Philosophie d'ingénierie : Demis Hassabis, résoudre l'intelligence pour tout résoudre

Points clés

• Le plan tenait en deux étapes : résoudre l’intelligence, puis s’en servir pour tout résoudre. Cette phrase — l’argumentaire fondateur réel de Hassabis pour DeepMind — résume toute la stratégie. Construire un système d’apprentissage général plutôt qu’un système étroit, puis le diriger vers les problèmes les plus difficiles de la science. Cela ressemble à de la démesure, jusqu’à ce qu’on le voie exécuter ce plan dans l’ordre.¹⁷
• Les jeux étaient le terrain d’épreuve, pas le but. AlphaGo a battu Lee Sedol 4-1 en mars 2016 — une décennie avant les prédictions des experts — et le « coup 37 » de la deuxième partie, un coup qu’un humain n’avait qu’une chance sur 10 000 environ de choisir, a montré le système en train d’inventer plutôt que d’imiter.⁵ Hassabis a choisi les jeux parce qu’ils sont autonomes, dotés d’objectifs clairs : l’environnement d’expérimentation idéal pour l’apprentissage par renforcement.⁷
• Il a ensuite dirigé cette intelligence vers la biologie et remporté un prix Nobel. AlphaFold2 a résolu le problème vieux de 50 ans de la prédiction de la structure des protéines lors de CASP14 en 2020 ; la base de données AlphaFold contient désormais les structures d’environ 200 millions de protéines, utilisées par plus de deux millions de chercheurs.⁸⁹ En 2024, Hassabis a partagé le prix Nobel de chimie avec John Jumper (et David Baker) — l’étape deux, livrée.¹⁰¹¹
• De prodige des échecs à concepteur de jeux, puis neuroscientifique et fondateur. Né à Londres en 1976, de niveau maître aux échecs à treize ans, co-concepteur de Theme Park à dix-sept ans, double-first à Cambridge, puis un doctorat en neurosciences cognitives à l’UCL portant sur la mémoire et l’imagination — chaque chapitre a nourri le suivant.¹²³⁴

Le principe

« Étape un, résoudre l’intelligence ; étape deux, s’en servir pour tout résoudre. » — Demis Hassabis, à propos du plan fondateur de DeepMind⁷

La plupart des technologies ambitieuses sont construites dans l’autre sens. Vous choisissez un problème — recherche, recommandations, détection de fraude — et vous bâtissez le système le plus étroit et le plus fiable possible qui résout celui-là. La généralité est traitée comme un luxe que l’on mérite plus tard, si tant est qu’on y arrive un jour. Hassabis a inversé l’ordre. Son pari : le bon premier mouvement n’est pas de résoudre un problème particulier mais de résoudre la capacité générale qui résout les problèmes — bâtir un système d’apprentissage capable de maîtriser des domaines pour lesquels il n’a jamais été spécifiquement conçu — pour ensuite seulement le diriger vers les cibles qui comptent le plus.⁷

C’est pourquoi l’ordre, dans la phrase, porte tout le poids. « Résoudre l’intelligence » vient en premier non pas parce que les applications n’importent pas, mais parce que, à ses yeux, une intelligence suffisamment générale est l’outil au plus fort effet de levier que l’on puisse construire : résolvez-la une fois, et vous obtenez une clé qui ouvre de nombreuses serrures plutôt qu’un outil taillé pour une seule. La formule peut sembler grandiloquente, et elle le serait — s’il n’avait pas ensuite passé quinze ans à parcourir les deux étapes dans l’ordre, en public, pour aboutir à un prix Nobel à la seconde.¹⁰

La méthode qui se cache sous le slogan comporte deux ingrédients inhabituels. Le premier : les neurosciences comme inspiration. Hassabis a étudié le cerveau précisément pour y puiser des idées algorithmiques, partant du principe que la seule intelligence générale que nous connaissions mérite d’être comprise avant de tenter d’en bâtir une autre.⁷ Le second : les jeux comme terrain d’épreuve. Des mondes autonomes dotés de fonctions objectives claires, où un système d’apprentissage peut être entraîné, mesuré et poussé jusqu’à un niveau de jeu surhumain avant qu’on ne lui confie quoi que ce soit de réel.⁷ Des jeux à l’apprentissage général, puis à la découverte scientifique — voilà tout le parcours, et voilà le principe en une ligne : résoudre l’intelligence, puis s’en servir pour tout résoudre.

