Demis Hassabis — a inteligência como instrumento para resolver tudo o resto
"Solve intelligence, then use that to solve everything else." (missão fundadora da DeepMind, 2010)
O essencial em 30 segundos
Demis Hassabis é, provavelmente, a pessoa que melhor sintetiza uma tese específica sobre o que a inteligência artificial é para: não um produto, não um chatbot, não uma curiosidade de laboratório — mas o instrumento científico mais poderoso que a humanidade já construiu. Ex-prodígio do xadrez, designer de jogos premiado, neurocientista de formação e cofundador da DeepMind, ele fez algo raro: pegou uma promessa abstrata sobre "AGI" e a transformou em resultados que mudaram disciplinas inteiras. AlphaGo derrubou um dos últimos redutos onde acreditávamos que a intuição humana era insuperável. AlphaFold resolveu, em essência, o problema de prever a estrutura tridimensional das proteínas — um enigma de cinquenta anos da biologia — e rendeu a Hassabis o Nobel de Química de 2024. A lição para quem opera negócios reais não é "use IA". É outra coisa, mais afiada: a IA rende quando você a aponta para um root node problem — um nó-raiz cuja solução destrava uma árvore inteira de aplicações. O resto é detalhe de execução.
Quem é
Hassabis nasceu em Londres em 27 de julho de 1976, filho de pai cipriota-grego e mãe sino-singapuriana. A biografia dele é quase improvável de tão densa. Aprendeu xadrez aos quatro anos, observando o pai jogar. Aos 13, já era mestre, com rating Elo de 2300 — segundo melhor do mundo na sua faixa etária. Mas o xadrez foi só o primeiro de muitos jogos: ele se tornaria pentacampeão mundial do Pentamind (o campeonato de habilidade geral em jogos de tabuleiro), campeão mundial de Diplomacy, e até premiou-se no World Series of Poker. O fio condutor não é "jogos" — é a obsessão com a estrutura da decisão sob incerteza.
Aos 17, entrou na indústria de games. Co-desenhou e programou Theme Park (1994), que vendeu milhões de cópias e ajudou a popularizar o gênero de simulação de gestão. Depois veio Cambridge (Ciência da Computação, double first, 1997), a Elixir Studios (estúdio próprio, 1998–2005), e então a virada decisiva: um doutorado em neurociência cognitiva na University College London, concluído em 2009. A pergunta que o movia era simples e profunda — como o cérebro humano gera imaginação e memória? A tese dele mostrou que pacientes com dano no hipocampo não conseguiam imaginar novas experiências, ligando memória episódica e imaginação. Esse trabalho entrou no top 10 de descobertas científicas da revista Science em 2007.
Por que importa essa trajetória sinuosa — jogos, neurociência, computação? Porque a DeepMind, fundada em 2010 com Shane Legg e Mustafa Suleyman, é a síntese exata dessas três competências. Games dão o ambiente de treino e a métrica de progresso. A neurociência dá a inspiração arquitetural (como o cérebro aprende por reforço, por recompensa). A computação dá o motor. O Google comprou a DeepMind em 2014 por cerca de £400 milhões, e Hassabis seguiu como CEO. Em 2017 foi nomeado CBE; em 2018, eleito Fellow da Royal Society; em 2024, ganhou o Nobel e foi sagrado cavaleiro. Em 2016, a Federação Coreana de Go lhe concedeu o 7º dan amador honorário — em homenagem ao que sua máquina fez ao jogo.
A grande contribuição
A contribuição central de Hassabis não é uma técnica única — é uma aposta metodológica que se provou correta em duas frentes que pareciam impossíveis.
A primeira foi AlphaGo. O Go é exponencialmente mais complexo que o xadrez; o número de posições possíveis excede o número de átomos no universo observável. A sabedoria convencional dizia que vencer no Go exigiria "intuição" humana, algo não-formalizável. Em outubro de 2015, AlphaGo venceu o campeão europeu Fan Hui por 5 a 0. Em março de 2016, derrotou Lee Sedol, um dos maiores jogadores da história, por 4 a 1 — num torneio assistido por mais de 200 milhões de pessoas. A jogada 37 da segunda partida, que nenhum humano teria feito, virou símbolo de algo novo: a máquina não estava copiando humanos, estava descobrindo conhecimento. AlphaGo Zero, depois, aprendeu do zero, jogando apenas contra si mesmo, e superou todas as versões anteriores sem nenhum dado humano.
A segunda foi AlphaFold — e aqui Hassabis cruzou da demonstração para a ciência aplicada de verdade. Prever como uma cadeia de aminoácidos se dobra em uma estrutura 3D era um dos grandes problemas abertos da biologia, com impacto direto em medicina, design de fármacos e compreensão de doenças. Em 2020, no CASP14 (a "olimpíada" da predição de proteínas), AlphaFold 2 atingiu uma acurácia comparável à experimental — os organizadores declararam o problema "essencialmente resolvido". A DeepMind então calculou as estruturas de quase todas as proteínas humanas conhecidas e, em seguida, de quase 200 milhões de proteínas, liberando tudo abertamente em um banco de dados público. Esse gesto — abrir o resultado para o mundo — acelerou milhares de laboratórios de uma vez. Foi por isso que veio o Nobel de Química de 2024, dividido com John Jumper.
