فرانسوا شوله؛ معمار کراس، دانشمند و محقق ارشد هوش‌مصنوعی

کیه و از کجا اومده؟

خب، بریم سراغ اطلاعات پایه‌ای. فرانسوا شوله متولد ۲۰ اکتبر ۱۹۸۹ و ملیتش فرانسویه. تحصیلاتش رو در دانشگاه ENSTA Paris که یکی از مدرسه‌های زیرمجموعه انستیتو پلی‌تکنیک پاریس به حساب میاد، گذرونده و در سال ۲۰۱۲ با مدرک Diplôme d’Ingénieur که معادل فوق لیسانس مهندسی (Master of Engineering) هست، فارغ‌التحصیل شده. این نشون میده که پایه‌های علمی و مهندسی محکمی داره. فعالیت حرفه‌ای جدی اون از همون سال ۲۰۱۲ شروع شده و تا امروز ادامه داره.

رشته تخصصی شوله هوش مصنوعیه و بیشتر تحقیقاتش روی چندتا حوزه خاص متمرکز شده. یکی از این حوزه‌ها «بینایی کامپیوتر» (computer vision) هست، یعنی یاد دادن به کامپیوترها که چطوری دنیا رو مثل ما ببینن و تحلیل کنن. حوزه بعدی، استفاده از یادگیری ماشین برای «استدلال صوری» (formal reasoning) هست. این یعنی کامپیوترها بتونن مثل انسان‌ها منطقی فکر کنن و نتیجه‌گیری کنن. موضوع دیگه مورد علاقش «انتزاع» (abstraction) هست، یعنی توانایی درک مفاهیم کلی به جای گیر کردن تو جزئیات. و در نهایت، یکی از بزرگترین دغدغه‌های شوله اینه که چطوری میشه به «عمومیت بیشتر» در هوش مصنوعی رسید، چیزی که ما رو به سمت هوش مصنوعی عمومی یا همون AGI میبره.

پس از همون اول مشخصه که دیدگاهش فراتر از ساختن مدل‌های هوش مصنوعی معمولیه و به دنبال رسیدن به سطح بالاتری از هوشمندی در ماشین‌هاست.

خلق «کِراس»: ابزاری که کار رو برای همه راحت کرد

شاید بزرگترین و شناخته‌شده‌ترین کار فرانسوا شوله، ساختن کتابخونه یادگیری عمیق کِراس (Keras) باشه. این کتابخونه در سال ۲۰۱۵ منتشر شد و خیلی سریع تونست جای خودشو بین توسعه‌دهنده‌ها و محقق‌ها باز کنه. اما اصلا چرا شوله به فکر ساختن همچین چیزی افتاد؟

توی یه مصاحبه، خودش توضیح داده که در واقع کِراس رو برای استفاده شخصی خودش شروع کرده. اون موقع یعنی حدود سال ۲۰۱۵، داشت روی تحقیقات پردازش زبان طبیعی تو وقت آزادش کار میکرد و دنبال یه ابزار خوب برای کار با شبکه‌های عصبی بازگشتی یا همون RNN‌ها بود. الگوریتم LSTM که الان دیگه همه جا اسمش شنیده میشه، اون زمان هنوز خیلی شناخته شده نبود، اما کم کم داشت توجه‌ها رو به خودش جلب میکرد. مشکل اینجا بود که هیچ پیاده‌سازی متن‌باز و قابل استفاده‌ای از LSTM وجود نداشت.

شوله تصمیم گرفت خودش دست به کار بشه و با استفاده از کتابخونه Theano که یک سالی بود باهاش کار میکرد، یه نسخه از LSTM رو پیاده‌سازی کنه. بعد از اون، شروع کرد به ساختن لایه‌های بیشتر و کم کم این پروژه شخصی تبدیل شد به یه فریمورک کامل. اسمش رو گذاشت کِراس، متن‌بازش کرد و از اونجا بود که رشدش شروع شد.

