Exklusivinterview mit dem Gründer von DeepMind: Wie analysiert Demis Hassabis die KI-Strategie von Google – von der Verspottung als Rückständig bis zur Nobelpreisauszeichnung?

In den vergangenen Jahren sind große Sprachmodelle fast zum Synonym für KI geworden. Von ChatGPT über Gemini, das von Google DeepMind entwickelt wurde, von Claude, das von Anthropic entwickelt wurde, bis hin zu Chinas DeepSeek wird vor allem über Chatbots, Schlussfolgerungsfähigkeiten und die Generierung von Inhalten gesprochen. Aber wenn man Demis Hassabis (im Folgenden „Hassabis“), CEO von Google DeepMind und Gewinner des Nobelpreises für Chemie 2024, fragt, wie eine KI aussehen sollte, die die Welt wirklich verändern kann, bleibt seine Antwort immer gleich.

In einem kürzlichen Interview zwischen Hassabis und der Technikjournalistin Cleo Abram betonte er den Wert, den er für den wichtigsten Aspekt der KI hält: Nicht mehr Inhalte zu generieren, sondern Menschen dabei zu helfen, die Welt zu verstehen, wissenschaftliche Entdeckungen zu beschleunigen und schließlich Probleme wie Krebs, neue Materialien und neue Energien zu lösen.

Vor mehr als 30 Jahren begann er seine Karriere in der KI-Branche mit dieser ursprünglichen Absicht. Er war schon immer an wissenschaftlichen Fragen wie „Was ist Bewusstsein?“ und „Wie funktioniert die Welt?“ interessiert, und KI ist seiner Meinung nach das ultimative Werkzeug, das Wissenschaftlern dabei hilft, riesige Informationsmengen zu verarbeiten und Muster zu erkennen. Daher hofft er mehr darauf, dass KI in Labore eindringt und Menschen dabei hilft, Probleme zu lösen, die den Verlauf der Zivilisation beeinflussen, als einen immer klügeren Chatbot zu entwickeln.

Allerdings ist Google im Wettbewerb um große Sprachmodelle tatsächlich im Nachteil, daher erwähnte er im Interview auch die Schwierigkeiten, mit denen er als Leiter von Googles KI-Abteilung konfrontiert ist, sowie den enormen Wert von Konkurrenten wie ChatGPT, den er sieht.

Die „Mission“ des Nobelpreisprodukts,

KI ins Labor bringen

AlphaGo machte der ganzen Welt erstmals bewusst, dass KI den Go-Champion besiegen kann, aber das, was DeepMind tatsächlich den Nobelpreis einbrachte, war AlphaFold: Es löste ein Problem, das die Biologie mehr als ein halbes Jahrhundert lang beschäftigt hatte – die Proteinfaltung.

Hassabis stieß zum ersten Mal auf dieses Problem, als er sein Grundstudium an der Universität Cambridge absolvierte. Damals waren viele seiner Biologie-Studentenkollegen von einem schwierigen Problem besessen, das als „Fermats letztes Theorem der Biologie“ bezeichnet wird: Kann man allein anhand der eindimensionalen Aminosäuresequenz eines Proteins genau vorhersagen, welche dreidimensionale Struktur es letztendlich falten wird?

Dieses Problem ist so wichtig, weil Proteine an fast allen Lebensvorgängen des menschlichen Körpers beteiligt sind. Die tatsächliche Funktion eines Proteins hängt nicht davon ab, aus welchen Aminosäuren es besteht, sondern von der räumlichen Struktur, die es nach der Faltung einnimmt. Unterschiedliche Strukturen bedeuten völlig unterschiedliche Funktionen. Wenn die Faltung fehlschlägt, kann dies zu verschiedenen Krankheiten wie Krebs, Alzheimer und Parkinson führen.

In den vergangenen Jahrzehnten war es jedoch nur mit experimentellen Methoden wie Röntgenkristallographie und Kryo-Elektronenmikroskopie möglich, die dreidimensionale Struktur eines Proteins zu erhalten. Forscher mussten oft Jahre und Hunderttausende von Dollar investieren, um eine einzige Proteinstruktur aufzuklären. Gleichzeitig entwickelte sich die menschliche Genomsequenzierungstechnologie immer schneller, jedes Jahr wurden zahlreiche neue Proteinsequenzen entdeckt, und die Geschwindigkeit der experimentellen Aufklärung konnte mit dem Datenwachstum nicht Schritt halten.

Hassabis erkannte schon früh, dass dies genau das Problem ist, bei dem KI ihre Stärken ausspielt. Die Proteinfaltung ist im Wesentlichen ein riesiges Mustererkennungsproblem, und KI ist das effektivste Werkzeug, um komplexe Muster zu finden. Aber Ende der 1990er Jahre war KI noch lange nicht so leistungsfähig wie heute, also musste er diese Idee vorübergehend zurückstellen.

