DeepMind AI mengalahkan Catur Grandmaster dan Go Champions. Namun, sekarang pendiri dan direktur perusahaan, Demis Hassabis, telah mengarahkan pandangannya pada masalah dunia nyata yang lebih besar yang dapat mengubah hidup kita. Yang pertama adalah pelipatan protein.
Demis Hassabis - mantan anak ajaib, diploma Cambridge dengan layanan luar biasa dalam dua mata pelajaran sekaligus, juara lima kali
permainan intelektual dunia , lulusan MIT dan Harvard, pengembang game, pengusaha dari masa remaja, salah satu pendiri startup DeepMind yang mengembangkan kecerdasan buatan - menggunakan helm kuning, rompi reflektif dan sepatu bot kerja. Dia mengangkat tangannya, menghalangi matanya dari matahari, dan memandang ke seberang London dari atap gedung di Kings Cross. Di segala penjuru dunia, pemandangan dari sana di ibukota, bermandikan matahari musim semi, praktis tidak mengaburkan apa pun. Hassabis melintasi atap beraspal, dan, menggunakan teleponnya untuk menentukan arah, memandang ke utara untuk melihat apakah dia bisa melihat kota Finchley dari tempat dia dibesarkan. Pinggiran kota hilang di belakang pohon-pohon Hampstead Heath, tetapi ia berhasil melihat lereng yang mengarah ke Highgate, tempat ia tinggal bersama keluarganya hari ini.
Di sini ia mempelajari lokasi markas DeepMind di masa depan, sebuah startup yang ia dirikan pada 2010 dengan Shane Legge, seorang peneliti di University College London, serta teman masa kecilnya Mustafa Suleiman. Sekarang bangunan ini adalah situs konstruksi di mana palu, bor dan palu jack terus berderak. Saat ini 180 kontraktor sedang bekerja di lokasi konstruksi, dan di puncak konstruksi jumlah mereka akan meningkat menjadi 500. Tempat ini, yang pembukaannya dijadwalkan untuk pertengahan 2020, merupakan, secara kiasan dan harfiah, sebuah awal baru perusahaan.
"Kantor pertama kami di Russell Square, itu adalah kantor kecil untuk sepuluh orang di lantai atas sebuah rumah kota di sebelah komunitas matematika London," kenang Hassabis, "di mana Turing menyampaikan ceramahnya yang terkenal." Alan Turing, seorang pelopor komputer Inggris, adalah sosok suci bagi Hassabis. "Kami membangun di atas pundak para raksasa," kata Hassabis, merujuk pada tokoh kunci lain dalam sains, "Leonardo da Vinci, John von Neumann," yang juga membuat terobosan signifikan.
Lokasi markas baru - utara Stasiun Kings Cross, di tempat yang baru-baru ini disebut Knowledge Quarter - adalah karakteristik tersendiri. DeepMind didirikan ketika sebagian besar startups London mematuhi tarikan Old Street. Tetapi Hassabis dan rekan-rekan pendiri memiliki rencana lain: untuk "menyelesaikan masalah kecerdasan" dan untuk mengembangkan AI tujuan umum (IION), yang dapat diterapkan untuk berbagai tugas. Sejauh ini, masalah ini telah dipecahkan melalui penciptaan algoritma yang dapat menang dalam game - Breakout, catur, dan pergi. Langkah selanjutnya adalah menerapkan skema ini pada penelitian ilmiah untuk memecah tugas-tugas kompleks dalam kimia, fisika, dan biologi menggunakan ilmu komputer.
"Perusahaan kami berfokus pada penelitian," kata Hassabis, yang berusia 43 tahun. "Kami ingin duduk di sebelah universitas," di mana ia merujuk ke University College London (UKL), di mana ia diberikan gelar doktor untuk karyanya "Proses Saraf pada Dasar Kenangan Episodik." "Karena itu, kita senang berada di sini, kita masih tidak jauh dari UKL, perpustakaan Inggris, Institut Turing, tidak jauh dari perguruan tinggi kekaisaran ..."
