Bio Eats World: استفاده از هوش مصنوعی برای دورتر بردن Bio

Bio Eats World: استفاده از هوش مصنوعی برای دورتر بردن Bio

تمبر زمان: 11 ژانویه 2023، ساعت 2:35 بعد از ظهر
گره منبع: 1896777

در این قسمت، ویجی پانده با Jakob Uszkoreit، بنیانگذار و مدیر عامل Inceptive صحبت می کند. آنها با هم در مورد همه چیزهای هوش مصنوعی بحث می کنند.

ما متن را به طور کامل در زیر منتشر می کنیم، در صورتی که بخواهید همراه با آن بخوانید.

***

اولیویا وب: سلام، و به Bio Eats World، یک پادکست در تقاطع زیست، مراقبت های بهداشتی، و فناوری خوش آمدید. من اولیویا وب هستم، مدیر تحریریه Bio + Health در a16z. در این قسمت، با Jakob Uszkoreit، سابقاً از Google Brain و یکی از بنیانگذاران Inceptive صحبت کردیم. Jakob همچنین یکی از نویسندگان مقاله تحقیقاتی مهم هوش مصنوعی Attention is all you Need است که در یادداشت های نمایش به آن لینک خواهیم داد. جاکوب با ویجی پانده، شریک موسس a16z Bio + Health صحبت کرد تا در مورد همه چیزهای هوش مصنوعی صحبت کند: از زمان او در Google Brain، تا نحوه پردازش زبان توسط انسان‌ها و رایانه‌ها، تا اعتقاد Inceptive به وعده RNA، و اینکه Jakob چگونه به ما اعتقاد دارد. با هوش مصنوعی وارد قلمرو نقطه عطف می شوید.

این اپیزودی است که نمی‌خواهید آن را از دست بدهید - اما همچنین یک بحث در سطح کارشناسی ارشد در مورد هوش مصنوعی است، بنابراین ما متنی را در کنار قسمت منتشر خواهیم کرد. بیا شروع کنیم.

الگوریتم های قابل اجرا

ویجی پانده: بنابراین یاکوب، از حضور شما در Bio Eats World بسیار متشکرم. خیلی خوبه که تو رو دارم

یاکوب اوسکوریت: اینجا بودن عالیه از اینکه من را دارید متشکرم

ویجی پانده: به خصوص از آنجایی که شما به عنوان یک دانشمند کامپیوتر و کارآفرین و موسس داستان جذابی دارید، دوست دارم ما را در مسیر شغلی خود راهنمایی کنید، از هر کجا که می خواهید شروع کنید، اما آنچه شما را به Google Brain رساند احتمالاً مکان خوبی برای شروع است. .

یاکوب اوسکوریت: من تا حدودی به یاد دارم که واقعاً، آه، با مشکل یادگیری ماشینی، شاید به معنای وسیع‌تر، [و] درک زبان، تا حدودی خاص‌تر، به عنوان مسئله‌ای که در خانواده وجود دارد، مواجه شدم. بنابراین، پدر من یک دانشمند کامپیوتر و زبان شناس محاسباتی است و، می دانید، رشد چیزهایی مانند ماشین های تورینگ لزوماً در اوایل مفاهیم کاملاً خارجی نبود.

ویجی پانده: بله، به نظر می رسد که در واقع ممکن است گفتگوی میز شام بوده باشد.

یاکوب اوسکوریت: آنها گفتگوهای میز شام بودند. و بنابراین، به خصوص اتوماتای ​​محدود، و نحوه ارتباط آنها با ماشین های فروش خودکار، موضوعات رایجی بود. هر چه بزرگتر می شدم، بیشتر می خواستم مطمئن شوم که واقعاً کار متفاوتی انجام داده ام. و بنابراین من در نهایت به ریاضیات محض و حوزه های مرتبط در آنجا نگاه کردم. [من] واقعاً کمی روی بهینه‌سازی، روی الگوریتم‌های بهینه‌سازی، به طور کلی الگوریتم‌ها، نظریه پیچیدگی گسترده‌تر تمرکز کردم، قبل از اینکه متوجه شدم شاید این عملی‌ترین و کاربردی‌ترین چیز نبود، که، می‌دانید، به نوعی تبدیل شده است. در طول دوران حرفه‌ای من یک نخ قرمز وجود دارد. و سپس به معنای واقعی کلمه به یک کارآموزی گوگل در سال 2005 برخوردیم.

چند گزینه مختلف [برای اینکه] به چه نوع پروژه‌های تحقیقاتی ملحق شوم، [و] در میان آنها تلاش‌های بینایی کامپیوتری مختلف بود، اما همچنین پروژه ترجمه ماشینی که اساساً به Google Translate تبدیل شد، به من داده شد. درست در همان زمان، یا کمی قبل از آن، [Translate] اولین محصول خود را راه اندازی کرد که واقعاً توسط سیستم های داخلی Google توسعه یافته بود و به تعبیری، با تاسف من، معلوم شد که Google Translate در زمان بسیار جالب‌ترین مسائل الگوریتم‌های مقیاس بزرگ را داشت.

در آن زمان، دیدن واقعاً جالب بود، زیرا چیزی که من را متقاعد کرد که دکتری خود را لغو کنم و در واقع بعد از آن دوره کارآموزی به گوگل برگردم، واقعاً در زمان من در آنجا آشکار شد که اگر می‌خواهید روی چیزی کار کنید یادگیری ماشینی که نه تنها جالب بود و از نظر فکری و علمی، هیجان‌انگیز، چالش‌برانگیز و محرک بود، بلکه واقعاً امید زیادی به حرکت سریع سوزن در صنعت و محصولات داشت. واقعاً، در آن زمان، مکان های زیادی در جهان وجود نداشت. و مطمئناً در آن زمان آزمایشگاه‌های آکادمیک نبودند، بلکه مکان‌هایی مانند گوگل بودند. و گوگل آنجا و سپس در واقع در خط مقدم این امر بود. و بنابراین، می دانید، در آن زمان فکر می کردم که اجرای اولین الگوریتم های خوشه بندی در مقیاس بزرگ بر روی هزار ماشین شگفت انگیز است، و انجام این کار در جای دیگر کاملا غیرممکن بود.

