Sakkmesterből videójáték-tervező, majd idegtudós és Nobel-díjas: Demis Hassabis a teremtő elme a Google AI mögött. Egyedülállóan sokoldalú és kreatív pályája alatt számos olyan újításhoz és találmányhoz járult hozzá, amelyek egyszerre formálják a tudományt, a technológiát és talán a jövő társadalmait. Portré egy egészen különleges, kreatív elméről, akiről csak nagyon kevesen hallottak.
A Google érkezése a generatív mesterséges intelligenciák versenyébe nem volt zökkenőmentes. A Gemini modell első verziói bődületes marhaságokat tudtak generálni a felhasználóknak, amikről én is megemlékeztem egy tavalyi cikkemben. Azóta azonban abszolút élvonalba tört a Google, a Gemini modell legújabb verziója jelenleg vezeti az LLM Arena rangsorát, és több elképesztő felfedezést is köszönhetünk a cégnek. A labor vezetője pedig egy londoni születésű géniusz Demis Hassabis, akinek rengeteg mindent köszönhet a társadalmunk.
Korai pálya és a DeepMind születése
Kevés tudós karrierje ível át olyan sok, egymástól távolinak tűnő területet, mint Demis Hassabisé. A londoni születésű, sakkmesterből lett videojáték-tervező, majd idegtudós és vállalkozó neve ma már elválaszthatatlan a mesterséges intelligencia forradalmától. Hassabis — aki 2024-ben John Jumperrel megosztva elnyerte a kémiai Nobel-díjat— az elmúlt évtizedben olyan áttöréseket vezetett, amelyek egyszerre formálják a tudományt, a technológiát és talán a jövő társadalmait is.
Hassabis tehetsége korán megmutatkozott. Négy éves korában sakkozni kezdett, tizenhárom évesen pedig már sakknagymesterré vált. Tinédzserként a számítógépes játékok világa felé fordult, és saját erejéből programozni tanult. Húszas éveiben gyerekkorom meghatározó számítógépes játékainak a fejlesztésében vett részt. A Bullfrog Productions-nél a Theme Park nevű játék vezető fejlesztője volt, utána pedig vezető AI-programozó lett a Lionhead Studios-nál, ahol a Black & White fejlesztésében vett részt. Biztos vagyok benne, hogy sokaknak ugranak be kellemes gyerekkori emlékek ezeket a játék címeket hallva.
Demis tehát már azelőtt jóval korábban hatással volt sokunk életére, mielőtt a Google AI vezetője lett.
A 2000-es években saját játékfejlesztő stúdiója volt, majd miután azt eladta az emberi agy működésének megértésére fókuszált a Harvardon, majd később az MIT-n. 2010-ben fordult rá arra az útra, ami később a Nobel-díjához vezetett, megalapította ugyanis a DeepMind céget Shane Legg és Mustafa Suleyman társaságában. A vállalat küldetése egyszerű, de nagyratörő volt: „Solve intelligence, and then use it to solve everything else.” Négy évvel később a Google — akkoriban a mesterséges intelligencia kutatásába épphogy bekapcsolódó óriás — szemet vetett a cég teljesítményére és mintegy félmilliárd dollárért fel is vásárolta a DeepMindot. Ez biztosította a szükséges számítási kapacitást Demiséknek, ugyanakkor autonómiát is hagyott a kutatócsoportnak, amely így szabadon folytathatta ambiciózus terveit.
AlphaGo és az AI színre lép
A szélesebb közvélemény először 2016-ban hallhatott a DeepMindról, amikor az általuk fejlesztett mesterséges intelligencia program az AlphaGo legyőzte a világ legjobb Go játékosát, Lee Sedol-t. A mérkőzés szimbolikus jelentőségű volt, hasonló az 1997-es DeepBlue-Kaszparov sakk mérkőzéshez, ahol először győzte le számítógép az emberiség legjobb sakkozóját. A Go-t évtizedekig olyan komplexnek tartották, hogy a gépek sosem lesznek képesek emberi szinten játszani, mivel a lehetséges lépések számossága olyan elképesztően nagy, hogy tradicionális módszerekkel lehetetlen az optimális lépéseket kiszámolni.
Az AlphaGo diadala azonban bizonyította, hogy a mesterséges intelligencia képes kreatívnak tűnő stratégiákat is kifejleszteni. Az egész AlphaGo történetről egy elképesztően jó dokumentumfilm is készült, ami ingyenesen megtekinthető a Youtube-on. Minden érdeklődőnek tiszta szívből ajánlom a filmet.
Mégis, a DeepMind (eddig) legmélyebb és legtartósabb hatású áttörése nem a játékokban, hanem a biológiában született meg.
AlphaFold2: A Nobel-díjra érdemes kutatás
Évtizedeken át az egyik legnagyobb kihívás a biológiában a fehérjék fizikai szerkezetének meghatározása volt. Ezek az apró molekuláris gépek szinte minden életfolyamat kulcsszereplői, ezért rengeteg kutatócsoport dolgozik azon, hogy egy bizonyos célzott feladat megoldására alkalmas fehérjét hozzanak létre. Azonban a fehérjéknél nemcsak az alapjukként szolgáló aminosavak szekvenciája a fontos, hanem magának a fehérjének a háromdimenziós alakja is meghatározza azt, hogy milyen feladatot képes elvégezni. Ennek a háromdimenziós alaknak a kísérleti úton való megfejtése pedig időigényes és költséges feladat… volt.