Turun beberapa lantai, Hassabis sedang mempelajari salah satu wilayah yang paling menarik baginya - akan ada audiensi untuk kuliah. Dia senang mempertimbangkan gambar dan rendering komputer tentang bagaimana ruangan ini akan terlihat.
Di sudut timur laut bangunan, tatapannya naik ke ruang bebas besar yang mencakup tiga lantai, di mana perpustakaan akan berada. Di tempat ini, akhirnya sebuah objek akan muncul yang Hassabis tampaknya paling ingin melihat paling: tangga besar dalam bentuk spiral ganda, yang sekarang sedang berkumpul di beberapa bagian. "Saya ingin mengingatkan orang-orang akan sains dan menjadikannya bagian dari bangunan ini," katanya.
Hassabis dan rekan-rekannya tahu bahwa DeepMind menjadi terkenal karena terobosannya dalam pembelajaran mesin dan pembelajaran yang mendalam, sebagai akibatnya pers secara luas meliput kasus-kasus di mana jaringan saraf yang bekerja dengan algoritme permainan komputer yang dikuasai dengan sempurna, mengalahkan grandmaster catur, dan memaksa Lee Sedol, juara dunia in go - yang dianggap sebagai permainan paling sulit dari yang ditemukan oleh manusia - untuk menyatakan: "Sejak awal pertandingan, tidak ada satu momen pun ketika saya berpikir bahwa saya bisa menang."
Di masa lalu, mesin yang bermain game dengan orang-orang menunjukkan karakteristik yang jelas melekat pada algoritma - gaya bermain mereka tangguh dan pantang menyerah. Namun dalam kompetisi go, algoritma DeepGoGo AlphaGo mengalahkan Sedol dengan cara yang bisa dilakukan manusia. Satu langkah aneh - ke-37 dalam angsuran kedua - membuat penonton yang menyaksikan pertandingan langsung di Seoul terkesiap dan membuat takjub jutaan pemirsa online. Algoritma tersebut dimainkan dengan kebebasan seperti itu, yang bagi seseorang tampaknya merupakan tanda kreativitas.
Hassabis, Suleiman dan Legge percaya bahwa sembilan tahun pertama keberadaan DeepMind ditentukan oleh kebutuhan untuk membuktikan pentingnya penelitian di bidang pelatihan dengan konfirmasi - ide-ide sistem dengan agen yang tidak hanya mencoba memodelkan dunia dan mengenali pola (seperti pembelajaran mendalam), tetapi juga secara aktif membuat keputusan dan mencoba mencapai tujuan Anda. Pada saat yang sama, sepuluh tahun ke depan akan menentukan prestasi di bidang permainan: yaitu, data dan pembelajaran mesin akan digunakan untuk memecahkan masalah sains yang paling kompleks. Menurut Hassabis, langkah selanjutnya perusahaan adalah upaya untuk memahami seberapa dalam pembelajaran akan membantu meningkatkan skala pembelajaran untuk memecahkan masalah dunia nyata.
"Masalah dengan pembelajaran penguatan adalah bahwa itu selalu digunakan untuk memecahkan masalah mainan dan dunia kisi kecil," katanya. "Dipercayai bahwa itu tidak dapat diperluas ke masalah yang salah dan nyata - dan di sini kombinasi metode ikut bermain."
Bagi DeepMind, kemunculan markas baru adalah simbol dari babak baru dalam sejarah perusahaan, seperti halnya melempar semua kekuatan dan kekuatan komputernya ke dalam upaya untuk memahami, antara lain, bagaimana blok-blok pembangun kehidupan organik bekerja. Dengan ini, perusahaan berharap untuk membuat terobosan dalam kedokteran dan disiplin ilmu lain, yang akan secara serius mempengaruhi kemajuan di berbagai bidang ilmu pengetahuan. "Misi kami harus menjadi salah satu perjalanan paling menarik dalam semua sains," kata Hassabis. "Kami sedang berusaha membangun sebuah kuil dengan aspirasi ilmiah."