ویجی پانده: وقتی با همکاران ارشد ما صحبت می‌کنید، رمانتیسم زیادی در مورد دوران اوج آزمایشگاه‌های بل وجود دارد، و من همیشه به این فکر کرده‌ام که آیا Google Brain ممکن است یکی از انواع نزدیک‌تر امروز باشد. محیط چگونه بود؟

یاکوب اوسکوریت: بنابراین من واقعاً بین آن زمان و زمانی که Google Brain واقعاً شروع به کار کرد، که حدوداً پنج سال بعد است، احساس می‌کنم، تغییر قابل توجهی رخ داد. قبل از اینکه Brain and Translate شروع به کار کند، بیشتر از آنچه که آزمایشگاه‌های بل می‌دانستم، توسط محصولاتی هدایت می‌شد که واقعاً تفاوت ایجاد می‌کردند. و ما تعداد خوبی از فارغ التحصیلان آزمایشگاه بل، البته، در میان خود داشتیم، اما این انگیزه بسیار بیشتر به دلیل کاربرد مستقیم بود.

برای من واقعاً شگفت‌انگیز بود که شاهد آن باشم، اینکه چگونه ترجمه ماشینی [از چیزی که] برای خنده در یک مهمانی خوب بود، به معنای واقعی کلمه. اگر از شما بپرسند کجا کار می کنید؟ و شما گفتید، گوگل. و بعد گفتند: آنجا چه کار می کنی؟ و در ابتدا تحت تاثیر قرار گرفتند. و بعد گفتی، اوه، من روی گوگل ترنسلیت کار می کنم. و سپس آنها خندیدند و پرسیدند آیا این هرگز کار می کند؟ من اینطور فکر نمی کنم. اما در همان زمان، می‌توانم بگویم که موج یادگیری ماشینی، موج رنسانس یادگیری ماشینی پیش از یادگیری عمیق، شروع به افزایش کرد. می دانید، یادگیری عمیق کاری بود که قبلاً در مدرسه انجام داده بودم، و آن را دوست داشتم، اما چیزی نبود که واقعاً در آن روزها بتوانید آن را به کار ببرید.

ویجی پانده: بله، به خصوص به این دلیل که در دانشگاه مقیاسی برای انجام محاسباتی که باید انجام دهید را نداشتید.

یاکوب اوسکوریت: مطمئناً نه در دانشگاه، بلکه حتی در گوگل. حتی اگر در آن زمان، در Translate، در واقع، جالب‌ترین ویژگی متمایزکننده، می‌توانم بگویم، ما واقعاً به قدرت مطلق داده‌ها در پایان روز اعتقاد داشتیم.

بنابراین ما سعی می‌کردیم الگوریتم‌های پیچیده‌تر و پیچیده‌تری نسازیم، بلکه در عوض آن‌ها را تا آنجا که ممکن است ساده و مقیاس‌بندی کنیم و سپس آنها را قادر به آموزش بر روی داده‌های بیشتر و بیشتر کنیم. اما ما فقط یک سقف در آنجا زدیم. ساده‌سازی‌هایی که باید انجام می‌دادید تا آنها را به مقیاسی که در آن زمان مقیاس Google بود، انجام دهید، این واقعاً هدف ما بود. اما پس از آن، و این به نوعی یکی از این حرکات آونگی بود، برگشتن به عقب، خارج از دانشگاه، دسته ای از مردم با دسته ای از پردازنده های گرافیکی – یادگیری عمیق به معنای خاصی با یک انتقام بازگشت. و ناگهان محیط سازگار شد، زیرا مشخص نبود که مسیر مستقیم تولید در مقیاس چیست.

و بنابراین کل محیط از برنامه و محصول گرا بودن به چیزی که حداقل برای چند سال احساس می شد، بسیار آکادمیک تر تغییر کرد. هنوز هم کمی متفاوت از آزمایشگاه‌های دانشگاهی است، زیرا ما می‌توانستیم پردازنده‌های گرافیکی بسیار بیشتری بخریم، اما به نوعی با این ایده که توسط نشریات هدایت می‌شود، به جای گام‌ها با جهش هدایت می‌شود، بسیار بیشتر همخوانی دارد. [این] به یک [محیط] بسیار بسیار سازنده – و واقعاً شگفت انگیز – اما بسیار بازتر تبدیل شد.

توجه همه شما نیاز دارید

ویجی پانده: خوب، می‌دانید، وقتی در مورد نشریات صحبت می‌کنیم، یک مکان طبیعی برای فکر کردن زمانی است که شما و تیم آن را منتشر کرده‌اید، توجه همه آن چیزی است که نیاز دارید. و، می دانید، از زمانی که الگوریتم ترانسفورماتور برای اولین بار ارائه شد، این مقاله بسیار مهمی برای بسیاری از هوش مصنوعی مولد بود.

یاکوب اوسکوریت: دو سال قبل از انتشار آن مقاله، متوجه شدیم [که] آنچه که در آن زمان برای مشکلاتی مانند ترجمه ماشینی پیشرفته بود، یا [آنچه] به عنوان پیشرفته ترین، یعنی LSTM یا مبتنی بر RNN در حال ظهور بود. Seq2Seq به‌طور کلی به‌عنوان یک الگوی آموزشی و به‌عنوان یک راه‌اندازی، اما همچنین به‌عنوان یک معماری شبکه، مشکلات باورنکردنی حتی در مدرن‌ترین پردازنده‌های گرافیکی در آن زمان داشت.

برای مثال، اولین سیستم ترجمه ماشینی عصبی که گوگل راه‌اندازی کرد، GNMT، در واقع، تا آنجا که من می‌دانم، هرگز واقعاً بر روی تمام داده‌های آموزشی که ما در دسترس داشتیم، که قبلاً برای سیستم‌های آماری مبتنی بر عبارت استخراج کرده بودیم، آموزش ندیده بود. و این به این دلیل بود که الگوریتم‌ها از نظر مقدار داده به خوبی مقیاس نمی‌شدند. بنابراین، به طور خلاصه، ما در آن زمان به دنبال ترجمه ماشینی نبودیم، بلکه به دنبال مشکلاتی بودیم که در داخل گوگل، حتی مقادیر بیشتری از داده های آموزشی در دسترس داشتیم. بنابراین اینها مشکلاتی بودند که از جستجو بیرون آمدند، جایی که شما اساساً سه یا چهار مرتبه بزرگی دیگر دارید. می دانید، اکنون دیگر میلیاردها کلمه وجود ندارد، بلکه به راحتی تریلیون ها کلمه وجود دارد، و ناگهان با این الگو مواجه شدیم که در آن شبکه های فید فوروارد ساده، حتی با وجود اینکه فرضیات ساده سازی مضحکی را مطرح می کردند، از جمله، این فقط یک کیسه کلمات است یا فقط یک کیسه بیگرام است. و شما به نوعی آنها را میانگین می گیرید و آنها را از طریق یک MNLP بزرگ می فرستید، آنها در واقع عملکرد بهتری نسبت به RNN و LSTM داشتند، حداقل زمانی که بر روی داده های بیشتر آموزش دیدند.

