O DeepMind AI venceu os xadrez Grandmasters e Go Champions. No entanto, agora o fundador e diretor da empresa, Demis Hassabis, está de olho em problemas maiores do mundo real que podem mudar nossas vidas. O primeiro é o dobramento de proteínas.
Demis Hassabis - um ex-prodígio infantil, um diploma de Cambridge com excelentes serviços em duas disciplinas ao mesmo tempo, cinco vezes campeão de
jogos intelectuais mundiais , formado pelo MIT e Harvard, desenvolvedor de jogos, empreendedor da adolescência, co-fundador de uma startup DeepMind que desenvolve inteligência artificial - está em um capacete amarelo, colete refletivo e botas de trabalho. Ele levanta a mão, bloqueando os olhos do sol e olha através de Londres do telhado do edifício em Kings Cross. Em qualquer direção do mundo, a vista de lá na capital, banhada pelo sol da primavera, praticamente não obscurece nada. Hassabis cruza o telhado pavimentado e, usando o telefone para determinar a direção, olha para o norte para ver se consegue ver a cidade de Finchley de onde cresceu. Os subúrbios estão perdidos atrás das árvores de Hampstead Heath, mas ele consegue olhar para a encosta que leva a Highgate, onde vive hoje com sua família.
Aqui, ele estuda a localização da futura sede do DeepMind, uma startup que ele fundou em 2010 com Shane Legge, pesquisador da University College London, bem como seu amigo de infância Mustafa Suleiman. Agora, este edifício é um canteiro de obras no qual martelos, brocas e martelos de martelo estão constantemente chocalhando. Hoje, 180 empreiteiros estão trabalhando no canteiro de obras e, no auge da construção, seu número aumentará para 500. Esse local, cuja abertura está prevista para meados de 2020, representa, figurativa e literalmente, um novo começo da empresa.
"Nosso primeiro escritório foi em Russell Square, era um pequeno escritório para dez pessoas no último andar de uma casa da cidade, próximo à comunidade matemática de Londres", lembra Hassabis, "no qual Turing proferiu suas famosas palestras". Alan Turing, pioneiro britânico em computadores, é uma figura sagrada para Hassabis. "Construímos sobre os ombros dos gigantes", diz Hassabis, referindo-se a outras figuras-chave da ciência, "Leonardo da Vinci, John von Neumann", que também fez avanços significativos.
A localização da nova sede - ao norte da Estação Kings Cross, em um local recentemente chamado de Bairro do Conhecimento - é característica por si só. O DeepMind foi fundado quando a maioria das startups de Londres obedeceu à atração da Old Street. Mas Hassabis e seus colegas fundadores tinham outros planos: "resolver o problema da inteligência" e desenvolver uma IA de uso geral (IION), aplicável a várias tarefas. Até agora, esse problema foi resolvido através da criação de algoritmos que podem vencer nos jogos - Breakout, xadrez and go. Os próximos passos são aplicar esse esquema à pesquisa científica, a fim de dividir tarefas complexas em química, física e biologia usando ciência da computação.
"Nossa empresa se concentra na pesquisa", diz Hassabis, 43 anos. "Queríamos nos sentar ao lado da universidade", com a qual ele se refere ao University College London (UKL), no qual recebeu o doutorado por seu trabalho "Processos neurais na base das memórias episódicas". "Portanto, gostamos de estar aqui, ainda não estamos longe da UKL, da biblioteca britânica, do Instituto Turing, não da faculdade imperial ..."
Descendo vários andares, Hassabis estuda um dos territórios que mais lhe interessa - haverá uma audiência para palestras. Ele tem o prazer de considerar os desenhos e as representações computacionais de como será esta sala.
No canto nordeste do edifício, seu olhar se eleva para um grande espaço livre em três andares, onde a biblioteca estará localizada. Nesse lugar, eventualmente, um objeto parecerá que Hassabis parece mais ansioso para ver: uma enorme escada em forma de espiral dupla, que agora está sendo montada em partes. "Eu queria lembrar as pessoas da ciência e torná-lo parte deste edifício", diz ele.
