デミス・ハサビスのリーダーシップスタイル：長期的賭けと深い研究
主要事実： デミス・ハサビス（1976年生まれ、ロンドン出身）はイギリスのAI研究者でありチェスの天才で、13歳でマスターレベルに達しました。2010年にDeepMindを共同設立し、Googleはそれをおよそ6億5000万ドルで2014年に買収しました。彼の研究所はAlphaGoを構築し、2016年に世界チャンピオンのイ・セドルを破りました。また、2020年にリリースされたAlphaFoldは50年間の懸案であったタンパク質構造予測問題を解決し、ハサビスに2024年ノーベル化学賞の受賞者としての地位をもたらしました。2023年のGoogle BrainとDeepMindの統合以来、Google DeepMindのCEOを務めており、2024年にナイトの爵位を受けました。
ハサビスのムーンショット主義（知能優先解決モデル）
組織がメタ問題である一般知能そのもの自体を10年から20年のタイムスケールで解決することにコミットする枠組みであり、科学的なマイルストーン（ゲームマッチ、Nature論文、ノーベル賞級のベンチマーク）を何十年にもわたって機関の資金調達と人材を維持する証拠ポイントとして使用します。この主義は標準的なスタートアップのプレイブックを逆転させます。製品市場適合に向かって反復するのではなく、組織は科学的真実に向かって反復します。より深い問題を解決することは、その上に構築されたより狭い応用すべてを支配することになると信頼しています。
デミス・ハサビスが13歳だった時、彼は世界で2番目に評価の高い14歳以下のチェス選手であり、ELOレーティングは2300を超えていました。17歳で、彼はBullfrog Productionsのプロのゲームデザイナーであり、ほとんどの同僚がGCSEに参加している間にTheme ParkのAIロジックをコーディングしていました。彼はケンブリッジにコンピュータサイエンスの学位を求めました。その後、ゲーム業界で数年を過ごし、36歳でUCLから認知神経科学の博士号を取得しました。その後、2010年にDeepMindを共同設立し、2014年にGoogleにおよそ5億ドルで売却し、1.7兆ドル企業内の長期研究所を実行するのに十分な独立性を保持し、タンパク質折り畳みアルゴリズムに対して2024年ノーベル化学賞の一部を受け取りました。
各章が次を資金提供しました。チェスは彼にパターン認識と競争的な気質を与えました。ゲームデザインは彼にシステムシンキングとAI行動の実践的な理解を与えました。神経科学は彼にDeepMindの創設論文となった理論的枠組みを与えました。知能はメタ問題であり、神経科学はそれを解決するガイドです。
15年間一貫して保持されたその論文は、ハサビスをほとんどのテクノロジーリーダーから区別します。彼はピボットしていません。2010年以降、同じ長期的賭けを実行しています。
リーダーシップスタイルの分析
| スタイル | ウェイト | その現れ方 |
|---|---|---|
| 深い研究者 | 65% | ハサビスはDeepMindを製品組織の次に研究組織として構築しました。何に取り組むかについての決定は科学的野心によって駆動されました—AIの最も難しい問題は何であり、それらを解決することで知能の性質について最も多くを教えてくれるのはどれか。AlphaGoは製品賭けではありませんでした。それは研究のデモンストレーションでした。AlphaFoldは商業的な遊びではありませんでした。それは50年前の科学的問題を解決するための試みでした。65%の研究ウェイトは、DeepMindがヘッドカウントに対して不釣り合いに重要な科学的結果を生み出した理由です。 |
| ムーンショット建築家 | 35% | 35%は、商業的組織内で研究のウェイトを持続可能にするものです。ハサビスはDeepMindの仕事を構造化し、大きな研究賭けが読みやすく、高いプロフィールの証拠ポイントを持つようにしました—AlphaGoの李セドルとのマッチは2億8000万人に見守られ、AlphaFoldのタンパク質構造はリリースの1年以内に何百万の研究者によって使用されました。ムーンショット建築家層は、商業的応用が明らかでなかった年を通じて、Googleが研究所に資金を提供し続けるのを保ちました。 |
この組み合わせは維持するのが難しいです。ムーンショット枠組みのない純粋な研究ラボは内部サポートを失います。研究の深さのない純粋な製品組織は革新的な突破口を生成しません。ハサビスはほとんどのリーダーが片方を管理するより長くの間、両方を保持しています。
主要なリーダーシップの特性
| 特性 | 評価 | 実践でのその意味 |
