TL;DR
- 10 مارس 2026 ResearchDemis Hassabis ده سال پیش،.
- سیستم هوش مصنوعی ما AlphaGo به اولین برنامهای تبدیل شد که یک قهرمان جهان را در بازی.
- پیچیده Go شکست داد – یک دهه قبل از اینکه بسیاری از کارشناسان فکر میکردند به نقطه.
چه اتفاقی افتاد
10 مارس 2026 ResearchDemis Hassabis ده سال پیش،. سیستم هوش مصنوعی ما AlphaGo به اولین برنامهای تبدیل شد که یک قهرمان جهان را در بازی.
پیچیده Go شکست داد – یک دهه قبل از اینکه بسیاری از کارشناسان فکر میکردند به نقطه. عطفی در این زمینه رسید.
این دستاورد، آغاز دورانی بود که اکنون بهعنوان عصر مدرن در هوش مصنوعی (AI) شناخته میشود. AlphaGo با یک بازی خلاقانه،.
معروف "Move 37" پتانسیل هوش مصنوعی را نشان داد و نشان داد که ما اکنون تکنیکهایی را. برای شروع مقابله با مشکلات علمیدنیای واقعی داریم.
ما معتقدیم AGI عمیقترین فناوری اختراع شده و بهطور بالقوه ابزار نهایی برای پیشرفت علم،. پزشکی و بهره وری خواهد بود.
یک جرقه خلاقانه در سال 2016، بیش از 200 میلیون نفر AlphaGo را با قهرمان جهان تماشا کردند. بازیکن لی سائه دول در سئول.
این مسابقه با «حرکت 37» در بازی 2 تعریف شد،. نمایشی به قدری غیر متعارف که مفسران حرفهای در ابتدا فکر میکردند این یک اشتباه است.
اما ثابت شد که تعیین کننده است. صد یا بیشتر حرکت بعد، سنگ دقیقاً در موقعیت مناسبی قرار داشت تا AlphaGo برنده بازی باشد.
این نمایشی از آینده نگری باورنکردنی و توانایی سیستم هوش مصنوعی برای فراتر رفتن از تقلید از متخصصان. انسانی و یافتن استراتژیهای کاملاً جدید بود.
Go به دلیل پیچیدگی بسیار زیاد بازی، مدت هاست که زمینه اثباتی برای تحقیقات هوش مصنوعی بوده است. 10170 موقعیت احتمالی روی تخته وجود دارد - بسیار بیشتر از تعداد اتمهای موجود در جهان قابل مشاهده.
برای قابل اجرا کردن بازی،. AlphaGo از شبکههای عصبی عمیق همراه با جستجوی پیشرفته و یادگیری تقویتی استفاده کرد - یک رویکرد هوش.
مصنوعی پیشگام DeepMind. سپس صدها هزار بازی را علیه خودش انجام داد، زیرا قویترین استراتژیهای برنده تقویت شد.
سپس سیستم تنها مسیرهای بالقوه ثمربخش را در نظر گرفت و از میان آن زیرمجموعههای کوچکتر،. یکی را پیدا کرد که به احتمال زیاد آن را به پیروزی میرساند.
بعد از AlphaGo،. ما AlphaGo Zero را ساختیم که بازی را از بازی کاملاً تصادفی آموخت و مسلماً قویترین بازیکن.
تاریخ شد. سپس سیستم را با AlphaZero تعمیم دادیم،.
که از ابتدا به خود آموخت تا بر هر بازی اطلاعاتی کامل 2 نفره،. از جمله Go،.
شطرنج و شوگی تسلط یابد. AlphaZero بدون هیچ دانش قبلی به جز قوانین بازی،.
توانست در عرض چند ساعت تسلط بر شطرنج را بیاموزد و نه تنها بازیکنان برتر انسانی،. بلکه بهترین برنامههای تخصصی شطرنج در آن زمان را مانند Stockfish شکست دهد.