A grande contribuição, portanto, é a prova de conceito de que a IA pode ser o que Hassabis sempre acreditou: o instrumento-fim da ciência, e não um fim em si mesma.
As ideias-chave
1. Root node problems: ataque o nó que destrava a árvore
Hassabis descreve sua estratégia de seleção de problemas com uma imagem precisa: na árvore de todo o conhecimento, existem "root node problems" — problemas que, se resolvidos, destravam um galho inteiro de novas pesquisas ou aplicações. AlphaFold era um deles: resolver o enovelamento de proteínas não entrega um produto, entrega uma plataforma sobre a qual milhares de descobertas se tornam possíveis. A disciplina aqui é não confundir esforço com alavancagem. Muitos problemas são difíceis e irrelevantes — resolvê-los não destrava nada. O talento de Hassabis é farejar onde a dificuldade coincide com a alavancagem máxima.
2. A IA como ferramenta-fim da ciência
A frase fundadora da DeepMind — "solve intelligence, then use that to solve everything else" — não é marketing. É uma ordem de operações. Hassabis declarou que "sempre acreditou que uma AGI construída desta forma poderia ser a ferramenta de uso geral definitiva para entender o universo ao nosso redor e nosso lugar nele". A IA, nessa visão, não substitui o cientista; ela amplia o que um cientista consegue investigar em uma vida. O critério de sucesso não é passar num teste de conversa — é descobrir algo que a humanidade não sabia.
3. Aprendizado por reforço inspirado no cérebro
A trajetória de Hassabis pela neurociência não foi um desvio; foi pesquisa de fundação. O paradigma central da DeepMind — agentes que aprendem por tentativa, erro e recompensa, refinando uma política de ação — espelha como o cérebro aprende. AlphaGo Zero, aprendendo a jogar do zero contra si mesmo, é a expressão mais pura dessa ideia: sem dados humanos, só o sinal de recompensa e milhões de partidas. A lição operacional é que sistemas que aprendem com seu próprio feedback, num loop fechado e medido, superam sistemas que apenas imitam exemplos passados.
4. Generalidade vem da arquitetura, não do truque
A diferença entre um programa que joga xadrez (como o Deep Blue da IBM) e AlphaZero é que o primeiro foi programado para o xadrez e o segundo aprende qualquer jogo de tabuleiro com a mesma arquitetura. Hassabis sempre perseguiu generalidade — um motor que transfere. É por isso que AlphaFold pôde nascer de uma cultura que primeiro dominou jogos. A capacidade era transferível porque a aposta nunca foi "resolver Go", e sim "construir um aprendiz geral".
5. Capacidade e controle precisam ser medidos juntos
Hassabis assinou, em 2023, a declaração de que "mitigar o risco de extinção por IA deveria ser uma prioridade global, ao lado de outros riscos de escala social como pandemias e guerra nuclear". Mas a posição dele é pragmática, não paralisante: ele defende investir em "testes de avaliação que meçam quão capazes e controláveis os novos modelos de IA são". A ideia é que capacidade sem medição de controle é irresponsável — e que pausar globalmente é improvável dado o potencial em saúde e clima. Mede-se ambos, e avança-se com instrumentação.
Em suas palavras
"Solve intelligence, then use that to solve everything else." (missão fundadora da DeepMind, 2010)
"[Root node problems são] problemas que, se você pensar na árvore de todo o conhecimento, são uma espécie de problemas de nó-raiz: se você os resolve, destravam um galho inteiro de novas pesquisas ou aplicações." (conversa com Cleo Abram, 2026)
"Sempre acreditei que uma AGI construída desta forma poderia ser a ferramenta de uso geral definitiva para entender o universo ao nosso redor e nosso lugar nele." (sobre IA para a ciência)
"Mitigar o risco de extinção por IA deveria ser uma prioridade global, ao lado de outros riscos de escala social como pandemias e guerra nuclear." (declaração conjunta sobre risco de IA, 2023)
Limites e críticas
Nenhuma visão tão influente escapa de objeções sérias, e vale registrá-las com honestidade.
A primeira é sobre transferência. AlphaFold é espetacular, mas opera num domínio com estrutura rica, dados abundantes e uma métrica de acerto verificável experimentalmente. Nem todo problema científico tem essas propriedades. Críticos argumentam que a narrativa "IA resolverá a ciência" generaliza demais a partir de casos onde as condições eram ideais. Resolver proteínas não é o mesmo que resolver biologia.
