Bio Eats World: استخدام الذكاء الاصطناعي لأخذ الحيوية إلى أبعد من ذلك

في هذه الحلقة ، يتحدث فيجاي باندي مع جاكوب أوسكوريت ، الشريك المؤسس والرئيس التنفيذي لشركة Inceptive. معًا ، يناقشون كل ما يتعلق بالذكاء الاصطناعي.

ننشر النص بالكامل أدناه ، في حال كنت ترغب في القراءة.

***

أوليفيا ويب: مرحبًا ومرحبًا بكم في Bio Eats World ، بودكاست عند تقاطع بيو ، والرعاية الصحية ، والتكنولوجيا. أنا أوليفيا ويب ، رئيسة التحرير في Bio + Health في a16z. في هذه الحلقة ، تحدثنا مع Jakob Uszkoreit ، الذي كان يعمل سابقًا في Google Brain ، وأحد مؤسسي Inceptive. يعتبر جاكوب أيضًا أحد المؤلفين في الورقة البحثية الأساسية لمنظمة العفو الدولية "الانتباه هو كل ما تحتاجه" ، والذي سنقوم بربطه في ملاحظات العرض. جلس جاكوب مع فيجاي باندي ، الشريك المؤسس لـ a16z Bio + Health للتحدث عن كل ما يتعلق بالذكاء الاصطناعي: من وقته في Google Brain ، إلى كيفية معالجة البشر وأجهزة الكمبيوتر للغة ، إلى إيمان Inceptive بوعد الحمض النووي الريبي ، وكيف يعتقد جاكوب أننا تدخل منطقة نقطة الانقلاب باستخدام الذكاء الاصطناعي.

إنها حلقة لا تريد أن تفوتها - ولكنها أيضًا مناقشة على مستوى الخريجين حول الذكاء الاصطناعي ، لذلك سننشر نصًا إلى جانب الحلقة. هيا بنا نبدأ.

الخوارزميات القابلة للتطبيق

فيجاي باندي: لذا جاكوب ، شكرًا جزيلاً لك على مشاركتك في Bio Eats World. إنه لشيء رائع أن تكون معك.

جاكوب أوسكوريت: من الرائع أن أكون هنا. أشكركم على استضافتي.

فيجاي باندي: نظرًا لأن لديك قصة رائعة كعالم كمبيوتر ورائد أعمال ومؤسس ، أود أن تقودنا خلال رحلتك المهنية ، بدءًا من أي مكان تريده ، ولكن ما أوصلك إلى Google Brain ربما يكون مكانًا لطيفًا للبدء .

جاكوب أوسكوريت: أتذكر إلى حد ما حقًا مواجهة مشكلة التعلم الآلي هذه ، ربما بالمعنى الأوسع ، [و] فهم اللغة ، بشكل أكثر تحديدًا إلى حد ما ، كمسألة تدور في العائلة. إذن والدي هو عالم كمبيوتر ولغوي حسابي ، وكما تعلمون ، لم تكن نشأة أشياء مثل آلات تورينج بالضرورة مفاهيم غريبة تمامًا في وقت مبكر.

فيجاي باندي: نعم ، يبدو أنه ربما كان محادثة على مائدة العشاء ، في الواقع.

جاكوب أوسكوريت: كانت محادثات مائدة العشاء. وهكذا بشكل خاص الآلات المحدودة ، وكيفية ارتباطها فعليًا بآلات البيع ، كانت ، كما تعلمون ، موضوعات شائعة. كلما تقدمت في السن ، كلما أردت التأكد من أني انتهيت بالفعل من القيام بشيء مختلف. وهكذا انتهى بي الأمر بالبحث قليلاً في الرياضيات البحتة والمجالات ذات الصلة هناك. [أنا] ركزت كثيرًا على التحسين ، وعلى خوارزميات التحسين ، والخوارزميات بشكل عام ، ونظرية التعقيد على نطاق أوسع ، قبل أن أدرك أنه ربما لم يكن هذا هو الشيء الأكثر عملية والأكثر قابلية للتطبيق ، والذي ، كما تعلم ، أصبح قليلا من الخيط الأحمر طوال مسيرتي. ثم عثرت فعليًا على تدريب داخلي في Google في عام 2005.

لقد أُعطيت بعض الخيارات المختلفة [فيما يتعلق] بنوع المشاريع البحثية التي يجب الانضمام إليها ، [و] من بينها جهود مختلفة لرؤية الكمبيوتر ، ولكن أيضًا مشروع الترجمة الآلية الذي أصبح أساسًا ترجمة Google. في ذلك الوقت ، أو قبل ذلك بقليل ، أطلقت [ترجمة] منتجها الأول الذي كان مدعومًا حقًا بأنظمة Google الداخلية التي تم تطويرها وبمعنى ما ، مما أثار استيائي ، اتضح أن خدمة الترجمة من Google في كان الوقت حتى الآن أكثر مشاكل الخوارزميات واسعة النطاق إثارة للاهتمام.

في ذلك الوقت ، كان من المثير حقًا أن أرى ذلك ، لأن ما أقنعني بعد ذلك بإلغاء شهادة الدكتوراه والعودة فعليًا إلى Google بعد ذلك التدريب ، هو أنه أصبح واضحًا في الوقت الذي قضيته هناك أنه إذا كنت تريد العمل على شيء ما في لم يكن التعلم الآلي مثيرًا للاهتمام فحسب ، دعنا نقول فكريًا وعلميًا ، مثيرًا ، مليئًا بالتحدي ، ومحفزًا ، ولكن كان له أيضًا آمال كبيرة في تحريك الإبرة على الفور في الصناعة وفي المنتجات. هناك حقًا ، في ذلك الوقت ، لم يكن هناك الكثير من الأماكن في العالم. وبالتأكيد لم تكن مختبرات أكاديمية في ذلك الوقت ، ولكن في كثير من الأماكن مثل Google. وكان Google هناك ومن ثم كان في الواقع في طليعة هذا الأمر. وهكذا ، كما تعلمون ، في ذلك الوقت كنت أعتقد أنه من المدهش تشغيل أول خوارزميات عنقود على نطاق واسع على ألف آلة ، وكان من المستحيل تمامًا القيام بذلك في مكان آخر.

