Demis Hassabis – De 1976 à nos jours

Biographie

L’histoire des sciences et des techniques est ponctuée de trajectoires singulières où convergent, en un point d’inflexion unique, des disciplines jusqu’alors cloisonnées. La biographie intellectuelle et professionnelle de Demis Hassabis, né en 1976 à Londres, constitue l’une des incarnations les plus saisissantes de cette transversalité féconde. Conçu à la croisée des échecs de haut niveau, de l’industrie vidéoludique naissante, de l’informatique théorique et des neurosciences cognitives les plus avancées, le parcours de Hassabis ne saurait être appréhendé comme une simple succession de succès opportunistes. Il s’articule au contraire autour d’une quête téléologique remarquablement précoce et inébranlable : décrypter les mécanismes fondamentaux de l’esprit humain par l’ingénierie inverse, afin de bâtir une intelligence artificielle générale (AGI) capable de catalyser la découverte scientifique universelle.

De l’enfant prodige capable d’anticiper les ramifications combinatoires sur l’échiquier international à l’adolescent pionnier simulant des dynamiques de populations complexes au sein de Bullfrog Productions, Hassabis a très tôt appréhendé la cognition sous l’angle de modèles computationnels dynamiques. Loin de s’enfermer dans l’orthodoxie de l’informatique symbolique ou dans le pragmatisme commercial du jeu vidéo, il a opéré une retraite stratégique vers le monde académique. Au sein de l’Université de Cambridge puis de l’University College London (UCL), il s’est confronté aux bases neurobiologiques de la mémoire et de l’imagination, signant des découvertes fondamentales sur l’hippocampe avant d’effectuer des recherches postdoctorales au Massachusetts Institute of Technology (MIT) et à Harvard. Cette double maîtrise des architectures de calcul et des circuits neuronaux biologiques a formé le creuset épistémologique d’où a émergé, en 2010, la société DeepMind.

En orchestrant la fusion historique de l’apprentissage profond et de l’apprentissage par renforcement au sein du paradigme du deep reinforcement learning, Hassabis a impulsé une rupture de paradigme qui a bouleversé l’informatique contemporaine. Des succès fondateurs sur les jeux Atari à l’avènement d’AlphaGo — dont les intuitions synthétiques ont dérouté les plus grands maîtres humains —, jusqu’à la résolution du problème cinquantenaire du repliement des protéines par AlphaFold, récompensée par le prix Nobel de chimie 2024, sa trajectoire illustre la transmutation de l’algorithmique en un instrument d’investigation du réel. Cette monographie se propose de retracer, de manière exhaustive et critique, l’évolution intellectuelle, méthodologique et philosophique d’un chercheur dont l’ambition ultime demeure d’élucider la nature de la pensée et les lois de l’univers.

1. Les origines et l’enfance précoce : Genèse d’un prodige cognitif (1976-1990)

1.1 L’environnement familial et les stimulations intellectuelles initiales

Demis Hassabis naît le 27 juillet 1976 à Londres d’un père chypriote grec et d’une mère singapourienne d’ascendance chinoise. Cette ascendance biculturelle confère d’emblée au jeune garçon un cadre familial caractérisé par une grande ouverture sur le monde et une pluralité de perspectives cognitives. Ses parents, dotés de tempéraments artistiques et bohèmes — son père s’essayant tour à tour à la musique, à l’écriture et au commerce, tandis que sa mère travaille dans le secteur de la vente au détail —, ne s’inscrivent en rien dans la trajectoire technocratique ou académique conventionnelle. Aucun d’entre eux n’évolue dans les sciences dures ou les mathématiques appliquées, une particularité qui favorise chez Hassabis une indépendance intellectuelle précoce.

Au sein de la fratrie, où il est l’aîné d’une sœur et d’un frère, Demis assume rapidement un rôle de tuteur et de régulateur cognitif. L’absence de pression parentale dirigée vers la réussite scientifique formelle laisse le champ libre à un apprentissage autodidacte et exploratoire. Hassabis bénéficie d’une liberté absolue pour façonner son propre régime intellectuel, orientant ses lectures vers l’histoire universelle, les biographies de grands scientifiques et la philosophie empiriste. Cette autonomie précoce forge chez lui une remarquable métacognition : il s’observe penser, analyse les angles morts de son raisonnement et cultive une curiosité épistémique insatiable pour les mécanismes sous-jacents aux phénomènes naturels.

Ce contexte domestique singulier agit comme un incubateur pour une curiosité intrinsèque non bridée par les programmes pédagogiques traditionnels. La diversité culturelle inhérente à son foyer stimule chez le jeune Hassabis une flexibilité cognitive aiguë, lui permettant de concevoir le savoir non comme un corpus rigide de dogmes institués, mais comme un réseau fluide de concepts interconnectés. Cette propension à relier des domaines a priori disjoints constitue le premier jalon d’une démarche intellectuelle qui caractérisera l’ensemble de ses réalisations ultérieures.

1.2 Le parcours de grand maître d’échecs chez l’enfant

L’entrée de Demis Hassabis dans le monde des abstractions formelles s’effectue par l’entremise du jeu d’échecs, auquel il est initié à l’âge de quatre ans après avoir observé son père et son oncle disputer une partie. La vitesse avec laquelle le jeune enfant appréhende les règles géométriques et cinématiques de l’échiquier relève du phénomène cognitif. Dès ses premières confrontations, Hassabis manifeste une capacité stupéfiante à identifier des motifs spatio-temporels complexes, assimilant les schémas heuristiques sans recourir à un apprentissage par cœur fastidieux. Les échecs deviennent pour lui un espace de formalisation pure où chaque pièce incarne un vecteur de force au sein d’un univers déterministe.

Ses progrès fulgurants le propulsent rapidement sur la scène échiquéenne nationale puis internationale. Devenu capitaine de l’équipe d’Angleterre des moins de onze ans, il gravit les échelons de la notation Elo avec une constance implacable. À l’âge de treize ans, il atteint le rang de maître national et se positionne au deuxième rang mondial dans la catégorie des moins de quatorze ans, devancé uniquement par la légende hongroise Judit Polgár. Cette pratique intensive de la compétition à un niveau planétaire le confronte aux exigences extrêmes de la gestion de la charge cognitive : il apprend à maintenir un état de concentration focalisée durant plusieurs heures consécutives tout en régulant les signaux physiologiques liés au stress de la défaite.

Sur le plan des fonctions cognitives supérieures, cette immersion forge durablement le contrôle exécutif et la planification arborescente de Hassabis. Le jeu d’échecs impose la simulation mentale de trajectoires contrefactuelles profondes : pour choisir un coup, le joueur doit explorer un arbre de décision aux ramifications exponentielles, évaluer la valeur statique et dynamique des positions terminales, puis élaguer impitoyablement les branches non optimales. Ce calcul arborescent intériorisé instille chez l’adolescent une intuition structurelle du concept d’espace d’états et de recherche heuristique, notions qui constitueront des décennies plus tard le cœur algorithmique de ses travaux sur l’apprentissage par renforcement.

1.3 L’émergence de la fascination pour l’architecture de la pensée

Parallèlement à ses succès échiquéens, une mutation intellectuelle profonde s’opère chez Hassabis au tournant de sa douzième année. La répétition des parties et la maîtrise de l’échiquier cessent d’être une fin en soi pour devenir un objet d’interrogation métathéorique. Lors de matches disputés face à des adversaires adultes aguerris, le jeune garçon prend conscience du rôle déterminant de l’intuition : comment se fait-il que le cerveau humain, machine biologique lente fonctionnant à quelques dizaines de hertz, puisse évaluer instantanément une configuration de pièces sans calculer explicitement l’intégralité des millions de positions possibles ? Cette interrogation sur la genèse de l’intuition et les limites de la force brute marque le véritable acte de naissance de son intérêt pour les sciences de l’esprit.

Grâce aux gains financiers accumulés lors de ses tournois d’échecs, Hassabis fait l’acquisition de ses premiers micro-ordinateurs personnels : un Sinclair ZX Spectrum, rapidement suivi d’un Commodore Amiga. Ces machines cessent immédiatement d’être de simples jouets pour devenir des bancs d’essai de son imagination. Fasciné par la possibilité de transcrire des instructions logiques en comportements dynamiques sur un écran à tube cathodique, il apprend de manière autodidacte le langage BASIC, puis assembleur. Il passe des nuits entières à disséquer la mémoire des machines, à optimiser les routines graphiques et à programmer de petits jeux d’échecs simplifiés ou des automates cellulaires.

