Volgens Hassabis heeft AI grote waarde als hulpmiddel voor het doen van nieuwe ontdekkingen. AlphaFold is daarvan misschien wel het bekendste voorbeeld. Dit AI-systeem voorspelt de driedimensionale structuur van eiwitten op basis van hun aminozuursequentie, een probleem waar wetenschappers tientallen jaren mee worstelden. Volgens Hassabis zijn inmiddels honderden miljoenen eiwitstructuren voorspeld en maken miljoenen onderzoekers hiervan gebruik. Dit versnelt het onderzoek, maar moet nog altijd in het lab worden bevestigd.

AlphaGo laat zien dat AI ook nieuwe strategieën kan genereren. Tijdens een wedstrijd tegen de wereldkampioen Go speelde het AI-systeem een zet die volgens experts ongebruikelijk en zelfs slecht leek. Pas later bleek dat deze zet, bekend als ‘move 37’, cruciaal was om te winnen. Voor Hassabis was dit een belangrijk moment, omdat het liet zien dat AI niet alleen bestaande kennis kopieert, maar ook met nieuwe oplossingen kan komen.

AlphaZero gaat nog een stap verder en laat zien waarom deze ontwikkeling bijzonder is. In tegenstelling tot AlphaGo kreeg dit systeem geen voorbeelden van menselijke partijen om van te leren. Het kende alleen de spelregels en leerde vervolgens volledig zelfstandig door tegen zichzelf te spelen. Binnen enkele uren tot dagen ontwikkelde het strategieën die beter waren dan die van de beste menselijke spelers. Het bijzondere is niet alleen het niveau, maar vooral de manier waarop: zonder menselijke kennis, via een algemene leerstrategie die ook op andere problemen toepasbaar kan zijn.

Zo past AlphaStar deze principes toe in een complex realtimestrategiespel (StarCraft II), waarin meerdere beslissingen tegelijk moeten worden genomen onder onzekerheid. Dit wordt door Hassabis gezien als een stap richting systemen die beter kunnen omgaan met complexe en onzekere situaties.

Deze voorbeelden plaatst Hassabis in een bredere ontwikkeling richting artificial general intelligence (AGI). Hij verwacht dat dergelijke technieken op termijn kunnen bijdragen aan doorbraken in onder meer materiaalonderzoek, energie en geneeskunde, al erkent hij dat veel van deze verwachtingen nog toekomstgericht en onvoldoende onderbouwd zijn.

Zijn toekomstvisie is in de basis positief, maar duidelijk voorwaardelijk. Hij geeft aan dat hij liever had gezien dat AI langer binnen een gecontroleerde wetenschappelijke context was ontwikkeld, terwijl de huidige ontwikkeling wordt versneld door commerciële en geopolitieke competitie.

Hassabis ziet verschillende risico’s in de huidige AI-ontwikkelingen. Ten eerste is er het risico van misbruik door kwaadwillende actoren, variërend van individuen tot staten. Ten tweede zijn er directe maatschappelijke risico’s, zoals misinformatie en deepfakes. In dat kader wijst hij op technische oplossingen zoals digitale watermerken, bijvoorbeeld SynthID, waarmee AI-gegenereerde content herkenbaar kan worden gemaakt en de transparantie kan worden vergroot. Daarnaast wijst hij op het risico van opkomende agentic AI: systemen die zelfstandig taken uitvoeren en doelen nastreven. Naarmate deze systemen capabeler en autonomer worden, wordt het moeilijker om hun gedrag volledig te controleren en te voorspellen. Dit vraagt volgens hem om nieuwe technische waarborgen en om samenwerking tussen bedrijven, overheden en onderzoeksinstellingen.

Hassabis wil AI blijven inzetten voor concrete wetenschappelijke toepassingen, zoals verbeterde eiwitmodellen en het versnellen van geneesmiddelenontwikkeling. Daarnaast ligt er een sterke nadruk op het ontwikkelen van veiligere en beter controleerbare vormen van meer algemene AI.

De belangrijkste conclusie die ik uit het gesprek met Hassabis haal, is dat hij AI ziet als een krachtig hulpmiddel voor vooruitgang, maar niet als een vanzelfsprekende oplossing. De uiteindelijke impact hangt af van hoe systemen worden ontwikkeld, toegepast en gereguleerd.

Bron
Abram, C. (2026). The hardest problem AI ever solved, with Google DeepMind CEO Demis Hassabis [Video]. YouTube.