Demis Hassabis

Da bambino prodigio degli scacchi a Premio Nobel, passando per i videogiochi, le neuroscienze e la frontiera dell'intelligenza artificiale generale: la storia di una delle figure più decisive del nostro tempo.

Un'infanzia fuori dall'ordinario

Sir Demis Hassabis nasce il 27 luglio 1976 a Londra, con nome completo Dimitrios Hassapis. Le sue radici sono cosmopolite: il padre Costas è greco-cipriota, la madre Angela è singaporiana di origine cinese, entrambi descritti come persone dalla sensibilità artistica e bohémienne. È in questo contesto familiare ibrido e culturalmente ricco che si forma una delle intelligenze più rare della generazione contemporanea.

A quattro anni inizia a giocare a scacchi; a tredici raggiunge il livello di Candidate Master con un rating FIDE che toccherà i 2300 punti, rientrando tra i migliori cento giovani scacchisti al mondo. Gli scacchi, secondo Hassabis, rappresentano un laboratorio per comprendere la pianificazione a lungo termine, la gestione dell'incertezza, la bellezza di sistemi governati da regole semplici che generano una complessità pressoché infinita.

Il videogioco come prima lingua

A quattordici anni Hassabis ottiene il suo primo impiego retribuito come tester di videogiochi. A diciassette co-progetta e guida la programmazione di Theme Park, simulatore gestionale pubblicato da Bullfrog Productions nel 1994 che diventa un successo commerciale con milioni di copie vendute. È uno dei giochi di simulazione più influenti degli anni Novanta, precursore dell'intero genere dei tycoon games.

Il successo non porta alla distrazione ma a Cambridge: Hassabis si laurea in informatica con lode al Queens' College. Nel periodo successivo fonda Elixir Studios, una software house londinese che produce titoli come Republic: The Revolution ed Evil Genius prima di chiudere nel 2005. 

La svolta accademica - cervello, memoria e immaginazione

Anziché restare nell'industria del videogioco, Hassabis torna all'università. Si iscrive al dottorato in neuroscienze cognitive alla University College London (UCL), sotto la supervisione di Eleanor Maguire, tra le massime esperte mondiali di memoria episodica e navigazione spaziale.

La sua tesi (Neural Processes Underpinning Episodic Memory) produce risultati che vanno ben oltre il dottorato. In un articolo pubblicato su PNAS, Hassabis mostra per la prima volta che persone con lesioni all'ippocampo, area cerebrale associata all'amnesia, perdono simultaneamente la capacità di ricordare il passato e quella di immaginare scenari futuri mai vissuti. La memoria episodica e l'immaginazione condividono la stessa architettura neuronale: entrambe richiedono la costruzione attiva di scene coerenti nella mente.

Questa scoperta viene classificata tra le Top Ten Scientific Breakthroughs of 2007 dalla rivista Science. Per Hassabis ha un significato che va oltre la biologia: capire come il cervello costruisce rappresentazioni interne del mondo diventa il progetto intellettuale attorno al quale ruoterà tutto il resto.

Dopo il dottorato, compie un periodo di ricerca postdottorale come visiting scientist al MIT e ad Harvard, poi ottiene una fellowship Wellcome alla Gatsby Computational Neuroscience Unit dell'UCL, unità fondata da Geoffrey Hinton. È qui che le neuroscienze e l'intelligenza artificiale smettono di essere discipline separate nella sua traiettoria intellettuale.

DeepMind: fondare una nuova scienza

Nel 2010, assieme a Shane Legg e Mustafa Suleyman, Hassabis fonda DeepMind a Londra con una missione dichiarata tanto ambiziosa da sembrare naïve: risolvere l'intelligenza e usarla per risolvere tutto il resto. Il piano è costruire algoritmi di apprendimento per rinforzo ispirati ai meccanismi del cervello umano, sistemi capaci di apprendere da zero qualsiasi compito con la minima supervisione esterna.

Google acquisisce DeepMind nel gennaio 2014 per circa 450 milioni di sterline (la maggiore acquisizione europea di un'azienda di intelligenza artificiale fino a quel momento) lasciando Hassabis alla guida come CEO. L'accordo include clausole di autonomia scientifica che risulteranno decisive per preservare l'orientamento verso la ricerca fondamentale.

La famiglia Alpha - giochi come telescopi verso l'intelligenza

AlphaGo (2016)

Il Go è un gioco di strategia su tavola con circa 10^170 configurazioni possibili: più degli atomi stimati nell'universo osservabile. Per decenni la comunità scientifica ritiene che una macchina non riuscirà a padroneggiarlo prima di molti anni, perché il Go richiede qualcosa che assomiglia all'intuizione: la capacità di valutare posizioni non calcolabili per via puramente combinatoria.