و حتی اگر شطرنج به شدت با کمک اینها تحلیل شده بود برنامهها،. درست مانند Go،.
AlphaZero هنوز هم میتوانست استراتژیهای جدید جالبی ارائه دهد. این گواه دیگری بود بر چیزی که من از لحظه پیروزی در مسابقه در سئول میدانستم - این.
فناوری آماده بود تا در هدف واقعی ما برای تسریع پیشرفتهای علمیبه کار رود. من معتقدم بزرگترین درسی که AlphaGo ارائه کرد،.
پیشنمایش قطعی از عصر هوش مصنوعی بود،. اما ثابت میکرد که واقعیتی در آینده وجود داشت.
آستان ما این بهعنوان یک "نقشه راه از آینده" عمل کرد و سیگنال روشنی را در مورد چگونگی. تغییر جهان به بشریت ارسال کرد.
Go Master Lee Sae Dol پروفسور کمکی در UNIST. AlphaGo با اثبات اینکه میتواند در فضای جستجوی عظیم یک برد Go حرکت کند،.
پتانسیل هوش مصنوعی را برای کمک به درک بهتر پیچیدگیهای گسترده دنیای فیزیکی به ما نشان داد. ما با تلاش برای حل مشکل تاخوردگی پروتئین،.
50 ساله،. شروع کردیم چالش بزرگ پیشبینی ساختار سهبعدی پروتئینها - اطلاعاتی که برای درک بیماریها و توسعه داروهای جدید.
بسیار مهم است. در سال 2020، ما بالاخره این مشکل علمیدیرینه را با سیستم AlphaFold 2 خود برطرف کردیم.
از آنجا،. ما ساختارهای تمام 200 میلیون پروتئین شناخته شده برای علم را جمع کردیم و آنها را به صورت.
رایگان در یک پایگاه داده منبعباز در اختیار دانشمندان قرار دادیم. امروزه بیش از 3 میلیون محقق در سراسر جهان از پایگاه داده AlphaFold برای تسریع کار مهم خود.
بر روی همه چیز از واکسن مالاریا گرفته تا آنزیمهای پلاستیک خوار استفاده میکنند. و در سال 2024،.
افتخار یک عمر برای من و جان جامپر بود که جایزه نوبل شیمیرا برای رهبری این پروژه،. از طرف کل تیم AlphaFold دریافت کردیم.
از زمان پیروزی AlphaGo،. ما رویکرد پیشگامانه آن را در بسیاری از حوزههای دیگر علوم و ریاضیات،.
از جمله:. بیشترین استدلال ریاضی:.
از نسل مستقیم معماری AlphaGo،. AlphaProof یاد گرفت که عبارات ریاضی رسمیرا با استفاده از ترکیبی از مدلهای زبان و الگوریتمهای جستجو.
و یادگیری تقویتی AlphaZero اثبات کند. در کنار AlphaGeometry 2،.
این اولین سیستمیبود که در المپیاد بینالمللی ریاضی (IMO) به مدال استاندارد (نقره) دست یافت،. ثابت کرد که روشهای AlphaGo میتوانند قفل استدلال ریاضی پیشرفته را باز کنند و شالودهای برای توانمندترین مدلهای.
عمومیما ایجاد کنند. Gemini، بزرگترین و تواناترین مدل ما، اخیراً حتی فراتر رفت.
یک نسخه پیشرفته از حالت Deep Think خود با استفاده از رویکردی الهام گرفته از AlphaGo به عملکردی. در سطح مدال طلا در IMO 2025 دست یافت.
از آن زمان،. Deep Think حتی برای چالشهای پیچیدهتر و باز در سراسر علم و مهندسی به کار گرفته شده است.
AlphaEvolve فضای کدهای کامپیوتری را برای کشف الگوریتمهای کارآمدتر بررسی میکند. لحظه حرکت 37 خود را داشت که راهی جدید برای ضرب ماتریسها پیدا کرد،.