Dari kiri ke kanan: Pravin Shrinivasan, kepala DeepMind di Google; Drew Pervez, Direktur Kreatif Dunia; Raya Hadsel, Peneliti. Di dalam markas DeepMind yang belum selesai.Belajar di University College London dan kemudian di MIT, Hassabis menemukan bahwa kolaborasi interdisipliner adalah topik yang sangat modis. Dia ingat bagaimana konferensi kerja diadakan dengan partisipasi perwakilan dari berbagai disiplin ilmu - misalnya, neurobiologi, psikologi, matematika dan filsafat. Beberapa hari ada laporan dan debat, kemudian para ilmuwan kembali ke departemen mereka, yakin bahwa mereka harus lebih sering bertemu dan menemukan cara untuk bekerja sama. Dan pertemuan berikutnya terjadi setahun kemudian - permohonan hibah, penunjukan jabatan mengajar, dan rutinitas penelitian dan kehidupan mengajar menghalangi kerja sama.
"Kolaborasi antar disiplin ilmu sulit diatur," kata Hassabis. - Misalkan kita mengambil dua ahli dunia terkemuka dalam matematika dan genetika - mereka jelas dapat memiliki topik umum. Tetapi siapa yang akan berusaha memahami bidang orang lain, jargon mereka, apa masalah sebenarnya mereka? "
Menemukan pertanyaan yang tepat, alasan kurangnya jawaban, dan kutipan utama, karena jawaban ini tidak ada, proses ini mungkin tampak mudah bagi pengamat luar. Tetapi para ilmuwan yang berbeda, bahkan di bidang yang sama, tidak selalu mengevaluasi pekerjaan mereka secara merata. Peneliti merasa sangat sulit untuk menambah nilai ke disiplin ilmu lain. Bahkan lebih sulit untuk menemukan pertanyaan umum yang dapat mereka jawab.
Markas DeepMind saat ini, dua lantai Gedung Google di Kings Cross, telah menerima lebih banyak karyawan selama beberapa tahun terakhir. Hanya di bidang penelitian AI, perusahaan memiliki enam hingga tujuh disiplin ilmu yang berbeda, dan sebagai bagian dari perluasan kelas, perusahaan ini mempekerjakan spesialis di bidang matematika, fisika, neurobiologi, fisiologi, biologi dan filsafat.
"Beberapa bidang sains yang paling menarik adalah antara area klasik, di persimpangan berbagai topik penelitian," kata Hassabi. - Saat membuat DeepMind, saya mencoba mencari "orang yang menyatukan", spesialis kelas dunia di berbagai bidang, yang pendekatan kreatifnya membantu mencari analogi dan kesamaan di berbagai bidang. Secara umum, ketika ini terjadi, maka ada sihir. "
Salah satu pemersatu ini adalah Pashmit Koli. Mantan Direktur Riset Microsoft memimpin tim sains di DeepMind. Ada banyak pembicaraan di kalangan AI tentang kemungkinan akhir “musim dingin AI” - periode tanpa kemajuan nyata - di tengah dekade terakhir. Sensasi gerakan yang sama berlaku untuk tugas
melipat protein , ilmu memprediksi bentuk apa yang dianggap ahli biologi sebagai blok bangunan kehidupan.
Coley membentuk tim ahli biologi struktural, ahli pembelajaran mesin, dan fisikawan untuk menyerang masalah ini, yang diakui sebagai salah satu masalah terpenting dalam sains. Protein mendasari kehidupan semua mamalia - mereka membentuk sebagian besar struktur dan fungsi jaringan dan organ pada tingkat molekuler. Masing-masing terdiri dari asam amino yang membentuk rantai. Urutan mereka menentukan bentuk protein, yang menentukan fungsinya.