Cette transition de l’échiquier de bois vers le processeur en silicium conduit Hassabis à une conclusion philosophique précoce : le cerveau biologique et l’ordinateur partagent une identité fonctionnelle sous-jacente en tant que systèmes de traitement de l’information. Si une machine en silicium peut être programmée pour exécuter des raisonnements logiques formels, alors les mystères de l’intelligence, de la créativité et de la conscience doivent nécessairement être réductibles à des principes computationnels compréhensibles et reproductibles. La décision est prise : il ne sera pas joueur d’échecs professionnel, mais consacrera son existence à l’élucidation et à la réplication synthétique de l’intelligence.

2. L’immersion dans l’industrie vidéoludique et la simulation comportementale

2.1 La collaboration avec Bullfrog Productions et Theme Park

Ayant achevé son cycle d’études secondaires avec deux ans d’avance à l’âge de seize ans, Hassabis se voit contraint de patienter avant de pouvoir intégrer l’Université de Cambridge en raison de son jeune âge. Il met à profit cette période interstitielle en rejoignant le studio britannique Bullfrog Productions, alors dirigé par le concepteur visionnaire Peter Molyneux. L’adolescent est immédiatement plongé dans la culture bouillonnante de la création de jeux vidéo au début des années 1990, une époque pionnière où les équipes de développement réduites exigeaient de chaque ingénieur une maîtrise polyvalente allant du bas niveau matériel au design interactif.

À dix-sept ans à peine, Hassabis est nommé co-concepteur et programmeur principal de Theme Park, un jeu de gestion qui deviendra un jalon historique de l’industrie vidéoludique. Délaissant les approches déterministes et rigides qui prévalaient alors dans le jeu vidéo, il développe une architecture logicielle simulant une écologie comportementale autonome. Il modélise les visiteurs du parc d’attractions comme des agents individuels dotés d’états internes dynamiques : faim, soif, fatigue, niveau de satisfaction et propension à la dépense. Ces états interagissent avec l’environnement physique conçu par le joueur à travers des champs de potentiel et des boucles de rétroaction cybernétiques complexes.

Cette réalisation technique constitue l’une des premières applications à grande échelle de l’intelligence artificielle comportementale dans un produit commercial destiné au grand public. En observant des milliers d’agents virtuels converger vers des comportements émergents imprévus — tels que des engorgements de foule ou des vagues d’insatisfaction collective provoquées par la disposition spatiale des allées —, Hassabis acquiert une compréhension empirique fondamentale : des règles locales élémentaires, articulées à des fonctions d’utilité et à des dynamiques de rétroaction, suffisent à engendrer une complexité globale spectaculaire. Le jeu s’écoule à plusieurs millions d’exemplaires et asseoit la réputation du jeune développeur auprès de l’industrie technologique britannique.

2.2 La fondation d’Elixir Studios et l’intelligence artificielle narrative

Après son passage par Cambridge, Hassabis décide de ne pas rejoindre immédiatement le sérail académique et fonde en 1998 sa propre entreprise de développement logiciel à Londres : Elixir Studios. Porté par une levée de fonds substantielle et employant rapidement plusieurs dizaines d’ingénieurs et d’artistes, Elixir se donne pour vocation de repousser les frontières technologiques de la simulation sociale et politique à travers le jeu vidéo. Hassabis conçoit cette structure entrepreneuriale comme un incubateur de recherche appliquée sur les systèmes multi-agents distribués.

Le projet le plus ambitieux du studio, Republic: The Revolution (2003), pousse la logique computationnelle de la simulation à un niveau sans précédent pour l’époque. L’objectif consiste à modéliser le fonctionnement sociopolitique intégral d’un État post-soviétique fictif composé d’un million d’habitants. Hassabis et son équipe conçoivent une intelligence artificielle capable de suivre individuellement chaque citoyen virtuel, en calculant ses allégeances idéologiques, ses réseaux de relations, ses routines quotidiennes et ses réactions aux événements de propagande. Ce niveau de granularité exige la création d’un moteur de rendu propriétaire (Totem Engine) et une allocation rigoureuse des cycles d’horloge du processeur central pour faire tourner l’architecture cognitive des agents en temps réel.

Le second titre phare du studio, Evil Genius (2004), aborde la simulation sous un angle stratégique plus asymétrique, confrontant un maître du crime retranché dans sa base secrète à des vagues successives d’espions autonomes dotés de capacités d’infiltration et d’inférence déductive. Néanmoins, l’expérience d’Elixir Studios révèle à Hassabis les limites intrinsèques du matériel informatique de la fin des années 1990 et du début des années 2000. La puissance de calcul disponible s’avère insuffisante pour supporter la plénitude de ses ambitions de simulation cognitive. De surcroît, les contraintes commerciales propres à l’édition de jeux vidéo entravent la recherche fondamentale sur les mécanismes adaptatifs de l’intelligence.

2.3 Le jeu vidéo comme laboratoire d’observation psychologique

L’expérience accumulée au sein de Bullfrog et d’Elixir Studios s’avère déterminante dans la trajectoire intellectuelle de Demis Hassabis, non pas tant pour ses débouchés économiques que pour la clarté épistémologique qu’elle lui confère. Les univers virtuels tridimensionnels lui sont apparus comme des microcosmes contrôlés d’une valeur inestimable : des environnements simulés où il est possible de tester la rationalité d’agents synthétiques, d’observer leurs défaillances et de mesurer l’écart séparant les algorithmes programmés à la main de la plasticité biologique.

Cette confrontation pratique met en lumière une aporie majeure des systèmes experts et des arbres de comportement traditionnels. Quelle que soit l’ingéniosité des scripts écrits par un concepteur humain, les agents virtuels demeurent irrémédiablement fragiles : confrontés à des situations inédites non prévues explicitement par le codeur, ils sombrent dans des boucles absurdes ou manifestent une rigidité rédhibitoire. Hassabis constate que l’absence de capacité d’apprentissage autonome interdit l’émergence d’une intelligence authentique. L’ingénierie descendante (top-down) régie par des règles rigides a atteint un plafond de verre infranchissable.

Convaincu que l’écriture manuelle d’heuristiques ne mènera jamais à l’intelligence artificielle générale, Hassabis prend une décision radicale en 2005 : fermer Elixir Studios et se détourner définitivement de l’industrie du divertissement. Pour insuffler une véritable plasticité d’apprentissage aux machines, il lui faut d’abord comprendre comment la seule structure connue capable d’une telle prouesse — le cerveau des vertébrés supérieurs — résout le problème de l’adaptation continue. Le détour par les neurosciences biologiques s’impose dès lors comme une nécessité méthodologique incontournable.

3. La formation académique en informatique à l’Université de Cambridge

3.1 L’excellence au sein du Queens’ College

Entre son passage chez Bullfrog Productions et la création d’Elixir Studios, Demis Hassabis accomplit son cursus universitaire au sein du prestigieux Queens’ College de l’Université de Cambridge. Intégrant la filière des sciences informatiques (Computer Science Tripos) à l’âge de dix-sept ans, il se confronte aux fondements formels les plus austères de la discipline. Loin de se contenter d’une maîtrise empirique de la programmation, il s’immerge dans l’étude rigoureuse des mathématiques discrètes, de la théorie de la calculabilité, de la complexité algorithmique et de la sémantique formelle des langages de programmation.

Le milieu académique de Cambridge, profondément imprégné de l’héritage intellectuel d’Alan Turing, offre à Hassabis un cadre conceptuel d’une rigueur absolue. Il étudie la machine universelle de Turing, les théorèmes d’incomplétude de Gödel et la hiérarchie de Chomsky, acquérant une perception aiguë des frontières mathématiques de ce qui peut être calculé de manière déterministe en un temps polynomial. Cette formation théorique lui confère une grille d’analyse implacable pour évaluer l’efficacité structurelle de n’importe quel algorithme. Il achève son premier cycle en 1997 en obtenant la distinction suprême, le Double First-Class Honours, confirmant sa capacité à dominer l’abstraction formelle la plus exigeante.

Durant ces années cambridgiennes, Hassabis développe une réflexion critique sur les architectures matérielles contemporaines. Il s’interroge sur l’inadéquation structurelle entre l’architecture de Von Neumann — caractérisée par une séparation stricte entre l’unité de calcul et la mémoire, soumise au goulet d’étranglement des transferts de données séquentiels — et le parallélisme massif, hautement redondant et auto-organisé du tissu cérébral. Cette dissonance devient le point de départ de son scepticisme croissant envers l’informatique académique conventionnelle, qu’il juge trop détachée des contraintes et des leçons de la matière biologique.