فيجاي باندي: عندما تتحدث إلى زملائنا الكبار ، هناك الكثير من الرومانسية في ذروة Bell Labs ، وكنت أتساءل دائمًا عما إذا كان Google Brain قد يكون أحد المتغيرات الأقرب اليوم. كيف كانت البيئة؟

جاكوب أوسكوريت: لذلك أشعر في الواقع بين ذلك الوقت والوقت الذي بدأ فيه Google Brain بالفعل ، أي بعد حوالي خمس سنوات ، كان هناك تحول كبير. قبل أن يبدأ تطبيق Brain and Translate ، كان مدفوعًا بالمنتجات التي أحدثت فرقًا حقًا مما أعتقده. وكان لدينا عدد كبير من خريجي Bell Labs ، بالطبع ، بيننا ، ولكن كان الدافع أكثر بكثير من خلال التطبيق المباشر.

الأمر الذي كان مدهشًا حقًا بالنسبة لي أن أشهده ، كيف تحولت الترجمة الآلية [من شيء] كان جيدًا للضحك في حفلة ، بكل معنى الكلمة. إذا سألوك أين تعمل؟ وقلت جوجل. ثم قالوا ، ماذا تفعل هناك؟ وقد تأثروا في البداية. ثم قلت ، أوه ، أنا أعمل على ترجمة Google. ثم ضحكوا وسألوا ، هل سينجح هذا على الإطلاق؟ أنا لا أعتقد ذلك. ولكن في الوقت نفسه ، أود أن أقول إن موجة التعلم الآلي ، موجة نهضة التعلم ما قبل العمق للتعلم الآلي ، بدأت في الثبات. تعلمون ، التعلم العميق كان شيئًا قمت به سابقًا في المدرسة ، وقد أحببته ، لكنه لم يكن شيئًا يمكنك حقًا تقديمه في تلك الأيام.

فيجاي باندي: نعم ، خاصةً لأنك لم يكن لديك المقياس في الأوساط الأكاديمية للقيام بالحسابات التي تحتاج إلى القيام بها.

جاكوب أوسكوريت: بالتأكيد ليس في الأوساط الأكاديمية ، ولكن حتى في Google. على الرغم من أنه في ذلك الوقت ، في الترجمة ، في الواقع ، كانت السمة المميزة الأكثر إثارة للاهتمام ، أود أن أقول ، كنا نؤمن حقًا بالقوة المطلقة للبيانات في نهاية اليوم.

لذلك كنا نحاول ألا نجعل خوارزميات أكثر تعقيدًا وتعقيدًا ، ولكن بدلاً من ذلك نبسطها وقياسها قدر الإمكان ومن ثم تمكينها من التدرب على المزيد والمزيد من البيانات. لكننا اصطدمنا بسقف هناك. التبسيط الذي كان عليك القيام به من أجل توسيع نطاقها إلى ما كان في ذلك الوقت على مقياس Google ، كان هذا هو هدفنا حقًا. ولكن بعد ذلك ، وكان ذلك نوعًا من إحدى حركات البندول ، يتأرجح للخلف ، خارج الأوساط الأكاديمية ، مجموعة من الأشخاص مع مجموعة من وحدات معالجة الرسومات - عاد التعلم العميق بمعنى ما مع الانتقام. وفجأة تكيفت البيئة ، لأنه لم يكن من الواضح ما هو المسار المباشر على نطاق واسع في الإنتاج.

وهكذا تحولت البيئة بأكملها من كونها أكثر توجهاً نحو التطبيق والمنتج ، إلى شيء شعرت به على الأقل لبضع سنوات ، وأكثر أكاديمية. لا يزال الأمر مختلفًا بعض الشيء عن المعامل الأكاديمية لأننا نستطيع توفير المزيد من وحدات معالجة الرسومات ، ولكن بشكل أكبر بكثير ، بمعنى ما ، مع هذه الفكرة ، [أن تكون] مدفوعة بالمنشورات ، مدفوعة بالقفزات بدلاً من الخطوات. [إنها] تحولت إلى [بيئة] منتجة للغاية - ومدهشة حقًا - ولكنها أكثر انفتاحًا.

الاهتمام هو كل ما تحتاجه

فيجاي باندي: حسنًا ، عند الحديث عن المنشورات ، فإن المكان الطبيعي للتفكير فيه هو عندما تنشر أنت والفريق "الانتباه هو كل ما تحتاجه". وكما تعلم ، كان هذا بمثابة ورقة أساسية للكثير من الذكاء الاصطناعي التوليدي منذ ذلك الحين عندما تم وضع خوارزمية المحولات لأول مرة.

جاكوب أوسكوريت: قبل عامين من نشر هذه الورقة ، أدركنا [أن] ما كان في ذلك الوقت هو أحدث ما توصلت إليه المشكلات مثل الترجمة الآلية ، أو [ما] كان يظهر كأحدث ما توصلت إليه التكنولوجيا ، أي LSTM أو RNN ، Seq2Seq بشكل عام كنموذج تدريب وكإعداد ، ولكن أيضًا كبنية شبكة - واجهت مشكلات لا تصدق حتى في أحدث وحدات معالجة الرسومات في ذلك الوقت ، عندما يتعلق الأمر بالتوسع من حيث البيانات.

على سبيل المثال ، أول نظام ترجمة آلية عصبي أطلقه Google ، GNMT ، كان في الواقع ، على حد علمي ، لم يتم تدريبه حقًا على جميع بيانات التدريب التي كانت متوفرة لدينا ، والتي سبق أن استخرجناها من أجل الأنظمة الإحصائية القائمة على العبارات. وذلك لأن الخوارزميات لم تتسع بشكل جيد من حيث كمية البيانات. لذا ، باختصار القصة الطويلة ، كنا نبحث ، في ذلك الوقت ، ليس في الترجمة الآلية ، ولكن في المشكلات حيث ، داخليًا في Google ، لدينا كميات أكبر من بيانات التدريب المتاحة. لذلك كانت هذه مشاكل ناتجة عن البحث ، حيث لديك ثلاثة أو أربعة مرات أخرى من حيث الحجم. كما تعلم ، لم يعد هناك مليارات الكلمات بعد الآن ، ولكن التريليونات بسهولة ، وفجأة واجهنا هذا النمط حيث الشبكات المغذية البسيطة ، على الرغم من أنها قدمت افتراضات مبسطة سخيفة مثل ، إنها مجرد حقيبة من الكلمات ، أو أنها مجرد حقيبة كبيرة ، وأنت متوسطهم نوعًا ما وترسلهم عبر MNLP كبير ، لقد تفوقوا في الواقع على RNNs و LSTMs ، على الأقل عندما تدربوا على المزيد من البيانات.

