Revisão do Livro: A Máquina do Infinito: Demis Hassabis, DeepMind e a Busca por Superinteligência por Sebastian Mallaby

Depois de ter lido anteriormente A Lei do Poder, que considero o melhor livro escrito sobre capital de risco, abordei o último livro de Sebastian Mallaby com expectativas excepcionalmente altas. A Máquina do Infinito: Demis Hassabis, DeepMind e a Busca por Superinteligência não me decepcionou.

Assim como A Lei do Poder, o livro tem sucesso porque Mallaby entende que as empresas transformadoras não podem ser explicadas apenas pela tecnologia ou pelos resultados financeiros. Elas devem ser compreendidas por meio das ambições, personalidades, rivalidades e crenças profundamente arraigadas das pessoas que as constroem.

A Máquina do Infinito é em parte a história de um empreendedor que cria uma das empresas de inteligência artificial mais importantes da história. No entanto, é mais importante ainda a história de um cientista que usa o empreendedorismo como um veículo para perseguir questões científicas.

Demis Hassabis não parece ser alguém que fundou a DeepMind principalmente para se tornar rico, famoso ou celebrado como um fundador de tecnologia. Ele parece ser alguém que identificou a inteligência como o problema mais consequente em que poderia trabalhar e, em seguida, construiu sua vida em torno de resolvê-lo.

Essa distinção é o que torna o livro tão atraente.

Um Cientista Primeiro e um Empreendedor Segundo

Mallaby traça o caminho de Hassabis desde um prodígio do xadrez e designer de jogos de vídeo até neurocientista, pesquisador de IA e, eventualmente, co-fundador da DeepMind. O livro se baseia em mais de 30 horas de conversas com Hassabis, ao lado de mais de 100 entrevistas com colegas, concorrentes, críticos e ex-colaboradores.

Esse acesso permite que Mallaby apresente Hassabis não apenas como a face pública da Google DeepMind, mas como uma pessoa cujos interesses permaneceram notavelmente consistentes.

O xadrez o ensinou a pensar várias jogadas à frente. Projetar jogos de simulação o ensinou como mundos complexos podiam surgir a partir de regras relativamente simples. A neurociência o encorajou a perguntar como a memória, a imaginação, o planejamento e a inteligência funcionam dentro do cérebro humano.

Essas buscas não foram estágios desconexos de sua carreira. Elas foram diferentes abordagens para a mesma questão subjacente: a inteligência pode ser compreendida bem o suficiente para ser recriada?

O que se destaca ao longo do livro é a tendência de Hassabis de reduzir problemas a seus fundamentos. Em vez de começar com o que a tecnologia existente poderia realizar, ele repetidamente começou com o resultado que acreditava que deveria ser possível e trabalhou de trás para frente.

Essa abordagem de primeiros princípios também explica seu horizonte de tempo excepcionalmente longo. Hassabis estava disposto a manter um problema em sua mente por anos – ou mesmo décadas – até que a ciência e a computação tivessem avançado o suficiente para ele atacá-lo adequadamente.

O exemplo mais claro é a previsão da estrutura de proteínas.

A Conversa que Plantou a Semente do Dobramento de Proteínas

Enquanto estudava ciência da computação em Cambridge nos anos 90, Hassabis se tornou amigo de estudantes de biologia. Um deles estava particularmente fascinado pelo problema do dobro de proteínas e explicou que resolver isso poderia transformar a biologia.

Hassabis imediatamente reconheceu que era o tipo de problema de busca enorme que poderia ser abordado com inteligência artificial algum dia. Ele supostamente manteve notas sobre problemas científicos que poderiam eventualmente se tornar adequados para os algoritmos que ele esperava construir. O dobro de proteínas permaneceu entre eles por quase duas décadas.

Essa é uma das partes mais fascinantes do livro.

Uma conversa aparentemente comum o apresentou a um problema que permaneceria na parte de trás de sua mente por meio da universidade, pesquisa em neurociência, empreendedorismo, criação da DeepMind e desenvolvimento de sistemas de aprendizado cada vez mais capazes.

Para entender a importância do que se seguiu, é necessário apreciar a escala do desafio.

As proteínas começam como cadeias de aminoácidos. Essas cadeias se dobram em estruturas tridimensionais complexas, e a forma resultante determina em grande parte o que uma proteína pode fazer dentro de um organismo vivo. Entender essa estrutura é, portanto, essencial para estudar doenças, projetar medicamentos e compreender muitos dos mecanismos sobre os quais a vida depende.