Contexte

Demis Hassabis est né à Londres le 27 juillet 1976, d’un père chypriote grec et d’une mère sino-singapourienne.¹ Prodige des échecs dès l’âge de quatre ans, il avait atteint à treize ans le niveau de maître, avec un classement Elo autour de 2300, et capitainait les équipes juniors d’Angleterre.¹ Les échecs ne sont pas ici un détail — ils sont à l’origine de toute sa vision du monde. Un enfant qui passe des années à calculer des variantes, à évaluer des positions et à choisir la meilleure continuation a intériorisé, avant la puberté, la boucle exacte qui sous-tendrait plus tard AlphaGo : anticiper, évaluer, choisir.

Le chapitre suivant fut celui des jeux — leur conception. Après avoir remporté un concours pour décrocher un emploi chez Bullfrog Productions, Hassabis a co-conçu et programmé en chef le classique de la simulation Theme Park à dix-sept ans, aux côtés de Peter Molyneux ; le jeu s’est vendu à des millions d’exemplaires et a contribué à faire naître le genre de la simulation de gestion.² Il fut ensuite programmeur IA principal sur Black & White chez Lionhead, avant de fonder son propre studio, Elixir Studios, qui publia Republic: The Revolution et Evil Genius.¹ Une décennie de sa vie a été consacrée à créer des logiciels qui simulaient un comportement intelligent — foules, créatures, adversaires — soit exactement l’apprentissage que l’on concevrait pour quelqu’un sur le point d’essayer de bâtir la chose réelle.

Puis il est revenu aux premiers principes. Il avait obtenu un double-first en informatique à Cambridge en 1997, et il est retourné à la recherche pour un doctorat en neurosciences cognitives à l’UCL (2009), portant sur la mémoire épisodique et l’imagination — démontrant que les patients atteints de lésions de l’hippocampe peinent non seulement à se souvenir du passé, mais aussi à imaginer des scènes futures inédites.¹³⁴ C’est une découverte profonde pour un bâtisseur d’IA : la machinerie de la mémoire et la machinerie de l’imagination sont une seule et même machinerie. Il a effectué des travaux postdoctoraux à la Gatsby Computational Neuroscience Unit, puis, en 2010, il a cofondé DeepMind avec Shane Legg et Mustafa Suleyman ; Google l’a rachetée en 2014.¹ Les échecs lui ont enseigné la recherche ; les jeux lui ont enseigné la simulation ; les neurosciences lui ont montré à quoi ressemble l’intelligence générale de l’intérieur. DeepMind est le lieu où les trois convergent.

Les travaux

Les jeux comme terrain d’épreuve : AlphaGo et le coup 37

Commençons par le moteur lui-même, en miniature. Bien avant les réseaux de neurones, l’idée centrale derrière une machine à jouer était l’anticipation : avant de s’engager sur un coup, on imagine les réponses de l’adversaire, ses propres réponses à celles-ci, et ainsi de suite le long de l’arbre des possibles, on évalue où aboutit chaque variante, et l’on choisit le coup menant au meilleur résultat en supposant un jeu correct des deux côtés. Le composant ci-dessous est cette idée réduite à sa plus simple expression — un morpion contre un adversaire qui explore chaque continuation avant chaque coup, si bien qu’il est imbattable. Jouez-y, et vous jouez contre l’arrière-arrière-grand-parent d’AlphaGo.

Le morpion est assez petit pour être exploré jusqu’à la fin. Le Go ne l’est pas. Un plateau de Go compte plus de positions légales qu’il n’y a d’atomes dans l’univers observable, raison pour laquelle l’anticipation par force brute — la technique qui a fait tomber les échecs — avait échoué au Go pendant des décennies.⁵ La trouvaille de DeepMind : conserver la recherche, mais la rendre intelligente. AlphaGo combinait la recherche arborescente Monte-Carlo avec deux réseaux de neurones profonds — un réseau de politique qui propose des coups prometteurs (pour ne pas gaspiller la recherche sur les mauvais) et un réseau de valeur qui juge la qualité d’une position (pour ne pas avoir à lire chaque variante jusqu’au bout). Les réseaux ont d’abord été entraînés sur des parties d’experts humains, puis affinés par apprentissage par renforcement, en jouant des millions de parties contre ses propres versions.⁵

