Demis Hassabis ha ricevuto il Premio Nobel per la chimica per i suoi studi presso Google DeepMind, uno dei laboratori di ricerca e sviluppo di intelligenza artificiale più importanti al mondo. Hassabis, amministratore delegato e co-fondatore dell’azienda, insieme agli altri due destinatari del prestigioso premio, è riuscito a prevedere la struttura di ogni proteina conosciuta utilizzando il software di intelligenza artificiale noto come AlphaFold.
Hassabis ha rilasciato una lunga intervista al Financial Times, della quale riportiamo le parti salienti.
La prossima grande sfida che l’intelligenza artificiale dovrà affrontare
Alla domanda, Hassabis ha risposto che “ce ne sono diverse. In primo luogo, per quanto riguarda la biologia – si può vedere dove stiamo andando con AlphaFold 3 – l’idea è di capire le interazioni [biologiche] e alla fine di modellare un intero percorso. E poi, a un certo punto, voglio costruire una cellula virtuale. Con Isomorphic [lo spin-off di DeepMind per lo sviluppo di farmaci] stiamo cercando di espanderci nella scoperta di farmaci: progettare composti chimici, capire dove si legano, prevedere le proprietà di tali composti, l’assorbimento, la tossicità e così via. Abbiamo ottimi partner [in] Eli Lilly e Novartis … stiamo lavorando a progetti con loro, che stanno andando molto bene. Voglio risolvere alcune malattie. Voglio aiutare a curare alcune malattie”.
DeepMind oltre la biologia
DeepMind non si occupa soltanto di biologia. “Sono molto entusiasta del nostro lavoro di design dei materiali: l’anno scorso abbiamo pubblicato un articolo su Nature su uno strumento chiamato GNoME [uno strumento di intelligenza artificiale che ha scoperto 2,2 milioni di nuovi cristalli]”, ha affermato Hassabis.
“Questo è il livello AlphaFold 1 della progettazione dei materiali. Dobbiamo arrivare al livello AlphaFold-2, su cui stiamo lavorando. Risolveremo alcune importanti congetture in matematica con l’aiuto dell’intelligenza artificiale. In estate abbiamo ottenuto la medaglia d’argento alle Olimpiadi. È una competizione molto dura. Nei prossimi due anni risolveremo una delle principali congetture. E poi, per quanto riguarda l’energia e il clima, avete visto che la nostra modellazione meteorologica Graphcast ha vinto un premio MacRobert, un grande onore dal punto di vista ingegneristico. Stiamo studiando se possiamo usare alcune di queste tecniche per aiutare la modellazione del clima, per farlo in modo più accurato, il che sarà importante per affrontare il cambiamento climatico, oltre che per ottimizzare le reti elettriche e così via”.
Hassabis e l’AGI
Alla domanda sul progresso dell’intelligenza artificiale generale (AGI), Hassabis risponde: “Ovviamente, sono molto concentrato sul progresso dell’intelligenza artificiale generale [AGI] con sistemi basati su agenti. Probabilmente vorremo parlare del Progetto Astra e del futuro degli assistenti digitali, gli assistenti digitali universali, a cui sto lavorando personalmente e che considero sulla strada dell’AGI. Sembra un momento di svolta per l’AI, un riconoscimento del fatto che può effettivamente, e ora è abbastanza matura, contribuire alla scoperta scientifica. (…)
“Penso che dobbiamo capire cosa fanno i sistemi, quali sono i loro limiti e come controllare e proteggere questi sistemi. La comprensione è una parte importante del metodo scientifico. Credo che questo aspetto manchi all’ingegneria pura. L’ingegneria è solo vedere: funziona? E, se non funziona, si riprova. Si tratta di tentativi ed errori. È una tecnologia così potente che si vuole fare il minor numero possibile di passi falsi. La scienza è ciò che si può capire prima che tutto ciò accada. E, idealmente, questa comprensione significa che si commettono meno errori. Il motivo per cui questo è importante per l’AGI e l’AI è che si tratta di una tecnologia così potente che si vuole fare il minor numero possibile di passi falsi. Naturalmente si vuole essere in grado di ottenere la perfezione, ma è una tecnologia troppo nuova e in rapido movimento. Ma possiamo sicuramente fare un lavoro migliore di quello che, forse, abbiamo fatto con le tecnologie passate. Penso che dobbiamo farlo con l’AI. Questo è ciò che sostengo. Quando ci avvicineremo all’AI, forse tra qualche anno, si porrà una questione sociale, che potrebbe anche essere informata dal metodo scientifico. Quali valori vogliamo che questi sistemi abbiano? Quali obiettivi vogliamo che si pongano? Quindi sono cose separate. C’è la questione tecnica: come si fa a mantenere il sistema in linea con l’obiettivo prefissato? Ma questo non aiuta a decidere quale debba essere l’obiettivo, giusto? Ma è necessario che entrambe le cose siano corrette per un sistema AGI sicuro. La seconda, credo, potrebbe essere più difficile: quali obiettivi, quali valori e così via, perché è più una questione ONU o geopolitica. Penso che sia necessaria un’ampia discussione su questo punto, con i governi, con la società civile, con il mondo accademico, con tutte le parti della società – e anche con le scienze sociali e la filosofia. Cerco di coinvolgere tutti questi tipi di persone, ma sono un po’ insolito in questo senso. Sto cercando di incoraggiare più persone a farlo o almeno a fungere da modello, a fare da tramite per portare queste voci intorno al tavolo. Penso che dovremmo iniziare ora perché, anche se l’AGI è a 10 anni di distanza, e alcuni pensano che potrebbe essere molto prima, non è molto tempo”.
