactors, faster algorithms, um so AI discovering better algorithms for itself like faster matrix multiplication, 38:58 prognozowanie pogody, a nawet pomoc przy komputerach kwantowych i korekcji błędów w obliczeniach kwantowych. doing weather prediction, and even helping with quantum computers and error correction in quantum computing. 39:03 A to tylko mały wycinek naszych prac z ostatnich dwóch, trzech lat. And that's just a small example of some of the work we've been doing in the last um two, three years. 39:08 Myślę, że AI znajdzie zastosowanie praktycznie w każdej dziedzinie. And I think AI will be almost be applicable to pretty much every field. 39:12 Zawsze zachęcam uczelnie, by bardzo poważnie pomyślały o pracy multidyscyplinarnej, w której stosuje się AI do właściwych pytań w danej specjalistycznej dziedzinie. And uh and I always encourage actually uh universities to start thinking very seriously about multidisciplinary work where you apply AI to the right questions in a particular specialist field. 39:23 Myślę, że dzięki temu w ciągu najbliższych 5–10 lat dokona się bardzo wiele postępów. And I think there's many, many uh advances to be made over the next 5 to 10 years by doing that. 15 · 39:30 Droga do AGI i modele świata39:31 Zakończę więc nieco ogólniejszym spojrzeniem — nie tylko na AI dla nauki, ale na drogę do AGI (ogólnej sztucznej inteligencji), na to, jak blisko niej jesteśmy, i na naszą So I'll just end then with a little bit of uh more general view about not just AI for science but the path to AGI and how close we are to that and our 39:41 ogólniejszą pracę nad pierwotną misją, czyli AGI. more general work on the original mission of of AGI. 39:45 Robimy duże postępy we wszystkich obszarach ogólnego rozumienia świata. And um we've been making a lot of advances in in all areas of general understanding of the world. 39:50 Czasem nazywamy to modelami świata. um We sometimes call them world models. 39:52 Szczególnie dumni jesteśmy z naszego nowego modelu wideo, Veo 2, wydanego pod koniec zeszłego roku. um So we're particularly proud of our new video model called V2 which was just released at the end of last year. 39:58 To najnowocześniejsze generowanie wideo — potrafi tworzyć takie filmy z samego opisu tekstowego albo z jednego statycznego obrazu. It's it's um state-of-the-art video generation and um it's able to generate these videos just from a text description right or or a single static image. 40:09 Choć niektóre z tych filmów mogą nie wyglądać imponująco, pomyślcie o tym z krojeniem pomidora — to jak test Turinga dla modeli so you know And uh actually, although some of these videos may not seem that impressive, if you think about um this chopping the tomato one, this is like the touring test for video 40:18 wideo, bo zwykle pomidor magicznie się skleja, nóż przechodzi przez palce albo gdzieś odpływa. models because usually you get you know the tomato comes magically back together or you're chopping through the fingers or the knife moves off somewhere. 40:25 Pomyślcie, co te systemy musiały zrobić, żeby naprawdę zrozumieć fizykę świata — albo bąbelki wokół tej borówki, And it's actually, if you think about what the systems had to do to really understand the physics of the world uh or this or the bubbles around this blueberry here, 40:34 generowane wyłącznie z tekstu. right it's just generating that from text. 40:35 Borówki wpadające do szklanki wody — i cała fizyka jest poprawna; albo ruch tych małych postaci z kreskówki, albo pszczoła you know Blueberries dropping into a glass of water and it's it's doing all the physics of this correctly or the motion of um you know these these little cartoon characters or the bee 40:45 tutaj. To naprawdę zdumiewające. Gdyby ktoś mi powiedział pięć lat temu, że będzie to możliwe bez wbudowania jakiegoś specjalnego rozumienia fizyki here. um It's kind of mind-blowing really and I think even if you told me five years ago um that this would be possible without sort of building in some special understanding of physics 40:56 czy czegoś podobnego, odpowiedziałbym, że to mało prawdopodobne. or something, I would told you that that's seems unlikely that that would be possible. 41:00 A jednak te uczące się systemy potrafią poznać fizykę prawdziwego świata tylko z oglądania mnóstwa filmów na YouTube. but yet somehow these learning systems are able to learn about real -world physics um just from watching you know many, many YouTube videos. 41:08 To dość szalone, że to w ogóle możliwe. And um it's it's pretty crazy that that's possible. 41:11 To już zrobiliśmy. So we've done that. 41:13 Poszliśmy krok dalej z Genie 2 — tu oczywiście znów zakładam swój growy kapelusz — który rozwija modele Veo o kolejny krok. We've gone a step further with genie2 which of course bringing my games uh uh hat back in here and this is taking those vo models a step further. 41:22 Teraz z instrukcji tekstowej można wygenerować całą grę. So now with the text instruction you can generate a whole game. 41:25 Tu na dole wpisano: „wygeneruj grywalny świat, w którym jestem robotem w futurystycznym mieście”, i powstaje coś takiego, czym można sterować So you know here we at the bottom here he said generate a playable world as a robot in a futuristic city and it just comes up with this and you can control it 41:33 klawiszami QWE i strzałkami. with the you know QWE keys and the arrow keys. 41:36 Na razie spójność utrzymuje się tylko przez kilka sekund, ale pracujemy nad tym, by świat gry pozostawał spójny przez wiele minut. um At the moment it's only consistent for a few seconds um but we we're we're working to extend that to so that the consistency of the game world lasts for many minutes. 41:45 Wtedy naprawdę mamy to, co nazwałbym modelem świata. um And so then you've really got what I would call a world model. 