0:00لكننا نشعر أيضًا أنه حتى لو أصبح "فابل 7" جيدًا جدًا، بل أفضل مما هو عليه اليوم، فسيظل بحاجة إلى إجراء تجارب للحصول على نتائج. أمم، والسبب في ذلك هو أن التعلم الآلي بارع حقًا فيما تم تدريبه عليه. لكن الاكتشاف العلمي هو بحكم التعريف تقريبًا ما لم يتم تدريبك عليه. ولهذا السبب نبني هذه المختبرات، لكي تتمكن النماذج، سواء كانت مفتوحة أو مغلقة، من استخدامها للعبث بالكون، لأننا لا نعتقد أنه يمكنك تحقيق اكتشاف كبير دون تجربة الأشياء.
0:29أجل، لا أحد سيتمكن من ابتكار موصل فائق بدرجة حرارة الغرفة من العدم.
0:35قبل أن نبدأ حلقة اليوم، لدي رسالة صغيرة للمستمعين. شكرًا لكم. لم نكن لنتمكن من تقديم محتوى هندسة الذكاء الاصطناعي والعلوم والترفيه الذي ترغبون فيه بوضوح لو لم تختاروا الضغط على المتابعة والاستماع إلينا. نتلقى عروضًا من رعاة بشكل شبه يومي ، ولكن لحسن الحظ، يشترك الكثير منكم بالفعل، مما يجعل هذا العمل مستدامًا بدون إعلانات، ونريد أن نبقيه على هذا النحو.
0:58لكن لدي معروف واحد فقط أطلبه منكم جميعًا . إن أقوى شيء يمكنك القيام به، وهو مجاني تمامًا، هو الضغط على زر الاشتراك. إنه الشيء الوحيد الذي سأطلبه منكم على الإطلاق، وهو يعني الكثير لي وللفريق الذي يعمل بجد لتقديم هذا البرنامج لكم كل أسبوع. إذا فعلتم ذلك، أعدكم بأننا لن نتوقف أبدًا عن العمل لجعل هذا العرض أفضل. والآن ، لنبدأ. حسنًا. نحن هنا في شركة "بيريوديك" . نحن هنا اليوم مع
1:27ليام ودوغا من " بيريوديك". أهلاً بكما وشكرًا لاستضافتنا في مكانكم.
1:31أجل، يسعدنا وجودكم هنا، وشكرًا لحضوركم.
1:34أود أن أبدأ بأحد الاقتباسات التي أحببتها من موقعكم الإلكتروني. يقول الاقتباس: "الذكاء ضروري ولكنه ليس كافيًا.""تُخلق المعرفة الجديدة عندما يتبين أن الأفكار متوافقة مع الواقع." يبدو الأمر مباشرًا للغاية، فلماذا ليس بديهيًا؟ أعتقد أن هذه هي الأطروحة والأساس وراء "بيريوديك" التي فكرت فيها أنا ودوغا عندما كنا نبني هذا المكان، وهي أنه لا يمكنك التفكير فقط للوصول إلى الحل. أمم، الكون معقد للغاية لدرجة أنه من أجل دفع حدود المعرفة وإحراز
2:04تقدم، تحتاج إلى طرح هذه الفرضيات ثم التحقق فعليًا مما إذا كانت صحيحة أم لا. لا يمكن لأي قدر من إعادة قراءة الكتب المدرسية أو الأبحاث، أو مجرد التفكير والانعزال في غرفة، أن يتيح لك التفكير في كل النتائج التجريبية المحتملة، المتوقعة وغير المتوقعة، فأنت بحاجة حقاً إلى هذه العملية التكرارية. وهذا هو إيماننا الأساسي لتأسيس هذا الكيان، ولهذا السبب كنا نؤمن منذ البداية بضرورة امتلاك أنظمة ذكاء اصطناعي ومحاكاة
2:34للعالم المادي، مع بناء تجارب مادية عالية الإنتاجية في الوقت ذاته. ونعتقد أن نوعاً مختلفاً من الذكاء ينشأ من ذلك.
2:41أعتقد أنه من الجدير بالذكر أيضاً أنه في مختبرات كبيرة مثل OpenAI وجوجل، لا تتوفر لديك نفس الموارد المتاحة. لذا كان عليك الخروج والقيام بشيء خاص بك، لأنك نوعاً ما تبتكر منهجيتك الخاصة أثناء العمل.
2:54أجل، أعني أن فريقاً كهذا لم يسبق له مثيل فيما أعتقد. نحن نحاول الجمع بين كيميائيي الحالة الصلبة، وفيزيائيي الحالة الصلبة، والتجريبيين، والمنظرين، ومهندسي الأجهزة، وخبراء النماذج اللغوية الكبيرة، وعلماء الحاسوب. وبعض هذه التقنيات حديثة جداً، مثل التجارب عالية الإنتاجية والأذرع الروبوتية، التي لم تُجرب إلا في السنوات الثلاث الماضية أو نحو ذلك. كما أن الخبرة في مجال حقول القوة، وبعض هذه الحقول ذاتها، تعد حديثة جداً أيضاً. لكن أجل، شعرنا بأن وجود مختبر أمر بالغ الأهمية، وأن هذا التركيز والجمع بين كل هؤلاء الأشخاص للعمل
3:24معاً أمر في غاية الأهمية. وأظن أن أقرب الأمثلة التاريخية هي أماكن مثل مختبرات بيل ، حيث عمل منظرون وتجريبيون وكيميائيون مذهلون معاً وحققوا إنجازات لا تُصدق. لذا فنحن نحاول القيام بالشيء نفسه هنا، أجل.
3:38أود التحدث عن حقول القوة بعد قليل، لكن قبل أن نصل إلى ذلك، ما هي بالضبط؟ ولكن قبل ذلك، أعتقد أنه من أجل السياق، يكمن أحد أكبر الاختلافات في أن بعض جمهورنا من مهندسي الذكاء الاصطناعي، والبعض الآخر من العلماء. لذا، دعنا نتحدث إلى المهندسين سريعاً ونسألهم: ما هو الفرق إذا كنت قد عملت في OpenAI كمختبر كبير؟ ما الفرق بين ما تفعله هناك وما تفعله هنا؟ أعتقد أنك أشرت إلى هذا بالفعل، لكن ربما بشكل صريح، كيف يجب
4:07عليك إعادة صياغة طريقة تفكيرك؟ حسناً، أعني أن أحد الأمور المثيرة للاهتمام هو أن بيئات التعلم التعزيزي لدينا تستمد حرفياً من البيئة الموجودة في مختبراتنا المادية.
4:19بياناتنا تأتي من مختبراتنا المادية، وهذا يعتبر نوعاً ما الحقيقة المطلقة بالنسبة لنا. لا يكفي فقط إجراء التحسين بناءً على بعض الإجابات المعروفة في الأوراق البحثية أو الكتب الدراسية لأننا نتجاوز ذلك. وأعتقد أن هذا أحد أكبر الاختلافات. لكن إلى جانب ذلك، هناك قضايا مثل اتخاذ القرار في ظل عدم اليقين. فعندما تقوم بالتحسين بناءً على الرياضيات، تكون هناك دقة عالية في الأمر. أنت لا تتعامل حقاً مع التباين أو عدم اليقين أو
4:48القياسات الشاذة، في حين أن هذا أمر أساسي لعمليتنا. على سبيل المثال، عندما نقوم بدورة اكتشاف المواد، لا تخرج الأشياء من الفرن وهي مصنفة، أليس كذلك؟ حتى عملية التصنيف يمكن أن تكون عشوائية وغير دقيقة. وأحياناً قد تواجه انحرافات بين الآلات المختلفة. ربما يكون لدينا قياسات غير كافية، فنظن أننا قمنا بتشغيلها عند درجة حرارة معينة، لكن الحرارة الفعلية كانت مختلفة قليلاً.
5:17والذكاء الذي يمكنه استيعاب هذه البيانات المشوشة واتخاذ قرارات ذكية كما يفعل العالم يتطلب مجموعة مختلفة من استراتيجيات التفكير. لذا، أعتقد أن هناك قدراً هائلاً من القواسم المشتركة.
5:31فالتعلم المعزز القياسي أثناء التدريب، وبناء الوكلاء الذين يستخدمون الأدوات، وتقليل التباين، والتأكد من عدم وجود تباين بين التدريب والاستنتاج. لكن علينا أن نتجاوز ذلك ونفكر حقاً في كيفية القيام بعمل دقيق عندما يكون هناك قدر كبير من عدم اليقين؟ كيف يمكنك الاستفادة بكفاءة مذهلة من مجموعة محدودة من البيانات؟ نحن نقوم بتوسيع النطاق بشكل كبير، لكنه لا يزال مختلفاً
6:00تماماً عن البيئة الرقمية حيث يمكنك إضافة المزيد من البيئات أو التجارب بشكل تعسفي. نحن لا نملك نفس هذه القدرة. لذا، فإن كفاءة العينة هي عامل رئيسي آخر.
6:09يبدو هذا مجرداً قليلاً بالنسبة لي، وهو موضوع طُرح في الأوساط العلمية لبعض الوقت. لكنني أعتقد أنه قد يكون من المفيد عند الحديث عن عدم اليقين التجريبي أن توضح: كيف ستبدو عملية تجريبية محددة تقوم بها، وكيف سيتعامل الإنسان مع هذه المشكلة قبل أن ننتقل إلى جانب الذكاء الاصطناعي؟ هل لديك مثال محدد لنوع المادة التي تصنعها وما نوع عدم اليقين في القياسات الذي قد تواجهه في هذه العملية ؟ أعتقد أن هناك أبعاداً عديدة لهذا الأمر.
6:39أحدها هو أنني أعتقد أن كل تجربة علمية يجب أن تقوم ببعض تقليص الأبعاد. وهذا مختلف تماماً عن البرمجة أو الرياضيات. عندما تقوم بإجراء حسابات رياضية أو برمجة، يمكن أن يكون السياق كاملاً متاحاً للإنسان أو للنموذج اللغوي الكبير. إنها مجموعة من البديهيات، وبعض النتائج التي استنبطها الناس منها.
6:56إنها مجموعة من الوظائف واستدعاءات واجهة برمجة التطبيقات. لذا، فكل ما تحتاجه للاستنتاج متاح أمامك، وما عليك سوى أن تكون ذكياً جداً لمعرفة كيفية التعامل معه. في الفيزياء، كما تعلم، نبدأ بعدد من الذرات أكبر مما يمكننا تخزينه على أي حاسوب. لذا، من الواضح أنه يتعين علينا الانتقال من العدد الأصلي للأبعاد والبتات التي تمثل النظام إلى عدد البتات التي يمكننا استيعابها في الحاسوب.
7:19وأنت تعلم، ربما كانت هذه هي الفرضية الأصلية للديناميكا الحرارية. كانوا في البداية في حيرة من أمرهم بشأن كيفية عمل المحركات البخارية، لكن تبين أنه يمكنك إيجاد خمسة أو ستة متغيرات ديناميكية حرارية تشرح ما يحدث بشكل جيد جداً، وهذا أمر مذهل. آه، هذا هو جوهر جمال الفيزياء.
7:34تخيل أن لديك غرفة مليئة بالذرات، وهناك ربما 10 أس 23 أو 10 أس 27 ذرة في هذه الغرفة، ومع ذلك تحتاج فقط إلى درجة الحرارة والضغط ومتغيرات بسيطة لتخبرك بكل شيء. تخبرك بمعظم ما تحتاج إلى معرفته في معظم الحالات، أليس كذلك؟ لذا، لنفترض أنك صنعت مادة ما، ويمكنك فعل شيء مثل النظر إلى هيكلها عبر الأشعة السينية، وهذا الشيء هو إسقاط ببيانات مفقودة كثيرة، صحيح؟ إنه ليس هيكلاً فعلياً أو لا يخبرك بالهيكل
8:03الحقيقي. إنه يخبرك ببعض المكونات الرئيسية لذلك الهيكل فقط. إذاً، كيف يمكن للإنسان أن يأخذ هذه المكونات الرئيسية البسيطة ثم يستنتج منها، وكيف يمكنك توسيع ذلك ليشمل الذكاء الاصطناعي؟ إذاً، على جانب الفيزياء النظرية، أليس كذلك؟ لقد قررنا أن الطاقة، والقيمة المتوسطة للطاقة وتقلبات الطاقة، أمور بالغة الأهمية. لذا تم اشتقاق الكثير من الديناميكا الحرارية من هذا، ثم أدركنا أن حواجز التفاعل مهمة جداً أيضاً. الحركية
8:33الكيميائية مهمة جداً.
8:34لذا يمكن للإنسان محاولة الاستنتاج عبر هذا النظام المعقد للغاية من خلال التوصل إلى بعض الواصفات ذات الأبعاد المخفضة. كما يحب الناس أيضاً الصورة الذرية. هل تفكر في شكل البيئات المحلية، سواء كانت ثمانية السطوح أو رباعية السطوح، وهذا ما تستفيد منه الكيمياء بشكل خاص.
8:53حسناً، هذا من الجانب النظري، أما من الجانب التجريبي، فستحاول جمع أكبر قدر ممكن من البيانات. لذا سيكون لديك دفتر مختبر وتكتب فيه كل ما تراه، وما إلى ذلك، مع إدراك بالطبع أنك ستغفل عن الكثير. لذا، كما ذكر ليام، هناك كل هذه المشكلات التي تظهر.
9:09على سبيل المثال، ستتدهور حال فرنك بمرور الوقت، لأنه أثناء استخدامك للفرن ، تتبخر بعض المواد التي تخبزها وتغطي عنصر التسخين. لذا، في كل مرة تستخدم فيها الفرن، تصبح حالته أسوأ فأسوء. مشكلة أخرى هي أن الفرن الذي تمتلكه لا تكون درجة حرارته منتظمة تماماً. لذا، فإن المكان الذي تضع فيه الأشياء داخل الفرن سيؤثر على النتيجة. نحن لا نواجه هذه المشكلة حالياً، لكن ربما سنواجهها يوماً ما. تعاني الأدوات البصرية كثيراً من الاهتزازات.
9:34فمثلاً، أتذكر عندما كنت أحضر الدكتوراه، كان هناك مختبر يواجه مشكلة كبيرة لأن النتائج كانت تختلف أحياناً عن أوقات أخرى ، واكتشفوا أن شخصاً ما كان يمشي في الطابق العلوي في وقت معين من الليل، وأن ذلك الاهتزاز كان يؤثر على إعدادات الليزر. إذاً، نعم، العلم صعب للغاية ، لكن هذا ما يجعله مميزاً، أليس كذلك؟ شيء آخر تحدثت عنه أنا وليام وهو أن الكثير من التحسينات الحالية تركز على الرياضيات والبرمجة وعلوم الحاسوب النظرية لأنها أسهل بالنسبة للنماذج اللغوية الكبيرة، لكن في الحياة الواقعية، معظم الأشياء التي
10:04تتطلب ذكاءً تشبه العلم أكثر. هناك الكثير من عدم اليقين، والكثير من الضجيج، والكثير من السياق المفقود، لكن عليك أن تكون الكائن الذكي وتكتشف ما يجب فعله تالياً.
10:14أعتقد أن نقطة مثيرة للاهتمام للبناء عليها هي أن استراتيجيات التفكير المثالية للرياضيات وعلوم الحاسوب النظرية قد لا تكون هي الاستراتيجيات المثالية للقيام بالبحث العلمي.
10:26كيف يمكنك تحديد دالة مكافأة للتعلم التعزيزي (RL) عندما تكون مخرجاتك بنية بلورية مشوشة أو عدداً من المتغيرات الجماعية أو شيء من هذا القبيل؟ مثل ربما سأشرح جزءاً واحداً من الحلقة، وسأتعمق في ذلك قليلاً . كجزء من حلقة اكتشاف المواد، علينا أولاً معرفة ما نريد تصنيعه. وهذا يعني استقرار الذرات معاً، بالإضافة إلى ما إذا كنا نتوقع أن تمتلك الخصائص التي نريدها.