Nel marzo 2016, AlphaGo affronta il campione del mondo Lee Sedol in una serie di cinque partite trasmessa in diretta globale. Vince 4-1. La mossa 37 della seconda partita (un'azione che nessun esperto umano avrebbe considerato) diventa simbolo di una forma di creatività strategica genuinamente non umana. Il risultato viene considerato un decennio in anticipo rispetto alle previsioni della comunità.

AlphaGo Zero e AlphaZero (2017-2018)

AlphaGo aveva imparato da milioni di partite umane. AlphaGo Zero impara soltanto dalle regole del gioco, senza alcun dato umano di partenza, e supera AlphaGo 100-0 in poche ore. AlphaZero generalizza ulteriormente: parte da zero e diventa il sistema più forte al mondo in Go, scacchi e shogi simultaneamente, imparando migliaia di anni di teoria umana in pochi giorni. La scoperta fondamentale è che algoritmi sufficientemente potenti trovano strategie che gli esseri umani non hanno mai concepito.

AlphaStar (2019)

StarCraft II rappresenta una sfida qualitativamente diversa: è un gioco in tempo reale con informazione incompleta, migliaia di azioni possibili per secondo, gestione simultanea di unità multiple su mappe vaste. Nel 2019, AlphaStar raggiunge il livello Grandmaster (il top 0,2% dei giocatori europei) dimostrando che gli stessi principi di apprendimento per rinforzo scalano verso problemi di complessità radicalmente superiore.

MuZero (2020)

MuZero risolve giochi senza conoscerne le regole, costruendo autonomamente un modello interno della realtà su cui pianificare. Il salto concettuale è significativo: l'algoritmo apprende non solo a giocare, ma a capire come funziona il mondo in cui opera. Viene poi applicato a problemi reali, tra cui la compressione dei video YouTube, con risultati di efficienza superiori ai metodi tradizionali.

AlphaFold - la biologia come problema computazionale

Il problema del ripiegamento proteico

Le proteine sono le macchine molecolari della vita: determinano quasi ogni processo biologico, dalla risposta immunitaria alla replicazione cellulare. La loro funzione dipende dalla struttura tridimensionale che assumono ripiegandosi a partire dalla sequenza lineare di amminoacidi. Determinare sperimentalmente questa struttura richiede anni di lavoro in laboratorio e attrezzature da milioni di euro. Il problema computazionale di prevedere la struttura dalla sequenza (noto come protein folding problem) rimane aperto per cinquant'anni nonostante le risorse di buona parte della comunità scientifica mondiale.

La soluzione (2020-2024)

Nel 2020, AlphaFold 2 partecipa alla competizione biennale CASP14 (Critical Assessment of Structure Prediction) e ottiene punteggi di accuratezza comparabili alle determinazioni sperimentali, risolvendo il problema in modo così netto da far dire ai giudici che la sfida è essenzialmente conclusa. Nel 2022, DeepMind pubblica le strutture di quasi tutte le 200 milioni di proteine conosciute alla scienza, rendendo il database gratuitamente accessibile alla comunità globale.

Le implicazioni sono immediate e concrete: ricercatori impegnati sulle malattie neglette trovano in pochi giorni strutture che avrebbero richiesto anni; i programmi di sviluppo farmaceutico accelerano le fasi di target identification; lo studio di Alzheimer, malaria, cancro e resistenza agli antibiotici ottiene strumenti senza precedenti.

Il 9 ottobre 2024, Hassabis e John Jumper ricevono il Premio Nobel per la Chimica. È la prima volta nella storia che il riconoscimento viene assegnato per un contributo dell'intelligenza artificiale alla scienza. Hassabis riceve lo stesso giorno anche l'ufficializzazione del titolo di Sir per servizi alla scienza e alla nazione.

GNoME - la scoperta dei materiali

Nel novembre 2023, il team di DeepMind presenta GNoME (Graph Networks for Materials Exploration), un sistema che identifica 2,2 milioni di nuove strutture cristalline stabili: una cifra che supera di 45 volte il totale di tutti i materiali stabili precedentemente noti alla scienza, accumulati nel corso dell'intera storia della chimica dei materiali. Di questi, 381.000 vengono resi disponibili per la sperimentazione.

L'impatto potenziale riguarda l'energia rinnovabile, i superconduttori, le batterie di nuova generazione e i componenti elettronici avanzati. Il tempo necessario per identificare un candidato materiale interessante si riduce da anni a ore.

GraphCast e Weathernext - prevedere il tempo con un minuto di calcolo

DeepMind sviluppa GraphCast, un modello che produce previsioni meteorologiche globali a dieci giorni con accuratezza superiore ai sistemi tradizionali, completando il calcolo in meno di un minuto su hardware standard. Il suo successore, WeatherNext 2, alimenta già le previsioni in Google Search, Maps, Gemini e Pixel Weather, con un programma di accesso anticipato su Google Cloud per applicazioni aziendali in settori come aviazione, agricoltura e gestione dei disastri naturali.

