Engineering-Philosophie: Demis Hassabis – Intelligenz lösen, um alles zu lösen

Die wichtigsten Erkenntnisse

• Der Plan bestand aus zwei Schritten: erst die Intelligenz lösen, dann mit ihr alles andere lösen. Dieser Satz – Hassabis’ tatsächlicher Gründungspitch für DeepMind – ist die gesamte Strategie. Bauen Sie ein allgemeines Lernsystem statt eines eng spezialisierten, und richten Sie es anschließend auf die schwierigsten Probleme der Wissenschaft. Das klingt nach Hybris, bis man ihm dabei zusieht, wie er es Schritt für Schritt umsetzt.¹⁷
• Spiele waren das Bewährungsfeld, nicht das Ziel. AlphaGo schlug Lee Sedol im März 2016 mit 4:1 – ein Jahrzehnt früher, als Fachleute es vorhergesagt hatten – und „Zug 37” aus der zweiten Partie, ein Zug, den ein Mensch mit einer Wahrscheinlichkeit von rund 1 zu 10.000 gewählt hätte, zeigte ein System, das erfand, statt zu imitieren.⁵ Hassabis wählte Spiele, weil sie in sich geschlossen sind, klare Ziele haben und die ideale Spielwiese für Reinforcement Learning bilden.⁷
• Anschließend richtete er diese Intelligenz auf die Biologie und gewann einen Nobelpreis. AlphaFold2 löste das 50 Jahre alte Problem der Proteinstruktur-Vorhersage bei CASP14 im Jahr 2020; die AlphaFold-Datenbank umfasst inzwischen Strukturen für rund 200 Millionen Proteine und wird von über zwei Millionen Forschenden genutzt.⁸⁹ 2024 teilte sich Hassabis den Nobelpreis für Chemie mit John Jumper (und David Baker) – Schritt zwei, geliefert.¹⁰¹¹
• Vom Schachwunderkind über den Spieldesigner und Neurowissenschaftler zum Gründer. 1976 in London geboren, mit dreizehn auf Meisterstärke im Schach, mit siebzehn Mitgestalter von Theme Park, ein Doppel-Bestabschluss in Cambridge, dann ein UCL-Doktortitel in kognitiver Neurowissenschaft mit Forschung zu Gedächtnis und Vorstellungskraft – jedes Kapitel nährte das nächste.¹²³⁴

Das Prinzip

„Schritt eins: die Intelligenz lösen; Schritt zwei: mit ihr alles andere lösen.” – Demis Hassabis über den Gründungsplan von DeepMind⁷

Die meiste ehrgeizige Technologie wird genau andersherum gebaut. Man wählt ein Problem – Suche, Empfehlungen, Betrugserkennung – und baut das engste, zuverlässigste System, das dieses eine Problem löst. Allgemeingültigkeit gilt als Luxus, den man sich später verdient, wenn überhaupt. Hassabis kehrte die Reihenfolge um. Seine Wette lautete: Der richtige erste Zug besteht nicht darin, irgendein bestimmtes Problem zu lösen, sondern die allgemeine Fähigkeit zu lösen, die Probleme löst – ein Lernsystem zu bauen, das Bereiche meistern kann, für die es nie eigens konstruiert wurde – und es erst dann auf die wichtigsten Ziele zu richten.⁷

Deshalb trägt die Reihenfolge im Satz das gesamte Gewicht. „Die Intelligenz lösen” steht nicht deshalb an erster Stelle, weil die Anwendungen unwichtig wären, sondern weil eine hinreichend allgemeine Intelligenz aus seiner Sicht das wirkungsstärkste Werkzeug ist, das man bauen kann: Löst man es einmal, erhält man einen Schlüssel, der viele Schlösser öffnet, statt eines Werkzeugs, das für genau eines geformt ist. Der Satz kann grandios klingen, und das wäre er auch – hätte er nicht anschließend fünfzehn Jahre damit verbracht, die beiden Schritte der Reihe nach öffentlich zu gehen, mit einem Nobelpreis für den zweiten am Ende.¹⁰