41:49 Prawdziwe rozumienie realnego świata, tego, jak działają w nim interakcje i jak działa jego fizyka. A really an understanding of the real world um and and how interactions in that real world work and the physics of the real world work. 16 · 41:58 Odpowiedzialny rozwój AI41:57 Oczywiście bardzo intensywnie pracujemy nad aspektami bezpieczeństwa — od samego początku, od 2010 roku, planowaliśmy na wypadek sukcesu, choć um Of course we've been working very hard on the safety aspects of this uh and from very from the very beginning in 2010 we were working on um uh planning for success even 42:09 choć wtedy prawie nikt nie zajmował się AI. though almost nobody was working on AI back then. 42:12 Zakładaliśmy, że to będzie misja na 20 lat, i, co zdumiewające, po 15 latach jesteśmy mniej więcej zgodnie z planem. Planowaliśmy sukces: jeśli um we We imagined that it would be a 20-year mission and actually amazingly we're sort of on track 15 years in and um we we were sort of planning for success if we 42:22 uda nam się zbudować tego rodzaju przełomowe systemy i technologie, przyjdzie z tym także ogromna odpowiedzialność, by wdrażać je w sposób bezpieczny i were to build these kinds of transformative systems and technologies um it would come with a lot of uh uh responsibility as well to make sure they get deployed in a safe uh and 42:32 odpowiedzialny. Jedna z technologii, które zbudowaliśmy, nazywa się SynthID. To niewidoczny znak wodny: adwersaryjny system AI minimalnie modyfikuje piksele responsible way. And one of the uh systems we technologies we built is called synth ID which um invisibly watermarks uh actually using an AI system adversarial AI system uh slightly adjust the pixels 42:45 albo tekst, albo dźwięk, w sposób niezauważalny dla ludzkiego oka czy ucha, ale system detekcji potrafi rozpoznać, że treść została wygenerowana syntetycznie, czy to or the text or the or the audio um imperceptibly to the human ear or eye um but it can be detected by a detection system that these were synthetically generated images whether that's 42:57 dźwięk, obraz, czy wideo. Oczywiście w miarę upowszechniania się tych technologii coraz ważniejsza będzie umiejętność łatwego odróżniania obrazów wygenerowanych syntetycznie audio um image or video and of course it's going to become increasingly important um as uh as as these technologies become widely dep deployed that we're able to easily distinguish between synthetically generated 43:10 od prawdziwych. images and real images. 17 · 43:11 AI w społeczeństwie43:12 AI ma niesamowity potencjał, by pomóc nam z największymi wyzwaniami, od klimatu po zdrowie, ale oczywiście dotknie to każdego, więc So AI has been you know it's this incredible potential uh to to help with our greatest challenges from climate to to health but obviously this is going to affect everyone um so I 43:24 uważam, że to bardzo ważne, by nie decydowali o tym wyłącznie technolodzy, tylko byśmy włączyli w tę rozmowę szerokie grono interesariuszy z całego społeczeństwa. think it's really important that we engage not just it's not just the technologist deciding this but that we engage with a wide range of stakeholders from society. 43:33 Bardzo mnie cieszy, że w ostatnich kilku latach jednym ze skutków wejścia AI do głównego nurtu jest zainteresowanie nią wielu rządów i wszystkich So I've been really pleased in the last couple of years that one of the consequences of AI becoming mainstream is that many governments have got interested in it and many parts of all 43:41 części społeczeństwa. Wspaniale było widzieć te międzynarodowe szczyty. Pierwszy zorganizowała Wielka Brytania w Bletchley Park kilka lat temu, gromadząc szefów rządów, parts of society and I think it's been great to see these international summits actually the UK hosted the first one in Bletchley Park a couple of years ago bringing together heads of government 43:50 środowisko akademickie i społeczeństwo obywatelskie, by rozmawiać o tych technologiach: jak postawić właściwe bariery ochronne, jak wykorzystać szanse, a zarazem ograniczyć ryzyka, with academia and civil society to discuss uh these technologies um how to put the right Guard Wells on it how to make sure we embrace the opportunities um but we mitigate the risks 44:02 które nadchodzą. Myślę, że będzie to coraz ważniejsze, biorąc pod uwagę wykładnicze tempo postępu, jaki obserwujemy w tych technologiach. um that are coming down the line and uh I think that's going to become increasingly important um given the exponential improvement uh that we're seeing with these technologies. 44:11 Ujmuję to skrótowo tak: w Dolinie Krzemowej panuje mantra „działaj szybko i So my my my short hand for this is to say you know with with a lot of Silicon Valley tries to the kind of mansion Silicon Valley is is like move fast and 44:20 psuj rzeczy”. Oczywiście przyniosło to wiele postępu, wiele technologii, z których wszyscy dziś codziennie korzystamy, ale moim zdaniem nie jest to właściwe podejście break things and of course that's that's created a lot of advancers a lot of of the technologies we all use every day today but I think it's not appropriate in my opinion for 44:29 do tego rodzaju przełomowej technologii. this type of transformative technology. 44:32 Uważam, że powinniśmy raczej stosować metodę naukową i podchodzić do tego z pokorą i szacunkiem, na jakie ta technologia zasługuje. I think instead you know we should be trying to use uh the scientific method and approach it with the kind of humility and respect that this kind of technology deserves and you know 44:41 Wielu rzeczy nie wiemy. Jest mnóstwo niewiadomych co do tego, jak ta technologia będzie się rozwijać, jest przecież tak nowa. Sądzę, że z wyjątkową not we we don't know a lot of things there are a lot of unknowns around how this technology is going to develop it's so new um um and I think with exceptional sort 44:50 ostrożnością i przezornością możemy uzyskać wszystkie korzyści i zminimalizować wady, ale tylko pod warunkiem, że badania i debatę na ten temat zaczniemy of care and foresight we can get all the benefits uh and minimize uh the downsides of this but but I think only if we um start the research and the debate about that 45:01 już teraz. Na koniec: budujemy teraz własne duże modele multimodalne, które starają się połączyć to, co najlepsze we