Bahasa Melayu

Gaya Kepemimpinan Demis Hassabis: Taruhan Jangka Panjang, Penyelidikan Dalam

Profil Kepemimpinan Demis Hassabis

Fakta Utama: Demis Hassabis (lahir 1976, London) adalah penyelidik AI Inggeris dan prodigy catur yang mencapai tahap tuan pada umur 13. Dia bersama mengasaskan DeepMind pada 2010, yang Google peroleh pada 2014 untuk kira-kira $650 juta. Makmalnya membina AlphaGo, yang mengalahkan juara dunia Lee Sedol pada 2016, dan AlphaFold, dilepaskan pada 2020, yang menyelesaikan masalah ramalan struktur protein berusia 50 tahun dan memperoleh Hassabis bahagian Hadiah Nobel dalam Kimia 2024. Dia telah berkhidmat sebagai CEO Google DeepMind sejak penyatuan 2023 Google Brain dan DeepMind, dan telah dinobatkan pada 2024.

Doktrin Moonshot Hassabis (Model Selesaikan Intelijen Terlebih Dahulu)

Rangka kerja kepemimpinan di mana organisasi berkomitmen untuk menyelesaikan masalah meta asas — intelijen umum itu sendiri — pada ufuk 10 hingga 20 tahun, menggunakan pencapaian saintifik yang jelas (padanan permainan, kertas Alam, penanda aras gred Nobel) sebagai titik bukti yang mengekalkan pembiayaan institusi dan bakat melalui dekad penyelidikan bukan komersial. Doktrin membalikkan playbook permulaan standard: daripada berulang ke arah kesepadanan pasaran produk, organisasi berulang ke arah kebenaran saintifik, mempercayai bahawa menyelesaikan masalah yang lebih dalam akan menguasai setiap permohonan yang lebih sempit dibina di atasnya.

Apabila Demis Hassabis berumur 13, dia adalah pemain catur tertinggi kedua dalam penarafan dunia di bawah 14, dengan penarafan Elo melebihi 2300. Pada umur 17, dia adalah perancang permainan yang dibayar di Bullfrog Productions, mengkod logik AI untuk Theme Park sementara kebanyakan rakan sebayanya sedang duduk GCSE. Dia pergi ke Cambridge untuk sains komputer, kemudian menghabiskan beberapa tahun dalam industri permainan, kemudian mendapat PhD dalam neurosains kognitif daripada UCL pada umur 36. Kemudian dia bersama mengasaskan DeepMind pada 2010, menjualnya kepada Google untuk kira-kira $500M pada 2014, mengekalkan kebebasan yang mencukupi untuk menjalankan makmal penyelidikan jangka panjang di dalam syarikat $1.7T, dan memenangkan bahagian Hadiah Nobel dalam Kimia 2024 untuk algoritma lipatan protein.

Setiap bab membiayai seterusnya. Catur memberinya pengiktirafan corak dan temperamen kompetitif. Reka bentuk permainan memberinya pemikiran sistem dan pemahaman praktikal tentang tingkah laku AI. Neurosains memberinya rangka kerja teori yang menjadi tesis pengasasan DeepMind: intelijen adalah masalah meta, dan neurosains adalah panduan untuk menyelesaikannya.

Tesis itu, dipegang secara konsisten selama 15 tahun, adalah apa yang memisahkan Hassabis daripada kebanyakan pemimpin teknologi. Dia belum berputar. Dia telah melaksanakan taruhan jangka panjang yang sama sejak 2010.

Pecahan Gaya Kepemimpinan

Gaya Berat Bagaimana ia ditunjukkan
Penyelidik Dalam 65% Hassabis membina DeepMind sebagai organisasi penyelidikan terlebih dahulu dan organisasi produk kedua. Keputusan tentang apa yang akan dikerjakan didorong oleh keambisian saintifik — apa masalah paling sukar dalam AI, dan mana yang akan memberitahu kami paling banyak tentang sifat intelijen jika kami menyelesaikannya? AlphaGo bukan taruhan produk. Ia adalah demonstrasi penyelidikan. AlphaFold bukan permainan komersial. Ia adalah percubaan untuk menyelesaikan masalah saintifik berusia 50 tahun. Berat penyelidikan 65% adalah alasan DeepMind telah menghasilkan hasil saintifik yang tidak seimbang berbanding dengan jumlah kepala beliau.
Arkitek Moonshot 35% 35% itu adalah apa yang menjadikan berat penyelidikan berkelanjutan di dalam organisasi komersial. Hassabis menstrukturkan kerja DeepMind supaya taruhan penyelidikan besar mempunyai titik bukti yang jelas dan profil tinggi — padanan AlphaGo terhadap Lee Sedol ditonton oleh 280 juta orang, struktur protein AlphaFold digunakan oleh jutaan penyelidik dalam tahun pelepasan. Lapisan arkitek moonshot adalah apa yang terus membiayai Google makmal melalui tahun-tahun apabila aplikasi komersial tidak jelas.