Die Methode unter dem Slogan hat zwei ungewöhnliche Zutaten. Die erste ist die Neurowissenschaft als Inspiration: Hassabis studierte das Gehirn gerade deshalb, um es nach algorithmischen Ideen zu durchforsten – getragen von der Überlegung, dass man die einzige allgemeine Intelligenz, die wir kennen, verstehen sollte, bevor man eine zweite zu bauen versucht.⁷ Die zweite sind Spiele als Bewährungsfeld: in sich geschlossene Welten mit klaren Zielfunktionen, in denen ein Lernsystem trainiert, gemessen und bis zu übermenschlichem Spiel getrieben werden kann, bevor man ihm jemals etwas Reales anvertraut.⁷ Von Spielen über allgemeines Lernen zur wissenschaftlichen Entdeckung – das ist der gesamte Bogen, und das Prinzip lässt sich in eine Zeile fassen: die Intelligenz lösen, dann mit ihr alles andere lösen.

Hintergrund

Demis Hassabis wurde am 27. Juli 1976 in London als Sohn eines griechisch-zypriotischen Vaters und einer chinesisch-singapurischen Mutter geboren.¹ Er war von klein auf ein Schachwunderkind; mit dreizehn hatte er Meisterstärke mit einer Elo-Zahl um die 2300 erreicht und führte englische Juniorenmannschaften als Kapitän an.¹ Schach ist hier keine Randnotiz – es ist der Ursprung der gesamten Weltsicht. Ein Kind, das Jahre damit verbringt, Varianten zu berechnen, Stellungen zu bewerten und die beste Fortsetzung zu wählen, hat noch vor der Pubertät genau jene Schleife verinnerlicht, die später unter AlphaGo liegen sollte: vorausschauen, bewerten, wählen.

Das nächste Kapitel waren Spiele – ihre Entwicklung. Nachdem er einen Wettbewerb um eine Stelle bei Bullfrog Productions gewonnen hatte, war Hassabis mit siebzehn Mitgestalter und Hauptprogrammierer des Simulationsklassikers Theme Park, an der Seite von Peter Molyneux; das Spiel verkaufte sich millionenfach und trug zur Entstehung des Management-Simulations-Genres bei.² Anschließend war er leitender KI-Programmierer von Black & White bei Lionhead, dann gründete er sein eigenes Studio, Elixir Studios, und veröffentlichte Republic: The Revolution und Evil Genius.¹ Ein Jahrzehnt seines Lebens floss in das Schreiben von Software, die intelligentes Verhalten simulierte – Menschenmengen, Kreaturen, Gegner – also genau die Lehrzeit, die man für jemanden entwerfen würde, der gleich versuchen wird, das echte Ding zu bauen.

Dann ging er zurück zu den ersten Prinzipien. Er hatte 1997 einen Doppel-Bestabschluss in Informatik in Cambridge erworben und kehrte für einen Doktortitel in kognitiver Neurowissenschaft am UCL (2009) in die Wissenschaft zurück, mit Arbeiten zu episodischem Gedächtnis und Vorstellungskraft – und zeigte, dass Patienten mit Schädigungen des Hippocampus nicht nur Schwierigkeiten haben, sich an die Vergangenheit zu erinnern, sondern auch, sich neue Zukunftsszenen vorzustellen.¹³⁴ Das ist ein tiefgreifender Befund für einen KI-Entwickler: Die Maschinerie des Gedächtnisses und die Maschinerie der Vorstellungskraft sind ein und dieselbe Maschinerie. Er forschte als Postdoktorand an der Gatsby Computational Neuroscience Unit und gründete 2010 gemeinsam mit Shane Legg und Mustafa Suleyman DeepMind; Google übernahm das Unternehmen 2014.¹ Schach lehrte ihn die Suche; Spiele lehrten ihn die Simulation; die Neurowissenschaft zeigte ihm, wie allgemeine Intelligenz von innen aussieht. Bei DeepMind laufen die drei zusammen.

Das Werk

Spiele als Bewährungsfeld: AlphaGo und Zug 37

Beginnen wir mit dem Kern selbst, im Kleinen. Lange vor neuronalen Netzen war die zentrale Idee hinter einer spielenden Maschine die Vorausschau: Bevor man sich auf einen Zug festlegt, stellt man sich die Antworten des Gegners vor, die eigenen Antworten darauf und so weiter den Baum der Möglichkeiten hinab, bewertet, wo jede Variante endet, und wählt den Zug, der zum besten Ergebnis führt, sofern beide Seiten gut spielen. Das Widget unten ist diese Idee, reduziert auf ihre kleinste Form – Tic-Tac-Toe gegen einen Gegner, der vor jedem Zug jede Fortsetzung durchsucht und deshalb nicht zu schlagen ist. Spielen Sie es, und Sie spielen gegen den Urgroßvater von AlphaGo.