A dificuldade é que mesmo uma proteína relativamente pequena pode teoricamente assumir um número astronômico de configurações possíveis. Determinar experimentalmente uma estrutura por meio de métodos como cristalografia de raios-X ou microscopia eletrônica criogênica pode exigir tempo, expertise e despesas substanciais.

Por cerca de 50 anos, os cientistas lutaram para prever com confiabilidade a estrutura tridimensional de uma proteína a partir de sua sequência unidimensional de aminoácidos. O desafio se tornou um dos principais problemas não resolvidos na biologia computacional.

Costuma-se dizer que o AlphaFold “resolveu o dobro de proteínas”. Tecnicamente, essa descrição é muito ampla. O AlphaFold transformou a previsão da estrutura de proteínas; ele não explica todos os estágios do processo físico de dobro, movimento de proteínas, erro de dobro ou interação molecular.

Essa qualificação não diminui o feito. Prever estruturas com precisão quase experimental foi em si uma descoberta que mudou um campo científico inteiro.

Jogos Foram o Terreno de Treinamento, Não o Destino

A DeepMind não começou com biologia. Seus primeiros avanços vieram por meio de jogos.

Jogos ofereceram algo inestimável a um laboratório de IA: ambientes controlados com regras claras, resultados mensuráveis e um número enorme de decisões possíveis. Um agente poderia experimentar, falhar, receber feedback e melhorar sem a ambiguidade e o risco físico de operar no mundo real.

A rede Q profunda da DeepMind demonstrou que um único sistema de aprendizado poderia dominar uma ampla seleção de jogos de Atari a partir de pixels de tela e sinais de recompensa, em vez de instruções específicas de jogo. O trabalho ajudou a estabelecer o aprendizado de reforço profundo como uma das abordagens mais promissoras na IA moderna.

O próximo grande teste foi o Go.

O Go resistiu às abordagens computacionais tradicionais porque o número de posições possíveis no tabuleiro tornava a busca exaustiva impossível. O sucesso exigia reconhecimento de padrões, planejamento estratégico e a capacidade de identificar movimentos promissores sem calcular todos os resultados potenciais.

Em março de 2016, o AlphaGo derrotou o lendário jogador de Go Lee Sedol quatro jogos a um. Mais de 200 milhões de pessoas assistiram a uma máquina exibir movimentos que mesmo jogadores de elite inicialmente lutaram para entender.

O AlphaGo Zero então removeu a dependência de registros de jogos humanos. Começando apenas com as regras, ele aprendeu jogando contra si mesmo e eventualmente superou a versão anterior do AlphaGo. O AlphaZero generalizou a abordagem ainda mais, dominando xadrez, shogi e Go por meio de autojogo, sem confiar em estratégias criadas por humanos ou exemplos.

Esses sistemas não foram protótipos diretos do AlphaFold. A conexão é mais filosófica e organizacional do que arquitetônica.

Jogos ensinaram a DeepMind como construir sistemas capazes de navegar vastos espaços de possibilidades. Eles demonstraram que redes neurais, aprendizado de reforço, busca e enormes quantidades de computação poderiam descobrir soluções que os humanos não haviam programado explicitamente.

Mais importante ainda, eles deram a Hassabis a confiança de que a IA poderia ir além da classificação e do reconhecimento de padrões para gerar insights genuinamente úteis.

O AlphaGo foi um feito histórico, mas nunca foi o destino final. Jogos foram laboratórios nos quais a DeepMind poderia desenvolver as ideias, as pessoas, a infraestrutura e a confiança necessárias para confrontar problemas científicos reais.

A previsão da estrutura de proteínas foi onde a missão original finalmente seria testada.

AlphaFold e a Diferença entre Ganhar e Resolver

A DeepMind começou oficialmente a trabalhar na previsão da estrutura de proteínas em 2016. Seu primeiro sistema AlphaFold entrou na competição de estrutura de proteínas CASP13 em 2018 e alcançou a maior precisão entre os participantes.

Para muitas organizações, ganhar a competição teria sido suficiente. Teria gerado manchetes, reconhecimento acadêmico e prova de que o projeto havia sido bem-sucedido.

Hassabis queria mais.

Um sistema que liderou um benchmark, mas permaneceu insuficientemente confiável para o trabalho científico diário, não havia realmente resolvido o problema. A DeepMind expandiu a equipe, colocou John Jumper em um papel de pesquisa central e redesenhou substancialmente o sistema, em vez de simplesmente aprimorar sua primeira abordagem.

O resultado foi o AlphaFold2.