چی کِراس رو متفاوت میکرد؟

شوله میگه چندتا دلیل باعث شد کِراس در زمان خودش متفاوت باشه و مورد استقبال قرار بگیره:

۱. دسترسی راحت و سادگی استفاده: در مقایسه با گزینه‌های دیگه‌ای که اون موقع وجود داشت، کِراس خیلی ساده‌تر و قابل فهم‌تر بود. این ویژگی باعث شد نه تنها متخصص‌ها، بلکه افراد تازه‌کار هم بتونن خیلی سریع باهاش کار کنن.

۲. پشتیبانی همزمان از RNN و ConvNet: کِراس اولین فریمورکی بود که هم از شبکه‌های عصبی بازگشتی (مناسب برای داده‌های ترتیبی مثل متن) و هم از شبکه‌های عصبی پیچشی یا کانولوشنی (مناسب برای داده‌های تصویری) پشتیبانی میکرد. این یه مزیت بزرگ بود.

۳. تعریف مدل با کد پایتون: قبل از کِراس، رویکرد رایج این بود که مدل‌ها رو از طریق فایل‌های پیکربندی یا کانفیگ تعریف میکردن (مثل فریمورک‌های Caffe و PyLearn2). اما کِراس این اجازه رو به کاربر میداد که مدلش رو مستقیما با کد پایتون بنویسه که این کار انعطاف‌پذیری و خوانایی رو خیلی بالا میبرد.

این سادگی و قدرت باعث شد کِراس به سرعت محبوب بشه. شوله خودش میگه که انتظار نداشت این پروژه انقدر بزرگ بشه. فکر میکرد شاید تو جامعه کوچیک چند هزار نفری که اون زمان با یادگیری عمیق کار میکردن، یه سروصدایی بکنه، اما هیچکس پیش‌بینی نمیکرد که یادگیری عمیق در سال‌های بعد انقدر فراگیر بشه.

تأثیر کِراس بر صنعت

محبوبیت کِراس به جایی رسید که بزرگترین شرکت‌های تکنولوژی دنیا ازش استفاده کردن. بر اساس اطلاعاتی که خود شوله منتشر کرده، تقریبا تمام سیستم‌های پیشنهادگر (recommender system) بزرگ در صنعت روی کِراس ساخته شدن. اسم‌های بزرگی مثل یوتیوب، تیک‌تاک، اسپاتیفای، اسنپ، ایکس (توییتر سابق) و خیلی‌های دیگه مثل Grubhub از این کتابخونه استفاده میکنن. حتی تیک‌تاک فریمورک سیستم پیشنهادگر خودش به اسم Monolith رو متن‌باز کرده و مشخص شده که این فریمورک هم از کِراس استفاده میکنه. این نشون میده که کِراس فقط یه ابزار تحقیقاتی نیست، بلکه در مقیاس صنعتی و برای محصولات واقعی هم کاملا جواب داده.

کِراس ۳.۰: یک گام بزرگ رو به جلو

در ادامه مسیر توسعه، نسخه ۳.۰ کِراس هم منتشر شد که یه جهش بزرگ به حساب میاد. این نسخه چندتا ویژگی خیلی مهم داره:

• اجرا روی بک‌اندهای مختلف: با کِراس ۳.۰ میشه کد رو روی JAX، TensorFlow و PyTorch اجرا کرد. این یعنی توسعه‌دهنده میتونه از قدرت هر کدوم از این فریمورک‌ها که بخواد استفاده کنه، بدون اینکه نیازی به تغییر کد کِراسش داشته باشه.
• سرعت بالاتر با کامپایل XLA: این نسخه از کامپایل XLA پشتیبانی میکنه که باعث میشه آموزش مدل‌ها سریع‌تر انجام بشه.
• توزیع‌پذیری بهتر: با API توزیع جدید کِراس، میشه مدل‌ها رو روی هر تعداد دستگاه و هاست که بخوایم آموزش بدیم.

