ประวัติ Demis Hassabis จากนักสร้างเกมสู่ผู้ใช้ AI ไขปริศนาโปรตีนและคว้ารางวัลโนเบล
บางคนมองเกมเป็นเพียงสนามแข่งขัน แต่ Demis Hassabis มองลึกลงไปกว่านั้น—เกมคือแบบจำลองของการคิด การวางแผน และการตัดสินใจ เขาเริ่มจากโลกของเกมคอมพิวเตอร์ ก่อนหันไปศึกษาสมองและปัญญาประดิษฐ์ แล้วนำความรู้เหล่านั้นมาสร้าง DeepMind
เส้นทางของเขาพา AI จากกระดานโกะไปสู่ปัญหาทางชีววิทยาที่นักวิทยาศาสตร์ใช้เวลาหลายสิบปีค้นหาคำตอบ AlphaGo เผชิญหน้ากับแชมป์โลก ส่วน AlphaFold ใช้การคำนวณทำนายโครงสร้างโปรตีน—หนึ่งในกุญแจสำคัญของชีวิต เรื่องราวของ Hassabis จึงเป็นการเดินทางข้ามสนามรบหลายยุค ตั้งแต่เกม วิทยาศาสตร์สมอง ไปจนถึงชีววิทยา ComSiam จะพาไล่เรียงเหตุการณ์ตามปี พ.ศ. พร้อมปี ค.ศ. ในวงเล็บ
① Demis Hassabis คือใคร
Demis Hassabis เป็นนักวิจัย ผู้ประกอบการ และผู้บริหารด้านปัญญาประดิษฐ์ชาวอังกฤษ เขาเป็นผู้ร่วมก่อตั้ง DeepMind และปัจจุบันดำรงตำแหน่งผู้ร่วมก่อตั้งและ CEO ของ Google DeepMind
Hassabis สร้างชื่อจากการเชื่อมโยงความรู้หลายสาขาเข้าด้วยกัน ทั้งวิทยาการคอมพิวเตอร์ ประสาทวิทยาศาสตร์ เกม และการเรียนรู้ของเครื่อง เขาไม่ได้มอง AI เป็นเพียงโปรแกรมที่ทำงานตามคำสั่ง แต่เป็นเครื่องมือที่อาจช่วยแก้ปัญหาซับซ้อนซึ่งมนุษย์ยังหาคำตอบได้ยาก
② จุดเริ่มต้นจากเกมและความคิดเชิงกลยุทธ์
Hassabis เติบโตในลอนดอนและสนใจเกมหมากรุกกับเกมคอมพิวเตอร์ตั้งแต่วัยเยาว์ ความหลงใหลของเขาไม่ได้หยุดอยู่แค่การเล่น แต่ขยายไปสู่คำถามว่า ผู้เล่นวางแผนอย่างไร ประเมินทางเลือกแบบไหน และเครื่องจักรจะเรียนรู้กลยุทธ์เหล่านั้นได้หรือไม่
เกมจึงกลายเป็นห้องทดลองแห่งแรกของเขา กระดานหนึ่งแผ่นอาจมีทางเลือกนับไม่ถ้วน การจะเลือกตาที่ดีที่สุดต้องอาศัยการคาดการณ์ผลลัพธ์และการปรับแผนเมื่อสถานการณ์เปลี่ยน วิธีคิดนี้ต่อมาจะปรากฏอีกครั้งในงานด้าน AI ของเขา ตั้งแต่การเล่นเกมกระดานจนถึงการวิเคราะห์ข้อมูลทางวิทยาศาสตร์
③ จากผู้สร้างเกมสู่การศึกษาวิทยาการคอมพิวเตอร์
พ.ศ. 2537 (ค.ศ. 1994) Hassabis เข้าเรียนสาขาวิทยาการคอมพิวเตอร์ที่ Queens’ College มหาวิทยาลัยเคมบริดจ์ การเรียนในสาขานี้ช่วยวางรากฐานทางเทคนิคให้กับความสนใจเรื่องเกมและปัญญาประดิษฐ์ที่ติดตัวเขามา
ระหว่างเส้นทางการศึกษา เขายังทำงานกับอุตสาหกรรมเกมคอมพิวเตอร์ ความรู้จากการพัฒนาเกมทำให้เขาได้เห็นว่าซอฟต์แวร์สามารถจำลองโลก กฎ และการตัดสินใจได้อย่างไร เกมที่ดีต้องไม่ใช่เพียงภาพสวย แต่ต้องมีระบบที่ตอบสนองต่อการกระทำของผู้เล่นอย่างน่าเชื่อถือ
