13 aug. 2025·8 min
Demis Hassabis: att bygga AI som kan matcha mänsklig skicklighet
En tydlig biografi om Demis Hassabis — hans väg från spel och neurovetenskap till DeepMind, AlphaGo och AlphaFold — och vad det lär oss om modern AI.
En tydlig biografi om Demis Hassabis — hans väg från spel och neurovetenskap till DeepMind, AlphaGo och AlphaFold — och vad det lär oss om modern AI.
Demis Hassabis är en brittisk forskare och entreprenör mest känd som medgrundare av DeepMind, forskningslaboratoriet bakom AlphaGo och AlphaFold. Hans arbete är viktigt för att det hjälpte flytta AI från ”intressanta demoer” till system som kan överträffa ledande människliga experter i specifika, höginsatsuppgifter — och sedan återanvända idéerna i mycket olika domäner.
När folk säger att Hassabis hjälpte göra AI ”konkurrenskraftig med människor” menar de oftast uppgiftsprestation: en AI kan matcha eller överträffa människor i ett tydligt definierat mål, som att vinna ett komplext spel eller förutsäga proteinstrukturer. Det är inte samma sak som generell intelligens.
AlphaGo förstod inte världen som människor gör; det lärde sig att spela Go extremt bra. AlphaFold ”gör inte biologi”; det förutsäger 3D-proteinformer från sekvenser med anmärkningsvärd noggrannhet. Dessa system är smala, men deras påverkan är bred eftersom de visar hur inlärningsbaserade metoder kan angripa problem som tidigare ansågs kräva unik mänsklig intuition.
Några prestationer är centrala för varför Hassabis ses som en definierande figur:
Det här är inte en hjältesaga eller en hyllning. Vi håller oss till klara fakta, lägger till kontext så att genombrotten blir begripliga, och plockar fram praktiska slutsatser — hur du kan tänka om inlärningssystem, vad ”mänsklig nivå” egentligen innebär, och varför etik- och säkerhetsdiskussioner följer naturligt när AI börjar prestera på expertnivå.
Demis Hassabis väg in i AI började inte med abstrakt teori. Den började med spel — strukturerade världar där du kan pröva idéer, göra misstag säkert och få omedelbar återkoppling.
Som barn utmärkte han sig i schack och andra strategispel och byggde en tidig vana av långsiktig planering: du väljer inte bara ett ”bra drag”, du väljer ett drag som formar spelet flera steg framåt. Den vanan — att tänka i sekvenser, inte enkla handlingar — ligger nära hur moderna AI-system lär sig fatta beslut över tid.
Tävlande spel tvingar fram en viss disciplin:
Det är praktiska färdigheter, inte slogans. En stark spelare frågar ständigt: Vilka alternativ finns? Vad kommer motståndaren sannolikt göra härnäst? Vad kostar det att ha fel?
Hassabis byggde också spel, inte bara spelade dem. Att jobba med spelutveckling innebär att hantera många samverkande delar: regler, incitament, tidsgränser, svårighetskurvor och hur små ändringar sprider sig genom hela upplevelsen.
Det är konkret ”systemtänkande” — att betrakta prestation som resultatet av en hel uppsättning snarare än ett enda trick. Ett spels beteende uppstår ur hur komponenterna hänger ihop. Senare dyker samma mindset upp i AI-forskning: framsteg beror ofta på rätt kombination av data, träningsmetod, beräkningskraft, utvärdering och klara mål.
Dessa tidiga grundvalar — strategiskt spelande och att bygga komplexa, regelbaserade miljöer — hjälper förklara varför hans senare arbete betonade lärande genom interaktion och återkoppling snarare än att förlita sig enbart på handkodade instruktioner.
Demis Hassabis såg inte neurovetenskap som en omväg från AI. Han såg den som ett sätt att ställa bättre frågor: Vad betyder det att lära av erfarenhet? Hur lagrar vi användbar kunskap utan att memorera allt? Hur bestämmer vi vad vi ska göra när framtiden är osäker?
I enkla ord är inlärning att uppdatera sitt beteende baserat på återkoppling. Ett barn rör en het mugg en gång och blir mer försiktigt. Ett AI-system kan göra något liknande: prova handlingar, se resultaten och anpassa sig.