این نسخه جدید نشون میده که کِراس همچنان در حال تکامله و سعی میکنه خودش رو با جدیدترین نیازهای دنیای هوش مصنوعی هماهنگ کنه.

۹ سال در گوگل: از کِراس تا تحقیقات پیشرفته

در سال ۲۰۱۵، کمی بعد از اینکه شوله کتابخونه کِراس رو منتشر کرد، به گوگل پیوست. اون به مدت بیش از ۹ سال در این شرکت به عنوان مهندس ارشد کارکنان (Senior Staff Engineer) کار کرد و در نوامبر ۲۰۲۴ از این شرکت جدا شد. این دوره طولانی در گوگل، فرصت‌های زیادی رو برای تحقیق و توسعه در اختیارش گذاشت.

یکی از اتفاقات مهم در این دوره، ادغام کِراس با تنسورفلو (TensorFlow)، فریمورک یادگیری عمیق خود گوگل، بود. شوله در مصاحبه‌ای توضیح میده که تنسورفلو همیشه یه فریمورک خیلی قدرتمند بوده، اما از نظر سادگی استفاده و داشتن یه API تمیز و سرراست، مشکلاتی داشته. برای حل این مشکلات در نسخه TensorFlow 2.0، دو تا تغییر اساسی ایجاد شد: یکی اجرای eager (eager execution) که کدنویسی رو شبیه به پایتون معمولی و راحت‌تر میکنه، و دومی، تبدیل کردن کِراس به API پیش‌فرض تنسورفلو.

این تصمیم باعث شد که تنسورفلو برای طیف وسیعی از کاربران، از محقق‌ها گرفته تا توسعه‌دهنده‌هایی که میخوان محصول نهایی بسازن، خیلی کاربردی‌تر و لذت‌بخش‌تر بشه. در واقع، سادگی و قدرت کِراس به قلب تنسورفلو تزریق شد.

شوله در طول حضورش در گوگل، نه تنها روی کِراس کار کرد، بلکه تحقیقاتش رو در زمینه‌های مختلف هوش مصنوعی هم ادامه داد. مقالات علمی زیادی از اون در کنفرانس‌های مهم این حوزه مثل CVPR (کنفرانس بینایی کامپیوتر و بازشناسی الگو)، NeurIPS (کنفرانس سیستم‌های پردازش اطلاعات عصبی) و ICLR (کنفرانس بین‌المللی بازنمایی‌های یادگیری) منتشر شده.

یکی از مهم‌ترین مقالاتش، مقاله‌ایه به اسم «Xception: Deep Learning with Depthwise Separable Convolutions». این مقاله به قدری تاثیرگذار بوده که با بیش از ۱۸,۰۰۰ بار استناد (citation)، جزو ده مقاله پر استناد در مجموعه مقالات کنفرانس CVPR قرار گرفته. این نشون دهنده عمق تاثیرگذاری تحقیقات اون در جامعه علمیه.

همچنین، شوله در کنار کارهای فنی و تحقیقاتی، به نوشتن کتاب هم پرداخته. کتاب «Deep Learning with Python» (یادگیری عمیق با پایتون) که توسط انتشارات Manning منتشر شده، یکی از محبوب‌ترین کتاب‌ها برای شروع یادگیری عمیق به حساب میاد و بیش از ۱۰۰,۰۰۰ نسخه از اون به فروش رفته. نسخه دوم این کتاب هم در سال ۲۰۲۱ منتشر شد که مطالبش به‌روز شده و گسترش پیدا کرده. توی این کتاب، شوله با توضیحات ساده و مثال‌های عملی، مفاهیم پیچیده یادگیری عمیق رو برای تازه‌کارها و حتی افراد باتجربه باز میکنه.

اون همچنین با همکاری جوزف جی. آلر (Joseph J. Allaire)، کتاب دیگه‌ای به اسم «Deep Learning With R» رو هم نوشته که برای علاقه‌مندان به زبان برنامه‌نویسی R طراحی شده.