พ.ศ. 2540 (ค.ศ. 1997) เขาสำเร็จการศึกษาด้านวิทยาการคอมพิวเตอร์จากเคมบริดจ์ หลังจากนั้นจึงเดินหน้าสร้างเส้นทางอาชีพในวงการเกมและเทคโนโลยี ก่อนจะกลับไปศึกษาคำถามที่อยู่เบื้องหลังการคิดและการเรียนรู้ของมนุษย์
④ Elixir Studios เดิมพันกับโลกของเกมจำลอง
พ.ศ. 2541 (ค.ศ. 1998) Hassabis ก่อตั้ง Elixir Studios บริษัทพัฒนาเกมที่มุ่งสร้างประสบการณ์ซึ่งมีโลกจำลองและระบบซับซ้อน การทำบริษัทของตัวเองทำให้เขาต้องรับมือทั้งงานสร้างสรรค์ การบริหารทีม การพัฒนาเทคโนโลยี และความท้าทายทางธุรกิจ
ในฐานะผู้พัฒนาเกม เขาได้เห็นด้วยตาตนเองว่าโลกจำลองสามารถใช้ทดสอบแนวคิดเกี่ยวกับพฤติกรรมและการตัดสินใจได้ เกมทำให้เกิดสภาพแวดล้อมที่ผู้เล่นทดลองทางเลือก เรียนรู้จากผลลัพธ์ และเปลี่ยนกลยุทธ์ได้ ความคิดนี้จะกลายเป็นสะพานเชื่อมไปสู่งาน AI ที่เรียนรู้ผ่านการฝึกและการลองผิดลองถูก
Elixir Studios ไม่ได้เป็นเพียงบทหนึ่งในประวัติการทำงาน แต่เป็นสนามฝึกให้ Hassabis เข้าใจการนำไอเดียออกจากกระดาษไปสร้างเป็นระบบที่คนใช้จริง ประสบการณ์การสร้างบริษัทและผลิตภัณฑ์จะติดตัวเขาไปเมื่อก้าวเข้าสู่งานวิจัยเต็มตัว
⑤ หันกลับไปศึกษาสมองและการเรียนรู้
หลังผ่านงานในอุตสาหกรรมเกม Hassabis หันกลับไปศึกษาวิทยาศาสตร์สมอง เขาสนใจว่าความทรงจำ การจินตนาการ และการวางแผนทำงานอย่างไร เพราะความเข้าใจกลไกเหล่านี้อาจช่วยให้มนุษย์สร้างเครื่องจักรที่เรียนรู้และแก้ปัญหาได้ดีขึ้น
พ.ศ. 2552 (ค.ศ. 2009) เขาสำเร็จปริญญาเอกด้านประสาทวิทยาศาสตร์การรู้คิดจาก University College London งานวิจัยช่วยให้เขาได้ศึกษาเรื่องความทรงจำและจินตนาการจากมุมมองทางวิทยาศาสตร์ และทำให้แนวคิดเรื่องการสร้าง AI ไม่ได้จำกัดอยู่แค่การเขียนโปรแกรมให้ทำตามกฎที่มนุษย์กำหนดไว้ล่วงหน้า
การกลับไปเรียนจึงเป็นการเปลี่ยนสนามอีกครั้ง จากผู้สร้างโลกจำลองในเกม สู่ผู้ศึกษากลไกภายในสมอง เป้าหมายที่อยู่เบื้องหลังทั้งสองเส้นทางกลับคล้ายกัน คือทำความเข้าใจว่าระบบหนึ่งสามารถสร้างแบบจำลอง เรียนรู้ และเลือกการกระทำได้อย่างไร
⑥ DeepMind กำเนิดภารกิจสร้าง AI ที่เรียนรู้ได้
พ.ศ. 2553 (ค.ศ. 2010) Hassabis ร่วมก่อตั้ง DeepMind กับ Shane Legg และ Mustafa Suleyman บริษัทตั้งเป้าพัฒนา AI ที่สามารถเรียนรู้และแก้ปัญหาได้อย่างยืดหยุ่น โดยเริ่มใช้เกมเป็นสนามทดลองเพื่อให้ระบบฝึกฝนจากสถานการณ์และผลลัพธ์