[و آنها] n برابر سریعتر بودند، به راحتی 10، 20 برابر سریعتر، برای تمرین. و بنابراین شما می توانید آنها را با داده های بیشتری آموزش دهید. در برخی موارد، [آنها] صد برابر سریعتر تمرین می کردند. و بنابراین ما به طور مداوم به مدل‌هایی می‌رسیم که ساده‌تر بودند و نمی‌توانستند پدیده‌های خاصی را که می‌دانیم قطعاً در زبان رایج هستند بیان یا ثبت کنند.
و با این حال، می دانید، در نهایت، آنها برای آموزش ارزان تر بودند و [آنها] عملکرد بهتری داشتند.

ویجی پانده: بیایید فقط برای افرادی که آشنا نیستند مثال بزنیم. بنابراین، اگر می‌گفتم، همه رستوران‌های نزدیک به جز ایتالیایی را به من نشان دهید، همه رستوران‌های ایتالیایی را به شما نشان می‌دهد، درست است؟

یاکوب اوسکوریت: دقیقا. در واقع، چیزی که شما گفتید را احتمالا می توان دوباره سفارش داد، تا همه رستوران های ایتالیایی را به من نشان دهد، به جز اطراف. این فقط یک سوپ از کلمات است و می توانید آن را به چیزی تغییر دهید که قطعاً معنای متفاوتی دارد.

ویجی پانده: بله.

یاکوب اوسکوریت: و سپس با قرار دادن بیگرام ها به ساختار و دستیابی به پدیده های جهانی تر تقریبی می کنید. بنابراین اساساً گروه هایی از دو کلمه متوالی و چیزهایی مانند آن. اما واضح است که مطمئناً در زبان هایی مانند آلمانی، که اساساً می توانید فعل را در انتهای یک جمله قرار دهید…

ویجی پانده: و کل معنی را تغییر می دهد، درست است؟

یاکوب اوسکوریت: همه معنی را تغییر می دهد، دقیقا، بله. مهم نیست که اندازه n گرم شما - یا گروه های کلمه کوچک شما - چقدر باشد، در نهایت موفق نخواهید شد. و برای ما روشن شد که باید روش متفاوتی وجود داشته باشد که نیازی به تکرار RNN در طول، یا تکرار در توالی کلمات یا پیکسل‌ها نداشته باشد، اما در واقع ورودی‌ها و خروجی‌ها را به روشی موازی‌تر و واقعاً پردازش می‌کند. در نهایت به نقاط قوت سخت افزار شتاب دهنده مدرن پاسخ می دهد.

ویجی پانده: در مورد آن فکر کنید، مانند یک کیسه کلمات به ترتیب تصادفی. LSTM، یا حافظه کوتاه مدت، شاید به شما نوعی [توانایی] نگاه کردن به گذشته را بدهد، درست است؟ اما ترانسفورماتورها کار کاملاً متفاوتی انجام می دهند. چگونه ترانسفورماتورها آن را به سطح بعدی می برند؟

یاکوب اوسکوریت: همیشه دو راه برای بررسی این موضوع وجود دارد. یکی از دریچه کارایی است، اما راه دیگر که شاید کمی شهودی‌تر باشد این است که به آن نگاه کنید، می‌دانید که چقدر می‌توانید زمینه را حفظ کنید. و همانطور که شما گفتید، LSTM ها یا به طور کلی شبکه های عصبی مکرر، به طور کلی از طریق ورودی های خود به صورت گام به گام حرکت می کنند، و در حالی که در تئوری، می توانند پنجره های متنی طولانی خودسرانه را در ورودی ها حفظ کنند - گذشته - در عمل اتفاق می افتد این است که در واقع برای آنها بسیار دشوار است که رویدادها را شناسایی کنند، کلمات یا پیکسل هایی را بیان کنند، که در گذشته بسیار دور هستند که واقعاً در پایان روز بر معنی تأثیر می گذارد. آنها تمایل دارند روی چیزهایی که در مجاورت هستند تمرکز کنند.

از طرف دیگر، ترانسفورماتور اساساً آن را روی سر خود می چرخاند و می گوید، نه، در هر مرحله کاری که ما انجام می دهیم این است که از طریق ورودی حرکت نمی کند. در هر مرحله، ما به کل ورودی یا خروجی نگاه می کنیم، و اساساً در حال بازبینی تدریجی نمایش هر کلمه یا هر پیکسل یا هر وصله یا هر فریم از یک ویدیو، همانطور که اساسا حرکت می کنیم، نه در فضای ورودی. ، اما در فضای بازنمایی.

ویجی پانده: بله.

یاکوب اوسکوریت: و این ایده از نظر نحوه قرار دادن آن بر روی سخت‌افزار مدرن دارای اشکالاتی بود، اما در مقایسه با شبکه‌های عصبی مکرر، در درجه اول دارای مزایایی بود، زیرا اکنون شما مجبور به محاسبه متوالی نمایش‌ها، مثلاً کلمه به کلمه، نبودید. آنچه شما به آن مقید بودید این است که واقعا چقدر باید خوب باشند؟ چند لایه از این نوع پردازش موازی همه موقعیت‌ها که در آن همه چیز، جایی که همه جفت‌های کلمه یا همه جفت‌های تکه‌های تصویر می‌توانند فوراً با هم تعامل داشته باشند؟ من واقعاً می‌توانم «استطاعت مالی» خود را از دست بدهم؟

ویجی پانده: چیزی که واقعاً جالب است این است که واضح است که الهام‌بخش زبان طبیعی است، اما ساختارهای زیادی وجود دارد که شما نمی‌خواهید آن‌ها را به صورت متوالی مطالعه کنید، مانند یک توالی DNA - و ما وارد زیست‌شناسی خواهیم شد. به زودی - که شما می خواهید یک مدل از کل چیز داشته باشید.

با زبان به نوعی خنده دار است. وقتی دارم صحبت می‌کنم یا وقتی به شما گوش می‌دهم، هر کلمه را پردازش می‌کنم، اما در نهایت مجبور نیستم فقط کلمات را به معانی فردی تبدیل کنم، بلکه باید به نوعی این بازنمایی را توسعه دهم. آره؟ ای کاش می توانستیم آن را به روشی که ترانسفورماتورها انجام می دهند انجام دهیم. و شاید این ترفند این باشد که LSTM ها به روشی که ما انسان ها انجام می دهیم نزدیک تر هستند، و ترانسفورماتورها شاید همان راهی هستند که باید آن را انجام دهیم، یا ای کاش می توانستیم آن را انجام دهیم.

