DeepMind AI venció a Chess Grandmasters y Go Champions. Sin embargo, ahora el fundador y director de la compañía, Demis Hassabis, ha puesto sus ojos en problemas más grandes del mundo real que pueden cambiar nuestras vidas. El primero es el plegamiento de proteínas.
Demis Hassabis , un ex niño prodigio, un diploma de Cambridge con servicios sobresalientes en dos materias a la vez, cinco veces campeón de
los juegos intelectuales mundiales , graduado de MIT y Harvard, desarrollador de juegos, empresario de la adolescencia, cofundador de una startup de DeepMind que desarrolla inteligencia artificial, está en un casco amarillo. chaleco reflectante y botas de trabajo. Levanta la mano, bloquea los ojos del sol y mira a través de Londres desde el techo del edificio en Kings Cross. En cualquier dirección del mundo, la vista desde allí en la capital, bañada por el sol primaveral, prácticamente no oculta nada. Hassabis cruza el techo pavimentado y, usando el teléfono para determinar la dirección, mira hacia el norte para ver si puede ver la ciudad de Finchley desde donde creció. Los suburbios se pierden detrás de los árboles de Hampstead Heath, pero se las arregla para mirar la pendiente que conduce a Highgate, donde vive hoy con su familia.
Aquí estudia la ubicación de la futura sede de DeepMind, una startup que fundó en 2010 con Shane Legg, investigador del University College London, y su amigo de la infancia Mustafa Suleiman. Ahora este edificio es un sitio de construcción en el que los martillos, taladros y martillos perforadores están constantemente sonando. Hoy 180 contratistas están trabajando en el sitio de construcción, y en el pico de la construcción su número aumentará a 500. Este lugar, cuya apertura está programada para mediados de 2020, representa, en sentido figurado y literal, un nuevo comienzo de la compañía.
"Nuestra primera oficina fue en Russell Square, era una pequeña oficina para diez personas en el último piso de una casa al lado de la comunidad matemática de Londres", recuerda Hassabis, "en la que Turing pronunció sus famosas conferencias". Alan Turing, un pionero informático británico, es una figura sagrada para Hassabis. "Construimos sobre los hombros de gigantes", dice Hassabis, refiriéndose a otras figuras clave en la ciencia, "Leonardo da Vinci, John von Neumann", que también hicieron avances significativos.
La ubicación de la nueva sede, al norte de la estación de Kings Cross, en un lugar que recientemente se ha llamado el barrio Nolige, es característica en sí misma. DeepMind se fundó cuando la mayoría de las nuevas empresas de Londres obedecieron a Old Street. Pero Hassabis y sus colegas fundadores tenían otros planes: "resolver el problema de la inteligencia" y desarrollar una IA de propósito general (IION), aplicable a diversas tareas. Hasta ahora, este problema se ha resuelto mediante la creación de algoritmos que pueden ganar en los juegos: Breakout, ajedrez y listo. Los siguientes pasos son aplicar este esquema a la investigación científica para dividir en tareas complejas en química, física y biología utilizando la informática.
"Nuestra empresa se centra en la investigación", dice Hassabis, de 43 años. "Queríamos sentarnos al lado de la universidad", por lo que se refiere al University College London (UKL), en el que recibió un doctorado por su trabajo "Procesos neuronales en la base de recuerdos episódicos". "Por lo tanto, nos gusta estar aquí, todavía no estamos lejos de la UKL, la biblioteca británica, el Instituto Turing, no lejos de la universidad imperial ..."
Al bajar varios pisos, Hassabis está estudiando uno de los territorios que más le interesa: habrá una audiencia para las conferencias. Le complace considerar los dibujos y las representaciones en computadora de cómo se verá esta sala.
En la esquina noreste del edificio, su mirada se eleva hacia un gran espacio libre que abarca tres pisos, donde se ubicará la biblioteca. En este lugar, eventualmente aparecerá un objeto que Hassabis parece ansioso por ver: una enorme escalera en forma de doble espiral, que ahora se está ensamblando en partes. "Quería recordarle a la gente la ciencia y hacerla parte de este edificio", dice.
