כיצד הבינה המלאכותית משנה את המדע?

הגישות בקרב בכירי העולם הטכנולוגי לתחום הבינה המלאכותית שונות: בעוד שאילון מאסק, שרוצה להטיס אותנו לחלל, מזהיר מפני סכנותיה וטוען שהיא עלולה להוביל למלחמת עולם שלישית, מארק צוקרברג ואריק שמידט טוענים שהוא מגזים ומסתכלים על הצד היפה שלה ועל הפוטנציאל הגלום בה.

כך או כך, בין אם הבינה המלאכותית תמיט עלינו חורבן או תסייע לעשות את האנושות טובה יותר, אין ספק שתהיה לה השפעה על תחומים רבים בחיים. אחד המשמעותיים שבהם הוא המדע.

גדי זינגר, סגן נשיא ומנהל כללי של תחום הארכיטקטורה בקבוצת מוצרי הבינה המלאכותית של אינטל (Intel), ומי שהיה מנכ"ל מרכזי הפיתוח של החברה בין 2011 ל-2015, סבור שהאתגר החשוב ביותר הוא גם האתגר החדש ביותר שעמו הוא מתמודד: שימוש בבינה מלאכותית לעיצוב מחדש של המחקר המדעי.

לפני שהתמנה לתפקידו סייע זינגר, שמאחוריו 35 שנות עבודה באינטל, ליצור את מעבד הפנטיום הראשון; הוביל את הפיתוח של מעבדי Xeon ו-Atom הראשונים והיה אחראי לארכיטקטורה של הדורות השונים של מעבדי Intel Core.

בראיון לאנשים ומחשבים, שנערך במקביל לאירוע Intel AI DevCon הראשון, דן זינגר בצומת שבו נפגשים המדע (הלקוח התובעני ביותר של המחשוב) והבינה המלאכותית ובאופן שבו מדענים צריכים להתייחס לבינה מלאכותית. הוא מסביר גם מדוע זוהי ההזדמנות המסעירה ביותר שנקרתה בדרכו.

כיצד הבינה המלאכותית משנה את המדע?
"המחקר המדעי נמצא בשלב מעבר אשר ב 100 השנים האחרונות ניתן להשוותו רק למה שהתרחש בשנות ה-50’ וה-60’ של המאה ה-20 עם המעבר לנתונים ולמערכות נתונים גדולות. בשנות ה-60' כמות הנתונים שנאספה הייתה כה גדולה עד שהמובילים לא היו בעלי המכשירים המשוכללים ביותר אלא אלה שהיו מסוגלים לנתח את הנתונים שנאספו בכל תחום מדעי, בין אם מדובר בנתוני אקלים, סיסמולוגיה, ביולוגיה, פרמצבטיקה, מחקר רפואי חדש וכו'. כיום, היקפי הנתונים הגיעו לרמות העולות בהרבה על יכולתם של בני אדם להציב שאילתות מסוימות או לחפש תובנות מסוימות. השילוב של מבול הנתונים עם מחשוב מודרני וטכניקות למידה עמוקה מספק יכולות חדשות ובעלות פוטנציאל גדול בהרבה לשינוי משמעותי".

האם תוכל לתת דוגמה?
"אחת הדוגמאות, העושה שימוש בעוצמה של למידה עמוקה היא זיהוי הדפוסים החלשים מאוד במערך נתונים רועש ביותר גם בהיעדר מודל מתמטי של הנושא שאנו בוחנים.

חשבו למשל על אירועים קוסמיים המתרחשים בגלקסיה מרוחקת. כיצד נוכל לחפש מאפיינים כלשהם במערך כה עצום? זוהי דוגמה לחיפוש ללא משוואה ידועה. בחיפוש כזה אנו נותנים דוגמאות ובאמצעותן מאפשרים למערכת הלמידה העמוקה ללמוד מה לחפש ובסופו של דבר לזהות דפוס מסוים".

