Код жизни: как Демис Хассабис взломал секреты природы с помощью ИИ

Представьте подростка, который отказывается от карьеры в игровой индустрии и миллиона фунтов, чтобы поступить в университет и заняться нейронаукой. Его цель амбициозна до безумия: он хочет построить цифровой разум. Это реальная история Демиса Хассабиса, который превратил искусственный интеллект из темы для научной фантастики в самый мощный инструмент современной науки. Сегодня его разработки не просто выигрывают в игры, они расшифровывают саму основу жизни, а спустя годы после описываемых событий приносят своим создателям Нобелевскую премию и надежду на исцеление от самых страшных болезней. Вот самое главное.

______________

👉 Смотрите лучший документальный фильм про создание ИИ с профессиональным переводом на русский и дикторской озвучкой.

______________

Путь Демиса начался за шахматной доской. К тринадцати годам он стал одним из лучших юных шахматистов мира, но быстро понял, что его больше интересует не сама игра, а то, как мозг находит решения. Он видел в компьютерах не просто калькуляторы, а «усилители человеческого разума». Его ранний успех в индустрии видеоигр — легендарная Theme Park, где он программировал поведение автономных персонажей, — дал ему опыт и понимание того, что виртуальные миры на самом деле идеальный полигон для обучения алгоритмов.

Вместе с Шейном Леггом, с которым они познакомились в Лондонском университетском колледже, Хассабис решил, что академическая среда 2000-х не готова воспринимать исследования ИИ всерьез. Единственным выходом было создать компанию.

Первым крупным инвестором DeepMind стал Питер Тиль, но он настаивал на переезде в Кремниевую долину. Хассабис проявил твёрдость и компания осталась в Лондоне. Он знал, что в Кембридже, Оксфорде и UCL есть невероятно сильные специалисты, а Кремниевая долина с ее культурой «быстро создать — быстро бросить» не подходит для долгосрочной исследовательской задачи. Тиль пошел на исключение, и DeepMind начал свой путь к созданию «первой в мире универсальной обучающейся машины».

💡 Глубоко интересуетесь ИИ? Подпишитесь на канал, где я разбираю идеи мировых AI-лидеров и делюсь наблюдениями, как ИИ меняет бизнес, работу и жизнь. Подробнее

Многие спрашивали, зачем тратить годы на обучение ИИ игре в Го, шахматы или StarCraft. Для команды DeepMind игры были безопасной средой со строгими правилами, где интеллект мог эволюционировать. Начав с простейшего Pong, система, которая поначалу не могла даже понять, как двигать ракетку, через три месяца игры уже обыгрывала любого человека. Она училась с нуля, зная только то, что очки — это хорошо.

Переход к игре Breakout принес неожиданное открытие: через 500 игр система нашла стратегию, которую не закладывали разработчики. Она прорывала тоннель сбоку и загоняла мяч за стену, получая максимальные очки. Это был первый пример того, что алгоритм способен находить решения, не предусмотренные человеком.

Но настоящий прорыв случился с AlphaGo. Триумф в матче против легендарного Ли Седоля стал историческим моментом не из-за победы машины, а из-за того, как она победила. Знаменитый «ход 37» во второй партии поверг комментаторов в шок. Дэвид Сильвер, ведущий научный сотрудник DeepMind, позже заглянул внутрь нейросети и увидел, что AlphaGo оценивал вероятность того, что человек сделает этот ход, как один к десяти тысячам. Машина проявила нечто неотличимое от интуиции и творчества.

Затем пришел черед StarCraft II, игры с неполной информацией, где ты не видишь противника и решения нужно принимать в реальном времени. Созданный алгоритм AlphaStar после месяцев обучения смог обыграть профессионального игрока, делая до 800 полезных кликов в минуту — скорость, недоступная человеку.

После побед в играх Демис направил мощь своего детища на самую сложную биологическую задачу столетия — проблему сворачивания белка. Белки являются строительными блоками жизни, и их функция зависит от сложной трехмерной формы. Пятьдесят лет ученые пытались предсказывать эти формы по цепочкам аминокислот, тратя на один белок годы лабораторных исследований. Это был «святой грааль» биологии, ключ к пониманию того, как работают вирусы и как создаются лекарства.

Когда команда DeepMind впервые взялась за белки, многие были настроены скептически. И первые попытки провалились.

На соревновании CASP13 (что-то вроде Олимпийских игр по сворачиванию белков) DeepMind выступил лучше всех, но это была пиррова победа. Результаты AlphaFold были недостаточно точны для практического использования биологами.

Наступил тяжелый период. Часть команды считала затею обреченной. Сам Хассабис задумался, что возможно, он ошибался, и для современного уровня ИИ это все еще слишком сложно. Но вместо того чтобы улучшать существующую систему, принял рискованное решение откатиться назад и начать почти с нуля. Месяцами новые модели показывали результаты хуже старых. То была «долина смерти» — самый опасный этап любого исследования.

Перелом наступил, когда в команду пригласили биологов и полностью переписали поток данных. Добавление предметных знаний о биологии в сочетании с мощью машинного обучения дало эффект, которого ждали десятилетиями.

А потом грянула пандемия. Одним из сложнейших тестов для новой версии AlphaFold стал белок коронавируса ORF8 — ключевой белок, подавляющий иммунную систему. Учёные работали над ним в условиях локдауна, из дома, в пижамных штанах. Результат превзошел все ожидания. На CASP14 система AlphaFold2 достигла точности, которую эксперты считали недостижимой.

Затем команда приняла решение, которое изменило науку. Вместо того чтобы создавать сервис по запросам, они предсказали структуру всех известных науке белков — более 200 миллионов. То, на что у человечества ушли бы столетия кропотливого труда, ИИ сделал за считанные месяцы. База данных AlphaFold была открыта для ученых всего мира совершенно бесплатно. Эрик Шмидт, бывший глава Google, назвал это «даром человечеству». А 2024 году эта работа принесла Демису Хассабису и Джону Джамперу Нобелевскую премию по химии.

Сегодня база данных AlphaFold используется тысячами ученых одновременно, и в моменты пиковых нагрузок система обрабатывала до 100 000 одновременных пользователей. Биологи в любой точке планеты могут мгновенно увидеть структуру нужного белка, что радикально ускоряет исследования в области борьбы с раком, малярией и болезнью Альцгеймера.

ИИ-проектирование открывает путь к созданию лекарств будущего. Теперь ученые могут задуматься о создании новых белков — например, для лечения рака или для разложения пластика и помощи окружающей среде. Медицина постепенно превращается из метода проб и ошибок в точную инженерную дисциплину, способную побеждать болезни, которые раньше считались неизлечимыми.

Несмотря на триумфальные успехи, Демис Хассабис остается сторонником осторожного подхода. Он часто вспоминает уроки Манхэттенского проекта:

Сегодня путь к общему искусственному интеллекту (AGI) уже не кажется фантастикой. Сам Хассабис прогнозирует его появление в ближайшие 5–10 лет. Он сравнивает эту технологию с открытием электричества или огня по масштабу влияния на цивилизацию. Но, в отличие от многих техно-оптимистов, настаивает на глобальной координации и создании институтов, которые смогут защитить человечество.

Оглядываясь на пройденный путь, Демис Хассабис может с уверенностью сказать, что его детская мечта подключить мощь интеллекта к решению величайших проблем человечества начинает сбываться. И если шахматы когда-то научили его мыслить, то ИИ теперь учит нас понимать саму жизнь.

Смотрите другие видеоинтервью на канале «AI из первых уст». Подпишитесь на телеграм-канал «Кеды профессора», чтобы быть в курсе событий мирового ИИ.