L’AI e il Premio Nobel
L’intelligenza artificiale è stata premiata due volte con il Nobel, per la chimica e per la fisica [quest’anno il premio per la fisica è andato a Geoffrey Hinton e John Hopfield per il loro lavoro sulle reti neurali, la tecnologia fondamentale per i moderni sistemi di AI], cosa ne pensa Hassabis? “Sembra un momento di svolta per l’AI, un riconoscimento del fatto che può effettivamente, e che ora è abbastanza matura, contribuire alla scoperta scientifica. AlphaFold ne è il miglior esempio. E i premi di Geoff e Hopfield erano per un lavoro algoritmico più fondamentale… È interessante che abbiano deciso di metterli insieme, quasi come doppi premi correlati. Per quanto mi riguarda, spero che guardando indietro tra 10 anni AlphaFold abbia inaugurato una nuova era d’oro della scoperta scientifica in tutti questi diversi settori. Spero che noi ci aggiungeremo a questo corpo di lavoro”.
L’apprendimento automatico ha cambiato anche il nostro modo di apprendere
Ad Hassabis è stato poi domandato se l’intelligenza artificiale cambia il modo in cui impariamo i concetti scientifici. “È una domanda interessante”, ha risposto. “La previsione è in parte comprensione, in un certo senso. Se si riesce a prevedere, questo può portare alla comprensione. Ora, questi nuovi sistemi [di intelligenza artificiale] sono nuovi artefatti nel mondo, non rientrano nella normale classificazione degli oggetti. Hanno una capacità intrinseca che li rende una classe unica di nuovi strumenti. Il mio punto di vista è che se il risultato è abbastanza importante, per esempio una struttura proteica, allora questo è di per sé prezioso. (…) L’AI è come un livello di astrazione. Le persone che costruiscono i programmi e le reti lo capiscono a un certo livello di fisica, ma poi ne esce questa proprietà emergente, in questo caso le previsioni. Ma le previsioni possono essere analizzate da sole a livello scientifico. Credo che la comprensione sia molto importante. Soprattutto quando ci avviciniamo all’AGI. Credo che la situazione migliorerà molto rispetto a oggi. L’intelligenza artificiale è una scienza ingegneristica. Ciò significa che prima si deve costruire l’artefatto e poi lo si può studiare. È diverso da una scienza naturale, dove il fenomeno è già presente”.
Concentrarsi sui grandi modelli linguistici limita la produzione di idee
Ad Hassabis è stato chiesto se il fatto di concentrarsi sui modelli linguistici di grandi dimensioni (LLM) basati su trasformatori limiti la produzione di nuove idee. “Credo che in realtà molti dei laboratori più importanti stiano restringendo il campo delle loro esplorazioni, scalando i trasformatori”, ha risposto. “È chiaro che sono straordinari e che saranno una componente chiave dei sistemi AGI definitivi. Ma noi abbiamo sempre creduto molto nell’esplorazione e nella ricerca innovativa. Abbiamo mantenuto la nostra capacità di farlo: abbiamo di gran lunga il banco di ricerca più ampio e profondo in termini di invenzione del prossimo trasformatore, se questo è ciò che è necessario. Questo fa parte del nostro patrimonio scientifico, non solo di DeepMind ma anche di Google Brain. Stiamo raddoppiando il nostro impegno in questo senso, oltre ad essere ovviamente all’altezza di tutti per quanto riguarda l’ingegneria e la scalabilità”. (…) “Ho sempre creduto nella necessità di spingere al massimo le idee più interessanti e di esplorarne di nuove. Non si può sapere di quale svolta si ha bisogno finché non si conoscono i limiti assoluti delle idee attuali. Lo si è visto con le finestre di contesto lunghe [una misura della quantità di testo che un LLM può elaborare contemporaneamente]. Si trattava di un’innovazione interessante e nessun altro è stato in grado di replicarla. Questa è solo una cosa: vedrete molte altre innovazioni arrivare nel nostro lavoro tradizionale”.