Tic-Tac-Toe ist klein genug, um es bis zum Ende zu durchsuchen. Go ist es nicht. Ein Go-Brett hat mehr legale Stellungen, als es Atome im beobachtbaren Universum gibt, weshalb die rohe Vorausschau – die Technik, die Schach knackte – an Go über Jahrzehnte gescheitert war.⁵ DeepMinds Schachzug bestand darin, die Suche beizubehalten, sie aber intelligent zu machen: AlphaGo verband die Monte-Carlo-Baumsuche mit zwei tiefen neuronalen Netzen – einem Strategienetz, das vielversprechende Züge vorschlägt (damit man keine Suche an schlechte Züge verschwendet), und einem Bewertungsnetz, das beurteilt, wie gut eine Stellung ist (damit man nicht jede Variante bis zum Ende durchrechnen muss). Die Netze wurden zunächst an menschlichen Expertenpartien trainiert und dann durch Reinforcement Learning geschärft, indem das System Millionen von Partien gegen Versionen seiner selbst spielte.⁵

Im März 2016 schlug AlphaGo in Seoul Lee Sedol – einen der größten lebenden Spieler – mit 4:1, vor einem Publikum von über 200 Millionen Menschen und rund ein Jahrzehnt früher, als Fachleute es vorhergesagt hatten.⁵ Der prägende Moment ist Zug 37 aus der zweiten Partie: ein Zug, den das System selbst auf eine Wahrscheinlichkeit von rund 1 zu 10.000 schätzte, dass ein Mensch ihn wählen würde, von Kommentatoren zunächst als Fehler gedeutet und später als genial verstanden. Es war das erste Mal, dass die Welt eine Maschine in einem Bereich, den Menschen über Jahrtausende verfeinert hatten, nicht eine Nachahmung menschlichen Genies hervorbringen sah, sondern etwas wirklich Neues.⁵ Genau darum geht es in der Spielphase: nicht ums Gewinnen, sondern darum zu zeigen, dass ein Lernsystem entdecken kann.

AlphaZero: aus nichts als den Regeln lernen

AlphaGo stützte sich noch auf eine Krücke: Es startete von einer Datenbank menschlicher Partien aus. Der nächste Schritt entfernte sogar diese. AlphaZero (2017 vorgestellt, vollständige Ergebnisse 2018 in Science) bekam nur die Regeln eines Spiels und brachte sich anschließend alles allein durch Selbstspiel bei, ausgehend von zufälligen Zügen – keine menschlichen Partien, keine Eröffnungsbibliotheken, keine handgefertigten Heuristiken.⁶ Tabula rasa. Von diesem leeren Start aus meisterte es Go, Schach und Shogi auf übermenschlichem Niveau und übertraf die stärksten spezialisierten Engines – und das mit einem einzigen, allgemeinen Algorithmus, angewandt auf drei sehr unterschiedliche Spiele, der bislang deutlichste Beleg für das „allgemein” in allgemeiner Intelligenz.⁶

Das Detail, das ich am lehrreichsten finde, ist das Wie des Sieges. AlphaZero durchsuchte im Schach nur etwa 60.000 Stellungen pro Sekunde, gegenüber den 60 Millionen der traditionellen Engine Stockfish – tausendmal weniger – und ging dennoch als Sieger hervor, weil seine gelernte Intuition ihm sagte, welche Varianten überhaupt eine Berechnung wert waren.⁶ Zudem spielte es in einem fremdartigen, opferbereiten, zutiefst positionellen Stil, der Großmeister überraschte. Das ist dieselbe Lehre wie bei Zug 37, verallgemeinert: Wenn man ein System nicht länger zwingt, menschliches Wissen zu imitieren, sondern es die Struktur eines Problems von Grund auf lernen lässt, gleicht es uns nicht bloß an – es findet Dinge, die wir übersehen haben. Das ist die Brücke von „die Intelligenz lösen” zu Schritt zwei, denn für die meisten harten Probleme der Wissenschaft gibt es von vornherein kein menschliches Spielbuch zum Abschreiben.