Hassabis e seus associados sabem que o DeepMind ficou famoso por suas inovações em aprendizado de máquina e aprendizado profundo, como resultado da imprensa amplamente abordada casos em que as redes neurais que trabalhavam com algoritmos dominavam perfeitamente os jogos de computador, venciam os mestres do xadrez e forçavam Lee Sedol, o campeão mundial em movimento - considerado o jogo mais difícil dos inventados pelo homem - a declarar: "Desde o início do jogo, não houve um único momento em que pensei que poderia ganhar".
No passado, as máquinas que jogavam jogos com pessoas apresentavam características claramente inerentes aos algoritmos - seu estilo de jogo era duro e inflexível. Mas na competição, o algoritmo AlphaGo do DeepMind venceu o Sedol da maneira que um humano poderia. Um movimento estranho - o 37º da segunda parte - fez com que o público que assistia o jogo ao vivo em Seul ofegasse e impressionasse milhões de espectadores online. O algoritmo jogou com tanta liberdade, o que pode parecer para uma pessoa um sinal de criatividade.
Hassabis, Suleiman e Legge acreditam que os primeiros nove anos de existência do DeepMind foram determinados pela necessidade de provar a importância da pesquisa no campo do treinamento com confirmação - as idéias de sistemas com agentes que não apenas tentam modelar o mundo e reconhecer padrões (como aprendizado profundo), mas também ativamente tomar decisões e tentando alcançar seus objetivos. Ao mesmo tempo, os próximos dez anos determinarão conquistas no campo dos jogos: a aprendizagem de dados e máquinas será usada para resolver os problemas mais complexos da ciência. De acordo com Hassabis, os próximos passos da empresa serão tentativas de entender como o aprendizado profundo ajudará a dimensionar o aprendizado reforçado para resolver problemas do mundo real.
"O problema do aprendizado por reforço era que ele sempre era usado para resolver problemas de brinquedos e pequenos mundos de treliça", diz ele. "Acreditava-se que não poderia ser estendido aos problemas reais e errados - e aqui uma combinação de métodos entra em jogo".
Para o DeepMind, o surgimento de uma nova sede é um símbolo de um novo capítulo na história da empresa, da mesma maneira que coloca toda a sua força e poder computacional na tentativa de entender, entre outras coisas, como funcionam os elementos básicos da vida orgânica. Com isso, a empresa espera fazer avanços na medicina e em outras disciplinas, o que afetará seriamente o progresso em vários campos da ciência. "Nossa missão deve ser uma das viagens mais interessantes de toda a ciência", diz Hassabis. "Estamos tentando construir um templo de aspirações científicas."
Da esquerda para a direita: Pravin Shrinivasan, chefe do DeepMind no Google; Drew Pervez, diretor criativo de mundos; Raya Hadsel, Pesquisadora. Dentro da sede inacabada da DeepMind.Estudando na University College London e depois no MIT, Hassabis descobriu que a colaboração interdisciplinar era um tópico muito na moda. Ele lembra como foram realizadas conferências de trabalho com a participação de representantes de várias disciplinas - por exemplo, neurobiologia, psicologia, matemática e filosofia. Alguns dias houve relatos e debates, depois os cientistas retornaram aos seus departamentos, confiantes de que deveriam se reunir com mais frequência e encontrar maneiras de cooperar. E a reunião seguinte ocorreu um ano depois - os pedidos de subsídios, as nomeações para os postos de ensino e a rotina de pesquisa e ensino da vida atrapalharam a cooperação.
"A colaboração interdisciplinar é difícil de organizar", diz Hassabis. - Suponha que levemos dois especialistas mundiais líderes em matemática e genética - eles obviamente podem ter tópicos comuns. Mas quem fará esforços para entender a área de outra pessoa, seu jargão, qual é o seu problema real? ”
Encontrando as perguntas certas, os motivos da falta de respostas e as principais citações, pelas quais essas respostas não são, esse processo pode parecer direto para um observador externo. Mas cientistas diferentes, mesmo no mesmo campo, nem sempre avaliam seu trabalho igualmente. Os pesquisadores acham extremamente difícil agregar valor a outras disciplinas. É ainda mais difícil encontrar perguntas comuns que eles possam responder.
A atual sede do DeepMind, os dois andares do edifício do Google em Kings Cross, recebeu cada vez mais funcionários nos últimos anos. Somente no campo da pesquisa em IA, a empresa possui seis a sete disciplinas diferentes e, como parte da expansão do leque de classes, contrata especialistas em matemática, física, neurobiologia, fisiologia, biologia e filosofia.