یاکوب اوسکوریت: از نظر ظاهری، من فکر می‌کنم که این درست است، اگرچه در پایان روز - استدلال‌های درون‌نگر مانند این‌ها ظریف و دشوار هستند.

بنابراین حدس می‌زنم که بسیاری از ما این پدیده را می‌شناسیم که در آن شما با کسی که سعی می‌کند در یک خیابان شلوغ با چیزی ارتباط برقرار کند فریاد می‌کشید یا فریاد می‌زنید. و بنابراین شما چیزی را می شنوید که آنها می گویند، و آن یک توالی کوتاه از کلمات نیست، و شما اساسا چیزی را متوجه نشدید. اما بعد از نیم ثانیه، ناگهان کل جمله را فهمیدی. این در واقع به این واقعیت اشاره می کند که در حالی که ما مجبور هستیم زبان را به شیوه ای متوالی بنویسیم و بیان کنیم - فقط به دلیل پیکان زمان - چندان واضح نیست که درک عمیق ما واقعاً به آن شیوه متوالی اجرا شود.

ساخت یک تیم

ویجی پانده: اگر کسی حتی فقط "توجه فقط به کاغذ نیاز است" یا نحوه کار یک ترانسفورماتور را مطالعه کند، بخش های زیادی در آن وجود دارد. و به نظر می رسد که احتمالا اکنون از نقطه ای گذشته است که یک نفر می تواند آن کار را به تنهایی در مدت زمان کوتاهی انجام دهد.

یاکوب اوسکوریت: کاملا.

ویجی پانده: بنابراین اکنون شما واقعاً به یک تیم از افراد برای انجام این نوع کارها نیاز دارید. جامعه شناسی آن چیست؟ چنین چیزی چگونه به وجود می آید؟

یاکوب اوسکوریت: این مورد خاص، من شخصاً احساس می‌کنم، نمونه‌ای واقعاً فوق‌العاده از چیزی است که با رویکردی بیشتر، مثلاً صنعتی به تحقیقات علمی، بسیار مناسب است. چون دقیقا حق با شماست این یک جرقه بزرگ تخیل و خلاقیت نبود که همه چیز را روشن می کند.

این واقعاً یک دسته کلی از مشارکت‌ها بود که در نهایت همه ضروری بودند. داشتن یک محیط، یک کتابخانه - که بعدها نیز منبع باز شد، با نام Tensor2Tensor - که در واقع شامل پیاده سازی ها بود. و نه هر پیاده سازی، بلکه پیاده سازی های فوق العاده خوب، پیاده سازی سریع انواع ترفندهای یادگیری عمیق.
اما پس از آن نیز تمام راه به این مکانیسم های توجه که از انتشارات قبلی به دست آمد - مانند مدل توجه تجزیه پذیر [که قبلا منتشر شد - اما سپس در واقع با پیشرفت ها و نوآوری ها، اختراعات پیرامون بهینه سازها ترکیب شدند. من فکر می کنم شما افرادی را پیدا نخواهید کرد که واقعاً در بین متخصصان برجسته جهان در همه این موارد به طور همزمان باشند و واقعاً به طور مشابه به همه این جنبه ها علاقه داشته باشند.

ویجی پانده: و به خصوص ایده اولیه وجود دارد، اجرای آن وجود دارد، مقیاس بندی آن وجود دارد. دستیابی به چنین مقیاسی در هر جای دیگری غیر از یک شرکت بزرگ، در حال حاضر، احتمالاً به دلیل هزینه انجام نمی شود.

یاکوب اوسکوریت: من فکر می کنم در واقع شاید جنبه شرکت بزرگ آنقدرها حیاتی نباشد.

ویجی پانده: آره؟

یاکوب اوسکوریت: جنبه شرکت یکی از مواردی است که من ارزش بیشتری برای آن قائل هستم. اگر به هزاران و هزاران TPU یا GPU یا آنچه که دارید نیاز داشته باشید، مطمئناً شرکت بزرگ ضرری ندارد. جیب های عمیق هرگز برای این نوع چیزها صدمه نمی زند. اما در عین حال، من معتقدم ساختار انگیزشی پیرامون این نوع تحقیقات اکتشافی در صنعت برای این نوع پروژه‌ها بسیار مناسب‌تر است. و من فکر می‌کنم این چیزی است که ما در حال مشاهده پروژه‌های مولد هوش مصنوعی در سراسر جهان هستیم.

ویجی پانده: آره و به نظر شما، این می تواند یک استارتاپ باشد.

یاکوب اوسکوریت: قطعا می تواند یک استارت آپ باشد. و من فکر می‌کنم اکنون شاهد هستیم که استفاده از سخت‌افزار شتاب‌دهنده حداقل مقرون به صرفه‌تر شده است. و استارت‌آپ‌هایی وجود دارند که در زمینه هوش مصنوعی مولد با هدف تولید تصویر یا تولید متن، رقابت بسیار زیادی دارند.

پرش به علوم زیستی

ویجی پانده: من دوست دارم به کاری که اکنون انجام می دهید تبدیل شوم. شما مدیر عامل شرکت Inceptive هستید، شرکتی که هوش مصنوعی را در بیولوژی RNA برای درمان RNA اعمال می کند. چگونه وارد علوم زیستی شدید؟ به طور سطحی، صحبت در مورد مدل های زبان در اطراف میز شام و سپس در اطراف کافه تریا گوگل... به نظر می رسد که ممکن است جهشی به نسل بعدی درمان ها باشد. چطور این همه به وجود آمد؟

یاکوب اوسکوریت: من نمی توانستم بیشتر موافق باشم. این یک تجربه یادگیری شگفت انگیز است، از پایان من. مدت زیادی است که زیست شناسی به عنوان مشکلی برای من ایجاد شده است، جایی که غیرقابل تصور به نظر نمی رسد که محدودیت هایی وجود دارد که تا چه حد می توانیم از نظر تولید دارو و طراحی مستقیم با زیست شناسی سنتی به عنوان ستون فقرات ما پیش برویم. به طراحی – یا کشف روش‌هایی برای طراحی – داروهای آینده بپردازید.

به نظر می‌رسد که یادگیری عمیق، به‌ویژه در مقیاس، به دلایل متعددی، در اینجا ابزار واقعاً مناسبی است. و یکی از این دلایل در واقع چیزی است که اغلب لزوماً به عنوان یک مزیت در نظر گرفته نمی شود، این واقعیت است که این جعبه سیاه بزرگ است که می توانید فقط به سمت چیزی پرتاب کنید. و این درست نیست که شما فقط می توانید آن را پرتاب کنید. این چیزی است که شما باید بدانید چگونه آن را پرتاب کنید.