دوران حضور شوله در گوگل، دورانی پر از دستاورد بود که هم به بلوغ کِراس کمک کرد و هم به پیشبرد تحقیقات بنیادی در هوش مصنوعی.

دغدغه هوش مصنوعی عمومی (AGI) و چالش ARC

یکی از اصلی‌ترین دغدغه‌های فرانسوا شوله، فراتر رفتن از مدل‌های هوش مصنوعی امروزی و رسیدن به هوش مصنوعی عمومی (AGI) هست. AGI به هوشی گفته میشه که بتونه هر کار فکری که یه انسان میتونه انجام بده رو با موفقیت انجام بده. این هدف نهایی خیلی از محقق‌ها و شرکت‌های بزرگ مثل OpenAI هست.

شوله معتقده که سیستم‌های هوش مصنوعی فعلی، با وجود تمام پیشرفت‌ها، یه محدودیت بزرگ دارن. اون در یکی از نوشته‌هاش در سال ۲۰۱۷ میگه: «مدل‌های ما فقط میتونن تعمیم محلی (local generalization) انجام بدن، یعنی خودشون رو با شرایط جدیدی وفق بدن که خیلی به داده‌های قبلی نزدیکه. در حالی که شناخت انسان قادر به تعمیم شدید (extreme generalization) هست و میتونه به سرعت با شرایط کاملا جدید سازگار بشه یا برای آینده بلندمدت برنامه‌ریزی کنه.»

برای اینکه این مشکل رو بهتر بفهمیم و راهی برای سنجش پیشرفت به سمت AGI پیدا کنیم، شوله در سال ۲۰۱۹ یک بنچمارک یا معیار ارزیابی به اسم ARC-AGI رو معرفی کرد. ARC مخفف Abstraction and Reasoning Corpus هست. این بنچمارک طراحی شده تا توانایی سیستم‌های هوش مصنوعی رو در حل مسائل استدلالی جدید که قبلا ندیدن، اندازه بگیره. یعنی به جای اینکه فقط توانایی مدل در تشخیص الگوهای تکراری رو بسنجه، قدرت واقعی استدلال و انطباق‌پذیریش رو به چالش میکشه.

جایزه یک میلیون دلاری ARC Prize

برای اینکه تحقیقات در این زمینه رو تشویق و تسریع کنه، شوله در سال ۲۰۲۴ یک رقابت یک میلیون دلاری به اسم ARC Prize رو راه‌اندازی کرد. هدف این رقابت اینه که تیم‌ها و محقق‌ها از سراسر دنیا برای حل کردن بنچمارک ARC-AGI با هم رقابت کنن. این جایزه بزرگ، انگیزه زیادی برای تمرکز روی این مسئله بنیادی ایجاد کرده.

این تلاش‌ها به همینجا ختم نشد. در اوایل سال ۲۰۲۵، شوله اعلام کرد که ARC Prize قراره به یک بنیاد غیرانتفاعی کامل تبدیل بشه. هدف این بنیاد، هدایت و سرعت بخشیدن به پیشرفت تحقیقات به سمت هوش مصنوعی عمومیه. این نشون میده که شوله یک چشم‌انداز بلندمدت برای این حوزه داره و فقط به برگزاری یک مسابقه فکر نمیکنه.

حتی شرکت‌های بزرگ هم به این بنچمارک توجه نشون دادن. برای مثال، وقتی OpenAI مدل نسل بعدی استدلال خودش یعنی o3 رو معرفی کرد، با شوله همکاری کردن تا این مدل رو روی بنچمارک ARC-AGI تست کنن. نتایج نشون داد که این مدل تونسته به امتیاز ۷۵.۷ درصد در حالت محاسباتی پایین (با هزینه ۲۰ دلار برای هر تسک) برسه، که به عنوان یک پیشرفت قابل توجه در توانایی هوش مصنوعی برای انطباق با وظایف جدید دیده شد.