wszystkich pokazanych przeze mnie modelach, w jeden now. So just to end then we're now building our own big multimodal models that try and take the best of all of these different models I've shown you and put it into one 18 · 45:02 Asystenci przyszłości45:11 system. Nazywamy go serią Gemini. Najnowszy to Gemini 2.0, który niektórzy z was może już wypróbowali; to czołówka w wielu wiodących benchmarkach. Wykorzystujemy go dalej: system uh uh we call it the Gemini series our latest one's Gemini 2.0 that some of you may have tried which is state-of-the-art across many leading benchmarks um we're using it to further 45:22 bardzo ekscytuje mnie następna generacja asystentów, które nazywam uniwersalnymi asystentami. U nas to Project Astra: masz go w telefonie albo innym urządzeniu, może w okularach, that I'm very excited about the next generation of assistants I call it Universal assistance we call it Project Astra where actually you have it on your phone or some other devices maybe glasses 45:31 i staje się asystentem, którego zabierasz ze sobą do realnego świata i który pomaga ci w codziennym życiu, and it starts it's being an assistant that you can take around with you in the in the real world and it helps you in everyday life to um uh to to get to 45:38 wzbogaca je albo zwiększa twoją produktywność. Kolejny krok w AI to połączenie tego z podejściem z AlphaGo, czyli modelami agentowymi, które potrafią enrich your life or to make you more productive and the next step then in AI is combining what I've shown you with AlphaGo these kinds of um agent-based models they're able to um 45:53 sprawnie przeszukiwać przestrzeń i znajdować dobre rozwiązanie problemu w ograniczonej dziedzinie, w tym przypadku w grach. My chcemy zbudować takie systemy przeszukiwania efficiently search through and find a good solution to a problem in a in a limited domain in this case in games but we want to actually build those types of search systems and 46:04 i planowania na bazie znacznie ogólniejszych modeli, takich jak Gemini, modeli świata, które rozumieją, jak działa realny świat, a potem potrafią planować i osiągać cele w realnym planning systems on top of much more general models like Gemini these world models that understand uh how the real world works and then can then plan and and achieve things in the real 46:15 świecie. To oczywiście klucz do tego, by zadziałała na przykład robotyka, która moim zdaniem w ciągu najbliższych dwóch, trzech lat będzie ogromnym obszarem, world and of course that's key to things like robotics uh working which I think in the next two three years is going to be a huge area um that's going to going to 46:23 w którym nastąpi potężny postęp. Zakończę więc pewną hipotezą: co to wszystko oznacza, jeśli wrócimy myślą do Turinga i całej have a massive advances in it so I'll just finish then by just having a a slight conjecture about what does this all mean if we think back to touring and all of the 19 · 46:26 Granice klasycznych komputerów46:36 pracy, jaką wykonał, kładąc fundamenty informatyki? Patrząc na naszą pracę, postrzegam siebie jako work that he did to lay down the foundations uh of computer science and um and I think that uh if you see the work that we've done I see myself as a kind 46:45 swego rodzaju orędownika Turinga: jak daleko mogą zajść maszyny Turinga i idea klasycznych obliczeń? Chyba na jednym z wykładów, na które chodziłem of touring's champion in a way like he how far can the touring machines and this idea of classical computing go and I feel like um probably one of the lectures I took in 46:55 w tej sali, poznałem jeden z moich ulubionych tematów do rozmyślań, czyli problem P kontra NP, słynny problem informatyki: jakie rodzaje problemów this room was one of my fite favorite things to think about is the P calls MP problem which is uh a famous problem in computer science of you know what sorts of problems 47:04 są rozwiązywalne w praktyce na systemach klasycznych. Oczywiście trwa mnóstwo świetnych prac nad komputerami kwantowymi, w dużej mierze tutaj, w Cambridge, a także w Google, gdzie mamy jedną attractable on classical systems and um and there's obviously a lot of great work going on in quantum computing systems uh many of that here in Cambridge and also at Google we have one 47:14 z czołowych grup obliczeń kwantowych na świecie. Uważa się, że wiele rzeczy wymaga do rozwiązania obliczeń kwantowych, wiele realnych systemów, of the top Compu uh quantum computing groups in the world and there's a lot of things that are thought to require quantum computing to solve a lot of real world uh systems that 47:24 które chcielibyśmy zrozumieć i zamodelować. Moja hipoteza jest taka, że klasyczne maszyny Turinga, czyli klasyczne maszyny, na których zbudowane są tego typu systemy AI, potrafią znacznie więcej, niż we would like to understand and model my conjecture is that actually classical touring machines basically classical machines that these types of AI systems are built on can do a lot more than we 47:35 dotąd zakładaliśmy. Weźmy AlphaFold i zwijanie białek. Białka to układy kwantowe, działają w skali atomowej, i można by sądzić, że previously gave them credit for and if you think about alpha fold and protein folding you know proteins are quantum systems you know they operate at the atomic scale and one might think you 47:46 potrzeba symulacji kwantowych, by ustalić struktury białek. A jednak udało nam się przybliżyć te rozwiązania za pomocą naszych sieci neuronowych. Dlatego sądzę, need quantum simulations to actually be able to find the structures of proteins and yet we were able to approximate those solutions uh uh with our neural networks um um and so I think 47:58 że jedna z możliwych idei jest taka: każdy wzorzec, który może powstać lub występuje w naturze, czyli ma jakąś rzeczywistą, fizyczną strukturę, da się sprawnie odkryć i zamodelować you know one one potential idea here is that any pattern that can be generated or found in nature so i has some real structure physical structure can be efficiently discovered and modeled by 48:09 za pomocą klasycznego