A segunda é sobre o conceito de AGI em si. A própria DeepMind se fundou prometendo "resolver inteligência", e essa palavra carrega ambiguidade. O que conta como ter resolvido? Onde está a linha? A ausência de uma definição rigorosa torna a meta um alvo móvel — útil para mobilizar capital e talento, mas difícil de falsear.
A terceira é a tensão entre missão científica e incentivo comercial. A DeepMind é uma subsidiária do Google. A pureza de "ciência aberta" que liberou o banco de proteínas convive com pressões de produto, corrida competitiva e segredo industrial. A abertura de AlphaFold foi generosa; não é garantido que o próximo avanço siga o mesmo caminho.
A quarta, de fundo, é sobre risco e velocidade. Hassabis defende medir capacidade e controle juntos, mas críticos do campo de segurança apontam que, na prática, a corrida competitiva empurra capacidade adiante do controle. Assinar uma carta sobre risco de extinção e simultaneamente liderar a fronteira de capacidade é uma posição que alguns consideram contraditória — ainda que defensável.
Como aplicar no seu dia a dia
A ideia de Hassabis que mais muda a forma de operar não é técnica — é de seleção de problema. Em qualquer operação, há dezenas de coisas que poderiam receber IA: previsão de demanda, roteirização, atendimento, conciliação financeira, manutenção de equipamentos. O instinto preguiçoso é espalhar IA em tudo. O instinto de Hassabis é perguntar: qual aqui é o root node problem? Qual nó, se resolvido, destrava um galho inteiro?
Num negócio de operação física, esse nó tende a ser a previsão e otimização do fluxo de recurso central — porque dela penduram-se preço, logística, capital de giro e experiência do cliente. Se você prevê com precisão quando e onde a demanda vai aparecer ao longo do dia, você destrava simultaneamente dimensionamento, contratação de insumo, precificação dinâmica e alocação de equipe. Um nó, vários galhos. É AlphaFold em escala de operação: não resolver mil coisas, resolver a coisa que torna mil coisas mais fáceis.
A segunda transferência direta é o loop de aprendizado por reforço fechado e medido. AlphaGo Zero ficou bom jogando contra si mesmo com um sinal de recompensa claro. Num software de gestão com agentes de IA, isso vira disciplina concreta: todo agente precisa de uma métrica de recompensa explícita (resolveu o ticket? reduziu o tempo? o usuário voltou?) e de um loop que aprenda com o próprio resultado, não apenas com exemplos rotulados uma vez. Sistema que se mede e se corrige supera sistema que imita.
A terceira é horizonte de capacidade no planejamento. Hassabis pensa em árvores que destravam galhos futuros. Ao planejar a expansão de uma operação ou a evolução de um software, a pergunta não é só "o que a IA faz hoje", mas "o que ela fará em 18–36 meses, e que decisão de arquitetura você toma agora para não se amarrar". Construir capturando dados estruturados desde já — mesmo antes de saber o uso exato — é apostar que a capacidade vai chegar. Quem coletou os dados estará pronto; quem não coletou recomeçará do zero.
E há a lição sobre escala: AlphaFold só funcionou porque havia dados e cômputo suficientes para que a generalidade emergisse. Escala importa porque, abaixo de certo limiar de dados e capacidade, o sistema não generaliza — ele decora. Numa operação com várias frentes, isso significa concentrar dados em vez de fragmentá-los: um lago de dados unificado entre as unidades vale exponencialmente mais que dez bancos isolados.
Para ir além
Comece por: a conversa "AI as the Ultimate Tool for Science" (American Academy of Arts and Sciences / Daedalus) e o documentário The Thinking Game (2024), que acompanha a DeepMind por dentro. São a porta de entrada mais limpa para a visão.
Depois: a entrevista da série HUGE Conversations com Cleo Abram (2026), onde o conceito de root node problems é explicado pelo próprio Hassabis; e o press release do Nobel de Química 2024 (NobelPrize.org), que explica AlphaFold em linguagem precisa.
Avançado: os papers originais da DeepMind sobre AlphaGo, AlphaZero e AlphaFold 2 (Nature), além da biografia The Infinity Machine de Sebastian Mallaby (2026), para a história institucional completa.
Conexões no vault
- IA e Tecnologia — área-mãe deste estudo
- ilya-sutskever — visão complementar e contrastante: enquanto Hassabis aponta a IA para a ciência, Sutskever aposta no escalonamento puro e na superinteligência segura. Ambos passaram por trajetórias que se cruzam (AlphaGo teve contribuição de Sutskever na OpenAI).
- Conceitos a desdobrar: reinforcement learning, root node problem, escala e generalização, IA aplicada à energia e mobilidade.
Fontes consultadas: Wikipedia — Demis Hassabis; Britannica; NobelPrize.org — Chemistry 2024 press release; Google DeepMind blog — Nobel; American Academy of Arts and Sciences — AI as the Ultimate Tool for Science; The Singju Post — HUGE Conversations transcript.