Kombinasi itu sukar untuk dipertahankan. Makmal penyelidikan tulen tanpa kerangka moonshot kehilangan sokongan dalaman. Organisasi produk tulen tanpa kedalaman penyelidikan tidak menjana terobosan. Hassabis telah memegang kedua-duanya lebih lama daripada kebanyakan pemimpin mengekalkan sama ada satu.

Sifat-Sifat Kepemimpinan Utama

Sifat Penilaian Apa maksudnya dalam amalan
Kesabaran Berbilang Dekad Sangat Tinggi Hassabis mengasaskan DeepMind pada 2010 dengan tujuan jelas untuk menyelesaikan intelijen umum buatan. AGI belum diselesaikan. Dia masih bekerja padanya. Sementara itu, makmal telah menghasilkan AlphaGo, AlphaFold, AlphaStar, Gemini, dan rentetan kertas Alam yang membentuk semula pelbagai bidang saintifik. Output itu selama 15 tahun adalah mungkin kerana dia tidak mengubah tujuan apabila ia tidak dicapai pada pelan waktu yang mudah.
Sintesis Domain Silang Sangat Tinggi Tesis AI yang terinspirasi neurosains adalah sumbangan intelektual sebenar, bukan sudut pemasaran. Kerja DeepMind pada memori, perhatian, dan sistem ganjaran menarik terus daripada penyelidikan neurosains kognitif dalam cara yang menghasilkan pendekatan yang berbeza secara teknikal — Rangkaian Q Dalam yang belajar untuk bermain permainan Atari daripada piksel menggunakan mekanisme yang terinspirasi hippocampus dan basal ganglia. Hassabis dapat membuat sambungan itu kerana dia mempunyai kedalaman tulen dalam kedua-dua bidang, bukan hanya kebiasaan.
Kebebasan Institusi Tinggi Menjual kepada Google pada 2014 tanpa kehilangan budaya penyelidikan adalah pencapaian kepemimpinan tulen. Kebanyakan pemerolehan pada skala itu menghasilkan organisasi yang diperolehi yang diserap dan dialihkan ke arah keutamaan komersial pemeroleh. Hassabis merundingkan kebebasan yang mencukupi bahawa DeepMind terus menerbitkan penyelidikan asas, mengejar masalah bukan komersial, dan beroperasi dengan piawaian pengambilan sendiri selama hampir satu dekad pasca-pemerolehan. Rundingan itu berlaku dengan organisasi Sundar Pichai — dan ketegangan antara kebebasan penyelidikan DeepMind dan urgensi produk Google menjadi pendefinisian selepas momen ChatGPT. Kebebasan itu terhakis selepas penyusunan semula 2023, tetapi bertahan 9 tahun pasca-pemerolehan dengan budaya penyelidikan utuh adalah luar biasa.
Bias Terhadap Masalah Sukar Tinggi Apabila DeepMind memutuskan untuk mengatasi lipatan protein, masalah telah terbuka selama 50 tahun dan telah mengalahkan percubaan yang dibiayai baik oleh syarikat farmaseutikal dan makmal akademik selama puluhan tahun. Pengiraan nilai yang dijangka pada percubaan itu tidak jelas. Hassabis memilihnya sebahagiannya kerana kepentingan saintifiknya dan sebahagiannya kerana ia adalah jenis masalah yang, jika diselesaikan, akan membuktikan sesuatu yang asas tentang apa yang dapat dilakukan AI. Bias itu terhadap sukar-dan-penting daripada mudah-dan-bernilai adalah corak yang konsisten di seluruh agenda penyelidikan DeepMind.

3 Keputusan yang Menentukan Hassabis

1. Mengasaskan DeepMind pada Tesis AGI-untuk-Sains (2010)

Pada 2010, "intelijen umum buatan" sebagai tujuan penyelidikan tidak diambil dengan serius oleh sains komputer arus perdana. Bidang telah melalui dua musim dingin AI dan didominasi oleh aplikasi sempit — penglihatan komputer di sini, pemprosesan bahasa semula jadi di sana, setiap masalah diselesaikan dengan teknik menyesuaikan diri.