algorytmu uczącego się, takiego jak AlphaFold. A jeśli to się potwierdzi, będzie to miało wszelkiego rodzaju konsekwencje dla mechaniki kwantowej, a nawet fundamentalnej one of these classical learning algorithms like alpha fault um and if that turns out to be true I think that has all sorts of implications uh for quantum mechanics and and actually fundamental 48:19 fizyki. Mam nadzieję to zbadać, podobnie jak wielu moich kolegów, być może z pomocą właśnie tych klasycznych systemów, które pomogą nam odkryć, physics um which you know is something that I hope to explore and many of my colleagues hope to explore maybe with the help of these classical systems as well to help us uncover 48:29 jaka może być prawdziwa natura rzeczywistości. I to prowadzi mnie z powrotem do powodu, dla którego wiele, wiele lat temu wkroczyłem na ścieżkę AI: zawsze wierzyłem, że what the true nature of reality might be and that leads me back to the whole reason why I started my path on AI many many years ago is that I always believed that 20 · 48:32 Zakończenie48:39 AGI zbudowana w ten sposób może być najwyższym narzędziem ogólnego przeznaczenia do zrozumienia otaczającego nas wszechświata i naszego w nim miejsca. Dziękuję. AGI uh built in this way could be the ultimate general purpose tool to understand the universe around us and our place in it thank you 21 · 48:54 Pytania z sali48:55 – Dobrze. right 49:03 Mamy czas na kilka pytań. Jeśli ktoś ma pytanie… pierwsza ręka w górze, tutaj. – Dzień dobry, dziękuję za świetny wykład. Ponieważ masz wykształcenie neuronaukowe we have time for some questions if people have questions firstand shot up just here hi than thank you uh thank you for the great talk um because you have a background in neuroscience 49:15 i lubisz myśleć w kategoriach problemów „węzłów korzeniowych”, czy natrafiłeś kiedyś w neuronauce na taki problem, który uznałeś za wart podjęcia i wciąż wart podjęcia, um and you really like to think in terms of root note problems was there ever a root Noe problem you came across in neuroscience that you thought was worth tackling and still worth 49:26 by jeszcze lepiej zrozumieć inteligencję biologiczną i sztuczną? – Tak, jest ich wiele. W doktoracie badałem właśnie pamięć, ale też wyobraźnię, czyli myślenie o przyszłości, tackling to understand biological and artificial intelligence even better yeah there's many I mean I that's what I studied for my PhD actually was um memory but also imagination so future thinking kind of 49:39 planowanie. Bardzo chciałem zrozumieć, jak mózg to robi, i okazuje się, że w obu procesach uczestniczy hipokamp, więc może dałoby się to naśladować za pomocą niektórych planning so I really wanted to understand um how the brain did that and it turns out the hippocampus is involved in both uh so that we could maybe mimic that with with some 49:50 z tych algorytmów. Myślę więc, że jest tu wiele kluczowych kwestii. Oczywiście są też wszystkie wielkie pytania: o kreatywność, śnienie, świadomość. Wszystkie te wielkie pytania, przy których of these algorithms so I think there are many key things in that of course um there are all the big questions around you know creativity dreaming consciousness all these big questions that I 50:01 budowanie AI i porównywanie jej z ludzkim umysłem jest moim zdaniem jedną z najlepszych dróg do postępu w takich problemach „węzłów korzeniowych”, jak think um building AI uh and then comparing it to the human mind is one of the best ways I think we'll make progress with those sorts of root no problems like you know 50:11 natura świadomości i to, czy jest coś wyjątkowego w realizacji na substracie mózgu w porównaniu z algorytmicznym naśladowaniem tego w krzemie. – Świetnie. Mamy what is the nature of consciousness and is there something special about the instantiation of the substrate of the brain versus um uh algorithmically uh a mimicking that in silicon great um got a 50:25 pytanie tutaj. – Dzień dobry, mam właściwie dwa pytania. Skoro DeepMind powstał przed rewolucją głębokiego uczenia, chciałbym wiedzieć, jakie było twoje nastawienie: gdyby głębokie question just here uh hi um I have two questions actually so since Deep Mind was founded before the deep learning revolution I wanted to know what your state of mind was had deep 50:39 uczenie się nie przyjęło, jak zamierzaliście iść naprzód? To pierwsze pytanie. Drugie: skoro masz bliskie doświadczenie z tak trudnymi, tak wielowymiarowymi learning not picked up or how were you going to progress uh that's the first question and second question is since you've um had intimate experiences with um such challenging problems such high dimensional 50:52 problemami, a wiemy, że warianty spadku gradientu nie zbiegają do rozwiązania optymalnego, tylko do lokalnie optymalnych, czy zaskakiwało cię, że cokolwiek w tych systemach w ogóle działa, problems and we know that U gradient descent variants can't uh sort of converge to the optimum solution only locally optimum solutions were you surprised that anything works at all in these systems at 51:08 na każdym etapie? I czy uważasz, że większość natury jest w pewnym sensie suboptymalna, więc moglibyśmy potencjalnie zbudować bardziej optymalną naturę? – Posłuchaj, every s at every point in time and um do you think that most of the nature is kind of suboptimal and so we can potentially build a more optimal nature so look I 51:20 oba pytania są świetne. Co do pierwszego: między innymi dlatego nazwaliśmy firmę DeepMind, bo „deep” odnosi się do głębokiego uczenia. Głębokie I think um they're both great questions so the F the first one uh look that's why we called it mind partly because the deep refers to deep learning right so we we deep 51:31 uczenie miało wtedy swoje początki; nie nazywano go jeszcze tak, ale dopiero zaczynało się upowszechniać. Były maszyny Boltzmanna i inne rzeczy, które Geoffrey learning had well the early parts of the it wasn't called deep learning then but it was it was sort of just becoming um common there was these boltzman machines and things that Jeffrey 51:39 Hinton wynalazł zaledwie kilka lat