این تلاش‌ها نشون میده که شوله معتقده مسیر رسیدن به AGI از حل کردن چالش‌های بنیادی استدلال و انتزاع میگذره، نه فقط بزرگتر کردن مدل‌های فعلی.

فلسفه و دیدگاه‌های شوله در مورد هوش مصنوعی و تکنولوژی

فرانسوا شوله فقط یه مهندس و محقق نیست، بلکه دیدگاه‌های جالبی هم در مورد آینده هوش مصنوعی، اخلاقیات و حتی مسائل اجتماعی مرتبط با تکنولوژی داره. این دیدگاه‌ها رو میشه از مصاحبه‌ها، نوشته‌ها و پست‌های اجتماعیش فهمید.

آینده هوش مصنوعی: ترکیبی از دو دنیا

شوله در سال ۲۰۱۷ پیش‌بینی کرده که آینده هوش مصنوعی به سمت یک سیستم ترکیبی حرکت میکنه. اون میگه ما از این حالت که یک طرف «هوش الگوریتمی کدنویسی شده» (نرم‌افزارهای سنتی) و در طرف دیگه «هوش هندسی یادگرفته شده» (یادگیری عمیق) رو داریم، فاصله میگیریم. به جای اون، ترکیبی از ماژول‌های الگوریتمی صوری که قابلیت استدلال و انتزاع دارن، با ماژول‌های هندسی که شهود غیررسمی و توانایی تشخیص الگو رو فراهم میکنن، خواهیم داشت. نکته مهم اینه که کل این سیستم با دخالت کم یا بدون دخالت انسان یاد گرفته میشه.

انفجار هوش: یک سوءتفاهم بزرگ

ایده «انفجار هوش» (intelligence explosion) که میگه یه هوش مصنوعی فوق هوشمند میتونه به سرعت خودش رو بهبود بده و از کنترل خارج بشه، یکی از بحث‌های داغ تو این حوزه هست. اما شوله با این ایده مخالفه. اون در سال ۲۰۱۷ نوشته که این مفهوم از «یک سوءتفاهم عمیق هم در مورد ماهیت هوش و هم در مورد رفتار سیستم‌های بازگشتی خودافزاینده» ناشی میشه. این نشون میده که اون دیدگاه محتاطانه‌تر و شاید واقع‌بینانه‌تری نسبت به خطرات آخرالزمانی هوش مصنوعی داره.

ماشین لرنینگ: هم بزرگنمایی شده و هم دست کم گرفته شده

وقتی ازش پرسیده شد که آیا یادگیری ماشین بیش از حد بزرگنمایی شده (overhyped)، جواب جالبی داده. اون معتقده که یادگیری ماشین به نوعی همزمان هم بزرگنمایی شده و هم دست کم گرفته شده.

از یک طرف، مردم هوش و قدرت تعمیم سیستم‌های فعلی رو خیلی دست بالا میگیرن و فکر میکنن یادگیری ماشین مثل یه چوب جادوییه که هر مشکلی رو حل میکنه. شوله میگه این کاملا اشتباهه، چون هوش واقعی خیلی کمی در الگوریتم‌های ما وجود داره و دامنه کاربردشون هم خیلی محدوده.

اما از طرف دیگه، اکثر مردم هنوز دست کم میگیرن که با همین سیستم‌های نسبتا ساده‌ای که امروز داریم، چقدر کارها میشه انجام داد، اگه به طور سیستماتیک برای حل هر مشکلی که میتونن حل کنن، به کار گرفته بشن. اون یادگیری ماشین رو به «قدرت بخار در دوران خودش» تشبیه میکنه: یه مکانیزم نسبتا ساده که وقتی در مقیاس بزرگ استفاده بشه، پتانسیل تغییر عمیق دنیا رو داره.