"Algumas das áreas mais interessantes da ciência estão entre as áreas clássicas, nos cruzamentos de vários tópicos de pesquisa", diz Hassabi. - Ao criar o DeepMind, tentei encontrar "pessoas unificadoras", especialistas de classe mundial em vários campos, cuja abordagem criativa ajuda a procurar analogias e pontos comuns em vários campos. Em geral, quando isso acontece, então há mágica. ”
Uma dessas pessoas unificadoras é Pashmit Koli. O ex-diretor de pesquisa da Microsoft lidera a equipe científica da DeepMind. Há muita conversa nos círculos da IA sobre o possível final do “inverno da IA” - um período sem progresso tangível - no meio da última década. A mesma sensação de movimento se aplica à tarefa de
dobrar proteínas , a ciência de prever a forma do que os biólogos consideram os blocos de construção da vida.
Coley reuniu uma equipe de biólogos estruturais, especialistas em aprendizado de máquina e físicos para atacar esse problema, reconhecido como uma das questões mais importantes da ciência. As proteínas estão na base da vida de todos os mamíferos - elas representam grande parte da estrutura e funcionamento dos tecidos e órgãos no nível molecular. Cada um é composto de aminoácidos que compõem a cadeia. Sua sequência determina a forma da proteína, que determina sua função.
"As proteínas são as máquinas mais incríveis já criadas para mover átomos em nanoescala, e geralmente aumentam a química em algumas ordens de magnitude mais eficientes do que qualquer coisa que fizemos", diz John Jumper, pesquisador em dobra de proteínas da DeepMind. "E elas também são de alguma forma inexplicáveis, essas máquinas auto-montadas".
As proteínas usam átomos em uma escala angstrom [
10-10 m, ou 100 pm / aprox. trans.], [obsoletas] unidades de comprimento dez bilhões de vezes menores que um metro. Uma compreensão mais profunda desse mecanismo permitiria aos cientistas entender melhor a biologia estrutural. Por exemplo, proteínas são necessárias para quase tudo o que acontece dentro da célula, e o dobramento inadequado de proteínas é considerado um fator importante na ocorrência de doenças como a doença de Parkinson, a doença de Alzheimer e a diabetes.
"Se conseguirmos descobrir proteínas naturais, podemos criar as nossas", diz Jumper. "A questão é estudar este mundo microscópico complexo com muito cuidado."
A disseminação generalizada dos dados do genoma tornou um enigma atraente para dobrar proteínas para o DeepMind. Desde 2006, houve um aumento acentuado no recebimento, armazenamento, distribuição e análise de dados de DNA. Os pesquisadores estimam que até 2025 serão analisados dois bilhões de genomas, o que exigirá 40 exabytes de armazenamento.
"Do ponto de vista do aprendizado profundo, essa é uma tarefa interessante, porque, depois de gastar uma quantidade enorme de recursos e tempo, as pessoas reuniram uma coleção tão incrível de proteínas que já descobrimos", disse Jumper.
O progresso está em andamento, mas os cientistas estão nos alertando sobre a enorme diversidade desse problema. O excelente biólogo molecular americano Cyrus Levintal observou que levaria tempo além da idade do universo para classificar todas as configurações possíveis de uma proteína típica em busca da estrutura tridimensional correta. "O espaço de busca é enorme", diz Rick Evans, pesquisador da DeepMind. "Mais do que ir."
No entanto, um marco no estudo do dobramento de proteínas foi alcançado em dezembro de 2018 na competição CASP [avaliação crítica das técnicas de previsão de estruturas proteicas] em Cancun, México. Esta competição é realizada a cada dois anos para fornecer uma visão imparcial do progresso nessa área. O objetivo das equipes de cientistas concorrentes é prever, com base nas seqüências de aminoácidos, a estrutura das proteínas cuja forma tridimensional já se tornou conhecida, mas ainda não foi publicada. Uma comissão independente avalia as previsões.