Hassabis y sus asociados saben que DeepMind se hizo famoso por sus avances en el aprendizaje automático y el aprendizaje profundo, como resultado de lo cual la prensa cubrió ampliamente los casos en que las redes neuronales que funcionaban con algoritmos dominaban perfectamente los juegos de computadora, vencían a los grandes maestros de ajedrez y obligaban a Lee Sedol, El campeón mundial en go, que se considera el juego más difícil de los inventados por el hombre, declara: "Desde el principio del juego no hubo un solo momento en el que pensara que podía ganar".
En el pasado, las máquinas que jugaban juegos con personas mostraban características claramente inherentes a los algoritmos: su estilo de juego era duro e inflexible. Pero en la competencia de ir, el algoritmo AlphaGo de DeepMind venció a Sedol de la manera en que un humano podría hacerlo. Un movimiento extraño, el 37 ° en la segunda entrega, hizo que la audiencia que vio el juego en vivo se quedara boquiabierta y sorprendió a millones de espectadores en línea. El algoritmo jugó con tanta libertad, que puede parecerle a una persona un signo de creatividad.
Hassabis, Suleiman y Legge creen que los primeros nueve años de existencia de DeepMind fueron determinados por la necesidad de demostrar la importancia de la investigación en el campo de la capacitación con confirmación: las ideas de sistemas con agentes que no solo intentan modelar el mundo y reconocer patrones (como el aprendizaje profundo), sino que también toman decisiones activamente y tratando de lograr tus objetivos. Al mismo tiempo, los próximos diez años determinarán los logros en el campo de los juegos: a saber, los datos y el aprendizaje automático se utilizarán para resolver los problemas más complejos de la ciencia. Según Hassabis, los próximos pasos de la compañía serán los intentos de comprender cómo el aprendizaje profundo ayudará a escalar el aprendizaje reforzado para resolver problemas del mundo real.
"El problema con el aprendizaje por refuerzo era que siempre se usaba para resolver problemas de juguetes y pequeños mundos enrejados", dice. "Se creía que no podía extenderse a los problemas equivocados y reales, y aquí entra en juego una combinación de métodos".
Para DeepMind, el surgimiento de una nueva sede es un símbolo de un nuevo capítulo en la historia de la compañía, al igual que pone toda su fuerza y poder de la computadora en un intento de comprender, entre otras cosas, cómo funcionan los componentes básicos de la vida orgánica. Con esto, la compañía espera lograr avances en la medicina y otras disciplinas, lo que afectará seriamente el progreso en varios campos de la ciencia. "Nuestra misión debería ser uno de los viajes más interesantes de toda la ciencia", dice Hassabis. "Estamos tratando de construir un templo de aspiraciones científicas".
De izquierda a derecha: Pravin Shrinivasan, jefe de DeepMind en Google; Drew Pervez, director creativo de Worlds; Raya Hadsel, investigadora. Dentro de la sede inacabada de DeepMind.Al estudiar en el University College de Londres y luego en el MIT, Hassabis descubrió que la colaboración interdisciplinaria era un tema muy de moda. Recuerda cómo se realizaron conferencias de trabajo con la participación de representantes de diversas disciplinas, por ejemplo, neurobiología, psicología, matemáticas y filosofía. Un par de días hubo informes y debates, luego los científicos regresaron a sus departamentos, confiando en que deberían reunirse con más frecuencia y encontrar formas de cooperar. Y la próxima reunión tuvo lugar un año después: las solicitudes de subvenciones, los nombramientos para puestos docentes y la rutina de la investigación y la vida docente obstaculizaron la cooperación.
"La colaboración interdisciplinaria es difícil de organizar", dice Hassabis. - Supongamos que tomamos dos expertos mundiales líderes en matemáticas y genética, obviamente pueden tener temas comunes. Pero, ¿quién hará esfuerzos para comprender el área de otra persona, su jerga, cuál es su verdadero problema?
Encontrar las preguntas correctas, las razones de la falta de respuestas y las citas principales, debido a que estas respuestas no lo son, este proceso puede parecer sencillo para un observador externo. Pero diferentes científicos, incluso en el mismo campo, no siempre evalúan su trabajo por igual. Los investigadores encuentran extremadamente difícil agregar valor a otras disciplinas. Es aún más difícil encontrar preguntas comunes que puedan responder.
La sede actual de DeepMind, los dos pisos del Edificio Google en Kings Cross, ha recibido más y más empleados en los últimos años. Solo en el campo de la investigación de IA, la compañía tiene de seis a siete disciplinas diferentes y, como parte de la expansión de la gama de clases, contrata especialistas en matemáticas, física, neurobiología, fisiología, biología y filosofía.
