Demis Hassabis — dall'AlphaGo al Nobel, l'AI come motore scientifico

Chi è: Demis Hassabis, CEO e co-fondatore di DeepMind (2010), poi Google DeepMind (2023). Prodige degli scacchi (maestro a 13 anni), neuroscienziato (PhD Cambridge), game developer (Black & White, Theme Park). Ha fondato DeepMind con l'obiettivo esplicito di "risolvere l'intelligenza, poi usarla per risolvere tutto il resto." Nobel per la Chimica 2024 insieme a John Jumper e David Baker per AlphaFold.

La visione fondatrice

DeepMind è stata fondata nel 2010 con una mission insolita per un'azienda tech: "solve intelligence, and then use that to solve everything else." Non costruire prodotti specifici per mercati specifici, non ottimizzare metriche di engagement — capire i principi fondamentali dell'intelligenza come fenomeno computazionale, poi applicarli.

Hassabis vedeva AI e neuroscienze non come discipline separate ma come discipline che dovevano ispirarsi a vicenda in modo sistematico. Il cervello umano come mappa di ciò che è computazionalmente possibile — se la biologia l'ha risolto attraverso l'evoluzione, c'è qualcosa di fondamentale lì che vale la pena capire. E i progressi AI come strumenti per capire meglio il cervello — modelli computazionali che generano predizioni testabili su come funzionano sistemi neurali reali.

Questa visione bidirezionale è inusuale. La maggior parte dei ricercatori AI guarda il cervello solo come fonte di ispirazione vagamente metaforica ("reti neurali") o come caso di studio per il confronto ("gli umani sanno fare X, i modelli no"). Hassabis prende sul serio entrambe le direzioni del flusso — e questo ha influenzato le scelte architetturali e di ricerca di DeepMind in modo concreto.

La via da AlphaGo ad AlphaFold

Il percorso di DeepMind da AlphaGo ad AlphaFold non è una serie di progetti separati — è l'applicazione sistematica degli stessi principi a domini progressivamente più importanti per il progresso scientifico.

2016: AlphaGo batte Lee Sedol al Go in un match storico. Il Go era considerato il problema board game irrisolvibile per le macchine — lo spazio delle posizioni è talmente vasto che la forza bruta non funziona, si pensava richiedesse intuizione genuina. AlphaGo lo risolve combinando deep learning per la valutazione delle posizioni e Monte Carlo tree search per la pianificazione. 2017: AlphaZero generalizza l'approccio a scacchi, Go e shogi — partendo da zero, senza conoscenza specifica del dominio, raggiunge livello sovrumano in tutti e tre. 2018: AlphaFold 1 si classifica primo alla competizione CASP13 per la predizione della struttura proteica. 2020: AlphaFold 2 "risolve" il protein folding — il suo errore medio di predizione è comparabile all'incertezza sperimentale delle tecniche di determinazione della struttura cristallografica. 2022: database pubblico con oltre 200 milioni di strutture proteiche predette, reso disponibile gratuitamente.

Ogni passo usa tecniche simili — deep learning combinato con reinforcement learning o con ricerca — applicato a domini diversi. La coerenza metodologica è deliberata: non ottimizzare per ogni singolo problema, sviluppare metodi generali che scalino.

Il Nobel e cosa significa

Il Nobel per la Chimica 2024 a Demis Hassabis e John Jumper (per AlphaFold) insieme a David Baker (per protein design computazionale) ha generato discussione: è un premio per chimica o per informatica? I critici notano che Hassabis e Jumper sono informatici e ingegneri, non chimici nel senso tradizionale.

La risposta di Hassabis nella Nobel lecture è diretta: la distinzione disciplinare è irrilevante rispetto al contributo scientifico. AlphaFold ha permesso a ricercatori in biologia molecolare, virologia, sviluppo di farmaci, neuroscienza di rispondere a domande che con le tecniche sperimentali precedenti avrebbero richiesto anni o decenni. Il fatto che il metodo sia computazionale non riduce il valore della scoperta.

Il precedente stabilito è importante indipendentemente dalla semantica disciplinare: per la prima volta, un sistema AI ha contribuito a una scoperta scientifica fondamentale al punto da meritare il riconoscimento più alto della scienza mondiale. Non come tool di supporto, non come acceleratore di calcoli esistenti — come metodo che ha reso possibile una comprensione che prima non esisteva. La distinzione tra "AI come strumento" e "AI come agente di scoperta" è quella che Hassabis ritiene centrale per il futuro della ricerca scientifica.

Neuroscienze come fonte di ispirazione per l'AI

La lecture Nobel di Hassabis articola in modo sistematico come la neuroscienza abbia ispirato i progressi AI più importanti degli ultimi decenni. Le reti neurali artificiali sono ispirate — in modo stilizzato — dai neuroni biologici e dalle loro connessioni. Il reinforcement learning è ispirato dai meccanismi di reward del cervello biologico, in particolare dai circuiti dopaminergici. I meccanismi di memoria episodica in sistemi come AlphaGo sono ispirati al funzionamento dell'ippocampo. I meccanismi di attenzione nei transformer — la base architettonica di GPT, Claude, Gemini — hanno analogie con i meccanismi attentivi del sistema visivo e cognitivo umano.

Hassabis è preciso su un punto: non si tratta di imitazione biologica. Si tratta di ispirazione. I dettagli neurobiologici sono complessi, messy, evolutivamente contingenti. Non si vogliono replicare quei dettagli — si vogliono estrarre i principi computazionali che li sottendono, poi implementarli in modo pulito in sistemi artificiali.

E il flusso funziona nelle due direzioni. AlphaFold ha già aiutato i neuroscienziati a capire strutture proteiche legate a malattie neurali — proteine i cui ruoli erano opachi perché la struttura tridimensionale era sconosciuta. I modelli computazionali sviluppati per i sistemi AI possono essere usati per generare predizioni testabili su sistemi neurali biologici. La neuroscienza computazionale esiste da decenni — ma gli strumenti AI moderni stanno ampliando significativamente il suo raggio d'azione.

La tesi sulla scoperta scientifica

La parte più ambiziosa della Nobel lecture di Hassabis è la sua tesi sul ruolo futuro dell'AI nella scienza. Non si limita a descrivere quanto è stato fatto — proietta dove la traiettoria porta.

La tesi: l'AI potrebbe diventare lo "strumento scientifico definitivo" — non nel senso di sostituire gli scienziati umani, ma nel senso di amplificare radicalmente la velocità e la portata della ricerca. Sistemi AI capaci di generare ipotesi plausibili partendo da dati sperimentali, progettare esperimenti che possano falsificare o confermare quelle ipotesi, analizzare i risultati e aggiornare il modello, iterare — in cicli molto più veloci di quanto sia possibile con solo ricercatori umani.

Non un assistente degli scienziati che fa calcoli più veloci: un agente scientifico che partecipa al processo di generazione della conoscenza. La distinzione è quella tra un calcolatore e un collaboratore. Hassabis è esplicito: si aspetta che nei decenni successivi l'AI contribuisca a risolvere problemi aperti fondamentali in biologia, fisica delle particelle, medicina, climatologia — non in modo marginale ma come contributo centrale, come AlphaFold è stato un contributo centrale alla biologia strutturale.

AlphaFold è la proof of concept. Il punto non è la proteina — il punto è che il metodo ha funzionato: un sistema AI ha appreso qualcosa di fondamentale sulla struttura della vita che decenni di cristallografia e NMR non avevano completamente risolto. Se questo è possibile in un dominio, è possibile in altri.

---