ویجی پانده: و دقیقا مشکی هم نیست. بعداً می توانیم در مورد آن بحث کنیم.

یاکوب اوسکوریت: بله دقیقا. دقیقا. اما، در پایان، با بازگشت به قیاس با زبان، ما هرگز نتوانستیم، به این معنا، زبان را به طور کامل درک و مفهوم سازی کنیم تا جایی که شما می توانید ادعا کنید، اوه، اکنون می روم و به شما می گویم. این نظریه پشت زبان است، و سپس شما قادر خواهید بود الگوریتمی را پیاده سازی کنید که آن را "درک" می کند. ما هرگز به آن نقطه نرسیدیم در عوض، مجبور شدیم سقط کنیم و یک قدم به عقب برگردیم و به نظر من تا حدی با خود اعتراف کنیم که شاید این عملگراترین رویکرد نبود. در عوض، باید رویکردهایی را امتحان کنیم که به آن سطح از درک مفهومی نیاز ندارند. و من فکر می کنم همین امر ممکن است برای بخش هایی از زیست شناسی نیز صادق باشد.

استفاده از هوش مصنوعی برای دورتر بردن بیو

ویجی پانده: جالب است، قبلاً در مورد این موارد صحبت کرده ایم. شما به قرن گذشته فکر کنید، [که] قرن فیزیک و حساب دیفرانسیل و انتگرال بود. ذهنیت خاصی در آنجا وجود دارد که در آن راهی وجود دارد که شما می توانید ساده سازی بسیار ظریفی از چیزها داشته باشید که می توانید یک معادله واحد مانند معادلات میدان انیشتین داشته باشید که بسیار توصیف می کند، و این یک معادله بسیار ساده در یک زبان بسیار پیچیده است. شما در مورد این صحبت کرده اید که چگونه رویکرد فاینمن، تقریباً مانند جامعه شناسی فیزیک، ممکن است در اینجا در زیست شناسی کاربرد نداشته باشد، درست است؟

یاکوب اوسکوریت: ممکن است به کار نرود، حداقل به دو دلیل که در این مرحله می توانم ببینم. شماره یک این است که بازیکنان زیادی درگیر هستند. و در حالی که درست است که شاید بتوانیم همه آن را به معادله شرودینگر تقلیل دهیم و فقط آن را حل کنیم، اتفاقاً نه تنها از نظر محاسباتی غیرقابل حل است، بلکه باید در مورد همه این بازیکنان مختلف بدانیم، و در حال حاضر نمی‌دانیم. . حتی نزدیک نیست. پس این یک جنبه است.

و سپس مورد دوم اساساً غیرقابل حل بودن محاسباتی است، که در آن کاهش، به یک معنا، تا آنجا پیش رفته است که، در حالی که همه آن را به یک چیز واحد برمی گرداند، به ما کمک نمی کند زیرا رویکردهای محاسباتی ما اساساً استفاده می کنند. این اصول برای انجام پیش‌بینی‌ها بسیار کند هستند و نمی‌توانند آن پیش‌بینی‌ها را برای سیستم‌هایی به اندازه‌ای بزرگ انجام دهند که واقعاً برای زندگی مهم باشند.

ویجی پانده: آره بنابراین این یک معادله بدنه n نیست، اما هنوز یک حس فرمالیسم وجود دارد - شاید این یک فرمالیسم مبتنی بر داده یا بیشتر فرمالیسم بیزی باشد. چگونه به آنچه که می خواهید انجام دهید تغذیه می شود؟ چگونه به استفاده از هوش مصنوعی و انواع دیگر الگوریتم‌های جدید کمک می‌کند؟

یاکوب اوسکوریت: من فکر می کنم یکی دو جنبه مختلف وجود دارد. در پایان، به نظر من یکی از مهم‌ترین نکاتی که در حال حاضر در هوش مصنوعی مولد می‌بینیم این است که ما دیگر مجبور نیستیم روی داده‌هایی که نه تنها کاملاً تمیز هستند، بلکه دقیقاً از دامنه آموزش ببینیم. و از انواع وظایفی که بعداً می خواهید به آنها بپردازید. اما در عوض ممکن است در واقع مفیدتر یا حتی تنها راهی باشد که ما تاکنون پیدا کرده‌ایم تا در واقع سعی کنیم در مورد هر چیزی که حتی از راه دور مرتبط است، آموزش دهیم. و سپس از اطلاعات به‌دست‌آمده از این داده‌ها استفاده کنید تا در نهایت به مدل‌های به اصطلاح پایه برسید، که سپس می‌توانید انواع وظایف خاص را با استفاده از مقادیر بسیار کوچک‌تر و قابل پردازش‌تر داده‌های پاک‌تر تنظیم کنید.

من فکر می کنم ما چیزهایی را که باید درباره پدیده ها بدانیم کمی دست کم می گیریم. برای ساختن یک مدل زبان بزرگ بسیار خوب، باید بدانید که این چیزی به نام اینترنت وجود دارد و متن های زیادی در آن وجود دارد. در واقع، شما باید در مورد چگونگی یافتن این متن، آنچه متن نیست و غیره کمی درک کنید، تا اساساً داده های آموزشی را که سپس استفاده می کنید، از آن استخراج کنید.

من معتقدم چالش‌های مشابه مستقیمی در مورد زیست‌شناسی وجود خواهد داشت. سوال بزرگ این است: آزمایش‌هایی که می‌توانیم آن‌ها را به‌گونه‌ای مقیاس‌بندی کنیم که بتوانیم زندگی را در مقیاس کافی با تقریباً وفاداری کافی مشاهده کنیم - اما با دقت بسیار کمتر و در عین حال مشکلاتی را که در نهایت سعی در حل آنها دارید در نظر داشته باشید. اساساً داده‌هایی را که برای شروع ساختن این مدل‌های پایه نیاز داریم، از آن‌ها می‌گیریم، که سپس می‌توانیم از آن‌ها استفاده کنیم، به‌طور دقیق و به‌طور خاص مهندسی شده، تا واقعاً به مشکلاتی که می‌خواهیم با آنها برخورد کنیم نزدیک شویم.