2020-ban a DeepMind bemutatta az AlphaFold2-t, amely gyakorlatilag megoldotta ezt a „fehérje-hajtogatási problémát”, amit a tudósok az 1950-es évek óta kutattak. A mesterséges intelligencia képes volt pusztán az aminosav-szekvenciából előre jelezni a fehérje pontos 3D szerkezetét — méghozzá olyan pontossággal, amely sok esetben vetekedett a laboratóriumi eredményekkel.
Az áttörés hatása azonnali volt. Biológusok és gyógyszerkutatók világszerte használták a modellt új gyógyszerek, enzimek és biotechnológiai megoldások tervezésére. Hirtelen megnyílt az út olyan betegségek célzott kezelése felé, amelyekhez korábban nem volt megfelelő eszköz. Nem véletlen, hogy a Nobel-bizottság 2024-ben kémiai Nobel-díjjal jutalmazta Hassabist és csapatát, hangsúlyozva, hogy az AI immár nem csupán technológiai újítás, hanem tudományos paradigmaváltás motorja.
Az AlphaFold2 nemcsak a fehérjekutatást változtatta meg, hanem azt is megmutatta, hogy a mesterséges intelligencia segítségével képesek lehetünk valódi tudományos felfedezéseket tenni. Ez pedig messze túlmutat a gépi tanulásról addig alkotott képen.
Genie 3: interaktív világok a semmiből
Miközben az AlphaFold2 a molekuláris világ mélyére világított be, a DeepMind legújabb modellje, a Genie 3 a valóság szimulációjának lehetőségeit feszegeti. A 2025-ben bemutatott rendszer úgynevezett „világmodell”, amely képes dinamikus, interaktív 3D környezeteket létrehozni valós időben. Ez azt jelenti, hogy egy szöveg prompt-al már nem csak képet vagy videót, de egy teljesen konzisztens, interaktív világot is készíthetünk pillanat alatt. Kvázi instant számítógépes játékot generál nekünk az AI pillanatok alatt.
Bár lelkes gamer-ként már ez a lehetőség is egészen felcsigázott, ez a technológia jelentősen túlmutat a virtuális valóság vagy a számítógépes játékok világán. A Genie 3 célja, hogy az AI belső modelleket alakítson ki a környezetről, és képes legyen azokban mozogni, előre jelezni, reagálni. Ez a képesség kulcsfontosságú az általános mesterséges intelligencia (AGI) kifejlesztése felé vezető úton.
A potenciális alkalmazások sokrétűek lehetnek, de a legnagyobb előnye az önvezető járművek és robotok tréningje lehet mesterséges adatokkal. A valósághű világmodellek lehetővé teszik, hogy az AI ne csak statikus adatokon tanuljon, hanem valószerű, változatos helyzetekben fejlessze képességeit. Ráadásul ehhez nem is kell költséges módon valós helyzetekbe hozni az adott robotot, hanem olcsón, szimulált adatokkal tudjuk majd tanítani őket, hogy minél jobban felkészítsük a való világra.
Ha az AlphaFold2 a „mikroszkóp”, amellyel az AI a molekulák világát láthatóvá tette, akkor a Genie 3 egyfajta „szimulátor”, amelyben a jövő intelligens rendszerei megtanulhatják, hogyan működik a világ.
Mit hoz a jövő?
Amikor Demis Hassabis 2024-ben átvette a Nobel-díjat, beszédében hangsúlyozta: az AlphaFold2 nemcsak tudományos áttörés, hanem bizonyíték arra, hogy a mesterséges intelligencia eszközként szolgálhat az emberiség előtt álló legnagyobb kihívások megoldásában. „Az AI képes katalizálni a tudományos felfedezéseket” — mondta, hozzátéve, hogy a valódi munka most kezdődik: a felfedezések gyakorlati alkalmazása az egészségügyben, az élelmiszeriparban és a környezetvédelemben.
A Genie 3 bemutatása ugyanakkor arra is rávilágított, hogy a DeepMind nem csupán a tudományra összpontosít, hanem az általános mesterséges intelligencia felé vezető technológiai alapokat is építi. Demis, és a hozzá hasonló tudósok rengeteget lendítenek előre társadalmunk fejlődésén. Külön öröm számomra, hogy az általa vezetett DeepMind nem csupán mindig egy marginálisan jobb chatbot fejlesztésén dolgozik, hanem a mesterséges intelligenciát igazán áttörő tudományos kutatásokra fordítja. Kíváncsi vagyok mi lesz az az elképesztően nehéz probléma aminek a megoldásán már most bőszen dolgoznak.
Énekes Tamás, a HOLD privátbankárának írásait itt böngészheted a HOLDBLOG-on.