Metà del Premio Nobel per la chimica del 2024 è stata assegnata a David Baker（David Baker），“in riconoscimento dei contributi alla progettazione computazionale delle proteine”; l'altra metà è stata invece assegnata congiuntamente a Demis Hassabis（Demis Hassabis） e John M. Jumper（John M. Jumper），“in riconoscimento dei loro risultati nella previsione della struttura delle proteine”.
David Baker è il direttore dell’Istituto per la Progettazione delle Proteine dell’Università di Washington ed è considerato un pioniere della progettazione proteica. A partire dal 2003, ha progettato con successo diverse proteine innovative completamente nuove, tra cui Top7, ampiamente utilizzate in farmaci, vaccini, nanomateriali, microsensori e altri ambiti. Già nel 1999 aveva inoltre proposto RoseTTA, un algoritmo per la previsione della struttura delle proteine, prima di AlphaFold di Deepmind.
Gli altri due premiati sono ancora più familiari. Demis Hassabis è cofondatore e CEO di Google DeepMind, mentre John M. Jumper è attualmente direttore di Google DeepMind.I due hanno guidato il team nello sviluppo del modello AI AlphaFold 2, risolvendo un problema che affliggeva la comunità scientifica da 50 anni: prevedere la complessa struttura delle proteine a partire dalla sequenza di amminoacidi.
Le proteine sono gli strumenti chimici fondamentali della vita: controllano e promuovono tutte le reazioni biochimiche e svolgono ruoli essenziali come ormoni, sostanze di segnalazione, anticorpi e componenti dei tessuti. Nelle proteine, gli amminoacidi sono collegati in lunghe catene che si ripiegano in strutture tridimensionali. Fin dagli anni 70 del secolo scorso, i ricercatori hanno cercato di prevedere la struttura delle proteine a partire dalla sequenza degli amminoacidi, ma i progressi sono stati purtroppo lenti, fino alla sorprendente svolta introdotta da DeepMind quattro anni fa.
Nel 2020, Demis Hassabis e John Jumper hanno sviluppato AlphaFold 2 a partire dalla prima versione di AlphaFold. È in grado di prevedere la struttura di quasi tutte le 2 centinaia di milioni di proteine identificate dai ricercatori. Finora è stato citato oltre 2 decine di migliaia di volte ed è stato usato da più di 200 decine di migliaia di persone provenienti da 190 paesi, contribuendo a enormi progressi in ambiti quali i vaccini contro la malaria, le terapie oncologiche, la progettazione di enzimi e la ricerca sulla resistenza agli antibiotici. In realtà, prima del Nobel, lo scorso anno i due avevano già ricevuto il Breakthrough Prize in scienze della vita, noto come gli “Oscar della scienza”, e il premio Lasker, considerato un “indicatore dei futuri Nobel”, per il loro straordinario contributo alla ricerca medica di base.
L’Accademia reale svedese delle scienze ha dichiarato in un comunicato: “Senza proteine, la vita non potrebbe esistere. Oggi siamo in grado di prevedere la struttura delle proteine e di progettarne di nostre, e questo apporta enormi benefici all’umanità.”
Appresa la notizia del premio, Google DeepMind ha subito pubblicato un messaggio ufficiale per “annunciare la lieta notizia”.
Anche Demis Hassabis ha rilasciato una dichiarazione:
“Ricevere il premio Nobel è l'onore di una vita. Ringrazio l'Accademia reale svedese delle scienze, John Jumper e il team di AlphaFold, i più ampi team di DeepMind e Google e tutti i colleghi che hanno contribuito a questo momento. Ho dedicato la mia carriera al progresso dell'AI, perché possiede un potenziale senza pari per migliorare la vita di miliardi di persone. AlphaFold è già stato utilizzato da oltre 200 decine di migliaia di ricercatori per far progredire lavori fondamentali, dalla progettazione di enzimi alla scoperta di farmaci. Spero che in futuro potremo considerare AlphaFold la prima dimostrazione concreta dell'enorme potenziale dell'AI nell'accelerare le scoperte scientifiche.”
John Jumper ha subito dichiarato: “Questa è una prova importante del fatto che l'IA può accelerare la ricerca scientifica e, in ultima analisi, aiutare a comprendere le malattie e a sviluppare trattamenti. Il merito di questo lavoro va all'eccellente team di Google DeepMind, e questo premio riconosce anche il loro straordinario contributo.”