10:54نحن لا نريد فقط تكويناً جديداً للذرات، بل نريدها أن تمتلك الخاصية المطلوبة عندما تتجمع معاً. التالي هو، كيف تقوم بتصنيعها؟ كيف تصنع ذلك الشيء فعلياً ؟ هذا أمر غير بسيط أيضاً. لذا، حتى لو كنت تعلم أن مادة ما ستتماسك، فإن عملية معرفة ظروف التصنيع اللازمة لإخراجها إلى حيز الوجود هي عملية معقدة للغاية. لكن مجدداً، بمجرد الانتهاء من هاتين الخطوتين وابتكار شيء ما، فإنه لا يأتي مصنفاً، لذا عليك توصيفه ومعرفة ما قمت بصنعه. لذا، في هذه الحالة، بدلاً من
11:24التفكير في بيئة التعلم المعزز كأننا سنبدأ تجربة فقط، وننتظر بضعة أيام، ونحاول إجراء تحديث حول ما إذا كنت قد وجدت موصلاً فائقاً في درجة حرارة الغرفة أم لا؟ هذا غير ممكن تماماً.
11:36سأطرح ذلك السؤال. أجل ، لا يمكنك ترك معالج الرسوميات الخاص بك خاملاً لمدة أسبوع أو نحو ذلك.
11:41إنه أمر غير ممكن تماماً لأنك لا تملك ما يكفي من الوكلاء لتقليل التباين بشكل كافٍ. وقت التنفيذ يستغرق وقتاً بين الأدوات المختلفة. أنت في حالة انتظار. هناك بعض الحدود الفيزيائية للتجارب، مثل وقت التخليق الفعلي أو وقت الفرن.
11:57إنه بطيء جداً ومليء بالضجيج. لذا فإن طريقتنا في التفكير حول برنامج الذكاء الاصطناعي تعتمد أساساً على بناء وكلاء حول مجموعة البيانات التي أنتجناها. وفي حالة التوصيف، أنت تبحث عن بيئات تعلم معزز تكافئ تحديد الأطوار الموجودة فعلياً. هل أنت قادر، بالنظر إلى البيانات التجريبية الخام، على ملاءمتها بفعالية؟ الطريقة التي نقوم بها بذلك هي إطلاق أشعة سينية على المادة. الأشعة السينية لها تردد أو طول موجي يتناسب تقريباً مع المسافات بين الذرات.
12:32لذا تحصل على أنماط حيود جيدة، والتي تعطي نوعاً من البصمة للهيكل البلوري.
12:37القيام بتحديد ما هو موجود فعلياً ليس أمراً بسيطاً على الإطلاق. ولذا فقد ركز بعض أعمالنا المبكرة في الذكاء الاصطناعي على بناء أنظمة للقيام بذلك. وهذا يسمح لنا بالتحرك بسرعة أكبر أيضاً، لأنه إذا كنت تجري الكثير من التجارب، فستواجه سريعاً عنق زجاجة في قدرتك على فهم ما تم إنتاجه. لكن مجدداً، بيئة التعلم المعزز الآن مباشرة إلى حد ما ، وهي أنك ستكافئ تحديد الأطوار الموجودة. ستعاقب على
13:08الأطوار الزائفة أو الأشياء التي ليس لها أي معقولية كيميائية حقيقية. إنه نوع من الشيء المستدام حيث يمكنك القيام بذلك للأجزاء المختلفة. وعندما تربط هذه القطع ببعضها، فهذه هي حلقة الاكتشاف المتكاملة.
13:23ربما قطعة أخرى ستكون أنه مع بناء سلة كبيرة من البيانات التجريبية، يمكنك التفكير في شيء آخر وهو وضع طابع زمني لحالة العالم. لذا، يمكنك القول، في هذا التاريخ، كان هذا هو دليلنا التجريبي حتى تلك النقطة. ويمكنك بناء بيئات للتعلم التعزيزي تقول فيها: " حسنًا، بناءً على مجموعة الأدلة التجريبية تلك وبناءً على الخيارات، ما هو الخيار التالي الذي اتخذه العالم أو ما هي
13:53نتيجة تلك التجربة؟" وهذا أمر مثير للاهتمام حقًا، لأنه يسمح لنا بالقيام بأنواع من البرامج التي ستكون أصعب من الخارج؛ لأنه إذا كان النموذج المدرب مسبقًا قد حفظ بالفعل بعض هذه البيانات، ثم حاولت القيام بتعلم تعزيزي عليها، فإذا كان يعرف الإجابة مسبقًا وقمت ببناء مهام تعلم تعزيزي تعتمد على تلك الإجابة ، فيمكنه تزييف العمل.
14:15وهكذا، ولأنه يقول: " أوه، حسنًا، إنه يعرف الإجابة بالفعل، لذا لا يتعين عليه القيام باستنتاجات الفيزياء الصعبة فعليًا." لا يتعين عليه القيام بالحسابات والمحاكاة فعليًا، ويصل إلى الإجابة الصحيحة، ثم تقوم بتعزيز تلك السياسة وزيادة وزن استراتيجيات التفكير تلك. استراتيجيات التفكير تلك لن تعمم على الأنظمة الجديدة.
14:34لذا، فهي ليست مفيدة لنا. ولكن بينما نبني سلالًا من البيانات التجريبية ونربط الأشياء ببعضها، مع وجود تسلسل للعملية برمتها، فإن ذلك يمنحنا القدرة على بناء أنواع جديدة من البيئات التي ليست معقولة في أي مكان آخر.
14:47أريد أن أطرح سؤالي، لكني قلق من أنني سأخرج عن مسار الحديث. سأقوم بالمحاولة لأنني مرة أخرى، أنا من غير العلماء، لكنني مهندس، لذا فأنا على دراية بجانب تعلم الآلة، ولكن ليس بجانب الفيزياء. حسنًا، هناك بضع نسخ من هذا، لكنني أعتقد أن السؤال الأساسي هو: ألم ننتهِ من وضع معظم قوانين الفيزياء؟ وكيف لا نملك محاكيات مثالية بالفعل؟ هذا سؤال رائع.
15:12إنه سؤال أساسي للغاية ، وكان رده: "ها ها، نعم ، هذا لطيف". لكني قلت له: "يا صديقي، لدي كل كتب الفيزياء هذه، فماذا تقصد؟" ماذا تقصد بأننا لم ننتهِ بعد؟ نعم، هناك شيئان يحدثان هنا، أليس كذلك ؟ إذًا، نعم.
15:28أعتقد أولًا وقبل كل شيء، نحن بالتأكيد لم ننتهِ من أي من قوانين الفيزياء. حتى أنك...
15:33على المستوى الكمي، حسنًا، وربما على نطاق واسع جدًا، ولكن على النطاق البشري، على نطاق المواد، ما الذي تبقى؟ لذا، إنه سؤال جيد حقًا. وهو مثير للاهتمام للغاية لماذا لم ننتهِ بعد، أليس كذلك؟ مم، هناك قصة شائعة جدًا يتحدث عنها الناس. مثل عندما كان ديراك يكتشف ميكانيكا الكم، في أواخر العشرينيات، كتب كتابًا عن ميكانيكا الكم، وصاغ الأمر وكأنه قد تم إنجاز كل شيء. وهناك عبارة يحب الناس
16:03اقتباسها. لست متأكدًا في الواقع من دقتها، لكن يبدو أن ديراك قال: "الباقي هو كيمياء". الفكرة هي أنه استطاع حل ذرة الهيدروجين.
16:12نعم، ربما استطاع حل سلسلة أحادية البعد من ذرات الهيدروجين، لكنه لم يستطع حينها حل تفاعل النيتروجين مع الأكسجين، لكن لا بأس، هذا مجرد كيمياء.
16:21علماء الفيزياء يحبون حقًا الأنظمة البسيطة جدًا مثل الذرة الواحدة، وهذا كل ما يمكنك حله.
16:28نعم، نعم، البقرة الكروية.
16:29لكن تبين، وأعتقد أن ما تعلمناه في المئة عام الماضية هو، أولاً وقبل كل شيء، أن هذا ليس صحيحًا. إنه ليس مجرد امتداد لما كان عليه الحال مع الهيدروجين فقط. وليس الأمر مجرد أن الباقي هو كيمياء. هناك في الواقع الكثير من الفيزياء في ذلك. أعني ، أعتقد أن أحد الأشياء التي لم نكتشفها بعد هو الموصلية الفائقة في درجات الحرارة العالية. لكن هناك الكثير من الأشياء الأخرى.
16:46وهل الدرجة العالية بالنسبة لك تعني 175، 200 ؟ عندما نقول الموصلية الفائقة لدرجات الحرارة، فإننا نقصد الموصلية الفائقة غير التقليدية. لذا، هناك الموصلية الفائقة التقليدية التي يحركها بشكل أساسي اقتران الإلكترون- فونون. وفي هذه الحالة ، يمكنك نوعًا ما رؤية التأثير النظائري. إذا أخذت نفس النظام، ولكن بوزن مختلف لأحد العناصر، يمكنك رؤية درجة حرارة الموصلية الفائقة تنخفض بالمعدل الذي تتوقعه.
17:07لذا، هذا النوع تقليدي . لكن الموصلات الفائقة ذات درجات الحرارة الأعلى مثل الكوبرات، مثل تلك التي تتجاوز 77 كلفن، مثل 93 كلفن، تبين أنها لا تخضع لتلك الفيزياء . لكننا لا نعرف ما هي الفيزياء التي تخضع لها. إنها ببساطة موصلات فائقة مذهلة.
17:20لكن الأمر لا يقتصر على ذلك فقط. لذا، فهذا بالتأكيد أحد تلك المواضيع الشائعة جدًا. نحن لا نعرف النظرية بعد. لكن هناك الكثير من الأشياء الأخرى التي لا نفهمها . على سبيل المثال، حتى الارتباط القوي في الأنظمة الميكانيكية الكمومية البسيطة لا يمكننا محاكاته بعد.
17:34نظرية دالة الكثافة أداة قوية جدًا. إنها دقيقة بشكل لا يصدق في بعض الجوانب. لكن بمجرد وجود ارتباط إلكتروني قوي، فإنها تفشل فعليًا في رصد بعض التأثيرات. أعني أن هناك الكثير مما يجب اكتشافه. ولهذا السبب أنا متحمس حقًا لتطبيق الذكاء الاصطناعي في هذا المجال، لأنه من الناحية النظرية والحسابية والتجريبية ، هناك الكثير مما يجب اكتشافه. وكل تحسين نقوم به هنا يجب أن يحسن حياة البشر، لأننا كلما فهمنا المواد وفيزياء الحالة الصلبة بشكل أفضل، استطعنا صنع أجهزة أفضل لهم.
18:02هناك مقولة شهيرة لـ " فيل أندرسون" وهي " الأكثر مختلف"، وتعني ببساطة أنك قد تفهم كل القوانين الأساسية لشيء ما، ولكن عندما تضيف أشياء كثيرة، فإنها تتصرف بشكل مختلف نوعياً عما قد تخبرك به الفيزياء البسيطة. لذا، يبدو فهم كيفية تصرف الكثير من الأشياء معاً أمراً بسيطاً. القوانين الأولية بسيطة، لكن السلوك الجماعي معقد جداً لدرجة يصعب معها وضع نموذج له.
18:28إنه سلوك ناشئ وعالمي، وهذا أمر مذهل. ونحن نرى هذا أيضاً في نماذج التعلم العميق، أليس كذلك؟ نحن نرى قوانين القوة في كل مكان في التعلم العميق . نحن لا نفهم ذلك، لكنه يشبه إلى حد كبير الفيزياء حيث يوجد ظهور وعالمية. أم...
18:41لقد كانت هناك العديد من الأوراق النظرية في عالم الفيزياء حول الظهور في...
18:44لا أعلم أين. بالتأكيد.
18:47وسؤالي الآخر الذي أود متابعته هو فقط حول عملية، لنسمها العملية والنتيجة النهائية. لنفترض أنك تريد الحصول على هذه الخصائص التي تستهدفها للمواد، ثم عليك معرفة العملية للوصول إلى هناك. هل يستحق الأمر فصل هذه الأشياء بحيث يمكنك تدريب نموذج يقوم بهندسة عكسية مثالية لأي عملية كانت، بالنظر إلى أي حالة نهائية نظرية تريدها؟ هل هذا مفيد؟ ربما بالعودة إلى حوارنا حول أنه بما أن
19:16هناك أكثر من عدد أفوجادرو من الذرات، فلن نعرف أبداً السياق الدقيق لما حدث. أعتقد أنه قد يكون هناك سبب لعدم قدرتنا أبداً على القيام بهندسة عكسية لكل شيء بشكل مثالي. لكننا نحاول فقط القيام بهندسة عكسية كافية لنكون قادرين على تحسين أداء المادة بشكل أساسي.
19:33نعم. ما تسأل عنه هو هل هناك نموذج أمامي حيث تضع مدخلات ويمكنك التنبؤ بالمخرجات؟ وأنت تريد...
19:40نعم، أنت تريد إنشاء نموذج بديل يمكنه فهم ...
19:43المدخلات هي الحالة النهائية لتكوين الذرات هذا، ثم التنبؤ هو...
19:48تقسيم العمل تقريباً.
19:49يمكنك جعل فريق واحد يقوم بجانب العملية، وفريق آخر يقوم بجانب الخصائص، ثم، كما تعلم ، اجعلهم يتسابقون.
19:56نعم، أعني أنني أعتقد أن هناك الكثير من التقدم الذي يمكننا تحقيقه فيما يتعلق بتقسيم سير العمل الوكيل هذا إلى هذه المجالات المختلفة. أعتقد أن هناك الكثير من العمل التجريبي الذي يمكننا القيام به في التنبؤ بالتصنيع أيضاً.
20:10أمم، كيف يمكنك، كما تعلم، استيعاب هذا التكوين من الذرات، ما هي الأدوات التي يمكنك استخدامها؟ بالنظر إلى هذه الأدلة التجريبية، وبالنظر إلى المؤلفات والأوراق البحثية السابقة، كيف يمكنك فعلياً الوصول إلى هذه الأشياء؟ وفي النهاية أنت تختبر، هل أنت قادر حقاً على تكرار ذلك أم لا؟ السبب في قولي هذا هو ربما التفكير في الأمر من منظور شركة ما. أنت تعلم، الطريقة التي تعمل بها TSMC كمصنع لأشباه الموصلات لكنهم لا يصممونها.
20:35يمكنك أن تكون بمثابة TSMC للمواد، حيث يأتي إليك الناس قائلين " هذا ما أريده"، ومن ثم يمكنك تحديد العملية و ...
20:41نعم، إنه يشبه " مُجمِّع مادة".
20:44إذن، الأمر أشبه بـ: بالنظر إلى هذه المتطلبات...
20:46بناءً على "ستار تريك".
20:48نعم، نعم، نعم. ولكن الأمر هو: بالنظر إلى هذه المتطلبات، هل هذه مجموعة صالحة من التكوينات؟ هل يمكن لهذا أن يوجد؟ دالة الهدف؟ لا أعرف.
20:58نعم. أعني أننا نتحدث عن إحدى مهامنا كـ " ذكاء اصطناعي فائق للتصنيع". لذا أعتقد أن هذا يتماشى معنا.
21:05أريد التعمق في شيء قلته قبل قليل، وهو حديثك عن الأطوار. وأعتقد أن هذا، كما تعلم، يعود لتعليق دوجا حول ماهية الظهور أو الانبثاق. إن مفهوم "التحول الطوري" قد يكون غريباً على الكثير من الجمهور.