Hassabis bersama mengasaskan DeepMind dengan Shane Legg dan Mustafa Suleyman berdasarkan premis bahawa intelijen itu sendiri adalah perkara yang perlu diselesaikan, dan bahawa menyelesaikannya akan membuat semua masalah saintifik yang lain dapat ditarik. Itu adalah klaim yang lebih besar daripada "kami akan membina klasifikasi imej yang lebih baik."

Tesis itu berakar dalam neurosains dalam cara tertentu: Hassabis percaya bahawa mengkaji cara otak manusia mencapai intelijen umum adalah laluan paling langsung untuk membina intelijen umum buatan. Itu bukan kedudukan biasa pada 2010. Ia adalah pandangan minoriti yang dapat dipertahankan secara intelektual yang dipegang dengan keyakinan yang luar biasa.

Apa yang menjadikan ini keputusan kepemimpinan daripada hanya agenda penyelidikan adalah bahawa Hassabis membina organisasi di sekitar tesis yang mengambil lebih daripada satu dekad untuk menghasilkan hasil komersial yang jelas dapat dibaca. Itu memerlukan jenis tarikan bakat dan pengekalan tertentu — anda memerlukan orang yang dimotivasi oleh tesis, bukan hanya gaji atau pelan alat penyelidikan jangka dekat.

2. AlphaGo (2016): Bukti Konsep untuk Pembelajaran Penguatan pada Skala

Padanan lima permainan antara AlphaGo dan Lee Sedol pada 2016 adalah pencapaian AI paling kelihatan tunggal sejak Deep Blue mengalahkan Kasparov pada 1997 — dan ia adalah lebih ketara secara teknikal kerana ruang carian Go adalah jauh lebih besar daripada catur.

Kemenangan AlphaGo bukan hanya hasil permainan. Ia adalah demonstrasi bahawa pembelajaran penguatan dalam digabungkan dengan carian pokok Monte Carlo dapat mencapai prestasi manusia super pada masalah di mana ruang strategi terlalu besar untuk pengiraan bekesan. Pendekatan itu digeneralisasi. Segala yang datang selepas — AlphaZero, AlphaStar, AlphaFold — dibina atas rangka kerja asas yang sama.

Hassabis memilih Go dengan disengajakan. Catur telah diselesaikan oleh Deep Blue. Go dianggap terlalu kompleks untuk AI jangka dekat. Memilih Go sebagai sasaran untuk AlphaGo adalah keputusan strategis tentang titik bukti mana yang paling meyakinkan dan paling menghasilkan secara teknikal.

Masa juga penting. Padanan itu disiarkan secara langsung. Lee Sedol adalah salah satu pemain Go terbaik dalam sejarah. Langkah 37 dalam Permainan 2 — permainan yang tidak akan dipertimbangkan oleh manusia, yang Sedol dan pengulas pada mulanya dipanggil kesilapan sebelum mengiktiraf sebagai genius — menjadi salah satu momen paling dibincangkan dalam sejarah AI. Titik bukti teater bukan tidak sengaja. Hassabis memahami bahawa keterbacaan kepada dunia luar adalah bahagian daripada program penyelidikan.

3. AlphaFold (2020-2021): Bukti Sains tentang Nilai untuk AI

Masalah lipatan protein bertanya: diberi urutan asid amino, apakah struktur tiga dimensi yang dilipat protein? Jawapan menentukan fungsi biologi protein. Masalah telah terbuka sejak 1970-an. Syarikat farmaseutikal telah melabur ratusan juta dalam pendekatan pengiraan. Makmal akademik bersaing dalam pertandingan CASP dua tahunan, di mana penambahan marginal dirayakan.

AlphaFold 2, diterbitkan dalam Alam pada 2021, menyelesaikan masalah pada tahap ketepatan yang pengorganisir CASP huraikan sebagai revolusi saintifik. DeepMind kemudian melepaskan ramalan untuk 200 juta struktur protein — pada dasarnya seluruh alam semesta protein yang diketahui — secara percuma. DeepMind kemudian melepaskan ramalan untuk 200 juta struktur protein — pada dasarnya seluruh alam semesta protein yang diketahui — secara percuma.

