Demis Hassabis: Kunstmatige intelligentie is sleutel tot het begrijpen van de natuur

vrijdag, 25 juli 2025 om 7:22

Demis Hassabis Kunstmatige intelligentie als sleutel tot het begrijpen van de natuur

Google DeepMind-topman Demis Hassabis sprak met podcasthost Lex Fridman over zijn visie op de toekomst van kunstmatige intelligentie (AI). Volgens Hassabis staan we aan de vooravond van een nieuw tijdperk waarin AI niet alleen beelden genereert of spellen speelt, maar ook fundamentele inzichten oplevert in fysica, biologie en de oorsprong van het leven.

“Alles wat geëvolueerd is, kunnen we mogelijk ook efficiënt modelleren,” stelt Hassabis. In dit interview onthult hij hoe AI-modellen als AlphaFold, Veo en AlphaEvolve helpen om de natuur te begrijpen — en waarom AGI misschien al tegen 2030 realiteit wordt.

Alles wat geëvolueerd is, is mogelijk leerbaar

Een opvallende uitspraak van Hassabis tijdens het interview is dat vrijwel elk systeem dat voortkomt uit de natuur—of het nu om eiwitten, planeetbanen of bergen gaat—onderhevig is aan onderliggende patronen. Die patronen zijn ontstaan door evolutie, stabiliteit en selectie, en zijn dus niet willekeurig. Precies daarom gelooft hij dat AI deze systemen kan leren begrijpen.

“Je zou het survival of the stablest kunnen noemen,” zegt Hassabis. “Niet alleen voor levende organismen, maar ook voor bijvoorbeeld het landschap of de kosmos.”

Deze visie sluit aan bij eerdere DeepMind-doorbraken zoals AlphaGo en AlphaFold. In beide gevallen wist een AI een extreem complex probleem op te lossen zonder brute rekenkracht, maar via slim aangeleerde representaties. Dat is volgens Hassabis de toekomst: AI-systemen die inzicht krijgen in hoge-dimensionale systemen door ‘verkeersregels’ van de natuur te destilleren.

Vloeistoffen, licht en glas: AI leert fysica via video

Een treffend voorbeeld van AI die natuurwetten ‘aanvoelt’, is het DeepMind-model Veo 3. Deze AI is in staat om levensechte video’s te genereren van vloeistoffen, reflecties, glas en ander fysiek realisme — zonder expliciet geprogrammeerde natuurwetten.

“Ik heb jarenlang physics engines geschreven voor games. Het is extreem moeilijk om bijvoorbeeld vloeistof onder druk te simuleren,” zegt Hassabis. “Toch doet dit AI-systeem het gewoon door YouTube-video’s te analyseren.”

Hij vermoedt dat het systeem intuïtieve fysica aanleert, vergelijkbaar met hoe een baby leert: observerend, zonder wiskundige formules. Het resultaat: video’s die zó realistisch zijn dat het moeilijk is te onderscheiden of ze gegenereerd zijn of gefilmd.

“Dat betekent dat er waarschijnlijk een onderliggende structuur is, een manifold, die het systeem heeft leren volgen.”

Volgens Hassabis biedt dit nieuwe wegen om natuurwetten te modelleren — niet meer via klassieke fysische vergelijkingen, maar via data-gedreven benaderingen die even krachtig kunnen zijn.

AGI vóór 2030? Hassabis geeft het 50% kans

Als het over de komst van Artificial General Intelligence (AGI) gaat, toont Hassabis zich opvallend uitgesproken. Hij schat de kans dat we vóór 2030 een systeem ontwikkelen dat op menselijk niveau kan redeneren op vijftig procent.

“AGI betekent voor mij niet alleen dat een systeem slim is in één taak, maar dat het over een breed spectrum van cognitieve vermogens beschikt—zoals de menselijke geest.”

Zo’n systeem zou niet alleen bestaande kennis moeten toepassen, maar ook zelf nieuwe hypothesen moeten kunnen formuleren en toetsen. Net zoals Einstein deed met de relativiteitstheorie. Hassabis stelt voor om AI te testen met ‘historische kennisafkap’: geef het alleen de data van vóór 1900, en kijk of het dan alsnog de relativiteitstheorie kan afleiden.

“Niet alleen oplossen, maar ook zelf een probleem bedenken dat de moeite waard is om op te lossen—that's the holy grail.”

AlphaEvolve: LLM’s sturen evolutionaire algoritmen aan

Een recente innovatie van DeepMind is AlphaEvolve, een hybride systeem waarin een Large Language Model (LLM) fungeert als gids voor evolutionaire zoekalgoritmen. In plaats van random mutaties toe te passen, genereert het LLM slimme oplossingsvoorstellen, die vervolgens via evolutionaire stappen worden geoptimaliseerd.

“LLM’s stellen opties voor, evolutionaire algoritmen evalueren die, en zo verkennen we nieuwe gebieden in de oplossingsruimte,” zegt Hassabis.