No CASP14 em 2020, o AlphaFold2 alcançou uma precisão que os organizadores e os pesquisadores consideraram comparável a métodos experimentais em muitos alvos de proteínas. A pesquisa associada demonstrou que a previsão computacional poderia regularmente se aproximar da precisão atômica, incluindo em casos em que nenhuma estrutura conhecida estreitamente relacionada estava disponível.

A DeepMind e o Instituto Europeu de Bioinformática posteriormente lançaram previsões que abrangiam mais de 200 milhões de estruturas de proteínas – quase todas as proteínas catalogadas pela ciência. O banco de dados desde então foi acessado por mais de três milhões de pesquisadores em mais de 190 países.

Em 2024, Hassabis e Jumper compartilharam metade do Prêmio Nobel de Química por previsão da estrutura de proteínas, com a outra metade concedida a David Baker por design de proteínas computacional.

A sequência de eventos captura o que encontrei mais impressionante em Hassabis.

Ele não parece satisfeito em ganhar a medida aceita de um problema. Ele continua perguntando se o problema subjacente foi realmente resolvido.

Essa é a essência do pensamento de primeiros princípios. Um benchmark é apenas um proxy. O objetivo não é ser o primeiro. O objetivo é criar algo que mude o que os cientistas são capazes de fazer.

O Ponto Cego do LLM que Ajudou a OpenAI a Avançar

O livro também esclareceu um dos episódios mais confusos na história recente da IA.

Pesquisadores do Google introduziram a arquitetura transformer no paper seminal de 2017 Atenção é Tudo o que Você Precisa. Os transformers se tornaram a base sobre a qual os modelos de linguagem grandes modernos foram construídos.

No entanto, o Google não converteu essa vantagem em inicial em um produto que definisse a era da IA gerativa. A OpenAI lançou o ChatGPT e estabeleceu a interface por meio da qual centenas de milhões de pessoas encontrariam a IA avançada pela primeira vez. A Anthropic subsequentemente emergiu como outro líder, particularmente entre desenvolvedores e usuários empresariais.

A versão comum dessa história é que o Google inventou o transformer e simplesmente não construiu modelos de linguagem. Isso não é inteiramente preciso. O Google e a DeepMind publicaram pesquisas substanciais sobre modelos de linguagem, incluindo o modelo Gopher de 280 bilhões de parâmetros da DeepMind em 2021.

A falha não foi a ausência de pesquisa. Foi uma falha de convicção estratégica e execução de produto.

Hassabis inicialmente duvidou que a linguagem sozinha pudesse produzir inteligência genuína. Ele acreditava que um sistema inteligente precisava ser fundamentado no mundo por meio de percepção, ação, robótica ou ambientes simulados.

Sua preocupação era razoável. Uma máquina poderia armazenar uma definição de peso, mas realmente entenderia o peso sem nunca ter levantado algo? Poderia processar descrições de gravidade, mas entenderia que um copo se quebraria quando derrubado?

A agenda de pesquisa da DeepMind consequentemente enfatizou agentes que agiam dentro de jogos e mundos simulados. Seus pesquisadores até construíram sistemas projetados para conectar linguagem com percepção e ação em ambientes tridimensionais.

O que Hassabis subestimou foi quanto informações sobre o mundo físico e social já haviam sido codificadas na linguagem humana. Modelos grandes poderiam também herdar uma forma de fundamentação por meio de feedback de pessoas que haviam experimentado o mundo diretamente.

Hassabis desde então admitiu que isso foi algo que ele subestimou, descrevendo modelos de linguagem como “inacreditavelmente eficazes”.

Essa foi uma das seções mais valiosas do livro porque torna o comportamento do Google muito mais compreensível.

De fora, parecia inexplicável que a organização responsável pelo transformer permitisse que a OpenAI definisse a era do LLM. De dentro do quadro intelectual de Hassabis, isso faz mais sentido. Ele estava procurando por uma forma mais profunda de inteligência e inicialmente considerou a previsão de linguagem como um caminho incompleto para ela.

Esse julgamento pode eventualmente provar ser correto no nível da IA geral. Modelos de linguagem sozinhos podem não ser suficientes. Mas como uma decisão de produto e plataforma, isso deu aos concorrentes uma abertura extraordinária.

Na minha própria observação do mercado, o Gemini se tornou um sistema formidável e pode superar modelos concorrentes em avaliações individuais. No entanto, ainda parece que o Google está tentando redefinir uma categoria cujas expectativas foram estabelecidas pela OpenAI e pela Anthropic.

O livro ajuda a explicar como uma das organizações com a maior concentração de talentos e infraestrutura de IA encontrou-se nessa posição.