3.2 La confrontation des modèles informatiques traditionnels aux systèmes naturels

Au cours de ses séminaires et de ses lectures à Cambridge, Hassabis assiste au crépuscule de l’intelligence artificielle symbolique classique, désignée rétrospectivement sous l’acronyme GOFAI (Good Old-Fashioned Artificial Intelligence). Le paradigme dominant d’alors, fondé sur la manipulation de symboles logiques explicites et sur des moteurs d’inférence formels, lui paraît intrinsèquement condamné par le problème de l’ancrage des symboles (symbol grounding problem). Comment un système purement syntaxique peut-il acquérir une compréhension sémantique du monde réel si ses représentations primitives ne sont pas ancrées dans une expérience sensorimotrice continue ?

Parallèlement, la réémergence du connexionnisme et des réseaux de neurones artificiels, portée par les travaux pionniers de David Rumelhart, James McClelland et Geoffrey Hinton sur la rétropropagation du gradient, retient toute son attention. Néanmoins, Hassabis perçoit les limites des modèles connexionnistes des années 1990 : souvent réduits à de simples perceptrons multicouches entraînés sur des ensembles de données statiques, ces réseaux manquent cruellement de mémoire temporelle dynamique, de flexibilité attentionnelle et de mécanismes de raisonnement hiérarchique.

Cette confrontation théorique l’amène à structurer l’hypothèse centrale de sa carrière : la prochaine révolution informatique ne proviendra pas d’un perfectionnement incrémental des langages de programmation abstraits, mais de l’extraction computationnelle des principes d’organisation régissant le système nerveux central. L’informatique doit cesser de considérer la biologie comme une collection d’accidents évolutifs inefficaces pour y reconnaître au contraire une bibliothèque d’architectures optimisées par des millions d’années de sélection naturelle. Cette conviction prépare directement sa reconversion scientifique vers la neurobiologie cognitive.

4. La transition vers les neurosciences cognitives à l’University College London

4.1 Le doctorat en neurosciences sous la direction d’Eleanor Maguire

Après avoir liquidé ses actifs dans l’industrie du jeu vidéo, Hassabis franchit le pas académique en s’inscrivant en thèse de doctorat en neurosciences cognitives à l’University College London (UCL) en 2005. Il intègre le prestigieux Wellcome Trust Centre for Neuroimaging, institution mondialement reconnue pour ses avancées méthodologiques dans l’exploration du cerveau humain in vivo. Il choisit d’effectuer ses recherches doctorales sous la direction de la professeure Eleanor Maguire, célèbre pour ses études fondamentales sur la plasticité structurelle de l’hippocampe chez les chauffeurs de taxi londoniens.

Ce choix institutionnel est hautement stratégique. L’UCL abrite également la Gatsby Computational Neuroscience Unit, fondée par Peter Dayan et Geoffrey Hinton, créant un environnement interdisciplinaire unique où la neurobiologie descriptive côtoie en permanence la modélisation mathématique et la théorie statistique de l’apprentissage. Hassabis s’immerge dans l’apprentissage rigoureux des protocoles de psychologie expérimentale, de la neurophysiologie clinique et des techniques avancées d’imagerie par résonance magnétique fonctionnelle (IRMf). Il apprend à concevoir des paradigmes comportementaux méticuleusement contrôlés afin d’isoler des opérations cognitives spécifiques au sein de cohortes de sujets sains et de patients cérébrolésés.

Sa démarche doctorale ne vise pas l’accumulation passive de données anatomiques, mais la décomposition fonctionnelle des circuits neuronaux de la mémoire. Il recourt à l’IRMf pour cartographier les variations du signal BOLD (Blood Oxygen Level Dependent) au sein de la formation hippocampique et des structures corticales associées lors de tâches complexes. En combinant l’analyse statistique spatiotemporelle et des entretiens cliniques approfondis, Hassabis acquiert la conviction que le décryptage des processus mnésiques détient la clé de voûte de la compréhension de l’intelligence prospective.

4.2 La recherche postdoctorale au MIT et à Harvard

Après l’obtention éclatante de son doctorat en 2009, Demis Hassabis traverse l’Atlantique pour accomplir un cycle de recherche postdoctorale au sein de deux des plus grands sanctuaires de la science cognitive mondiale : le Massachusetts Institute of Technology et l’Université Harvard. À Boston, il rejoint d’abord le laboratoire de Tomaso Poggio au sein du Center for Biological and Computational Learning (CBCL) du MIT. Poggio, figure tutélaire de la vision par ordinateur inspirée des circuits corticaux, influence profondément la façon dont Hassabis modélise le traitement hiérarchique de l’information visuelle.

Au MIT, Hassabis dialogue également avec des théoriciens de l’intelligence artificielle et des spécialistes des neurosciences moléculaires, affinant sa compréhension des modèles biophysiques de la plasticité synaptique (règle de Hebb, modulation par la dopamine, potentialisation à long terme). Il s’intéresse aux représentations géométriques de l’information spatiale et conceptuelle, examinant comment les cellules de lieu (place cells) de l’hippocampe et les cellules de grille (grid cells) du cortex entorhinal constituent un système de coordonnées internes universel pour la navigation et l’abstraction cognitive.

Poursuivant ses investigations à Harvard aux côtés de figures majeures de la psychologie cognitive telles que Daniel Schacter, Hassabis s’immerge dans l’étude des fonctions cognitives dites prospectives. Il s’attache à intégrer les contraintes computationnelles issues de l’apprentissage automatique dans les cadres théoriques de la psychologie de la mémoire. Cette période américaine scelle définitivement la synthèse intellectuelle de Hassabis : il possède désormais une vue synoptique et panoramique des neurosciences de haut niveau et des architectures computationnelles d’avant-garde, le positionnant à la frontière exacte où les deux domaines s’apprêtent à fusionner.

5. Travaux neuroscientifiques majeurs : Mémoire épisodique et imagination

5.1 Le rôle pivot de l’hippocampe dans la construction de scènes mentales

Les recherches doctorales de Demis Hassabis débouchent en 2007 sur une avancée neuroscientifique majeure qui retient l’attention de la communauté internationale. Jusqu’alors, la doxa médicale et académique considérait la mémoire épisodique — la capacité de se remémorer des événements personnellement vécus situés dans un contexte spatio-temporel précis — comme un mécanisme d’enregistrement et de restitution d’archives neuronales passées. L’hippocampe était perçu comme le bibliothécaire passif de ce système d’archivage.

Dans un article retentissant publié dans les Proceedings of the National Academy of Sciences (PNAS) en 2007, Hassabis, aux côtés d’Eleanor Maguire et de leurs collaborateurs, renverse cette perspective séculaire. Les chercheurs conçoivent une expérience ingénieuse impliquant un groupe de patients atteints d’amnésie bilatérale sévère suite à des lésions circonscrites de l’hippocampe. Ils soumettent ces patients à des consignes consistant à imaginer des scènes imaginaires fictives, plausibles mais dénuées de tout lien avec leur passé réel, telles que « s’imaginer allongé sur une plage déserte sous un soleil tropical » ou « s’asseoir dans le hall d’un musée imaginaire ».

Les résultats s’avèrent saisissants : tandis que les sujets témoins sains décrivent spontanément des scènes spatialement cohérentes, richement meublées d’éléments visuels intégrés et dotées d’une perspective unifiée, les patients amnésiques sont dans l’incapacité absolue d’élaborer une scène mentale structurée. Leurs descriptions se réduisent à des fragments épars et désarticulés (« Je vois du sable… mais il n’y a pas de lieu, je ne suis nulle part »). Cette découverte démontre de manière formelle que l’intégrité de l’hippocampe n’est pas seulement requise pour se souvenir du passé, mais est indispensable pour construire mentalement n’importe quelle expérience spatio-temporelle cohérente. L’hippocampe se voit ainsi redéfini comme un moteur génératif et intégrateur de représentations, assurant la liaison de caractéristiques perceptives disparates en un ensemble spatialement unifié.

5.2 Le voyage temporel mental et la cognition prospective

Cette mise en évidence de la dépendance de l’imagination envers l’hippocampe conduit Hassabis à formuler, dans une série de publications ultérieures, la théorie de la cognition prospective et de la construction de scènes (scene construction theory). Il démontre que le rappel du passé et la simulation de scénarios futurs partagent une infrastructure neuro-anatomique quasi superposable, articulée autour de ce que les neuroscientifiques identifient comme le réseau cérébral par défaut (default mode network). Ce réseau englobe la formation hippocampique, le cortex rétrosplénial, le gyrus angulaire et le cortex préfrontal ventromédian (vmPFC).