AlphaFold: die Intelligenz auf die Wissenschaft richten (Nobelpreis 2024)

Dann setzte Hassabis den Schlüssel ein. Fünfzig Jahre lang war die große Herausforderung der Biologie das Proteinfaltungsproblem gewesen: Ein Protein ist eine Kette von Aminosäuren, die sich in eine präzise dreidimensionale Form faltet, diese Form bestimmt, was das Protein tut, und die Form aus der Sequenz vorherzusagen hatte sich jedem Ansatz widersetzt. Experimentelle Methoden zur Bestimmung einer einzigen Struktur konnten Jahre dauern und ein Vermögen kosten.⁸⁹

Bei CASP14 im Jahr 2020 – dem blinden, alle zwei Jahre stattfindenden Leistungsvergleich des Fachgebiets – sagte DeepMinds AlphaFold2 Strukturen bis auf etwa eine Atombreite an die experimentelle Antwort heran voraus, rund dreimal genauer als das nächstbeste System und für die meisten Proteine vergleichbar mit dem Labor.⁸ Die CASP-Organisatoren erklärten das 50 Jahre alte Problem für im Wesentlichen gelöst.⁸ DeepMind tat dann das, was aus einem Ergebnis eine Infrastruktur macht: Es veröffentlichte die AlphaFold Protein Structure Database, die vom menschlichen Proteom auf rund 200 Millionen Strukturen – nahezu jedes der Wissenschaft bekannte katalogisierte Protein – frei verfügbar anwuchs und heute von über zwei Millionen Forschenden in 190 Ländern genutzt wird.⁹¹¹

Im Oktober 2024 verlieh das Nobelkomitee Hassabis und seinem Kollegen John Jumper eine Hälfte des Nobelpreises für Chemie „für die Vorhersage von Proteinstrukturen” und teilte den Preis mit David Baker, der „für computergestütztes Proteindesign” gewürdigt wurde.¹⁰¹¹ Hassabis wurde im selben Jahr für seine Verdienste um die künstliche Intelligenz zum Ritter geschlagen.¹ Worauf es ankommt, ist die Reihenfolge: Das ist kein eigenständiger Karrierewechsel von Spielen zur Biologie. Es ist Schritt zwei des ursprünglichen Satzes. Bauen Sie ein allgemeines Lernsystem, prüfen Sie es dort, wo das Ziel sauber ist (in einem Spiel), und richten Sie es dann auf ein Problem, dessen Ziel dieselbe Gestalt hat – ein riesiger Suchraum, eine klare Bewertungsfunktion –, dessen Ertrag aber ein Werkzeug für die gesamte Biologie ist.

Die Mission und Isomorphic: Was als Nächstes kommt

Wenn AlphaFold die These belegte, so ist Isomorphic Labs – das Hassabis 2021 als Ausgründung von DeepMind gründete und leitet – der Versuch, sie zu industrialisieren: KI einzusetzen, um den Prozess der Wirkstoffforschung neu zu erfinden, und die gesamte Kette von der Zielstruktur bis zum Molekül als ein Problem zu behandeln, das ein System nach Art von AlphaFold angreifen kann.¹ Es ist erneut Schritt zwei, auf einem größeren Ziel: von der Vorhersage der Form eines Proteins zum Entwurf des Moleküls, das daran bindet. Unterdessen hat sich die erklärte Mission von DeepMind dahin geweitet, KI verantwortungsvoll zum Wohl der Menschheit zu bauen, und Hassabis ist zu einer der vorsichtigeren führenden Stimmen zum Thema AGI geworden – er mahnt gerade deshalb zur Umsicht, weil er die Hälfte mit dem „alles andere lösen” wörtlich nimmt.⁷ Das Muster gilt in beide Richtungen: Der Ehrgeiz ist gewaltig, und die Disziplin darüber, wie man dorthin gelangt, ist genauso ernst.

Die Methode

Hassabis’ Methode ist ungewöhnlich klar lesbar, weil er sie selbst erzählt hat. Befreit man sie von der Presse, ist sie ein wiederholbares Rezept.