21:22لذا، هل يمكنك شرح ماهية التحول الطوري، ولماذا يعتبر إشارة مفيدة لبيئة التعلم التعزيزي (RL)؟ التحولات الطورية رائعة ومثيرة للاهتمام. أعني، أعتقد أن أكثر ما يمكن للناس الارتباط به في حياتهم هو ذوبان الجليد أو غليان الماء. كما تعلم ، أنت ترفع درجة حرارة الجليد، ولا يزال يبدو كجليد ويتصرف كجليد، ولكن هناك درجة حرارة معينة يتوقف عندها عن الارتفاع ويتحول إلى سائل. إذن، ينتقل فجأة
21:52من الطور الصلب إلى الطور السائل. آخر ذو صلة كبيرة بنا، بالطبع ، هو نموذج إيسينج (Ising model). وأعتقد أن علماء الحاسوب والرياضيات يدرسون هذا أيضاً تحت مسميات مختلفة، لكن أساساً يمكنك الحصول على لفات (spins) لأعلى ولأسفل، ولديها شروط تفاعل مختلفة إذا كان كلاهما لأعلى مقابل واحد لأعلى والآخر لأسفل. وفي درجات الحرارة المرتفعة بما يكفي، تكون عادةً عشوائية للأعلى أو للأسفل. الإنتروبيا هي التي تفوز. تقوم بخفض درجة الحرارة، فيبدو الأمر كما هو، ولكن عند نقطة معينة فجأة يستقرون تماماً. أجل، التحول الطوري.
22:22التحولات الطورية رائعة حقاً لأنها تسهل حياة الفيزيائيين في دراسة أشياء معينة. فهي تميل إلى امتلاك ارتباطات مكانية معينة تساعدنا أيضاً بشكل كبير. حسناً، في مختبرنا، تحدث التحولات الطورية عادةً لأننا نخلط سلائف هي في الأساس بلورات مختلفة، ثم نرفع درجة الحرارة أو نفعل شيئاً آخر لتشجيعها على التفاعل.
22:44وبعد ذلك تبدأ الذرات في التفاعل وتتشكل لتكوين هذه البلورة الجديدة. ويظهر هذا في نمط حيود الأشعة السينية (XRD)؛ لأنه عادةً إذا تغيرت هندسة الذرات بشكل جذري، يتغير نمط حيود الأشعة السينية كثيراً. لكن ما يحدث حقاً في حملة عملية نموذجية لاكتشاف المواد هو أنك عندما تجرب شيئاً ما لأول مرة، فإنه لا ينجح، والنتيجة ليست مجرد "نعم" أو "لا" واضحة، بل تكون عادةً طوراً مختلطاً للغاية.
23:08عادةً ما تحتوي على بعض السلائف، وقد تحتوي على طور غير متبلور، ثم تحتوي على مجموعة من الأطوار التي ربما لم تحاول صنعها. لذا يصبح هذا تحدياً، ولهذا السبب وجدنا صعوبة كبيرة في الجمع بين المحاكاة والذكاء الاصطناعي للقيام بعملية التوصيف. يمكن للمحاكاة دائماً أن تقول: "أوه، هذا الطور لا يشبه ما توقعناه، لكنه تباين طفيف عنه". " دعني الآن أجري حساب مجال القوة على استقرار البلورة ثنائية الأبعاد". "أو يمكن للذكاء الاصطناعي أن يقول: بناءً على التجربة السابقة وهذه التجربة ، ربما هذا ليس الطور
23:37الذي نريد صنعه، لذا دعنا نغير الظروف".
23:39أجل، وللمستمعين، XRD هو حيود الأشعة السينية، والذي وصفته بالفعل.
23:43أجل، في بعض الحالات، يكون هناك طور لم يتم تسجيله من قبل. إنه غير موجود في أي أوراق بحثية أو قواعد بيانات ، لذا يجب على الذكاء الاصطناعي الذهاب واستخدام هذه الأدوات ليقول: "حسناً، ما هو ترتيب الذرات الذي يفسر هذه الأطوار بالفعل؟" لكن هذا يصبح مهماً للغاية لتوجيه العملية العلمية؛ لأننا إذا كان لدينا طور مستهدف في ذهننا، فنحن بحاجة حقاً إلى نوع من "تسلق التلال" للحصول على قياسات أفضل له. لذا، إذا كانت النسبة 1%ونحن نريد فعلياً زيادة نقاء هذا الطور، فنحن نريد
24:13الحصول على قياس جيد جداً لهذه البيانات التجريبية لنقول ما هو موجود وما هو غير موجود.
24:18لذا فإن أحد العيوب هو أنه ليس لديك سوى متغير متميز يمكنك ملاحظته ببساطة.
24:23بالعودة إلى العبارة المتعلقة بكيفية تعاملك مع عدم اليقين، يبدو أن جزءاً من إجابتك هو جعل توقيعك القابل للملاحظة غير غامض إلى حد ما. لا يوجد مجال للتفسير هنا . هل هذا صحيح؟ هل هذه هي المنطق وراء ذلك أم أنكم ببساطة كنتم بحاجة إلى إيجاد طور جديد وهذا هو الأمر الذي تهتمون به؟ أعني، أعتقد أنه لا يزال هناك غموض في الكثير من هذه الحالات . أعني، كما تعلم، أبسط الأمور هي النسخ المتكررة. نحن نجري تجارب مكررة بالطبع.
24:49لكن لا، أعتقد أنها مهمة صعبة لأنها ليست حتمية تماماً، وهناك، حسناً، هناك غموض وأشياء أخرى. لا يمكن لطورين مختلفين أن يتوافقا فعلياً مع نفس النمط. لذا أعتقد أنه من المهم جداً للنظام استخدام بعض الحدس الكيميائي ليقول: حسناً، هذا سيكون غير مرجح للغاية نظراً لظروف التخليق والمعرفة المسبقة. ويمكن استخدام ذلك للمساعدة في إزالة الغموض.
25:18إذن أنت تحقن نوعاً من المعطيات المسبقة هناك. بناءً على ما تتوقعه.
25:23نعم، أعني أنني أعتقد الديناميكا الحرارية هي المعطى المسبق الأكبر، أليس كذلك؟ والفيزياء أيضاً تعتبر معطى مسبقاً كبيراً. شيء آخر نستفيد منه حقاً هنا هو تعدد الوسائط في توصيف المواد. يمكننا إجراء حيود الأشعة السينية (XRD)، نعم، قد تبدو بعض الأطوار متشابهة في نمط XRD، لكن يمكننا أيضاً قياس الخصائص الكهربائية والمغناطيسية. يمكننا قياس مورفولوجيتها باستخدام نوع من المجهر الإلكتروني. وحينها ستبدو بعض الأطوار التي كانت متشابهة في XRD مختلفة في بعض هذه الأبعاد.
25:49وهذا النوع من تعدد الوسائط يساعد حقاً. ومرة أخرى، الذكاء الاصطناعي مفيد جداً هنا لأن البشر لديهم سياق محدود وقدرة حسابية محدودة أيضاً. لذا إذا أعطيت البشر 10 وسائط مختلفة في نفس الوقت وقلت لهم حللوا هذه جميعاً بشكل متسق، فسيكون الأمر صعباً بعض الشيء. لكن في الواقع ليس بالأمر فائق الذكاء بالنسبة للذكاء الاصطناعي للقيام بذلك.
26:07نعم، إنه كأن الذكاء الفائق يمكنه فقط القيام بالكثير من الحسابات. يمكنه النظر إلى كل شيء. وهذا يقودنا إلى تلك العبارة حول اتخاذ قرارات أفضل في ظل عدم اليقين، حيث يقوم الآن بدمج الإشارات عبر العديد من الأجهزة المختلفة، وبمرور الوقت عبر تجارب مختلفة وعبر النسخ المكررة، ومن ثم الوصول إلى هذا النموذج الضمني الأفضل بدلاً من التركيز المفرط على قياس واحد من جهاز واحد.
26:33ودعني فقط، كما تعلم، بدأت أعتقد منذ فترة أيضاً بالقول إنه توجد بيانات أكثر مما يمكن لأي حاسوب أو معالج معقول استيعابه. لذا في مرحلة ما، عليك التخلص من البيانات.
26:43حتى وإن كان لديك كل هذه النسخ المتكررة، وحتى وإن كان لديك على الأرجح 10 طرق مختلفة لقياس الشيء نفسه. لأن ماذا لو كان أحد أجهزة قياس الحرارة لديك معطلاً؟ إذًا متى تتخلص من تلك البيانات ؟ كيف تقرر ما يجب فعله ؟ كشخص مهووس بالبيانات في مجال تعلم الآلة، أنا أريد كل شيء، أليس كذلك؟ ثم أقوم ببساطة، كما تعلم ، بنمذجة وتعلم كل شيء. أنا لا أعرف ما لا أعرفه، لذا أقوم فقط بتوجيه الآلة نحوه.
27:03أجل، أجل. لذا نحن لا نتخلص من البيانات. همم، أعتقد أن ما قصدته ربما هو أنه لو كان الله يراقب التجربة، فهناك في التجربة بيانات أكثر مما يستطيع البشر تخزينه في حاسوب.
27:14للأسف، نحن البشر لا يمكننا مراقبة كل الذرات. لذا، على الرغم من وجود بيانات أكثر مما يمكننا تخزينه، إلا أننا في الواقع لا نستطيع الوصول إليها. على سبيل المثال، لا يمكنني تتبع مواقع جميع الذرات. همم، للأسف لا نزال في مرحلة تكون فيها أي بيانات نجمعها ثمينة للغاية، ولا نحذف أيًا منها.
27:32ربما إحدى طرق التفكير في الأمر للربط بجانب الذكاء الاصطناعي هي، همم، التفكير في " الاستقصاء"(probing)، مثل عندما تقوم باستقصاء نموذج أساسي، أليس كذلك؟ هذا النموذج يمتلك كل هذه البيانات . إذًا الله لديه هذه الصورة الكاملة لما تفعله المادة، ثم تكون التجربة عبارة عن مسبار خطي صغير جدًا، يحتوي على حوالي ثماني بتات أو نحو ذلك كمخرج.
27:51وبذلك أنت تأخذ هذا الشيء الضخم وتختزله إلى القليل من المعلومات. ثم تصبح مهمة الإنسان تقليديًا، أو الآن مهمة وكيلك الذكي، هي إعادة بناء ما يحدث بالفعل بالداخل من تلك البتات الثماني من المعلومات.
28:06كما أقول، هو مشابه لحالة لا يمكنك فيها الحصول على رؤية كاملة لكل وزن من أوزان المعاملات، أو كل تفعيل لذلك المدخل. همم، أجل، أنت تحصل على نوع من المجموعات الفرعية منها. أو بعض السمات العامة، كما تعلم، عبر الشيء بأكمله. أجل.
28:20أفترض أنك تجد على الأرجح حجة "شيطان ماكسويل" مثيرة للاهتمام للغاية لأن...
28:25هل يمكنك فقط سردها؟ لأنني لا...لقد ذكرها من قبل. في الواقع، لقد نسيتها.
28:31حسناً، كما تعلم، في القرن التاسع عشر، أدرك الناس أن إنتروبيا النظام يجب أن تزداد، أو حسناً، بالنسبة لنظام مغلق تظل كما هي، لكنها لا يمكن أن تنخفض. إنه القانون الثاني للديناميكا الحرارية.
28:44كانت هناك تجربة ذهنية تتساءل عما سيحدث لو كان هناك شيطان صغير جداً وعليم بكل شيء، يمكنه مراقبة الذرات، وكلما كانت طاقة الذرة منخفضة، يفتح باباً ليسمح لها بالدخول إلى غرفة أخرى، ويستمر في فعل ذلك لتقليل إنتروبيا النظام، وهو ما سيخالف القانون الثاني للديناميكا الحرارية. ولفترة طويلة، أعتقد أنه لم تكن هناك إجابة مرضية تماماً عن سبب حدوث ذلك. ولكن بعد ذلك، ظهرت ورقة بحثية أحدث في القرن العشرين، حيث توصل لانداور إلى حجة مفادها أنه يجب عليك
29:13إنفاق الطاقة لحذف المعلومات، وأن شيطان ماكسويل سيحصل في الأساس على الكثير من المعلومات من خلال ما يفعله، لدرجة أنه سيضطر إلى حذف بعضها؛ وعندما يقوم بحذف المعلومات، فإنه يضطر لإنفاق الطاقة، مما يضمن زيادة الإنتروبيا. لذا، على الرغم من أننا لسنا في المستوى الذي يمكننا فيه أن نكون شيطان ماكسويل، أعتقد أن سؤالك رؤيوي جداً تجاه مستقبل نخزن فيه الكثير من البيانات لدرجة أننا سنضطر لحذف بعضها.
29:37نعم، لا، لم أكن، لم أكن أقصد الوصول إلى هذا الحد بالطبع. هذا يذكرني بتكييف الهواء ، فهذه هي الطريقة التي يعمل بها التكييف نوعاً ما. لكنني أعتقد أيضاً أنها مجرد مسألة : لماذا لا تشتري كل مستشعر في العالم وتفرط في التجهيز وتكرر كل شيء بشكل مبالغ فيه؟ كيف نقوم بذلك؟ صحيح.
29:54حسناً، نعم. حسناً، نعم. نعم، نعم.
29:58نعم، أعتقد أنها مسألة تتعلق بـ نعم، بالضبط. هل تحصل على رؤية للذرات الفردية وهو أمر غير مجدٍ؟ لكن لا، نحن نضيف كمية هائلة من القياسات عن بُعد، وهذا يقلل أساساً من عدد المتغيرات الخفية إذا جاز التعبير.
30:10نعم، وفضولاً فقط، هل تقلق من أنك موجود فقط في كاليفورنيا؟ ألا تريد القيام بهذا في أماكن مثل نيبال وأستراليا؟ نعم، يمكننا ذلك. أعني أن لدينا خططاً لفتح المزيد من المختبرات.
30:23لأن الجاذبية بوضوح، ومكان وجودك وتوجهك، أمور تهم.
30:28أيضاً، الخبرات قد تختلف، أليس كذلك؟ هنا لدينا أنواع معينة من الخبرات، على سبيل المثال، قسم الفيزياء وقسم الهندسة في ستانفورد لديهما خبرات تساعدنا حقاً لأننا نستطيع التوظيف من هناك ويمكن لمواردنا التعاون. كما قلت، الجغرافيا قد تهم ، لكن المدن المختلفة يمكن أن تمتلك اختلافات في الخبرات في الفيزياء والكيمياء.
30:47نعم، أعني أن لدينا تطبيق "زوم" لذلك. أعني ، مع ذلك، ستظل تجاربك متأثرة بمكان وجودك.
30:55أجل. أعني أن مستقبل دورية العناصر ليس مختبراً واحداً.
30:58أظن أننا بحاجة للتواصل مع صديقك جيف للذهاب إلى الفضاء، كما تعلم.
31:03أجل، أعتقد أنه من الضروري وجود شبكة مختبرات كهذه، وكما أشار جيف، هناك مكان مثالي لكل منها بناءً على الخبرة أو قيود المواد. هناك العديد من القيود المختلفة المسموح بها.