wcześniej, w 2005–2006 roku, te hierarchiczne sieci neuronowe. Już wtedy wydawało się to nam niezwykle obiecującą ideą, nam, którzy Hinton had invented and uh uh in just a few years before in 2006 2005 these hierarchical new networks and it seemed like a super promising idea even back then uh to us that 51:51 zetknęliśmy się z tym w środowisku akademickim. Drugim, na co postawiliśmy, było uczenie ze wzmocnieniem i połączenie obu tych rzeczy, które znowu wraca do łask, a come across it in academia and um and then the other thing we bet on was reinforcement learning and the combination of that right which uh again is coming back into vogue but it 52:01 było też dla nas ważne, by rozwiązać coś takiego jak AlphaGo. Potrzebne są obie części: głębokie uczenie, by modelować środowisko i świat, a potem was also important for us to solve something like AlphaGo so you need both parts of that you need the deep learning to kind of model the environment and the world and then you 52:09 uczenie ze wzmocnieniem, by tworzyć plany i rozwiązania oraz działać w świecie. Postawiliśmy na to z dwóch powodów, nawet kiedy need the reinforcement learning to make the plans and and and the solutions and take action in the world and um so there was two reasons we bet on that even when it it 52:17 to był dopiero początek. Po pierwsze, wiedzieliśmy, że metody klasyczne, te systemy eksperckie, nie dadzą się skalować. To znów jedna z rzeczy, których nauczyłem się tutaj, was just sort of the beginning of it is that we we knew that the classical methods these expert systems would not scale and actually that's again one of the things I learned here 52:27 a także na postdoku w MIT, które były, jeśli można tak powiedzieć, świątyniami metod klasycznych, systemów eksperckich. Jest tu jeszcze jedna rzecz, której można and also at my postto at MIT was that was that they were the kind of churches if you like of the classical methods these expert systems and actually there's something else you can 52:37 się tu nauczyć: na studiach uczysz się nie tylko, co robić, ale też czego nie robić i dlaczego coś może nie działać. Przemyślałem learn here is like you know in your university courses is not just what to do but also what not to do and why it may not like like I sort of thought about 52:44 to i czułem, że to nigdy nie przeskaluje się do problemów, które chciałem rozwiązać za pomocą AI, podczas gdy systemy uczące się zdawały się mieć nieograniczony potencjał, choć it and I felt it would never scale to uh uh the kinds of problems that I wanted to solve with AI um whereas the learning system seemed to have unlimited potential although they 52:54 na początku znacznie trudniej było zmusić je do zrobienia czegokolwiek znaczącego, bo nie były wystarczająco przeskalowane. Drugi powód, dla którego were a lot harder to get anything to do uh significant to do at the beginning right and this is the problem because they weren't scaled up enough and the other the other reason 53:02 założyliśmy DeepMind w 2010 roku, był taki, że widzieliśmy zmianę paradygmatu obliczeniowego po stronie sprzętu: GPU i inne rzeczy, wynalezione zresztą także dla gier, a we started DM 2010 is we could also see the computing uh paradigm was shifting on the hardware side GPUs and other things uh uh which were of course also invented for gaming and 53:13 okazuje się, że wszystko jest mnożeniem macierzy: inteligencja, gry i grafika komputerowa. Wszystkie te wpływy się zbiegły, a do tego zrozumienie neuronauki, turns out everything's a matrix multiplication right intelligence and gaming and computer graphics so um and so all of those different influences came together and the you know the understanding of neuroscience and FM 53:26 bo neuronauka, w tym obrazowanie fMRI, bardzo się rozwinęła w poprzedniej dekadzie. Czułem więc, że to idealny moment, by połączyć to wszystko, wtedy, w 2010 roku. machines and neuroscience had advanced a lot in that previous 10 years too so I felt it was the perfect time to sort of bring all of that together uh back in 2010 and 53:36 Stawialiśmy na to nie dlatego, że wiedzieliśmy, że zadziała, ale dlatego, że byliśmy dość pewni, że inne metody nie zadziałają. Na tym zresztą polegały zimy AI: we were betting on that not necessarily because we knew it would work but we knew that the other methods we were pretty confident would not work uh and that's what the AI winters 53:44 ludzie próbowali forsować te systemy eksperckie. Co do drugiego pytania: nie powiedziałbym, że… Po pierwsze, to rzeczywiście zaskakujące, że were about basically people trying to push those expert systems um and then the second question you know um I think I wouldn't say that uh well first of all it is surprising that 53:55 niektóre z tych rzeczy zbiegają, i wcale nie byliśmy tego pewni. Te gry Atari, które pokazywałem: przez pierwsze parę lat nic nie działało. Nie potrafiliśmy zdobyć nawet some of these things converge and actually we weren't sure so you know that Atari stuff I showed you so for the first couple of years nothing worked right so we couldn't even get 54:03 jednego punktu w Pongu, jeśli ktoś pamięta, jednej z pierwszych gier komputerowych, takiej gry w tenisa z paletką i piłką, najprostszej gry, jaką można sobie wyobrazić. one point on if some of you remember Pong the the you know one of the first computer games we couldn't this sort of tennis bat and ball game simplest game you could imagine 54:11 Nie potrafiliśmy zdobyć punktu, więc zastanawialiśmy się, czy nie jesteśmy o 10–20 lat za wcześnie, jak Babbage ze swoją maszyną różnicową. we weren't able to get a point on it so we were wondering whether were we like 10 20 years too early like like babage turned out to be with his difference engine right 54:20 Niesamowite pomysły, to działało, ale ostatecznie był o 50 czy 100 lat za wcześnie. Zawsze powtarzam, że chcesz wyprzedzać swoje czasy o pięć lat, amazing ideas it worked but he was just in the end 50 years or 100 years too early and uh and I always say you want to be like 5 years ahead of your 54:28 a nie o pięćdziesiąt, bo inaczej czeka cię