Πριν από δέκα χρόνια, το σύστημα Τεχνητή Νοημοσύνη AlphaGo έγινε το πρώτο πρόγραμμα που κέρδισε έναν παγκόσμιο πρωταθλητή στο σύνθετο παιχνίδι Go, πετυχαίνοντας ένα ορόσημο για τον κλάδο μια δεκαετία νωρίτερα από ό,τι θεωρούσαν πιθανόν πολλοί ειδικοί. Το επίτευγμα αυτό σηματοδότησε την αρχή εκείνου που σήμερα αναγνωρίζεται ως η σύγχρονη εποχή της Τεχνητής Νοημοσύνης (AI). Με μία και μόνο δημιουργική κίνηση, τη διάσημη “Κίνηση 37”, το AlphaGo ανέδειξε τις δυνατότητες της Τεχνητής Νοημοσύνης και έδειξε ότι πλέον υπήρχαν τα εργαλεία για να αρχίσει η αντιμετώπιση επιστημονικών προβλημάτων του πραγματικού κόσμου.
Σήμερα, αυτό το επίτευγμα εξακολουθεί να καθοδηγεί την ανάπτυξη συστημάτων στην πορεία προς την Τεχνητή Γενική Νοημοσύνη (AGI). H πεποίθηση είναι ότι η Τεχνητή Γενική Νοημοσύνη (AGI) μπορεί να αποτελέσει την πιο καθοριστική τεχνολογία που έχει επινοηθεί ποτέ και, ενδεχομένως, το απόλυτο εργαλείο για την πρόοδο της επιστήμης, της ιατρικής και της παραγωγικότητας.
Μια δημιουργική σπίθα
Το 2016, περισσότεροι από 200 εκατομμύρια άνθρωποι παρακολούθησαν το AlphaGo να αναμετριέται στη Σεούλ, με τον παγκόσμιο πρωταθλητή του Go, Lee Sae Dol. Ο αγώνας καθορίστηκε από τη διάσημη “Κίνηση 37” στο δεύτερο παιχνίδι, μια κίνηση τόσο αντισυμβατική, ώστε οι επαγγελματίες σχολιαστές αρχικά νόμιζαν ότι ήταν λάθος. Ωστόσο, αποδείχθηκε καθοριστική. Περίπου εκατό κινήσεις αργότερα, η πέτρα βρισκόταν ακριβώς στη σωστή θέση ώστε το AlphaGo να κερδίσει το παιχνίδι. Ήταν μια επίδειξη απίστευτης διορατικότητας αλλά και της ικανότητας του συστήματος της Τεχνητής Νοημοσύνης να ξεπερνά την απλή μίμηση των ανθρωπίνων δεδομένων, και να ανακαλύπτει εντελώς νέες στρατηγικές.
Μπορείτε να παρακολουθήστε το βραβευμένο ντοκιμαντέρ για το AlphaGo στο YouTube
Το Go αποτελεί εδώ και καιρό πεδίο δοκιμών για την έρευνα στην Τεχνητή Νοημοσύνη, λόγω της τεράστιας πολυπλοκότητας του. Υπάρχουν 10170 πιθανές θέσεις στο ταμπλό, πολύ περισσότερες από τον αριθμό των ατόμων στο ορατό σύμπαν.
Για να καταστήσει αυτό το εξαιρετικά πολύπλοκο παιχνίδι διαχειρίσιμο, το AlphaGo χρησιμοποίησε βαθιά νευρωνικά δίκτυα σε συνδυασμό με προηγμένες τεχνικές αναζήτησης και ενισχυτικής μάθησης, μια προσέγγιση στην Τεχνητή Νοημοσύνη στην οποία η DeepMind υπήρξε πρωτοπόρος.
Το AlphaGo ανέπτυξε ένα μοντέλο πιθανών κινήσεων στο Go, μελετώντας αρχικά παρτίδες μεταξύ ειδικών. Στη συνέχεια, έπαιξε εκατοντάδες χιλιάδες παρτίδες εναντίον του εαυτού του, βελτιώνοντας συνεχώς την απόδοσή του, καθώς ενίσχυε τις στρατηγικές, που οδηγούσαν με τον πλέον αποτελεσματικό τρόπο στη νίκη. Έπειτα, το σύστημα εξέταζε μόνο τις πιο υποσχόμενες διαδρομές και, από αυτό το μικρότερο υποσύνολο κινήσεων, εντόπιζε εκείνη που ήταν πιθανότερο να το οδηγήσει στη νίκη.
