DeepMind یک استارتاپ ناشناخته انگلیسی بود تا زمانی که در سال 2014 توسط گوگل خریداری شد. از آن زمان این شرکت در حال تکامل شبکه عصبی خود است که مرزهای یادگیری ماشینی بخصوص یادگیری عمیق را شکسته است. شاید معروفترین فعالیت این هوش مصنوعی، شکست بازیکن مطرح جهان در بازی Go بود. این هوش مصنوعی الگوریتم 30 میلیون بازی GO در طول تاریخ را فرا گرفت و سپس آنقدر با خودش بازی کرد تا راه های شکست و پیروزی را یافت.
کار DeepMind براساس مفاهیم تمرین و یادگیری در علم اعصاب است. دمیس هاسابیس و شین لگ، آفرینندگان DeepMind ، همدیگر را زمانی که در بخش سیستم های کامپیوتری عصبی UCL بودند، ملاقات کردند. هاسابیس آن موقع دکتری این رشته را داشت. آنها توسعه هوش مصنوعی خود را بر مبنای آموزش کامپیوترها برای تقلید از مغز انسان و به طور خاص اینکه ما چطور بر مبنای اطلاعات تصمیم گیری کرده و از اشتباهاتمان درس میگیریم، برنامه ریزی کردند.
DeepMind ابتدا در بازی نسبتا ماهر شد. در بازی شما بدون هیچ مهارتی آغاز می کنید و پس از دو ساعت تمرین حرفه ای می شوید. هوش مصنوعی نیز بر همین اساس کار می کند. البته بعید است که گوگل این همه پول را در این مدت کوتاه تنها برای یادگیری بازی هزینه کرده باشد. بلکه با توسعه هوش مصنوعی می توان امیدوار است که آنها با تفکر مشابه انسان، کارها را بسیار سریع تر از ما به انجام برساند و بتواند کسب و کار سودمندی در آینده باشد.
یکی دیگر از پروژه های DeepMind ، همکاری با بیمارستان چشم پزشکی Moorfields لندن است. DeepMind در حال بررسی یک میلیون تصویر اسکن شده از چشم ها به همراه اطلاعات بیماری های آنهاست. به این امید که با یادگیری نشانه های اولیه، شرایط آغاز یک بیماری چشمی را درک کند و در نهایت بتواند زودتر از یک پزشک با تشخیص علائم به بیماران هشدار بدهد.
DeepMind در پروژه دیگر پزشکی با بخش های مختلفی همچون بخش رادیوتراپی UCL برای کاهش زمان لازم برای برنامه ریزی درمان شرکت کرده است. کارمندان این بخش می گویند که با یادگیری پروسه تصویربرداری از سر و گردن بیماران توسط DeepMind ، زمان کلی فرآیند تصویربرداری و آماده کردن از 4 ساعت به یک ساعت کاهش مییابد.
اینها تنها بخش های کوچکی از فعالیت این هوش مصنوعی هستند و گوگل امیدوار است از این روش ها به درآمد خوبی دست یابد.
گوگل از DeepMind برای مدیریت برق مصرفی سرور های خود نیز استفاده مینماید و توانسته مصرف برق برای خنک کردن سرورهای خود را تا 40 درصد کاهش دهد. DeepMind اینکار را با بررسی و یادگیری دادههای سنسورهای سیستم های خنک کننده فرا گرفت که براساس میزان تقاضای کاربران و فشار بر سرورها دما را تنظیم می نمایند. حال فرض کنید که هوش مصنوعی چطور می تواند در تنظیم دمای یک ساختمان و توزیع برق کارآمد به دستگاه های خنک کننده در یک ساختمان کمک کند.
آنچه به نظر می رسد، توازن بین فرصت های تجاری و فرصت های یادگیری برای DeepMind ، یک فرآیند بلند مدت است. در واقع مانند مسیری که پدرها و مادرها و یا معلمین برای آموزش کودکان بکار می بندند، باید به هوش مصنوعی فرصت بدهیم تا ابتدا روی پای خود بایستد، پیش از آنکه دنیا را نجات دهد! شما چه فکر می کنید.