Ini bukanlah produk komersial. Ia adalah sains. Hassabis memilihnya kerana ia adalah jenis masalah di mana sumbangan AI boleh diukur dengan tepat (ketepatan ramalan struktur protein adalah penanda aras yang ditentukan dengan baik), diumumkan dengan jelas (kertas Alam), dan digunakan secara meluas (pelepasan pangkalan data percuma). Hadiah Nobel dalam Kimia 2024 adalah akibat ketiga-tiganya.

Untuk pengendali, cerita AlphaFold adalah kajian kes tentang cara memilih masalah yang mengesahkan tesis inti anda dengan jelas maksimum. Hassabis ingin membuktikan bahawa AI dapat mempercepatkan kemajuan saintifik dalam domain yang penting kepada kemanusiaan. Lipatan protein adalah cara paling tepat dan dapat disahkan secara terbuka untuk membuat hujah itu.

Apa Hassabis Akan Lakukan dalam Peranan Anda

Jika anda seorang CEO, pelajaran paling boleh dipindahkan daripada Hassabis adalah ketahanan tesis. Dia telah menjalankan organisasi yang sama terhadap tujuan yang dinyatakan sama selama 15 tahun. Pencapaian antara berubah. Tesis tidak. Kebanyakan pemimpin mengemas kini arah syarikat mereka setiap 18 bulan sebagai tindak balas kepada maklum balas pasaran, tekanan pelabur, atau dinamik kompetitif. Itu sering panggilan yang tepat. Tetapi ada kategori kerja penting yang memerlukan ufuk komitmen lebih lama daripada kitaran perancangan suku tahunan membenarkan. Jika anda percaya anda bekerja pada sesuatu dalam kategori itu, anda perlu membina organisasi anda dengan eksplisit untuk kesabaran multi-tahun — dalam pengambilan anda, asas pelabur anda, dan penetapan matlamat dalaman anda.

Jika anda seorang COO, integrasi pemerolehan Google adalah bernilai mengkaji. Hassabis merundingkan kebebasan, tetapi kebebasan tidak sama dengan pengasingan. DeepMind terus menggunakan infrastruktur pengiraan Google, mendapat manfaat daripada rangkaian bakatnya, dan akhirnya menjadi pusat kepada strategi AI Google di bawah Alphabet. Pelajaran operasi adalah tentang cara mengekalkan budaya organisasi dan arah penyelidikan di dalam organisasi induk yang jauh lebih besar. Mekanisme kunci adalah: pasukan kepemimpinan terpisah, agenda penyelidikan terpisah, piawaian pengambilan terpisah, dan pemahaman yang jelas dengan organisasi induk tentang apa yang "kebebasan" bermakna dalam amalan.

Jika anda dalam produk, pelepasan AlphaFold percuma adalah model menarik untuk produk dengan nilai manfaat awam yang ketara. Hassabis melepaskan 200 juta struktur protein secara percuma, yang menghasilkan niat baik saintifik yang luar biasa, menetapkan DeepMind sebagai sumber pihak berkuasa tentang ramalan struktur protein, dan menghasilkan asas sitasi yang sangat berharga untuk kredibiliti penyelidikan jangka panjang. Ada konteks produk — terutamanya dalam perisian perusahaan dengan aplikasi saintifik atau penyelidikan — di mana memberi keluaran inti dan mengewap aliran kerja di sekelilingnya adalah strategi yang lebih tahan daripada membayar dinding inti.

Jika anda dalam jualan atau pemasaran, strategi titik bukti tertanam dalam AlphaGo dan AlphaFold adalah pelajaran tentang cara menstrukturkan demonstrasi keupayaan teknikal yang kompleks. Kedua-duanya dirancang untuk dapat dibaca secara maksimum kepada penonton bukan teknikal — permainan siaran, hadiah Nobel, kertas Alam — sambil menjadi cukup ketat secara teknikal untuk memuaskan penelitian pakar. Jika anda menjual produk yang berbeda secara teknikal tetapi sukar untuk ditunjukkan, tanyakan sama ada anda boleh merancang titik bukti yang dapat dibaca seperti padanan catur dan seakar ketat secara teknikal seperti kertas yang disemak sebaya.