mnóstwo cierpienia, jak Babbage'a. Więc martwiliśmy się tym, ale potem time not 50 years ahead otherwise you know you you you'll be in for a lot of pain like like babish was and um and and so we were worried about that but then 54:37 to zaczęło zbiegać i dało nam to pewność, by zmierzyć się z trudniejszymi problemami. Ostatnia część twojego pytania dotyczyła rzeczy it did converge and then that gave us confidence to to tackle the harder problems and I think if you ask him I think the last part of your question was about the things 54:44 w naturze. Uważam, że nie są suboptymalne, a raczej prawdopodobnie całkiem optymalne, bo przeszły proces ewolucyjny, nie tylko życie w biologii, ale też geologicznie in nature well the things there what I'm thinking is they're not suboptimal they're actually probably pretty optimal because they've they've gone through an evolutionary process not just life with biology but actually geologically 54:54 i fizycznie: asteroidy i zjawiska fizyczne się łączą, przetrwały jakiś czas, bo są stabilne w czasie. A jeśli są stabilne w czasie, to prawdopodobnie mają strukturę, and physically you know asteroids and physical phenomena combined together they survive some amount of time because they're stable over time right and if they're stable over time then there's probably some structure that's 55:07 której można się nauczyć. Taka byłaby moja hipoteza. – Świetnie. Pytanie tutaj na dole. – Co sądzisz o budowie szerokopasmowych interfejsów mózg–maszyna oraz wszczepialnych modułów pamięci i rozumowania, tak by ludzie learnable that that would be my conjecture great uh a question down here what do you think about um building high bandwidth brain machine interfaces and implantable memory and reasoning modules so that humans 55:23 mogli zyskać dodatkowe możliwości dokonywania odkryć, a nie tylko rozmawiać z AI w chmurze? – Uwielbiam ten obszar, uważnie go śledzę can be further empowered to make discoveries at mostly as opposed to only talking to AI in the cloud yeah I I I um I I love that area and I've um carefully followed 55:34 i pomagałem ludziom budującym na przykład czepki EEG i podobne rzeczy. Problemem jest oczywiście rozdzielczość, by uzyskać odczyty z mózgu, a idealnie it and and help people building like EG caps and and things um of course the problem is on resolution of these things um to get the readouts from the brain and also ideally 55:44 chciałoby się zarówno odczyt, jak i zapis. Bardzo fascynują mnie projekty takie jak Neuralink czy czipy w mózgu. Oczywiście obecnie to dla weteranów i osób, you'd want it read and write um but I'm very fascinated by projects like Neuralink or you know chips in the brain obviously right now um that's for uh you know veterans and people 55:54 które chcą odzyskać sprawność ciała. Myślę, że będą tu niesamowite rzeczy, ludzie będą mogli znowu chodzić, jeśli to get function back in their body I think it's going to be amazing things on that where I think people will be able to gain uh be able to walk again if they've 56:01 złamali kręgosłup i tak dalej. Sądzę, że czeka nas niewiarygodny postęp w naukach medycznych, który będzie wspaniały. A dalej, może jeśli broken their back and things like that I think there's going to be some credible advances in medical sciences that would be amazing but then beyond that maybe uh if things you know if 56:10 stanie się to rutyną, operacja będzie bezpieczna i będą bezpieczne sposoby, by to robić, mogę sobie wyobrazić, że byłby to jeden ze sposobów, by nadążyć za technologią. A w becomes routine and it's surgery safe and there's safe ways of doing this I could imagine um that would be one way for us to keep up with the with the technology and in 56:19 pewnym sensie nie różni się to od tego, co już mamy dzisiaj z technologiami wokół nas. Wszyscy mamy telefony, przy sobie 24 godziny na dobę, komputery i inne rzeczy, some senses it's no different to what we already have today with our technologies all around us we all have our phones all you know 24 s with us and computers and other things 56:28 więc już żyjemy niemal w symbiozie z technologią. To byłby oczywiście krok dalej, ale nie jestem pewien. Może to pytanie dla filozofów na sali: so we're already symbiotic almost with our technology it would be one step further of course to have that but I'm not sure I mean maybe that's for for the philosophers in the room 56:36 czym to się różni, czy istnieje jakaś twarda granica, gdy technologia jest do ciebie przytwierdzona, w porównaniu z czymś, co po prostu nosisz przy sobie to answer what the difference what whether there's a how boundary there if if with the technology if it's attached to you versus you know it's just something you carry around with you um 56:45 cały czas. – Świetnie. Pytanie tutaj… Ten pan? Na pewno? – Halo? A, jest, jest. Co sądzisz o tempie, all the time great some question over here that's one just sure there are you sure well hello ah there we go there we go uh what do you think about the speed at 57:07 w jakim rozwija się sztuczna inteligencja, i jego wpływie na rozwój gospodarczy? Wielu ludzi wchodzi właśnie na rynek pracy, a przy tak szybkich which artificial intelligence is developing and its effects on sort of economic developments there are a lot of people out there who are just hiding careers right now who given the sort of rapid 57:17 zmianach krajobrazu bardzo trudno przewidzieć, czym powinni się zajmować. – Tak, to bardzo skomplikowana kwestia, bo, jak mówisz, wszystko change in the landscape make it really difficult to kind of predict what they should go into yes so it's it's it's um it's a very complicated one because as you say things are 57:27 zmienia się w błyskawicznym tempie. Rozmawialiśmy o tym wcześniej z Alastairem: nawet zaprojektowanie trzyletnich studiów informatycznych jest dość trudne, skoro materiał bazowy zmienia się w changing at kind of lightening speed um we were just discussing it with alist actually earli even designing threeyear computer science courses is quite difficult given that there the underlying material changes in with 57:38 