Dit type ‘intelligente evolutie’ wordt ingezet om efficiëntere code, betere algoritmen en zelfs nieuwe natuurkundige inzichten te genereren. Het is een stap richting zelfverbeterende AI — hoewel Hassabis hier voorlopig nog menselijke supervisie voor cruciaal acht.

Games als oefenterrein voor AGI

Volgens Hassabis zijn games niet slechts entertainment, maar ook perfecte testomgevingen voor AI-systemen. Vooral open wereld-games, waarin spelers creatief omgaan met een dynamische omgeving, benaderen de complexiteit van de echte wereld.

“In een goede game co-creëer je als speler de wereld. Dat maakt het een ideale test voor general intelligence.”

Hassabis werkte in zijn jeugd aan titels als Theme Park en Black & White, waarin AI al rudimentair gedrag aanleerde. Nu droomt hij van games die zich in real-time aanpassen aan de keuzes van de speler—een soort AGI in spelvorm.

“Stel je voor: een AI die dynamisch het verhaal en de wereld aanpast aan jouw speelstijl. Geen script, maar échte interactiviteit.”

Volgens hem kunnen zulke systemen uiteindelijk ook worden ingezet voor simulaties van de echte wereld — zoals virtuele steden, sociale dynamiek of zelfs hele ecosystemen.

De ultieme simulatie: een virtuele cel

Hassabis’ ultieme droom is het bouwen van een volledig simuleerbare cel. Niet als statisch model, maar als een dynamisch, interactief systeem waarin eiwitten, RNA, DNA en metabolisme realtime op elkaar inwerken.

“AlphaFold gaf ons het statische beeld van eiwitstructuren. Maar biologie gaat over interactie en dynamiek. Daar willen we naartoe.”

Hij wil beginnen met een gistcel — klein maar complex genoeg — en die gebruiken als testbed voor moleculaire simulatie. Op termijn zouden zulke simulaties het labwerk drastisch kunnen versnellen: experimenten vinden eerst plaats ‘in silico’, voordat ze worden gevalideerd in het natlab.

“Als je een digitale cel hebt, kun je 100x sneller itereren in biomedisch onderzoek.”

Volgens Hassabis zijn we nog slechts enkele jaren verwijderd van deze mogelijkheid, mede dankzij AlphaFold 3, dat al eiwit–DNA–RNA-interacties kan voorspellen.

Wat betekent ‘begrijpen’ eigenlijk?

Een terugkerende filosofische vraag in het gesprek is: wanneer begrijpt een AI iets écht? Als een model de juiste output genereert, maar niet ‘weet’ waarom, is dat dan begrip?

“Veo 3 genereert fysiek consistente video’s. Maar begrijpt het de wetten van fysica? Niet zoals wij. Toch is er iets dat lijkt op intuïtief begrip.”

Hassabis vergelijkt het met het ‘common sense’-begrip dat kinderen hebben: ze weten dat een glas breekt als het valt, ook zonder Newton te kennen. Op soortgelijke manier lijkt AI via observatie gedrag te leren zonder symbolisch redeneren.

AI en bewustzijn: een open vraag

Hassabis blijft nuchter als het gaat om bewustzijn in AI. Hij gelooft dat veel aspecten van intelligentie op klassieke computers modelleerbaar zijn. Maar of dat ook geldt voor subjectieve ervaring — qualia — laat hij open.

“Misschien ontdekken we dat bewustzijn ontstaat door het verwerken van informatie. Maar misschien is het ook verbonden aan het biologische substraat.”

Hij stelt voor om met brein-computerinterfaces uiteindelijk te proberen hoe het voelt om als een AI te ‘denken’. Radicale empathie tussen mens en machine zou dan geen sciencefiction meer zijn.

AI, energie en de Kardasjov-schaal

Tot slot spreken Fridman en Hassabis over de impact van AI op energie en maatschappij. Als AI helpt bij het oplossen van kernfusie, batterijtechnologie of netwerkinfrastructuur, dan komt een tijdperk van radicale overvloed in zicht.

“Zodra energie vrijwel gratis is, verdwijnen veel conflicten over schaarste. Dan kunnen we zelfs de oceaan gebruiken voor waterstofbrandstof.”

In dat scenario zou de mensheid mogelijk binnen 100 jaar een Kardasjov type I-beschaving worden — één die alle energie op Aarde efficiënt benut. Maar daar hangt veel vanaf: veiligheid, samenwerking, governance.

AI als wetenschappelijke kracht en existentiële uitdaging

De podcast eindigt met een reflectie op AI als dubbele kracht. Enerzijds kan het ziektes genezen, wetenschap versnellen en het menselijk leven verrijken. Anderzijds kan het bij verkeerd gebruik of gebrek aan toezicht tot vernietiging leiden.

“Ik zie AI als het ultieme gereedschap om de natuur te begrijpen. Maar we moeten het met zorg en visie inzetten.”