[وكانوا] أسرع بمقدار n مرة ، وبسهولة 10 ، 20 مرة في التدريب. وهكذا يمكنك تدريبهم على المزيد من البيانات. في بعض الحالات ، كانوا أسرع بمئة مرة في التدريب. ولذا فقد استمررنا دائمًا في الحصول على نماذج أبسط ولا يمكنها التعبير عن ظواهر معينة أو التقاطها والتي نعرف أنها شائعة بالتأكيد في اللغة.
ومع ذلك ، كما تعلمون ، فإن المحصلة النهائية ، كانت أرخص للتدريب و [كانوا] أداؤوا بشكل أفضل.

فيجاي باندي: دعنا فقط نعطي مثالًا للأشخاص الذين ليسوا مألوفين. لذا ، بالنسبة لحقيبة الكلمات ، إذا قلت ، أرني جميع المطاعم القريبة باستثناء الإيطالية ، فستظهر لك جميع المطاعم الإيطالية ، أليس كذلك؟

جاكوب أوسكوريت: بالضبط. في الواقع ، يمكن إعادة ترتيب ما قلته ، لتظهر لي جميع المطاعم الإيطالية باستثناء المطاعم المجاورة. إنها مجرد حساء من الكلمات ويمكنك إعادة ترتيبها في شيء يعني بالتأكيد شيئًا مختلفًا.

فيجاي باندي: نعم.

جاكوب أوسكوريت: ثم تقترب من الوصول إلى الهيكل والحصول على المزيد من الظواهر العالمية عن طريق وضع bigrams. لذلك في الأساس مجموعات من كلمتين متتاليتين وأشياء من هذا القبيل. لكن من الواضح أنه ، بالتأكيد في لغات مثل الألمانية ، حيث يمكنك أساسًا وضع الفعل في نهاية الجملة ...

فيجاي باندي: وهو يغير المعنى كله ، أليس كذلك؟

جاكوب أوسكوريت: يغير كل المعنى ، بالضبط ، نعم. بغض النظر عن حجم n-grams - أو مجموعات الكلمات الصغيرة - فلن تنجح في النهاية. وقد أصبح واضحًا لنا أنه يجب أن تكون هناك طريقة مختلفة لا تتطلب تكرار RNN في الطول ، أو التكرار في تسلسل ، قل الكلمات أو وحدات البكسل ، ولكن هذا في الواقع يعالج المدخلات والمخرجات بطريقة أكثر توازيًا وبالفعل تلبي في النهاية نقاط القوة في أجهزة التسريع الحديثة.

فيجاي باندي: فكر في الأمر ، مثل كيس الكلمات عبارة عن كلمات بترتيب عشوائي. ربما تمنحك LSTM ، أو الذاكرة طويلة المدى ، نوعًا من [القدرة] على النظر إلى الماضي قليلاً ، أليس كذلك؟ لكن المحولات تفعل شيئًا مختلفًا تمامًا. كيف تأخذ المحولات ذلك إلى المستوى التالي؟

جاكوب أوسكوريت: هناك دائمًا طريقتان للنظر إلى هذا. أحدهما من خلال عدسة الكفاءة ، ولكن الطريقة الأخرى التي قد تكون أكثر سهولة قليلاً هي النظر إليها من حيث ، كما تعلمون ، مقدار السياق الذي يمكنك الحفاظ عليه. وكما قلت ، LSTMs ، أو الشبكات العصبية المتكررة بشكل عام ، فإنها تتحرك من خلال مدخلاتها خطوة بخطوة ، على نطاق واسع ، وفي حين أنها ، من الناحية النظرية ، قادرة على الحفاظ على نوافذ سياق طويلة بشكل تعسفي في المدخلات - الماضي - ما يحدث عمليًا أنه من الصعب جدًا عليهم تحديد الأحداث ، مثل الكلمات أو وحدات البكسل ، التي كانت بعيدة جدًا في الماضي والتي تؤثر حقًا على المعنى في نهاية اليوم. إنهم يميلون إلى التركيز على الأشياء الموجودة في الجوار.

من ناحية أخرى ، يقوم المحول بشكل أساسي بقلب ذلك رأسًا على عقب ويقول ، لا ، في كل خطوة ما نقوم به لا يتحرك من خلال المدخلات. في كل خطوة ، ننظر إلى المدخلات أو المخرجات بالكامل ، ونراجع بشكل تدريجي تمثيلات كل كلمة أو كل بكسل أو كل رقعة أو كل إطار من الفيديو ، حيث نتحرك بشكل أساسي ، وليس في مساحة الإدخال ، ولكن في مساحة التمثيل.

فيجاي باندي: نعم.

جاكوب أوسكوريت: وكان لتلك الفكرة بعض العيوب فيما يتعلق بكيفية ملاءمتها للأجهزة الحديثة ، ولكن بالمقارنة مع الشبكات العصبية المتكررة ، كانت لها مزايا في المقام الأول لأنك الآن لم تكن ملزمًا في الواقع بحساب التمثيلات بشكل تسلسلي ، على سبيل المثال ، كلمة بكلمة. ما كنت ملزمًا به هو ، حقًا ، إلى أي مدى يجب أن تكون جيدة؟ كم عدد طبقات هذا النوع من المعالجة المتوازية لجميع المواضع حيث يمكن لكل شيء ، حيث يمكن لجميع أزواج الكلمات أو كل أزواج تصحيحات الصور التفاعل على الفور؟ كم عدد المراجعات لهذه الإقرارات التي يمكنني "تحملها" بالفعل؟

فيجاي باندي: الأمر المثير للاهتمام حقًا هو أنه من الواضح أن الإلهام هو لغة طبيعية ، ولكن هناك العديد من الهياكل التي تريد إدخالها حيث لا تريد فقط دراستها بالتتابع ، مثل تسلسل الحمض النووي - وسندخل في علم الأحياء قريبًا بما يكفي - أنك تريد الحصول على نموذج لكل شيء.

إنه نوع من المرح مع اللغة. عندما أتحدث أو عندما أستمع إليك ، أقوم بمعالجة كل كلمة ، لكن في النهاية لا يجب أن أقوم فقط بترميز الكلمات إلى معاني فردية ، ولكن لا بد لي من تطوير هذا التمثيل نوعًا ما. نعم؟ أتمنى أن نتمكن من القيام بذلك بالطريقة التي تعمل بها المحولات. وربما تكون هذه الحيلة هي أن LSTMs أقرب إلى الطريقة التي نقوم بها نحن البشر ، وربما تكون المحولات هي الطريقة التي يجب علينا القيام بها ، أو أتمنى أن نتمكن من القيام بذلك.