Minne är att behålla information som hjälper senare. Människor spelar inte in livet som en video; vi sparar mönster och ledtrådar. För AI kan minne innebära att spara tidigare erfarenheter, bygga interna summeringar eller komprimera information så den är användbar i nya situationer.
Planering är att välja handlingar genom att föreställa sig framtida utfall. När du väljer en väg för att undvika trafik tänker du på möjliga resultat. I AI betyder planering ofta att simulera “vad som kan hända om…” och välja det alternativ som ser bäst ut.
Att studera hjärnan kan peka ut problem värda att lösa — som att lära effektivt från begränsade data eller balansera snabba reaktioner med eftertänksamhet. Men det är viktigt att inte överdriva sambandet: ett modernt neuralt nätverk är inte en hjärna, och målet är inte att kopiera biologin.
Värdet är pragmatiskt. Neurovetenskap erbjuder ledtrådar om förmågor intelligens behöver (generaliserande, anpassande, resonera under osäkerhet), medan datavetenskap förvandlar dessa ledtrådar till testbara metoder.
Hassabis bakgrund visar hur blandning av fält kan ge hävstång. Neurovetenskap väcker nyfikenhet om naturlig intelligens; AI-forskning kräver att bygga system som går att mäta, förbättra och jämföra. Tillsammans driver de forskare att koppla stora idéer — som resonemang och minne — till konkreta experiment som faktiskt fungerar.
DeepMind startade med ett klart, ovanligt mål: inte att bygga en smart app, utan att skapa generella inlärningssystem — mjukvara som kan lära sig lösa många olika problem genom att förbättra sig via erfarenhet.
Den ambitionen formade allt i företaget. I stället för att fråga ”Vilken funktion kan vi leverera nästa månad?” var grundfrågan snarare ”Vilken typ av lärande maskin kan fortsätta förbättras, även i situationer den inte sett tidigare?”
DeepMind organiserades mer som ett akademiskt labb än en typisk mjukvarustartup. Utgången var inte bara produkter — det var även forskningsresultat, experimentella fynd och metoder som kunde testas och jämföras.
Ett vanligt mjukvaruföretag optimerar ofta för leverans: användarberättelser, snabb iteration, intäktsmål och inkrementella förbättringar.
DeepMind optimerade för upptäckt: tid för experiment som kan misslyckas, djupdyk i svåra problem och team byggda kring långsiktiga frågor. Det betyder inte att de ignorerade ingenjörskvalitet — det betyder att ingenjörsarbete tjänade forskningsframsteg, inte tvärtom.
Stora satsningar kan bli vaga om de inte förankras i mätbara mål. DeepMind valde ofta benchmarks som var offentliga, svåra och lätta att utvärdera — särskilt spel och simuleringar där framgång är entydig.
Det skapade en praktisk forskningsrytm:
När arbetet fick uppmärksamhet blev DeepMind en del av ett större ekosystem. 2014 förvärvade Google DeepMind, vilket gav resurser och beräkningsskala som är svåra att matcha självständigt.
Viktigt är att grundkulturen — hög ambition kombinerad med rigorös mätning — förblev central. DeepMinds tidiga identitet var inte ”ett företag som bygger AI-verktyg”, utan ”en plats som försöker förstå hur lärande kan byggas”.
Förstärkningsinlärning är ett sätt för en AI att lära sig genom att göra, inte genom att få rätt svar för varje situation.
Föreställ dig att du lär någon att kasta straffar i basket. Du ger dem inte ett kalkylblad med perfekta armvinklar för varje möjligt skott. Du låter dem pröva, observerar resultatet och ger enkel återkoppling: ”Det där kom närmare”, ”Det där missade ordentligt”, ”Gör mer av det som funkade”. Med tiden justerar de.
Förstärkningsinlärning fungerar likadant. AI:n tar en handling, ser vad som händer och får en poäng (en ”reward”) som signalerar hur bra utfallet var. Målet är att välja handlingar som ger högre total reward över tid.
Nyckeln är trial and error + återkoppling. Det låter långsamt — tills du inser att försöken kan automatiseras.