اخلاقیات و مسئولیت ما

شوله به جنبه‌های اخلاقی هوش مصنوعی هم توجه داره و معتقده که مسئولیت بزرگی روی دوش ماست. اون در سال ۲۰۱۶ نوشته: «اینطور نیست که هر انقلاب تکنولوژیکی لزوما برای بشریت یک نتیجه مثبت خالص داشته باشه… این مسئولیت ماست که مطمئن بشیم این انقلاب جدید به درستی پیش میره.»

در مورد مسائل اخلاقی خاص در یادگیری ماشین، اون دیگران رو به کارهای افرادی مثل کیت کرافورد (Kate Crawford) و مردیت ویتاکر (Meredith Whittaker) ارجاع میده و معتقده که هر کسی که به این موضوعات علاقه داره باید کارهای اونها رو دنبال کنه.

توصیه برای تازه‌کارها

شوله برای کسایی که تازه میخوان وارد این حوزه بشن و شاید از حجم زیاد اطلاعات سردرگم شدن، توصیه‌های جالبی داره:

• رویاهاتون رو به معیارهای خارجی گره نزنید: اون میگه نباید رویاهاتون رو به چیزهایی مثل کار کردن در یه شرکت بزرگ خاص، درآوردن یه مقدار پول مشخص، یا رسیدن به یه عنوان شغلی خاص گره بزنید. به جاش، ببینید ارزش‌های شما در زندگی چیه و به اونها پایبند بمونید.
• مدرک دکترا لزوما بهترین راه نیست: شوله معتقده برای مشارکت معنادار در این حوزه، حتما به سطح مشخصی از تخصص نیاز دارید، اما این تخصص رو میشه بدون گرفتن مدرک دکترا هم به دست آورد. اون میگه بهترین راه برای کسب تخصص، مسیریه که به شما اجازه رشد سریع و بدون محدودیت بده و این معمولا با کار کردن روی پروژه‌های متنوع در محیط تیمی و تحت نظارت افراد متخصص به دست میاد، چیزی که برنامه‌های دکترای معمولی اغلب فراهم نمیکنن.
• نگران منابع سخت‌افزاری نباشید: این باور وجود داره که برای کارهای بزرگ در یادگیری عمیق به منابع محاسباتی عظیم نیاز هست. شوله میگه درسته که بعضی مسائل به منابع در مقیاس صنعتی نیاز دارن، اما مسائل زیادی هم هستن که با یه GPU میشه در اونها پیشرفت قابل توجهی کرد. از نظر اون، چیزی که الان جلوی تحقیقات هوش مصنوعی رو گرفته، کمبود سخت‌افزار نیست، بلکه «کمبود تنوع فکری» هست.
• روی سوالات بزرگ تمرکز کنید: به تازه‌کارها میگه: «تا ۱۰ سال دیگه میتونید یه کتاب درسی بخرید که تمام پیشرفت‌های هوش مصنوعی از ۲۰۱۰ تا ۲۰۲۰ رو به طور خلاصه توضیح داده. سیلی از محتوایی که امروز منتشر میشه شاید مهم به نظر برسه، اما بیشترش سر و صدای بیخوده. روی سوالات بزرگ تمرکز کنید.»

این دیدگاه‌ها نشون میده که شوله فقط یه کدنویس یا محقق صرف نیست، بلکه یه متفکر عمیق در مورد تکنولوژی و تاثیراتش بر جامعه هست.

فصل جدید: استارتاپ Ndea و مسیری متفاوت به سوی AGI

بعد از بیش از ۹ سال کار در گوگل، فرانسوا شوله در نوامبر ۲۰۲۴ این شرکت رو ترک کرد تا فصل جدیدی از زندگی حرفه‌ایش رو شروع کنه. اون به همراه مایک نوپ (Mike Knoop)، یکی از بنیانگذاران شرکت Zapier، یک استارتاپ جدید به اسم Ndea رو تاسیس کرد. هدف این استارتاپ خیلی بزرگه: «توسعه و عملیاتی کردن هوش مصنوعی عمومی (AGI)».