À travers des protocoles sophistiqués d’IRMf combinés à des analyses de classification multivariée (MVPA), Hassabis montre comment le cortex préfrontal ventromédian interagit avec le complexe hippocampique pour arbitrer entre la sélection de traces mnésiques préexistantes et leur recombinaison créative. L’acte d’imaginer l’avenir ou une situation contrefactuelle apparaît ainsi non pas comme une invention ex nihilo, mais comme un processus de déconstruction et de réassemblage flexible d’invariants expérientiels emmagasinés en mémoire.

Cette faculté de « voyage temporel mental » (mental time travel) confère un avantage adaptatif phénoménal à l’espèce humaine. Elle permet à l’organisme de s’extraire de l’urgence temporelle immédiate pour tester virtuellement différentes trajectoires d’action à l’intérieur d’un simulateur interne haute fidélité. L’évaluation affective anticipée des conséquences possibles d’une action guide ensuite la planification stratégique à long terme. Hassabis théorise cette fonction comme un mécanisme d’échantillonnage bayésien interne permettant de minimiser l’incertitude environnementale avant même d’engager une action physique dans le monde réel.

5.3 Implications épistémologiques pour la conception de l’intelligence artificielle

L’ampleur de ces travaux vaut aux découvertes de Hassabis d’être classées par la prestigieuse revue Science parmi les dix percées scientifiques majeures de l’année 2007 (Science Breakthrough of the Year). Pourtant, pour le chercheur londonien, ces publications constituent bien plus qu’une contribution d’élite à la taxonomie neurobiologique : elles lui fournissent le cahier des charges algorithmique précis pour la conception d’architectures d’apprentissage automatique de nouvelle génération.

Deux concepts neurobiologiques issus de ces recherches deviennent immédiatement centraux dans sa pensée informatique :

• Le replay hippocampique (hippocampal replay) : La découverte neurophysiologique selon laquelle les réseaux de l’hippocampe réactivent les trajectoires neuronales vécues durant les phases de repos et de sommeil lent, à des vitesses comprimées, est interprétée par Hassabis comme une stratégie optimale de consolidation de données. Elle permet au cerveau de rentabiliser au maximum des expériences limitées sans souffrir de surcharge métabolique.
• La planification prédictive par simulation interne : L’architecture de la mémoire constructive prouve qu’un agent intelligent ne peut pas dépendre exclusivement de réflexes pavloviens ou de tables de correspondance statiques. Il doit disposer d’un modèle génératif du monde capable d’exécuter des simulations prospectives afin de pondérer les choix comportementaux à l’aide d’une fonction de valeur interne.

Cette intuition établit une passerelle directe entre la neuro-imagerie clinique et les méthodes de recherche arborescente guidée par l’évaluation que Hassabis avait pratiquées intuitivement aux échecs. L’esprit humain fonctionne comme un moteur de simulation prospective hybride, combinant intuition de bas niveau et calcul délibératif d’échantillons mentaux. Armé de ce modèle théorique validé biologiquement, Hassabis s’estime enfin prêt à franchir le pas définitif : quitter l’académie pure pour bâtir la machine pensante.

6. La genèse de DeepMind (2010) : L’ingénierie inversée de l’intelligence

6.1 La cofondation avec Shane Legg et Mustafa Suleyman

À l’automne 2010, Demis Hassabis matérialise son projet de vie en fondant à Londres la société DeepMind Technologies. Pour mener à bien cette entreprise prométhéenne, il s’associe à deux personnalités aux compétences rigoureusement complémentaires rencontrées dans l’écosystème de l’UCL : Shane Legg et Mustafa Suleyman. Shane Legg, docteur diplômé de l’Institut Dalle Molle d’études sur l’intelligence artificielle (IDSIA) en Suisse sous la direction de Marcus Hutter, est un mathématicien hors pair expert de l’intelligence artificielle universelle et de la théorie de la complexité de Kolmogorov. Mustafa Suleyman, quant à lui, apporte une vision stratégique aiguisée des politiques publiques, de l’impact sociétal et des déploiements systémiques.

Cette alliance tripartite structure une feuille de route sans équivalent dans le paysage technologique mondial. Là où les startups de la Silicon Valley se concentrent quasi exclusivement sur des applications utilitaires à court terme — moteurs de recherche publicitaires, outils de recommandation pour le commerce électronique ou applications de médias sociaux —, DeepMind affiche d’emblée une devise d’une sobriété et d’une audace vertigineuses : « Solve intelligence, and then use that to solve everything else » (Résoudre l’intelligence, puis l’utiliser pour résoudre tout le reste).

Conscients de la nature spéculative et du cycle d’investissement prolongé requis par un tel programme de recherche fondamentale, les fondateurs se tournent vers des capitaux-risqueurs visionnaires capables de comprendre les implications de rupture d’une AGI théorique. Hassabis parvient à convaincre Peter Thiel, via son fonds Founders Fund, ainsi que des figures majeures de la tech comme Elon Musk, d’injecter les premiers financements d’amorçage. DeepMind s’installe discrètement dans des locaux modestes près de Russell Square à Londres, attirant une concentration inédite de doctorants d’élite en physique théorique, neurosciences computationnelles et apprentissage statistique.

6.2 Le manifeste méthodologique : L’apprentissage par renforcement profond

Le socle technique sur lequel repose l’offensive de DeepMind est formalisé par Hassabis sous la forme d’un paradigme nouveau : l’apprentissage par renforcement profond (Deep Reinforcement Learning ou DRL). Ce cadre algorithmique hybride deux traditions mathématiques et informatiques qui s’étaient développées de manière largement étanche :

• Les réseaux de neurones profonds (Deep Learning) : Inspirés par l’organisation hiérarchique du cortex visuel biologique, ils excellent dans l’apprentissage automatique de représentations sensorielles à partir de signaux bruts haute dimension, sans nécessiter d’ingénierie manuelle des caractéristiques (feature engineering).
• L’apprentissage par renforcement (Reinforcement Learning) : Enraciné dans les équations des processus décisionnels markoviens (MDP) et la théorie du contrôle optimal, il formalise la manière dont un agent apprend par essais et erreurs à maximiser la somme cumulée de signaux de récompense scalaires au fil du temps.

Hassabis opère ici une transposition algorithmique explicite des circuits dopaminergiques mésolimbiques du cerveau des mammifères. En neurobiologie, les neurones dopaminergiques de l’aire tegmentale ventrale encodent ce que Wolfram Schultz a identifié comme l’erreur de prédiction de récompense (Reward Prediction Error ou RPE), un signal scalaire indiquant la divergence entre le gain anticipé et le gain réel obtenu par l’organisme. Dans l’architecture DRL de DeepMind, cette dynamique est mathématiquement formulée par les équations d’actualisation de l’algorithme Q-learning, couplées à la descente de gradient stochastique à travers des dizaines de couches synaptiques artificielles.

Le principe cardinal imposé par Hassabis est celui de la table rase (tabula rasa) et de la généralité : les agents informatiques créés par DeepMind ne doivent recevoir aucune connaissance spécifique au domaine traité, aucun système de règles encodé manuellement ni aucune heuristique d’expert. L’agent doit être confronté au monde comme un nouveau-né, ne percevant que des pixels bruts sur une matrice d’entrée et recevant occasionnellement une rétroaction scalaire positive ou négative. S’il réussit dans ces conditions, c’est que l’architecture a véritablement capturé des invariants généraux de la cognition.

7. L’acquisition par Google en 2014 et l’expansion opérationnelle

7.1 Les négociations stratégiques et la préservation de l’autonomie

À la fin de l’année 2013, les avancées discrètes mais prodigieuses de DeepMind sur l’autonomie cognitive des algorithmes commencent à susciter une effervescence fébrile au sein des cercles dirigeants des géants technologiques américains. Face à l’intérêt pressant de Facebook mené par Mark Zuckerberg, c’est finalement Larry Page et Sergey Brin, les cofondateurs de Google, qui parviennent à conclure un accord historique au début de l’année 2014 pour le rachat de DeepMind, pour une transaction estimée à plus de 400 millions de livres sterling (environ 650 millions de dollars de l’époque).