Por Que Vender a DeepMind para o Google Foi Consistente com a Missão

O outro episódio que mudou minha compreensão de Hassabis foi a venda da DeepMind para o Google.

A mitologia do fundador tende a celebrar a independência. O empreendedor ideal deve reter o controle, resistir à aquisição, construir um império e receber reconhecimento pessoal por criar uma empresa dominante.

Hassabis parece ter avaliado a decisão de forma diferente.

Durante a competição de 2013 para adquirir a DeepMind, Larry Page fez um argumento que foi diretamente para as prioridades de Hassabis. Se seu objetivo real era criar a IA geral, por que gastar anos reconstruindo infraestrutura, levantando capital e construindo uma empresa comparável ao Google quando os recursos do Google já existiam?

As conversas se desenrolaram em meio a uma série quase surreal de reuniões envolvendo Page, Mark Zuckerberg, Elon Musk e outras figuras da tecnologia, incluindo uma reunião em um castelo alugado em Nova York para o aniversário de Musk.

O Google poderia oferecer infraestrutura de computação, capital, talento de pesquisa e paciência em uma escala que uma DeepMind independente teria dificuldade em reproduzir. Ele também estava preparado para aceitar condições éticas que a DeepMind considerava importantes. Hassabis acabou escolhendo o Google, apesar de ter recebido uma oferta maior da Facebook.

Visto por meio de uma lente de empreendedorismo convencional, vender a DeepMind tão cedo poderia parecer uma rendição de independência.

Visto pela lente de Hassabis, permanecer independente pode ter sido a maior distração.

Seu objetivo não era se tornar conhecido como o fundador da próxima Google. Era usar a rota mais credível para construir a IA geral e aplicar inteligência avançada à ciência. O Google encurtou essa rota.

A aquisição posterior produziu tensões reais sobre independência, governança, comercialização e os limites éticos da IA. O livro não sugere que colocar a DeepMind dentro de uma das maiores corporações do mundo resolveu essas questões. Em alguns aspectos, tornou-as mais difíceis.

No entanto, a decisão revela algo importante sobre Hassabis. Ele parece menos apegado ao status convencional do empreendedorismo do que à missão científica que o empreendedorismo tornou possível.

Um dos Caras Boas – Mas Não Infalível

Hassabis acaba sendo um dos caras bons na corrida de IA.

Isso não significa que todas as decisões tenham sido corretas. Sua hesitação sobre modelos de linguagem foi consequente. A relação da DeepMind com o Google envolveu compromissos. A concentração de sistemas de IA poderosos dentro de um pequeno número de corporações cria questões que boas intenções sozinhas não podem responder.

No entanto, suas motivações parecem notavelmente consistentes.

Ele quer entender a inteligência. Ele acredita que a IA avançada pode acelerar a descoberta científica. Ele tem repetidamente enfatizado a segurança e a necessidade de considerar as consequências de longo prazo de sistemas cada vez mais capazes. Mais significativamente, o AlphaFold fornece evidências concretas de que sua visão da IA como um instrumento para a ciência é mais do que um ponto de conversa aspiracional.

Há uma diferença entre prometer que a IA beneficiará a humanidade e lançar uma ferramenta usada por milhões de pesquisadores para melhor entender a maquinaria da vida.

O AlphaFold dá a Hassabis credibilidade que poucos outros líderes na corrida de IA geral possuem.

Pensamentos Finais

A Máquina do Infinito tem sucesso como uma biografia, uma história da DeepMind e um relato acessível de algumas das principais descobertas na IA moderna. Ele também torna os eventos que testemunhamos em tempo real – desde o AlphaGo e o AlphaFold até a resposta atrasada do Google ao ChatGPT – consideravelmente mais coerentes.

A lição mais poderosa não é simplesmente que Hassabis é excepcionalmente inteligente, embora ele claramente o seja. É que ele foi notavelmente deliberado ao decidir quais problemas mereciam essa inteligência.

Uma conversa com estudantes de biologia o apresentou ao problema do dobro de proteínas décadas antes que a IA estivesse capacitada a abordá-lo. Ele manteve o problema em mente, construiu a organização e os sistemas necessários para confrontá-lo e retornou a ele uma vez que a tecnologia havia avançado o suficiente.

A maioria dos empreendedores começa com uma tecnologia disponível e procura um mercado. Hassabis começou com perguntas que acreditava que pudessem mudar a humanidade e trabalhou para criar tecnologia poderosa o suficiente para respondê-las.

Isso é o que torna A Máquina do Infinito um livro tão memorável e Demis Hassabis uma figura tão incomum na história da inteligência artificial.