mniej niż trzy lata. Jedyne, co możemy powiedzieć na pewno, to że będzie mnóstwo zmian. Ale to niesie ze sobą zarówno wstrząsy, jak i you know less than three years um I think the only we can say for sure is there's going to be a lot of change but I think that brings with it disruption and 57:47 szanse. Dam przykład z programowaniem. Nie wiem, czy jesteś informatykiem, ale nadal poleciłbym, żeby dobrze opanować opportunity so um I mean I just give you an example on coding which I don't know if you're computer scientist but you know so I still would recommend that you get good at 57:56 programowanie i matematykę, bo będziesz mógł korzystać z tych nowych narzędzi znacznie głębiej, jeśli rozumiesz, jak są zbudowane. Z drugiej strony coding uh and math because I think you'll be able to use these new tools in a much deeper way if you have an understanding of how they're built but on the other hand 58:04 myślę, że programowanie stanie się dostępne dla dużo większej liczby ludzi, bo dzięki AI będzie można programować prawdopodobnie w języku um I think coding is going to be more available to many many more types of people uh uh because of the way the AR you'll be able to program sort of in natural 58:14 naturalnym, a nie w dość skomplikowanym języku komputerowym. To otworzy pole dla ludzi kreatywnych, by budowali gry, robili filmy, tworzyli aplikacje, w których być może language probably rather than uh quite a complicated uh computer language and so that will open up field fields for creative people to you know build games make films make applications that um maybe 58:29 większy ciężar leży po stronie kreatywnej niż inżynieryjnej. Ale myślę też, że to pozwoli inżynierom robić is more the kind of balance of that is more on the creative side than it is on the engineering side but I also think that will enhance engineers to be able to do 58:38 dziesięć razy więcej niż dziś. Trudno to przewidzieć, ale powiedziałbym tak: skupcie się na oswajaniu tych 10x of what they can do today so I still I think it's difficult to know um but what I would say is just uh to um focus on uh kind of embracing those 58:48 narzędzi w wolnym czasie i ćwiczcie umiejętność bardzo szybkiego przyswajania nowych informacji, bo myślę, że właśnie to będzie się działo przez następne tools in your spare time and and making training yourself to be really good at picking up new information extremely quickly CU I think that's that's basically what's going to happen in the next 58:59 10 lat. – Dobrze. Mamy jedno pytanie tutaj, osoba w żółto-czarnej bluzce. To ten mikrofon? – Tak. Czy uważasz, że istnieją procesy biologiczne, zachowania lub 10 years okay um we've got one question just on the here the yellow and black top um is this yeah uh do you think that there are any biological processes or behaviors or 59:12 wzorce, których nie da się zamodelować istniejącymi technikami głębokiego uczenia? Nie mówię o dorzucaniu mocy obliczeniowej, aż zadziała, i budowaniu coraz większych modeli. Czy sądzisz, że patterns which can't be modeled with existing um deep learning techniques I'm not saying like throw more computed it until it works and just make a bigger and bigger model do you think there 59:22 są procesy, których fizycznie nie da się zamodelować przy obecnych architekturach? – Z pewnością jest wiele procesów, których dziś nie da się zamodelować, ale znów, are some processes which physically cannot be modeled with the architecture we have um I mean there's certainly lots of processes that can't be modeled uh today with but but but again this is 59:32 wracamy do tego, co mówiłem na końcu wykładu: nie jestem pewien, czy w granicy takie są. Myślę, że ostatecznie, jeśli fizyka potrafi sort of goes back to what I said at the end of the talk I'm not sure in the limit uh that there are I think in the end uh if physics can can 59:40 to w pewnym sensie rozwiązać i jest tam jakaś struktura do wyuczenia, to prawdopodobnie przy wystarczającej liczbie przykładów można odtworzyć model tego procesu. Nie widzę żadnego teoretycznego sort of solve it and there's some structure there to be learned uh probably with enough examples one could reverse engineer a model of that uh and then um I don't see any theoretical 59:51 powodu, dla którego klasyczny system, może bardzo złożony, nie mógłby przewidywać ani symulować takiego systemu biologicznego. Nie bardzo więc widzę, reason why uh a classical system um or be very comp Lex one could not make predictions or or simulations of that biological system so I I don't really see uh any in the 1:00:04 gdzie mogłaby leżeć taka granica. Są oczywiście rzeczy abstrakcyjne, jak rozkład dużych liczb na czynniki czy kryptografia, które są systemami stworzonymi przez człowieka, limit uh what what the limit of that could be I mean there are lots of abstract things like factorizing large numbers uh cryptography where it's sort of it's sort of human-made systems right 1:00:15 gdzie może nie być żadnej struktury. Choć być może jest struktura w liczbach naturalnych, wielu ludzi tak przypuszcza. Jeśli jest, to też da się jej where there may not be any structure I mean there may be structure in in the in the natural numbers lots of people conjecture there is if there is then that will also be 1:00:23 nauczyć. Jeśli nie, i to jest rozkład jednostajny, wtedy potrzebny byłby komputer kwantowy, by złamać kryptografię i tym podobne. To otwarte hipotezy, ale learnable if there isn't and it's kind of uniform distribution then you would need a quantum computer to to you know crack uh cryptography things like that so those are open conjectures but I 1:00:35 myślę, że większość rzeczy w naturze wyewoluowała w skali czasu geologicznego, biologicznego czy fizycznego, a to sugeruje mi, że jest tam jakaś struktura do wyuczenia. To sprawia, że przeszukiwanie think most things in nature have evolved and um over geological or biological physics time and so then that suggests to me there is some structure to learn so that makes the the search 1:00:47 albo przewidywanie jest potencjalnie wykonalne. – Dobrze, to ostatnie pytanie. Osoba w