แนวทางนี้ต่างจากการเขียนชุดคำสั่งแยกสำหรับทุกกรณี ทีมวิจัยต้องออกแบบระบบที่เรียนรู้จากข้อมูลและประสบการณ์ สร้างแบบจำลองของสถานการณ์ แล้วปรับวิธีเล่นเมื่อพบผลลัพธ์ใหม่ เกมจึงกลายเป็นสนามทดสอบที่ปลอดภัยและวัดผลได้ สำหรับการค้นหาว่าเครื่องจักรจะเรียนรู้กลยุทธ์ที่ซับซ้อนด้วยตัวเองได้แค่ไหน
การสร้างบริษัทวิจัย AI ยังต้องเผชิญโจทย์ใหญ่ด้านทรัพยากรและการขยายงาน DeepMind ต้องการนักวิทยาศาสตร์ วิศวกร และกำลังประมวลผลจำนวนมากเพื่อเปลี่ยนแนวคิดให้เป็นระบบที่ทำงานได้จริง การเติบโตของบริษัทจึงพาโครงการวิจัยจากกลุ่มเล็ก ๆ ไปสู่เวทีเทคโนโลยีระดับโลก
⑦ Google เข้าซื้อ DeepMind และเปิดสนามใหม่
พ.ศ. 2557 (ค.ศ. 2014) Google เข้าซื้อ DeepMind การเปลี่ยนแปลงนี้ทำให้ทีมวิจัยเข้าถึงทรัพยากรด้านคอมพิวเตอร์และโครงสร้างพื้นฐานขนาดใหญ่ขึ้น ขณะเดียวกัน DeepMind ก็ต้องพิสูจน์ให้เห็นว่าแนวทางการวิจัยของตนจะสร้างความก้าวหน้าที่มีความหมายได้อย่างไร
Hassabis ยังคงผลักดันเป้าหมายการพัฒนา AI ที่เรียนรู้และแก้ปัญหาได้ แต่การมีทรัพยากรมากขึ้นก็ทำให้ความคาดหวังเพิ่มขึ้นตามไปด้วย ทีมต้องแสดงให้เห็นว่า AI จะสามารถรับมือกับโจทย์ที่ซับซ้อนขึ้น ไม่ใช่เพียงเล่นเกมง่าย ๆ หรือทำงานตามรูปแบบที่กำหนดไว้ล่วงหน้า
⑧ AlphaGo เผชิญหน้ากับแชมป์โลกโกะ
พ.ศ. 2559 (ค.ศ. 2016) AlphaGo ของ DeepMind ลงแข่งขันกับ Lee Sedol หนึ่งในผู้เล่นโกะระดับสูงของโลก เกมโกะมีจำนวนทางเลือกมหาศาล จนการคำนวณแบบไล่ตรวจทุกความเป็นไปได้ทำได้ยาก ความท้าทายนี้ทำให้หลายคนมองว่าเครื่องจักรยังต้องใช้เวลาอีกนานกว่าจะเอาชนะผู้เล่นระดับแชมป์ได้
แต่ AlphaGo ใช้โครงข่ายประสาทเทียมร่วมกับการค้นหาและการเรียนรู้แบบเสริมกำลัง เพื่อประเมินตำแหน่งและพัฒนากลยุทธ์ของตน ผลการแข่งขันจบลงด้วยชัยชนะของ AlphaGo 4 ต่อ 1 เกม เหตุการณ์นี้ทำให้วงการ AI และผู้ชมทั่วโลกหันมาจับตาความสามารถของระบบที่เรียนรู้กลยุทธ์ซับซ้อนได้
การแข่งขันครั้งนั้นไม่ได้พิสูจน์ว่า AI เข้าใจเกมแบบมนุษย์ทุกประการ แต่แสดงให้เห็นว่าเมื่อผสานข้อมูล วิธีเรียนรู้ และพลังคำนวณอย่างเหมาะสม เครื่องจักรสามารถค้นพบแนวทางที่ผู้เชี่ยวชาญไม่คาดคิดได้ AlphaGo จึงเป็นหมุดหมายที่เปลี่ยนบทสนทนาเรื่องความสามารถของ AI
⑨ จาก AlphaGo สู่ AlphaZero