"Algunas de las áreas más interesantes de la ciencia se encuentran entre áreas clásicas, en las intersecciones de varios temas de investigación", dice Hassabi. - Al crear DeepMind, traté de encontrar "personas unificadoras", especialistas de clase mundial en varios campos, cuyo enfoque creativo ayuda a buscar analogías y puntos en común en varios campos. En general, cuando esto sucede, entonces hay magia ".
Una de estas personas unificadoras es Pashmit Koli. El ex Director de Investigación de Microsoft lidera el equipo científico de DeepMind. Se habla mucho en los círculos de IA sobre el posible final del "invierno de la IA", un período sin progreso tangible, a mediados de la última década. La misma sensación de movimiento se aplica a la tarea de
plegar proteínas , la ciencia de predecir la forma de lo que los biólogos consideran los componentes básicos de la vida.
Coley reunió a un equipo de biólogos estructurales, expertos en aprendizaje automático y físicos para atacar este problema, reconocido como uno de los problemas más importantes de la ciencia. Las proteínas subyacen a la vida de todos los mamíferos: constituyen una gran parte de la estructura y el funcionamiento de los tejidos y órganos a nivel molecular. Cada uno está compuesto de aminoácidos que forman la cadena. Su secuencia determina la forma de la proteína, que determina su función.
"Las proteínas son las máquinas más increíbles jamás creadas para mover átomos en una nanoescala, y a menudo aumentan la química unos pocos órdenes de magnitud más eficiente que cualquier cosa que hicimos", dice John Jumper, investigador en plegamiento de proteínas en DeepMind. "Y también son de alguna manera inexplicables, estas máquinas autoensambladas".
Las proteínas usan átomos en una escala angstrom [
10-10 m, o 100 pm / aprox. trans.], [obsoletas] unidades de longitud diez mil millones de veces más pequeñas que un metro. Una comprensión más profunda de este mecanismo permitiría a los científicos comprender mejor la biología estructural. Por ejemplo, las proteínas son necesarias para casi todo lo que sucede dentro de la célula, y el plegamiento inadecuado de proteínas se considera un factor importante en la aparición de enfermedades como la enfermedad de Parkinson, la enfermedad de Alzheimer y la diabetes.
"Si podemos descubrir las proteínas naturales, podemos crear las nuestras", dice Jumper. "La cuestión es estudiar este complejo mundo microscópico con mucho cuidado".
La difusión generalizada de los datos del genoma ha hecho un atractivo acertijo de plegamiento de proteínas para DeepMind. Desde 2006, ha habido un fuerte aumento en la recepción, almacenamiento, distribución y análisis de datos de ADN. Los investigadores estiman que para 2025, se analizarán dos mil millones de genomas, lo que requerirá 40 exabytes de almacenamiento.
"Desde el punto de vista del aprendizaje profundo, esta es una tarea interesante, porque después de gastar una gran cantidad de recursos y tiempo, las personas han reunido una colección tan increíble de proteínas que ya hemos descubierto", dijo Jumper.
El progreso está en marcha, pero los científicos nos están advirtiendo de la enorme diversidad dentro de este problema. El destacado biólogo molecular estadounidense Cyrus Levintal señaló que llevaría más tiempo que la edad del universo clasificar todas las configuraciones posibles de una proteína típica en busca de la estructura tridimensional correcta. "El espacio de búsqueda es enorme", dice Rick Evans, investigador de DeepMind. "Más que en marcha".
Sin embargo, se logró un hito en el camino hacia el aprendizaje sobre el plegamiento de proteínas en diciembre de 2018 en la competencia CASP [Evaluación crítica de las técnicas de predicción de la estructura de la proteína] en Cancún, México. Esta competencia se realiza cada dos años para proporcionar una visión imparcial del progreso en esta área. El objetivo de los equipos de científicos en competencia es predecir, sobre la base de secuencias de aminoácidos, la estructura de las proteínas cuya forma tridimensional ya se conoce, pero aún no se ha publicado. Una comisión independiente evalúa las predicciones.