جاكوب أوسكوريت: ظاهريًا ، أعتقد أن هذا صحيح ، على الرغم من أنه في نهاية المطاف - مثل هذه الحجج الاستبطانية خفية وصعبة.

لذلك أعتقد أن الكثير منا يعرف هذه الظاهرة حيث تصرخ أو تصرخ مع شخص يحاول توصيل شيء ما عبر شارع مزدحم. وهكذا تسمع شيئًا ما يقولون ، وهو ليس سلسلة قصيرة من الكلمات ، ولم تفهم شيئًا في الأساس. ولكن بعد ذلك بنصف ثانية ، فهمت فجأة الجملة بأكملها. إنه يلمح في الواقع إلى حقيقة أنه في حين أننا مجبرون على الكتابة واللفظ باللغة بطريقة متسلسلة - فقط بسبب سهم الوقت - فليس من الواضح أن فهمنا الأعمق يعمل بالفعل بهذه الطريقة المتسلسلة.

بناء فريق

فيجاي باندي: إذا كان أي شخص يدرس حتى ورق الانتباه هو كل ما تحتاجه أو كيف يعمل المحول ، فهناك الكثير من الأجزاء فيه. ويبدو أنه من المحتمل أن يكون قد تجاوز الآن النقطة التي يمكن فيها لشخص واحد أن يقوم بهذا العمل بشكل فعال بنفسه في أي فترة زمنية قصيرة.

جاكوب أوسكوريت: إطلاقا.

فيجاي باندي: إذن أنت الآن بحاجة حقًا إلى فريق من الأشخاص للقيام بهذه الأنواع من الأشياء. ما هو علم اجتماع ذلك؟ كيف يحدث شيء كهذا؟

جاكوب أوسكوريت: أشعر شخصيًا أن هذه الحالة بالذات هي مثال رائع حقًا لشيء يناسب أكثر ، دعنا نقول ، نهجًا صناعيًا للبحث العلمي ، بشكل جيد للغاية. لأنك على حق بالضبط. لم تكن هذه الشرارة الكبيرة للخيال والإبداع التي أطلقت كل شيء.

لقد كانت حقًا مجموعة كاملة من المساهمات التي كانت جميعها ضرورية في النهاية. وجود بيئة ومكتبة - والتي تم فتحها لاحقًا أيضًا باسم Tensor2Tensor - والتي تضمنت بالفعل تطبيقات. وليس فقط أي تطبيقات ، ولكن تطبيقات جيدة بشكل استثنائي ، وتنفيذ سريع لجميع أنواع حيل التعلم العميق.
ولكن بعد ذلك أيضًا على طول الطريق إلى آليات الانتباه هذه التي خرجت من المنشورات السابقة - مثل نموذج الانتباه القابل للتحلل [الذي] الذي تم نشره من قبل - ولكن بعد ذلك تم دمجه في الواقع مع التحسينات والابتكارات والاختراعات حول المحسّنين. لن تجد أشخاصًا ، كما أعتقد ، هم حقًا من بين الخبراء الرائدين في العالم في كل هذه الأمور في وقت واحد والذين هم أيضًا شغوفون أيضًا بكل هذه الجوانب.

فيجاي باندي: وخاصة هناك الفكرة الأولية ، هناك التنفيذ ، هناك توسيع نطاقها. للوصول إلى هذا النوع من المقياس في أي مكان آخر غير شركة كبيرة ، في الوقت الحالي ، ربما لا يتم إجراؤه بشكل عملي فقط بسبب التكلفة.

جاكوب أوسكوريت: أعتقد في الواقع أن جانب الشركة الكبيرة ليس بهذه الأهمية.

فيجاي باندي: بلى؟

جاكوب أوسكوريت: جانب الشركة هو الجانب الذي أقدره أعلى. من المؤكد أن الشركة الكبيرة لا تتأذى إذا كنت بحاجة إلى الآلاف والآلاف من وحدات المعالجة المركزية (TPU) أو وحدات معالجة الرسومات (GPU) أو ما لديك. الجيوب العميقة لا تؤذي هذا النوع من الأشياء. لكن في الوقت نفسه ، أعتقد أن هيكل الحوافز حول هذا النوع من البحث الاستكشافي في الصناعة مناسب بشكل أفضل لمثل هذه الأنواع من المشاريع. وأعتقد أن هذا في الواقع شيء نراه ، بالنظر إلى مشاريع الذكاء الاصطناعي التوليدية في جميع المجالات.

فيجاي باندي: نعم. وإلى وجهة نظرك ، يمكن أن تكون شركة ناشئة.

جاكوب أوسكوريت: يمكن أن تكون بالتأكيد شركة ناشئة. وأعتقد أننا نشهد الآن أن استخدام أجهزة التسريع أصبح على الأقل في متناول الجميع. وهناك شركات ناشئة تتنافس كثيرًا عندما يتعلق الأمر بالذكاء الاصطناعي التوليدي الذي يستهدف إنشاء الصور أو إنشاء النصوص.

القفز إلى علوم الحياة

فيجاي باندي: أود أن أنتقل إلى ما تفعله الآن. أنت الرئيس التنفيذي لشركة Inceptive ، وهي شركة تطبق الذكاء الاصطناعي على بيولوجيا الحمض النووي الريبي من أجل علاجات الحمض النووي الريبي. كيف انتقلت إلى علوم الحياة؟ ظاهريًا ، الحديث عن نماذج اللغة حول العشاء [الطاولة] ثم حول كافيتريا Google ... يبدو أن هذا قد يكون قفزة إلى الجيل التالي من العلاجات. كيف حدث كل هذا؟

جاكوب أوسكوريت: لا يمكن اقبل المزيد. إنها تجربة تعليمية رائعة ، من نهايتي. لفترة طويلة الآن ، صدمتني البيولوجيا كمشكلة حيث لا يبدو أنه من غير المعقول أن تكون هناك حدود إلى أي مدى يمكننا أن نذهب فيما يتعلق ، على سبيل المثال ، بتطوير الأدوية والتصميم المباشر مع علم الأحياء التقليدي باعتباره العمود الفقري لكيفية الشروع في تصميم - أو اكتشاف طرق لتصميم - عقاقير المستقبل.

يبدو أن التعلم العميق ، على وجه الخصوص ، على نطاق واسع ، لمجموعة من الأسباب ، من المحتمل أن يكون أداة مناسبة حقًا هنا. وأحد هذه الأسباب في الواقع هو شيء غالبًا ما لا يتم وصفه بالضرورة على أنه ميزة ، وهي حقيقة أنه هذا الصندوق الأسود الكبير الذي يمكنك رميها على شيء ما. وليس صحيحًا أنه يمكنك رميها. إنه شيء عليك أن تعرف كيف ترميه.

