Demis Hassabis (* 27. Juli 1976, London, Großbritannien / lebt in London) ist ein britischer Neurowissenschaftler, KI-Forscher und Unternehmer, der DeepMind mitgründete, mit AlphaGo ein weltbewegendes KI-System entwickelte und 2024 den Nobelpreis für Chemie für AlphaFold erhielt.
Rubrik: Einflussreiche Persönlichkeiten · Unterrubrik: Medientheoretiker & KI-Pioniere · Niveau: Einsteiger Auch bekannt als: Gründer und CEO von DeepMind, Nobelpreisträger für Chemie 2024, ehemaliges Schachkindwunder
Biografie
Demis Hassabis wurde 1976 in London als Sohn eines griechisch-zypriotischen Vaters und einer chinesisch-singapurischen Mutter geboren. Er war ein außergewöhnliches Schachkind: Mit 13 Jahren erreichte er den Titel „Chess Master" (Elo-Rating über 2300) und war zeitweise das zweitbeste Schachkind der Welt. Er begann früh, Computerspiele zu entwickeln, und arbeitete mit 17 Jahren als Programmierer bei Bullfrog Productions.
Er studierte Computer Science am King's College Cambridge (Double First, 1997) und arbeitete danach bei Lionhead Studios, bevor er 2009 an der University College London in Neurowissenschaften promovierte. Seine Dissertation behandelte, wie das Gehirn Erinnerungen und Vorstellungen konstruiert – Forschung, die seine KI-Arbeit direkt beeinflusste.
2010 gründete er gemeinsam mit Shane Legg und Mustafa Suleyman DeepMind in London – mit dem Ziel, menschenähnliche allgemeine Intelligenz zu erforschen und dabei neurowissenschaftliche Erkenntnisse zu nutzen. 2014 wurde DeepMind für rund 500 Millionen Dollar von Google (heute Alphabet) übernommen; Hassabis blieb CEO.
2024 erhielt er gemeinsam mit seinem Kollegen John Jumper den Nobelpreis für Chemie für die Entwicklung von AlphaFold – ein historischer Moment, der die KI-Forschung in die höchste wissenschaftliche Sphäre hob.
Hauptthesen & Beiträge
DeepMind unter Hassabis' Führung hat mehrere wegweisende KI-Systeme entwickelt:
AlphaGo (2016) war das erste KI-System, das den weltbesten menschlichen Spieler im Brettspiel Go besiegte – ein Spiel, das als zu komplex für Computer galt, da es mehr mögliche Spielstellungen hat als Atome im Universum. AlphaGo kombinierte tiefe neuronale Netze mit Reinforcement Learning und Monte-Carlo-Baumsuche. Der Sieg gegen den Weltmeister Lee Sedol in einer Live-übertragenen Fünf-Spiele-Serie im März 2016 war ein globaler Medienereignis und ein Wendepunkt in der öffentlichen Wahrnehmung von KI.
AlphaZero (2017) lernte innerhalb von Stunden, auf Master-Niveau Go, Schach und Shogi zu spielen – allein durch Selbstspiel, ohne menschliches Wissen. Es demonstrierte, dass ein einziges System mit dem gleichen Algorithmus mehrere komplexe Aufgaben meistern kann.
AlphaFold (2020/2021) löste eines der größten ungelösten Probleme der Biologie: das Proteinfaltungsproblem. Proteine sind die Bausteine des Lebens; ihre dreidimensionale Struktur bestimmt ihre Funktion. Aus der Aminosäuresequenz eines Proteins die Raumstruktur vorherzusagen war ein offenes Problem seit 50 Jahren. AlphaFold2 löste es mit einer Präzision, die alle bisherigen Methoden überragt. Es hat Hunderttausende von Proteinstrukturen vorhergesagt und könnte die Entwicklung von Medikamenten gegen Krebs, Alzheimer und andere Krankheiten beschleunigen.
Hassabis glaubt an AGI als wissenschaftliches Werkzeug: Er sieht die Entwicklung allgemeiner KI nicht primär als Produkt, sondern als Werkzeug zur Beschleunigung wissenschaftlicher Entdeckungen in Medizin, Klimaforschung und Physik.
Wichtige Werke / Veröffentlichungen / Erfindungen
- DeepMind (2010, Mitgründung) – KI-Forschungsunternehmen
- Atari Deep Q-Network (DQN) (2013) – Erstes System, das Atari-Spiele auf menschlichem Niveau spielt
- AlphaGo (2016) – Erster KI-Sieg über den Go-Weltmeister
- AlphaZero (2017) – Allgemeines Spielsystem durch Selbstspiel
- AlphaFold / AlphaFold2 (2020/2021) – Lösung des Proteinfaltungsproblems
- AlphaMissense (2023) – KI-System zur Vorhersage der Auswirkungen genetischer Mutationen
- Nobelpreis für Chemie (2024, mit John Jumper)
Einfluss & Bedeutung
Hassabis und DeepMind haben gezeigt, dass KI nicht nur in der Informationstechnologie, sondern in der grundlegenden Naturwissenschaft revolutionäre Beiträge leisten kann. AlphaFold hat bereits die Biochemie transformiert: Die vollständige Proteinstruktur-Datenbank (AlphaFold Protein Structure Database) enthält Millionen von Strukturen und ist frei zugänglich. Sein Ansatz, neurowissenschaftliche Erkenntnisse in KI-Systeme zu integrieren, steht für eine eigenständige Forschungsphilosophie.
Kritik & Kontroversen
Die Übernahme durch Google 2014 führte zu Bedenken über die Kontrolle einer potenziell AGI-fähigen Forschungseinrichtung durch einen Technologiekonzern. Hassabis selbst hat sich für ethische KI-Entwicklung eingesetzt, aber Kritiker bezweifeln, dass diese Ziele mit den kommerziellen Interessen von Alphabet vereinbar sind. Die militärische Nutzung von KI-Technologien, gegen die DeepMind-Forscher intern protestiert haben, ist eine weitere Konfliktlinie.
Häufige Fragen (FAQ)
Warum war der Go-Sieg von AlphaGo 2016 so bedeutsam? Go gilt als das komplexeste aller klassischen Brettspiele: Es hat mehr mögliche Spielstellungen als Atome im Universum. Viele Experten glaubten, Computer könnten es nie auf menschlichem Niveau spielen. AlphaGos Sieg zeigte, dass KI nicht durch explizites Programmieren von Regeln, sondern durch Lernen aus Erfahrung extrem komplexe Aufgaben meistern kann.
Was ist das Proteinfaltungsproblem? Proteine bestehen aus Ketten von Aminosäuren, die sich zu dreidimensionalen Strukturen falten. Diese Strukturen bestimmen die Funktion des Proteins. Aus der Aminosäuresequenz die Raumstruktur vorherzusagen, war ein 50 Jahre altes offenes Problem der Biochemie – AlphaFold löste es 2021 mit bisher unerreichter Präzision.
Verwandte Einträge
Weiterführend
- Silver, David u. a.: Mastering the game of Go with deep neural networks and tree search. In: Nature 529, 2016, S. 484–489. (AlphaGo-Paper)
- Jumper, John u. a.: Highly accurate protein structure prediction with AlphaFold. In: Nature 596, 2021, S. 583–589.
- Hassabis, Demis: Neuroscience-Inspired Artificial Intelligence. In: Neuron 95 (2), 2017, S. 245–258.