31:17حسناً، أحد الأمور التي كنت أتساءل عنها هو كيف تتعامل مع الأدوات الحسابية؟ أو كيف تدمج الأدوات الحسابية في سير عمل اتخاذ القرار؟ خاصة عندما لا تلتقي الحسابات والتجارب بالضرورة. وأيضاً النظرية من حيث الفهم عالي المستوى. وكيف يعمل ذلك معاً؟
31:42أجل، أحد الأشياء المفيدة حقاً هو وجود أمور أسهل وأكثر دقة في المحاكاة، وأمور أخرى أسهل وأكثر دقة في التجربة. أعني أن التجارب بشكل عام أكثر دقة بالطبع، لكن هناك قياسات يصعب جداً إجراؤها تجريبياً. لذا تحصل على نسخة سيئة منها، مما يؤدي إلى بيانات غير دقيقة. دعني أقدم لك بعض الأمثلة. أحدها هو استخدامنا لنظرية كثافة الدالة لتقدير إنثالبي التكوين لموادك.
32:10عذراً، توقف سريع. هل يمكنك شرح نظرية كثافة الدالة وإنثالبي التكوين؟ أجل، بالطبع.
32:16عذراً، الإنثالبي، نعم.
32:18أجل، نظرية كثافة الدالة هي على الأرجح طريقة المحاكاة الأكثر استخداماً للمواد. وهي مستمدة من نظرية كون-شام، وقد حصل كون على جائزة نوبل بفضلها. لقد أدرك أن ميكانيكا الكم مكلفة للغاية لأن لديك مساحة هيلبرت أسية لكل دالة موجية. لذا عليك حل هذه المشكلة الصعبة للغاية، خاصة مع زيادة حجم النظام. أدرك كون وهوهنبرج أنه لا داعي للتعامل مع تلك المساحة الأسية. كل ما عليك فعله هو التفكير
32:48في كثافة الشحنة، على الأقل بالنسبة للحالة الأرضية لأنظمة ميكانيكا الكم. هذه النظرية في الواقع بسيطة للغاية. لدرجة أنني أعتقد أن طالب الفيزياء في المرحلة الجامعية يمكنه فهمها.
32:59الفكرة هي أن جميع خصائص الحالة الأرضية للنظام الميكانيكي الكمي هي دالة في كثافة الشحنة، وهذا أمر مذهل. لأن كثافة الشحنة هي مجرد هذا الكائن ثلاثي الأبعاد ، في حين أن فضاء هيلبرت والدوال الموجية أسية. لذا، كانت تلك ملاحظة مثيرة للاهتمام حقاً، ثم نشر كون ورقة بحثية أخرى، أعتقد مع باحث ما بعد الدكتوراه شام، دوال كون-شام الموجية، قدمت نوعاً ما طريقة عملية لحل بعض تقريبات الخصائص الميكانيكية
33:29الكمية للمواد. واليوم نستخدمها كثيراً سواء في مختبرنا أو خارجه.
33:34ثم إن إنثالبي التكوين هو أحد القياسات التي يمكننا إجراؤها لفهم طاقة المادة. بشكل أساسي، نريد أن نسأل ما هي الطاقة التي تمتلكها هذه المادة؟ لأنه إذا كانت تلك الطاقة أعلى من المواد الأخرى التي يمكن أن تشكلها هذه الذرات، فمن غير المرجح أن تكون هذه المادة قابلة للتصنيع. لذا، الاستقرار يعني ببساطة أنها تقع على الغلاف المحدب للمواد الأخرى وطاقاتها. هل كان ذلك واضحاً بما يكفي، أم ينبغي علينا ...
34:02أعني، ربما نقطة بسيطة ومستوى عام. نظرية كثافة الدالة هي طريقة لأخذ شيء صعب أسياً من حيث عدد الإلكترونات أو حجم النظام، ثم تقليله تقريبياً مع وجود بعض الخطأ إلى تقريب من الدرجة الثالثة عادةً. الآن يمكنك حساب كميات كانت غير قابلة للحساب، ولكن بتكلفة معينة. حسناً، لو كان بإمكانك فعل ذلك بشكل مثالي، لما احتجنا إلى المختبر، لكننا لا نستطيع.
34:35ربما تكون هذه إشارة جيدة لحلقتنا الثانية على الإطلاق. قالت هيذر كوليك بوضوح، لقد قالت مشهورةً إنه لا يوجد "ألفا فولد" للمواد، ليس فقط من الناحية الحسابية، بل لأن الحقيقة الأساسية غير موجودة ببساطة. نحن لا نعرف حقاً كيف تبدو الهياكل البلورية للمواد، وتعد نظرية كثافة الدالة عموماً أفضل طريق لنا نحو...
34:55نعم، أعتقد ذلك. أعني ربما شيئان أود إضافتهما هو أن نظرية كثافة الدالة بحكم تعريفها لا يجب أن تكون تقريبية. نظرية كون-شام توضح أنها يمكن أن تكون دقيقة، لكن أعتقد كما تشير، أن دالة التبادل والارتباط ليس لدينا وصول إليها بعد.
35:08وبالنسبة للنماذج القائمة على كثافة الشحنة، نحن لا نعرف ما هي دالة الطاقة الحركية. وحتى لو كان لدينا نظرية كثافة دالة مثالية، ما زلت أعتقد أننا سنحتاج إلى مختبر لأننا حتى لو امتلكناها، لا يمكننا وضع 10 أس 23 ذرة في الحاسوب.
35:24أنت مهووس جداً بهذه النقطة.
35:26أنت تعلم، حسناً، حسناً. نعم، ولكن مع أسياً.
35:30مع نمو الحوسبة، يمكنك القول إنه بحجم قياس مكعب (n-cubed)، يمكنك في النهاية من حيث المبدأ حساب الأشياء. عليك فقط الانتظار حتى أوه، نعم، نحن بحاجة إلى أجهزة كمبيوتر ضخمة بما يكفي، نعم.
35:40نعم، نعم. ولكن طالما أن التوسع المكعب (n-cubed ) جيد، يمكنك يمكنك بصفتي غير متخصص في العلوم، سأقدم ملاحظة لا أعرف ما إذا كنت ترغب في مناقشتها أم لا. لقد جئت من مجال التمويل. كان لدينا " Gaussian copula" وهي طريقة لتسعير مقايضات العجز الائتماني من خلال إجراء الارتباطات وتقليص كل شيء إلى نواة واحدة. وهي تبدو مشابهة جداً روحياً لـ VAE من حيث تكثيف كل هذه الأشياء في معامل واحد نوعاً ما. أتساءل عما إذا كان الأمر هو نفسه
36:10، مجرد خدعة متكررة في كل مكان. تبدو طريقتكم ذات أبعاد أعلى قليلاً من طريقتي. لكن كما تعلم، VAE هي مجرد شيء سيجما واحد. لكنها تبدو متشابهة؟ نعم، نعم، ملف كثافة الشحنة لا يزال ملفاً كبيراً جداً.
36:25صحيح. أنت تتجاوز التفاصيل قليلاً، لكنها جيدة بما يكفي. هذا هو الجزء الأهم من المعادلة. نعم، هذا صحيح.
36:31أنا شخصياً لا أعرف طريقة أفضل للتنبؤ باستقرار مادة جديدة. إنها بالتأكيد ليست مثالية، لكنها بلا شك أفضل من الطرق الأخرى التي يمكنني التفكير فيها. وبالعودة إلى سؤالك، نحن نستخدمها لأن بعض الأشياء أسهل في المحاكاة من التجربة، وهما يكملان بعضهما البعض بشكل جيد . ويمكننا القيام بذلك في حلقة مستمرة. نحن نشعر أن المحاكاة لن تكون كافية بمفردها، ولكن في حلقة تضم المحاكاة والذكاء الاصطناعي والتجارب، أعتقد أننا نستطيع تحقيق تقدم أسرع بكثير من ذي قبل.
37:01أحد الأشياء التي تسمح لك بها المحاكاة هو التوسع بسرعة أكبر بكثير. أعني، لأن تشغيل أجهزة الكمبيوتر الآن أسهل بكثير من إنشاء مختبرات جديدة. كيف تتجنب، أو لنقل أنك قمت بتوسيع نطاق "DFT"، كيف تتجنب جعل نماذجك تفرط في الاعتماد على ذلك، وتظل متمسكاً بحقيقة أن العالم الحقيقي هو المرجع الأساسي الذي تهتم به؟ إذا كنت تعلم، كيف يمكنك حسناً، لا يزال لدينا المختبر أيضاً.
37:27نعم، يمكنك توسيع نطاق المختبر، لكنني أعني أنني أستطيع تخيل توسيع نطاق "DFT" إلى الملايين والمئات من الملايين نظراً للحوسبة الحديثة، في حين أن مختبرك أتخيل أنه ينتج المئات أو الآلاف يومياً؟ لا أعلم. كأن الأمر لا يزال محدوداً جداً بالمقارنة، حتى في حالات الإنتاجية العالية جداً، أليس كذلك؟ أجل، أعني أن البشر، وكذلك المختبرات، يدركون تماماً حدود نظرية دالة الكثافة (DFT ). على سبيل المثال،
37:56حتى لو أجرينا 100 مليون تجربة باستخدام DFT كما قلت، فلن نتمكن أبداً من تجربة بنيتها المجهرية. والمقصود بالبنية المجهرية أن DFT تحاكي عادة بلورة مثالية، لكن البلورات في الواقع ليست مثالية ، وبنيتها المجهرية، وهي بنية متوسطة الترتيب، يمكنها التأثير فعلياً على خصائصها. هناك مشكلات أخرى بالطبع، فبعض الخصائص مثل درجة حرارة الموصلية الفائقة لا يمكن محاكاتها بسهولة باستخدام DFT. ومرة أخرى ، حتى لو أجريت 100 مليون تجربة باستخدام DFT، فلن يكون ذلك كافياً. لذا، كان
38:26علينا الاعتماد على الاستدلالات والتجارب وما إلى ذلك.
38:29وهكذا، هناك عملية تصفية ضخمة بين كل تلك الحسابات وما يتم تنفيذه فعلياً في المختبر.
38:34هل يتم ذلك بواسطة البشر أم نماذج اللغة الكبيرة أم مزيج منهما ؟ قد يكون مزيجاً. على سبيل المثال، لفترة طويلة استخدم مشروع المواد (Materials Project)، وهو أفضل قاعدة بيانات مفتوحة المصدر لـ DFT، المعايرة التجريبية لـ DFT. لذا، كانوا يستخدمون البيانات التجريبية لمعايرة DFT. نحن نقوم بهذا داخلياً هنا أيضاً. فعندما نهتم بنظام كيميائي معين، نقوم بإجراء تجارب ومحاكاة، ومن ثم يمكننا معايرتها.
38:58هذا شيء آخر. لقد تحدثت مع العديد من الأصدقاء في مجال البيولوجيا، وهم دائماً في حيرة عندما تخبرهم أنه في علم المواد لا يمكنك ببساطة إجراء تحليل حيود الأشعة السينية ( XRD) ومعرفة البنية الحقيقية. لأنك في عالم البيولوجيا، يمكنك النظر إلى البنية البلورية للبروتين، وإعادة بنائها بدقة تصل إلى مستوى الأنجستروم تقريباً. ما الفرق بين حيود الأشعة السينية للمواد، أنت تعلم، حيود الأشعة السينية...
39:26عذراً، حيود. حيود الأشعة السينية التجريبي للمواد مقابل، لنقل، عالم البيولوجيا. ما هي المعلومات التي نفقدها، ولماذا يعتبر هذا النوع من الإسقاط فاقداً للمعلومات؟ من الصعب ألا تبدو مجنوناً عند الإجابة على هذا السؤال. ولكن، ألا تشعر أن الكيمياء العضوية والبيولوجيا تنبعان من نموذج ببعد VC أقل، أو تعقيد كولموغوروف أقل؟ حيث يمكنك تمثيلها تقريباً كسلسلة أحادية البعد، ويمكن تجميعها (compiled) تقريباً. إذن، هناك شعور بأنها أبسط من
39:57منظور تعقيد كولموغوروف.
39:59أحادية البعد؟ أعني، أنها تشبه الحمض النووي (DNA) أو الحمض النووي الريبي (RNA).
40:05سيجادل معظم الناس بأنها ثنائية البعد أكثر، لكن...
40:08لست خبير أحياء، لذا أنا متأكد أنهم على حق. لكن، فيما يخص الكيمياء غير العضوية ، الأمر جنوني أولاً. من الواضح أنه لا يأتي من نموذج تعقيد كولموغوروف منخفض، لأن البلورات غير العضوية ثلاثية الأبعاد يمكنها استضافة معادن، وعوازل، وموصلات فائقة، وألماس. إنه أمر مختلف تماماً ومجنون حقاً. حاول الناس ذلك، لكننا لم نتمكن أبداً من إيجاد تمثيل أحادي البعد. من الصعب جداً العثور على سلسلة "سمايلز"(SMILES) للبلورات غير العضوية ثلاثية الأبعاد.
40:35والطريقة التي تتفاعل بها الذرات مع بعضها البعض غريبة جداً. مثل الروابط التساهمية، والأيونية، والمعدنية . لكن نعم، هذا مثير للاهتمام للغاية. أتساءل أحياناً، هل نظرت يوماً في مشاكل الإلكتروليتات الصلبة ؟ لماذا لا يستطيع الناس استبدال الإلكتروليتات السائلة في البطاريات بأخرى صلبة؟ هناك كل هذه التغصنات التي تتشكل. بشكل أساسي، الليثيوم يشكل هياكل تخترق الإلكتروليت الصلب وتكسره. وعندما تنظر إلى ذلك، تظن أنه بدائي جداً مقارنة بعلم الأحياء. في علم الأحياء، يمكن لهذه الأنظمة تحقيق تقدم تكنولوجي نانوي معقد.
41:11بينما نحن لا نستطيع حتى جعل واجهتين تعملان معاً لأن الليثيوم يكسرها. نعم، لكن أعتقد أن المواد غير العضوية يمكن أن تكون مقاومة جداً للحرارة العالية. يمكنك صنع مكوك فضائي. يمكنك جعل السيليكون يحقق قانون مور في الحوسبة. لذا نعم، إنها مقايضة.
41:26نعم، لقد تحدثنا عن هذا مع العديد من الضيوف الآخرين. أعتقد أن أحد الفروق الكبيرة في ذهني هو أننا في علم الأحياء نمتلك مجموعة أدوات استعرناها من ملايين السنين من التطور، والتي منحتنا بالفعل كل الأدوات ويمكننا ببساطة إعادة إنتاجها. لكن التطور يفرض قيوداً أيضاً، مما يجعل بُعد "فابنيك- تشيرفونينكيس"(VC dimension) منخفضاً إلى حد ما بالنسبة للبروتينات وما شابه. السلوك الناشئ للأنظمة واسعة النطاق مثل الخلايا يمكن أن يكون أكثر تعقيداً بكثير.
41:58نعم، ربما بشكل أكثر تحديداً، إذا نظرت إلى أشعة سينية، وكان لديك بلورة مثالية وأطلقت عليها حيود الأشعة السينية (XRD)، فستحصل على الطيف. هذا لا يخبرك في الواقع بشكل فريد عن هيكل البلورة، أليس كذلك؟ لا، وهذا شيء...
42:17ماذا؟ إنه مجرد سلوك متوسط.
42:19لكن على سبيل المثال، عدم التناسب هو أمر معقد للغاية، أليس كذلك؟ حيث من الممكن أن يكون لديك بلورة مثالية تبدو في المتوسط كحيود أشعة سينية مثالي، لكن في الواقع هناك نمط آخر يحدث حيث تنزاح الذرات قليلاً لليمين أو اليسار، بينما تظل في المتوسط في المنتصف. أجل، إنها حياة صعبة، نعم.
42:36حسناً، بينما في البروتينات أنت تعرف أساساً أن هناك نوعاً من البروتين الأساسي الذي يتبع قواعد معينة . لذا، يمكنك دمج نموذج تنبئي مع ذلك.
42:44صحيح. وبعد ذلك يمكنك المضي قدماً نحو حيود الأشعة السينية أحادي البلورة، وهذا يمكن أن يساعد.