Nach der Gründung von DeepMind ergab sich endlich die Gelegenheit. AlphaFold konnte nicht nur Proteinstrukturen vorhersagen, sondern tat dies auch mit erstaunlicher Geschwindigkeit.

Aber Hassabis hatte große Ziele. Er setzte sich über alle Bedenken hinweg, um Wissenschaftlern nicht nur eine Lösung für das Problem zu liefern, sondern das Problem vollständig zu lösen. In seiner Autobiographie schrieb er: „Um große Errungenschaften zu erzielen, braucht es ein gewisses Maß an Unpraktikabilität.“

In seinem Gespräch mit der Technikjournalistin Cleo Abram erinnerte sich Hassabis an ein interessantes Detail: Alle waren nach der üblichen Branchenpraxis bereit, einen Online-Server einzurichten, auf dem Wissenschaftler aus der ganzen Welt Proteinsequenzen einreichen konnten, die das System dann nacheinander berechnete und zurückgab. Dies war in den vergangenen mehr als 40 Jahren das übliche Modell im Bereich der Proteinvorhersage, da eine einzelne Vorhersage oft mehrere Tage dauerte.

Aber in einer internen Sitzung nahm er plötzlich sein Handy und rechnete nach: Wenn AlphaFold alle 10 Sekunden eine Proteinvorhersage abschließen kann, wie lange würde es dann dauern, alle etwa 200 Millionen bekannten natürlichen Proteine der Welt zu berechnen?

Die Antwort war: Nur etwa ein Jahr.

Er beschloss, nicht darauf zu warten, dass Wissenschaftler einzeln Anträge stellen, sondern alle bekannten Proteine der Welt direkt zu berechnen und kostenlos zugänglich zu machen.

Diese scheinbar verrückte Entscheidung wurde schnell zum Ziel seines Teams. DeepMind arbeitete mit dem Europäischen Institut für Bioinformatik zusammen, um die AlphaFold-Datenbank zu erstellen, die die Vorhersageergebnisse weltweit kostenlos zugänglich machte. Später wurde diese Datenbank ständig erweitert und deckt heute fast alle bekannten Proteinstrukturen in der Wissenschaft ab, die mit neuen Genomsequenzierungsergebnissen ständig aktualisiert werden. Für jeden Forscher reicht es, den Namen eines Proteins einzugeben, um sofort Daten zu erhalten, für die früher Jahre experimenteller Arbeit nötig waren.

Hassabis hat die Proteinforschung in das „Zeitalter der Suche“ geführt. Weltweit nutzen bereits mehr als 3 Millionen Wissenschaftler AlphaFold. Ein Wissenschaftler eines Pharmaunternehmens sagte Hassabis einmal, dass er davon ausgeht, dass fast jedes neue Medikament in Zukunft im Entwicklungsprozess auf AlphaFold zurückgreifen wird.

Tatsächlich verändert AlphaFold nicht nur die Medizin. Hassabis erwähnte ein oft übersehenes Gebiet: die Pflanzenwissenschaften.

Im Vergleich zu Tieren haben viele Pflanzen komplexere Genome, aber aufgrund begrenzter Forschungsgelder haben Botaniker oft nicht genügend Ressourcen, um Proteinstrukturen aufzuklären. Dank AlphaFold können Botaniker nun mehr Zeit darauf verwenden, Probleme wie die Verbesserung der Krankheitsresistenz von Kulturpflanzen, die Erhöhung ihrer Dürretoleranz und die Anpassung der Landwirtschaft an den Klimawandel zu lösen.

Eine weitere Gruppe von Nutznießern von AlphaFold sind Forscher, die sich seit langem vernachlässigten Krankheiten widmen. Krankheiten wie Malaria, Chagas und Leishmaniose treten hauptsächlich in Entwicklungsländern auf, und aufgrund geringer kommerzieller Erträge investieren große Pharmaunternehmen relativ wenig in ihre Erforschung. Nachdem AlphaFold die entsprechenden Proteinstrukturen kostenlos zugänglich gemacht hat, können ressourcenbeschränkte gemeinnützige Forschungsinstitute direkt in die Phase der Arzneimittelscreening eintreten, was die Kosten der Voruntersuchungen erheblich senkt.

Unter all diesen Erfolgen ist Hassabis‘ Lieblingsbeispiel der Kernporenkomplex. Er ist einer der größten Proteinkomplexe im menschlichen Körper und das „Haupttor“ für den Informationsaustausch zwischen Zellkern und Zytoplasma. Aufgrund seiner riesigen Größe und komplexen Struktur konnten Wissenschaftler seine dreidimensionale Struktur jahrzehntelang nicht vollständig aufklären. Weniger als ein Jahr nach der Veröffentlichung von AlphaFold rekonstruierte ein Forschungsteam anhand der experimentellen Vorhersageergebnisse erfolgreich die vollständige Struktur dieses riesigen Proteinkomplexes und schuf so eine wichtige Grundlage für das Verständnis des zellulären Stofftransportmechanismus.