różowym. – Dziękuję. To pytanie w imieniu Cambridge University Game Development Society. or the prediction potentially tractable okay and uh last question then um we'll have the person in the pink thank this question comes from behalf of the cambridge university game development society uh so 1:01:03 Wspomniałeś o modelu Genie 2 i o tym, że obecnie zachowuje spójność przez kilka sekund, a masz nadzieję docelowo wydłużyć to do kilku minut. you mentioned uh you mentioned about the gen2 model and how currently it's uh stable for a few seconds of consistency and you hope to eventually have that a few at a few minutes 1:01:13 Pytanie naszego stowarzyszenia brzmi tak: gry, w które faktycznie gramy, mają spójność nieograniczoną w czasie. Grając w Minecrafta, oczekujesz, że kiedy się odwrócisz, uh but I suppose the question that our society has is um games that we actually play have consistency that's indefinite you know when you're playing minecraft you expect to turn around and the 1:01:23 wioska wciąż tam będzie. – Tak. – Czy widzisz swój obecny model jako element procesu tworzenia? Jak dokładnie widzisz AI, swój model i to, nad czym pracujecie, village is still there right yes um so do you see your current model being integrated into a workflow or what exactly how do you see ai and your model and what you're working 1:01:33 jak to się wpisze w tworzenie gier w nadchodzących dekadach? – Myślę, że AI wejdzie tam na wiele sposobów. Po pierwsze, on uh how do you see it integrating into game development in the coming decades yeah well look um I I think there's many ways ai is going to come in so uh one 1:01:44 narzędzia do tworzenia zasobów potrzebnych w grach: modele 3D, animacje. Myślę, że to wszystko pojawi się w ciągu najbliższych paru lat. is uh the tools to build the assets you need for games so 3d models animations I think that's all uh going to come in in the next um you know couple of years 1:01:54 AI można też wykorzystać do balansowania gier. Wyobraź sobie, że projektujesz grę, a przez noc AI rozgrywa ją milion razy i um I think you can think of ai as well for game balancing so you imagine you design a game and overnight it could play a million playthroughs of that game and then in 1:02:05 rano jako projektant dostajesz raport: te elementy są niezbalansowane, zmniejsz siłę tej jednostki, czy cokolwiek innego. the morning you could just get a report as a game design of like these things are unbalanced right or uh uh reduce the power of this unit or whatever it is um I 1:02:13 Myślę też o testowaniu błędów w grach z otwartym światem. Sam robiłem gry symulacyjne, gry z otwartym światem, a testowanie ich to koszmar, bo cały ich sens polega na tym, think also bug testing for open world games so I used to make I used to make simulation games open world games they're a nightmare to bug test because the whole point of them 1:02:22 że gracz może zrobić niemal wszystko, a gra na to reaguje. Jak przetestować 10 milionów ludzi, z których każdy ma własną, unikalną ścieżkę przez twoją is that the player can almost do almost anything and then the game will react to you so how do you test you know 10 million people having their own unique journey through your 1:02:30 grę? Gdyby grali w nią gracze AI przed premierą, pomogłoby to wyeliminować wiele błędów. I wreszcie, co bardzo ekscytujące, game while actually uh having ai players play it before you release it um could help you solve a lot of those bugs and then finally I mean I think excitingly as well is 1:02:41 postacie AI, które są dużo bardziej realistyczne i popychają fabułę naprzód. Marzyłem kiedyś o ogromnych światach wieloosobowych, w których postacie AI byłyby inteligentne i aktualizowały swoje like ai characters that are much more lifelike that move the storyline on used to dream about that massive multiplayer worlds where you know actually the ai characters were intelligent and actually updated their 1:02:51 przekonania i wątki fabularne na podstawie tego, co robią gracze, tak by świat wydawał się dużo bardziej żywy i realistyczny. Myślę, że jesteśmy u progu beliefs and um their story lines based on what the players were doing so it felt like a much more uh living realistic world um and I think we're on the cusp of having 1:03:01 budowania takich gier. A model świata, który budujemy, dotyczy raczej ogólnej AI: czy da się faktycznie zamodelować… To wyraz zdolności of building those types of of of games and then finally the world model we're building that's more about general ai and and can you actually model the it's an expression of being able 1:03:11 do rozumienia świata. Czy twój model rozumie świat? Jeśli potrafi go generować przez jakiś czas, to oczywiście w pewnym sensie musi go rozumieć. To to understand the world does your model understand the world well if it can if it can generate it for some amount of time then obviously it must be in some sense understanding it's 1:03:20 empiryczny dowód, że rozumie coś z leżącej u podstaw fizyki. Więc to bardziej z myślą o inteligencji ogólnej, choć może pewnego dnia będziemy mieli taki holodek, call empirical evidence that it's understanding something about the underlying physics so um so that's more for the general intelligence rather than I think we're gonna maybe one day we'll have this Hol deck 1:03:30 który sobie wyobrażasz, a on po prostu pojawia się wokół ciebie. Pewnie będziemy mogli to mieć, kiedy powstanie AGI, ale myślę, że to jeszcze thing that you can just imagine and it's just all there around you um probably we will be able to have that once we have AGI but um i think that's still a ways 1:03:39 odległa sprawa. Dzięki. – Świetnie. To chyba dobre miejsce na zakończenie: pytanie o gry, powrót do gier. Dziękuję wszystkim bardzo za przybycie, a szczególne podziękowania off thanks great uh well it seems like a nice place to finish a question on games returning back to games but uh thank you all so much for coming and particular special thank 1:03:48 dla Demisa za to, że przyszedł i z nami dziś porozmawiał. Dziękujemy. you D coming in and talk to us today so thank you guys