El equipo de plegamiento de proteínas DeepMind participó en la competencia para probar su nuevo algoritmo AlphaFold desarrollado en los dos años anteriores. En los meses previos a la competencia, los organizadores enviaron conjuntos de datos a los miembros del equipo de King Cross, y devolvieron sus predicciones sin conocer el resultado final. En general, necesitaban predecir la estructura de noventa proteínas; en algunos casos, las proteínas ya conocidas se usaban para hacer predicciones basadas en ellas, mientras que otras tenían que ser pensadas desde cero. Poco antes de la conferencia, recibieron resultados de la competencia: en promedio, las predicciones de AlphaFold fueron más precisas que cualquier otro equipo. Según algunas estimaciones, DeepMind está significativamente por delante de la competencia; para proteínas cuya estructura fue modelada desde cero, y hubo 43 de 90, AlphaFold hizo las predicciones más precisas para 25 proteínas. Esto es sorprendentemente mucho en comparación con el segundo equipo, que logró predecir correctamente solo tres estructuras.
Diagrama de la cinta, una representación tridimensional esquemática de la estructura de una proteína plegada en una estructura tridimensional de acuerdo con las predicciones del algoritmo AlphaFold para la competencia CASP13Mohammed Al Quraishi, investigador del Laboratorio de Farmacología de Sistemas y el Departamento de Biología de Sistemas de la Facultad de Medicina de Harvard, asistió a la competencia y aprendió sobre el enfoque utilizado en DeepMind antes de que se publicaran los resultados. "Al leer el currículum del trabajo, no pensé que fuera algo completamente nuevo", dice. "Decidí que deberían hacerlo bastante bien, pero no esperaba que lo hicieran tan bien".
Al Quraishi dice que este enfoque fue similar al enfoque de otros laboratorios, pero el proceso DeepMind se distinguió por el hecho de que podían "rendir mejor". Señala las fortalezas del equipo DeepMind en el campo de la ingeniería.
"Creo que pueden funcionar mejor que los grupos formados por científicos, ya que estos últimos tienden a mantener su trabajo en secreto", dice al-Quraishi. "Y aunque todas las ideas que DeepMind incluía en su algoritmo ya existían, y diferentes personas intentaron aplicarlas por separado, nadie pensó en unirlas".
Al Quraishi establece paralelismos con la comunidad científica en el campo del aprendizaje automático, del cual en los últimos años ha habido un resultado en compañías como Google Brain, DeepMind y Facebook; tienen estructuras organizacionales más eficientes, grandes recompensas y recursos computacionales que no siempre se encuentran en las universidades.
"Las comunidades de aprendizaje automático realmente han experimentado esto en los últimos 4-5 años", dice. "La biología computacional recién ahora comienza a dominarse con esta nueva realidad".
Le hace eco la explicación dada por los fundadores de DeepMind con respecto a la venta de Google en enero de 2014. El volumen de la red informática de Google permitirá a la compañía avanzar en la investigación mucho más rápido que si creciera naturalmente, y un cheque de £ 400 millones permitiría a la startup contratar especialistas de clase mundial. Hassabis describe una estrategia de búsqueda para personas consideradas adecuadas para áreas de investigación específicas. "Tenemos un plan de desarrollo del que se deduce qué áreas de investigación de IA o neurociencia serán importantes", dice. "Y luego nos pusimos en marcha en busca de la mejor persona del mundo que también sea adecuada para nosotros en términos culturales".
"Entonces, en aquellas áreas donde DeepMind puede cambiar el mundo, el plegamiento de proteínas parece ser un gran comienzo: esta es una tarea muy bien definida, tiene datos útiles, puede, en principio, considerarse como una tarea en ciencias de la computación", dice Al Quraishi. - En otras áreas de la biología, este enfoque probablemente no funcionará. Todo es mucho menos ordenado allí. Por lo tanto, no creo que el éxito de DeepMind en el campo del plegamiento de proteínas pueda transferirse automáticamente a otras áreas de investigación ".
Empleados de DeepMind en la azotea de la oficina de Kings Cross en GoogleDeepMind participa activamente en la gestión de productos para una empresa de investigación.