A questo punto, includendo Geoffrey E. Hinton, il «padrino dell'AI» che aveva già ricevuto per primo il premio per la fisica suscitando ampio dibattito, è evidente il punto in comune tra i vincitori più seguiti di quest'anno: Hinton è una figura centrale di Google Brain, che incarnava le prime ambizioni di Google nell'AI, mentre Demis Hassabis è l'anima di Google Deepmind, a cui Google ha affidato negli ultimi anni la propria ricerca sull'AI。
Non c'è da stupirsi che persino la “festa dei Nobel” si sia tenuta direttamente nel campus di Google。
Dietro i premi Nobel assegnati consecutivamente agli scienziati dell'IA, anche Google ha «stravinto».
L'offensiva di Google
In termini cronologici, Google è stata senza dubbio la prima grande azienda a entrare nel campo dell'intelligenza artificiale.
Sebbene molte versioni della storia descrivano l'asta segreta tenutasi nell'inverno del 2012 in un hotel con casinò sulle rive del lago Tahoe, negli Stati Uniti, come una competizione equa tra i tre colossi tecnologici Google, Microsoft e Baidu e DeepMind per DNNResearch, la piccola società appena fondata da Hinton che, a parte alcuni articoli scientifici, non aveva alcun prodotto concreto, a posteriori l'esito dell'asta era in realtà già segnato。Una delle sue origini risaliva infatti proprio all'impulso dato da Google 6 mesi prima。
Nel mese 6 del 2012, Google Brain avviò pubblicamente il progetto “Il gatto di Google（The Cat Neurons）”, usando algoritmi per riconoscere i gatti nei video di YouTube. Il progetto era guidato da Andrew Ng, con la partecipazione di Jeff Dean e il forte sostegno del cofondatore Larry Page.
Il progetto ha costruito una grande rete neurale con 10 centinaia di milioni di connessioni, addestrandola su 16,000 CPU con 1000 decine di migliaia di video non etichettati provenienti da YouTube. Grazie all’apprendimento non supervisionato, il sistema ha imparato autonomamente a riconoscere i musi dei gatti con un’accuratezza del 74.8%, riuscendo inoltre a riconoscere altri oggetti, tra cui i volti umani.
Tuttavia, nelle fasi finali del progetto, Andrew Ng scelse di ritirarsi mentre era ancora al culmine e, prima di andarsene, raccomandò a Google il proprio maestro Hinton come successore. Hinton dichiarò che non avrebbe lasciato l'università e che sarebbe stato disposto soltanto a “trascorrere un'estate” presso Google. Fu così che divenne lo stagista più anziano nella storia di Google.
Da autorità nel campo del deep learning, Hinton si rende presto conto dei difetti del progetto e osserva che il Gatto di Google “utilizzava la rete neurale sbagliata e la potenza di calcolo sbagliata.” Così, concluso il breve periodo di “tirocinio”, Hinton riunisce immediatamente gli studenti Ilya Sutskever e Alex Krizhevsky per formare una squadra e sviluppa la nuova architettura di rete neurale AlexNet. Con il risultato addestrato utilizzando soltanto 4 GPU NVIDIA partecipa alla competizione di riconoscimento delle immagini ImageNet del 2012, ottenendo infine una vittoria rivoluzionaria con un'accuratezza del 84%.
Nel mese 10 dello stesso anno, il team di Hinton presentò ufficialmente l’algoritmo vincitore AlexNet alla conferenza di visione artificiale di Firenze. Un team accademico riuscì a ribaltare i pronostici e a sconfiggere Google, nonostante l’enorme disparità di risorse hardware e di ricerca e sviluppo, suscitando un clamore straordinario nel mondo accademico e nell’industria. L’articolo su AlexNet divenne inoltre uno dei più influenti nella storia dell’informatica, con oltre 12 decine di migliaia di citazioni.
Successivamente, i tre registrarono la loro società DNNResearch. L'asta proseguì poi in modo ancora più naturale: quando la valutazione raggiunse 4400 decine di migliaia di dollari, Hinton fermò l'asta ed entrò ufficialmente in Google insieme ai suoi due studenti, assumendo gli incarichi di vicepresidente di Google Brain e ricercatore in ingegneria.
All'epoca Hinton scrisse in una dichiarazione：“Continuerò a insegnare part-time all'Università di Toronto, ma in Google potrò vedere come affrontiamo il calcolo su vastissima scala。”
Nei suoi dieci anni di carriera presso Google, conclusisi nel mese 5 del 2023, Hinton continuò a partecipare alla ricerca sulle reti neurali artificiali su larga scala, fornendo contributi fondamentali alle tecnologie alla base dei moderni sistemi di IA come Bard e ChatGPT. Partecipò anche allo sviluppo della libreria open source per l'apprendimento automatico TensorFlow, contribuendo a migliorare le capacità delle applicazioni di IA nel riconoscimento delle immagini, nella comprensione del linguaggio e in altri ambiti, e ad applicare ampiamente le tecnologie di deep learning ai vari prodotti e servizi di Google.