Ce rachat constitue à l’époque la plus importante acquisition technologique réalisée sur le continent européen dans le secteur de l’intelligence artificielle. Néanmoins, pour Demis Hassabis, les conditions de gouvernance et de sanctuarisation de la mission scientifique prévalent largement sur les montants financiers. Au cours d’âpres négociations menées en amont de la transaction, il impose des clauses strictes et inédites garantissant l’indépendance de son laboratoire :

• Le maintien du quartier général à Londres : Hassabis refuse catégoriquement de transplanter ses équipes à Mountain View en Californie. Il tient à préserver la culture intellectuelle spécifique de Londres, épicentre européen des neurosciences, et à maintenir son organisation à distance des pressions immédiates de rentabilité trimestrielle de la Silicon Valley.
• La clause de non-militarisation : Les technologies d’AGI développées par DeepMind ne doivent sous aucun prétexte être utilisées à des fins d’armement, d’espionnage de masse ou de surveillance étatique.
• La création d’un comité d’éthique dédié : L’instauration obligatoire d’une structure interne de supervision pour évaluer l’alignement des futures avancées d’AGI avec les intérêts fondamentaux de l’humanité.

Adossée à l’infrastructure colossale de calcul de Google — incluant un accès prioritaire à ses centres de données mondiaux et aux processeurs dédiés naissants appelés TPU (Tensor Processing Units) —, l’équipe de Hassabis peut désormais déployer ses algorithmes à une échelle dimensionnelle sans précédent.

7.2 La percée historique des jeux Atari et l’agent DQN

Le premier coup d’éclat public démontrant la puissance du paradigme DRL survient en février 2015 avec la parution en couverture de la revue Nature de l’article séminal consacré à l’agent Deep Q-Network (DQN). Dans cette étude rédigée sous la supervision de Hassabis, un agent autonome unique est soumis à un ensemble de 49 jeux vidéo rétro issus de la console Atari 2600 — incluant des classiques aux dynamiques hautement dissemblables comme Breakout, Pong, Space Invaders ou Enduro.

L’exploit réside dans le fait que la même architecture algorithmique, régie par des hyperparamètres rigoureusement identiques, est déployée sur chaque jeu sans modification. L’agent ne reçoit que les pixels de l’écran brut (une matrice de 84×84 pixels en niveaux de gris rafraîchie à 60 Hz) et le score affiché. En l’espace de quelques dizaines d’heures d’entraînement continu, le réseau neuronal convolutif apprend à filtrer les flux visuels, à identifier la notion d’objets mobiles, à comprendre les relations de causalité spatiotemporelles et à actionner les commandes de tir ou de déplacement avec une précision surhumaine.

L’innovation clé qui a permis de stabiliser l’apprentissage par renforcement au sein de réseaux profonds — historiquement instables et enclins à diverger en raison des corrélations temporelles des données — découle directement des recherches neuroscientifiques de Hassabis sur l’hippocampe : l’expérience replay (mécanisme de rejouement de l’expérience). L’agent stocke un tampon de mémoire contenant ses expériences passées sous forme de tuples (état, action, récompense, état suivant) et extrait aléatoirement des mini-lots de ces souvenirs pour entraîner son réseau hors ligne. Cette désynchronisation statistique des données émule fidèlement la réactivation des assemblées de neurones hippocampiques observée durant le sommeil des mammifères, validant de manière éclatante la pertinence de l’inspiration biologique dans l’ingénierie algorithmique.

8. AlphaGo et l’apogée de l’intuition computationnelle (2016-2017)

8.1 Le défi cognitif du jeu de Go et la confrontation de Séoul

Fort du triomphe de l’agent DQN sur l’univers bidimensionnel d’Atari, Hassabis se tourne vers le Graal historique de l’intelligence artificielle classique : le jeu de Go. Pratiqué en Asie depuis plus de deux millénaires et demi, ce jeu d’une élégance formelle épurée — consistant à poser alternativement des pierres noires et blanches sur un plateau quadrillé de 19 lignes sur 19 afin d’encercler des territoires — opposait jusqu’alors une résistance absolue aux assauts des ordinateurs.

Tandis qu’IBM avait défait Garry Kasparov aux échecs en 1997 avec Deep Blue grâce à un calcul de force brute explorant plusieurs centaines de millions de positions par seconde, cette méthodologie s’avérait inapplicable au Go. L’espace d’états du Go est gigantesque : le nombre de configurations légales possibles dépasse $10^{170}$, un chiffre immensément supérieur au nombre d’atomes composant l’univers observable, et le facteur de branchement moyen à chaque coup oscille autour de 250 (contre environ 35 aux échecs). De surcroît, il était réputé impossible d’écrire une fonction d’évaluation statique capable de déterminer avec précision qui est en tête sur le goban, la force des groupes de pierres reposant sur des concepts holistiques subtils, l’équilibre spatial et des jugements d’harmonie esthétique que les maîtres humains qualifiaient traditionnellement d’« intuition ».

En mars 2016, sous l’égide de Demis Hassabis et du directeur de recherche David Silver, DeepMind organise à Séoul un match en cinq parties hautement médiatisé opposant son programme AlphaGo au légendaire grand maître sud-coréen Lee Sedol, détenteur de 18 titres internationaux. L’événement est suivi en direct par des centaines de millions de spectateurs à travers le globe. Lors de la deuxième partie, AlphaGo sidère les experts en posant la pierre 37 sur la cinquième ligne du plateau — un coup déconcertant qualifié d’hérésie par la tradition échiquéenne du Go, mais qui s’avère, des dizaines de coups plus tard, avoir orchestré une domination spatiale décisive sur l’ensemble du goban. AlphaGo remporte le duel sur le score sans appel de 4 à 1, brisant un pronostic que la plupart des informaticiens jugeaient hors d’atteinte pour au moins deux décennies supplémentaires.

8.2 L’architecture d’AlphaGo : Synergie entre réseaux de valeur et de politique

Le tour de force théorique orchestré par Hassabis et ses équipes réside dans l’architecture algorithmique sous-jacente d’AlphaGo, documentée dans deux articles capitaux de Nature (2016) et Nature (2017). Pour surmonter l’incommensurable combinatoire du jeu sans sombrer dans l’explosion exponentielle, DeepMind a élaboré une synergie novatrice articulant trois modules computationnels interconnectés :

• Le réseau de politique (Policy Network) : Un réseau neuronal convolutif profond entraîné à prédire la distribution de probabilité des coups les plus pertinents, réduisant le facteur de branchement en élaguant les choix manifestement sous-optimaux. Ce réseau formule en substance des propositions d’actions hautement plausibles.
• Le réseau de valeur (Value Network) : Un second réseau profond dont la mission consiste à examiner une position globale sur le plateau et à produire une valeur scalaire unique comprise entre -1 et +1, prédisant directement la probabilité de victoire finale. Ce réseau condense l’intuition spatiale en évaluant une configuration sans exécuter d’arbre de recherche jusqu’au terme de la partie.
• La recherche arborescente Monte Carlo (Monte Carlo Tree Search ou MCTS) : Un algorithme d’exploration probabiliste guidé par les signaux conjugués des réseaux de politique et de valeur, qui simule dynamiquement des séquences d’actions futures potentielles.

Cette triade computationnelle matérialise l’idéal théorique que Hassabis avait postulé durant ses années d’études : une intégration parfaite entre l’intuition perceptive rapide (système 1, analogue aux sorties vectorielles des réseaux profonds) et la délibération prospective lente (système 2, incarné par le MCTS). Le raffinement ultérieur de cette technologie donne naissance à AlphaGo Zero, puis à AlphaZero (2017). Dans ces itérations ultimes, toute référence aux données issues de parties jouées par des humains est supprimée. Partant d’un réseau initialisé de manière totalement aléatoire, AlphaZero s’auto-entraîne par auto-apprentissage (self-play) exclusif en jouant des millions de parties contre lui-même. En moins de 24 heures de calcul autonome, il redécouvre de manière indépendante l’intégralité du savoir stratégique accumulé par l’humanité sur plusieurs millénaires, invente des concepts tactiques inédits et surclasse sans concession les moteurs d’échecs (Stockfish), de shogi (Elmo) et de Go les plus perfectionnés du monde.

8.3 L’impact psychologique sur la perception humaine de la machine

L’onde de choc provoquée par les victoires d’AlphaGo s’étend bien au-delà de la communauté de l’informatique théorique, inaugurant une métamorphose profonde de la relation épistémique entre l’être humain et l’artefact computationnel. Au sein de la communauté mondiale des joueurs de Go, la stupeur initiale a rapidement laissé place à une forme de révérence intellectuelle. Des maîtres établis ont déclaré que l’algorithme de DeepMind leur avait ouvert de nouvelles fenêtres de créativité, affranchissant leur pensée de dogmes centenaires hérités de l’académisme traditionnel.