"Protein adalah mesin paling menakjubkan yang pernah dibuat untuk menggerakkan atom pada skala nano, dan mereka sering mendinginkan kimia beberapa kali lipat lebih efisien daripada apa pun yang kita lakukan," kata John Jumper, seorang peneliti dalam pelipatan protein di DeepMind. "Dan mereka juga dalam beberapa hal tidak bisa dijelaskan, mesin rakitan ini."
Protein menggunakan atom pada skala angstrom [10
-10 m, atau 100 pm / sekitar. trans.], satuan [usang] dengan panjang sepuluh miliar kali lebih kecil dari satu meter. Pemahaman yang lebih mendalam tentang mekanisme ini akan memungkinkan para ilmuwan untuk lebih memahami biologi struktural. Sebagai contoh, protein diperlukan untuk hampir semua yang terjadi di dalam sel, dan lipatan protein yang tidak tepat dianggap sebagai faktor penting dalam terjadinya penyakit seperti penyakit Parkinson, penyakit Alzheimer dan diabetes.
"Jika kita bisa mengetahui protein alami, kita bisa membuatnya sendiri," kata Jumper. "Pertanyaannya adalah mempelajari dunia mikroskopis yang kompleks ini dengan sangat hati-hati."
Penyebaran luas data genom telah membuat teka-teki lipat protein yang menarik untuk DeepMind. Sejak 2006, ada peningkatan tajam dalam penerimaan, penyimpanan, distribusi, dan analisis data DNA. Para peneliti memperkirakan bahwa pada tahun 2025, dua miliar genom akan dianalisis, yang akan membutuhkan 40 exabytes penyimpanan.
"Dari sudut pandang pembelajaran mendalam, ini adalah tugas yang menarik, karena setelah menghabiskan banyak sumber daya dan waktu, orang-orang telah mengumpulkan koleksi protein yang luar biasa seperti yang telah kita ketahui," kata Jumper.
Kemajuan sedang berlangsung, tetapi para ilmuwan memperingatkan kita tentang keragaman yang sangat besar dalam masalah ini. Ahli biologi molekuler Amerika yang terkenal, Cyrus Levintal, mencatat bahwa akan memakan waktu melampaui usia alam semesta untuk memilah-milah semua kemungkinan konfigurasi protein tipikal untuk mencari struktur tiga dimensi yang benar. "Ruang pencarian sangat besar," kata Rick Evans, seorang peneliti di DeepMind. "Lebih dari sekadar pergi."
Namun, tonggak dalam studi pelipatan protein dicapai pada Desember 2018 di kompetisi CASP [penilaian kritis teknik prediksi protein] di Cancun, Meksiko. Kompetisi ini diadakan setiap dua tahun untuk memberikan pandangan yang objektif tentang kemajuan di bidang ini. Tujuan dari tim ilmuwan yang bersaing adalah untuk memprediksi, berdasarkan urutan asam amino, struktur protein yang bentuk tiga dimensinya telah diketahui, tetapi belum dipublikasikan. Komisi independen mengevaluasi prediksi.
Tim pelipat protein DeepMind mengambil bagian dalam kompetisi untuk menguji algoritma AlphaFold baru yang dikembangkan dalam dua tahun sebelumnya. Pada bulan-bulan menjelang kompetisi, panitia mengirim set data kepada anggota tim dari King Cross, dan mereka mengembalikan prediksi mereka tanpa mengetahui hasil akhirnya. Secara keseluruhan, mereka perlu memprediksi struktur protein sembilan puluh - dalam beberapa kasus, protein yang sudah diketahui digunakan untuk membuat prediksi berdasarkan pada mereka, sementara yang lain harus dipikirkan dari awal. Sesaat sebelum konferensi, mereka menerima hasil kompetisi: rata-rata, prediksi AlphaFold lebih akurat daripada tim lain. Dengan beberapa perkiraan, DeepMind secara signifikan unggul dari kompetisi; untuk protein yang strukturnya dimodelkan dari awal - dan ada 43 dari 90 - AlphaFold membuat prediksi paling akurat untuk 25 protein. Ini sangat mengejutkan dibandingkan dengan tim runner-up, yang berhasil memprediksi dengan tepat hanya tiga struktur.