En person kanske övar 200 skott en eftermiddag. En AI kan öva miljontals ”skott” i en simulerad miljö och lära sig mönster som skulle ta människor år att snubbla över. Det är en anledning till att förstärkningsinlärning blev central för AI som spelar spel: spel har tydliga regler, snabb återkoppling och ett objektivt sätt att mäta framgång.
Många AI-system behöver märkt data (exempel med korrekta svar). Förstärkningsinlärning kan minska det beroendet genom att generera sin egen erfarenhet.
Med simulation kan AI öva i en säker, snabb ”träningsarena”. Med self-play kan den spela mot kopior av sig själv och ständigt möta en svårare motståndare när den förbättras. I stället för att förlita sig på människor för att märka exempel, skapar AI:n sitt eget träningsschema genom att tävla och iterera.
Förstärkningsinlärning är ingen magi. Det kräver ofta enorma mängder erfarenhet (data), dyr beräkningskraft och noggrann utvärdering — en AI kan ”vinna” i träning men misslyckas i något annorlunda omständigheter.
Det finns också säkerhetsrisker: att optimera fel reward kan ge oönskat beteende, särskilt i högpåverkande sammanhang. Att sätta rätt mål och tester är lika viktigt som själva inlärningen.
AlphaGos match 2016 mot Lee Sedol blev en kulturell vändpunkt eftersom Go länge betraktats som ett ”sista fort” för datorer. Schack är komplext, men Go är överväldigande: det finns långt fler möjliga brädpositioner, och bra drag bygger ofta på långsiktig påverkan och mönsterintuition snarare än omedelbar taktik.
En bruteforce-metod — att försöka beräkna varje möjlig framtid — leder till en kombinatorisk explosion. Även starka Go-spelare kan inte förklara varje val som en ren sekvens av beräkningar; mycket handlar om omdöme byggt från erfarenhet. Det gjorde Go till en dålig match för tidigare generationers spelprogram som mest förlitade sig på handgjorda regler.
AlphaGo räknade inte bara, och den lärde sig inte bara. Den kombinerade båda. Den använde neurala nät tränade på människors partier (och senare på self-play) för att utveckla en känsla för vilka drag som var lovande. Sedan användes ett fokuserat sökande för att utforska varianter, guidat av dessa inlärda instinkter. Tänk på det som att para ihop intuition (inlärda mönster) med eftertanke (att titta framåt), i stället för att förlita sig på en av dem.
Segern visade att maskininlärningssystem kunde bemästra ett domän som belönar kreativitet, långsiktig planering och subtila avvägningar — utan att människor behövde koda Go-strategi för hand.
Det betydde inte att AlphaGo hade generell intelligens. Den kunde inte överföra sin skicklighet till orelaterade problem, förklara sitt tänkande som en människa eller förstå Go som en mänsklig kulturell praktik. Den var extraordinär på en uppgift.
Det offentliga intresset ökade, men den djupare påverkan skedde inom forskningen. Matchen validerade en väg: att kombinera storskaligt lärande, självförbättring genom övning och sökande som ett praktiskt recept för att nå (och överträffa) elitmänsklig prestanda i komplexa miljöer.
En rubrikseger kan få AI att kännas ”löst”, men de flesta system som glänser i en miljö fallerar när reglerna skiftar. Den mer meningsfulla berättelsen efter ett genombrott är drivandet från en snäv, skräddarsydd lösning mot metoder som generaliserar.
I AI är generalisering förmågan att prestera bra i nya situationer du inte tränat för. Det är skillnaden mellan att memorera ett prov och verkligen förstå ämnet.
Ett system som bara vinner under en uppsättning förutsättningar — samma regler, samma motståndare, samma miljö — kan ändå vara extremt bräckligt. Generalisering undrar: om vi förändrar ramarna, kan det anpassa sig utan att börja om?
Forskare försöker designa inlärningsmetoder som överförs mellan uppgifter i stället för att konstruera ett nytt ”trick” för varje problem. Praktiska exempel inkluderar:
Poängen är inte att en modell omedelbart ska göra allt. Poängen är hur mycket av lösningen som är återanvändbar.