42:49عندما بدأنا بودكاست العلوم، كانت هناك كل هذه العناصر مثل الذكاء الاصطناعي العلمي، والرياضيات والذكاء الاصطناعي، والفيزياء والذكاء الاصطناعي، وكل هذه الأمور. وكان هناك نوع من التنافس حول أيهم أكثر صعوبة. وأعتقد أنه يمكنك تقديم حجة علمية بأن علم المواد هو الأصعب.
43:03حسناً، لم نختره بالضرورة لصعوبته.
43:06أعني، هناك في الواقع الكثير من المجالات التي يكون فيها أسهل. لدينا محاكيات رائعة لفئات كبيرة من المواد ، بينما في علم الأحياء من الصعب للغاية محاكاة خلية أو عضو أو كائن حي كامل. لذا، أعني أن هذه ميزة كبيرة.
43:22أجل، أليس من المثير للاهتمام أنه على أصغر المستويات يكون أحادي أو ثنائي الأبعاد؟ ولكن بعد ذلك، فإنه يمتلك نطاقات وهياكل أكثر تعقيداً بكثير، وهذا ما يضيف التعقيد. هذا غريب. بينما ربما يكون تعقيد المواد أكثر في بنيتها المجهرية.
43:40نعم، أعني أنك لا تزال تحصل على تعقيدات مختلفة في مقاييس طول مختلفة للمواد أيضاً. لذا، نعم، البنية المجهرية وما بعدها.
43:48مجرد تغيير بسيط في الموضوع. في مجال الخيال العلمي، لنفترض أنه يمكنك ابتكار أي مواد تريدها ، ما هو الأكثر قيمة؟ أعلم، لدي قائمة هنا. هناك بالطبع الموصلات الفائقة في درجة حرارة الغرفة، ولكن أيضاً ذكرت البطاريات.
44:04لطالما اعتقدت أن البطاريات التي تتفوق على أيونات الليثيوم ستكون كافية. كما تعلم ، هذا الأمر موجود منذ حوالي 100 عام. والأخيرة هي الأنابيب النانوية الكربونية، خاصة من أجل مصاعد الفضاء. لا أعرف ما إذا كانت هذه هي الثلاثة التي تتبادر إلى الذهن. هل هناك أي مواد يتحدث عنها الناس في عالمكم وتعتبر حلم المستقبل؟ بالتأكيد الموصلات الفائقة، والمغناطيسات، خاصة إذا أمكن تقليل الاعتماد على المعادن الأرضية النادرة أو المعادن الانتقالية التي يصعب الحصول عليها مثل الكوبالت.
44:33تقليل الكوبالت في البطاريات.
44:35أحد الأمور التي أعتقد أنها جوهرية ومهمة هو، أمم، هل يمكننا الاقتراب من حد لانداور لكفاءة الطاقة في الحوسبة.
44:45هل يمكنك شرح حد لانداور؟ نعم، إذا نظرت إلى مقدار الطاقة التي ننفقها لكل عملية حوسبة، فقد اتبعت نمطاً مشابهاً لقانون مور حيث أصبحت أكثر كفاءة بشكل أسي. لذا، فنحن ننفق طاقة أقل بشكل أسي لكل عملية حسابية. أعني، لم أتحقق من ذلك مؤخراً. كان هذا هو الحال قبل 10 سنوات.
45:05أتذكر عندما تعلمت عنه لأول مرة، ونظرت في ذلك الأمر. وكنا على بعد ماذا؟ حوالي 10 أو 20 مرتبة أسية منه أو شيء من هذا القبيل. وفي آخر مرة نظرت فيها، أصبحنا قريبين بشكل غريب. نحن على بعد عامل لا أعرف، ربما ثلاث أو أربع مراتب أسية، أو في الواقع...
45:20لقد تطور الأمر بشكل أسي على مدى سنوات عديدة. لذا، نعم، أمر مثير للإعجاب حقاً.
45:27نعم، أعني، نعم، منذ أن اكتشفت هذا فقط، ربما منذ 10 أو 15 عاماً؟ نعم، أعرف.
45:32وأحد الأشياء التي يتعين علينا القيام بها هو تبديد الحرارة.
45:35لأنه مع حدوث هذه الحسابات، يتم إنتاج حرارة، وهو أمر لا مفر منه، ولكن علينا تبديدها. لذا، إذا تمكنا من الاقتراب من حد لانداور في كفاءة الحوسبة، فهذا أمر مذهل للبشرية، أليس كذلك؟ لأن هذا يعني أننا نقوم الآن بالحوسبة، والتي ربما تكون واحدة من أكثر الأشياء جوهرية التي نقوم بها كبشر، ولكن بأكبر قدر ممكن من الكفاءة من منظور الطاقة، وهي العملة الحقيقية في الكون.
45:55هل يتأثر ذلك بالحوسبة الكمومية؟ سأطرح السؤال فقط.
45:59نظرياً، حوسبة متوازية بشكل هائل ومذهل.
46:02لذا، فهي تتأثر بالتأكيد بالحوسبة القابلة للعكس. لكن بصدق، أنا لست خبيراً. أنا لا أفهم ذلك. لذا، إذا كنت تستطيع القيام بحوسبة قابلة للعكس الآن، فأنت لا تحتاج في الواقع إلى إنفاق طاقة للقيام بالحوسبة لأنك لا تحذف أي معلومات. إنها قابلة للعكس. لكنني لا أعرف ما إذا كان ذلك سينجح.
46:20أفترض أن الحوسبة الكمومية يجب أن تخضع لهذه القوانين بطريقة ما لأنها، كما تعلم، يجب أن تلتزم بالديناميكا الحرارية .
46:27إذن فهي قابلة للعكس.
46:29لكن ماذا تقصد؟ أكثر المحادثات التي لا تُنسى مع إيلاد جيل كانت أنه كان في الواقع شخصاً متشككاً جداً بشأن الحوسبة الكمومية. كان يقول حتى لو كانت متاحة اليوم، فلا توجد لها تطبيقات. وأنا قلت: " واو".
46:40أعني أنها تكسر، تكسر، تكسر الأمن، هذا ما سأقوله. يعني هذا كل شيء.
46:43أتفق مع ذلك. مثلاً، يتحدث الناس عن أنه لو كان لديك حاسوب كمي اليوم، لاستطعت محاكاة الأشياء بشكل أفضل بكثير. وسألته: " حسناً، لنقبل بذلك. ما الذي ستحاكيه؟""أنت لا تزال تحاكي بلورة مثالية. لا تزال تواجه المشكلات التي تعاني منها نظرية دالة الكثافة (DFT) حتى لو كانت مثالية في قدرتها التنبؤية. إذن، نعم.
47:01أعتقد حقاً أن الناس يتجاهلون بعض الأمور لأن الحوسبة الكمية مثيرة جداً. فكرة أننا نستطيع الحوسبة في فضاء منطق كمي بدلاً من المنطق الكلاسيكي مثيرة لدرجة أن الناس يتجاهلون ما ستفعله فعلياً عند ابتكارها. ربما يكون ذلك جيداً، لأنه بمجرد ابتكارها، قد تفعل أشياء مذهلة لا يمكننا حتى تخيلها.
47:18جيد. حسناً. كنت سأنتقل إلى جانب أتمتة المختبر حيث قمت بإغلاق الحلقة في تجاربك. لقد تحدثت عن الأذرع الروبوتية.
47:28وتحدثت عن...ولكن في الأساس، هو كل ما قمت به هنا. أكثر اقتباس أعجبني لك هو أن كل قطعة معدات في مختبرك ستحصل على معدل ذكاء 140 . حسناً، ماذا يعني ذلك ؟ في الأيام الأولى عندما كنا نوسع نطاق العمل، أدركنا أننا واجهنا اختناقات هائلة فرضها مجرد تشغيل الآلات. لذا، بالنسبة لإحدى الآلات ، كان لدينا فنيون وعلماء يبحثون عن مورفولوجيا معينة ويحاولون معرفة:" حسناً، ما الذي كنا نصنعه فعلياً؟ "" ولمعرفة ما إذا كان
47:57هذا يتوافق مع نوايانا ". وبسرعة كبيرة، بينما كنا نوسع المختبر، وقعنا في هذه الاختناقات حيث لم يعد العمل يسير بالسرعة المطلوبة. لذا، بدأنا باتباع بعض الأساليب البرمجية لالتقاط البيانات عبر المجهر الإلكتروني الماسح (SEM) . والبيانات التي ظهرت من هذا البرنامج البسيط جداً، الذي يلتقط مجال الرؤية، ثم يكبر الصورة، ثم يلتقطها، لم تكن مفيدة للغاية. كانت بسيطة أكثر مما كنا نريد الاعتماد عليه حقاً.
48:26وعند تلك النقطة، أصبح من الضروري جداً بناء أنظمة ذكاء اصطناعي مباشرة على الآلات للبدء في التحكم بهذه الأمور. والآن لديها السياق الكامل لما نحاول تحقيقه. إذن، ما كان هدف التجربة؟ ما الذي كنا نحاول تصنيعه ؟ ما هي بعض الأدلة التجريبية الأخرى؟ وهي في الواقع تنظر داخل الآلة وتلتقط تلك البيانات. وهذا أمر قيم حقاً الآن، لأننا كما تحدثنا عن هذه المتغيرات الخفية التي لا يمكنها التقاط كل شيء، فإذا تمكنت من إجراء التقاط بيانات أكثر ذكاءً في وقت
48:56التجربة، فستكون بياناتك لأنظمة الذكاء الاصطناعي المستقبلية وتوقعات الحوسبة القادمة أفضل بكثير. ستحصل ببساطة على مجموعة بيانات أكثر ثراءً. وهذا هو نوع ما نعنيه بأن كل شيء في المختبر يجب أن يكون ذكياً للغاية لجعل البيانات مفيدة قدر الإمكان. لذا، كان ذلك هو الدافع والإلهام وراء ذلك.
49:17ما هو أحدث ما توصلنا إليه من حيث وضع الذكاء في كل جهاز، أليس كذلك؟ حسناً، أعتقد أن أحد الجوانب المثيرة للاهتمام هو: ما مدى التأخير (الاستجابة)؟ بالضبط.
49:29في التحكم في ذلك الجهاز.
49:31تأخير السحابة، ولكن هناك أيضاً الحوسبة على الجهاز نفسه، هذا صحيح. ثم هناك نوع من النطاق الزمني المرتبط بالعمليات الفيزيائية المختلفة. وإذا كان الاتصال بواجهة برمجة تطبيقات أو شيء من هذا القبيل بطيئاً جداً، بحيث لا يتناسب مقدار التفكير أو الرموز أو استدعاءات الأدوات مع زمن استجابة تلك العملية الفعلية، فإن ذلك يصبح غير مجدٍ.
49:54الأمر يشبه إلى حد كبير السيارات ذاتية القيادة، أليس كذلك؟ إذاً، بسرعة، أنا متفاجئ حقاً بسماع ذلك لأن زمن الاستجابة الذي أتخيله للتفكير يبدو صغيراً مقارنة بكثير من هذه الأشياء التي تستغرق ساعات للتشغيل ، أليس كذلك؟ أو ربما، أعني، ربما تجاربكم أسرع بكثير أو ذات إنتاجية عالية أو شيء من هذا القبيل. أنا فقط متفاجئ بسماع ذلك في الواقع.
50:14حسناً، في النهاية، تستغرق التجارب ساعات طويلة أو أياماً، ولكن قد تكون هناك خطوات معينة يكون فيها زمن الاستجابة مهماً.
50:21نعم، قد ترغب في الحصول على تحكم أكثر دقة. شيء آخر هو التكلفة، لأن نفس السبب الذي يجعل بعض هذه النماذج بطيئة جداً في تحليل البيانات يجعلها أيضاً باهظة الثمن.
50:34وأخيراً، صبر الإنسان.
50:36إذا أراد إنسان تحليل نمط معين من الأشعة السينية واضطر للانتظار ساعتين للحصول على نتيجة جيدة ، فهذا يختلف كثيراً، في اعتقادي، عما إذا كان بإمكانه الحصول عليها في دقيقتين.
50:46نعم. ثم التفكير، أنت لا تقوم بإجراء استدعاء واحد فقط لذلك النموذج، أليس كذلك؟ أنت تقوم بإجراء الكثير من الرموز (tokens) للوصول إلى هذه الأنماط.
50:55مثل تشغيل عمليات محاكاة داخل الحلقة.
50:58بحث عميق في النموذج.
51:00إنه ليس استدعاء أداة واحد. إنه ليس خيط استنتاج واحد. لذا، يمكن أن يرتفع زمن الاستجابة كثيراً.
51:05أنا...أفهم ما تقصده.
51:06لحظة، ما مقدار زمن الاستجابة لديك المستهلك في استدعاء الأدوات؟ وأفترض أن استدعاء الأدوات هو غالباً مثل" DFT "أو تقنيات حوسبة، وبالتالي نعم. إذاً، ما مقدار زمن الاستجابة الناتج عن تلك الأدوات مقابل التفكير الفعلي، أمم.
51:19يعتمد الأمر حقاً على العملية.
51:21حسناً، نعم. والشيء الآخر الذي أفكر فيه أيضاً، أعتقد، هو البناء من أشياء صغيرة إلى أشياء أكبر، حيث أفترض أن الإغراء العام أو التطوير النموذجي يكون تدريجياً، حيث يتم تشغيل كل شيء بواسطة البشر ثم تجد طرقاً لأتمتته، وبعد ذلك تبدأ في التوسع من هناك. أخشى أحياناً أن تكون هذه هي الطريقة التي يطور بها الناس الأمور، لكن هذا يمثل حداً أدنى محلياً.
51:46بالضبط. بينما في الواقع يجب أن تحصل على روبوت شبيه بالبشر وتضعه هناك.
51:51أعتقد أننا نرى أن حل مشكلة الروبوتات الشبيهة بالبشر سيكون في الواقع أبطأ في الوصول إلى بعض أهدافنا.
51:57مجرد استفسار. مرة أخرى، الكثير من هذا يشبه أنك تقوم به كل يوم. نحن نرى هذا، لكنني لا أعرف حقيقة الوضع. الكثير من الناس لديهم هذه الروبوتات الشبيهة بالبشر.
52:07نعم. أعني أعتقد أن إحدى العمليات هي أنه من خلال وجود مزيج من البشر والأتمتة، يمكنك تحديد الاختناقات في العملية التجريبية بسرعة كبيرة، والبدء في تخفيف تلك الاختناقات واحداً تلو الآخر. وعلى سبيل المثال، إذا كانت هناك مهمة تتطلب مهارة يدوية دقيقة جداً يتفوق فيها البشر، وسيتعين عليك قضاء أشهر في أتمتتها، فربما لا تقضِ الكثير من الوقت هناك. وربما يكون الشيء الأكثر وعداً هو مهمة روتينية للغاية تستهلك قدراً
52:36كبيراً من وقت العلماء والفنيين ومن السهل أتمتتها. لذا أعتقد أن هناك نوعاً من البراغماتية في هذا. لكنني أعني في النهاية ما نريده من المختبر هو كمية هائلة من البيانات، بيانات عالية الجودة، بيانات متنوعة، وهذه هي أهدافنا، والأتمتة الكاملة ليست هدفاً. نحن نستخدم الأتمتة في خدمة تحقيق أهدافنا المتعلقة بالبيانات.
53:00لكنني أعتقد أيضاً أن جانباً آخر للأتمتة هو أن الروبوتات قد ترتكب أخطاء أقل في المختبر، وكان من المفيد جداً وجود أنظمة ذكاء اصطناعي ذات رؤية كاملة لجميع بياناتنا ، لأنه في بعض الأحيان إذا كان هناك تبديل في البيانات، فيمكنها التعرف عليه. على سبيل المثال، إحدى خطواتنا واجهت في مرحلة ما خطأً دورياً، لأن إحدى الآلات تم تحميلها بشكل غير صحيح وكانت الأنماط غير متسقة.