|---|---|---|
| 複数十年の忍耐力 | 非常に高い | ハサビスは2010年にDeepMindを設立し、人工一般知能を解決するという明示的な目標を持ちました。AGIは解決されていません。彼はそれに取り組み続けています。その間に、研究所はAlphaGo、AlphaFold、AlphaStar、Gemini、そして複数の科学分野を再形成した一連のNature論文を生産しました。15年にわたるその出力は、便利なタイムラインでそれが達成されなかった場合に目標を変更しなかったため、可能になりました。 |
| クロスドメイン統合 | 非常に高い | 神経科学にインスパイアされたAI論文は、マーケティングの角度ではなく、本当の知的貢献です。DeepMindの記憶、注意、および報酬システムに関する作業は、技術的に異なるアプローチを生成した方法で認知神経科学研究から直接引き出されました—ピクセルからAtariゲームをプレイすることを学んだDeep Q-Networkは海馬と基底核にインスパイアされたメカニズムを使用しました。ハサビスはそれらの接続をできたのは、彼が単なる親近感ではなく、両分野で本当の深さを持っていたからです。 |
| 制度的独立 | 高い | 研究文化を失うことなく2014年にGoogleに売却することは、本当のリーダーシップの成就でした。その規模での買収のほとんどは、買収された組織が吸収され、買収者の商業的優先順位に向けてリダイレクトされます。ハサビスは、DeepMindが基本的な研究を続け、非商業的な問題を追求し、買収後ほぼ10年間は独自の採用基準を操作するのに十分な独立性を交渉しました。その交渉はSundar Pichai組織で起こりました—そしてDeepMindの研究独立とGoogleの製品緊急性の間の緊張はChatGPTの瞬間後に決定的になりました。その独立は2023年の再編後に浸食されましたが、買収後9年間は研究文化を無傷で続けることは通常ではありません。 |
| 難しい問題に向かった偏り | 高い | DeepMindがタンパク質折り畳みに取り組むことに決めた時、問題は50年間開いており、製薬会社と学術研究所による十分に資金提供された試みを何十年にもわたって倒していました。それを試みることについての予想される値計算は明白ではありませんでした。ハサビスは部分的にはその科学的重要性のためにそれを選び、部分的には、それが、もし解決されたら、AIが何ができるかについて何か基本的なことを証明するであろう問題の種類だったからです。DeepMindの研究の議題全体にわたって難しく、重要であることに向かった偏りは一貫したパターンです。 |
ハサビスを定義した3つの決定
1. AGI科学論文についてのDeepMind設立（2010）
2010年に、「人工一般知能」を研究目標として真剣に受け取られていませんでした。分野は2つのAI冬を経験し、狭い応用によって支配されていました—ここでのコンピュータビジョン、そこでの自然言語処理、各問題は既製の技術で解決されました。
ハサビスはShane LeggとMustafa Suleymanとともに、知能そのものが解決する事柄であり、それを解決することはすべての他の科学的問題を扱いやすくするだろうという前提でDeepMindを共同設立しました。それは「私たちはより良い画像分類器を構築しようとしている」という主張よりはるかに大きな主張です。
その論文は特定の方法で神経科学に根ざしていました。ハサビスは、人間の脳がどのように一般知能を達成するかを研究することが、人工一般知能を構築するための最も直接的なパスであると信じていました。それは2010年に一般的な立場ではありませんでした。それは通常の信念で支持された知的に防御可能な少数派の見方でした。
これを研究の議題のみではなくリーダーシップの決定にするのは、ハサビスが論文を明らかに商業的な結果を生み出すのに十年以上かかった組織を中心に構築したということです。これは特定の種類の人材引き寄せと保持を必要とします—あなたは人々が論文によって動機付けられるのを必要とし、給与や近期の製品ロードマップによってではありません。
2. AlphaGo（2016）：強化学習の大規模概念実証
AlphaGoとイ・セドルの間の2016年の5ゲーム試合は、Deep Blueが1997年にKasparovを打った以来、最もめだつAIマイルストーンでしたが、技術的にはより重要でした。なぜなら、Goの検索スペースはチェスより非常に大きいからです。
AlphaGoの勝利はゲーム結果以上でした。それは、深い強化学習とモンテカルロ木探索が戦略空間がブルートフォース計算には大きすぎた問題で超人的なパフォーマンスを達成できることを示しました。アプローチは一般化しました。その後のすべて—AlphaZero、AlphaStar、AlphaFold—同じ基本的な枠組みの上に構築されました。
