Demis Hassabis e a Máquina Infinita da IA

Recomendação de livro para entender o que aconteceu de mais importante no mundo da IA nos últimos 15 anos: “The Infinity Machine”.

É sobre Demis Hassabis, o gênio fundador da DeepMind, startup que trouxe ao mundo o AlphaGo e o AlphaFold, posteriormente adquirida pelo Google.

Não é exagero dizer que ele é gênio mesmo: prodígio do xadrez (chegou a Candidato a Mestre), cinco vezes campeão da Mind Sports Olympiad, PhD pela University College London e vencedor do Prêmio Nobel de Química em 2024. Está bom ou quer mais?

Mais abaixo:

Hassabis sempre teve como objetivo chegar à AGI (Inteligência Artificial Geral) e, para isso, acreditava que a abordagem seria por indução. Em meados de 2010, uma das principais formas de treinar redes neurais era com dados rotulados, o que exigia grande quantidade de esforço humano. Se a máquina fosse capaz de identificar padrões sem rotulação prévia, seria um grande salto. E ele acertou em cheio: as LLMs atuais aprendem padrões a partir de enormes volumes de dados, sem necessitar de rotulação manual de cada exemplo.

Os primeiros jogos que a DeepMind resolveu foram os de Atari. Isso foi obtido via Reinforcement Learning: à medida que o jogo avança, a IA vai mudando seu comportamento para conseguir mais pontos, recebendo feedback do ambiente. Hoje, o Reinforcement Learning é uma abordagem consagrada, e muito se deve à DeepMind por isso.

Vencer um jogo de Atari parecia fácil, então escolheram o jogo de estratégia chinês Go como alvo. O número de combinações possíveis é assombroso (estimativas da ordem de 10^170, muito maior do que no xadrez (cerca de 10^50).

Houve um momento em que o AlphaGo já era melhor do que todos os softwares existentes, e os engenheiros estavam satisfeitos. Porém, não Hassabis. Ele insistiu que o sistema deveria ser melhor do que o melhor jogador humano.

O AlphaGo assombrou o mundo quando derrotou o sul-coreano Lee Sedol, em 2016, um dos melhores jogadores do mundo.

Posteriormente, o AlphaGo Zero, que, conforme o próprio nome indica, começou do zero e evoluiu treinando contra si mesmo, atingiu um patamar ainda maior: derrotou a versão anterior do AlphaGo por 100 a 0.

Interessante a arquitetura do AlphaGo, que tinha um algoritmo para decidir que movimento fazer e outro para avaliar a posição (por si só, um problema dificílimo). Já o AlphaGo Zero não tinha essa distinção: tudo estava embutido em uma única rede neural!

Mustafa Suleyman foi cofundador da DeepMind. Enquanto Hassabis era o técnico, Suleyman era o “chefão”: ambicioso, pragmático e interessado em promover mudanças sociais significativas. Um dos projetos de Suleyman era voltado à melhoria de hospitais. Ele acabou saindo em 2019, após controvérsias envolvendo o tratamento de funcionários, e hoje está na rival Microsoft.

O livro comenta sobre a aproximação do Google para adquirir a DeepMind. Uma das vantagens óbvias era não ter que ficar correndo atrás de rodadas de financiamento a cada semestre. A principal desvantagem seria perder autonomia para trabalhar. O acordo com o Google permitiu que a startup continuasse operando de forma relativamente independente, na Inglaterra.

Passados mais de 10 anos, a DeepMind foi integrada à divisão de IA do Google, dando origem à Google DeepMind, em conjunto com o Google Brain. Basicamente, os dois pontos anteriores estavam corretos: a DeepMind não precisou mais correr atrás de dinheiro, mas acabou, depois de um tempo, incorporada a uma estrutura maior.

Hassabis e o time acreditavam muito na abordagem de Reinforcement Learning, que tinha sido tão bem-sucedida, e deram pouca importância a novidades como a arquitetura Transformers e o famoso paper “Attention Is All You Need”.

Impressionante como uma líder absoluta consegue ficar rapidamente para trás na fronteira da tecnologia. Ninguém ali conseguiu antecipar o poder que a OpenAI e as LLMs trariam ao mundo.

Um projeto menos famoso foi o de tentar replicar o mundo real em um simulador. A técnica que a DeepMind dominava, Reinforcement Learning, necessita de feedback constante sobre o desempenho, como acontece nos jogos de Atari. Daí a ideia: que tal colocar o mundo real dentro de um jogo? O problema é que o mundo real é muuuuito complicado.

Outro projeto diz respeito ao StarCraft. O AlphaStar chegou ao nível dos melhores jogadores humanos, superando 99,8% dos jogadores humanos avaliados. Para seu treinamento, não bastou apenas o aprendizado por tentativa e erro: também foram utilizadas partidas humanas. O ser humano tem um “prior” fortíssimo, parte dele vindo do DNA e parte da experiência acumulada.

O projeto mais famoso e de grande impacto científico da empresa foi o AlphaFold. A ideia foi utilizar a incrível capacidade das máquinas de encontrar padrões para atacar um problema real: o dobramento de proteínas.

Para iniciar esse problema, eles utilizaram um joguinho feito para popularizar o tema e encontrar padrões, chamado Foldit, no qual humanos tentavam descobrir estruturas de proteínas.

O joguinho acima, porém, era apenas uma simplificação do problema real, e rapidamente eles tiveram que modelar o problema de forma mais abrangente.

Chegou a um ponto em que o AlphaFold tinha desempenho para vencer qualquer competição. Hassabis, porém, não queria apenas ganhar uma competição, mas resolver o problema, e puxou o time além dos limites conhecidos e razoáveis.

Quando submeteram o resultado do AlphaFold à competição de predição de estruturas de proteínas (CASP), o desempenho foi tão superior ao dos demais que os organizadores pediram que previssem mais duas estruturas, cuja pesquisa ainda não havia sido nem rascunhada para publicação. O AlphaFold fez um ótimo trabalho ao prever as estruturas, reforçando a confiança de que não havia vazamento de dados.

Antes, determinar a estrutura de uma proteína podia exigir técnicas experimentais complexas, como a cristalografia de raios X. É como se os pesquisadores tivessem apenas as sombras de diversos ângulos, e tivessem que reconstruir a estrutura tridimensional da proteína. Um trabalho árduo que poderia demorar meses.

O AlphaFold representou um avanço gigantesco na predição de estruturas de proteínas, com implicações enormes para o desenvolvimento de remédios e o entendimento da vida. Por isso, Hassabis e dois outros pesquisadores dividiram o Prêmio Nobel de Química de 2024

Na corrida das IAs, a DeepMind foi pega de surpresa e superada, em visibilidade e adoção, pela ascensão das LLMs. OpenAI, Anthropic e modelos chineses, como o DeepSeek, passaram a disputar a liderança. É esse capítulo da história que estamos vivendo hoje.

O Google teve que correr atrás, tentando dominar as LLMs com o Google Bard, que, em 2024, passou a se chamar Gemini, a marca que conhecemos hoje.

Em 2023, a DeepMind foi integrada ao Google Brain para formar a Google DeepMind. Em agosto de 2026, Hassabis deixou o cargo de CEO da Google DeepMind e se tornou Chief Scientist da Alphabet.

Alguns pontos a refletir:

Tenha planos ousados,
Sempre colocar a barra muito alta, não se contentar com pouco, como no caso do AlphaFold,
Duvide das suas convicções, a fim de não ser surpreendido e ficar para trás, como a DeepMind e LLMs

Vamos acompanhar o que surgirá nos próximos capítulos!