A equipe de dobragem de proteínas DeepMind participou da competição para testar seu novo algoritmo AlphaFold desenvolvido nos dois anos anteriores. Nos meses que antecederam a competição, os organizadores enviaram conjuntos de dados aos membros da equipe de King Cross, e eles retornaram suas previsões sem saber o resultado final. No geral, eles precisavam prever a estrutura de noventa proteínas - em alguns casos, as proteínas já conhecidas eram usadas para fazer previsões baseadas nelas, enquanto outras precisavam ser pensadas do zero. Pouco antes da conferência, eles receberam resultados da competição: em média, as previsões do AlphaFold eram mais precisas do que qualquer outra equipe. Segundo algumas estimativas, o DeepMind está significativamente à frente da concorrência; para proteínas cuja estrutura foi modelada a partir do zero - e havia 43 em 90 - o AlphaFold fez as previsões mais precisas para 25 proteínas. Surpreendentemente, isso é muito comparado à equipe vice-campeã, que conseguiu prever corretamente apenas três estruturas.
Diagrama de fita, uma representação tridimensional esquemática da estrutura de uma proteína dobrada em uma estrutura tridimensional de acordo com as previsões do algoritmo AlphaFold para a competição CASP13Mohammed Al Quraishi, pesquisador do Laboratório de Farmacologia de Sistemas e do Departamento de Biologia de Sistemas da Harvard Medical School, participou da competição e aprendeu sobre a abordagem usada no DeepMind antes da publicação dos resultados. "Lendo o currículo para o trabalho, não achei que fosse algo completamente novo", diz ele. "Decidi que eles deveriam se sair muito bem, mas não esperava que eles se saíssem tão bem."
Al Quraishi diz que essa abordagem era semelhante à de outros laboratórios, mas o processo DeepMind foi distinguido pelo fato de que eles poderiam "ter um desempenho melhor". Ele aponta os pontos fortes da equipe DeepMind no campo da engenharia.
"Acho que eles podem trabalhar melhor do que grupos constituídos por cientistas, uma vez que estes tendem a manter seu trabalho em segredo", diz al-Quraishi. "E embora todas as idéias que o DeepMind incluísse em seu algoritmo já existissem e pessoas diferentes tentassem aplicá-las separadamente, ninguém pensou em reuni-las".
Al Quraishi traça paralelos com a comunidade científica no campo de aprendizado de máquina, a partir da qual nos últimos anos houve um resultado em empresas como Google Brain, DeepMind e Facebook; eles têm estruturas organizacionais mais eficientes, grandes recompensas e recursos computacionais que nem sempre são encontrados nas universidades.
"As comunidades de aprendizado de máquina realmente experimentaram isso nos últimos 4-5 anos", diz ele. "A biologia computacional está apenas começando a ser dominada com essa nova realidade."
Ele é ecoado pela explicação dada pelos fundadores da DeepMind sobre a venda do Google em janeiro de 2014. O volume da rede de computadores do Google permitirá à empresa avançar com pesquisas muito mais rapidamente do que se crescesse naturalmente, e um cheque de 400 milhões de libras permitiria à startup contratar especialistas de classe mundial. Hassabis descreve uma estratégia de busca para pessoas consideradas adequadas para áreas de pesquisa específicas. "Temos um plano de desenvolvimento a partir do qual se seguem quais áreas de pesquisa da IA ou da neurociência serão importantes", diz ele. "E então partimos em busca e encontramos a melhor pessoa do mundo que também é adequada para nós em termos culturais".
“Portanto, nas áreas em que o DeepMind pode mudar o mundo, o dobramento de proteínas parece ser um ótimo começo - esta é uma tarefa muito bem definida, possui dados úteis, pode, em princípio, ser considerada uma tarefa na ciência da computação”, diz Al Quraishi. - Em outras áreas da biologia, essa abordagem provavelmente não funcionará. Tudo é muito menos ordenado lá. Portanto, não acho que o sucesso do DeepMind no campo da dobra de proteínas possa ser automaticamente transferido para outras áreas de pesquisa. ”
Funcionários da DeepMind no telhado do escritório do Kings Cross no GoogleA DeepMind está ativamente envolvida no gerenciamento de produtos de uma empresa de pesquisa. A cada seis meses, os gerentes seniores estudam as prioridades, reorganizam alguns projetos, inspiram as equipes - especialmente os engenheiros - a mudarem de uma área para outra. As disciplinas se misturam constantemente e intencionalmente. Muitos dos projetos da empresa levam mais de seis meses - geralmente de dois a quatro anos. Mas enquanto o DeepMind está focado em pesquisas, a empresa agora é uma divisão da Alphabet, a empresa controladora do Google e a quarta mais cara do mundo. E se os cientistas de Londres esperam uma pesquisa avançada e de longo prazo da empresa, os diretores de Mountain View, na Califórnia, naturalmente esperam um retorno do investimento.