En mars 2016, à Séoul, AlphaGo a battu Lee Sedol — l’un des plus grands joueurs vivants — 4-1, devant un public de plus de 200 millions de personnes, soit une décennie environ plus tôt que ce que les experts avaient prédit.⁵ Le moment qui le définit est le coup 37 de la deuxième partie : un coup que le système lui-même estimait qu’un humain choisirait avec une probabilité d’environ une sur 10 000, d’abord interprété comme une erreur par les commentateurs, puis compris comme génial. Ce fut la première fois que le monde voyait une machine produire, dans un domaine que les humains affinent depuis des millénaires, non pas une imitation du génie humain mais quelque chose de véritablement neuf.⁵ C’est tout l’enjeu de la phase des jeux : non pas gagner, mais démontrer qu’un système d’apprentissage pouvait découvrir.

AlphaZero : apprendre à partir des seules règles

AlphaGo s’appuyait encore sur une béquille : il démarrait d’une base de parties humaines. L’étape suivante a même supprimé celle-ci. AlphaZero (présenté en 2017, résultats complets dans Science en 2018) ne recevait que les règles d’un jeu, puis apprenait entièrement par lui-même au moyen de l’auto-apprentissage, en partant de coups aléatoires — aucune partie humaine, aucun livre d’ouvertures, aucune heuristique façonnée à la main.⁶ Tabula rasa. À partir de ce point de départ vierge, il a maîtrisé le Go, les échecs et le shogi à un niveau surhumain, surclassant les moteurs spécialisés les plus puissants — et il l’a fait avec un algorithme unique et général appliqué à trois jeux très différents, la preuve la plus nette à ce jour du « général » dans l’intelligence générale.⁶

Le détail que je trouve le plus instructif, c’est comment il a gagné. AlphaZero n’explorait qu’environ 60 000 positions par seconde aux échecs, contre 60 millions pour le moteur traditionnel Stockfish — mille fois moins — et l’emportait pourtant, parce que son intuition apprise lui indiquait quelles variantes valaient seulement la peine d’être lues.⁶ Il jouait aussi dans un style étranger, sacrificiel, profondément positionnel, qui a surpris les grands maîtres. C’est la même leçon que le coup 37, généralisée : lorsque vous cessez de forcer un système à imiter le savoir humain et que vous le laissez apprendre la structure d’un problème de zéro, il ne se contente pas de nous égaler — il trouve des choses qui nous avaient échappé. Voilà le pont entre « résoudre l’intelligence » et l’étape deux, car la plupart des problèmes difficiles de la science n’ont, au départ, aucun manuel de jeu humain à recopier.

AlphaFold : diriger l’intelligence vers la science (Nobel 2024)

Hassabis a alors dépensé la clé. Pendant cinquante ans, le grand défi de la biologie avait été le problème du repliement des protéines : une protéine est une chaîne d’acides aminés qui se replie en une forme tridimensionnelle précise, cette forme détermine ce que la protéine fait, et prédire la forme à partir de la séquence avait résisté à toutes les approches. Les méthodes expérimentales permettant de déterminer une seule structure pouvaient prendre des années et coûter une fortune.⁸⁹

Lors de CASP14, en 2020 — l’évaluation à l’aveugle et bisannuelle du domaine — AlphaFold2, de DeepMind, a prédit des structures à environ la largeur d’un atome près de la réponse expérimentale, soit à peu près trois fois plus précisément que le système suivant et, pour la plupart des protéines, à un niveau comparable à celui du laboratoire.⁸ Les organisateurs de CASP ont déclaré le problème vieux de 50 ans essentiellement résolu.⁸ DeepMind a alors fait ce qui transforme un résultat en infrastructure : elle a publié l’AlphaFold Protein Structure Database, passant du protéome humain à environ 200 millions de structures — presque toutes les protéines cataloguées connues de la science, librement accessibles, désormais utilisées par plus de deux millions de chercheurs dans 190 pays.⁹¹¹

En octobre 2024, le comité Nobel a décerné à Hassabis et à son collègue John Jumper la moitié du prix Nobel de chimie « pour la prédiction de la structure des protéines », le prix étant partagé avec David Baker, distingué « pour la conception computationnelle de protéines ».¹⁰¹¹ Hassabis a été anobli la même année pour services rendus à l’intelligence artificielle.¹ Ce sur quoi il faut s’attarder, c’est l’ordre : il ne s’agit pas d’un virage de carrière distinct, des jeux vers la biologie. C’est l’étape deux de la phrase initiale. Bâtir un système d’apprentissage général, le valider là où l’objectif est net (un jeu), puis le diriger vers un problème dont l’objectif a la même forme — un vaste espace de recherche, une fonction de score claire — mais dont le gain est un outil pour toute la biologie.