53:30لذا كان الذكاء الاصطناعي يقرأ هذه البيانات ويقول:" حسناً، بالنظر إلى ما تم تشغيله، هذا غير متوقع "، وكان ينظر إلى مجموعة البيانات هذه بشكل طولي. ثم أدرك أنه إذا قمت بهذا التبديل الدوري وعكسته، يصبح كل شيء متسقاً؛ ومن ثم تمكنا من العودة إلى البنية التحتية المادية وإدراك أنه قد حدث خطأ في التحميل.
53:51وأعتقد أن إدارة جودة البيانات أساسية جداً للقيام بأعمال الذكاء الاصطناعي في العالم المادي، وتعرف، هذه هي أنواع الأشياء التي نبنيها حتى تتمكن من تحسين عملية التشغيل. ولكن عند تلك النقطة تقول لنفسك، حسناً، هذه فرصة رائعة أخرى للأتمتة. كيف تجعل هذا الأمر موثوقاً ودائماً لدرجة أنك لن تواجه تلك الأنواع من الأخطاء مرة أخرى أبداً؟ أجل، أعني أن تقليل مستوى الضجيج في بيانات التجارب أمر مهم للغاية في رأيي.
54:16معظم البيانات التجريبية في الأدبيات العلمية لديها مستوى ضجيج مرتفع لدرجة أنها عادة ما تكون أسوأ من دقة نظرية الكثافة الوظيفية (DFT). لأنك تعلم، عندما يقوم أشخاص مختلفون بإجراء تجارب، في مختبرات مختلفة، وفي أجزاء مختلفة من العالم، وأوقات مختلفة، فإن ذلك يضيف الكثير من التذبذب إلى النتائج. لذا نأمل من خلال توحيد سير العمل هذا أن تكون إحدى أكبر الفوائد هي خفض مستوى الضجيج.
54:36لقد كنت صريحاً جداً بشأن كيفية استخدامك للنماذج مفتوحة المصدر وضبطها بدقة لمثل هذه الأمور. هل من الأفضل، أو هل يمكنني تخيل موقف يكون لديك فيه نماذج تقوم بمهمة واحدة ثم تقوم بالتحسين لتلك المهمة ، ثم نموذج عام متطور يشرف على كل شيء؟ هل هذا نموذج ذهني جيد لامتلاكه؟ هل هناك مراحل أخرى لهذا الأمر لا يمكنني التفكير فيها؟ أعني أننا نستخدم مزيجاً من النماذج مفتوحة المصدر ومغلقة المصدر. نحن مستفيدون بشكل كبير من هذا في جانب المحاكاة لدينا،
55:06من خلال بناء مجموعة تعلم الآلة (ML) ومجموعة المحاكاة. لسنا بحاجة للضغط على ذلك المحور. ولكن هناك الكثير من المجالات التي يكون فيها زمن الوصول مرتفعاً جداً، والتكلفة مرتفعة جداً. ولكن في بعض الحالات يمكننا بالفعل، من خلال الوصول إلى هذه البيانات، تجاوز حدود ما يمكن لهذه الأنظمة القيام به حتى في ظل أعلى جهود الاستنتاج.
55:28وبالتالي، فالأمر لا يتعلق بالضرورة بالتكلفة أو كفاءة باريتو فقط، بل يمكنك في بعض الحالات تجاوز ذلك عندما يكون لديك وصول إلى بيانات لا يملكها أحد غيرك. إحدى طرق وصف هذا هي من حيث كفاءة الحوسبة. لذا، من خلال الوصول إلى هذه البيانات، يمكنك أن تكون أكثر كفاءة في الحوسبة مقارنة بـ، كما تعلم، بعض النماذج المتطورة. وقد كان هذا شيئاً جوهرياً حقاً في برنامجنا.
55:54نعم، أنا أرى جودة البيانات أو الوصول إليها كمقايضة للحوسبة. أعتقد أن هناك نوعاً من سعر الصرف للدولارات مقابل الحوسبة مقابل البيانات، وأشعر أن البندول قد يتأرجح نحو البيانات. أعني، من الواضح أنك ستوافق على ذلك.
56:10أعني، نعم، خاصة عند الحديث عن مستوى الضوضاء في البيانات التجريبية. نحن بحاجة إلى الحصول على بيانات عالية الجودة. إذا قمت بتخصيص كمية هائلة من الحوسبة لمجموعة من الضوضاء، فلن تحصل على نتيجة جيدة.
56:20وهذا أصعب عليك لأنك تحاول بنشاط أن تكون متباعداً في نتائجك. أنت تحاول فعلياً الحصول على نتائج سلبية والتعلم منها و ...
56:28لقد تحدثت عن النتائج السلبية في العديد من المحافل الأخرى. كيف تبدو النتيجة السلبية للمواد وكيف تستخدمها بفعالية، خاصة وأنني أعتقد أن إشارتك الإجمالية غالباً ما تكون متباعدة جداً من حيث النجاح؟ همم.
56:40أعني، يمكن أن تكون النتيجة السلبية هي أننا قصدنا إنتاج بنية معينة، ثم تشير كل الأدلة إلى أننا لم ننتج تلك البنية.
56:48هل تقصد أحياناً عدم إنتاج بنية ما؟ بالطبع.
56:52أنت تقوم بإجراء تجارب الضبط السلبية.
56:56هناك أطوار شائبة ستدمر خاصيتك. أوه نعم.
57:00سيكون الأمر ساماً، كما تعلم.
57:05والنتيجة السلبية، في بعض الحالات، هي في الواقع أننا قصدنا صنع الشيء التالي ثم تمكنا فعلياً من تحديد بنية جديدة لم يتم تحديدها من قبل. إذن، هي سلبية من بعض النواحي. لقد قصدنا فعل شيء آخر، لكن شيئاً آخر ظهر من البيانات.
57:23نعم. وأيضاً بشكل عام، عند تدريب خوارزمية تعلم آلي، خاصة على مستوى أساسي جداً إذا كنت تستخدم خوارزمية تصنيف. إذا لم تكن لديك عينات سلبية، فلا يمكنك التدريب حقاً إذا كانت كل العينات إيجابية. وهذه مشكلة سيئة بشكل خاص في علوم المواد لأن الناس ينشرون عادة البلورات التي يمكنهم تصنيعها، لكنهم لا ينشرون عادةً إذا فشلوا في تصنيع بلورة. ربما يحدث ذلك أحياناً. وأيضاً، نحن لا نعرف حقاً ما إذا كانت البلورة غير قابلة للتصنيع أبداً، أليس كذلك؟ قد تكون مجرد مشكلة في النطاق.
57:51بالضبط. أجل، مشكلة في النطاق. مثل مشكلة في طريقة التصنيع أو التقنية، نعم. لذا، أعتقد أنه يساعدنا حقاً عندما نجري تجاربنا الخاصة ونحصل على نتائج سلبية في سياق ما جربناه. حينها ، يمكننا حتى تدريب خوارزمية تصنيف.
58:07أعتقد أن هناك أمراً آخر وجيهاً أيضاً، وهو عندما تحصل على سلسلة من النتائج السلبية ثم تتمكن أخيراً من خلال تكرار العملية من الوصول إلى تلك النتيجة الإيجابية. إنه أمر مثير للاهتمام حقاً، سأسميه بيانات من نوع هندسة العمليات . لذا، الأمر يتعلق بكيفية الوصول فعلياً إلى تلك النتيجة الصحيحة من خلال التكرار، لأن الكثير من علوم المواد يتسم بالغموض حول كيفية صنع شيء ما فعلياً. وعليه، حتى لو كانت المادة معروفة، فقد يكون من الصعب جداً تكرار ذلك.
58:43بعض الأشياء موجودة في الكتب المدرسية، لكن أشياء أخرى تقع حقاً في الطليعة، ونحن نبني تلك المعرفة أيضاً. ثم بناء نظام، بالنظر إلى سلسلة النتائج السلبية، كيف تصل فعلياً إلى تلك الحالة الإيجابية؟ بالعودة إلى نتيجة المصنف، أكاد أجزم أنه إذا كنت تقوم بكل شيء داخلياً، فستكون معظم نتائجك سلبية بدلاً من إيجابية، وهذا أمر مثير للسخرية لأن الأدبيات تقدم لك النتائج الإيجابية فقط. لذا، إذا كنت تبدأ من الصفر، يبدو أن المشكلة معكوسة في الواقع، حيث يكون لديك
59:13وفرة من النتائج السلبية ولا توجد نتائج إيجابية كافية.
59:16وكما قلت، إذا كنت تضع تصنيفات لكل تجربة على حدة، فستكون معظمها سلبية. ولكن إذا كنت تقوم بذلك لكل حملة تجريبية، وبافتراض أن الحملات تنتهي عندما ننجح، فقد يكون الأمر أكثر توازناً.
59:28فهمت. إذاً، يمكن أن تكون مسارات تفكيرك شاملة للحملات بأكملها وليس حسناً.
59:34هذا هو الأمر الجوهري.
59:35هذا النوع من البيانات غير موجود في أي مكان آخر أساساً، ونحن نقضي الكثير من وقتنا في إدخال السلسلة الكاملة للعملية العلمية في النموذج. لذا، فإن تتبع كل هذه البيانات، مثل المحادثات، والحدس، وما تم تنفيذه في المختبر، وأين تم تشغيل الحسابات، وأين كُتب الكود، وربط كل هذا ببعضه أمر ذو قيمة كبيرة. أعتقد أن الهدف العام بدلاً من التدريب على المخرجات النهائية للعلم، هو التدريب على عملية القيام بالعلم ذاتها.
1:00:04يبدو هذا تماماً مثل ما تحاول القيام به مع التحسين الذاتي المتكرر (RSI)، حيث تجعل نموذجاً يتدرب لتدريب نماذج أفضل. أنت الآن تجعل نموذجاً يتدرب ليقوم بإجراء تجارب أفضل. لكن الفرق هو أنه لا يعود إلى النموذج الأساسي، لذا فهو...
1:00:21ما لم تكن نماذج الفيزياء التي تطورها تحسّن الرقائق، والتي بدورها تحسّن الذكاء الاصطناعي. إذن، هذا هو...
1:00:26إذن، هذا هو الأوسع، الأكبر، نعم، المستوى الأعلى من التحسين الذاتي المتكرر.
1:00:30تلك هي جدار الحماية المخصص.
1:00:32لكن هل يعني هذا، هل من المعقول أنه في" فايبل 6 "أو شيء من هذا القبيل ، أو ربما" جي بي تي 8 "، الذي تم ضبطه على هذا النوع من مسارات التفكير رفيعة المستوى، يمكنه فعل ذلك دون أي منطق لأنها نفس عملية التفكير تقريباً، أليس كذلك؟ نعم، أعني أن هناك اتخاذ قرار في ظل عدم اليقين، ومن الواضح في تعلم الآلة، أن هناك ضجيجاً عند تشغيل حلقات الذكاء
1:01:01الاصطناعي. لكننا نعتقد أن هناك مجموعة مختلفة من التحديات عندما تتعامل بالفعل مع العالم المادي.
1:01:07لكنني أعتقد أيضاً أن هناك جزءاً آخر، وهو أن ضغط كل شيء في الأوزان لا يزال قيّماً حقاً. لو كان الاستنتاج أثناء وقت التشغيل كافياً، لتوقفت جميع مختبرات الذكاء الاصطناعي الرائدة عند" جي بي تي -4 "، وقالوا:" حسناً، من الآن فصاعداً سنصبح بارعين في تحسينات وقت الاستنتاج ". لذا، نعتقد أنه بسبب الاختلافات بين العلوم الفيزيائية وتعلم الآلة، فإن ضغط ذلك في أوزاننا سيؤدي إلى أنواع مختلفة من
1:01:38الأنظمة وقدرات مختلفة.
1:01:40لكننا نشعر أيضاً أنه حتى لو أصبح" جي بي تي 7 "جيداً جداً، بل أفضل مما هو عليه اليوم، فسيظل مضطراً لإجراء تجارب للحصول على نتائج. والسبب في ذلك هو أن تعلم الآلة بارع حقاً فيما تدرب عليه. لكن الاكتشاف العلمي هو بحكم التعريف تقريباً ما لم يتم تدريبك عليه. وبهذه الطريقة نبني هذه المختبرات لكي تتمكن النماذج المفتوحة أو المغلقة من استخدامها للعبث مع الكون، لأننا لا نشعر أنه يمكنك تحقيق اكتشاف كبير دون تجربة الأشياء.
1:02:10نعم، لن يكون هناك أحد قادراً على اكتشاف الموصل فائق التوصيل في درجة حرارة الغرفة بلمح البصر (zero-shot).
1:02:16نعم، نعم. أعني، بصفتي شخصاً عمل عن كثب مع مختبرات" Little Wet Labs "من قبل، فأنا بالتأكيد أكثر تشكيكاً من البعض تجاه الحصول على نتائج علمية دون تجارب سابقة . لكنه أمر أعتقد أن البعض قد يسأل عنه، لذا.
1:02:29أجل، أعتقد أنه من المهم حقاً التمييز بين النتائج التي نراها في الرياضيات والفيزياء النظرية وبين العالم المادي.
1:02:37أجل، هذان أمران مختلفان. إنهما أمران مختلفان تماماً.
1:02:40أعني، حتى الفيزياء النظرية، فمعظم ما رأيناه حتى الآن كان علوم حاسوب نظرية، وبرمجة، ورياضيات.
1:02:45ربما تكون الفيزياء النظرية هي الخطوة التالية.
1:02:47ستأتي، أجل، ستأتي حتماً. أجل، أجل. أوه، أجل.
1:02:50هل يمكنني الحصول على نوع من النموذج الذهني لمستويات التجريد التي يمكننا الوصول إليها؟ على سبيل المثال، فيما يتعلق بالأتمتة، وأنا لا أزال أركز على هذا الموضوع الذي تحدثنا فيه عن الحملات، والمقالات الفردية، وإجراء الاختبارات، وكيف أن البشر سيئون في ذلك، لذا يجب أن نكف عن جعل البشر يقومون به. هل هناك مستويات أخرى؟ على سبيل المثال ، هل يمكن أن يكون مستوى واحد أعلى من الحملة هو نظرية فيزيائية تقوم باختبارها، أو ماذا يكون المستوى الأقل من الحملة؟ أحب التفكير في الأمر من هذه
1:03:20الزاوية، ثم التفكير فيه على أنه" حسناً، هذا الآن طلب عبر واجهة برمجة تطبيقات ( API) ". أنت لن تضطر للمسه مرة أخرى أبداً. وهذا الآخر، لا، لا، لا يزال يتطلب جهداً بشرياً بنسبة 90%. ربما يمكننا رسم خريطة لهذا المجال بهذه الطريقة. هل هناك مستويات أخرى؟ يمكنني إخبارك ببعض المستويات. أشعر أنك طرحت سؤالاً جيداً.
1:03:40ليس لدي إجابة منهجية تماماً، ولكن دعنا نتحدث عن بعض المستويات. أحد المستويات هو البنية الذرية. هذا تجريد، أليس كذلك؟ لا توجد بنية ذرية مثالية لأي شيء نقوم به، لكنه تقريب واحد فقط. آخر هو نموذج الاستمرارية ( Continuum model). هذا ليس ذرياً بعد الآن، بل هو شبكة متصلة تمثل المادة.
1:04:00وفي بُعد مختلف، هناك الديناميكا الحرارية.