Cada seis meses, los gerentes superiores estudian las prioridades, reorganizan algunos proyectos, inspiran a los equipos, especialmente a los ingenieros, a moverse de un área a otra. Las disciplinas se mezclan constante e intencionalmente. Muchos de los proyectos de la compañía demoran más de seis meses, generalmente de dos a cuatro años. Pero aunque DeepMind se está centrando en la investigación, la compañía ahora es una división de Alphabet, la compañía matriz de Google, y la cuarta más cara del mundo. Y si los científicos de Londres esperan una investigación a largo plazo y avanzada de la compañía, los directores de Mountain View en California, naturalmente, esperan un retorno de la inversión."Nos aseguramos de que nuestros productos traigan éxito a Google y Alphabet, y se benefician de nuestra investigación, y lo obtienen, ahora docenas de productos que contienen código y tecnologías DeepMind ya están funcionando en Google y Alphabet. Sin embargo, es importante que esta situación se mantenga no violentamente, sino naturalmente ", dice Hassabis. DeepMind en Google, dirigido por Suleiman, está formado por cientos de personas, en su mayoría ingenieros, que traducen la investigación puramente científica de la compañía en aplicaciones que pueden convertirse en un producto. Por ejemplo, WaveNet, un modelo generativo de texto a voz que simula una voz humana, ya está incluido en la mayoría de los dispositivos que contienen Google, desde Android hasta Google Home, y tiene su propio equipo de productos en Google."Gran parte de la investigación de la industria está siendo impulsada por solicitudes de productos", dice Hassabis. "El problema es que la investigación solo puede realizarse de forma gradual, paso a paso". No es productivo realizar una investigación ambiciosa y arriesgada, pero esta es la única forma de lograr avances ".Hassabis habla rápido, a menudo enfatizando el final de la oración con la pregunta "¿sí?", Guiando al oyente a través de una serie de observaciones. A menudo se distrae del tema y periódicamente se va a la filosofía (sus filósofos favoritos: Kant y Spinoza), historia, juegos, psicología, literatura, ajedrez, ingeniería, muchos otros campos científicos y de computación, pero no pierde su línea de pensamiento original, a menudo regresa a aclarar el comentario o discutir el comentario anterior.Al igual que el plan de desarrollo de 300 años, Masayoshi Sana, fundador de SoftBank, un banco internacional japonés que ha invertido en muchas compañías tecnológicas dominantes, tiene a Hassabis y a los otros fundadores con un "plan de desarrollo profundo de varias décadas". Legg, el científico líder de la compañía, mantuvo una copia impresa del primer plan de negocios que enviaron a un posible inversor (Hassabis perdió su copia). Legg a veces lo muestra en reuniones generales para mostrar que muchos de los enfoques que los fundadores pensaron en 2010: capacitación, aprendizaje profundo, aprendizaje reforzado, simulaciones, conceptos y transferencia de aprendizaje, neurobiología, memoria, imaginación, todavía están partes clave del programa de investigación de la compañía.Al comienzo del viaje, DeepMind tenía la única página web que contenía solo el logotipo de la empresa. Ni la dirección, ni el teléfono, ni la página positiva sobre nosotros. Para contratar personal, los fundadores tuvieron que confiar en los contactos personales de personas que ya sabían que eran "personas serias con científicos serios y un plan serio", dice Hassabis."En cualquier inicio, tienes que pedirle a la gente que confíe en tu gestión", dice. "Pero es aún más difícil para nosotros porque, en esencia, decimos que participaremos en el trabajo de una manera única, como nadie lo ha hecho antes, y muchos científicos tradicionales de clase mundial dirían que esto es imposible: 'La ciencia no puede organizarse de esta manera '".No se sabe exactamente cómo ocurren los avances científicos más que cómo resolver algunos problemas con los que los investigadores están luchando. En el mundo académico, las mejores mentes se reúnen en los institutos para realizar investigaciones que progresan sin resultados predecibles. El progreso suele ser lento y lento. Y en el sector privado, donde supuestamente no hay restricciones, y hay acceso a consultores altamente remunerados, la productividad y la innovación también están disminuyendo.En febrero de 2019, el economista de Stanford Nicholas Bloom publicó un trabajo que demuestra una disminución de la productividad en una amplia gama de áreas. "Los esfuerzos de investigación han crecido significativamente y la productividad se ha desplomado", escribió Bloom. "Un buen ejemplo es la ley de Moore". Para mantener la famosa duplicación de la densidad de los chips de computadora cada dos años, hoy se requieren 18 veces más investigadores que a principios de la década de 1970. En la más amplia gama de diversos estudios en diferentes niveles de agregación, vemos que las ideas, y especialmente el crecimiento exponencial incrustado en ellas, son cada vez más difíciles de encontrar ”.Hassabis