Μετά το AlphaGo, η DeepMind δημιούργησε το AlphaGo Zero, το οποίο έμαθε το παιχνίδι ξεκινώντας από εντελώς τυχαίες κινήσεις και έγινε αναμφισβήτητα ο ισχυρότερος παίκτης στην ιστορία. Στη συνέχεια, το σύστημα εξελίχθηκε περαιτέρω με το AlphaZero, το οποίο έμαθε μόνο του, από το μηδέν, να κυριαρχεί σε οποιοδήποτε παιχνίδι δύο παικτών με πλήρη πληροφόρηση, όπως το Go, το σκάκι και το shogi. Ξεκινώντας χωρίς καμία προηγούμενη γνώση πέρα από τους κανόνες του παιχνιδιού, το AlphaZero κατάφερε να κυριαρχεί στο σκάκι μέσα σε λίγες ώρες και να κερδίζει όχι μόνο κορυφαίους παίκτες, αλλά και τα καλύτερα εξειδικευμένα προγράμματα σκακιού της εποχής, όπως το Stockfish. Και παρότι το σκάκι είχε αναλυθεί διεξοδικά με τη βοήθεια αυτών των προγραμμάτων, το AlphaZero, όπως ακριβώς συνέβη και με το Go, κατάφερε ξανά να αναδείξει ενδιαφέρουσες νέες στρατηγικές.
Αυτό αποτέλεσε μια επιπλέον απόδειξη αυτού που έγινε σαφές τη στιγμή της νίκης στη Σεούλ: η τεχνολογία ήταν έτοιμη να υπηρετήσει τον πραγματικό στόχο, την επιτάχυνση δηλαδή των επιστημονικών ανακαλύψεων.
Ο Go Master Lee Sae Dol, Επίκουρος καθηγητής στο UNIST δήλωσε: «Πιστεύω ότι το μεγαλύτερο μάθημα που μας έδωσε το AlphaGo ήταν μια οριστική πρόβλεψη της εποχής του AI, αποδεικνύοντας ότι δεν ήταν ένα μακρινό, ασαφές μέλλον, αλλά μια πραγματικότητα που έφτανε στην πόρτα μας. Λειτούργησε ως “οδικός χάρτης από το μέλλον”, στέλνοντας ένα σαφές μήνυμα στην ανθρωπότητα σχετικά με το πώς επρόκειτο να αλλάξει ο κόσμος».
Επιταχύνοντας τις επιστημονικές ανακαλύψεις
Αποδεικνύοντας ότι μπορούσε να κινηθεί αποτελεσματικά μέσα στον τεράστιο χώρο πιθανών επιλογών μιας παρτίδας Go, το AlphaGo ανέδειξε τις δυνατότητες της Τεχνητής Νοημοσύνης να βοηθήσει στην καλύτερη κατανόηση της ς πολυπλοκότητας του φυσικού κόσμου. Αρχικά επιχειρήθηκε η επίλυση του προβλήματος της αναδίπλωσης των πρωτεϊνών, μιας μεγάλης επιστημονικής πρόκλησης 50 ετών που αφορά την πρόβλεψη της τρισδιάστατης δομής των πρωτεϊνών, πληροφορία καθοριστικής σημασίας τόσο για την κατανόηση ασθενειών όσο και την ανάπτυξη νέων φαρμάκων.
Το 2020, αυτό το μακροχρόνιο επιστημονικό πρόβλημα επιλύθηκε τελικά με το σύστημα AlphaFold 2. Στη συνέχεια, προσδιορίστηκαν οι δομές και των 200 εκατομμυρίων πρωτεϊνών που είναι γνωστές στην επιστήμη, καθιστώντας τις ελεύθερα διαθέσιμες στους επιστήμονες μέσω μίας ανοιχτής βάσης δεδομένων. Σήμερα, περισσότεροι από 3 εκατομμύρια ερευνητές σε όλο τον κόσμο χρησιμοποιούν τη βάση δεδομένων AlphaFold επιταχύνοντας σημαντικά το έργο τους σε τομείς που εκτείνονται, από τα εμβόλια για την ελονοσία έως τα ένζυμα που διασπούν το πλαστικό. Το 2024, ο John Jumper και ο Demis Hassabis τιμήθηκαν με το Νόμπελ Χημείας για την ηγεσία αυτού του έργου, εκπροσωπώντας ολόκληρη την ομάδα του AlphaFold.