1:04:03بافتراض أنك تجري هذه التجربة إلى الأبد، ما هي الحالة النهائية التي سنصل إليها؟ وهناك طبقة أخرى من التجريد وهي الحركية ( Kinetics). إدراكاً منا أننا لا نجري هذه التجربة إلى الأبد، لذا فإن الوقت مهم. مدى سرعة حدوث التفاعل أو عدمه، حتى لو كان ذا طاقة منخفضة أو لا. إذن ، الديناميكا الحرارية، الحركية، الذرية، الاستمرارية، ماذا أيضاً؟ هل هناك مستويات أخرى من التجريد؟ حسناً، أعتقد أن وجهة نظرك حول إمكانية وجود تقدم نظري شامل وجديد يمكن أن يثري حملات متعددة هي وجهة نظر
1:04:34صحيح، كمستثمر أريد أن أقول:" يا شباب، هذا هو عنق الزجاجة، وبمجرد أن نتجاوزه، سنحل كل شيء آخر ". لا أعلم.
1:04:42أعني، من البداية كانت فرضيتنا أن أحد أكبر العوائق هو التوصيف الآلي، فليس من الصعب خلط المساحيق لتجربة أشياء جديدة، ولكن إذا لم تستطع توصيفها وتحليلها ثم اتخاذ قرار ذكي بشأن الخطوة التالية، فلن تستفيد كثيراً من خلط المساحيق عشوائياً. لذا ركزنا كثيراً على التوصيف الآلي وإغلاق الحلقة مع المحاكاة، لأن هذه هي الطريقة التي تجرب بها الكثير من الأشياء، وتتخذ قراراً مستنيراً، ثم تقرر ما يجب فعله في اليوم التالي.
1:05:12ربما يكون هناك سؤال متابعة. كيف يعيش البشر في هذه الحلقة؟ أعني، في أي نقاط تقوم بإدخال العنصر البشري ؟ أعني، أفترض أنك ربما لديك...
1:05:22هل يمكنك التدخل عشوائياً في أي جزء؟ لا، بالطبع.
1:05:27ولكن أين تقرر قضاء وقتك؟ يبدو أن الأمر قد يشمل كل ذلك. لديك أشخاص في المختبر ينقلون المواد فيزيائياً، ولدينا علماء يوجهون القرارات بشأن ماهية الحملة، ثم لدينا بشر ...
1:05:39أعتقد أنني أطرح عليك نفس السؤال. نعم.
1:05:42أعتقد أن الأمر يتغير باستمرار أيضاً.
1:05:45أعني حتى فيما يتعلق بتوجيه الحملات، في الأيام الأولى كان ذلك مدفوعاً بالكامل بالجهد البشري. الآن أصبح الأمر متزايداً كمزيج بين ما يقوده الذكاء الاصطناعي وما يقوده البشر. وكما كان يقول" دارش "، حددنا في وقت مبكر أن التوصيف كان عائقاً كبيراً. في الأيام الأولى كان الأمر يعتمد على البشر وكان العلماء مثقلين بالأعباء، أما الآن فقد تحول التوازن بشكل كبير نحو الذكاء الاصطناعي. وقد سمح هذا للعلماء الذين كانوا يقضون كل وقتهم في إجراء هذه التحسينات بالارتقاء
1:06:14بعملهم إلى مستوى آخر. لكنني أعتقد أن الأمر مرتبط بمرور الوقت. إنه يتغير دائماً على هذه المستويات.
1:06:24نعم. فيما يتعلق بالبحث العام، هل هناك أشياء تعمل بشكل جيد في العالم المادي مثلاً ولا تعمل بشكل جيد في العوالم الأخرى ، أو العكس؟ على سبيل المثال، البحث التطوري شائع جداً في النماذج اللغوية الكبيرة. لا أتخيل أنه يعمل بشكل جيد هنا.
1:06:41في الواقع، خاصة في المحاكاة، كان الناس يستخدمون البحث التطوري منذ فترة طويلة. أمم، إنها جيدة جداً في توقع الهياكل، على سبيل المثال، إيجاد هياكل ذات طاقة منخفضة.
1:06:52حسناً، هذا ينجح إذاً.
1:06:54ثم، أمم، مهندسو العمليات في صناعة أشباه الموصلات يقومون بتصميم التجارب (DOE)، وغالباً ما يستخدمون نوعاً من التحسين من الرتبة الصفرية، سواء كان ذلك التحسين البايزي أو البحث التطوري أو أعتقد أنهم يستخدمون التعلم التعزيزي (RL)، لكن الفكرة متشابهة، نعم.
1:07:07يجب أن يكون لديك نوع من الخوارزميات لمعرفة ذلك.
1:07:10التحسين من الرتبة الصفرية يتصرف بنفس الطريقة على أي حال، أليس كذلك؟ إذاً حسناً، أريد العودة إلى سؤال طرحته سابقاً ، وهو سؤال يتعلق بالتوسع. لذا أنا فضولي، ما هي رؤيتك لتوسيع نطاق المختبر؟ هناك طرق مختلفة، أعني ، قادماً من عالم البيولوجيا، هناك الكثير من الحيل الرائعة التي يمكنك القيام بها في علم الأحياء. يمكنك وسم الأشياء، كما تعلم، يمكنك استخدام تسلسل الحمض النووي (DNA) للحصول على جميع أنواع القراءات المثيرة للاهتمام. وإذا تمكنت من ربط تحليلك المعقد بالتسلسل، يمكنك الآن
1:07:40التوسع إلى الملايين أو مئات الملايين أو نحو ذلك. هل يمكنك القيام بحيل مثل هذه؟ في نهاية المطاف، كل تحليل له وقت تشغيل خاص به. لدي منشور مدونة مفضل أود أن أقتبس منه في ملاحظات الحلقة. لكن كيف تبدو أوقات التشغيل لهذه المختبرات؟ هل توسع نطاق المواد لديك خطي جوهرياً من حيث أنك، كما تعلم، إذا قمت بالمزيد فأنت تحتاج فقط إلى المزيد من الموارد للقيام بالمزيد من الأشياء، أم يمكنك موازاة
1:08:09الأشياء بطرق ذكية ودمجها، وهل توجد حيل هناك؟ حسناً، أعني، أعتقد أن إحدى طرق التفكير في الأمر هي أن بيئة التعلم التعزيزي ليست مجرد تشغيل التجربة ببساطة، وانتظار الوكيل لينتهي تماماً ، كما تعلم، من إجراء الحسابات، والمرور عبر جميع الأدوات وصولاً إلى النتيجة النهائية. نحن نبدأ أساساً في إنتاج البيانات عبر جميع الأدوات المختلفة وكل هذه الحملات المختلفة.
1:08:34وإحدى الطرق التي يمكنك البدء بها لتوسيع ذلك من أجل تعلم الآلة هي أنه يمكن الآن إنشاء بيئات التعلم التعزيزي بناءً على التواريخ، كما تعلم، للحملات التجريبية أو الحملات الحسابية في تلك المرحلة. أو يمكنك أيضاً البدء في أخذ مجموعات فرعية من الأدوات وتقول:" حسناً ، سنقوم بإنشاء بيئات تعلم تعزيزي بناءً على هذه الأداة وحدها ". أو ربما عبر هذه الأدوات المختلفة للوصول نوعاً ما إلى حالة المكافأة. إذاً، هذه
1:09:03طريقة يمكن من خلالها توسيع هذه الحزمة المحدودة من البيانات عند النظر إليها بطرق مختلفة لأغراض التدريب. لذا، فهي لا تتعلق بتشغيل التجربة الفعلية، بل من منظور تعلم الآلة.
1:09:16يمكن أن تمنحك بعض النظائر لأمثلة البيولوجيا التي قدمتها. تعلم، أحد الأشياء التي جربها الناس هو الترسيب الرذاذي التوافقي. لا أعرف إذا كنت قد سمعت بهذا من قبل. إذ تمتلك أهدافاً للترسيب وتنشئ تدرجاً في التركيب. لذا، عندما تنظر إلى المنتج النهائي، وبسبب وجود تدرج من كل مادة أولية ، فإنه يُنشئ بلورات مختلفة في مواقع مكانية مختلفة. وبذلك، قد تجرب في دفعة واحدة مئات أو آلاف البلورات . هذا مثال، وهو مشابه لمثالك، أليس كذلك؟ نعم.
1:09:45وحسب علمي، لم ينجح هذا بشكل جيد حتى الآن لأنه تبين وجود انتشار ، مما يجعل الأشياء تتحرك. هناك فكرة أخرى فكرنا فيها، لكننا لم نطبقها بعد، والكثيرون يتحدثون عنها وهي أن قياسات الموصلية الفائقة تمثل عنق زجاجة، لأنه على عكس حيود الأشعة السينية (XRD)، لا توجد قياسات عالية الإنتاجية للموصلية الفائقة وقد يستغرق القياس الواحد ساعة تقريباً. لذا، فكر الناس في أخذ مرشحين مختلفين، وخلطهم جميعاً في عينة واحدة، ثم وضعها في الجهاز.
1:10:09وإذا ظهرت موصلية فائقة، فأنت تعلم أن أحد المصادر نجح، وبعد ذلك يمكنك القيام بشيء مشابه لما يفعله الناس في اختبارات كوفيد، لذا توجد أفكار كهذه. بعضها يعمل بشكل جيد، وبعضها لا. نعم.
1:10:21حسناً، أعتقد أنك على وشك الإعلان عن جولة تمويل كبيرة. كيف تفكر في التوسع؟ لقد عملنا على تصميم مختبراتنا منذ فترة، لذا أعتقد أن الموارد تسمح لنا بمواصلة توسيع نطاق المختبرات بشكل كبير، وكذلك تعزيز قدرات الحوسبة من جانب الذكاء الاصطناعي والجانب الحسابي. لكنني أعتقد أن الأهم حقاً هو ما هي الأنواع الجديدة من المختبرات التي يمكننا بناؤها. أعتقد أننا أثبتنا نجاح هذه الحلقة في مختبراتنا الأولية هنا في مينلو بارك، لكننا سنواصل التوسع في أنواع جديدة
1:10:51من المختبرات وتكرار نفس العملية.
1:10:54أجل، أعتقد أن نوع المختبر الذي نحاول بناءه لم يُبنَ من قبل بهذا النطاق أو بهذا النهج. لذا، لقد تعلمنا الكثير من بنائنا الخاص حتى الآن ، وتلك الدروس توجهنا للنسخة التالية وما يليها. ومن ثم يمكننا، كما قلت، زيادة النطاق والطموح وجودة الأدوات. بعض الأدوات باهظة الثمن للغاية. بمجرد أن نفهم جيداً ما نحصل منه على عائد كبير، يمكننا الاستثمار فيه بشكل أكبر.
1:11:19وهذا يجعل هندسة الأجهزة جزءاً أساسياً من العملية. على سبيل المثال، في الأيام الأولى، ومن أجل السرعة فقط، كنا نشتري بعض الأدوات الجاهزة. وبينما نعمل على توسيع نطاق المختبر، أنت تصنع أدواتك بنفسك .
1:11:30علينا أن نصنع أدواتنا الخاصة. لذا ندرك أن هذا الجهاز، همم، سريع للغاية. هذه المكونات سريعة بالفعل، لكن آلة الوزن هذه تصبح هي عنق الزجاجة. أو قد تكون هناك أمور تتعلق بجودة البيانات، حيث أن وضع الراحة للذراع الآلية يكون فوق لوح المواد المخلوطة مسبقاً. لذا، هناك خطر حدوث تلوث. لذلك، سنعيد تصميم أجهزتنا بحيث يكون وضع الراحة بعيداً عن تلك المواد. هذه هي التفاصيل الدقيقة التي تسمح لنا بخفض مستوى الضجيج في حملاتنا التجريبية.
1:12:02إذن، ببساطة، نأخذ هذه الدروس ونوسع نطاقها.
1:12:06كما تعلمون، منتجك يعكس هيكلك التنظيمي.
1:12:09لديك العديد من الفرق. أعتقد أننا تفاجأنا عندما نظرنا إلى صفحة الوظائف الخاصة بكم، وكنا نظن أننا لا نستوعب تماماً ما تقوم به شركة" بيريوديك ".
1:12:17ربما نحتاج لبعض المبادئ التنظيمية لفهم صفحة الوظائف بشكل أفضل. نحن نوظف للبحث في الذكاء الاصطناعي والبنية التحتية، والأدوار الحسابية والتجريبية، وهندسة الأجهزة، وأدوار المنتج.
1:12:30نحن نريد تحقيق ذكاء اصطناعي فائق في التركيب الكيميائي، أليس كذلك؟ ونشعر أننا نحتاج لذلك إلى الخبرة الصحيحة في الكيمياء والفيزياء، والمحاكاة ، والنظريات، والأغشية الرقيقة، والمساحيق. لذا، تبدو هندسة الأجهزة أدواراً متنوعة للغاية، وهي كذلك بالفعل، لكنها متسقة في هدفها وهو تحقيق ذكاء اصطناعي فائق. وينطبق هذا أيضاً على باحثي النماذج اللغوية الكبيرة، والبنية التحتية، وحتى مهندسي المنتج؛ لأنهم يضمنون تحويل كل الأبحاث إلى منتج يمكن للفنيين في المختبر استخدامه.
1:13:03نعم، للقيام بالحلقة المتكاملة مع العالم المادي، يتطلب الأمر قدرتك على التحكم في هذا العالم لبناء مختبرات لإدارة الحملات بفعالية، وإنشاء أنظمة ذكاء اصطناعي، وجعلها مستخدمة جيدة للأدوات الحسابية. تلك هي الصعوبة، ولكنها أيضاً فرصة" بيريوديك " . يبدو الأمر كما لو أن هذه المجموعة من الأشخاص لم تجتمع معاً من قبل. إنها مشكلة متعددة التخصصات بشكل لا يمكن اختزاله.
1:13:28نعم، ومبدأ توجيهي آخر مهم جداً بالنسبة لنا هو أننا نريد أشخاصاً بارعين في عملهم وذوي خبرة للقيام به بأنفسهم بشكل عملي.
1:13:37تعلم، الحياة العصرية أوصلتنا إلى مكان، خاصة في الأوساط الأكاديمية، حيث عندما يكون شخص ما بارعاً جداً في البحث في مجال ما، نحمله الكثير من المسؤوليات مثل كتابة المنح والتدريس، لدرجة أنه يتوقف عن امتلاك الوقت للقيام بالبحث في ذلك المجال بشكل عملي. لكن إذا نظرت إلى الوراء، إلى مختبرات" بيل "أو" آي بي إم "، وهي مؤسسات حققت تقدماً مذهلاً، ستجد أن ذوي الخبرة العالية كانوا يقومون بالعمل بأنفسهم. على سبيل المثال، كان باردين في المختبر كل يوم، على الرغم من كونه منظراً. كان أليكس مولر في المختبر يجري التجارب، رغم كونه رئيساً للمختبر.
1:14:06لذا نحاول القيام بذلك هنا أيضاً. لدينا بعض قادة العالم في مجالات مختلفة، لكنهم يعملون بشكل مباشر وعملي.
1:14:12هل تريد أن تتباهى بأنني قمت بذكرهم للتو ، كما تعلم؟ أوه، سأحب ذلك، نعم. حسناً، عندما كنت أحضر لدرجة الدكتوراه، كان عالم مواد الحوسبة المفضل لدي، والذي ينتمي تقريباً لفئتي العمرية، هو مراد أيكول. لقد حصل على الدكتوراه مع أحد مشرفينا، كريس ولفيرتون. وهو بمثابة خبيرنا في علوم المواد الحسابية. إنه مذهل. إنه في بعض الأحيان، كما تعلم، مجرب جيد جداً، على الرغم من أنه يقوم بالمحاكاة.