menciona miles de millones invertidos en la investigación de Big Farm: basándose en los informes trimestrales de ganancias, la industria se ha vuelto más conservadora a medida que aumenta el costo del error. Según un informe de 2018 del Nesta Innovation Fund, en los últimos 50 años, la productividad de la investigación y el desarrollo en biomedicina ha disminuido constantemente, a pesar de un aumento significativo en la inversión, los nuevos medicamentos son cada vez más caros de desarrollar. El informe afirma que "el aumento exponencial en el costo de desarrollar nuevos medicamentos afecta directamente los pequeños rendimientos del gasto en I + D". Según estimaciones recientes, este rendimiento es del 3,2% para las compañías farmacéuticas más grandes del mundo; es mucho menos que el costo de capital ". Del mismo modo, los investigadores de Deloitte estimaron que el retorno de la inversión en I&RD biofarma está en su punto más bajo en nueve años, cayendo del 10.1% en 2010 al 1.9% en 2018."La mayoría de los directores de grandes granjas no son científicos, sino financieros o comercializadores", dice Hassabis. - ¿Qué dice esto sobre sus organizaciones? Están tratando de exprimir la mayor cantidad de dinero ya invertido posible, reducir el gasto, mejorar la publicidad, pero no inventar algo nuevo; esto es mucho más riesgoso. No puedes escribir tal cosa en una hoja de cálculo. Esto no está en el espíritu del trabajo de la imaginación y los sueños del futuro, no es necesario actuar si quieres llegar a la luna ".
Pushmith Coley, jefe del equipo de investigaciónMuchos fundadores de startups en su misión tienen una serie de eventos felices inesperados: el problema que enfrentaron y se propusieron resolver, una reunión accidental con un cofundador o inversor, un partidario de la comunidad académica. Pero este no es el caso de Hassabis: tomó deliberadamente varias decisiones, una tras otra, algunas de ellas a una edad muy temprana, lo que finalmente lo llevó a crear DeepMind. "Esto es lo que he estado preparando para toda mi vida", dice. - Desde el diseño del juego hasta los juegos, desde la neurobiología hasta la programación, desde estudiar IA en el instituto hasta estudiar en muchos de los mejores institutos del mundo, desde una tesis doctoral hasta la organización de una startup en la primera parte de una carrera. Traté de usar cada migaja de experiencia. Deliberadamente elegí todos estos hitos para obtener toda esta experiencia ".Agregue a esto el puesto de CEO, el trabajo que hace todos los días. Tiene otro papel como investigador, y para mantenerse al día con todo, estructura el tiempo, dividiéndolo en períodos separados, para equilibrar la gestión empresarial y los intereses científicos. Desempeñando el papel de director durante la jornada laboral, regresa a su casa a las 19:40, cena con su joven familia y luego se va el "segundo día", comenzando a las 22:30 y terminando a las 4: 00-4: 30."Me encanta esta vez", dice. - Siempre he sido un búho desde la infancia. Hay silencio en la ciudad y en la casa, y me ayuda mucho pensar, leer, escribir. Es entonces cuando aprenderé las últimas noticias científicas. O puedo escribir un trabajo, editarlo, crear un nuevo algoritmo, algún tipo de estrategia, explorar el campo de la ciencia al que se podría aplicar la IA ".Durante el trabajo, escucha música. El estilo de la música, desde clásica hasta batería y bajo, depende de "esas emociones que trato de despertar en mí mismo". Depende de si quiero concentrarme o despertar la imaginación ". Hay un par de requisitos para la música: no debe haber voces, de lo contrario, las palabras lo distraen; y la música debería ser lo suficientemente familiar. “Debería ser algo familiar, pero no mucho. Y no puede ser música nueva, distrae mucho el cerebro ”.Hassabis dice que le gustaría pasar el 50% de su tiempo haciendo investigación directa. Para hacer esto, en abril de 2018, contrató a Laila Ibrahim, una veterana de Silicon Valley que trabajó en Intel durante 18 años antes de convertirse en Director de Recursos Humanos en Kleiner, Caulfield, Perkins y Byers, una de las empresas de riesgo más grandes del Valle, y luego se transfirió a Startup Coursera. Ibrahim le quita muchas tareas gerenciales a Hassabis; dice que de las 20 personas que se reportan directamente a él, ahora hay 6. Ibrahim cree que ella se unió a DeepMind debido a las "consideraciones morales" que surgieron después de conversaciones con Hassabis y Legge con respecto a su iniciativa de Ética. y sociedad ", que está tratando de hacer cumplir los estándares de aplicación de tecnología."Creo que trabajar en Londres ofrece una perspectiva ligeramente diferente", dice ella. - Creo que si la sede de DeepMind estuviera ubicada en Silicon Valley, todo sería completamente diferente. Parece que hay mucha más humanidad en Londres. Arte, diversidad cultural. Y también tienen lo que los fundadores apoyaron desde el principio, y las personas que decidieron trabajar en DeepMind aportaron a la empresa una forma especial de hacer las cosas, una actitud especial ".