یک عملیات ریاضی اساسی که تقریباً تمام شبکههای عصبی مدرن را تامین میکند. AlphaEvolve اکنون روی مشکلاتی از بهینهسازی مرکز داده گرفته تا محاسبات کوانتومیدر حال آزمایش است.
همکاری علمی:. ما در حال ادغام اصول جستجو و استدلال پیشگام با AlphaGo در یک دانشمند هوش مصنوعی هستیم.
این سیستم با داشتن «مناظره» ایدهها و فرضیههای علمی،. بهعنوان یک همکار قادر به اجرای تفکر دقیق لازم برای شناسایی الگوها در دادهها و حل مسائل پیچیده.
است. در مطالعات اعتبارسنجی در کالج امپریال لندن،.
چندین دهه ادبیات را تجزیه و تحلیل کرد و بهطور مستقل به همان فرضیهای در مورد مقاومت. ضد میکروبی رسید که محققان سالها صرف توسعه آن کرده بودند.
ما همچنین از هوش مصنوعی برای درک بهتر ژنوم،. پیشبرد تحقیقات انرژی همجوشی،.
بهبود پیشبینی آب و هوا و موارد دیگر استفاده کرده ایم. مدلهای علمیما هر چقدر که چشمگیر هستند، بسیار تخصصی هستند.
برای دستیابی به پیشرفتهای اساسی مانند ایجاد انرژی پاک بی حد و حصر یا حل بیماریهایی. که امروزه نمیدانیم،.
به سیستمهای هوش مصنوعی عمومینیاز داریم که بتوانند ساختار و ارتباطات زیربنایی بین حوزههای موضوعی. مختلف را بیابند و به ما کمک کنند تا به فرضیههای جدیدی مانند بهترین دانشمندان دست پیدا.
کنیم. آینده هوش برای اینکه یک هوش مصنوعی واقعاً عمومیباشد، باید دنیای فیزیکی را درک کند.
ما Gemini را از ابتدا به گونهای ساختیم که چندوجهی باشد تا بتواند نه تنها زبان،. بلکه صدا،.
تصویر،. تصاویر و کد را برای ساختن مدلی از جهان درک کند.
برای تفکر و استدلال در مورد این روشها، جدیدترین مدلهای Gemini از برخی از تکنیکهای پیشگام استفاده میکنند. AlphaGo و AlphaZero.
نسل بعدی سیستمهای هوش مصنوعی نیز باید بتوانند از ابزارهای تخصصی استفاده کنند. برای مثال،.
اگر مدلی نیاز به دانستن ساختار یک پروتئین داشته باشد،. میتواند از AlphaFold برای آن استفاده کند.
ما فکر میکنیم که ترکیبی از مدلهای جهانی Gemini،. تکنیکهای جستجو و برنامهریزی AlphaGo و استفاده از ابزار تخصصی هوش مصنوعی برای AGI بسیار مهم است.
خلاقیت واقعی یک قابلیت کلیدی است که چنین سیستم AGI باید به نمایش بگذارد. حرکت 37 نگاهی اجمالی به پتانسیل هوش مصنوعی برای تفکر خارج از جعبه بود،.
اما اختراع اصلی واقعی به چیز بیشتری نیاز دارد. نه تنها باید یک استراتژی بدیع برای Go ارائه شود،.
همانطور که AlphaGo به طرز چشمگیری انجام داد،. بلکه در واقع یک بازی به همان عمق و ظریف و به اندازه Go ارزش مطالعه دارد.
ده سال پس از پیروزی افسانهای AlphaGo، هدف نهایی ما در افق است. جرقه خلاقانهای که برای اولین بار در Move 37 مشاهده شد،.
پیشرفتهایی را تسریع کرد که اکنون هستند در حال همگرایی برای هموار کردن مسیر به سوی AGI -. و آغاز عصر طلایی جدیدی از اکتشافات علمی.
دقیقاً یک دهه بعد،. ما به مسابقهای نگاه میکنیم که جرقه انقلاب هوش مصنوعی مدرن را به وجود آورد.
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.