بخش تولید داده مطمئناً یکی از آنهاست. معماری‌ها و داشتن مدل‌ها و معماری‌های شبکه‌ای که آنچه را که ما می‌دانیم، مثلاً در مورد فیزیک زیر، تقلید می‌کنند، همچنان راهی فوق‌العاده قدرتمند برای صرفه‌جویی در محاسبات و همچنین کاهش اشتهای بسیار زیاد برای داده‌هایی خواهند بود که این مدل‌ها باید داشته باشند. ، به سطح قابل اجرا برسد. و بنابراین یک چیز که من معتقدم واقعاً جالب است توجه شود این است که بسیاری از کاربردهای فعلی مدل‌ها، مثلاً ترانسفورماتورها، در سایر روش‌ها، حوزه‌های دیگر، زبان، بینایی، تولید تصویر، به خوبی مقیاس‌پذیر هستند. و غیره، و غیره، و استفاده از آنها در زیست شناسی اساساً این واقعیت را نادیده می گیرد که ما می دانیم چیزی به نام زمان وجود دارد، و قوانین فیزیک، حداقل تا جایی که ما می دانیم، به نظر نمی رسد که فقط تغییر کنند. در طول زمان.

فرآیند تا شدن پروتئین، نادیده گرفتن این واقعیت که تن ها و تن ها بازیکن وجود دارد - همراهان و غیره - در واقع، به یک معنا، یک مشکل نسبتاً خودسرانه جدا شده از بقیه سینتیک پروتئین است. سینتیک به اندازه باقیمانده سینتیک، یا باقیمانده عمر آن پروتئین، آن مولکول است. و پس چرا سعی می کنیم مدل هایی را به طور خاص برای یکی آموزش دهیم و حداقل به طور بالقوه، داده هایی را که ممکن است در مورد دیگری داشته باشیم نادیده بگیریم؟ در این مورد، شاید به‌طور خاص‌تر، آیا برخی از مدل‌های پیش‌بینی ساختار پروتئینی که امروز داریم، آیا آنها قبلاً چیزی در مورد سینتیک به طور ضمنی یاد می‌گیرند، زیرا به آرامی شروع به پذیرش وجود زمان می‌کنند؟

توسعه معماری های جدید

ویجی پانده: یکی از چیزهای جالبی که من در مورد جایی که شما در حال حاضر ایستاده اید فکر می کنم این است که، به جز چند استثنای نادر، اکثر شبکه های عصبی عمیق یا انواع دیگر هوش مصنوعی در زیست شناسی احساس می کنند چیزی اختراع شده را به جای دیگری می برند و حمل می کنند. مثل اینکه از شبکه های عصبی کانولوشنال برای تصاویر استفاده می کنیم. شاید برای مولکول های کوچک... در آزمایشگاه من در استنفورد، ما از شبکه های عصبی گراف و چندین شبکه عصبی کانولوشنال استفاده کردیم. اما توسعه واقعی یک الگوریتم به طور صریح برای مشکل بیولوژیکی بسیار نادر است. و من همیشه تصور می‌کردم که این به این دلیل است که داشتن مهارت‌های یک تیم قوی در حوزه زیست‌شناسی و در حوزه علوم کامپیوتر دشوار است. اما من کنجکاو هستم که نظر شما را دریافت کنم. یا اینکه در وهله اول ایجاد معماری های جدید نادر است؟

یاکوب اوسکوریت: خب، من فکر می‌کنم، در پایان، چیزی که ما می‌بینیم این است که معماری‌های جدید، در حالی که انگیزه‌ی مشکلات خاصی دارند، اگر واقعاً تفاوتی ایجاد کنند، تمایل دارند در جاهای دیگر نیز قابل اجرا باشند. از سوی دیگر، این بدان معنا نیست که در مسیر رسیدن به آنجا، انتخاب دقیق برنامه‌ها و دامنه‌های محرک تفاوت زیادی ایجاد نمی‌کند. و من فکر می کنم که قطعا این کار را می کند.

من احساس می‌کنم یکی از چالش‌های کلیدی اینجا واقعاً این است که ما هنوز در رژیمی در زیست‌شناسی قرار نداریم که در آن داده‌ها و انبوهی از داده‌ها وجود داشته باشد، حتی اگر در مقایسه با آنچه چندی پیش داشتیم، شگفت‌انگیز است. اما ما هنوز در آن رژیمی قرار نگرفته‌ایم که فقط بر روی مشابه وب نشسته است، و می‌توانیم آن را کمی فیلتر کنیم، آن را دانلود کنیم و کار را با آن تمام کنیم. اما در عوض، من فکر می کنم که ما باید آن را تا حد معقولی ایجاد کنیم. و این کار توسط کارشناسان یادگیری عمیق انجام نخواهد شد، حداقل توسط اکثر آنها.

و من معتقدم که این باید در همان مرحله اتفاق بیفتد و سپس واقعاً ویژگی های داده های گفته شده را درک کنید، درست است؟ انواع سر و صدایی که در آنجا با آن مواجه می شوید. واقعیت این است که اینها در واقع در استخرهای مقیاس بسیار بزرگ، آزمایش‌هایی با توان عملیاتی بالا ایجاد می‌شوند، اما همچنان، آزمایش‌هایی که در روزهای مختلف توسط آزمایش‌کنندگان مختلف و غیره و غیره اجرا می‌شوند. و در جایی که افرادی با پیشینه یادگیری عمیق به اندازه کافی با افراد دارای پیشینه زیست شناسی کار می کنند، به اندازه کافی در مورد آنچه ما در مورد پدیده های زیربنایی می دانیم یاد می گیرند، [آنها] اساساً الهام گرفته می شوند تا رویکردهای جدید جالبی را امتحان کنند.

ویجی پانده: خوب، زمانی که شما فقط در مورد نمونه کاغذ «توجه همه شما نیاز است» صحبت می‌کردید، در مورد اینکه چگونه می‌خواهید این گروه متنوع از افراد را که می‌دانید، علایقشان نسبتاً متعامد از یکدیگر بود، به دست آورید، دوست داشتم. و به یک معنا، هنگامی که شما این کار را در زیست شناسی و به ویژه برای کاری که در Inceptive انجام می دهید، انجام می دهید، باید تمام این کارها را نیز برای تولید داده ها انجام دهید. و تولید داده‌ها واقعاً به معنای اجرای آزمایش‌های بیولوژیکی در مقیاس است. خود قسمت ورودی بسیار گران است و بسیار فنی است و همانطور که گفتید راه های زیادی برای اشتباه کردن دارد. اما به نظر می رسد که شما در حال ساختن بر فرهنگی هستید که قبلا انجام داده اید و اکنون متخصصان بیشتری با علایق مختلف به روشی مشابه هماهنگ می شوند.