SIMA - agire nel mondo tridimensionale

Nel marzo 2024, DeepMind presenta SIMA (Scalable Instructable Multiworld Agent), un sistema capace di interpretare istruzioni in linguaggio naturale ed eseguire compiti in ambienti virtuali tridimensionali diversi, sviluppato in collaborazione con otto studi di videogioco. L'obiettivo non è padroneggiare un gioco specifico, ma costruire agenti capaci di comprendere istruzioni e agire in contesti spaziali generici, un passo verso sistemi utilizzabili nel mondo fisico.

Isomorphic Labs - dalla biologia alla medicina

Nel 2021, Hassabis fonda Isomorphic Labs come sussidiaria di Google DeepMind, con la missione di tradurre le scoperte di AlphaFold in terapie concrete. L'azienda sviluppa la piattaforma IsoDDE (Isomorphic Drug Design Engine), un motore di progettazione molecolare che punta a superare i limiti tradizionali della farmaceutica accelerando la fase di progettazione di nuove molecole terapeutiche. Le prime sperimentazioni cliniche su molecole interamente progettate dall'intelligenza artificiale sono attese entro il 2025-2026.

Gemini e la fusione con Google Brain

Nel 2023, Google DeepMind si fonde con Google Brain, il team interno di ricerca sull'intelligenza artificiale di Google, formando un'unica organizzazione con Hassabis alla guida. Questa integrazione concentra alcune delle risorse di ricerca sull'IA più significative al mondo in una struttura unificata. Nasce la famiglia di modelli Gemini, attualmente alla terza generazione, distribuita su Google Search in modalità AI Mode, sull'app Gemini e su Vertex AI.

Verso l'AGI - responsabilità alle pendici della singolarità

La visione di Hassabis verso l'intelligenza artificiale generale (AGI) è coerente e di lungo termine. Stima che sistemi capaci di eguagliare o superare le capacità cognitive umane in molteplici domini potrebbero emergere intorno al 2030, collocando il presente nelle pendici di quella che definisce una svolta epocale.

Su questo orizzonte, la posizione di Hassabis è complessa e spesso fraintesa. Ritiene che l'AGI rappresenti la tecnologia più trasformativa mai sviluppata (con il potenziale di accelerare la scoperta scientifica, eradicare malattie e affrontare le sfide climatiche) ma insiste che questa potenza richiede governance proporzionale. Sostiene pubblicamente la necessità di protocolli di sicurezza sviluppati congiuntamente tra laboratori di frontiera, governi ed economisti prima del rilascio di sistemi ad altissima capacità, con attenzione specifica al monitoraggio dei processi di ragionamento degli algoritmi.

Sul piano organizzativo, oppone alla tendenza settoriale ai licenziamenti una filosofia espansiva: i guadagni di produttività generati dagli strumenti di automazione andrebbero reimpiegati per moltiplicare i progetti di ricerca e affrontare le sfide scientifiche più complesse, anziché contrarre le forze lavoro.

Riconoscimenti e posizione pubblica

Il profilo istituzionale di Hassabis è tra i più rilevanti nel campo dell'intelligenza artificiale a livello mondiale. Tra i riconoscimenti principali figurano:

• Premio Nobel per la Chimica 2024, con John Jumper, per AlphaFold

• Knighthood (Sir) nel 2024, per servizi all'intelligenza artificiale

• Albert Lasker Award for Basic Medical Research (2023)

• Breakthrough Prize in Life Sciences (2023)

• Canada Gairdner International Award (2023)

• Time 100 Most Influential People, sia nel 2017 che nel 2025

• "Architects of AI", Person of the Year di Time nel 2025

• Fellow della Royal Society e della Royal Academy of Engineering

• Membro dell'Accademia Pontificia delle Scienze dal 2023

Il suo lavoro scientifico conta oltre 200.000 citazioni accademiche. È consigliere del governo britannico sull'intelligenza artificiale e partecipa attivamente ai principali forum globali su tecnologia ed etica dell'IA.

Una traiettoria unica

Ciò che rende la traiettoria di Hassabis genuinamente singolare non è il catalogo dei successi, ma la coerenza intellettuale che li attraversa. Gli scacchi, i videogiochi, le neuroscienze, l'intelligenza artificiale, la biologia molecolare: in ciascuno di questi campi ha visto la stessa cosa: sistemi complessi governati da regole che generano un'intelligenza emergente, e la possibilità di usare questa comprensione per affrontare problemi che sembravano irrisolvibili.

La sua tesi di dottorato sul nesso tra memoria e immaginazione non è un episodio isolato della biografia: è la chiave teorica che informa l'intera architettura di DeepMind, l'idea che l'intelligenza autentica (artificiale o biologica) sia la capacità di costruire modelli interni del mondo e usarli per immaginare ciò che ancora non esiste.

In questo senso, Hassabis non sta semplicemente costruendo macchine intelligenti, sta cercando di capire cosa significhi essere intelligenti.

Massimo Zanetti