La mission et Isomorphic : la suite

Si AlphaFold a prouvé la thèse, Isomorphic Labs — que Hassabis a fondée et dirige, issue de DeepMind en 2021 — est la tentative de l’industrialiser : utiliser l’IA pour réinventer le processus de découverte de médicaments, en traitant toute la chaîne, de la cible à la molécule, comme un problème qu’un système de type AlphaFold peut attaquer.¹ C’est l’étape deux, de nouveau, sur une cible plus vaste : passer de la prédiction de la forme d’une protéine à la conception de la molécule qui s’y lie. Parallèlement, la mission affichée de DeepMind s’est élargie vers une IA construite de façon responsable au bénéfice de l’humanité, et Hassabis est devenu l’une des voix dirigeantes les plus prudentes sur l’AGI — appelant à la prudence précisément parce qu’il prend la moitié « tout résoudre » au pied de la lettre.⁷ Le schéma tient dans les deux sens : l’ambition est immense, et la discipline quant à la manière d’y parvenir est tout aussi sérieuse.

La méthode

La méthode de Hassabis est d’une lisibilité inhabituelle, parce qu’il l’a lui-même racontée. Ôtez le tapage médiatique et il reste une recette reproductible.

Visez la capacité générale, pas la tâche particulière. Le choix déterminant fut de « résoudre l’intelligence » d’abord et les applications ensuite — bâtir un système d’apprentissage qui généralise, plutôt que la chose la plus étroite qui puisse être livrée. La plupart des équipes ne peuvent se le permettre. La discipline, c’est de savoir quand la généralité est le véritable levier et quand elle n’est que de la procrastination.⁷

Exploitez le seul exemple qui fonctionne. Il existe exactement une intelligence générale au monde — le cerveau — alors Hassabis a étudié les neurosciences pour en voler les idées. Lorsqu’un problème possède une seule solution connue dans la nature, la comprendre en profondeur vaut mieux que l’inventer de zéro. Le même instinct traverse cette série : encoder la structure qui fonctionne déjà plutôt que la réinventer, comme LeCun intégrant l’invariance par translation dans la convolution.⁷

Construisez le terrain d’épreuve avant le produit. Les jeux lui ont offert des mondes autonomes dotés de fonctions objectives claires, où un système pouvait être entraîné et mesuré honnêtement avant de toucher à quoi que ce soit d’important. La leçon générale : investissez dans l’environnement où vous pouvez obtenir un signal net et rapide indiquant si la chose fonctionne. Un repère de mesure auquel vous vous fiez vaut mieux qu’une opinion à laquelle vous ne vous fiez pas — la barrière de la preuve appliquée à tout un programme de recherche.⁷

Retirez la béquille humaine quand vous le pouvez. AlphaGo a appris de parties humaines ; AlphaZero n’en a appris d’aucune, et est devenu meilleur. Quand un système a suffisamment mûri pour apprendre directement la structure d’un problème, l’échafaudage fourni par l’humain peut devenir un plafond. Savoir quand le faire sauter est une compétence à part entière.⁵⁶

Puis dépensez la capacité sur quelque chose qui compte. La discipline qui fait que tout ceci dépasse le tour de force, c’est que la seconde étape a réellement lieu. Jouer à des jeux n’a jamais été le but ; AlphaFold l’était. Une capacité sans cible digne d’elle est inachevée — le test de Steve, qui demande si le travail mérite d’exister, appliqué à l’intelligence elle-même.⁸¹⁰

Chaîne d’influence

Qui l’a façonné

Les échecs. Avant l’informatique, avant les neurosciences, il y avait l’échiquier. La boucle d’anticipation, d’évaluation et de choix qu’un maître intériorise est la boucle même qui sous-tend AlphaGo et AlphaZero. Hassabis a appris l’algorithme enfant, en le vivant. (Influence formatrice)