فيجاي باندي: وهي ليست سوداء تمامًا أيضًا. يمكننا الجدال حول ذلك لاحقًا.

جاكوب أوسكوريت: نعم بالضبط. بالضبط. لكن ، في نهاية المطاف ، بالعودة إلى التشابه مع اللغة ، لم ننجح أبدًا في فهم اللغة وتصورها بشكل كامل ، بهذا المعنى ، إلى الحد الذي يمكن أن تدعي ، أوه ، سأذهب الآن وأخبرك هذه النظرية وراء اللغة ، وبعد ذلك ستتمكن من تنفيذ خوارزمية "تفهمها". لم نصل أبدًا إلى هذه النقطة. بدلاً من ذلك ، كان علينا الإجهاض والعودة إلى الوراء ، وفي رأيي ، إلى حد ما ، نعترف لأنفسنا أن هذا ربما لم يكن النهج الأكثر واقعية. بدلاً من ذلك ، يجب أن نجرب الأساليب التي لا تتطلب هذا المستوى من الفهم المفاهيمي. وأعتقد أن الشيء نفسه قد يكون صحيحًا بالنسبة لأجزاء من علم الأحياء.

استخدام الذكاء الاصطناعي لأخذ الحيوية إلى أبعد من ذلك

فيجاي باندي: إنه أمر مثير للاهتمام ، لقد تحدثنا عن أشياء مثل هذه من قبل. تفكر في القرن الماضي ، [الذي كان] إلى حد كبير قرن الفيزياء وحساب التفاضل والتكامل. هناك عقلية معينة حيث توجد طريقة يمكنك من خلالها تبسيط الأشياء بشكل أنيق للغاية بحيث يمكنك الحصول على معادلة واحدة مثل معادلات مجال أينشتاين التي تصف كثيرًا ، وهذه معادلة بسيطة جدًا بلغة معقدة للغاية. لقد تحدثت عن كيف أن نهج فاينمان هذا ، مثل علم اجتماع الفيزياء تقريبًا ، قد لا ينطبق هنا في علم الأحياء ، أليس كذلك؟

جاكوب أوسكوريت: قد لا ينطبق ، على الأقل لسببين أستطيع رؤيته في هذه المرحلة. رقم واحد هو أن هناك الكثير من اللاعبين المشاركين. وعلى الرغم من أنه من الصحيح أنه ربما يمكننا فقط اختزال كل شيء إلى معادلة شرودنجر وحلها فقط ، إلا أنه يحدث أن يكون ، ليس فقط مستعصًا على الحل الحسابي ، ولكن أيضًا علينا أن نعرف كل هؤلاء اللاعبين المختلفين ، ونحن لا نعلم ذلك حاليًا . ولا حتى قريبة. إذن هذا جانب واحد.

والثاني بشكل أساسي هو الاستعصاء الحسابي ، حيث ذهب الاختزال ، بمعنى ما ، إلى حد أنه ، في حين أنه يعيد كل شيء إلى شيء واحد ، فإنه لا يساعدنا لأن مناهجنا الحسابية لاستخدامها بشكل أساسي هذه الأساسيات من أجل عمل تنبؤات هي فقط بطيئة جدًا لجعل تلك التنبؤات للأنظمة كبيرة بما يكفي لتكون مهمة حقًا للحياة.

فيجاي باندي: نعم. لذا فهي ليست معادلة n-body ، ولكن لا يزال هناك شعور بالشكليات - ربما تكون شكليات أكثر اعتمادًا على البيانات أو شكلية أكثر بايزي. كيف يغذي ذلك ما تريد القيام به؟ كيف يغذي ذلك تطبيق الذكاء الاصطناعي وأنواع أخرى من الخوارزميات الجديدة؟

جاكوب أوسكوريت: أعتقد أن هناك جانبين مختلفين. في نهاية اليوم ، من أهم النقاط في رأيي مما نراه حاليًا في الذكاء الاصطناعي التوليدي هو أننا لم نعد مضطرًا إلى التدرب على البيانات التي ليست نظيفة تمامًا فحسب ، بل من المجال أيضًا تحديدًا ومن أنواع المهام التي ترغب في معالجتها لاحقًا. ولكن بدلاً من ذلك ، قد يكون في الواقع أكثر فائدة أو حتى الطريقة الوحيدة التي وجدناها حتى الآن لمحاولة التدريب فعليًا على كل شيء تجده مرتبطًا عن بعد. ثم استخدم المعلومات المستقاة بشكل فعال من تلك البيانات من أجل الحصول على ما يسمى بنماذج الأساس ، والتي يمكنك بعد ذلك ضبطها لجميع أنواع المهام المحددة باستخدام كميات أصغر بكثير وأكثر قابلية للتتبع من البيانات الأنظف.

أعتقد أننا نقلل قليلاً من أهمية ما يجب أن نعرفه عن الظواهر بشكل عام. من أجل بناء نموذج لغوي كبير جدًا ، عليك أن تفهم أن هناك شيئًا يسمى الإنترنت ويحتوي على الكثير من النصوص. عليك أن تفهم القليل جدًا ، في الواقع ، حول كيفية العثور على هذا النص ، وما هو ليس نصًا ، وما إلى ذلك ، من أجل استخلاص بيانات التدريب التي تستخدمها بعد ذلك بشكل أساسي.

أعتقد أنه ستكون هناك تحديات مماثلة بشكل مباشر جدًا حول علم الأحياء. السؤال الكبير هو: ما هي التجارب التي يمكننا قياسها بحيث يمكننا مراقبة الحياة على نطاق كافٍ بدقة كافية - ولكن أقل تحديدًا مع مراعاة المشكلات التي تحاول حلها في النهاية - بحيث يمكننا بشكل أساسي ، نأخذ من تلك البيانات التي نحتاجها من أجل البدء في بناء نماذج الأساس هذه ، والتي يمكننا بعد ذلك استخدامها ، وصقلها وهندستها بشكل خاص ، للتعامل حقًا مع المشكلات التي نريد معالجتها.