یاکوب اوسکوریت: من واقعاً نیاز دارم، [و] مردم به آن نیاز دارند. تا آنجا که من می توانم بگویم این امیدوار کننده ترین راه است. [این است که] به معنای معینی، یک مدل خط لوله، که در آن داده‌های خاصی در آزمایشگاهی که در آن ایجاد شده‌اند، با توجه به بهترین دانش ما، در مورد جنبه‌های اساسی زندگی، هدف قرار نگیریم. و سپس شروع به اجرای رویکردهای یادگیری عمیق موجود بر روی آن و سپس بهینه سازی آنها. اما در عوض واقعاً افرادی را داشته باشیم که، به یک معنا، ممکن است جزو اولین افرادی باشند که واقعاً در رشته‌ای کار می‌کنند که در حال حاضر واقعاً هنوز نام خوبی ندارد.

شاید کمترین مخرج مشترک، کنجکاوی باشد که فراتر از آن چیزی است که می دانید، آنچه قبلاً یاد گرفته اید و شاید بیشتر وقت خود را صرف انجام آن کرده اید. ما متوجه می‌شویم که درست مانند بسیاری از زمینه‌های دیگر، چیزی که واقعاً دنبال آن هستیم، مجموعه‌ای از افراد با پیشینه‌های بسیار متنوع است، اما کنجکاوی مشترک دارند.

هوش مصنوعی به کجا می رود؟

ویجی پانده: فکر می کنید هوش مصنوعی در حال حاضر برای آن مشکلات سخت تر، برای طراحی دارو، مراقبت های بهداشتی و غیره کجاست؟ چه باید کرد؟ کی به آنجا می رسد؟

یاکوب اوسکوریت: من انتظار دارم - و همیشه انجام پیش‌بینی در مورد آینده بسیار خطرناک است - بسیار متعجب خواهم شد اگر در طی سه سال آینده شاهد وقوع یک نقطه [عطف] در مورد اثرات دنیای واقعی نباشیم. یادگیری ماشینی، یادگیری عمیق در مقیاس بزرگ در توسعه دارو، طراحی دارو. البته آنها دقیقاً کجا اول خواهند بود، من معتقدم که بسیاری از آنها در مورد RNA، درمان های RNA و واکسن ها اتفاق خواهند افتاد. مطمئناً این تنها منطقه ای نخواهد بود که تحت تأثیر این موضوع قرار می گیرد، اما من قطعاً فکر می کنم که ما به منطقه نقطه عطف می رویم.

ویجی پانده: به نکته جالبی اشاره کردی RNA چه تفاوتی دارد؟ چون فکر می‌کنم خیلی جالب است، نه فقط اینکه شما از مغز گوگل وارد زیست‌شناسی شده‌اید، بلکه به طور خاص وارد RNA شده‌اید. چه چیزی شما را جذب RNA می کند، به خصوص شاید از نقطه نظر AI یا ML؟

یاکوب اوسکوریت: یکی از چیزهایی که در مورد RNA جالب است، ترکیب بین، همانطور که دیدیم، کاربرد بسیار گسترده است - اگرچه هنوز به معنای یک نشانه محدود است - اما فقط با نگاه کردن به این موج فرآیندهای تایید که در حال شروع و شروع شده است، بسیار زیباست. واضح است که کاربرد بسیار بسیار گسترده است، همراه با - این کمی مبهم است - یک مشکل ساختاری ساده. و از نظر ساختاری ساده است نه در این جمله که پیش‌بینی ساختاری RNA ساده است، بلکه از نظر ساختاری ساده است به این معنا که یک پلیمر زیستی با چهار پایه مختلف است. ما در مورد بیش از 20 اسید آمینه صحبت نمی کنیم. این چیزی است که می تواند نسبتاً مؤثر تولید شود.

چالش‌هایی وجود دارد، اما ترکیب چیزی است که می‌تواند مقیاس‌پذیر باشد و به سرعت در حال افزایش است، و این چیزها برای فعال کردن این حلقه بازخورد سریع که من حدس می‌زنم اغلب به آن اشاره می‌شود، اما به ندرت، حداقل از آنچه من می‌دانم، واقعاً اجرا می‌شود، گرد هم می‌آیند. و در پایان روز قابل اجرا می باشد.

ویجی پانده: بله، احتمالاً این یک حلقه بازخورد سریعتر است، به خصوص برای روشی که شما دنبال آن می روید.

یاکوب اوسکوریت: آره. و با توجه به اینکه معتقدم برای آموزش مدل‌هایی که آموزش می‌دهیم باید سهم بزرگی از داده‌ها ایجاد کنیم، ما واقعاً Inceptive را برای ایجاد چنین داده‌هایی در مقیاس سرمایه‌گذاری می‌کنیم. و من می‌توانم بگویم مقیاس نسبتاً نسبتاً عظیمی، با توجه به اینکه RNA به نظر می‌رسد بهترین ترکیب در مورد سادگی ساختاری، اما همچنین مقیاس‌پذیری سنتز و این آزمایش باشد. پتانسیل عظیمی در اینجا وجود دارد که تاکنون از آن استفاده نشده است.

ویجی پانده: بله، و من فکر می‌کنم به‌ویژه توانایی داشتن این چرخه‌های سریع، هر دو نوع پیش بالینی و در نتیجه رسیدن سریع‌تر به کلینیک و حضور در کلینیک [برای مدت زمان کوتاه‌تری] به طور بالقوه است.

یاکوب اوسکوریت: کاملا. این واقعاً همان چیزی است که ما به آن امیدواریم. ما همچنین ممکن است نکات اولیه ای را مشاهده کنیم که نشان می دهد ممکن است چنین باشد و البته ما واقعاً بسیار هیجان زده هستیم.

ویجی پانده: فکر کردن در مورد 10 سال گذشته شگفت انگیز بوده است، می دانید، 2012 تا کنون. به نظر شما 10 سال آینده چگونه است؟ فکر می کنید 10 سال آینده با هوش مصنوعی کجا هستیم؟ یا به طور گسترده یا مخصوصا برای بیو؟

یاکوب اوسکوریت: من فکر می کنم اگر واقعا درست باشد که ما در حال ورود به این قلمرو نقطه عطف هستیم، وقتی به 10 سال بعد به عقب نگاه کنیم، به نظر می رسد انقلابی حداقل به اندازه انقلابی که فکر می کنیم در جهان دیده ایم بزرگ و گسترده باشد. 10 سال گذشته حداقل. اکنون من فکر می کنم یک تفاوت اساسی وجود خواهد داشت و آن این است که دقیقاً مشخص نیست انقلابی که در 10 سال گذشته شاهد آن بوده ایم چقدر بر زندگی همه تأثیر می گذارد. مناطق خاصی وجود دارد، موتورهای جستجو یا نوشتن کمکی و غیره، که در آنها مشهود است، اما مشخص نیست که این انقلاب تا چه حد قابل اجرا است. من معتقدم که خیلی اینطور است، اما ما هنوز آن را نمی بینیم. من فکر می‌کنم انقلابی که قرار است طی 10 سال آینده به‌طور خاص در محیط زیست شاهد باشیم، یا قرار است به 10 سال آینده نگاه کنیم، واقعاً از نظر تأثیر عمیق آن بر زندگی همه ما متفاوت خواهد بود. .