כלומר שאתם יודעים מה אתם מחפשים אבל אינכם יודעים כיצד למצוא זאת?
"לא ניתן להגדיר את המשוואה המתמטית המדויקת או את השאילתות המתארות אותה. הנתונים גדולים מדי בכדי לבצע ניסוי וטעייה ולטכניקות קודמות לניתוח ביג דאטה אין מספיק מאפיינים מוגדרים כדי לחפש בהצלחה אחר דפוס.
אנו כן יודעים מה אנו מחפשים משום שתייגנו כמה דוגמאות של 'הדבר הזה' בנתונים ואנו מסוגלים לתאר אותו באופן כללי. למידה עמוקה יכולה לעזור באיתור התרחשויות דומות בתוך מערך נתונים רועש ורב-ממדי".

האם יש דרכים אחרות שבהן בינה מלאכותית יכולה לשנות את הגישה המדעית?
"דוגמה נוספת היא כאשר יש מודל מתמטי כגון מערך של משוואות מדויקות. במקרה זה אפשר להשתמש בבינה מלאכותית כדי להשיג תוצאות בנות-השוואה בזמן קצר ובעוצמת מחשוב פחותה פי 10,000. נניח שיש מבנה מולקולרי חדש ואנו רוצים לדעת כיצד הוא יתנהג בסביבה מסוימת לצורך מחקר מדעי. ישנם מודלים פרדיקטיביים טובים מאוד לגבי אופן ההתנהגות, אך הבעיה היא שמודלים אלה מצריכים משאבי מחשוב עצומים והרבה מאוד זמן. יידרשו אפילו שבועות כדי לנסות קומבינציה אחת בלבד. במקרה כזה אפשר להשתמש במערכת למידה עמוקה המשמשת כ"צל" של מערכת המשוואות המדויקות.

רשת הלמידה העמוקה לומדת את היחסים בין הקלט לפלט מבלי להכיר את המשוואה. היא פשוט עוקבת אחרי הדוגמאות. הודגם במקרים רבים שאחרי שמכשירים את מערכת הלמידה העמוקה בעזרת מספיק דוגמאות, היא מפגינה יכולת מצוינת לחזות את התוצאה שייתן המודל המדויק. כל אלה מיתרגמים ליעילות שהופכת שעות או ימים לשניות.

בשנים האחרונות התפתחו שיטות חדשות ללמידת מכונה ומאפשרות 'ללמוד כיצד ללמוד' הטכנולוגיות האלו מתמודדות עם שורה אינסופית של אפשרויות כמו למשל כל המוטציות האפשריות של הדנ"א האנושי. הן משתמשות בטכניקות חקר ולמידת-מטא כדי לזהות את האפשרויות הרלוונטיות ביותר לבדיקה נוספת".

מהי ההשפעה הרחבה על הגישה המדעית או איזו גישה צריכים מדענים לאמץ ביחס לבינה מלאכותית?
"מדענים צריכים לשתף פעולה עם בינה מלאכותית משום שהם יוכלו להפיק תועלת רבה משליטה בכלי הבינה, כגון למידה עמוקה ואחרים. כלים אלה יאפשרו להם לחקור תופעות פחות מוגדרות, או כאשר הם זקוקים לביצועים מהירים יותר בסדרי גודל במרחב גדול יותר. מדענים יכולים לשתף פעולה עם למידת מכונה כדי לחקור אילו אפשרויות חדשות מציעות את ההסתברות הטובה ביותר לפריצות דרך ופתרונות חדשים".

אני משער שיכולת לפרוש, לו רצית. מדוע אתה ממשיך לעבוד?
"בגלל שאני כל כך נהנה. תחום הבינה באינטל פותר את הבעיות המרגשות והמאתגרות ביותר של התעשייה והמדע. זהו תחום שמתקדם הרבה יותר מכל תחום אחר שראיתי במהלך 35 שנות עבודתי באינטל.

בנוסף, אני מתייחס לכך כאל שינוי המתהווה באינטראקציה בין בני אדם ומכונות. אני רוצה להיות חלק מהמאמץ ליצור את החיבור החדש הזה. כאשר אני מדבר על השותפות בין מדע לבינה מלאכותית, או על כלי רכב אוטונומיים ותחומים אחרים, אני רואה תפקיד לחשיבה רחבה יותר, מעבר ליצירת המעבד המהיר ביותר למשימה נתונה. האינטראקציה החדשה שניצור בין בני אדם ובינה מלאכותית היא חלק מרתק נוסף שמושך אותי לעבודתי".