Bagaimana Rework Menyokong Model Hassabis

Menjalankan hibrid CEO saintis bermakna memegang dua jam pada satu masa: jam penyelidikan 10 tahun di mana kejayaan adalah kertas Alam atau penanda aras yang diselesaikan, dan jam operasi suku tahunan di mana pelabur, mitra, dan jawatankuasa pengambilan memerlukan kemajuan yang kelihatan. Lapisan pengurusan kerja Rework dibina untuk pemisahan itu. Taruhan ufuk panjang dikesan sebagai objektif tahan dengan kadensnya sendiri pencapaian, bebas daripada kerja peringkat sprint yang membiayainya, jadi program AlphaFold gaya multi-tahun tidak tertanam di bawah standup mingguan atau dikorbankan dalam perubahan pelan alat. Pandangan CRM dan lintas pasukan membenarkan pengasas yang dipimpin penyelidikan menyimpan satu mata pada saluran komersial tanpa memaksa organisasi penyelidikan untuk cosplay sebagai pasukan produk. Untuk pengasas menjalankan syarikat berat R&D — makmal AI, biotech, teknologi dalam — nilai praktikal adalah benang strategi titik bukti Hassabis mastered: menangkap pencapaian yang dapat dibaca (hasil terbitan, kemenangan penanda aras, kajian kes reka bentuk mitra) di dalam sistem yang sama yang melacak kerja operasi hari demi hari pembiayaan mereka, supaya ketahanan tesis menjadi kebiasaan operasi daripada hujah suku tahunan.

Petikan Terkenal & Pelajaran Seterusnya di Sebalik Dewan Pengarah

Dalam kuliah Hadiah Nobel 2024 beliau, Hassabis berkata: "AlphaFold adalah pandangan pertama kali tentang apa yang saya percaya akan menjadi paradigma baharu tentang cara kami menggunakan AI dalam sains — sebagai alat untuk mempercepatkan penemuan dan membantu saintis mengatasi masalah paling sukar." Kerangka itu — AI sebagai alat untuk sains daripada sebagai pengganti untuk saintis — adalah benang yang konsisten tentang cara dia bercakap tentang teknologi.

Dia juga telah langsung tentang tesis inti: "Saya fikir AI adalah teknologi paling transformatif yang telah dibangunkan manusia — lebih mendalam daripada elektrik atau internet." Dia mengatakan ini bukan untuk hype produk tetapi sebagai pernyataan motivasi penyelidikan. Ia menjelaskan mengapa DeepMind secara konsisten telah memilih masalah sukar, ufuk panjang daripada aplikasi komersial yang paling berdekat.

Pelajaran kepemimpinan daripada kedua-dua petikan adalah tentang penjajaran antara kepercayaan yang dinyatakan dan peruntukan sumber sebenar. Hassabis berkata AI adalah teknologi paling penting yang pernah dibina dan kemudian memperuntukkan sumber organisasi beliau kepada masalah paling sukar dalam AI, bukan yang paling segera secara komersial. Konsistensi itu antara kepercayaan dan peruntukan sumber adalah lebih jarang daripada kelihatannya. Kebanyakan organisasi berkata mereka percaya sesuatu penting adalah mungkin dan kemudian memperuntukkan sumber seolah-olah mereka tidak.

Tempat Gaya Ini Pecah

Model penyelidikan pertama mempunyai had sebenar di dalam organisasi komersial. Tempoh 2022-2023 di dalam Google adalah penuh perselisihan: peluncuran ChatGPT menangkap DeepMind tidak bersedia di sisi produk, integrasi dengan Google Brain menghasilkan geseran organisasi, dan peluncuran Gemini 1 pada akhir 2023 diterima dengan buruk berbanding jangkaan. Budaya penyelidikan tulen yang menghasilkan AlphaFold bergerak pada kadar yang berbeza daripada budaya produk yang diperlukan untuk kapal AI pengguna yang kompetitif. Untuk pasukan menavigasi ketegangan serupa — membina keupayaan AI yang serius sambil bertindak balas kepada permintaan perniagaan — rangka kerja kesediaan pasukan AI yang dibangunkan sebagai tindak balas kepada gelombang ini adalah bernilai menyemak bersama model Hassabis.

Kesabaran berbilang dekad tidak dapat diakses oleh kebanyakan pengendali. Ufuk tesis 10 hingga 15 tahun yang dapat dikekalkan Hassabis di DeepMind memerlukan syarikat induk dengan kesabaran pada dasarnya tanpa batas untuk program penyelidikan. Kebanyakan organisasi tidak mempunyai itu. Dan kerangka moonshot, walaupun berkesan untuk kredibiliti penyelidikan, boleh menutupi jurang komersial jangka dekat tulen dengan memperlakukannya sebagai kos yang dijangkakan pendekatan ufuk panjang.

Ketahui Lebih Lanjut