حتی اگر برنامه‌های طراحی و کشف دارو را کنار بگذاریم، برنامه‌های کاربردی شگفت‌انگیزی در اکتشافات علمی و اطراف آن وجود دارد که اکنون می‌توان تصور کرد که با یک رابط وب، اساساً می‌توانید مولکول‌هایی طراحی کنید که در ارگانیسم‌های خاصی با احتمال بسیار بالا به سؤالات خاصی پاسخ دهید و خوانش های قابل اعتمادتری نسبت به آنچه قبلاً می توانستید به دست آورید، تولید کنید. بنابراین، حتی صرفاً نادیده گرفتن پیچیدگی این موضوع که در نهایت بر بیماران و همه افراد تأثیر می گذارد، کاملاً واضح است که این ابزارها به سرعت زمینه هایی مانند زیست شناسی را تسریع خواهند کرد.

ویجی پانده: به نظر می رسد این مکان عالی برای پایان دادن به آن است. از شما بسیار متشکرم، جاکوب، برای پیوستن به Bio Eats World.

یاکوب اوسکوریت: از اینکه من را دارید بسیار سپاسگزارم

اولیویا وب: از اینکه به Bio Eats World پیوستید متشکریم. Bio Eats World توسط من، اولیویا وب، با کمک تیم Bio + Health در a16z میزبانی و تولید شده و توسط Phil Hegseth ویرایش شده است. Bio Eats World بخشی از شبکه پادکست a16z است.

اگر در مورد قسمت سؤالی دارید یا می خواهید موضوعاتی را برای قسمت بعدی پیشنهاد دهید، لطفاً ایمیل بزنید آخرین اما نه کم‌اهمیت، اگر از Bio Eats World لذت می‌برید، لطفاً هر جا که به پادکست‌ها گوش می‌دهید، رتبه‌بندی و بررسی کنید.

لطفاً توجه داشته باشید که محتوای اینجا فقط برای مقاصد اطلاعاتی، نباید به عنوان مشاوره حقوقی، تجاری، مالیاتی یا سرمایه گذاری در نظر گرفته شود، یا برای ارزیابی هر گونه سرمایه گذاری یا امنیت مورد استفاده قرار گیرد، و برای هیچ سرمایه گذار یا سرمایه گذار بالقوه در هیچ صندوق a16z هدایت نمی شود. . برای جزئیات بیشتر، لطفاً به a16z.com/disclosures مراجعه کنید.

***

نظرات بیان شده در اینجا نظرات پرسنل AH Capital Management, LLC ("a16z") نقل شده است و نظرات a16z یا شرکت های وابسته به آن نیست. برخی از اطلاعات موجود در اینجا از منابع شخص ثالث، از جمله از شرکت‌های سبد سرمایه‌ای که توسط a16z مدیریت می‌شوند، به‌دست آمده است. در حالی که a16z از منابعی گرفته شده است که معتقدند قابل اعتماد هستند، a16z به طور مستقل چنین اطلاعاتی را تأیید نکرده است و هیچ اظهارنظری در مورد صحت پایدار اطلاعات یا مناسب بودن آن برای یک موقعیت خاص ارائه نمی کند. علاوه بر این، این محتوا ممکن است شامل تبلیغات شخص ثالث باشد. aXNUMXz چنین تبلیغاتی را بررسی نکرده و محتوای تبلیغاتی موجود در آن را تایید نمی کند.

این محتوا فقط برای مقاصد اطلاعاتی ارائه شده است و نباید به عنوان مشاوره حقوقی، تجاری، سرمایه گذاری یا مالیاتی به آن اعتماد کرد. شما باید در مورد این موارد با مشاوران خود مشورت کنید. ارجاع به هر گونه اوراق بهادار یا دارایی دیجیتال فقط برای مقاصد توضیحی است و به منزله توصیه یا پیشنهاد سرمایه گذاری برای ارائه خدمات مشاوره سرمایه گذاری نیست. علاوه بر این، این محتوا برای هیچ سرمایه‌گذار یا سرمایه‌گذار بالقوه‌ای هدایت نشده و برای استفاده از آن در نظر گرفته نشده است، و تحت هیچ شرایطی نمی‌توان هنگام تصمیم‌گیری برای سرمایه‌گذاری در هر صندوقی که توسط a16z مدیریت می‌شود، به آن اعتماد کرد. (پیشنهاد سرمایه گذاری در یک صندوق a16z فقط توسط یادداشت قرار دادن خصوصی، قرارداد اشتراک و سایر اسناد مربوط به هر صندوق انجام می شود و باید به طور کامل خوانده شود.) هر گونه سرمایه گذاری یا شرکت پرتفوی ذکر شده، ارجاع شده، یا شرح داده شده نشان دهنده همه سرمایه گذاری ها در وسایل نقلیه تحت مدیریت a16z نیست، و نمی توان اطمینان داشت که سرمایه گذاری ها سودآور هستند یا سایر سرمایه گذاری های انجام شده در آینده ویژگی ها یا نتایج مشابهی خواهند داشت. فهرستی از سرمایه‌گذاری‌های انجام‌شده توسط صندوق‌های تحت مدیریت آندریسن هوروویتز (به استثنای سرمایه‌گذاری‌هایی که ناشر مجوز افشای عمومی a16z و همچنین سرمایه‌گذاری‌های اعلام‌نشده در دارایی‌های دیجیتالی عمومی را ارائه نکرده است) در https://a16z.com/investments موجود است. /.

نمودارها و نمودارهای ارائه شده در داخل صرفاً برای مقاصد اطلاعاتی هستند و هنگام تصمیم گیری برای سرمایه گذاری نباید به آنها اعتماد کرد. عملکرد گذشته نشان دهنده نتایج آینده نیست. محتوا فقط از تاریخ مشخص شده صحبت می کند. هر گونه پیش بینی، تخمین، پیش بینی، هدف، چشم انداز، و/یا نظرات بیان شده در این مطالب بدون اطلاع قبلی ممکن است تغییر کند و ممکن است متفاوت یا مغایر با نظرات بیان شده توسط دیگران باشد. لطفاً برای اطلاعات مهم بیشتر به https://a16z.com/disclosures مراجعه کنید.

تمبر زمان:

بیشتر از آندرسن هورویتز