Le célèbre coup 37 d’AlphaGo face à Lee Sedol, puis le mystérieux coup 78 de Lee Sedol lors de sa seule victoire de la quatrième partie — souvent surnommé « la touche divine » par les commentateurs —, illustrent cette nouvelle dialectique cognitive où l’intelligence artificielle et l’intelligence biologique se contraignent mutuellement à s’élever vers des niveaux de raffinement inédits. Les théoriciens des sciences cognitives y observent l’émergence d’une créativité computationnelle authentique : AlphaGo n’a pas simplement recombiné des recettes mémorisées, il a généré des stratégies novatrices régies par une cohérence interne inédite.

Pour Hassabis, cette étape valide l’ensemble de son postulat méthodologique. Le jeu n’a jamais représenté un but en soi, mais une rampe de lancement méthodologique protégée. En triomphant du Go par l’auto-apprentissage pur sans connaissances humaines préalables, DeepMind démontre que ses algorithmes ne sont pas confinés à une tâche étroite, mais capturent des principes décisionnels universels. La phase des jeux vidéo et des plateaux de jeu est désormais close. Hassabis ordonne la réorientation immédiate des ressources intellectuelles et des supercalculateurs de l’entreprise vers le défi le plus complexe et déterminant de la biologie moderne : le repliement tridimensionnel des protéines.

9. De la ludologie à la biologie structurale : La révolution AlphaFold

9.1 Le problème cinquantenaire du repliement des protéines

Dans la machinerie intime du monde vivant, les protéines constituent les ouvrières moléculaires fondamentales : enzymes métaboliques, anticorps immunitaires, récepteurs membranaires ou composants structurels des tissus, elles orchestrent la quasi-totalité des réactions biochimiques de l’organisme. Une protéine est initialement synthétisée sous la forme d’une chaîne linéaire unidimensionnelle d’acides aminés dictée par le code génétique. Cependant, pour devenir fonctionnelle, cette chaîne doit se replier spontanément sur elle-même pour adopter une configuration spatiale tridimensionnelle extrêmement précise et stéréospécifique.

En 1972, dans son discours de réception du prix Nobel de chimie, Christian Anfinsen avait postulé que la structure tridimensionnelle native d’une protéine est théoriquement entièrement déterminée par sa seule séquence d’acides aminés. Pourtant, déduire cette architecture physique à partir de la séquence primaire est demeuré l’une des énigmes les plus intraitables de la science pendant un demi-siècle. Ce défi est magistralement résumé par le paradoxe de Levinthal (formulé en 1969 par Cyrus Levinthal) : une chaîne polypeptidique type possédant un nombre astronomique de degrés de liberté conformationnels, une exploration séquentielle de toutes les configurations possibles nécessiterait un temps plus long que l’âge de l’univers pour identifier l’état d’énergie minimale, alors même que la protéine biologique se replie en quelques millisecondes dans la cellule.

Durant des décennies, la détermination des structures protéiques est restée tributaire de méthodes expérimentales hautement fastidieuses, onéreuses et incertaines : la cristallographie aux rayons X, la résonance magnétique nucléaire (RMN) et la cryo-microscopie électronique. L’élucidation d’une seule structure pouvait exiger plusieurs années de travail acharné de la part d’équipes entières de doctorants et de biochimistes pour des coûts atteignant des centaines de milliers de dollars. C’est dans ce contexte que la communauté scientifique internationale a instauré en 1994 la compétition bisannuelle CASP (Critical Assessment of Structure Prediction), un protocole expérimental en double aveugle rigoureux destiné à mesurer les performances des méthodes de prédiction computationnelle face à des structures résolues expérimentalement mais tenues secrètes.

9.2 L’architecture technique d’AlphaFold 2 et la modélisation spatiale

DeepMind fait une entrée fracassante dans la compétition en 2018 avec la première version d’AlphaFold, surclassant largement les laboratoires académiques traditionnels. Cependant, Hassabis et son directeur technique dédié au projet, le biophysicien computationnel John Jumper, estiment que le niveau de précision atteint reste insuffisant pour une véritable utilité pharmacologique et biologique. Ils décident de démanteler l’architecture initiale pour concevoir un système entièrement nouveau, repensé de fond en comble : AlphaFold 2.

Présenté lors de la compétition CASP14 en 2020 et détaillé dans un article révolutionnaire de Nature (2021), AlphaFold 2 accomplit un bond qualitatif stupéfiant. Le système résout le repliement avec une précision atomique, atteignant un score médian de GDT (Global Distance Test) supérieur à 92 sur 100 — un niveau d’exactitude indiscernable des marges d’erreur inhérentes aux mesures expérimentales de cristallographie les plus rigoureuses. Les piliers architecturaux d’AlphaFold 2 reposent sur une synthèse mathématique et physique d’une complexité sans précédent :

• Le bloc Evoformer : Ce module traite simultanément deux représentations distinctes mais interconnectées. D’une part, l’alignement multiple de séquences (MSA), qui capture l’historique de co-évolution des acides aminés à travers les espèces (si deux résidus mutent ensemble au fil des millions d’années, ils sont probablement en contact physique dans la structure 3D repliée). D’autre part, une représentation par paires géométriques des résidus. L’Evoformer utilise des mécanismes d’attention neuronale croisée (axial attention) pour raffiner itérativement ces deux flux d’information, respectant les contraintes de symétrie et de triangularité spatiale.
• Le module de structure (Structure Module) : Doté d’une couche d’attention 3D invariante par translation et rotation euclidienne (SE(3)-equivariant attention), ce module transforme les représentations abstraites issues de l’Evoformer en coordonnées tridimensionnelles atomiques réelles dans l’espace euclidien ($x, y, z$), sans jamais briser les liaisons covalentes ni violer les angles de torsion peptidiques.
• Le recyclage itératif : L’ensemble de la structure prédite est réinjecté plusieurs fois dans le réseau de manière récursive, permettant au système d’effectuer des ajustements fins d’emboîtement à la manière d’un orfèvre moléculaire.

Fidèle à sa mission sociétale, Demis Hassabis prend la décision historique, en collaboration avec l’Institut européen de bio-informatique (EMBL-EBI), de publier gratuitement en accès libre la quasi-totalité des prédictions générées par AlphaFold. En l’espace de deux ans, DeepMind met à la disposition de l’ensemble de la communauté scientifique mondiale la structure tridimensionnelle prédite de plus de 200 millions de protéines, couvrant la totalité du protéome humain ainsi que celui de millions d’organismes vivants, des bactéries aux plantes en passant par les virus les plus redoutables. Cette libération de données constitue le plus grand don de connaissances biologiques pures de l’histoire humaine contemporaine.

9.3 La consécration scientifique : Prix Nobel de chimie 2024

L’impact d’AlphaFold sur les sciences de la vie est foudroyant. En levant un verrou qui paralysait la biologie moléculaire depuis un demi-siècle, le travail de Hassabis et de ses collègues catalyse des milliers de programmes de recherche fondamentale à travers le monde : conception d’enzymes mutantes capables de dégrader les matières plastiques industrielles, élucidation des mécanismes d’entrée de virus émergents au sein des cellules hôtes, accélération spectaculaire du criblage de molécules thérapeutiques contre des cancers réfractaires, et compréhension des maladies neurodégénératives associées à des agrégats protéiques anormaux.

Cette rupture épistémologique majeure trouve sa consécration suprême en octobre 2024. L’Académie royale des sciences de Suède décerne le prix Nobel de chimie 2024 à Demis Hassabis et John Jumper pour leurs travaux sur la prédiction de la structure des protéines, partageant le prix avec le biochimiste David Baker de l’Université de Washington, récompensé pour ses travaux sur la conception computationnelle de nouvelles protéines de novo. À quarante-huit ans, Hassabis devient l’un des plus jeunes lauréats de l’histoire moderne du prix dans cette discipline.

L’attribution du prix Nobel de chimie à des informaticiens et des théoriciens de l’intelligence artificielle marque un tournant historique dans l’histoire des idées scientifiques. Elle valide avec éclat la thèse que Hassabis défendait depuis l’adolescence : l’intelligence artificielle ne doit pas être réduite à un artefact technologique d’optimisation commerciale, mais pensée comme le métamoteur par excellence de la méthode scientifique. En permettant aux chercheurs de naviguer dans des espaces combinatoires incommensurables qui excèdent les capacités d’analyse de l’esprit humain non appareillé, l’IA s’impose comme le télescope du XXIe siècle pour l’infiniment complexe.

10. La philosophie de l’intelligence selon Hassabis : Dualité naturelle et artificielle

10.1 Le concept de neuroscience computationnelle bidirectionnelle

L’épistémologie qui sous-tend les réalisations de Demis Hassabis se distingue radicalement de l’approche purement positiviste et mathématique de la majorité des chercheurs en apprentissage automatique contemporains. Elle repose sur le postulat d’une réciprocité organique féconde entre les sciences du cerveau et l’ingénierie algorithmique : la neuroscience computationnelle bidirectionnelle.