Le cerveau, étudié délibérément. Hassabis a entrepris un doctorat en neurosciences cognitives explicitement pour apprendre de la seule intelligence générale que nous connaissions, en travaillant sur la machinerie commune de la mémoire et de l’imagination. Le pari que l’IA doit s’inspirer du cerveau n’est pas une métaphore pour lui ; c’était un plan de recherche. (Influence directe)

La révolution de l’apprentissage profond. AlphaGo et AlphaFold sont, en leur cœur, des réseaux de neurones profonds, et cette filiation passe directement par Geoffrey Hinton, dont les travaux ont rendu les réseaux entraînables, et par Yann LeCun, dont les architectures convolutives ont appris aux réseaux à voir la structure. Hassabis a bâti la recherche et le système ; eux ont bâti le substrat sur lequel il apprend. (Influence directe)

Qui il a façonné

L’IA au service de la science. AlphaFold n’a pas seulement résolu un problème ; il a établi un modèle — qu’un système d’apprentissage général, dirigé vers une question scientifique difficile dotée d’un objectif net, peut devancer des décennies d’efforts spécialisés. Tout projet « AlphaFold pour X » découle de cette démonstration.

L’apprentissage par renforcement à grande échelle. AlphaGo et AlphaZero sont la preuve canonique que l’apprentissage par renforcement profond combiné à l’auto-apprentissage peut atteindre et dépasser l’expertise humaine dans de vastes espaces de recherche, redéfinissant ce qu’un sous-domaine entier croyait possible.

L’imaginaire public de l’IA. Le coup 37 et le match contre Lee Sedol ont été, pour des centaines de millions de personnes, le moment où une machine a cessé d’imiter pour commencer à créer. Ce repère culturel fait lui aussi partie de son influence.

Le fil conducteur

Hassabis est l’endroit où la branche apprentissage profond de cette série bascule de la perception vers l’action et la découverte. Fei-Fei Li a fourni les données qui ont appris aux réseaux à voir ; Geoffrey Hinton a fait que la machine apprenante fonctionne réellement ; Yann LeCun lui a donné l’architecture pour trouver la structure. Hassabis prend ces mêmes réseaux et les enveloppe dans la recherche et l’auto-apprentissage — un système qui ne se contente pas de classer le monde mais agit en lui, planifie et découvre. Le fil se prolonge naturellement vers le « Software 2.0 » d’Andrej Karpathy, l’idée d’un programme compilé à partir de données plutôt qu’écrit à la main, ce qui est exactement ce qu’est AlphaZero : aucune règle de stratégie programmée, seulement les règles du jeu et une récompense, tout le reste étant appris. LeCun dit : apprenez à voir ; Hinton dit : l’apprentissage fonctionne ; Li dit : voici le monde dont il faut apprendre ; Hassabis dit : maintenant, servez-vous-en pour faire quelque chose — et le dirige vers un problème vieux de cinquante ans en biologie. (Pont de la série)

Ce que j’en retire

La leçon que je garde de Hassabis porte sur le séquençage de l’ambition. La phrase « résoudre l’intelligence, puis tout résoudre » est facile à railler comme une grandiloquence de fondateur, et elle le serait — sauf qu’il l’a traitée comme un plan littéral en deux étapes et a exécuté les étapes dans l’ordre, en public, pendant quinze ans, avec un prix Nobel au bout de l’étape deux. La discipline ne tient pas à la taille de l’ambition ; elle tient au refus de sauter le terrain d’épreuve. Il n’a pas prétendu guérir une maladie dès le premier jour. Il a bâti un système, l’a validé de façon surhumaine là où le score était sans ambiguïté, et l’a seulement ensuite dirigé vers la cible qui comptait. Cela réorganise ma façon de penser les grands objectifs : énoncez la fin audacieuse, mais gagnez-en le droit d’abord sur un repère de mesure net. C’est la qualité est la seule variable appliquée à une feuille de route — la question est « la capacité est-elle réelle ? » avant « l’application est-elle impressionnante ? ».