Diagram pita, representasi skematik tiga dimensi dari struktur protein yang dilipat menjadi struktur tiga dimensi sesuai dengan prediksi algoritma AlphaFold untuk kompetisi CASP13Mohammed Al Quraishi, seorang peneliti dari Laboratorium Sistem Farmakologi dan Departemen Sistem Biologi di Harvard Medical School, menghadiri kompetisi dan belajar tentang pendekatan yang digunakan di DeepMind sebelum hasilnya dipublikasikan. "Membaca resume untuk pekerjaan itu, saya tidak berpikir bahwa itu adalah sesuatu yang sama sekali baru," katanya. "Saya memutuskan bahwa mereka harus melakukannya dengan cukup baik, tetapi saya tidak berharap mereka melakukannya dengan baik."
Al Quraishi mengatakan bahwa pendekatan ini mirip dengan pendekatan laboratorium lain, tetapi proses DeepMind dibedakan oleh fakta bahwa mereka bisa "berkinerja lebih baik". Dia menunjuk ke kekuatan tim DeepMind di bidang teknik.
"Saya pikir mereka dapat bekerja lebih baik daripada kelompok yang terdiri dari para ilmuwan, karena yang terakhir cenderung merahasiakan pekerjaan mereka," kata al-Quraishi. "Dan meskipun semua ide yang dimasukkan DeepMind dalam algoritme mereka sudah ada, dan orang yang berbeda mencoba menerapkannya secara terpisah, tidak ada yang berpikir untuk menyatukannya."
Al Quraishi menarik kesejajaran dengan komunitas ilmiah di bidang pembelajaran mesin, yang darinya dalam beberapa tahun terakhir ada hasil di perusahaan seperti Google Brain, DeepMind dan Facebook; mereka memiliki struktur organisasi yang lebih efisien, penghargaan besar, dan sumber daya komputasi yang tidak selalu ditemukan di universitas.
“Komunitas pembelajaran mesin benar-benar mengalami hal ini dalam 4-5 tahun terakhir,” katanya. "Biologi komputasi baru sekarang mulai dikuasai dengan realitas baru ini."
Dia bergema dengan penjelasan yang diberikan oleh para pendiri DeepMind tentang penjualan Google pada Januari 2014. Volume jaringan komputer Google akan memungkinkan perusahaan untuk memajukan penelitian lebih cepat daripada jika itu akan tumbuh secara alami, dan cek sebesar £ 400 juta akan memungkinkan startup untuk menyewa spesialis kelas dunia. Hassabis menjelaskan strategi pencarian untuk orang-orang yang dianggap cocok untuk bidang penelitian tertentu. “Kami memiliki rencana pengembangan yang mengikuti bidang penelitian mana dari AI atau ilmu saraf yang penting,” katanya. "Dan kemudian kita berangkat mencari dan menemukan orang terbaik di dunia yang juga cocok untuk kita dalam hal budaya."