جزء توليد البيانات هو بالتأكيد واحد منهم. ستظل البنى والنماذج وبنى الشبكات التي تحاكي ما نعرفه ، على سبيل المثال ، الفيزياء الموجودة تحتها ، طريقة قوية بشكل لا يصدق لتوفير الحوسبة فعليًا وتقليل الشهية الهائلة للبيانات التي يجب أن تمتلكها هذه النماذج ، إلى مستوى ممكن. وهناك شيء واحد أعتقد أنه من المثير للاهتمام أن نلاحظه هو أن الكثير من التطبيقات الحالية للنماذج ، على سبيل المثال المحولات ، التي [وُجدت] تتسع بشكل جيد في الأساليب الأخرى ، والمجالات الأخرى ، واللغة ، والرؤية ، وتوليد الصور ، إلخ ، وما إلى ذلك ، وتطبيقها على علم الأحياء يتجاهل أساسًا حقيقة أننا نعلم أن هناك شيئًا مثل الوقت ، وأن قوانين الفيزياء ، على الأقل وفقًا لمعرفتنا ، لا يبدو أنها تتغير فقط متأخر , بعد فوات الوقت.

إن عملية طي البروتين ، مع تجاهل حقيقة وجود أطنان وأطنان من اللاعبين - المرافقون وغير ذلك - هي في الواقع ، بمعنى ما ، مشكلة منفصلة بشكل تعسفي عن باقي حركيات البروتين. إنها نفس القدر من الخواص الحركية مثل باقي الحركية ، أو ما تبقى من عمر ذلك البروتين ، لهذا الجزيء. فلماذا نحاول تدريب النماذج على وجه التحديد على أحدهما ، وربما على الأقل ، نتجاهل البيانات التي قد تكون لدينا عن الآخر؟ في هذه الحالة ، ربما بشكل أكثر تحديدًا ، هي بعض نماذج التنبؤ ببنية البروتين التي لدينا اليوم ، هل تعلموا بالفعل شيئًا عن الحركية ضمنيًا بسبب حقيقة أنهم بدأوا ببطء في تبني ، كما تعلمون ، وجود الوقت؟

تطوير معماريات جديدة

فيجاي باندي: أحد الأشياء المثيرة للاهتمام التي أفكر بها في المكان الذي تقف فيه الآن هو أنه ، مع بعض الاستثناءات النادرة ، تشعر معظم الشبكات العصبية العميقة أو أنواع أخرى من الذكاء الاصطناعي في علم الأحياء وكأنها تأخذ شيئًا مخترعًا إلى مكان آخر وتحمله. مثل سنستخدم الشبكات العصبية التلافيفية للصور. ربما بالنسبة للجزيئات الصغيرة ... في مختبري في ستانفورد ، استخدمنا الشبكات العصبية البيانية والعديد من الشبكات العصبية التلافيفية. لكن تطوير خوارزمية بشكل صريح للمشكلة البيولوجية أمر نادر جدًا. وقد افترضت دائمًا أن السبب هو أنه من الصعب امتلاك مهارات فريق قوي في مجال البيولوجيا وفي مجال علوم الكمبيوتر. لكنني أشعر بالفضول للحصول على ما تفضله. أم أنه من النادر تطوير معماريات جديدة في المقام الأول؟

جاكوب أوسكوريت: حسنًا ، أعتقد ، في نهاية اليوم ، أن ما نراه هو أن البنى الجديدة ، في حين أنها مدفوعة بمشاكل محددة ، إذا أحدثت فرقًا حقًا ، فإنها تميل أيضًا إلى أن تكون قابلة للتطبيق في مكان آخر. هذا لا يعني ، من ناحية أخرى ، أنه في الطريق إلى هناك ، فإن الاختيار الدقيق للتطبيقات والمجالات المحفزة لن يحدث فرقًا كبيرًا. وأعتقد أنه كذلك بالتأكيد.

أشعر أن أحد التحديات الرئيسية هنا هو أننا لسنا بعد في نظام في علم الأحياء حيث لدينا مجموعات وأعداد كبيرة من البيانات ، على الرغم من أنه ، مقارنة بما اعتدنا عليه منذ فترة ، إنه أمر مذهل. لكننا لسنا في هذا النظام حتى الآن حيث يوجد فقط على ما يعادل الويب ، ويمكننا ترشيحه قليلاً وتنزيله والانتهاء منه. لكن بدلاً من ذلك ، أعتقد أنه يتعين علينا إنشائه إلى حد كبير إلى حد معقول. وهذا لن يتم من قبل خبراء التعلم العميق ، على الأقل ليس من قبل معظمهم.

وأعتقد أن هذا يجب أن يحدث على قدم وساق مع فهم خصائص البيانات المذكورة حقًا ، أليس كذلك؟ أنواع الضوضاء التي تواجهها هناك. حقيقة أن هذه تم إنشاؤها بالفعل في مجموعات كبيرة الحجم ، وتجارب عالية الإنتاجية ، ولكن لا تزال ، تجارب يتم إجراؤها في أيام مختلفة بواسطة مجربين مختلفين وما إلى ذلك. وحيث يعمل الأشخاص الذين لديهم خلفية تعليمية عميقة بشكل وثيق مع الأشخاص ذوي الخلفية البيولوجية ، يتعلمون ما يكفي حول ما نعرفه عن الظواهر الأساسية ، [سيكونون] مصدر إلهام لتجربة أساليب جديدة مثيرة للاهتمام.

فيجاي باندي: حسنًا ، لقد أحببت عندما تحدثت عن مثال فقط على ورقة "الانتباه هو كل ما تحتاجه" ، عن كيفية رغبتك في الحصول على هذه المجموعة المتنوعة من الأشخاص الذين كانت شغفهم ، كما تعلمون ، متعامدة إلى حد ما مع بعضهم البعض. بمعنى ما ، عندما تفعل هذا في علم الأحياء وخاصة فيما تفعله في Inceptive ، عليك أيضًا أن تضع كل هذا العمل في توليد البيانات. وتوليد البيانات يعني حقًا ، وبصراحة شديدة ، إجراء تجارب بيولوجية على نطاق واسع. جزء الإدخال نفسه مكلف للغاية وتقني للغاية ، وكما قلت ، به العديد من الطرق للخطأ. ولكن يبدو أنك تبني على الثقافة التي قمت بها من قبل والآن أصبح الأمر مجرد خبراء أكثر لديهم شغف مختلف ينسقون بطريقة مماثلة.