Layla IbrahimUn caso revela lo que describe Ibrahim. Hassabis era un prodigio del ajedrez. Desde los cuatro años, comenzó a crecer en el ranking, hasta que a los 11 años terminó en un gran campeonato internacional, jugando contra el gran maestro danés en un ayuntamiento cerca de Liechtenstein.Después de casi 12 horas, el juego estaba llegando a su fin. Hassabis nunca había visto semejante trato antes: tenía una reina y el oponente tenía una torre, un elefante y un caballo, pero Hassabis aún podía reducir el asunto a un empate si podía controlar constantemente al oponente. Las horas pasaron, otros juegos ya habían terminado, la habitación estaba vacía. De repente, Hassabis se dio cuenta de que su rey estaba atrapado, lo que significaba una pareja inevitable. Hassabis se rindió."Estoy muy cansado", dice. "Hemos estado sentados allí durante 12 horas o algo así, y creo que debo haberme equivocado, y él me atrapó en una trampa".Su oponente, Hassabis recuerda que el hombre tenía entre 30 y 40 años, se puso de pie. Sus amigos lo rodearon, se rió y señaló el tablero. Y luego Hassabis se dio cuenta de que se había rendido en vano: el juego podría reducirse a un empate."Solo tuve que sacrificar a la reina", dice. - Esta fue su última oportunidad. Durante horas trató de atraerme. Y ese fue su último truco barato. Y funcionó. De hecho, mis 12 horas de trabajo agotador no condujeron a nada ".Hassabis recuerda que en ese momento recibió una idea. Se preguntó sobre la utilidad de tal pasatiempo cuando personas brillantes compiten entre sí para ganar en un juego de suma cero. Luego continuó jugando al más alto nivel, se convirtió en el capitán del equipo en la universidad y aún habla de su amor por los juegos complejos, pero la experiencia le enseñó a redirigir su energía a tareas que no sean los juegos. "No podía convertirme en un jugador profesional de ajedrez, porque me parecía improductivo", dijo.A pesar de que la compañia está mudando en una nueva sede, Hassabis todavía considera que DeepMind es una startup, aunque compite en el escenario mundial. “China se movilizó, al igual que Estados Unidos. Las compañías serias hacen estas cosas ”, dice. De hecho, Estados Unidos y China están tratando de estandarizar esta área y utilizarla, tanto desde un punto de vista comercial como geopolítico. Menciona varias veces que, a pesar del progreso, todavía tienen un largo camino por recorrer para alcanzar un objetivo más amplio: resolver el problema de la inteligencia y crear IION. "Quiero que tenganmos esta sed, la velocidad del trabajo, la energía que tienen las mejores startups", dados.Las innovaciones son raras; son difíciles de crear. Para construir procesos y cultura en una empresa que le permita "dejar una marca en el Universo", ya que pocas organizaciones han logrado hacerlo en varias áreas con varios productos, como Steve Jobs le dijo al equipo que creó la computadora Macintosh. Con el crecimiento de DeepMind, los fundadores deberán guiarlo por el camino correcto, siguiendo los principios fundamentales de una empresa centrada en la tecnología que probablemente se convierta en la más transformadora de todas en los próximos años, a lo largo de un camino lleno no solo de peligros, sino también de oportunidades."Habrá muchos días difíciles en el camino, y creo que al final, el deseo de ganar dinero o algo así no es suficiente para pasar por los momentos más difíciles", dice Hassabis. "Si tienes verdadera pasión y fe en la importancia de lo que estás haciendo, entonces puedo guiarte en estos días".