"Jadi dari area-area di mana DeepMind dapat mengubah dunia, pelipatan protein tampaknya menjadi awal yang bagus - ini adalah tugas yang sangat terdefinisi dengan baik, ia memiliki data yang bermanfaat, pada prinsipnya, dapat dianggap sebagai tugas dalam ilmu komputer," kata Al Quraishi. - Di bidang biologi lainnya, pendekatan ini mungkin tidak akan berhasil. Semuanya kurang tertata di sana. Karena itu, saya tidak berpikir bahwa keberhasilan DeepMind di bidang pelipatan protein dapat secara otomatis ditransfer ke bidang penelitian lain. "
Karyawan DeepMind di atap kantor Google Kings CrossDeepMind secara aktif terlibat dalam manajemen produk untuk perusahaan riset. Setiap enam bulan, manajer senior mempelajari prioritas, mengatur kembali beberapa proyek, menginspirasi tim - terutama insinyur - untuk berpindah dari satu area ke area lain. Disiplin bercampur secara konstan dan sengaja. Banyak proyek perusahaan membutuhkan waktu lebih dari enam bulan - biasanya dari dua hingga empat tahun. Tetapi sementara DeepMind berfokus pada penelitian, perusahaan ini sekarang merupakan divisi dari Alphabet, perusahaan induk Google, dan yang keempat paling mahal di dunia. Dan jika para ilmuwan London mengharapkan penelitian jangka panjang dan lanjutan dari perusahaan, direktur dari Mountain View di California secara alami mengharapkan pengembalian investasi.
“Kami memastikan bahwa produk kami membawa kesuksesan ke Google dan Alphabet, dan mereka mendapat untung dari penelitian kami - dan mereka mendapatkannya, sekarang puluhan produk yang mengandung kode dan teknologi DeepMind sudah bekerja di Google dan Alfabet - namun, penting bahwa situasi ini dipertahankan tidak dengan kekerasan, tetapi secara alami, ”kata Hassabis. DeepMind di Google, dipimpin oleh Suleiman, terdiri dari ratusan orang, sebagian besar insinyur, yang menerjemahkan penelitian ilmiah murni perusahaan ke dalam aplikasi yang dapat diubah menjadi produk. Misalnya, WaveNet, model text-to-speech generatif yang meniru suara manusia, sudah termasuk dalam sebagian besar perangkat yang mengandung Google, dari Android ke Google Home, dan memiliki tim produk sendiri di Google."Banyak penelitian industri didorong oleh permintaan produk," kata Hassabis. "Masalahnya adalah bahwa penelitian hanya dapat dilakukan secara bertahap, langkah demi langkah." Tidak produktif untuk melakukan penelitian yang ambisius dan berisiko - tetapi ini adalah satu-satunya cara untuk membuat terobosan. "Hassabis berbicara dengan cepat, sering menekankan akhir kalimat dengan pertanyaan "ya?", Memimpin pendengar melalui serangkaian pengamatan. Dia sering mengalihkan perhatian dari topik, secara berkala berangkat ke filsafat (filsuf favoritnya - Kant dan Spinoza), sejarah, permainan, psikologi, sastra, catur, teknik, banyak bidang ilmiah dan komputer lainnya - tetapi tidak kehilangan alur pemikiran aslinya, sering kembali ke mengklarifikasi komentar atau membahas komentar sebelumnya.300- , SoftBank – , – « DeepMind ». , , -, ( ). , , , 2010- – , , , , , , , – .
DeepMind -, . , , « ». , , « », .
« , — . – , , , , , , , , : ' '».
Bagaimana tepatnya terobosan ilmiah terjadi tidak lebih dikenal daripada bagaimana menyelesaikan beberapa masalah yang sedang dihadapi para peneliti. Di dunia akademis, para pemikir terbaik berkumpul di institut untuk melakukan penelitian yang berkembang tanpa hasil yang dapat diprediksi. Kemajuan biasanya lambat dan memakan waktu. Dan di sektor swasta, di mana seharusnya tidak ada batasan, dan ada akses ke konsultan bergaji tinggi, produktivitas dan inovasi juga menurun.Pada bulan Februari 2019, ekonom Stanford Nicholas Bloom menerbitkan karya yang membuktikan penurunan produktivitas di berbagai bidang. "Upaya penelitian telah tumbuh secara signifikan, dan produktivitas telah anjlok," tulis Bloom. "Contoh yang baik adalah hukum Moore." Untuk mempertahankan penggandaan kerapatan chip komputer yang terkenal setiap dua tahun, hari ini dibutuhkan 18 kali lebih banyak peneliti daripada di awal tahun 1970-an. Dalam rentang terluas dari berbagai studi di berbagai tingkat agregasi, kami melihat bahwa gagasan - dan terutama pertumbuhan eksponensial yang tertanam di dalamnya - menjadi semakin sulit ditemukan. ”, « »: , , . 2018 Nesta, 50 – , . , « R&D. , 3,2% ; ». Deloitte , R&D , 10,1% 2010 1,9% 2018.