Heute spricht Hassabis selbstsicher vor den Medien, aber er ist auch der Meinung, dass AlphaFold nur der erste Schritt in der Arzneimittelentwicklung ist.

Zu wissen, wie ein Protein aussieht, bedeutet nicht, dass ein Medikament bereits entstanden ist. Die eigentliche Schwierigkeit besteht darin, eine chemische Substanz zu finden, die sich genau an das Zielprotein bindet, ohne die anderen mehr als 20.000 Proteine im menschlichen Körper zu beeinflussen, um Nebenwirkungen so weit wie möglich zu reduzieren.

Daher gründete Googles Muttergesellschaft Alphabet später Isomorphic Labs, um AlphaFold von der „Vorhersage von Proteinen“ weiter zur „Entwicklung von Medikamenten“ voranzubringen.

Das neue KI-System kann nicht nur Proteinstrukturen vorhersagen, sondern auch potenzielle Wirkstoffe entwerfen, ihre Bindung an das Zielprotein simulieren und gleichzeitig prüfen, ob sie versehentlich an andere Proteine binden und Nebenwirkungen verursachen – was Hassabis als den Bereich ansieht, in den es sich am meisten lohnt, in KI zu investieren.

Die Reflexion des Leiters von Googles KI-Abteilung:

Ist Google zurückgefallen?

AlphaFold zeigt die ideale Form von KI, die Hassabis vorschwebt, aber das Erscheinen von ChatGPT hat auch seinen Arbeitsschwerpunkt vollständig verändert.

Google kann den Erfolg und den globalen Einfluss von ChatGPT nicht völlig ignorieren.

Tatsächlich wollte Google schon sehr früh einen Chatbot entwickeln. DeepMind und Google Research haben schon lange an ähnlichen großen Sprachmodellen geforscht, und Google veröffentlichte 2017 das Papier „Attention Is All You Need“, in dem die berühmte Transformer-Architektur vorgestellt wurde. Transformer ist die technische Grundlage aller heutigen großen Sprachmodelle, und alle großen Sprachmodelle wie ChatGPT, Gemini, Claude und DeepSeek bauen auf dem Transformer-Framework auf.

ChatGPT und Claude stehen oft im Rampenlicht, während über Googles Gemini kaum gesprochen wird. In diesem Wettbewerb wirkt Google wie jemand, der ständig danebengreift – es ist ihm nicht gelungen, ein anwendungsorientiertes großes Sprachmodell mit dem Einfluss von ChatGPT zu entwickeln.

Hassabis gab im Interview offen zu, dass viele Labore, darunter auch Google, damals die Akzeptanz der Nutzer für KI unterschätzt hatten. Der Grund ist einfach: Die Menschen, die direkt in der Forschung arbeiten, sehen mehr die Mängel des Modells.

Forscher befürchteten, dass KI ernsthaft unsinnige Dinge erzählen würde, die logische Schlussfolgerung instabil wäre und die Richtigkeit der Fakten nicht garantiert werden könnte. Aber normale Nutzer nutzen KI nicht so. Sie lassen KI Dokumente zusammenfassen, Protokolle von Besprechungen erstellen, E-Mails schreiben und Wissen vermitteln. Selbst wenn das Modell gelegentlich Fehler macht, ist dies „hinnehmbar“.

Hassabis gab offen zu, dass er nach seiner ursprünglichen Vorstellung lieber gesehen hätte, dass KI länger im Labor verbleibt, sich auf eine vorsichtigere und wissenschaftlichere Weise schrittweise entwickelt und dann erst an die Öffentlichkeit tritt.

Aber der Boom von ChatGPT hat die gesamte KI-Branche in eine neue Wettbewerbsphase geführt. Hassabis ist nicht nur Wissenschaftler, sondern auch Leiter eines großen Technologieunternehmens. Er muss gleichzeitig Grundlagenforschung wie AlphaFold und Gemini vorantreiben und sich dem Wettbewerbsdruck von Google im Bereich der verbraucherorientierten KI-Produkte stellen.

Hassabis zufolge ist dieser Wettbewerb nicht nur schlecht. Der Vorteil ist, dass KI sich in einem noch nie dagewesenen Tempo verbreitet. Früher mussten normale Menschen oft Jahre warten, um die modernsten Technologien aus den Laboren nutzen zu können; heute liegt die Lücke zwischen Produkten wie ChatGPT und Gemini, die die Öffent