“Garantimos que nossos produtos tragam sucesso ao Google e Alphabet, e eles lucrem com nossa pesquisa - e eles obtêm, agora dezenas de produtos contendo código e tecnologias DeepMind já estão trabalhando no Google e Alphabet - no entanto, é importante que essa situação seja mantida não violentamente, mas naturalmente ”, diz Hassabis. O DeepMind do Google, liderado por Suleiman, consiste em centenas de pessoas, a maioria engenheiros, que traduzem a pesquisa puramente científica da empresa em aplicativos que podem ser transformados em produtos. Por exemplo, o WaveNet, um modelo generativo de conversão de texto em fala que imita a voz humana, já está incluído na maioria dos dispositivos que contêm o Google, do Android ao Google Home, e tem sua própria equipe de produtos no Google."Muitas pesquisas do setor estão sendo conduzidas por solicitações de produtos", diz Hassabis. "O problema é que a pesquisa só pode ser incrementada, passo a passo." É improdutivo conduzir pesquisas ambiciosas e arriscadas - mas esta é a única maneira de obter avanços. ”Hassabis fala rapidamente, enfatizando frequentemente o final da frase com a pergunta "sim?", Levando o ouvinte a uma série de observações. Ele freqüentemente se distrai do tópico, periodicamente partindo para a filosofia (seus filósofos favoritos - Kant e Spinoza), história, jogos, psicologia, literatura, xadrez, engenharia, muitos outros campos científicos e da computação - mas não perde sua linha de pensamento original, retornando frequentemente para esclareça o comentário ou discuta o comentário anterior.Como o plano de desenvolvimento de 300 anos para Masayoshi Sana, fundador do SoftBank, um banco internacional japonês que investiu em muitas empresas dominantes de tecnologia, Hassabis e os outros fundadores têm um "plano de desenvolvimento de décadas para o DeepMind". Legg, o principal cientista da empresa, manteve uma impressão do primeiro plano de negócios que eles enviaram a um investidor em potencial (Hassabis perdeu sua cópia). Às vezes, Legg mostra isso em reuniões gerais para mostrar que muitas das abordagens que os fundadores pensaram em 2010 - treinamento, aprendizado profundo, aprendizado reforçado, simulações, conceitos e transferência de aprendizado, neurobiologia, memória, imaginação - ainda são partes-chave do programa de pesquisa da empresa.No início da jornada, a DeepMind tinha a única página da Web que continha apenas o logotipo da empresa. Nem o endereço, nem o telefone, nem a página positiva sobre nós. Para contratar funcionários, os fundadores tiveram que confiar nos contatos pessoais de pessoas que já sabiam que eram "pessoas sérias com cientistas sérios e com um plano sério", diz Hassabis."Em qualquer startup, você precisa pedir às pessoas que confiem no seu gerenciamento", diz ele. “Mas é ainda mais difícil para nós, porque, em essência, dizemos que estaremos envolvidos no trabalho de uma maneira única, como ninguém havia feito antes, e muitos cientistas tradicionais de classe mundial diriam que isso é impossível: 'A ciência não pode ser organizada dessa maneira '".Como exatamente ocorrem descobertas científicas não é mais conhecido do que como resolver alguns problemas com os quais os pesquisadores estão lutando. No mundo acadêmico, as melhores mentes se reúnem nos institutos para conduzir pesquisas que estão progredindo sem resultados previsíveis. O progresso é geralmente lento e demorado. E no setor privado, onde supostamente não há restrições, e há acesso a consultores altamente remunerados, a produtividade e a inovação também estão caindo.Em fevereiro de 2019, o economista de Stanford, Nicholas Bloom, publicou um trabalho que comprova um declínio na produtividade em uma ampla gama de áreas. "Os esforços de pesquisa cresceram significativamente e a produtividade despencou", escreveu Bloom. "Um bom exemplo é a lei de Moore." Para manter a famosa duplicação da densidade de chips de computador a cada dois anos, hoje são necessários 18 vezes mais pesquisadores do que no início da década de 1970. Na mais ampla gama de estudos em diferentes níveis de agregação, vemos que as idéias - e especialmente o crescimento exponencial incorporado