1:14:36إنه يفهم الأنظمة بشكل جيد جداً. رئيس مختبرنا هو جو تشيكالوسكي، وهو أستاذ في معهد ماساتشوستس للتكنولوجيا، لكنه في إجازة للعمل معنا بدوام كامل. وجو فيزيائي مذهل يفهم الموصلية الفائقة بشكل ممتاز، لكنه كان أيضاً أستاذاً في اليابان لفترة، لذا تعلم التركيب والكيمياء بشكل جيد جداً، خاصة بالنسبة لفيزيائي. لدينا دانيال تشيكا الذي كان طالب دراسات عليا في مجموعة ميركوري للتركيب، وهي ربما أفضل مجموعة كيمياء الحالة الصلبة في العالم، وكان دانيال أحد خبراء التركيب
1:15:06لديه. لذا فهو أشبه بالساحر بيديه. أعني أن هناك أمثلة كثيرة كهذه.
1:15:11لا، أنا أعلم. أعني أنني أعتقد أن ديما باباهينا، هو من يقود الكثير من جهودنا في الذكاء الاصطناعي والنماذج اللغوية الكبيرة. لقد كان مخترع آلية الانتباه في الشبكات العصبية.
1:15:20أوه، باباهينا. انتباه باباهينا.
1:15:22نعم، بالضبط. نعم. نعم، إنه عملي جداً في الغوص في التفاصيل، مثل المسارات، وتوزيع التدريب، وكيفية ربط ذلك بالمختبر.
1:15:30الكيمياء، والمناقشات ، أعني أنه يتعمق كثيراً، نعم.
1:15:35لديه في الواقع كتب عن تركيب الحالة الصلبة في مختبره في مونتريال . راي ناكانو، كان يقود تقنياً بعض أعمال المشغلين في" أوبن أيه آي ". إنه في المختبر. عندما كنا نقوم بجولات في المختبرات، قلنا في البداية:" أوه، هذا العالم الجديد، أو هذا الفني الجديد يشبه راي حقاً ". ولم يكن مجرد شبه، بل كان راي نفسه يعمل فعلياً في المختبر مع العالم لأتمتة الآلات. وهذا يمثل نوعية الأشخاص الذين نحتاجهم والجوهر الذي يتطلبه نجاحنا في هذا الأمر.
1:16:04لاحظنا أيضاً أن لديكم أربعة أدوار لهندسة الانتشار الأمامي. نحن بصدد إطلاق بودكاست حول هندسة الانتشار الأمامي لأن هناك العديد من المهندسين الذين قد يقومون بهذا الدور. قد لا يعرفون حتى بوجود دور متاح لهم في PeriodX. ما هو هذا الدور وكيف يعمل هؤلاء المهندسون مع العملاء ؟ نحن نقوم ببناء منتجاتنا وأدواتنا الخاصة، وذكائنا الاصطناعي وأنظمتنا الحسابية بأنفسنا. لذا ، فنحن العميل الأول لأنفسنا. والآن، نحن نأخذ هذه الأدوات نفسها إلى صناعات مختلفة، ونركز بشكل
1:16:34كبير حالياً على صناعة أشباه الموصلات. ومع ذلك، لكي نقوم بذلك، يجب أن ندرك أنها شركات ذات خصوصية عالية جداً. نحن بحاجة إلى القدرة على العمل داخل بعض أكثر البيئات أماناً وخصوصية. لذا، سيتواجد مهندسونا وباحثونا في مواقع العمل فعلياً لدمج أنظمة الذكاء الاصطناعي أو الأنظمة الحسابية الخاصة بنا، لمساعدة شركائنا على تحقيق أهدافهم بشكل أسرع. بشكل أساسي، نحن ننقل الآن الأدوات والخبرات التي بنيناها من خلال
1:17:04اكتشاف المواد وهندستها إلى القطاع الصناعي. ونعتقد أن هذه هي الطريقة الأكثر فعالية لإيصال الشركاء إلى أهدافهم النهائية، بدلاً من مجرد إلقاء التقنية عليهم وتركهم يكتشفون كيفية التعامل معها.
1:17:19سيقوم مهندسو الانتشار الأمامي هؤلاء بإجراء الاستنتاج محلياً، مع إمكانية التدريب على البيانات أيضاً. بمجرد نشر نظامنا الذي يفهم هذه المجالات المختلفة، يمكننا جعله خبيراً في بيانات العملاء أو الشركاء، ليتمكنوا من امتلاك ذكائهم الخاص والحصول على أنظمة تفهم هذا الأمر بفعالية أكبر من مجرد استخدام واجهة برمجة تطبيقات أو نموذج غير مدرب. لذا، هذا الدور في هندسة الانتشار الأمامي
1:17:49أوسع بكثير من المعتاد ، لأنه يتطلب خبرة عميقة جداً في تعلم الآلة. يجب أن تكون دقيقاً للغاية من منظور تدريب البيانات ، ومنظور البنية التحتية، وأيضاً من منظور الفيزياء. نحن نعمل مع صناعات ذات طابع تقني عالي. لذا يجب عليهم فهم مجالات متنوعة مثل الكيمياء، وعلوم المواد، وبعض أنواع الأجهزة. وهكذا، تلك هي الأدوار التي نعمل على تطويرها حالياً.
1:18:14جزء من الأمر هو الرغبة في قضاء فترات طويلة في الموقع في تايوان. حسناً، أنا لا أعرف ذلك النوع من العملاء. من المثير للاهتمام أن أسلوب تحقيق الربح هذا هو الطريقة الأساسية التي تعتمدونها الآن، لكنه قد يتغير في المستقبل، وأعني أن هذا نموذج لا أعتقد أن الناس يفهمونه حقاً فيما يتعلق بمختبر أبحاث الذكاء الاصطناعي. إذا قارنت نفسك بمختبرات بيل، فهذا ما يفكر فيه الناس، أليس كذلك؟ بمعنى، وهو أعتقد أن هناك تشبيهاً رائعاً حقاً وهو هندسة البرمجيات.
1:18:43في الأيام الأولى لهندسة البرمجيات، كان لدينا" جيت هاب كوبايلوت "، ثم النسخ المبكرة من" شات جي بي تي ". كان الناس يستخدمون هذه الأدوات كمساعدين للوصول إلى حلولهم. ومع تحسن الأتمتة، أصبح لدينا الآن أدوات مثل" كودكس "، وقليل جداً من مهندسينا يكتبون الكود بالطريقة التي اعتادوا عليها. ونعتقد أن أمراً مشابهاً جداً يمكن أن يحدث مع" بيريوديك "، حيث يمكنك الحصول على أنظمة لتسريع عمل الباحثين، وعلماء المواد، ومهندسي المواد، ومهندسي العمليات.
1:19:10ولكن مع نمو الاستقلالية والذكاء والقدرة، يمكنك البدء في تسعير النتائج. لذا ، ساعدني للوصول إلى حالة الهدف هذه. وأعتقد أن هذا مجال مثير للاهتمام حقاً بالنسبة لنا.
1:19:23أجل. أعني أننا نشعر بأن أفضل مساهمة يمكننا تقديمها لفيزياء الحالة الصلبة والعلم هي جعل هذه الأدوات والمواضيع مربحة. على غرار الطريقة التي جعلت بها" شات جي بي تي "تخصصات علوم الحاسب ونماذج اللغة الكبيرة أكثر شعبية في الجامعات. نود أن نُظهر أن فيزياء الحالة الصلبة وأبحاث علم المواد يمكن أن يكون لها تأثير تجاري كبير. وهذا سيجذب المزيد من الاهتمام، وسيرغب الشباب في دراسة الفيزياء، وهو ما سيكون حلماً. وأنت تعلم، مختبرات بيل أحدثت تأثيراً
1:19:53تجارياً هائلاً، أليس كذلك؟ لقد فشلوا في تسويق بعض ابتكاراتهم المذهلة. بالطبع، قاموا ببعض الأبحاث التي لم يكن من الممكن تسويقها، مثل إشعاع الخلفية الكونية. لكنهم استفادوا كثيراً من تقنيات مثل الأنبوب المفرغ، لربط الساحل الشرقي بالساحل الغربي عبر خطوط الهاتف.
1:20:09أجل، وأعتقد أنه من المثير للاهتمام أيضاً التفكير في أن التكنولوجيا ورأس المال مترابطان بشكل وثيق. لذا، إذا نظرت إلى التقدم المحرز في برامج الدردشة الآلية لسنوات عديدة، تخيل سرد التقدم في برامج الدردشة من عام 2010 إلى 2015 مثلاً. سنجد صعوبة نوعاً ما في تحديد مقدار التحسن الذي طرأ عليها خلال تلك الفترة الممتدة لخمس سنوات.
1:20:32بينما إذا نظرت إلى الفترة من 2021 إلى 2026، ستجد فرقاً شاسعاً كالفرق بين الليل والنهار. وما حدث هو أن ChatGPT وهذه الأنظمة الأخرى تمكنت من تحقيق ملاءمة للمنتج في السوق، مما غير مشهد رأس المال بالكامل. هذا يغير المشهد بالنسبة للتوظيف، وقدرات الحوسبة، والبيانات، وما إلى ذلك.
1:20:51إنها الحلقة الفاضلة.
1:20:52بالضبط. وهكذا، فإن النجاح يولد النجاح.
1:20:55بالضبط. إذن، التكنولوجيا مرتبطة ارتباطاً وثيقاً برأس المال وتلك الموارد، ونحن نريد تحقيق الشيء نفسه في العالم المادي .
1:21:02أجل. إذن، أحد الأشياء التي لاحظتها هو وجود هذا التحول في تمويل العلوم من المنح الحكومية وما شابه، إلى شركات رأس المال الاستثماري والتمويل الخاص. هل تخططون لجعل أي شيء تقومون به مفتوح المصدر؟ سواء كان ذلك بإصدار مجموعات بيانات أو نماذج فعلية؟ هل هذا شيء قد يحدث في المستقبل؟ فحتى النماذج التي قد لا تكون في مستوى أحدث ما لديكم، يمكن أن تكون إصدارات مفيدة.
1:21:27بالتأكيد. أعني، لدينا بضعة أشياء. لقد ساهمنا في المصادر المفتوحة مثل" pymatgen "، وقاعدة بيانات" Materials Project "، و" Custodian "، ومشغل" DFT "الخاص بهم، و " Torch Sim "الذي ابتكره أحد الباحثين هنا، أبهيجيت غانغان، وهو لا يزال يتولى صيانته. جاكسون إم دي، أبهيجيت هو من يتولى صيانته. لذا، نحن نقدم الكثير من المساهمات مفتوحة المصدر، بما في ذلك كما كنت تقول، ميجاترون. أجل، أجل. لذا، كنا مساهمين نشطين للغاية في دعم المصادر المفتوحة.
1:21:57ولدينا أيضاً برنامج منح أكاديمية، حيث نقدم منحاً أكاديمية للمجموعات البحثية في الجامعات التي نشعر أنها تدفع حقاً بهذا الاتجاه نحو الذكاء الاصطناعي الفائق في التركيب. لذا، كان من الرائع رؤية ذلك أيضاً . أعتقد أن الورقة البحثية الأولى الناتجة عن هذا التمويل على وشك الصدور، لذا سيكون من المثير رؤية المزيد من الأوراق البحثية تظهر بهذه الطريقة، أجل.
1:22:17حسناً. لنتخيل أنك نجحت في الحصول على أتمتة مختبرية بنسبة 100%تقوم بكل شيء وتحدد خصائص كل شيء بشكل صحيح. ولديك كل الوكلاء الرائعين الذين يمكنهم القيام بكل شيء. لا يزال الأمر غير واضح بالنسبة لي حول كيفية الوصول فعلياً إلى الموصلية الفائقة. هناك الكثير من المشكلات الصعبة التي يجب حلها. ما هو المسار للوصول إلى هناك في ظل عدم وجود نظرية أو نموذج لمعظم الأنظمة المترابطة بقوة أو أنظمة درجات الحرارة العالية؟ أجل، أعني أن وجهة نظرنا هي أنه ليس من الصعب التفكير في
1:22:47مساحات كيميائية قد تحتضن الموصلية الفائقة. لكن الصعوبة الحقيقية تكمن في تصنيعها. لهذا السبب نحن نؤكد حقاً على الذكاء الخارق في التخليق. لذا ربما يكون أليكس مولر مثالاً تاريخياً، عندما ظن أن أكاسيد المعادن الانتقالية قد تكون مساراً جيداً للموصلية الفائقة. كان في الواقع يجرب النيكليدات. النيكل والأكسجين وبعض الكاتيونات، ولم ينجح ذلك، ثم جرب الكوبرات، مجرد نحاس وأكسجين وبعض الكاتيونات، وقد نجح الأمر وحصل على جائزة نوبل. لكننا نعلم لاحقاً أن النيكليدات كانت فكرة
1:23:17جيدة. أعني أن النيكليد والكوبرات متجاوران في الجدول الدوري.
1:23:24هايدونغ وانغ، أحد أساتذتنا في ستانفورد هنا وهو رائع، أدرك أنه يستطيع صنع النيكليدات في شكل أغشية رقيقة وإظهار الموصلية الفائقة. لذا ، كما تعلم، إذا كان لدينا ذكاء خارق في التخليق في المختبر ويمكننا توسيع نطاق هذه الأشياء، فلا أعتقد أننا سننفد من الأفكار أو أن النموذج اللغوي الكبير سينفد من الأفكار حول الاتجاهات التي يجب تجربتها. مثل المعادن الانتقالية ثلاثية الأبعاد والأكسجين، هناك أفكار وثيقة الصلة هنا. الكثير من الناس جربوا الكوبالتات، وهو مثل
1:23:53استبدال النحاس أو النيكل بالكوبالت. لذا ، أعتقد أن هذا مثير للغاية. ربما يكون هناك مثال تاريخي آخر للدراسة وهو المجموعة اليابانية التي اكتشفت ثنائي بوريد المغنيسيوم. كما تعلم، هذا هو الموصل الفائق التقليدي الأعلى درجة حرارة تحت ضغط جوي عادي. وقد اكتشفوه بمجرد تجربة مجموعة من المواد. أعتقد أنهم جربوا 30,000 شيء مختلف.
1:24:15بدا أن 30 منها تحتوي على موصلية فائقة مثيرة للاهتمام وكان ثنائي بوريد المغنيسيوم أحدها. لكن ثنائي بوريد المغنيسيوم ظل على أرفف الناس كمادة أولية لعقود قبل ذلك. وقد تم ابتكار نظرية BCS في عام 1957. لذا، الطريقة التي وجد بها الناس هذه المواد لم تكن مباشرة من النظرية . ولم يكن ذلك لأنهم لم يتمكنوا من تخليقها حتى ذلك الحين. كان الأمر مجرد أنهم جربوا مجموعة من الأشياء.
1:24:38لذا، تخيل الآن إذا كان لدينا هذا التشغيل الآلي المثالي الذي تصفه، والذي يبدو كالحلم، وأن نجرب الـ 30,000 مادة التي جربتها مجموعة تاكيتو خلال مسيرتهم المهنية في شهر واحد. نحن نزيد حقاً مساحة الحظ.
1:24:50لا، لكن نعم، ما فعلته ملهم للغاية. تهانينا على كل نجاحك. أشعر أنك تنشئ، نعم، الملعب الحديث. أتخيل أن التوظيف يجب أن يكون سهلاً جداً بالنسبة لك . لذا، أنا أشعر بنوع من الغيرة قليلاً، لكنك عملت بجد للوصول إلى هنا، لذا أجل.
1:25:04أجل. حسناً، شكراً جزيلاً لك. أجل، كان من الرائع التحدث معكما.
1:25:07أجل، ممتع للغاية. أجل.