Benchmarks är AI:s standardtester: de låter team jämföra resultat, följa förbättringar och identifiera vad som fungerar. De är viktiga för vetenskaplig framgång.
Men benchmarks kan vilseleda när de blir målet i sig. Modeller kan ”överanpassa” till ett tests egenheter eller lyckas genom att utnyttja kryphål som inte speglar verklig förståelse.
”Mänsklig nivå” betyder vanligtvis att matcha människor på en specifik mätpunkt i en specifik situation — inte att ha människolik flexibilitet, omdöme eller sunt förnuft. Ett system kan slå experter under snäva regler och ändå ha svårt så fort miljön ändras.
Den verkliga slutsatsen efter en hyllad vinst är forskningsdisciplinen som följer: testa på svårare variationer, mät överföring och visa att metoden skalar bortom ett enda steg.
Proteiner är små ”maskiner” i levande organismer. De börjar som långa kedjor av byggstenar (aminosyror) och kedjan vrider sig och kollapsar till en specifik 3D-form — som ett papper som viks till origami.
Den slutliga formen är viktig eftersom den i hög grad avgör vad proteinet kan göra: transportera syre, bekämpa infektion, skicka signaler eller bygga vävnad. Utmaningen är att en protein-kedja kan böja sig på astronomiskt många sätt, och den korrekta formen är svår att härleda bara från sekvensen. I årtionden krävde forskare ofta långsamma, kostsamma labbmetoder för att bestämma strukturer.
Att känna ett proteins struktur är som att ha en detaljerad karta i stället för bara ett gatunamn. Det kan hjälpa forskare att:
Det spelar roll även när det inte omedelbart blir en produkt: det förbättrar grunden som många efterföljande studier bygger på.
AlphaFold visade att maskininlärning kunde förutsäga många proteinstrukturer med slående noggrannhet, ofta nära vad labbmetoder skulle avslöja. Dess centrala bidrag var inte att ”lösa biologin”, utan att göra strukturgissningar mycket mer pålitliga och tillgängliga — att förvandla en stor flaskhals till något forskare kan närma sig tidigare i ett projekt.
Det är viktigt att skilja på vetenskaplig acceleration och färdiga mediciner. Att förutsäga en struktur är inte samma sak som att producera ett säkert läkemedel. Läkemedelsutveckling kräver fortfarande validering, testning av molekyler, förståelse av biverkningar och kliniska prövningar. AlphaFolds påverkan är bäst beskriven som att möjliggöra och påskynda forskning — att ge bättre startpunkter — snarare än att leverera behandlingar direkt.
Hassabis arbete beskrivs ofta genom rubrikögonblick som AlphaGo eller AlphaFold, men den mer överförbara lärdomen är hur DeepMind riktade sin insats: en tight loop av klara mål, mätbar framsteg och obeveklig iteration.
Genombrottsprojekt på DeepMind börjar vanligtvis med ett klart mål ("lös denna klass av uppgifter") och en ärlig resultattavla. Den tavlan är viktig eftersom den förhindrar team från att förväxla imponerande demoer med verklig kapacitet.
När utvärderingen är satt blir arbetet iterativt: bygg, testa, lär vad som misslyckades, justera, upprepa. Först när loopen fungerar går man till skala — mer data, mer beräkning, längre träningstid och ofta en större, bättre designad modell. Att skala för tidigt ökar bara förvirringen.
Många tidigare AI-system förlitade sig på människor som skrev explicita regler ("om X, gör Y"). DeepMinds framgångar lyfter fram fördelen med lärda representationer: systemet upptäcker användbara mönster och abstraktioner direkt från erfarenhet.
Det spelar roll eftersom verkliga problem har stökiga kantfall. Regler spricker när komplexiteten växer, medan lärda representationer kan generalisera — särskilt när de paras med starka träningssignaler och noggrann utvärdering.
Ett kännetecken för DeepMinds stil är tvärvetenskapligt teamarbete. Teori pekar ut vad som kan fungera, ingenjörskonst gör det träningsbart i skala, och experiment håller alla ärliga. Forskningskulturen värderar bevis: när resultat motsäger intuition följer teamet data.