La seconde leçon est plus discrète et traverse tout le parcours : les meilleures idées viennent souvent de l’étude du seul exemple qui fonctionne déjà. Hassabis n’a pas théorisé sur l’intelligence dans l’abstrait ; il est allé étudier le cerveau, parce qu’il est la preuve d’existence. Quand je suis bloqué, le bon réflexe n’est presque jamais d’inventer à partir des premiers principes dans le vide — c’est de trouver le système qui a déjà résolu une version de ce problème et de comprendre pourquoi il fonctionne assez bien pour en voler l’idée. Les échecs lui ont donné la recherche, le cerveau lui a donné l’architecture, les jeux lui ont donné un bac à sable, et la biologie lui a donné une cible digne. Rien n’a été gaspillé, parce que chaque chapitre le voyait exploiter un exemple fonctionnel pour le suivant. Résoudre l’intelligence, puis s’en servir — mais d’abord, allez apprendre de la chose qui la possède déjà.

FAQ

Quelle est la philosophie d’ingénierie de Demis Hassabis ?

Résoudre d’abord l’intelligence, puis s’en servir pour tout résoudre. Plutôt que de bâtir le système le plus étroit qui résout une tâche précise, Hassabis a parié sur la construction d’un système d’apprentissage général — inspiré du fonctionnement du cerveau, validé dans des jeux où l’objectif est net — pour ensuite diriger cette capacité générale vers les problèmes les plus difficiles de la science.⁷ La stratégie est lisible parce qu’il l’a exécutée dans l’ordre : AlphaGo et AlphaZero ont prouvé que l’intelligence était réelle et générale, et AlphaFold l’a dépensée sur le problème biologique du repliement des protéines, remportant un prix Nobel.⁵⁶⁸¹⁰

Comment fonctionne AlphaGo, et qu’était le coup 37 ?

AlphaGo combinait la recherche arborescente Monte-Carlo avec deux réseaux de neurones profonds : un réseau de politique qui propose des coups prometteurs et un réseau de valeur qui juge la qualité d’une position, entraînés d’abord sur des parties humaines puis affinés par apprentissage par renforcement au moyen de l’auto-apprentissage.⁵ Parce que le Go compte plus de positions légales qu’il n’y a d’atomes dans l’univers, la recherche exhaustive est impossible — les réseaux permettent plutôt au système de chercher intelligemment. En mars 2016, AlphaGo a battu Lee Sedol 4-1 à Séoul, et le « coup 37 » de la deuxième partie — un coup qu’un humain n’avait qu’une chance sur 10 000 environ de choisir — a été le moment où une machine a produit une idée véritablement inédite dans un jeu que les humains affinaient depuis des millénaires.⁵

Quelle est la différence entre AlphaGo et AlphaZero ?

AlphaGo a appris en partie d’une base de parties d’experts humains avant de s’améliorer par auto-apprentissage. AlphaZero (2017) a entièrement supprimé les données humaines : ne recevant que les règles d’un jeu, il s’est enseigné lui-même à partir de coups aléatoires, par pur apprentissage par renforcement en auto-apprentissage — tabula rasa.⁶ À partir de ce point de départ vierge, un algorithme unique et général a maîtrisé le Go, les échecs et le shogi à un niveau surhumain, battant les moteurs spécialisés les plus puissants tout en explorant bien moins de positions, parce que son intuition apprise lui indiquait quelles variantes valaient la peine d’être lues.⁶ AlphaZero est la preuve la plus solide d’une intelligence « générale », car la même méthode a fonctionné sur trois jeux différents sans aucun réglage propre au domaine.

Qu’est-ce qu’AlphaFold, et pourquoi a-t-il remporté le prix Nobel ?

AlphaFold est le système d’IA de DeepMind qui prédit la structure tridimensionnelle d’une protéine à partir de sa séquence d’acides aminés — le « problème du repliement des protéines » qui avait résisté à toute solution pendant une cinquantaine d’années.⁸⁹ Lors de l’évaluation CASP14 en 2020, AlphaFold2 a prédit des structures avec une précision proche de l’échelle atomique, comparable aux méthodes expérimentales, et les organisateurs ont déclaré le problème essentiellement résolu.⁸ DeepMind a publié environ 200 millions de structures prédites — presque toutes les protéines connues — gratuitement pour les chercheurs.⁹ En 2024, Hassabis et John Jumper se sont vu décerner la moitié du prix Nobel de chimie « pour la prédiction de la structure des protéines », partagé avec David Baker, distingué « pour la conception computationnelle de protéines ».¹⁰¹¹

Sources