“Kebanyakan direktur pertanian besar bukanlah ilmuwan, tetapi pemodal atau pemasar,” kata Hassabis. - Apa yang dikatakan tentang organisasi mereka? Mereka berusaha memeras sebanyak mungkin uang yang sudah diinvestasikan, memotong pengeluaran, meningkatkan iklan, tetapi tidak menciptakan sesuatu yang baru - ini jauh lebih berisiko. Anda tidak dapat menulis hal seperti itu di spreadsheet. Ini bukan dalam semangat karya imajinasi dan impian masa depan - tidak perlu bertindak jika Anda ingin terbang ke bulan. "
Pushmith Coley, Kepala Tim Penelitian– , , , . – , – – DeepMind. « , , — . – , , , . . , ».
Tambahkan ke posisi CEO, pekerjaan yang dia lakukan setiap hari. Dia memiliki peran lain sebagai peneliti, dan untuk dapat mengikuti semuanya, dia menyusun waktu, membaginya menjadi periode yang terpisah, untuk menyeimbangkan manajemen bisnis dan kepentingan ilmiah. Melakukan peran sebagai direktur selama hari kerja, ia kembali ke rumah pada pukul 19:40, makan malam bersama keluarga mudanya, dan kemudian pergi pada "hari kedua", mulai pukul 22:30 dan berakhir pada 4: 00-4: 30."Aku suka kali ini," katanya. - Saya selalu menjadi burung hantu sejak kecil. Ada keheningan di kota dan di rumah, dan itu sangat membantu saya untuk berpikir, membaca, menulis. Saat itulah saya akan mempelajari semua berita ilmiah terbaru. Atau saya bisa menulis sebuah karya, mengeditnya, menghasilkan algoritma baru, semacam strategi, menjelajahi bidang ilmu yang dapat diterapkan AI. ”Selama bekerja, ia mendengarkan musik. Gaya musik - dari klasik hingga drum dan bass - tergantung pada “emosi-emosi yang saya coba bangkitkan dalam diri saya. Itu tergantung pada apakah saya ingin berkonsentrasi atau membangkitkan imajinasi. ” Ada beberapa persyaratan untuk musik: tidak boleh ada vokal, kalau tidak dia terganggu oleh kata-kata; dan musik harus cukup akrab. “Itu harus sesuatu yang akrab, tetapi tidak banyak. Dan itu bukan musik baru, itu sangat mengganggu otak. ”Hassabis mengatakan dia ingin menghabiskan 50% waktunya untuk melakukan penelitian langsung. Untuk melakukan ini, pada bulan April 2018, ia mempekerjakan Laila Ibrahim, seorang veteran Silicon Valley yang bekerja di Intel selama 18 tahun sebelum menjadi Direktur SDM di Kleiner, Caulfield, Perkins dan Byers, salah satu perusahaan ventura terbesar di Valley, dan kemudian ditransfer ke Startup Coursera. Ibrahim mengambil banyak tugas manajerial dari Hassabis - dia mengatakan bahwa dari 20 orang yang melapor langsung kepadanya, sekarang ada 6. Ibrahim percaya bahwa dia bergabung dengan DeepMind karena "pertimbangan moral" yang muncul setelah percakapan dengan Hassabis dan Legge mengenai inisiatif Etika mereka dan masyarakat, ”yang mencoba menegakkan standar aplikasi teknologi."Saya pikir bekerja di London menawarkan perspektif yang sedikit berbeda," katanya. - Saya pikir jika markas DeepMind berlokasi di Silicon Valley, semuanya akan sangat berbeda. Tampaknya ada lebih banyak manusia di London. Seni, keanekaragaman budaya. Dan mereka juga mendapatkan apa yang para pendiri dukung sejak awal, dan orang-orang yang memutuskan untuk bekerja di DeepMind membawa cara khusus kepada perusahaan untuk melakukan berbagai hal, sikap khusus. ”