Zielen Sie auf die allgemeine Fähigkeit, nicht auf die bestimmte Aufgabe. Die prägende Entscheidung war, zuerst „die Intelligenz zu lösen” und die Anwendungen erst danach – ein Lernsystem zu bauen, das verallgemeinert, statt des engsten Dings, das auslieferbar ist. Die meisten Teams können sich das nicht leisten. Die Disziplin besteht darin, zu wissen, wann Allgemeingültigkeit die eigentliche Hebelwirkung ist und wann sie Aufschieberei ist.⁷

Beuten Sie das eine funktionierende Beispiel aus. Es gibt genau eine allgemeine Intelligenz in der Existenz – das Gehirn –, also studierte Hassabis die Neurowissenschaft, um ihm seine Ideen zu stehlen. Wenn ein Problem in der Natur eine einzige bekannte Lösung hat, schlägt tiefes Verständnis das Erfinden von Grund auf. Derselbe Instinkt zieht sich durch diese Reihe: die bereits funktionierende Struktur kodieren, statt sie neu zu erfinden, wie bei LeCun, der Translationsinvarianz in die Faltung einbacken ließ.⁷

Bauen Sie das Bewährungsfeld vor dem Produkt. Spiele gaben ihm in sich geschlossene Welten mit klaren Zielfunktionen, in denen ein System ehrlich trainiert und gemessen werden konnte, bevor es etwas berührte, worauf es ankam. Die allgemeine Lehre: Investieren Sie in die Umgebung, in der Sie ein sauberes, schnelles Signal dafür erhalten, ob die Sache funktioniert. Ein Maßstab, dem Sie vertrauen, ist mehr wert als eine Meinung, der Sie nicht vertrauen – die Beweisschwelle, angewandt auf ein ganzes Forschungsprogramm.⁷

Entfernen Sie die menschliche Krücke, sobald es geht. AlphaGo lernte aus menschlichen Partien; AlphaZero lernte aus keinen und wurde besser. Wenn ein System reif genug geworden ist, um die Struktur eines Problems direkt zu lernen, kann das vom Menschen gelieferte Gerüst zur Decke werden. Zu wissen, wann man es wegtreten muss, ist eine eigene Fertigkeit.⁵⁶

Setzen Sie die Fähigkeit dann für etwas ein, worauf es ankommt. Die Disziplin, die das Ganze zu mehr als einem Kunststück macht, ist der zweite Schritt, der tatsächlich stattfindet. Spielen war nie der Sinn; AlphaFold war es. Fähigkeit ohne ein würdiges Ziel ist unvollständig – der Steve-Test, ob die Arbeit zu existieren verdient, angewandt auf die Intelligenz selbst.⁸¹⁰

Einflusskette

Wer ihn prägte

Schach. Vor der Informatik, vor der Neurowissenschaft war das Brett. Die Schleife aus Vorausschau, Bewertung und Wahl, die ein Meister verinnerlicht, ist dieselbe Schleife, die unter AlphaGo und AlphaZero liegt. Hassabis lernte den Algorithmus als Kind, indem er ihn lebte. (Prägender Einfluss)

Das Gehirn, bewusst studiert. Hassabis promovierte ausdrücklich deshalb in kognitiver Neurowissenschaft, um von der einzigen allgemeinen Intelligenz zu lernen, die wir kennen, und arbeitete an der gemeinsamen Maschinerie von Gedächtnis und Vorstellungskraft. Die Wette, dass KI vom Gehirn inspiriert sein sollte, ist für ihn keine Metapher; sie war ein Forschungsplan. (Direkter Einfluss)

Die Deep-Learning-Revolution. AlphaGo und AlphaFold sind im Kern tiefe neuronale Netze, und diese Linie läuft schnurstracks durch Geoffrey Hinton, dessen Arbeit die Netze trainierbar machte, und Yann LeCun, dessen Faltungsarchitekturen den Netzen beibrachten, Struktur zu sehen. Hassabis baute die Suche und das System; sie bauten das Substrat, auf dem es lernt. (Direkter Einfluss)

Wen er prägte

KI für die Wissenschaft. AlphaFold löste nicht bloß ein Problem; es etablierte eine Vorlage – dass ein allgemeines Lernsystem, gerichtet auf eine schwierige wissenschaftliche Frage mit sauberem Ziel, Jahrzehnte spezialisierter Anstrengung überholen kann. Jedes „AlphaFold für X”-Projekt ist ein Nachläufer dieser Demonstration.