พ.ศ. 2560 (ค.ศ. 2017) DeepMind เปิดเผย AlphaGo Zero ซึ่งเรียนรู้การเล่นโกะจากการเล่นกับตัวเอง โดยเริ่มต้นจากกฎของเกมและไม่ต้องพึ่งฐานข้อมูลเกมมนุษย์ในรูปแบบเดียวกับระบบก่อนหน้า ต่อมาแนวคิดนี้ถูกขยายเป็น AlphaZero ซึ่งเรียนรู้เกมหลายประเภท เช่น หมากรุก โกะ และโชกิ
การเปลี่ยนจากการเรียนรู้จากตัวอย่างของมนุษย์ ไปสู่การฝึกฝนผ่านการเล่นกับตัวเอง เป็นการทดลองสำคัญเกี่ยวกับขอบเขตของการเรียนรู้ของเครื่อง ระบบต้องสร้างประสบการณ์ ฝึกจากผลแพ้ชนะ และปรับกลยุทธ์ซ้ำแล้วซ้ำเล่า จนค้นพบแนวทางที่มีประสิทธิภาพ
ในมุมของ Hassabis เกมไม่ได้เป็นเพียงเครื่องมือสร้างความตื่นเต้นให้ผู้ชม แต่เป็นสนามทดลองที่ช่วยให้นักวิจัยศึกษาการวางแผนและการเรียนรู้ในสภาพแวดล้อมที่มีกฎชัดเจน ความสำเร็จจากเกมยังเปิดทางให้ทีมมองหาโจทย์ที่ยากและมีประโยชน์ต่อโลกจริงมากขึ้น
⑩ AlphaFold ย้ายสนามจากเกมสู่ชีววิทยา
พ.ศ. 2561 (ค.ศ. 2018) DeepMind นำ AlphaFold รุ่นแรกเข้าสู่การแข่งขันประเมินวิธีทำนายโครงสร้างโปรตีนที่เรียกว่า CASP ปัญหานี้มีความสำคัญต่อชีววิทยา เพราะโปรตีนทำหน้าที่หลากหลายในสิ่งมีชีวิต และรูปร่างสามมิติของโปรตีนเกี่ยวข้องกับวิธีที่มันทำงาน
การรู้ลำดับกรดอะมิโนไม่ได้ทำให้เห็นรูปร่างสุดท้ายของโปรตีนโดยตรง นักวิทยาศาสตร์ต้องค้นหาว่าสายโมเลกุลจะพับตัวเป็นโครงสร้างแบบใด ปัญหานี้ซับซ้อนและใช้เวลานาน การนำ AI เข้ามาช่วยจึงเป็นความพยายามใช้การเรียนรู้จากข้อมูลเพื่อเร่งความเข้าใจในระดับโมเลกุล
การทดลอง AlphaFold เป็นการเปิดแนวรบใหม่ให้ DeepMind จากการพิสูจน์ความสามารถในเกม ไปสู่การแก้ปัญหาทางวิทยาศาสตร์ที่มีความซับซ้อนและผลกระทบต่อการวิจัยจริง
⑪ AlphaFold 2 และความก้าวหน้าครั้งใหญ่
พ.ศ. 2563 (ค.ศ. 2020) Hassabis และ John Jumper นำเสนอ AlphaFold 2 ซึ่งสร้างความก้าวหน้าอย่างมากในการทำนายโครงสร้างโปรตีนจากลำดับกรดอะมิโน ระบบสามารถทำนายโครงสร้างโปรตีนจำนวนมากได้อย่างแม่นยำสูง เมื่อเทียบกับความยากของปัญหาที่นักวิจัยพยายามแก้มานาน
ความสำเร็จนี้มีความสำคัญต่อการค้นคว้าด้านชีววิทยา เพราะข้อมูลโครงสร้างโปรตีนช่วยให้นักวิทยาศาสตร์ตั้งสมมติฐานและออกแบบการทดลองได้ดีขึ้น งานวิจัยด้านยา โรค และชีววิทยาระดับโมเลกุลจึงอาจได้รับประโยชน์จากเครื่องมือที่ช่วยคาดการณ์โครงสร้างได้รวดเร็วขึ้น