Layla IbrahimSatu kasus mengungkapkan apa yang dijelaskan oleh Ibrahim. Hassabis adalah keajaiban catur. Sejak usia empat tahun, ia mulai tumbuh dalam peringkat, sampai pada usia 11 ia berakhir di kejuaraan internasional utama, bermain melawan grandmaster Denmark di balai kota dekat Liechtenstein.Setelah hampir 12 jam, permainan hampir berakhir. Hassabis belum pernah melihat kesepakatan seperti itu sebelumnya - dia memiliki seorang ratu, dan lawannya memiliki benteng, gajah dan kuda, tetapi Hassabis masih bisa mengurangi masalah menjadi imbang jika dia bisa terus-menerus memeriksa lawan. Berjam-jam berlalu, permainan lain sudah berakhir, ruangan itu kosong. Tiba-tiba, Hassabis menyadari bahwa rajanya terperangkap, yang berarti pasangan yang tak terhindarkan. Hassabis menyerah.“Saya sangat lelah,” katanya. "Kami telah duduk di sana selama 12 jam atau sesuatu, dan saya pikir saya pasti salah, dan dia menangkap saya dalam perangkap."Lawannya - Hassabis ingat bahwa lelaki itu berusia 30-40 tahun - berdiri. Teman-temannya mengelilinginya, dia tertawa dan menunjuk ke papan tulis. Dan kemudian Hassabis menyadari bahwa dia telah menyerah dengan sia-sia - permainan dapat dikurangi menjadi seri."Aku hanya harus mengorbankan ratu," katanya. - Ini adalah kesempatan terakhirnya. Selama berjam-jam dia mencoba memikat saya. Dan itu adalah trik murah terakhirnya. Dan itu berhasil. Faktanya, 12 jam kerja saya yang melelahkan tidak menghasilkan apa-apa. ”Hassabis ingat bahwa pada saat itu ia menerima wawasan. Dia bertanya-tanya tentang kegunaan dari hobi seperti itu ketika orang-orang yang brilian bersaing satu sama lain untuk menang dalam permainan zero-sum. Kemudian ia terus bermain di level tertinggi, menjadi kapten tim di universitas, dan masih berbicara tentang cintanya pada permainan yang kompleks, tetapi pengalaman mengajarnya untuk mengarahkan energinya ke tugas selain permainan. "Saya tidak bisa menjadi pemain catur profesional, karena bagi saya sepertinya tidak produktif," katanya.Terlepas dari kenyataan bahwa perusahaan ini pindah ke kantor pusat baru, Hassabis masih menganggap DeepMind sebagai startup, meskipun bersaing di panggung dunia. “China memobilisasi, seperti halnya Amerika Serikat. Perusahaan yang serius melakukan hal-hal ini, ”katanya. Memang, Amerika Serikat dan Cina berusaha untuk menstandardisasi wilayah ini, dan mengubahnya menjadi keuntungan mereka, baik dari sudut pandang komersial maupun dari sudut pandang geopolitik. Dia menyebutkan beberapa kali bahwa, meskipun ada kemajuan, mereka masih memiliki jalan panjang untuk mencapai tujuan yang lebih besar - memecahkan masalah kecerdasan dan menciptakan IION. “Saya ingin kita menjaga kehausan ini, kecepatan kerja, energi yang dimiliki oleh startup terbaik,” katanya., . , « », , Macintosh – – . DeepMind , , , , , , , , .
« , , , - , , — . – , , ».