Google non ha mai rallentato la propria concentrazione di talenti e tecnologie. Appena due anni dopo l'acquisizione di DNNResearch, ha acquisito anche DeepMind, fondata da Hassabis, uno dei concorrenti che avevano partecipato a quella gara d'acquisto.
A quanto si dice, all’epoca Google noleggiò persino un aereo privato per portare Hinton a Londra a «esaminare la merce», modificando appositamente i sedili per risolvere il problema del mal di schiena che gli impediva di volare. Facebook, che allora era stata estromessa da Google, dopo essersi lasciata sfuggire DeepMind passò invece a ingaggiare a caro prezzo Yann LeCun, uno dei «tre giganti del deep learning».
La storia di Deepmind
Passando a DeepMind, già prima dell’acquisizione da parte di Google l’azienda si trovava in difficoltà finanziarie: continuava a bruciare denaro senza riuscire a trovare un modello di business sostenibile ed era persino sull’orlo del fallimento.
L'acquisizione da parte di Google per 6 cento milioni di dollari salvò DeepMind: preservò il nucleo del gruppo tecnico e gli fornì potenti risorse di calcolo, tra cui una piattaforma cloud e il supporto di centri dati. Questo permise a DeepMind di addestrare reti neurali profonde con maggiore potenza di calcolo, aumentando notevolmente la velocità di elaborazione e la precisione dei modelli, soprattutto nello sviluppo di AlphaGo. Google fornì inoltre TPU（unità di elaborazione tensoriale）appositamente progettate, ottimizzando ulteriormente l'efficienza dell'addestramento e dell'inferenza dei modelli di apprendimento profondo. Anche TensorFlow, uno strumento fondamentale per l'IA, fu ampiamente impiegato nella ricerca di DeepMind, contribuendo a migliorare le prestazioni di AlphaGo.
AlphaGo è un programma di intelligenza artificiale per il gioco del go sviluppato dal team DeepMind. Analizzando milioni di partite e impiegando l'apprendimento per rinforzo attraverso il gioco contro sé stesso, ha acquisito strategie di go complesse, fino a riuscire a superare i migliori giocatori umani. Nel 2016, AlphaGo sconfisse il campione mondiale di go Lee Sedol per 4 a 1, diventando celebre grazie a quella sfida e suscitando stupore in tutto il mondo.
Tuttavia, agli occhi di Hassabis, dimostrare attraverso i giochi da tavolo il potenziale dell'AI nel risolvere problemi complessi è soltanto l'inizio. Ciò che conta di più è usarla per orientare sistemi di apprendimento generale ad affrontare le sfide del mondo reale, così da migliorare concretamente la vita delle persone, rivoluzionare i settori produttivi e far progredire la scienza.
Così, nel giro di pochi mesi, DeepMind assunse rapidamente dei biologi e costituì un team interdisciplinare dedicato a risolvere il problema del ripiegamento delle proteine, portando infine alla nascita del progetto AlphaFold nel 2018. Attraverso numerose iterazioni, AlphaFold ha rivoluzionato la ricerca biologica grazie alla sua capacità innovativa di prevedere le strutture proteiche, mostrando le grandi prospettive applicative dell'AI in ambito scientifico.
Proprio nel mese 5 di quest’anno, Google Deepmind ha fatto un nuovo annuncio ufficiale, presentando insieme a Isomorphic Labs il modello di nuova generazione per la previsione delle strutture proteiche AlphaFold 3; il relativo articolo è stato subito pubblicato sulla rivista «Nature».
Rispetto alle versioni precedenti, AlphaFold 3 ha fatto progressi nella previsione del ripiegamento delle proteine e, per la prima volta, ha anche consentito di prevedere con elevata precisione le strutture e le interazioni di molecole biologiche come proteine, DNA, RNA e ligandi. Questa svolta aiuta gli scienziati a comprendere più a fondo i meccanismi delle malattie e i processi vitali, riducendo inoltre notevolmente i tempi e i costi di ricerca e sviluppo. Dallo sviluppo di materiali rinnovabili all'accelerazione della progettazione di farmaci e della ricerca genomica, AlphaFold 3 ha aperto possibilità applicative più ampie nel campo delle biomolecole.