Reinforcement Learning im großen Maßstab. AlphaGo und AlphaZero sind der kanonische Beweis dafür, dass tiefes Reinforcement Learning mit Selbstspiel menschliche Expertise in riesigen Suchräumen erreichen und übertreffen kann, und sie haben neu geformt, was ein ganzes Teilgebiet für möglich hielt.

Die öffentliche Vorstellung von KI. Zug 37 und das Match gegen Lee Sedol waren für Hunderte Millionen Menschen der Moment, in dem eine Maschine aufhörte zu imitieren und anfing zu erschaffen. Auch dieser kulturelle Markstein gehört zu seinem Einfluss.

Der rote Faden

Hassabis ist der Punkt, an dem der Deep-Learning-Zweig dieser Reihe von der Wahrnehmung zum Handeln und Entdecken übergeht. Fei-Fei Li lieferte die Daten, die den Netzen das Sehen beibrachten; Geoffrey Hinton brachte die lernende Maschine tatsächlich zum Laufen; Yann LeCun gab ihr die Architektur, um Struktur zu finden. Hassabis nimmt eben diese Netze und umhüllt sie mit Suche und Selbstspiel – ein System, das die Welt nicht bloß klassifiziert, sondern in ihr handelt, plant und entdeckt. Die Linie nach vorn läuft natürlich zu Andrej Karpathys „Software 2.0”, der Idee eines Programms, das aus Daten kompiliert statt von Hand geschrieben wird – genau das ist AlphaZero: keine einprogrammierten Strategieregeln, nur die Spielregeln und eine Belohnung, alles andere gelernt. LeCun sagt: lerne zu sehen; Hinton sagt: das Lernen funktioniert; Li sagt: hier ist die Welt zum Lernen; Hassabis sagt: nutze es nun, um etwas zu tun – und richtet es auf ein fünfzig Jahre altes Problem der Biologie. (Reihenbrücke)

Was ich daraus mitnehme

Die Lehre, die ich von Hassabis behalte, handelt vom Sequenzieren des Ehrgeizes. Der Satz „die Intelligenz lösen, dann alles andere lösen” lässt sich leicht als die Großspurigkeit eines Gründers verspotten, und das wäre er auch – nur dass er ihn als wörtlichen Zwei-Schritte-Plan behandelte und die Schritte der Reihe nach ausführte, öffentlich, fünfzehn Jahre lang, mit einem Nobelpreis am Ende von Schritt zwei. Die Disziplin liegt nicht in der Größe des Ehrgeizes; sie liegt in der Weigerung, das Bewährungsfeld zu überspringen. Er behauptete nicht am ersten Tag, Krankheiten zu heilen. Er baute ein System, prüfte es übermenschlich dort, wo der Punktestand eindeutig war, und richtete es erst dann auf das Ziel, worauf es ankam. Das ordnet neu, wie ich über große Ziele denke: Nenne das kühne Ende, aber verdiene dir das Recht darauf zuerst an einem sauberen Maßstab. Es ist Qualität ist die einzige Variable, angewandt auf einen Fahrplan – die Frage lautet „ist die Fähigkeit echt?”, bevor sie „ist die Anwendung beeindruckend?” lautet.

Die zweite Lehre ist leiser und zieht sich durch den ganzen Bogen: Die besten Ideen kommen oft daher, dass man das eine Beispiel studiert, das bereits funktioniert. Hassabis theoretisierte nicht abstrakt über Intelligenz; er ging hin und studierte das Gehirn, weil es der Existenzbeweis ist. Wenn ich feststecke, besteht der Zug selten darin, im luftleeren Raum aus ersten Prinzipien zu erfinden – sondern darin, das System zu finden, das eine Version davon bereits gelöst hat, und gut genug zu verstehen, warum es funktioniert, um die Idee zu stehlen. Schach gab ihm die Suche, das Gehirn gab ihm die Architektur, Spiele gaben ihm eine Spielwiese, und die Biologie gab ihm ein würdiges Ziel. Nichts war vergeudet, denn jedes Kapitel war er dabei, ein funktionierendes Beispiel für das nächste auszubeuten. Lösen Sie die Intelligenz, dann nutzen Sie sie – aber gehen Sie zuerst von dem lernen, was sie bereits hat.