Από τη νίκη του AlphaGo και έπειτα, η ίδια πρωτοποριακή προσέγγιση έχει εφαρμοστεί και σε πολλούς άλλους τομείς της επιστήμης και των μαθηματικών, όπως:
Μαθηματικός συλλογισμός: Το AlphaProof, ο πιο άμεσος απόγονος της αρχιτεκτονικής του AlphaGo, έμαθε να αποδεικνύει τυπικά μαθηματικά θεωρήματα συνδυάζοντας γλωσσικά μοντέλα με την ενισχυτική μάθηση και τους αλγόριθμους αναζήτησης του AlphaZero. Μαζί με το AlphaGeometry 2, έγινε το πρώτο σύστημα που πέτυχε επίδοση αργυρού μεταλλίου στη Διεθνή Μαθηματική Ολυμπιάδα (IMO), αποδεικνύοντας ότι οι μέθοδοι του AlphaGo μπορούν να ανοίξουν τον δρόμο για προηγμένο μαθηματικό συλλογισμό και να θέσουν τα θεμέλια για ακόμη πιο ικανά γενικά μοντέλα.
Το Gemini, το πιο προηγμένο και ικανό μοντέλο της Google, πρόσφατα έκανε ακόμα μεγαλύτερα βήματα. Μια προηγμένη έκδοση της λειτουργίας Deep Think πέτυχε επιδόσεις επιπέδου χρυσού μεταλλίου στη Διεθνή Μαθηματική Ολυμπιάδα του 2025, ακολουθώντας μια προσέγγιση εμπνευσμένη από το AlphaGo. Έκτοτε, το Deep Think έχει εφαρμοστεί σε ακόμα πιο σύνθετες και ανοιχτού τύπου προκλήσεις στους τομείς της επιστήμης και της μηχανικής.
Ανακάλυψη αλγορίθμων: Όπως το AlphaGo αναζητούσε την καλύτερη δυνατή κίνηση σε μία παρτίδα, έτσι και το AlphaEvolve εξερευνά τον χώρο του προγραμματισμού, με στόχο την ανακάλυψη πιο αποδοτικών αλγορίθμων. Είχε και αυτό τη δική του στιγμή, όπως η “Κίνηση 37”, όταν ανακάλυψε έναν νέο τρόπο πολλαπλασιασμού πινάκων, δηλαδή μιας θεμελιώδους μαθηματικής πράξης που τροφοδοτεί σχεδόν όλα τα σύγχρονα νευρωνικά δίκτυα. Σήμερα, το AlphaEvolve δοκιμάζεται σε ένα ευρύ φάσμα προβλημάτων, από τη βελτιστοποίηση των data centres έως την κβαντική υπολογιστική.
Επιστημονική συνεργασία: Οι αρχές αναζήτησης και συλλογισμού που αναδείχθηκαν μέσα από το AlphaGo αξιοποιούνται πλέον σε ένα σύστημα Τεχνητής Νοημοσύνης που λειτουργεί ως επιστημονικός συνεργάτης . Μέσα από μια διαδικασία κατά την οποία διαφορετικά συστήματα εξετάζουν και αντιπαραβάλλουν επιστημονικές ιδέες και υποθέσεις, το σύστημα μπορεί να συμβάλει στην αυστηρή ανάλυση που απαιτείται για τον εντοπισμό προτύπων στα δεδομένα και την επίλυση σύνθετων προβλημάτων. Σε μελέτες επικύρωσης στο Imperial College London, το συγκεκριμένο σύστημα ανέλυσε επιστημονική βιβλιογραφία δεκαετιών και κατέληξε ανεξάρτητα στην ίδια υπόθεση σχετικά με την αντοχή των μικροβίων στα αντιβιοτικά, την οποία οι ερευνητές χρειάστηκαν χρόνια για να διαμορφώσουν και να να επιβεβαιώσουν πειραματικά.
Επιστήμονες κατέγραψαν για πρώτη φορά βίντεο με φυτά να αναπνέουν! [Βίντεο]
Η Τεχνητή Νοημοσύνη έχει επίσης αξιοποιηθεί για την καλύτερη κατανόηση του γονιδιώματος την προώθηση της έρευνας για τη σύντηξη ενέργειας, τη βελτίωση της πρόβλεψης του καιρού και πολλά ακόμη.
