Demis Hassabis: od računalnih igara do Nobela i AI-ja za znanstvena otkrića

Demis Hassabis godinama je naizgled udaljena područja povezivao u istu priču: igre, način na koji ljudi uče i pokušaj da računalo rješava sve složenije probleme. Danas je suosnivač i izvršni direktor Google DeepMinda, a Nobelova nagrada za kemiju iz 2024. njegov je rad povezala s jednim od velikih znanstvenih pitanja — predviđanjem strukture proteina.^[2][4]

Njegov put zato vrijedi promatrati kroz probleme koje je birao. Pobjeda u igri, razumijevanje pamćenja i pomoć biologu traže različite dokaze uspjeha. Zajednička im je ambicija da se iz podataka i iskustva nauči nešto što omogućuje bolju sljedeću odluku.

Igre kao početak, učenje kao središnja tema

U arhivskom razgovoru s Hannah Fry za DeepMindov podcast iz 2019. Hassabisov je put predstavljen kroz šah, dizajn igara i neuroznanost.^[1] To je važan dio njegova portreta: prije današnje javne uloge bavio se i pravilima svjetova koje gradimo za igru i pitanjima o sposobnostima ljudskog uma.

DeepMind je pokrenut 2010. s interdisciplinarnim pristupom koji povezuje strojno učenje, neuroznanost, matematiku i računalnu infrastrukturu. Igre su postale jedno od okruženja za provjeru sustava; među ranim primjerima bio je DQN, koji je učio igrati Atari igre.^[2]

Takva okruženja imaju korisnu prednost za istraživanje: postoji jasan cilj i rezultat koji se može provjeriti. To omogućuje usporedbu metoda kroz velik broj pokušaja. Kasniji izlazak iz igre u stvarni svijet traži i nova pravila procjene, jer izvan ploče podaci i posljedice postaju mnogo složeniji.

AlphaGo: trenutak koji je publika mogla pratiti

U ožujku 2016. AlphaGo je u Seulu pobijedio Leeja Sedola rezultatom 4:1. Sustav je kombinirao neuronske mreže i pretraživanje mogućih poteza, uz učenje iz ljudskih partija i igre protiv vlastitih verzija.^[3]

Meč je složeno istraživanje učinio vidljivim širokoj publici. Ljudi su mogli gledati potez, očekivati odgovor i pratiti ishod. U Hassabisovu profilu taj je događaj važan kao potvrda rada istraživačke organizacije koju vodi, a ne kao osobni dvoboj čovjeka i pojedinačnog izumitelja.

AlphaFold: kada rezultat postane alat za druge

Sljedeća velika etapa bila je predviđanje trodimenzionalne strukture proteina. Za taj su rad Hassabis i John Jumper dobili zajedničku polovicu Nobelove nagrade za kemiju 2024.; drugu polovicu dobio je David Baker za računalni dizajn proteina.^[4]

Razlika između ta dva doprinosa važna je za razumijevanje nagrade. Predviđanje strukture postojećeg proteina i oblikovanje novog proteina povezani su, ali različiti zadaci. U oba slučaja računalni pristup može pomoći istraživaču postaviti sljedeći pokus i usmjeriti vrijeme prema obećavajućem pitanju.

Za čitatelja koji se pita što AI donosi izvan razgovornog prozora, AlphaFold je dobar primjer. Njegova se korisnost procjenjuje prema znanstvenom problemu i rezultatima koje drugi mogu upotrijebiti. Dobivena struktura pritom je dio istraživanja; razvoj lijeka uključuje i daljnju provjeru djelovanja, sigurnosti i učinkovitosti.

Što vodi danas

Google DeepMind danas objedinjuje ranije timove DeepMinda i Google Braina pod Hassabisovim vodstvom.^[2] To povezuje istraživački rad s razvojem sustava koje koriste znanstvenici, organizacije i široka publika.

U travnju 2026. Google DeepMind objavio je partnerstvo s južnokorejskim Ministarstvom znanosti i ICT-ja. Najava uključuje plan AI Campusa u Googleovim uredima u Seulu i istraživačke suradnje u područjima poput biologije, energije i klime.^[5] Taj primjer pokazuje kako se ambicija širi s pojedinog modela na pristup alatima, stručnjacima i institucijama.

Postignuća i otvorena ambicija

Hassabisov je dugoročni cilj razvoj općenitijih AI sustava; Google DeepMind takvu viziju javno ističe.^[2] Za njezino praćenje korisno je zadržati mjeru koju nude njegova dosadašnja velika postignuća: jasno postavljen problem, provjerljiv rezultat i mogućnost da se na radu nastavi.

Za hrvatske istraživače i kompanije to je praktičan dio ovog portreta. Vrijedi pitati koji je problem dovoljno važan da zaslužuje dobar skup podataka i ozbiljnu provjeru. Put od igara do Nobelove nagrade pokazuje koliko se područja primjene mogu promijeniti, dok potreba za dokazivim rezultatom ostaje.