Dans cette vision, exposée avec force dans son article de synthèse programmatique paru dans la revue Neuron (2017) intitulé « Neuroscience-Inspired Artificial Intelligence », Hassabis conceptualise deux vecteurs de transfert intellectuel indissociables :

• Le vecteur descendant (Biologie vers Algorithmique) : Le cerveau biologique agit comme une existence mathématique de preuve (proof of concept) absolue attestant de la possibilité d’une intelligence générale adaptable à des environnements non stationnaires sous contrainte énergétique minimale. Les neurosciences fournissent ainsi aux ingénieurs des plans directeurs d’architectures computationnelles : consolidation par réactivation synaptique (replay hippocampique), modularité attentionnelle, hiérarchie visuelle ventrale et dorsale, et séparation entre mémoire sémantique et mémoire épisodique.
• Le vecteur ascendant (Algorithmique vers Biologie) : Réciproquement, les réseaux neuronaux artificiels entraînés et optimisés par apprentissage profond deviennent des modèles phénoménologiques inestimables pour éclairer le fonctionnement biologique. En observant comment des concepts abstraits émergent spontanément au sein des couches cachées d’un réseau artificiel pour résoudre une tâche, les neuroscientifiques peuvent formuler des hypothèses falsifiables sur la manière dont les assemblées de neurones corticaux résolvent les mêmes défis chez les mammifères.

Cette boucle de rétroaction herméneutique postule que nous ne pourrons prétendre comprendre véritablement l’esprit humain que lorsque nous serons capables de le recréer synthétiquement. La construction d’une AGI n’est pas seulement le but ultime de la technologie, elle est l’achèvement final et la condition sine qua non de la psychologie cognitive et de la neurobiologie.

10.2 L’hypothèse des représentations conceptuelles partagées

Une préoccupation philosophique centrale traversant les réflexions de Hassabis concerne la nature des représentations internes forgées par les modèles d’intelligence artificielle de pointe. Face aux craintes que les machines ne développent une forme d’altérité cognitive absolue totalement étrangère et imperméable à l’intellect humain, Hassabis défend l’hypothèse d’une convergence géométrique et conceptuelle entre l’esprit biologique et les agents synthétiques optimisés pour interagir avec le monde physique.

Les réseaux neuronaux profonds et le cortex cérébral étant tous deux contraints par les lois statistiques invariantes de notre univers physique — la gravité, la géométrie euclidienne tridimensionnelle, la flèche thermodynamique du temps et les relations de causalité matérielle —, ils tendent spontanément à faire émerger des espaces latents topologiquement équivalents. Des recherches récentes menées chez DeepMind confirment que des réseaux entraînés à naviguer dans des espaces virtuels développent de manière émergente des motifs d’activation hexagonaux mimant fidèlement la géométrie computationnelle des cellules de grille découvertes chez les rongeurs par Edvard et May-Britt Moser.

Pour Hassabis, cette convergence invalide la conception mécaniste naïve de la créativité. La créativité computationnelle, telle que manifestée par AlphaGo ou AlphaFold, n’est pas un simulacre aléatoire, mais une forme avancée de pensée combinatoire et exploratoire. Elle procède par l’extraction d’invariants structurels profonds dissimulés dans le bruit phénoménologique, puis par la projection de ces invariants dans des configurations inédites mais rigoureusement fonctionnelles. Hassabis refuse ainsi le dualisme cartésien séparant strictement la rationalité logique froide de la sensibilité créative : toutes deux ne sont que des manifestations différentes d’une même dynamique sous-jacente de descente de gradient sur un paysage d’optimisation conceptuelle.

11. Éthique, alignement et gouvernance de l’intelligence artificielle générale

11.1 La psychologie de la sécurité et du contrôle des systèmes autonomes

Dès la création de DeepMind en 2010, Demis Hassabis s’est distingué de l’euphorie technosolutionniste ambiante en alertant précocement sur les périls structurels inhérents à l’avènement d’entités synthétiques superintelligentes. Sa formation en psychologie cognitive et en neurosciences l’a rendu particulièrement sensible à la complexité des fonctions d’utilité et aux dangers de dérive comportementale chez des agents dotés d’une grande autonomie d’apprentissage.

Ce défi est formalisé sous l’appellation du problème de l’alignement des valeurs (AI Alignment Problem). Comment s’assurer qu’un système d’apprentissage par renforcement, dont l’optimisation mathématique s’exécute à des échelles de complexité hors de portée de la supervision humaine directe, poursuive scrupuleusement les intentions réelles de ses concepteurs sans développer d’effets secondaires catastrophiques ? Hassabis s’est attelé à disséquer le danger des raccourcis de spécification (reward hacking ou specification gaming), situation dans laquelle un agent découvre une faille formelle dans la définition mathématique de sa récompense pour maximiser son score sans accomplir la tâche désirée, voire en détruisant son environnement de test.

Pour pallier ces vulnérabilités, Hassabis a impulsé la création au sein de DeepMind d’équipes de recherche dédiées à la sécurité technique de l’IA (Technical AI Safety). Ces chercheurs explorent notamment les voies de l’interprétabilité mécaniciste (mechanistic interpretability) : il s’agit d’ouvrir la boîte noire des réseaux neuronaux profonds à l’aide d’outils d’investigation micro-analytiques — comparables aux électrodes des neurophysiologistes — afin de cartographier avec précision les circuits internes responsables des prises de décision et d’identifier l’émergence d’éventuels comportements trompeurs avant tout déploiement en conditions réelles.

11.2 Le positionnement dans le débat sur les risques existentiels

Loin d’éluder les scénarios les plus sombres formulés par des philosophes analytiques comme Nick Bostrom, Hassabis assume une posture de pragmatisme rigoureux face aux risques existentiels associés à l’AGI. En mai 2023, il appose sa signature au bas de la déclaration publique solennelle publiée par le Center for AI Safety (CAIS), rejoignant des centaines de scientifiques et de chefs d’entreprise majeurs dans une mise en garde historique :

« Atténuer le risque d’extinction lié à l’intelligence artificielle devrait être une priorité mondiale, au même titre que d’autres risques d’ampleur sociétale tels que les pandémies et la guerre nucléaire. »

Néanmoins, Hassabis récuse l’alarmisme fataliste ou le luddisme réactionnaire qui préconiserait l’arrêt pur et simple de la recherche. Sa grille d’analyse distingue soigneusement deux horizons temporels exigeant des réponses institutionnelles différenciées :

• Les risques à court et moyen terme : La prolifération massive de désinformation hyper-réaliste (deepfakes), l’automatisation asymétrique du cyber-espionnage, le risque d’accidents bioterroristes lié à l’utilisation malveillante de modèles de conception génétique et moléculaire, ainsi que la concentration monopolistique du pouvoir économique entre les mains de quelques conglomérats technologiques.
• Les risques à long terme : La perte définitive de contrôle opérationnel sur une intelligence artificielle générale auto-améliorante qui dépasserait l’humanité dans l’ensemble des domaines cognitifs et dont les objectifs stratégiques divergeraient des conditions d’habitabilité de la biosphère humaine.

Face à ces périls, Hassabis milite activement auprès des gouvernements occidentaux et des organisations multilatérales en faveur de la création d’une architecture de gouvernance mondiale inspirée de l’Agence internationale de l’énergie atomique (AIEA) ou du GIEC. Il préconise l’obligation de tests de sécurité et de protocoles de « red-teaming » indépendants avant la mise sur le marché de tout modèle dépassant certains seuils de puissance de calcul (mesurés en FLOPs), ainsi qu’une traçabilité absolue des supercalculateurs dédiés à l’entraînement des modèles frontières.

11.3 La direction unifiée de Google DeepMind face aux pressions commerciales

En avril 2023, face à l’accélération sans précédent de la compétition industrielle déclenchée par le déploiement public de ChatGPT par OpenAI et Microsoft, Sundar Pichai, directeur général d’Alphabet, prend une décision managériale historique : fusionner les deux entités de recherche en intelligence artificielle de l’entreprise, jusqu’alors rivales et séparées, Google Brain (basée en Californie) et DeepMind (basée à Londres).

À l’issue de cette consolidation titanesque, c’est Demis Hassabis qui est désigné pour prendre la tête exclusive de la nouvelle entité unifiée, baptisée Google DeepMind, supervisant des milliers de scientifiques, d’ingénieurs et de centres de calcul à travers la planète. Cette nomination consacre l’autorité scientifique et morale exceptionnelle acquise par l’ancien joueur d’échecs londonien sur l’ensemble de l’écosystème Alphabet.