Ωστόσο, όσο εντυπωσιακά κι αν είναι αυτά τα επιστημονικά μοντέλα, παραμένουν ιδιαίτερα εξειδικευμένα. Για να επιτευχθούν θεμελιώδεις ανακαλύψεις, όπως η παραγωγή απεριόριστης καθαρής ενέργειας ή η αντιμετώπιση ασθενειών που σήμερα δεν κατανοούνται πλήρως, απαιτούνται γενικά συστήματα Τεχνητής Νοημοσύνης, ικανά να εντοπίζουν τις υποκείμενες δομές και συνδέσεις ανάμεσα σε διαφορετικά γνωστικά πεδία και να συμβάλλουν στη διατύπωση νέων υποθέσεων, ακριβώς όπως κάνουν οι κορυφαίοι επιστήμονες.
Το μέλλον της νοημοσύνης
Για να είναι μία Τεχνητή Νοημοσύνη πραγματικά γενικής χρήσης, χρειάζεται να κατανοεί τον φυσικό κόσμο. Το Gemini σχεδιάστηκε από την αρχή ως πολυτροπικό μοντέλο, ώστε να μπορεί να κατανοεί όχι μόνο τη γλώσσα, αλλά και ήχο, βίντεο, εικόνες και κώδικα, διαμορφώνοντας έτσι ένα μοντέλο του κόσμου.
Για να μπορεί να σκέφτεται και να αναπτύσσει λογική σε όλες αυτές τις διαφορετικές μορφές, τα νεότερα μοντέλα Gemini αξιοποιούν ορισμένες από τις τεχνικές που αναδείχθηκαν μέσα από το AlphaGo και το AlphaZero.
Η επόμενη γενιά συστημάτων Τεχνητής Νοημοσύνης θα χρειαστεί επίσης να αξιοποιεί εξειδικευμένα εργαλεία. Για παράδειγμα, εάν ένα μοντέλο χρειαζόταν να γνωρίζει τη δομή μιας πρωτεΐνης, θα μπορούσε να χρησιμοποιήσει το AlphaFold.
Ο συνδυασμός των παγκόσμιων μοντέλων του Gemini, των τεχνικών αναζήτησης και σχεδιασμού του AlphaGo καθώς και η χρήση εξειδικευμένων εργαλείων Τεχνητής Νοημοσύνης, εκτιμάται ότι θα αποδειχθούν καθοριστικής σημασίας για την ανάπτυξη της Τεχνητής Γενικής Νοημοσύνης (AGI).
Η πραγματική δημιουργικότητα είναι μια από τις βασικές ικανότητες που θα χρειαστεί να επιδεικνύει ένα τέτοιο σύστημα Τεχνητής Γενικής Νοημοσύνης (AGI). Η “Κίνηση 37” έδωσε μία πρώτη εικόνα της δυνατότητας της Τεχνητής Νοημοσύνης να σκέφτεται αντισυμβατικά, αλλά η πραγματικά πρωτότυπη επινόηση απαιτεί κάτι ακόμα περισσότερο. Δεν θα αρκούσε μόνο να επινοήσει μια νέα στρατηγική στο Go, όπως έκανε εντυπωσιακά το AlphaGo, αλλά να δημιουργήσει ένα παιχνίδι με το ίδιο στρατηγικό βάθος, την ίδια κομψότητα και την ίδια αξία ως αντικείμενο μελέτης με το Go.
Δέκα χρόνια μετά τη θρυλική νίκη του AlphaGo, ο τελικός στόχος διαγράφεται πλέον ξεκάθαρα. Η δημιουργική σπίθα που φάνηκε για πρώτη φορά στην “Κίνηση 37” λειτούργησε ως καταλύτης για ανακαλύψεις που σήμερα συγκλίνουν, ανοίγοντας τον δρόμο προς τη Τεχνητή Γενική Νοημοσύνη (AGI) και προς μια νέα χρυσή εποχή επιστημονικών ανακαλύψεων.
Παρακολουθήστε εδώ το σχετικό podcast: 10 χρόνια AlphaGo: Το σημείο καμπής για την Τεχνητή Νοημοσύνη | Thore Graepel & Pushmeet Kohli
Μάθετε περισσότερα σχετικά με το AlphaGo: https://deepmind.google/research/alphago
Ακολουθήστε το Techmaniacs.gr στο Google News για να διαβάζετε πρώτοι όλα τα τεχνολογικά νέα. Ένας ακόμα τρόπος να μαθαίνετε τα πάντα πρώτοι είναι να προσθέσετε το Techmaniacs.gr στον RSS feeder σας χρησιμοποιώντας τον σύνδεσμο: https://techmaniacs.gr/feed/.