a elas - estão se tornando cada vez mais difíceis de encontrar. ”Hassabis menciona bilhões investidos na pesquisa Big Farm: com base em relatórios trimestrais de ganhos, o setor se tornou mais conservador à medida que o custo do erro aumentou. De acordo com um relatório de 2018 do Nesta Innovation Fund, nos últimos 50 anos, a produtividade da pesquisa e desenvolvimento em biomedicina tem diminuído constantemente - apesar de um aumento significativo no investimento, novos medicamentos estão se tornando mais caros para o desenvolvimento. O relatório afirma que “o aumento exponencial do custo do desenvolvimento de novos medicamentos afeta diretamente os pequenos retornos nos gastos com P&D. Segundo estimativas recentes, esse retorno é de 3,2% para as maiores empresas farmacêuticas do mundo; é muito menor que o custo de capital. ” Da mesma forma, os pesquisadores da Deloitte estimaram que o retorno do investimento em P&DD biofarma está no seu ponto mais baixo em nove anos, passando de 10,1% em 2010 para 1,9% em 2018."Muitos diretores de grandes fazendas não são cientistas, mas financiadores ou profissionais de marketing", diz Hassabis. - O que isso diz sobre suas organizações? Eles estão tentando espremer o máximo de dinheiro já investido possível, cortar gastos, melhorar a publicidade, mas não inventar algo novo - isso é muito mais arriscado. Você não pode escrever isso em uma planilha. Isso não está no espírito do trabalho da imaginação e dos sonhos do futuro - não é necessário agir se você quiser voar para a lua. ”
Pushmith Coley, Chefe da equipe de pesquisaMuitos fundadores de startups em sua missão têm vários eventos felizes inesperados - o problema que eles enfrentaram e se propuseram a resolver, uma reunião acidental com um co-fundador ou investidor, um apoiante da comunidade acadêmica. Mas esse não é o caso de Hassabis - ele deliberadamente tomou várias decisões, uma após a outra - algumas delas em tenra idade - o que o levou a criar o DeepMind. "É isso que eu tenho preparado para toda a minha vida", diz ele. - Do design de jogos aos jogos, da neurobiologia à programação, do estudo de IA no instituto a estudar em muitos dos melhores institutos do mundo, desde uma tese de doutorado até a organização de uma startup no início de uma carreira. Eu tentei usar cada migalha de experiência. Eu escolhi deliberadamente todos esses marcos para ter toda essa experiência ".Adicione a isso a posição de CEO, o trabalho que ele faz todos os dias. Ele tem outro papel como pesquisador e, para acompanhar tudo, estrutura o tempo, dividindo-o em períodos separados, para equilibrar a gestão dos negócios e os interesses científicos. Desempenhando o papel de diretor durante o dia útil, ele volta para casa às 19:40, janta com sua jovem família e sai no “segundo dia”, começando em algum lugar às 22:30 e terminando às 4: 00-4: 30."Eu amo esse tempo", diz ele. - Sempre fui uma coruja desde a infância. Há silêncio na cidade e em casa, e isso me ajuda muito a pensar, ler, escrever. É então que vou aprender todas as últimas notícias científicas. Ou posso escrever um trabalho, editá-lo, criar um novo algoritmo, algum tipo de estratégia, explorar o campo da ciência ao qual a IA pode ser aplicada. ”Durante o trabalho, ele ouve música. O estilo da música - do clássico ao drum and bass - depende das “emoções que tento despertar em mim. Depende se eu quero me concentrar ou despertar a imaginação. ” Existem alguns requisitos para a música: não deve haver vocais; caso contrário, ele se distrai com as palavras; e a música deve ser familiar o suficiente. “Deve ser algo familiar, mas não muito. E não pode ser música nova, distrai muito o cérebro. ”Hassabis diz que gostaria de gastar 50% de seu tempo fazendo pesquisas diretas. Para fazer isso, em abril de 2018, ele contratou Laila Ibrahim, veterana do Vale do Silício que trabalhou na Intel por 18 anos antes de se tornar diretora de RH da Kleiner, Caulfield, Perkins e Byers, uma das maiores empresas de risco do Vale, e depois transferida para Inicialização do Coursera. Ibrahim tira muitas tarefas administrativas de Hassabis - ele diz que das 20 pessoas que se reportam diretamente a ele, agora