ハサビスはGoを意図的に選びました。チェスはDeep Blueによって解決されました。Goは近期のAIにはあまりにも複雑と見なされました。AlphaGoのターゲットとしてGoを選ぶことは、どの証拠ポイントが最も説得力があり、技術的に最も生成的であるかについての戦略的決定でした。
タイミングも重要でした。試合はライブで放映されました。イ・セドルは歴史上最高のGoプレーヤーの一人です。ゲーム2のMove 37—人間が考えなかったであろう遊び、それはセドルと解説者が最初は間違いだと呼んだが、天才として認識したもの—AI歴史の最も議論された瞬間の1つになりました。劇的な証拠ポイントは偶然ではありませんでした。ハサビスは外部世界への読みやすさが研究プログラムの一部であることを理解していました。
3. AlphaFold（2020-2021）：AIの科学的価値証拠
タンパク質折り畳み問題は以下を尋ねます。アミノ酸配列が与えられると、タンパク質は何つの三次元構造に折り畳まれていますか？答えはタンパク質の生物学的機能を決定します。問題は1970年代から開かれていました。製薬会社は計算的なアプローチに数百万を投資していました。学術研究所は隔年のCASP競争で競争し、限界的な改善は祝われました。
Nature で2021年に発表されたAlphaFold 2は、CASP主催者が科学的革命として説明したレベルでの精度で問題を解決しました。DeepMindは後に2億のタンパク質構造—本質的に既知のタンパク質宇宙全体—の予測を無料でリリースしました。DeepMindは後に2億のタンパク質構造—本質的に既知のタンパク質宇宙全体—の予測を無料でリリースしました。
これは商業製品ではありませんでした。それは科学でした。ハサビスはそれを選びました。なぜなら、それはAIの貢献が正確に測定される問題の種類だったからです（タンパク質構造予測の精度は定義の良いベンチマークです）、明確に発表される（Nature論文）、広く使用される（無料データベースリリース）。2024年ノーベル化学賞は3つすべての結果でした。
オペレーターにとって、AlphaFoldのストーリーは最大の明確さであなたのコア論文を検証する問題を選ぶ方法についてのケーススタディです。ハサビスはAIが人類にとって重要なドメインで科学的進歩を加速できることを証明したいと思っていました。タンパク質折り畳みはその議論をするための最も正確で公的に検証可能な方法でした。
あなたの役割でハサビスは何をするか
CEOであれば、ハサビスからの最も転用可能なレッスンは論文の耐久性です。彼は15年間、同じ組織に対して同じ述べられた目標で実行しています。中間マイルストーンは変わりました。論文は変わりません。ほとんどのリーダーは四半期計画サイクル、投資家の圧力、または競争のダイナミクスに対する市場フィードバックに応じて18ヶ月ごとに会社の方向を更新します。それはしばしば正しい呼び出しです。しかし、四半期の計画サイクルより長い承認地平線が必要な重要な仕事のカテゴリがあります。あなたがそのカテゴリで何かに取り組んでいると信じていれば、あなたはあなたの採用、あなたの投資家ベース、そしてあなたの内部目標設定に明示的に複数年の忍耐のために組織を構築する必要があります。
COOであれば、Google買収の統合はそれを研究する価値があります。ハサビスは独立性を交渉しましたが、独立性は隔離と同じではありません。DeepMindはGoogleの計算インフラストラクチャを使用し続け、その人材ネットワークから利益を得ました。そして最終的にAlphabetの下でGoogleのAI戦略の中心になりました。運用上のレッスンは、より大きな親組織の内部で組織的な文化と研究の方向を維持する方法についてです。重要なメカニズムは、別のリーダーシップチーム、別の研究の議題、別の採用バー、親会社との明確な理解についてです。実践では「独立」が意味したこと。
製品であれば、AlphaFold無料リリースは、かなりの公共利益価値を持つ製品のための興味深いモデルです。ハサビスは2億のタンパク質構造を無料でリリースしました。これは巨大な科学的善意を生成し、タンパク質構造予測の認可されたソースとしてDeepMindを確立し、長期研究信用のために並外れて価値のある引用ベースを生成しました。製品のコンテキストがあります—特に科学的または研究的なアプリケーションを持つエンタープライズソフトウェア内で—コア出力を与えることが無料であり、それの周りのワークフローを収益化する方が、コア賃金で保護するより持続可能な戦略です。