Cette responsabilité place toutefois Hassabis au cœur d’une tension dialectique permanente et vertigineuse. D’un côté, il doit orchestrer le déploiement à flux tendu de modèles de langage multimodaux à très grande échelle (la famille des modèles Gemini) pour répondre aux impératifs économiques immédiats d’Alphabet face à une concurrence commerciale féroce. De l’autre, il s’efforce de préserver coûte que coûte l’ADN épistémique de DeepMind : la primauté accordée à la rigueur de la méthode scientifique, le temps long de la recherche fondamentale exploratoire et le maintien d’une éthique de publication académique ouverte. Dans cette arène hyper-concurrentielle, Hassabis s’emploie à démontrer que la rentabilité industrielle à court terme ne saurait se substituer à la construction méthodique et sécurisée des fondations de l’AGI.

12. L’héritage intellectuel et les perspectives d’une théorie unifiée de l’esprit

12.1 L’influence durable sur la psychologie cognitive et les neurosciences

Alors que la trajectoire de Demis Hassabis continue de s’écrire au présent, son empreinte sur l’histoire des idées scientifiques est d’ores et déjà indélébile. En jetant un pont d’une solidité inédite entre l’informatique théorique et les sciences de la vie, il a contribué de manière décisive à sortir les neurosciences de leur ornière purement descriptive pour les hisser au rang de science computationnelle prédictive.

Le succès phénoménal de DeepMind a suscité une vocation massive au sein d’une nouvelle génération de chercheurs interdisciplinaires à travers le monde. Aujourd’hui, il est devenu naturel pour un chercheur en neurobiologie d’utiliser des algorithmes de gradient descendant pour modéliser la connectivité synaptique, de même qu’il est indispensable pour un ingénieur en intelligence artificielle d’étudier la neurobiologie de l’hippocampe, des ganglions de la base et du cortex préfrontal pour concevoir des mémoires de travail artificielles performantes. Ce décloisonnement institutionnel constitue le véritable legs de l’« école londonienne » que Hassabis a patiemment édifiée autour de DeepMind et de l’UCL.

Ses travaux fondamentaux sur la mémoire épisodique continuent d’irriguer la psychologie cognitive contemporaine. En prouvant que le souvenir n’est pas une trace passive mais un acte de reconstruction prospective, il a redéfini les contours conceptuels de l’identité personnelle, de l’imagination et de la prise de décision sous incertitude. L’esprit humain n’apparaît plus comme un simple miroir enregistreur du monde, mais comme un moteur prédictif dynamique en perpétuelle autogénération.

12.2 La trajectoire vers l’Intelligence Artificielle Générale (AGI)

Face à l’avalanche récente de résultats issus des grands modèles de langage (LLM), Hassabis conserve une lucidité critique remarquable. Bien qu’il reconnaisse la fluidité linguistique impressionnante de ces systèmes entraînés sur la prédiction statistique du prochain jeton (next-token prediction), il ne manque pas de souligner leurs carences fondamentales : l’absence d’ancrage perceptuel dans le monde réel, leur vulnérabilité aux hallucinations logiques, leur incapacité à formuler des raisonnements causaux contrefactuels rigoureux et leur inaptitude à planifier des stratégies à long terme hors de leur distribution d’entraînement.

Pour Hassabis, la route menant à une véritable AGI ne passera pas par une simple mise à l’échelle brute (scaling) de modèles autorégressifs passifs. Le franchissement de ce cap exige la réintégration des principes qui ont fait le succès d’AlphaGo et d’AlphaFold au sein des architectures fondationnelles modernes :

• L’acquisition de modèles du monde (World Models) : Les agents doivent apprendre des représentations spatiotemporelles causales de leur environnement physique, leur permettant de prédire les lois dynamiques du réel sans dépendre exclusivement de corpus textuels humains.
• La planification délibérative prospective : Le retour à des mécanismes de recherche arborescente interne et de test d’hypothèses en temps de réflexion (inference-time compute), permettant au système d’évaluer la validité de ses réponses avant de les formuler.
• L’apprentissage continu et sans oubli catastrophique : La capacité d’assimiler de nouvelles connaissances en continu sans écraser les compétences antérieures, émulant la plasticité synaptique équilibrée du néocortex biologique.

À travers cette feuille de route ambitieuse, la démarche de Demis Hassabis demeure guidée par une aspiration métaphysique d’une pureté saisissante. Bâtir l’intelligence artificielle générale n’a jamais représenté à ses yeux une fin purement technologique ou industrielle, mais l’outil suprême d’investigation cognitive permettant d’éclairer les plus grands mystères de notre condition : la nature physique de la conscience, l’origine de la matière, le fonctionnement intime du vivant et la place de l’esprit au sein de l’univers. En cherchant à automatiser la découverte scientifique, l’ancien joueur d’échecs poursuit l’ultime partie : offrir à l’humanité le miroir computationnel dans lequel elle pourra enfin contempler et comprendre les ressorts de sa propre pensée.

Références

• Anfinsen, C. B. (1973). Principles that govern the folding of protein chains. Science, 181(4096), 223–230. https://doi.org/10.1126/science.181.4096.223
• Hassabis, D., Kumaran, D., Vann, S. D., & Maguire, E. A. (2007). Patients with hippocampal amnesia cannot imagine new experiences. Proceedings of the National Academy of Sciences, 104(5), 1726–1731. https://doi.org/10.1073/pnas.0610561104
• Hassabis, D., & Maguire, E. A. (2007). Deconstructing episodic memory with construction. Trends in Cognitive Sciences, 11(7), 299–306. https://doi.org/10.1016/j.tics.2007.05.001
• Hassabis, D., & Maguire, E. A. (2009). The construction system of the brain. Philosophical Transactions of the Royal Society B: Biological Sciences, 364(1521), 1263–1271. https://doi.org/10.1098/rstb.2008.0296
• Hassabis, D., Kumaran, D., Summerfield, C., & Botvinick, M. (2017). Neuroscience-inspired artificial intelligence. Neuron, 95(2), 245–258. https://doi.org/10.1016/j.neuron.2017.06.011
• Jumper, J., Evans, R., Pritzel, A., Green, T., Figurnov, M., Ronneberger, O., Tunyasuvunakool, K., Bates, R., Žídek, A., Potapenko, A., Bridgland, A., Meyer, C., Kohl, S. A. A., Ballard, A. J., Cowie, A., Romera-Paredes, B., Nikolov, S., Jain, R., Adler, J., … Hassabis, D. (2021). Highly accurate protein structure prediction with AlphaFold. Nature, 596(7873), 583–589. https://doi.org/10.1038/s41586-021-03819-2
• Mnih, V., Kavukcuoglu, K., Silver, D., Rusu, A. A., Veness, J., Bellemare, M. G., Graves, A., Riedmiller, M., Fidjeland, A. K., Ostrovski, G., Petersen, S., Beattie, C., Sadik, A., Antonoglou, I., King, H., Kumaran, D., Wierstra, D., Legg, S., & Hassabis, D. (2015). Human-level control through deep reinforcement learning. Nature, 518(7540), 529–533. https://doi.org/10.1038/nature14236
• Schacter, D. L., Addis, D. R., & Buckner, R. L. (2007). Remembering the past to imagine the future: The prospective brain. Nature Reviews Neuroscience, 8(9), 657–661. https://doi.org/10.1038/nrn2213
• Silver, D., Huang, A., Maddison, C. J., Guez, A., Sifre, L., van den Driessche, G., Schrittwieser, J., Antonoglou, I., Panneershelvam, V., Lanctot, M., Dieleman, S., Grewe, D., Nham, J., Kalchbrenner, N., Sutskever, I., Lillicrap, T., Leach, M., Kavukcuoglu, K., Graepel, T., & Hassabis, D. (2016). Mastering the game of Go with deep neural networks and tree search. Nature, 529(7587), 484–489. https://doi.org/10.1038/nature16961
• Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., Hubert, T., Baker, L., Lai, M., Bolton, A., Chen, Y., Lillicrap, T., Hui, F., Sifre, L., van den Driessche, G., Graepel, T., & Hassabis, D. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676), 354–359. https://doi.org/10.1038/nature24270
• The Nobel Prize. (2024). The Nobel Prize in Chemistry 2024: Demis Hassabis and John M. Jumper. Nobel Prize Outreach AB. https://www.nobelprize.org/prizes/chemistry/2024/summary/