مایک نوپ هم برای اینکه تمام تمرکزش رو روی Ndea بذاره، از کارهای روزمره‌اش در Zapier کناره‌گیری کرده، اما همچنان عضو هیئت مدیره اون شرکت باقی مونده.

یک مسیر متفاوت برای ساخت AGI

شوله در پست‌هایی در شبکه اجتماعی ایکس (X) توضیح داده که Ndea قراره یک مسیر متفاوت رو برای رسیدن به AGI امتحان کنه. اون نوشته: «ما روی یک مسیر متفاوت برای ساختن هوش مصنوعی‌ای که قادر به اختراع، انطباق و نوآوری واقعی باشه، شرط‌بندی میکنیم.» اون معتقده که تیمش «یک شانس کوچک اما واقعی برای رسیدن به یک پیشرفت بزرگ» داره؛ یعنی ساختن هوش مصنوعی‌ای که بتونه حداقل به اندازه انسان‌ها به طور کارآمد یاد بگیره و در طول زمان بدون هیچ محدودیتی به بهبود خودش ادامه بده.

برنامه‌نویسی ترکیبی (Program Synthesis): کلید حل معما

تکنیک اصلی که Ndea قراره ازش استفاده کنه، «برنامه‌نویسی ترکیبی» (program synthesis) به همراه رویکردهای فنی دیگه‌ست. این تکنیک به هوش مصنوعی اجازه میده تا از روی فقط چندتا مثال، مسائل جدیدی رو که قبلا ندیده، تعمیم بده و حل کنه. شوله فکر میکنه که برنامه‌نویسی ترکیبی میتونه به غلبه بر سرسخت‌ترین مشکلات در تحقیقات هوش مصنوعی کمک کنه.

البته این تکنیک به طور سنتی خیلی به قدرت محاسباتی بالایی نیاز داره. اما شوله معتقده که این محدودیت قابل حله و با حل کردنش، میشه پیشرفت علمی رو تسریع کرد. اون در وبلاگ Ndea نوشته: «ما تنها کسانی نیستیم که پتانسیل برنامه‌نویسی ترکیبی رو تشخیص دادیم – این تکنیکیه که هر آزمایشگاه هوش مصنوعی پیشرویی الان داره شروع به کشفش میکنه. ما در اوج یک لحظه حیاتی در تاریخ علم قرار داریم و دنیا سزاوار هر تلاش مستقیم و منحصربه‌فرد ممکنی برای ساختن AGI هست.»

مایک نوپ هم هیجان خودش رو اینطور بیان کرده: «ما داریم برترین تیم برنامه‌نویسی ترکیبی دنیا رو جمع میکنیم… اما هیجان‌انگیزتر از اون، شانسیه که به طور استعاری به آینده سفر کنیم: چیزهایی رو یاد بگیریم، اختراع کنیم و کشف کنیم که به طور طبیعی برای دهه‌ها یا حتی قرن‌ها اتفاق نمی‌افتادن.»

یک روند رو به رشد: خروج از شرکت‌های بزرگ

حرکت شوله برای تاسیس یک آزمایشگاه هوش مصنوعی مستقل، بخشی از یک روند بزرگتره. خیلی از محققان برجسته هوش مصنوعی دارن شرکت‌های بزرگ تکنولوژی (Big Tech) رو ترک میکنن تا آزمایشگاه‌های مستقل خودشون رو راه بندازن. برای مثال، ایلیا سوتسکور (Ilya Sutskever)، دانشمند ارشد و یکی از بنیانگذاران سابق OpenAI، شرکتی به اسم Safe Superintelligence رو تاسیس کرده. یا فی‌فی لی (Fei-Fei Li)، یکی از همکاران سابق شوله در گوگل، شرکتی به اسم World Labs رو راه انداخته.