AlphaFold ไม่ได้แทนที่นักวิทยาศาสตร์หรือทำให้การค้นพบยาสำเร็จโดยอัตโนมัติ แต่เป็นเครื่องมือคำนวณที่ช่วยเปิดมุมมองใหม่ให้การวิจัย ความสำเร็จของมันสะท้อนว่า AI สามารถมีบทบาทนอกเหนือจากการสร้างข้อความหรือเล่นเกม และเข้าไปช่วยแก้โจทย์พื้นฐานของวิทยาศาสตร์ได้
⑫ ขยายผลความรู้ให้วงการวิทยาศาสตร์
พ.ศ. 2564–2565 (ค.ศ. 2021–2022) DeepMind และ European Bioinformatics Institute ของ EMBL ขยายฐานข้อมูล AlphaFold ให้เข้าถึงโครงสร้างโปรตีนที่ AI ทำนายไว้จำนวนมาก นักวิจัยทั่วโลกสามารถใช้ข้อมูลเหล่านี้เป็นจุดเริ่มต้นของการค้นคว้า แทนที่จะต้องเริ่มต้นจากการคำนวณทุกอย่างใหม่ด้วยตนเอง
การเผยแพร่เครื่องมือและข้อมูลทำให้ผลของงานวิจัยขยายออกไปไกลกว่าทีมผู้สร้าง นักวิทยาศาสตร์สามารถนำโครงสร้างที่ทำนายได้ไปตั้งคำถามใหม่ ตรวจสอบสมมติฐาน และวางแผนการทดลองต่อ อย่างไรก็ตาม การทำนายยังต้องพิจารณาขอบเขตและตรวจสอบด้วยความรู้ทางวิทยาศาสตร์ที่เกี่ยวข้อง
นี่คือช่วงที่เส้นทางจากงานวิจัย AI มาบรรจบกับชุมชนวิทยาศาสตร์วงกว้าง ผลลัพธ์ของระบบไม่ได้จบอยู่ที่การแข่งขันหรือการสาธิต แต่ถูกนำไปใช้เป็นเครื่องมือช่วยให้ผู้คนศึกษาปัญหาทางชีววิทยา
⑬ Google DeepMind รวมพลังสองห้องปฏิบัติการ
พ.ศ. 2566 (ค.ศ. 2023) Google รวม DeepMind กับ Google Brain ภายใต้ชื่อ Google DeepMind เพื่อรวมทีมวิจัยและวิศวกรรม AI เข้าด้วยกัน Hassabis ได้รับบทบาทผู้นำองค์กรใหม่นี้ในฐานะ CEO
การรวมทีมสะท้อนการแข่งขันและความเร่งด่วนของวงการ AI ในช่วงที่แบบจำลองและผลิตภัณฑ์ AI พัฒนาอย่างรวดเร็ว องค์กรต้องประสานงานวิจัย พลังประมวลผล และการนำเทคโนโลยีไปใช้งานจริง พร้อมพิจารณาความปลอดภัยและความรับผิดชอบต่อสังคมไปพร้อมกัน
⑭ รางวัลโนเบลและการยอมรับระดับโลก
พ.ศ. 2567 (ค.ศ. 2024) Hassabis และ John Jumper ได้รับรางวัลโนเบลสาขาเคมีร่วมกันจากผลงานด้านการทำนายโครงสร้างโปรตีน ส่วนรางวัลอีกครึ่งหนึ่งมอบให้ David Baker จากผลงานด้านการออกแบบโปรตีนด้วยการคำนวณ
การได้รับรางวัลโนเบลเป็นการยอมรับว่า AI สามารถมีส่วนสำคัญต่อการแก้โจทย์ทางวิทยาศาสตร์ ไม่ใช่เพียงเครื่องมือเพื่อความสะดวกหรือความบันเทิง รางวัลนี้ยังย้ำให้เห็นการทำงานร่วมกันระหว่างนักวิทยาศาสตร์ นักพัฒนา และนักวิจัยจากหลายสาขา
ในปีเดียวกัน Hassabis ได้รับพระราชทานบรรดาศักดิ์อัศวินจากสหราชอาณาจักรสำหรับการบริการด้านปัญญาประดิษฐ์ การยอมรับทั้งทางวิทยาศาสตร์และสาธารณะทำให้เส้นทางจากเกมคอมพิวเตอร์สู่การค้นคว้าโปรตีนกลายเป็นหนึ่งในเรื่องราวสำคัญของเทคโนโลยียุคใหม่