جاكوب أوسكوريت: أحتاج حقًا ، [و] الناس بحاجة إلى ذلك. هذا ، بقدر ما أستطيع أن أقول ، هو أكثر الطرق الواعدة. [إنه] لا تهدف ، بمعنى معين ، إلى نموذج خط أنابيب ، حيث توجد بيانات معينة في المختبر الذي تم إنشاؤه فيه ، نظرًا لأفضل ما لدينا من معلومات ، حول الجوانب الأساسية للحياة. ثم البدء في تشغيل مناهج التعلم العميق الموجودة عليه ثم تعديلها. ولكن بدلاً من ذلك ، يكون لديك في الواقع أشخاص ، بمعنى ما ، قد يكونون من أوائل الأشخاص الذين يعملون حقًا في تخصص ليس له اسم رائع حتى الآن.

ربما يكون العامل الأقل شيوعًا هو الفضول الذي يتجاوز ما تعرفه ، وما تعلمته من قبل ، وما قد قضيت معظم وقتك في القيام به. نجد أنه تمامًا كما هو الحال في العديد من المجالات الأخرى ، ما نسعى إليه حقًا هو مجموعة من الأشخاص ذوي الخلفيات المتنوعة للغاية ، ولكنهم يشاركوننا الفضول.

إلى أين يتجه الذكاء الاصطناعي؟

فيجاي باندي: في رأيك ، أين يوجد الذكاء الاصطناعي في الوقت الحالي بالنسبة لتلك المشكلات الأكثر صعوبة ، لتصميم الأدوية والرعاية الصحية وما إلى ذلك؟ ما يجب القيام به؟ متى سيصل هناك؟

جاكوب أوسكوريت: أتوقع - ودائمًا ما يكون من الخطير جدًا إجراء تنبؤات حول المستقبل - سأكون مندهشًا جدًا إذا لم نبدأ في الواقع خلال السنوات الثلاث المقبلة في رؤية نقطة [انعطاف] تحدث عندما يتعلق الأمر بتأثيرات العالم الحقيقي التعلم الآلي ، التعلم العميق على نطاق واسع في تطوير الأدوية ، تصميم الأدوية. أين بالضبط سيكونون أولاً ، بالطبع ، أعتقد أن الكثير منهم سيحدث حول RNA وعلاجات RNA واللقاحات. لن تكون هذه بالتأكيد المنطقة الوحيدة المتأثرة بهذا ، لكنني أعتقد بالتأكيد أننا نتجه إلى منطقة نقطة الانقلاب.

فيجاي باندي: لقد أوضحت نقطة مثيرة للاهتمام. ما هو الاختلاف في الحمض النووي الريبي؟ لأنني أعتقد أنه أمر مثير للاهتمام بشكل خاص ، ليس فقط أنك انتقلت من Google Brain إلى علم الأحياء ، ولكنك ذهبت إلى RNA على وجه التحديد. ما الذي يجذبك إلى RNA ، خاصة ربما من وجهة نظر AI أو ML؟

جاكوب أوسكوريت: الشيء الوحيد المثير للاهتمام حول RNA هو الجمع بين ، كما رأينا ، قابلية تطبيق واسعة جدًا - على الرغم من أنها لا تزال ضيقة بمعنى إشارة واحدة - ولكن مجرد النظر إلى هذه الموجة من عمليات الموافقة التي بدأت وبدأت ، من الواضح أن قابلية التطبيق واسعة جدًا جدًا ، مقترنة - وهذا غامض بعض الشيء - مشكلة بسيطة من الناحية الهيكلية. ومن السهل هيكليًا ليس في الجملة أن التنبؤ البنيوي للـ RNA بسيط ، ولكنه بسيط هيكليًا بمعنى أنه بوليمر حيوي بأربع قواعد مختلفة. نحن لا نتحدث عن أكثر من 20 حمض أميني. إنه شيء يمكن إنتاجه بفعالية إلى حد ما.

هناك بعض التحديات ، لكن التركيب شيء يمكن أن يتوسع ويتوسع بسرعة ، وتجتمع هذه الأشياء معًا لتمكين حلقة التغذية الراجعة السريعة التي أعتقد أنه غالبًا ما يتم التلميح إليها ، ولكن نادرًا جدًا ، على الأقل مما أعرف ، تم تنفيذه فعليًا وقابلة للتنفيذ في نهاية اليوم.

فيجاي باندي: نعم ، يمكن القول إنها حلقة ردود فعل أسرع ، خاصة بالنسبة للطريقة التي تتبعها.

جاكوب أوسكوريت: نعم. وبالنظر إلى أنني أعتقد أننا بحاجة إلى إنشاء نصيب الأسد من البيانات لتدريب النماذج التي نقوم بتدريبها ، فإننا نستثمر حقًا Inceptive في إنشاء مثل هذه البيانات على نطاق واسع. وأود أن أقول نطاقًا هائلًا نسبيًا ، بالنظر إلى أن الحمض النووي الريبي يبدو إلى حد بعيد أفضل مزيج عندما يتعلق الأمر بالبساطة الهيكلية ، ولكن أيضًا قابلية التوسع في التوليف وهذه التجربة. هناك إمكانات هائلة هنا لم يتم استغلالها حتى الآن.

فيجاي باندي: نعم ، وأعتقد أنه من المحتمل بشكل خاص القدرة على الحصول على هذه الدورات السريعة ، سواء كانت نوعًا ما قبل السريرية وبالتالي الوصول إلى العيادة بشكل أسرع والتواجد في العيادة [لفترة زمنية أقصر].

جاكوب أوسكوريت: إطلاقا. هذا حقًا ما نأمله. نشهد أيضًا ربما تلميحات مبكرة تشير إلى أنه قد يكون هذا هو الحال وأننا بالطبع متحمسون حقًا.

فيجاي باندي: لقد كان التفكير في السنوات العشر الماضية مذهلاً ، كما تعلمون ، من 10 إلى الآن. كيف ستبدو السنوات العشر القادمة في رأيك؟ في رأيك ، أين نحن بعد 2012 سنوات من الآن مع الذكاء الاصطناعي؟ على نطاق واسع أو بشكل خاص للسيرة الذاتية؟

جاكوب أوسكوريت: أعتقد أنه إذا كان صحيحًا حقًا أننا ندخل منطقة نقطة الانقلاب هذه ، فعندما ننظر إلى الوراء بعد 10 سنوات من الآن ، ستبدو ثورة على الأقل كبيرة وواسعة مثل تلك التي نعتقد أننا رأيناها في العشر سنوات الماضية. على أقل تقدير. الآن أعتقد أنه سيكون هناك اختلاف جوهري ، وهو أنه ليس من الواضح تمامًا مدى اتساع تأثير الثورة التي شهدناها في السنوات العشر الماضية على حياة الجميع. هناك مناطق معينة أو محركات بحث أو كتابة مساعدة ، وما إلى ذلك ، حيث يكون ذلك واضحًا ، لكن ليس من الواضح مدى قابلية تطبيق هذه الثورة على نطاق واسع. أعتقد أن الأمر كذلك للغاية ، لكننا لا نراه بعد. أعتقد أن الثورة التي سنشهدها على وجه التحديد حول السيرة الذاتية على مدار السنوات العشر القادمة ، أو أننا سننظر إلى الوراء بعد 10 سنوات من الآن ، ستختلف حقًا من حيث تأثيرها العميق على حياتنا كلها .

