Hassabis: Vi er tre fjerdedeler på vei til AGI

Kort fortalt

Demis Hassabis grunnla DeepMind i 2009 med et mål formulert i to setninger: «Steg én: løs intelligens. Steg to: bruk den til å løse alt annet.» På Sequoias AI Ascent-konferanse i 2026 sier han at feltet er omtrent tre fjerdedeler på vei mot AGI. Nå er han også mer konkret enn noen gang om hva som kan vente på den andre siden.

Hemmelighetsbærere i 2009

Da Hassabis grunnla DeepMind, ristet mange i akademia på hodet. Dyp læring var knapt et kjent begrep utenfor fagmiljøene. Forsterkende læring ble mest brukt på enkle testproblemer. AGI, kunstig generell intelligens, ble av mange sett på som science fiction.

Likevel så Hassabis og kollegene noe andre overså. De mente at dyp læring og forsterkende læring sammen kunne bli langt kraftigere enn hver for seg. De så at datakraften ville komme. Og de trodde veien til AGI var kortere enn folk flest antok.

«Vi følte oss nesten som hemmelighetsbærere», sier han. «Ingen i akademia eller industrien trodde at noe stort var mulig.»

De satte seg en tidshorisont på 20 år fra 2010. Hassabis mener feltet i hovedsak fortsatt ligger i rute.

Misjonen har ikke endret seg

Mye i AI-bransjen endrer seg raskt. Men Hassabis holder fast ved de store linjene.

Når han blir spurt om når vi får AGI, svarer han 2030. Det har han sagt lenge. På AI Ascent sier han: «2030. Jeg har vært ganske konsekvent på det.»

Han er også tydelig på hvorfor AGI er viktig. Det handler ikke først og fremst om teknologien i seg selv, men om hva den kan brukes til: bekjempe sykdom, utvikle nye materialer, forstå energi og miljø bedre. Hassabis er ikke mest opptatt av AGI som en teknisk bragd. Han ser AGI som det ultimate vitenskapelige verktøyet.

Legemidler: fra ti år til dager

Det mest konkrete eksempelet handler om legemidler.

AlphaFold, DeepMinds AI-system for å forutsi proteiners 3D-form, var bare begynnelsen. DeepMind-avleggeren Isomorphic Labs jobber nå med neste steg: å bruke AI til å designe selve legemiddelkandidatene.

I dag tar det ofte rundt ti år å utvikle et nytt legemiddel. Mye av tiden går med til å undersøke tusenvis av kjemiske forbindelser for å finne én som binder seg til riktig sted på et protein, uten samtidig å binde seg til andre steder og gi bivirkninger.

Hassabis beskriver målet slik: 99 prosent av denne utforskningen bør kunne gjøres in silico, altså i en datamaskin. Laboratoriet skal først og fremst brukes til å bekrefte at løsningen faktisk virker.

Hvis det lykkes, noe han tror kan skje i løpet av få år, kan tidslinjen krympe dramatisk. Fra ti år til måneder. Kanskje uker. En dag kanskje bare dager.

Da kan langt flere sykdommer bli mulige å angripe. Og persontilpasset medisin kan bli langt mer realistisk.

Maskinlæring er biologiens matematikk

Hassabis mener AI-drevet forskning kan skape helt nye vitenskapelige felt.

Forklaringen hans er enkel: Fysikk er kraftfullt fordi vi kan beskrive den med ligninger. F = ma. E = mc². Matematikk er fysikkens språk.

Biologi er annerledes. Her finnes millioner av svake signaler, kompliserte årsakssammenhenger og enorme datamengder som ingen mennesker kan analysere for hånd. Tradisjonell matematikk har ikke vært nok til å gripe alt dette.

Ifølge Hassabis er «maskinlæring det perfekte beskrivelsesspråket for biologi, på samme måte som matematikk er det for fysikk». AlphaFold lyktes ikke fordi AI er magi, men fordi enkelte systemer er så komplekse at de krever statistisk læring for å kunne beskrives godt.

Det samme kan gjelde økonomi. Du kan ikke sette renten opp tusen ganger i den virkelige verden og se hva som skjer. Men i en god simulator kan du teste scenarioer igjen og igjen. Hassabis åpner for at fremtidens forskning kan finne dype mønstre i slike systemer, kanskje til og med lover som minner om dem Maxwell fant for elektromagnetisme. Men de må kanskje hentes ut fra AI-simulatorer, ikke utledes direkte av mennesker.

DeepMind jobber allerede med det Hassabis kaller en virtuell celle: en simulering av en biologisk celle og dens dynamiske prosesser. Lykkes det, får forskere et verktøy av en type vi ikke har hatt før.

Informasjon kan være mer grunnleggende enn stoff og energi

Her beveger samtalen seg over i filosofi, og Hassabis virker tydelig hjemme.

Einstein viste at stoff og energi henger sammen: E = mc². Hassabis mener informasjon bør forstås som en tredje, og kanskje mer grunnleggende, størrelse.

Han beskriver universet som et informasjonsbehandlende system. Ikke slik at informasjon bare er et biprodukt av stoff og energi, men kanskje omvendt: at stoff, energi og liv best kan forstås gjennom informasjon.

Biologi er et godt eksempel. Levende organismer motarbeider entropi, naturens tendens til uorden, ved å organisere informasjon. Sett slik er både en celle og et nevralt nettverk systemer som behandler informasjon.

Hassabis ser også DeepMind i forlengelsen av Alan Turing. Turing viste at alt som kan beregnes, i prinsippet kan beregnes av en enkel teoretisk maskin. AlphaFold viste noe overraskende: En vanlig klassisk datamaskin kunne modellere proteinfoldning svært godt, selv om proteiner på et grunnleggende nivå er kvantesystemer.

Det kan bety at vi ikke alltid trenger kvantedatamaskiner for å løse problemer vi tidligere trodde krevde kvanteberegning.

Bygg verktøyet først

Et spørsmål går igjen i diskusjoner om avansert AI: Er AI bare et verktøy, eller kan det bli et subjekt med bevissthet?

For Hassabis handler dette først om rekkefølge. Bygg verktøyet først. Gjør det intelligent, nyttig og presist. Deretter kan vi bruke det til å undersøke de større spørsmålene.

Han peker på at bevissthet trolig krever ting som selvbevissthet, et skille mellom selv og andre, og en form for kontinuitet over tid. Men han understreker at dette fortsatt er åpne filosofiske spørsmål.

Filosofen Daniel Dennett, som Hassabis tidligere hadde lange samtaler med, var opptatt av både atferd og underlag. Oppfører systemet seg som om det er bevisst? Og er det laget av det samme som oss?

Det første kan vi undersøke. Det andre blir vanskeligere. En kunstig intelligens vil aldri ha samme biologiske underlag som mennesker. Derfor vil det trolig alltid være et gap mellom hvordan systemet oppfører seg, og hva det eventuelt opplever.

Hurtigspørsmål

Konferansen avsluttes med noen raske svar.

Anbefalt bok etter AGI: The Fabric of Reality av David Deutsch. Hassabis håper å bruke AGI til å svare på spørsmålene Deutsch stiller i boken.

Stolteste øyeblikk i DeepMind: AlphaFold.

Hvem ville han hatt på laget i et strategispill? John von Neumann. «Spillteoretiker», sier Hassabis. «Den beste.»

Grunnregelen fra Elixir Studios: Du vil være fem år foran din tid, ikke femti. I 20-årene prøvde Hassabis og spillselskapet hans å simulere et helt land på en Pentium-prosessor. Det var for ambisiøst. Men erfaringen ble nyttig.

Ordliste

Kilder og ressurser