Non solo: sulla base di AlphaFold 3, il team ha anche lanciato una piattaforma gratuita chiamata AlphaFold Server, destinata alla ricerca non commerciale degli scienziati di tutto il mondo, contribuendo ulteriormente a rendere più accessibile l'esplorazione scientifica.
Attraverso DeepMind, Google continua ad attrarre i migliori ricercatori del mondo e a fornire finanziamenti a lungo termine, permettendo loro di concentrarsi su ricerche innovative senza dover dipendere da ritorni commerciali a breve termine. Google ha inoltre concesso a DeepMind un'elevata autonomia strategica, consentendole di scegliere liberamente le proprie direzioni di ricerca. Proprio questa indipendenza e questo sostegno a lungo termine hanno posto solide basi per le ricerche lungimiranti di DeepMind.
Oltre ai progressi nei giochi e in biologia, DeepMind ha sviluppato WaveNet, un modello di sintesi vocale realistica per l'Assistente Google, migliorando l'interazione vocale. Con il modello visione-linguaggio-azione RT-2 ha potenziato la capacità dei robot di svolgere compiti in ambienti diversi. La sua ricerca affronta anche problemi complessi come le previsioni meteorologiche e i reattori a fusione nucleare, e contribuisce allo sviluppo degli algoritmi informatici attraverso progetti come AlphaCode e AlphaDev.
Il patrimonio di risorse di Google resta considerevole
Nell’attuale competizione nel campo dell’intelligenza artificiale, la rapida ascesa di aziende di punta come OpenAI e Anthropic e lo “strapotere” di ChatGPT e Claude rispetto a Gemini hanno per un certo periodo suscitato dubbi sulla strategia AI di Google. Soprattutto nella commercializzazione dei prodotti di AI generativa e degli strumenti per sviluppatori, il rapido sviluppo di OpenAI e aziende simili ha creato un netto contrasto con il passo relativamente lento di Google.
Eppure i due premi Nobel che abbiamo davanti sembrano ricordarci che il fertile terreno della ricerca scientifica di Google e il suo patrimonio tecnologico restano vantaggi difficili da replicare per le altre aziende.
Prima del 2006, la situazione del deep learning si poteva riassumere con la celebre frase del barone Kelvin：“L'edificio del deep learning è ormai sostanzialmente completato；restano soltanto tre piccole nuvole scure che fluttuano nel cielo soleggiato.”
Queste tre piccole nuvole scure sono, rispettivamente, gli algoritmi, la potenza di calcolo e i dati.
E Google possiede proprio in questi ambiti cruciali vantaggi evidenti. Innanzitutto, dispone di enormi risorse di dati tra le più avanzate al mondo: grazie a piattaforme come YouTube, Google Scholar e Google Search, Google fornisce dati di addestramento ricchi e diversificati per modelli AI dedicati alla visione, al riconoscimento vocale e all'elaborazione del linguaggio naturale。
In secondo luogo, Google dispone di un notevole vantaggio in termini di risorse di calcolo. L'hardware TPU sviluppato internamente accelera considerevolmente l'addestramento dei modelli di deep learning. Google Cloud offre potenti capacità di calcolo per la ricerca interna e mette inoltre a disposizione degli sviluppatori di tutto il mondo strumenti che li aiutano a creare e distribuire rapidamente applicazioni AI complesse.
Anche nello sviluppo degli algoritmi, Google è all'avanguardia nel settore. L'architettura Transformer, nata nel team Google Brain, ha gettato le basi della moderna elaborazione del linguaggio naturale e ha favorito lo sviluppo di quasi tutti gli attuali modelli AI di frontiera. Queste tecnologie hanno promosso i progressi del mondo accademico e trovano inoltre ampia applicazione nei prodotti principali di Google.
Nel 2024, il settore dell'IA continua ad affrontare sfide legate agli algoritmi, alla potenza di calcolo e ai dati. Sebbene molte aziende abbiano compiuto progressi in ambiti specifici, al confronto sembra che sia ancora Google a disporre contemporaneamente di vantaggi in tutti e tre gli aspetti e a combinarli in modo continuativo ed efficace.
Nella competizione con aziende come OpenAI e Microsoft, Google dispone ancora di solide risorse e non è stata sconfitta nella corsa all'IA. Il potenziale dell'intelligenza artificiale è ancora ben lontano dall'essere sfruttato appieno e, in questa corsa di lunga durata, forse saranno la profondità e l'ampiezza dell'innovazione tecnologica a determinare il vincitore finale.