حتى لو تركنا تصميم الأدوية وتطبيقات الاكتشاف جانبًا ، فهناك تطبيقات مذهلة في الاكتشافات العلمية وحولها حيث يمكنك الآن تخيل أنه مع واجهة الويب ، يمكنك أساسًا الحصول على جزيئات مصممة بحيث تكون في كائنات معينة ذات احتمالية عالية جدًا أجب عن أسئلة معينة ، مما ينتج عنه قراءات أكثر موثوقية من ، كما تعلم ، ما كان يمكن أن تحصل عليه سابقًا. لذا حتى مجرد استبعاد نوع التعقيد الكامل لكيفية تأثير ذلك ، في النهاية ، على المرضى والجميع ، فمن الواضح تمامًا ، على ما أعتقد ، أن هذه الأدوات ستسرع مجالات مثل علم الأحياء بسرعة.

فيجاي باندي: يبدو أن هذا مكان رائع لإنهائه. شكرًا جزيلاً لك ، جاكوب ، على انضمامك إلى Bio Eats World.

جاكوب أوسكوريت: شكرا جزيلا لاستضافتي لك.

أوليفيا ويب: شكرًا لك على الانضمام إلى Bio Eats World. استضافتُ Bio Eats World وأنتجتها أنا ، أوليفيا ويب ، بمساعدة فريق Bio + Health في a16z وتحريره Phil Hegseth. تعد Bio Eats World جزءًا من شبكة بودكاست a16z.

إذا كانت لديك أسئلة حول الحلقة أو تريد اقتراح مواضيع لحلقة مقبلة ، يرجى إرسال بريد إلكتروني [البريد الإلكتروني محمي] أخيرًا وليس آخرًا ، إذا كنت تستمتع بـ Bio Eats World ، فالرجاء ترك لنا تقييمًا ومراجعة أينما كنت تستمع إلى البودكاست.

يرجى ملاحظة أن المحتوى هنا لأغراض إعلامية فقط ، لا ينبغي اعتباره نصيحة قانونية أو تجارية أو ضريبية أو استثمارية ، أو استخدامه لتقييم أي استثمار أو ورقة مالية ، ولا يتم توجيهه إلى أي مستثمرين أو مستثمرين محتملين في أي صندوق a16z . لمزيد من التفاصيل ، يرجى الاطلاع على a16z.com/disclosures.

***

الآراء المعبر عنها هنا هي آراء أفراد AH Capital Management، LLC ("a16z") المقتبس منهم وليست آراء a16z أو الشركات التابعة لها. تم الحصول على بعض المعلومات الواردة هنا من مصادر خارجية ، بما في ذلك من شركات محافظ الصناديق التي تديرها a16z. على الرغم من أنه مأخوذ من مصادر يُعتقد أنها موثوقة ، لم تتحقق a16z بشكل مستقل من هذه المعلومات ولا تقدم أي تعهدات حول الدقة الدائمة للمعلومات أو ملاءمتها لموقف معين. بالإضافة إلى ذلك ، قد يتضمن هذا المحتوى إعلانات جهات خارجية ؛ لم تقم a16z بمراجعة مثل هذه الإعلانات ولا تصادق على أي محتوى إعلاني وارد فيها.

يتم توفير هذا المحتوى لأغراض إعلامية فقط ، ولا ينبغي الاعتماد عليه كمشورة قانونية أو تجارية أو استثمارية أو ضريبية. يجب عليك استشارة مستشاريك بخصوص هذه الأمور. الإشارات إلى أي أوراق مالية أو أصول رقمية هي لأغراض توضيحية فقط ، ولا تشكل توصية استثمارية أو عرضًا لتقديم خدمات استشارية استثمارية. علاوة على ذلك ، هذا المحتوى غير موجه أو مخصص للاستخدام من قبل أي مستثمرين أو مستثمرين محتملين ، ولا يجوز الاعتماد عليه تحت أي ظرف من الظروف عند اتخاذ قرار بالاستثمار في أي صندوق تديره a16z. (سيتم تقديم عرض للاستثمار في صندوق a16z فقط من خلال مذكرة الاكتتاب الخاص واتفاقية الاشتراك والوثائق الأخرى ذات الصلة لأي صندوق من هذا القبيل ويجب قراءتها بالكامل.) أي استثمارات أو شركات محفظة مذكورة ، يشار إليها ، أو الموصوفة لا تمثل جميع الاستثمارات في السيارات التي تديرها a16z ، ولا يمكن أن يكون هناك ضمان بأن الاستثمارات ستكون مربحة أو أن الاستثمارات الأخرى التي تتم في المستقبل سيكون لها خصائص أو نتائج مماثلة. قائمة الاستثمارات التي أجرتها الصناديق التي يديرها Andreessen Horowitz (باستثناء الاستثمارات التي لم يمنحها المُصدر إذنًا لـ a16z للإفصاح علنًا عن الاستثمارات غير المعلنة في الأصول الرقمية المتداولة علنًا) على https://a16z.com/investments /.

الرسوم البيانية والرسوم البيانية المقدمة في الداخل هي لأغراض إعلامية فقط ولا ينبغي الاعتماد عليها عند اتخاذ أي قرار استثماري. الأداء السابق ليس مؤشرا على النتائج المستقبلية. المحتوى يتحدث فقط اعتبارًا من التاريخ المشار إليه. أي توقعات وتقديرات وتنبؤات وأهداف وآفاق و / أو آراء معبر عنها في هذه المواد عرضة للتغيير دون إشعار وقد تختلف أو تتعارض مع الآراء التي يعبر عنها الآخرون. يرجى الاطلاع على https://a16z.com/disclosures للحصول على معلومات إضافية مهمة.

• محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
• بلاتوبلوكشين. Web3 Metaverse Intelligence. تضخيم المعرفة. الوصول هنا.
• المصدر https://a16z.com/2023/01/11/bio-eats-world-using-ai-to-take-bio-farther/