existem 6. Ibrahim acredita que ela se juntou ao DeepMind devido às “considerações morais” que surgiram após conversas com Hassabis e Legge sobre sua iniciativa de Ética. e sociedade ", que está tentando impor padrões de aplicação de tecnologia."Acho que trabalhar em Londres oferece uma perspectiva um pouco diferente", diz ela. - Eu acho que se a sede da DeepMind estivesse localizada no Vale do Silício, tudo seria completamente diferente. Parece haver muito mais humanidade em Londres. Arte, diversidade cultural. E eles também têm o que os fundadores apoiaram desde o início, e as pessoas que decidiram trabalhar na DeepMind trouxeram uma maneira especial à empresa de fazer as coisas, uma atitude especial. ”
Layla IbrahimUm caso revela o que Ibrahim descreve. Hassabis era um prodígio do xadrez. Desde os quatro anos de idade, ele começou a crescer no ranking, até aos 11 anos acabou em um grande campeonato internacional, jogando contra o grande mestre dinamarquês em uma prefeitura perto de Liechtenstein.Depois de quase 12 horas, o jogo estava chegando ao fim. Hassabis nunca tinha visto um negócio assim antes - ele tinha uma rainha, e o oponente tinha uma torre, elefante e cavalo, mas Hassabis ainda poderia reduzir o assunto a um empate se pudesse verificar constantemente o oponente. As horas passaram, outros jogos já terminaram, a sala estava vazia. De repente, Hassabis percebeu que seu rei estava preso, o que significava um companheiro inevitável. Hassabis se rendeu."Estou muito cansado", diz ele. "Ficamos sentados lá por 12 horas ou algo assim, e acho que devo ter me enganado, e ele me pegou em uma armadilha."Seu oponente - Hassabis lembra que o homem tinha entre 30 e 40 anos - se levantou. Seus amigos o cercaram, ele riu e apontou para o quadro. E então Hassabis percebeu que havia desistido em vão - o jogo poderia ser reduzido a um empate."Eu apenas tive que sacrificar a rainha", diz ele. - Essa foi sua última chance. Por horas, ele tentou me atrair. E esse foi seu último truque barato. E funcionou. De fato, minhas 12 horas de trabalho exaustivo não levaram a nada. ”Hassabis lembra que naquele momento ele recebeu uma visão. Ele se perguntou sobre a utilidade desse passatempo quando pessoas brilhantes competem entre si para vencer em um jogo de soma zero. Depois, continuou a jogar no mais alto nível, tornou-se o capitão da equipe na universidade e ainda fala sobre seu amor por jogos complexos, mas a experiência o ensinou a redirecionar sua energia para outras tarefas que não os jogos. "Não pude me tornar um jogador profissional de xadrez, porque me pareceu improdutivo", disse ele.Apesar do fato de a empresa estar se mudando para uma nova sede, a Hassabis ainda considera a DeepMind uma startup, apesar de competir no cenário mundial. “A China se mobilizou, assim como os Estados Unidos. Empresas sérias fazem essas coisas ”, diz ele. De fato, os Estados Unidos e a China estão tentando padronizar essa área e aproveitá-la, tanto do ponto de vista comercial quanto geopolítico. Ele menciona várias vezes que, apesar do progresso, eles ainda têm um longo caminho a percorrer para um objetivo maior - resolver o problema da inteligência e criar o IION. "Quero que tenhamos essa sede, a velocidade do trabalho, a energia que as melhores startups têm", diz ele.As inovações são raras, difíceis de criar. Construir processos e cultura em uma empresa que permita "deixar uma marca no Universo", já que poucas organizações conseguiram fazê-lo em várias áreas com vários produtos, como Steve Jobs disse à equipe que criou o computador Macintosh. Com o crescimento do DeepMind, os fundadores deverão orientá-lo no caminho certo, seguindo os princípios fundamentais de um negócio focado em tecnologia que provavelmente se tornará o mais transformador de todos nos próximos anos, ao longo de um caminho cheio não apenas de perigos, mas também de oportunidades."Haverá muitos dias difíceis na estrada, e acho que, no final, o desejo de ganhar dinheiro ou algo assim não é suficiente para passar pelos momentos mais difíceis", diz Hassabis. "Se você tem verdadeira paixão e fé na importância do que está fazendo, posso conduzi-lo nestes dias."