FAQ

Was ist die Engineering-Philosophie von Demis Hassabis?

Zuerst die Intelligenz lösen, dann mit ihr alles andere lösen. Statt das engste System zu bauen, das eine bestimmte Aufgabe löst, setzte Hassabis darauf, ein allgemeines Lernsystem zu bauen – inspiriert davon, wie das Gehirn arbeitet, geprüft in Spielen, in denen das Ziel sauber ist – und diese allgemeine Fähigkeit dann auf die schwierigsten Probleme der Wissenschaft zu richten.⁷ Die Strategie ist gut lesbar, weil er sie der Reihe nach ausführte: AlphaGo und AlphaZero bewiesen, dass die Intelligenz echt und allgemein war, und AlphaFold setzte sie auf das Proteinfaltungsproblem der Biologie an und gewann einen Nobelpreis.⁵⁶⁸¹⁰

Wie funktioniert AlphaGo, und was war Zug 37?

AlphaGo verband die Monte-Carlo-Baumsuche mit zwei tiefen neuronalen Netzen: einem Strategienetz, das vielversprechende Züge vorschlägt, und einem Bewertungsnetz, das beurteilt, wie gut eine Stellung ist, zunächst an menschlichen Partien trainiert und dann durch Reinforcement Learning im Selbstspiel geschärft.⁵ Da Go mehr legale Stellungen hat, als es Atome im Universum gibt, ist eine erschöpfende Suche unmöglich – die Netze erlauben es dem System stattdessen, intelligent zu suchen. Im März 2016 schlug AlphaGo Lee Sedol in Seoul mit 4:1, und „Zug 37” aus der zweiten Partie – ein Zug, den ein Mensch mit einer Wahrscheinlichkeit von rund 1 zu 10.000 gewählt hätte – war der Moment, in dem eine Maschine eine wirklich neuartige Idee in einem Spiel hervorbrachte, das Menschen über Jahrtausende verfeinert hatten.⁵

Was ist der Unterschied zwischen AlphaGo und AlphaZero?

AlphaGo lernte teils aus einer Datenbank menschlicher Expertenpartien, bevor es sich durch Selbstspiel verbesserte. AlphaZero (2017) entfernte die menschlichen Daten vollständig: Bekam es nur die Regeln eines Spiels, brachte es sich aus zufälligem Spiel durch reines Selbstspiel-Reinforcement-Learning alles selbst bei – tabula rasa.⁶ Von diesem leeren Start aus meisterte ein einziger allgemeiner Algorithmus Go, Schach und Shogi auf übermenschlichem Niveau und schlug die stärksten spezialisierten Engines, während er weit weniger Stellungen durchsuchte, weil seine gelernte Intuition ihm sagte, welche Varianten eine Berechnung wert waren.⁶ AlphaZero ist der stärkere Beleg für „allgemeine” Intelligenz, weil dieselbe Methode über drei verschiedene Spiele hinweg ohne bereichsspezifische Feinabstimmung funktionierte.

Was ist AlphaFold, und warum gewann es den Nobelpreis?

AlphaFold ist DeepMinds KI-System, um die dreidimensionale Struktur eines Proteins aus seiner Aminosäuresequenz vorherzusagen – das „Proteinfaltungsproblem”, das sich rund fünfzig Jahre lang einer Lösung widersetzt hatte.⁸⁹ Beim CASP14-Leistungsvergleich 2020 sagte AlphaFold2 Strukturen mit annähernd atomarer Genauigkeit voraus, vergleichbar mit experimentellen Methoden, und die Organisatoren erklärten das Problem für im Wesentlichen gelöst.⁸ DeepMind veröffentlichte rund 200 Millionen vorhergesagte Strukturen – nahezu jedes bekannte Protein – frei für Forschende.⁹ 2024 erhielten Hassabis und John Jumper eine Hälfte des Nobelpreises für Chemie „für die Vorhersage von Proteinstrukturen” und teilten ihn mit David Baker, der „für computergestütztes Proteindesign” gewürdigt wurde.¹⁰¹¹

Quellen