販売またはマーケティングであれば、AlphaGoとAlphaFoldに埋め込まれた証拠ポイント戦略は、複雑な技術的能力のデモンストレーションを構造化する方法についてのレッスンです。両方は、非技術的な聴者に最大限に読みやすいようにされました—放映されたゲーム、ノーベル賞、Nature論文—技術的に専門家の精査を満たすのに十分厳密であり続けながら。あなたが技術的に差別化されているが示すのが難しい製品を売っているなら、あなたが証拠ポイントを設計できるかどうか尋ねてください。チェスマッチのように読みやすく、ピアレビューされた論文のように技術的に厳密です。
Reworkの視点
科学者のCEOハイブリッドを実行することは、同時に2つの時計を保つことを意味します。10年の研究時計。そこで成功はNature論文または解決されたベンチマークであり、そして四半期の運用時計。そこで投資家、パートナー、採用委員会は目に見える進捗を必要とします。Reworkの仕事の管理層は、その分割のために構築されています。長地平の賭けは、スプリントレベルの仕事が資金を供給するのと無関係に、独自のマイルストーン進度を持つ持続可能な目標として追跡されます。これは、AlphaFold型の複数年のプログラムが週次のスタンドアップの下に埋められたり、ロードマップの改組で犠牲にされたりしません。CRMとクロスチーム表示により、研究主導のファウンダーは商業パイプラインの1つの目を保つことができますが、研究組織が製品チームとして見える必要なく。R&D集約的な企業を実行するファウンダーの場合—AIラボ、バイオテック、深いテック—実践的な価値は、ハサビスが習得した証拠ポイント戦略をスレッドする。キャプチャして、読みやすいマイルストーン（発表された結果、ベンチマーク勝利、デザインパートナーケーススタディ）を同じシステム内で追跡します。それらに資金を供給する日中の運用仕事、これにより論文の耐久性は四半期の議論ではなく、運用習慣になります。
注目される引用と教室外のレッスン
2024年のノーベル賞講演で、ハサビスは述べました。「AlphaFoldは、AIを科学で使用する方法についての新しいパラダイムの最初の一見であると私が信じるもので—発見を加速し、科学者が最も難しい問題に取り組むのを助けるためのツール。」そのフレーミング—科学者を置き換えるのではなく科学のためのツールとしてのAI—彼が技術について話す方法を通じて一貫したスレッドです。
彼はまた、コア論文について直接的でした。「AI は人類が今までに開発した最も変革的な技術であると思います—電気やインターネットより深刻です。」彼はこれを製品を誇張するためではなく、研究の動機についての述べとして述べています。これは、DeepMindが一貫して、近期の商業的なアプリケーションではなく、AI内の最も難しい問題を選んできた理由を説明しています。
両方の引用からのリーダーシップのレッスンは、述べられた信念と実際のリソース配置の間の調整についてです。ハサビスはAIは最も重要な技術を構築するために建設されたと述べます。その後、彼は組織のリソースを、最も商業的に即座なもではなく、AIの中で最も難しい問題に配置します。その信念とリソース配置の間の整合性は見ているより珍しいです。ほとんどの組織は何か重要が可能であると言って、その後、そうでなかったかのようにリソースを配置します。
このスタイルが壊れるところ
研究優先モデルには、商業組織内で本当の制限があります。2022-2023の期間内部Googleは派手でした。ChatGPT開始はDeepMindを製品側で予期しなかった、Google Brainとの統合は組織的な摩擦を生成し、Gemini 1の遅い2023年の開始は予想に対して貧しく受け取られました。純粋な研究文化はAlphaFoldを生成し、競争力のある消費者AIを販売するのに必要な製品文化とは異なるペースで移動します。同様の緊張をナビゲートするチーム—真のAI能力を構築しながらビジネス要求に対応するため—AIチーム準備フレームワークはハサビスのモデルとともにレビューする価値があります。
複数十年の忍耐はほとんどのオペレーターへのアクセスできません。ハサビスがDeepMindで維持できる10-15年の論文地平線は、研究プログラムに対して本質的に無限の忍耐を持つ親会社を必要とします。ほとんどの組織はそれを持たないです。そして、ムーンショット枠組みは、研究信用に対して有効ですが、近期の商業的なギャップを、長地平のアプローチの予期されたコストとして扱うことで、マスク能力があります。
デミス・ハサビスのリーダーシップについてのよくある質問
デミス・ハサビスは誰ですか?
