Demis Hassabis: agenti, AGI e la prossima grande scoperta scientifica

Quando Demis Hassabis ha messo AlphaFold a disposizione di tutti gli scienziati del mondo, non l'ha brevettato. Per un'azienda leader nell'IA, è una mossa quasi inspiegabile. Eppure, oggi ogni nuovo farmaco passa per AlphaFold e la sua diffusione libera ha accelerato la scienza più di mille articoli accademici. La vera rivoluzione qui non è solo la potenza dell’IA, ma il modo in cui viene distribuita e utilizzata. Tutti pensano che l'intelligenza artificiale sia una corsa a chi costruisce il cervello più grande. Ma Hassabis ragiona al contrario: la sfida non è solo creare modelli più grandi, ma renderli davvero utili, accessibili e in grado di imparare come facciamo noi, cioè in modo continuo, senza ricominciare ogni volta da zero. Oggi la maggior parte dei modelli lavora “stateless”, cioè dimentica tutto tra una sessione e l’altra: ogni prompt è un nuovo inizio, come se non avesse mai imparato nulla dal passato. Eppure, il cervello umano funziona in modo diverso: durante il sonno, rielabora e consolida le esperienze chiave – un dettaglio che Hassabis ha studiato durante il suo dottorato sul funzionamento dell’ippocampo. Quando nel 2013 DeepMind progettò il primo programma in grado di battere i videogiochi Atari, la vera svolta fu proprio ispirarsi a questa idea biologica: il modello “rigiocava” dentro di sé le partite migliori, imparando dalle sequenze vincenti. Ma oggi, anche con finestre di memoria gigantesche – milioni di token – la maggior parte dei sistemi di IA accumula dati in modo grossolano, senza distinguere tra ciò che conta davvero e il rumore di fondo. E c'è un prezzo concreto ogni volta che il modello deve cercare le informazioni giuste per prendere una decisione. Qui Hassabis fa un paragone sconcertante: gli attuali modelli, pur avendo “memorie” enormi, in realtà sono meno efficienti e selettivi di un essere umano con una memoria limitata ma ben organizzata. E qui arriva il capovolgimento: non basta aumentare la potenza o la quantità di dati. Serve una nuova qualità nell'apprendimento — la capacità di adattarsi al contesto, di ragionare a lungo termine, di costruire una memoria personale e selettiva. Un esempio pratico? Nonostante i progressi, nessun agente AI ha ancora creato un gioco in grado di dominare le classifiche mondiali, anche se oggi chiunque può prototipare in mezz'ora ciò che a un diciassettenne Hassabis richiedeva sei mesi. Mancano ancora “l'anima” e la creatività profonda che danno senso e valore a un'opera: la spinta umana che trasforma uno strumento in un capolavoro. Eppure, la linea di confine si sta assottigliando. Hassabis prevede che nei prossimi 6-12 mesi vedremo team in grado di moltiplicare la produttività di mille volte utilizzando agenti di IA, prima che l’autonomia completa arrivi davvero. E la domanda che si pone è: cosa succede quando queste capacità non sono solo in mano a pochi laboratori, ma sono diffuse in modelli open source, abbastanza piccoli da funzionare su un telefono e abbastanza potenti da risolvere problemi reali? Qui il modello Gemma, open e scaricato 40 milioni di volte in due settimane, è solo l’inizio. Per chi vuole realizzare la prossima svolta scientifica, Hassabis fornisce due regole: cerca problemi che abbiano uno spazio di ricerca mostruosamente ampio – come le configurazioni di una proteina o le mosse nel Go, dove non esiste un algoritmo a forza bruta in grado di competere – e definisci un obiettivo chiaro, una “funzione obiettivo” su cui poter fare climbing. Poi servono o molte sperimentazioni reali o dati sufficienti per simulare l'universo che vuoi esplorare. In questo contesto, le nuove IA non saranno solo “risolutrici di problemi”, ma potranno diventare co-scienziate: in grado non solo di trovare risposte, ma anche di proporre domande radicalmente nuove, come “inventare” i prossimi problemi del millennio che valga la pena risolvere. Hassabis propone persino un test: addestrare un’IA con dati antecedenti al 1901 e vedere se, come Einstein nel 1905, riesce a “scoprire” la relatività speciale da sola. L'obiettivo finale non è solo risolvere problemi difficili, ma generare nuove frontiere della conoscenza. E c'è una sorpresa nell'approccio: Hassabis non crede nel “super cervello unico” che contiene tutto. Pensa invece a sistemi generali che utilizzano strumenti specializzati: una sorta di orchestra di IA, in cui ogni modello fa bene una cosa ma collabora con gli altri. L'idea che serve per il futuro non è solo più potenza, ma più coordinazione e più “manualità” nell'uso degli strumenti. Se ti chiedi qual è la differenza tra una startup che fa davvero scienza con l’IA e una che si limita a confezionare un’API, la risposta è questa: l’impatto reale nasce da chi unisce competenze approfondite in più campi, non solo in informatica ma anche in fisica, biologia e scienza dei materiali. Hassabis conclude con un consiglio che suona come una sfida: “I problemi difficili non sono più complicati di quelli facili. Sono solo difficili in modo diverso. Se hai una sola vita, spendila in qualcosa che cambierebbe il mondo se tu non ci fossi.” L’intelligenza generale forse arriverà mentre siamo ancora in viaggio. Ma la vera domanda è: cosa costruiresti oggi, sapendo che domani il tuo strumento potrebbe cambiare le regole del gioco mentre stai ancora giocando? La vera innovazione non sta nella dimensione del modello, ma nella qualità delle domande che ci permette di porre. Se questa visione ti ha aperto una nuova prospettiva sull'IA e sulla scienza, su Lara Notes puoi premere I'm In: è il modo per dichiarare che questa idea ora ti appartiene. E se domani ti ritrovi a discutere di AlphaFold o di modelli che inventano domande con qualcuno, puoi taggare quella conversazione con Shared Offline: perché le idee davvero forti passano sempre prima da una chiacchierata dal vivo. Questa Nota nasce da un’intervista di Y Combinator a Demis Hassabis e ti ha fatto risparmiare 37 minuti.