این نشون میده که شاید بهترین ایده‌ها برای آینده هوش مصنوعی، لزوما از دل شرکت‌های غول‌پیکر بیرون نیاد و این آزمایشگاه‌های کوچیک و متمرکز، شانس زیادی برای ایجاد تحولات بزرگ دارن. Ndea هم یکی از همین تلاش‌های جسورانه برای شکل دادن به آینده هوش مصنوعیه. هرچند هنوز مشخص نیست که این استارتاپ سرمایه‌ای جذب کرده یا نه، اما شروع به استخدام برای موقعیت‌های تحقیقاتی از راه دور کرده که نشون میده حداقل پشتوانه مالی لازم برای شروع کار رو داره.

دستاوردها، جوایز و جنبه‌های شخصی

در کنار کارهای فنی و تحقیقاتی، فرانسوا شوله به خاطر تاثیرگذاریش در دنیای هوش مصنوعی، مورد تقدیر هم قرار گرفته.

جوایز و افتخارات

• در اول دسامبر ۲۰۲۱، شوله به خاطر پیشرفت‌های چشمگیرش در هوش مصنوعی، برنده جایزه جهانی هوش مصنوعی سوئیس (Global Swiss AI Award) شد.
• در سپتامبر ۲۰۲۴، مجله معتبر TIME، اسم اون رو در لیست ۱۰۰ فرد تاثیرگذار در حوزه هوش مصنوعی (TIME100 AI) قرار داد.

این جوایز نشون میده که کارها و ایده‌های اون نه تنها در جامعه فنی، بلکه در سطح جهانی هم دیده شده و مورد توجه قرار گرفته.

پروژه‌های قدیمی‌تر

قبل از اینکه کِراس رو بسازه، شوله روی پروژه‌های دیگه‌ای هم کار کرده بود. یکی از این پروژه‌ها که در وب‌سایت شخصیش بهش اشاره کرده، QuickAnswers نام داشت که در سال ۲۰۱۴ ساخته بود. این پروژه یک موتور پرسش و پاسخ آنلاین و سیستم گفتگو بود که از نظر تجربه کاربری، شباهت‌هایی به ChatGPT داشته.

جالبه که این سیستم از تکنیکی استفاده میکرد که بعدها به اسم RAG (Retrieval-Augmented Generation) معروف شد. روش کارش اینطوری بود که وقتی یه سوال ازش پرسیده میشد، اون رو به یه فرم استاندارد تبدیل میکرد، یه جستجوی گوگل انجام میداد، تیکه‌های مرتبط متن رو از نتایج برتر استخراج میکرد و این تیکه‌ها رو به یه مدل زبان LSTM میداد تا یه جواب مناسب برای کاربر تولید کنه. این نشون میده که شوله حتی قبل از انفجار مدل‌های زبان بزرگ، روی ایده‌های مشابهی کار میکرده.

علایق شخصی: از بازی تا نوشتن

با اینکه شوله یه چهره کاملا فنی و جدی به نظر میرسه، اما مثل خیلی از ماها علایق شخصی خودش رو هم داره. یه نکته جالب که در یک پست ردیت (Reddit) بهش اشاره شده اینه که فرانسوا شوله بازی ویدیویی Heroes of the Storm (HotS) که یه بازی در سبک MOBA از شرکت بلیزارد هست رو بازی میکنه. این خبر برای طرفداران این بازی و کسانی که از کِراس استفاده میکردن، خیلی جالب بوده. کاربری در ردیت نوشته: «خیلی بامزه بود که فهمیدم اون هم مثل من، سلیقه ویدیویی درستی داره و HotS رو دوست داره.»

این جنبه‌های شخصی نشون میده که پشت این اسم بزرگ در دنیای هوش مصنوعی، یه آدم معمولی با سرگرمی‌های روزمره وجود داره. این موضوعات شاید در نگاه اول بی‌اهمیت به نظر برسن، اما به ما کمک میکنن تا تصویر کامل‌تری از شخصیتی که کارهای بزرگی انجام داده، داشته باشیم. از خلق ابزارهای پیچیده هوش مصنوعی گرفته تا بازی کردن در وقت آزاد، همه اینها بخشی از داستان فرانسوا شوله هستن.