デミス・ハサビスはイギリスのAI研究者、チェスの天才、前ビデオゲームデザイナーであり、2010年にDeepMindを共同設立しました。2023年の統合以来Google DeepMindのCEOを務め、AlphaFoldで2024年ノーベル化学賞を共有し、2024年にナイト爵位を授与されました。彼はケンブリッジからのコンピュータサイエンスの学位とUCLからの認知神経科学の博士号を保持しています。
DeepMindは何ですか?
DeepMindはロンドンで2010年にデミス・ハサビス、シェイン・レッグ、ムスタファ・スレイマンによって設立されたAI研究所です。Googleはそれを2014年に約6億5000万ドルで買収しました。研究所は人工一般知能を解決するための明示的な長期のミッション持つと操作し、AlphaGo、AlphaZero、AlphaFold、およびGeminiの家族を含む革新で既知です。
AlphaFoldは何ですか、そしてなぜそれはノーベル賞を勝ち取りましたか?
AlphaFoldはアミノ酸配列からタンパク質の三次元構造を予測する深いラーニングシステムです—生物学者がおよそ50年間働いてきた問題。Nature で2021年に発表されたAlphaFold 2は、ほぼ実験的な精度で問題を解決し、DeepMindは200万のタンパク質構造の無料でリリースされた予測を無料でリリースしました。2024年ノーベル化学賞は、構造生物学と医学発見のための科学的革命としての貢献を認識しました。
ハサビスの「知能解決」ミッションは何ですか?
ハサビスはDeepMindのミッションを一貫して2つのステップでフレーミングしました。「知能を解決し、それからそれを使ってそれ以外を解決します。」論文は一般知能がメタ問題です—一度AIシステムはドメイン全体で理由できます、それはドメインをまたぐことができます。科学、医学、そして気候の仕事で狭いシステムができないを加速させることができます。ミッションは2010年以来DeepMindの述べられた目標であり、単一製品の賭けではなく基本的な研究に向かった研究所のバイアスを説明しています。
DeepMindはOpenAIとどのように異なりますか?
DeepMindは2010年に、神経科学にインスパイアされたAIアプローチを持つ研究所として設立され、Alphabetの内部で操作します。OpenAIは2015年に設立され、非営利からキャップ利益構造にピボットし、遅い2022年のChatGPTで消費者製品への積極的な移動をしました。文化的に、DeepMindは歴史的に発表された研究と科学的なマイルストーンを優先順位付けしたが、OpenAIはスケールでユーザーに前線のモデルを展開することを優先順位付けしました。2023年GoogleブレインとDeepMindの統合はより速い製品サイクルに向かってDeepMindを押すことで間隙を狭めました。
ファウンダーはデミス・ハサビスから何を学ぶことができますか?
トレンド追跡についての論文の耐久性。ハサビスは15年間、同じ述べられた目標に対して同じ組織で実行され、戦術を調整するが基本的なミッションは調整していません。難しく、長い地平の問題に取り組むファウンダーは、彼のプレイブック：第一原理で防御可能な論文を選び、沿って読みやすい証拠ポイントを構造化できます（ベンチマーク勝利、ピアレビューされた論文、公開デモンストレーション）、そして四半期的なもではなく十年の地平に合わせた資本構造と人才ベースを構築します。