⑮ บทเรียนจากเส้นทางของ Demis Hassabis
เส้นทางของ Hassabis แสดงให้เห็นพลังของการเชื่อมโยงความรู้จากหลายสาขา เกมช่วยให้เขาศึกษาการวางแผน ประสาทวิทยาศาสตร์ช่วยให้เขาตั้งคำถามเรื่องการเรียนรู้ และวิทยาการคอมพิวเตอร์ช่วยให้แนวคิดเหล่านั้นกลายเป็นระบบที่ทดลองและวัดผลได้
อีกบทเรียนคือการเลือกโจทย์ที่ท้าทายและมีความหมาย AlphaGo แสดงให้เห็นว่า AI สามารถเรียนรู้กลยุทธ์ในเกมที่ซับซ้อน ส่วน AlphaFold แสดงให้เห็นว่าแนวทางการเรียนรู้ของเครื่องอาจนำไปใช้กับปัญหาทางวิทยาศาสตร์ที่มนุษย์ต่อสู้มาเป็นเวลานาน
อย่างไรก็ตาม การสร้างเทคโนโลยีที่ทรงพลังย่อมมาพร้อมความรับผิดชอบ ความสามารถของ AI ไม่ได้ตอบคำถามแทนสังคมทั้งหมด แต่ช่วยให้มนุษย์มีเครื่องมือใหม่ในการค้นคว้า ตัดสินใจ และเผชิญกับปัญหาที่ซับซ้อนขึ้น
⑯ สรุปประวัติ Demis Hassabis
Demis Hassabis เริ่มจากการสร้างเกมและสนใจวิธีคิดของมนุษย์ ก่อนร่วมก่อตั้ง DeepMind และนำ AI ไปพิสูจน์ความสามารถในเกมโกะ จากนั้นทีมของเขาขยายสนามสู่ชีววิทยาด้วย AlphaFold ซึ่งช่วยทำนายโครงสร้างโปรตีนและได้รับการยอมรับผ่านรางวัลโนเบลสาขาเคมี
เรื่องราวของ Hassabis จึงไม่ใช่เพียงประวัติของผู้บริหารบริษัท AI แต่เป็นบันทึกของการนำความรู้จากเกม วิทยาศาสตร์สมอง และคอมพิวเตอร์มาประกอบเป็นเครื่องมือใหม่ ตั้งแต่กระดานโกะที่ทั่วโลกจับตา ไปจนถึงโมเลกุลโปรตีนที่เป็นองค์ประกอบของชีวิต เขายังคงนำ Google DeepMind ในการค้นหาว่า AI จะช่วยขยายขอบเขตความรู้ของมนุษย์ได้ไกลเพียงใด
ComSiam จะพาผู้อ่านไปรู้จักบุคคลสำคัญด้านไอทีและเทคโนโลยีรายต่อไป เพื่อสำรวจแนวคิดและการค้นพบที่กำลังเปลี่ยนโลก
แหล่งอ้างอิง
- Nobel Prize, Demis Hassabis – Facts: Nobel Prize in Chemistry 2024
- Nobel Prize, The Nobel Prize in Chemistry 2024 – Press Release และ Popular Information
- Google DeepMind, About Google DeepMind
- Google DeepMind, AlphaGo at 10: How AI Innovation Is Paving the Path to AGI
- Google DeepMind, Putting the Power of AlphaFold into the World’s Hands
- University of Cambridge, University of Cambridge Alumni Awarded 2024 Nobel Prize in Chemistry
- University of Cambridge, Nobel Laureate and Cambridge University Alumnus Sir Demis Hassabis Heralds a New Era of AI Drug Discovery