Om du ska använda AI i en produkt är slutsatsen mindre "kopiera modellen" och mer "kopiera metoden":
Om målet är att snabbt omvandla dessa principer till ett internt verktyg (utan att bygga en full engineering-pipeline först) kan en vibe-coding-plattform som Koder.ai hjälpa dig prototypa och leverera snabbare: du kan beskriva appen i chatten, generera en React-webb-UI, lägga till en Go-backend med PostgreSQL och iterera med planning mode, snapshots och rollback. För team gör export av källkod och deploy/hosting-alternativ det lättare att gå från ”fungerande prototyp” till ”ägbar produktkod” utan att fastna i en demo.
När AI-system börjar matcha eller överträffa människor i specifika uppgifter skiftar samtalet från "kan vi bygga det?" till "bör vi distribuera det, och hur?" Samma kapaciteter som gör AI värdefull — hastighet, skala och autonomi — kan också göra misstag eller missbruk mer avgörande.
Mer kapabla modeller kan återanvändas på sätt deras skapare inte avsåg: generera övertygande desinformation, automatisera cybermissbruk eller snabba upp skadligt beslutsfattande i stor skala. Även utan illvilliga avsikter kan fel bli allvarligare — en felaktig medicinsk rekommendation, ett partiskt urvalsinstrument eller en självsäker sammanfattning presenterad som fakta.
För organisationer som bygger gränsdrivande system är säkerhet också ett praktiskt problem: förtroendeförlust, regulatoriska följder och verklig skada kan underminera framsteg lika säkert som tekniska begränsningar.
Ansvarsfull utveckling betonar ofta bevis framför hype:
Inget av detta garanterar säkerhet, men tillsammans minskar det chansen att modellens mest överraskande beteende upptäcks offentligt.
Det finns en äkta spänning mellan öppen vetenskap och riskhantering. Att publicera metoder och släppa modellvikter kan snabba på forskning och transparens, men kan också sänka tröskeln för illvilliga aktörer. Att röra sig snabbt kan skapa konkurrensfördel, men att rusa kan öka gapet mellan kapacitet och kontroll.
En jordnära strategi är att anpassa lanseringsbeslut efter potentiell påverkan: ju högre insats, desto starkare skäl för stegvis utrullning, oberoende utvärdering och begränsad åtkomst — åtminstone tills riskerna är bättre förstådda.
Hassabis rubrikmilstolpar — DeepMinds forskningsförstakultur, AlphaGos språng i beslutsfattande och AlphaFolds påverkan på biologin — pekar tillsammans på ett stort skifte: AI blir ett allmänt problemlösningsverktyg när du kan definiera ett tydligt mål, ge återkoppling och skala inlärning.
Lika viktigt visar dessa vinster ett mönster. Genombrott sker ofta när starka inlärningsmetoder möter väl utformade miljöer (spel, simuleringar, benchmarks) och när resultaten testas med oförsonliga, offentliga mått på framgång.
Modern AI utmärker sig i mönsterigenkänning och att ”söka” stora lösningsrymder snabbare än människor — särskilt i områden med mycket data, upprepbara regler eller mätbar poäng. Det inkluderar proteinstrukturprediktion, bild- och taluppgifter och optimering av komplexa system där många försök kan köras.
I vardagliga termer: AI är bra på att smalna ner alternativ, hitta dold struktur och snabbt ta fram utkast.
Även imponerande system kan vara bräckliga utanför de förhållanden de tränats för. De kan ha svårt med:
Därför är ”större” inte automatiskt ”säkrare” eller ”smartare” på sätt människor förväntar sig.
Om du vill fördjupa dig, fokusera på idéerna som kopplar samman dessa milstolpar: återkopplingsdrivet lärande, utvärdering och ansvarsfull distribution.
Läs fler förklaringar och fallstudier på /blog.
Om du utforskar hur AI kan stödja ditt team (eller vill sundbedöma förväntningar), jämför alternativ på /pricing.
Har du ett specifikt användningsfall eller frågor om säker och realistisk adoption? Kontakta oss via /contact.
Demis Hassabis är en brittisk forskare och entreprenör som var med och grundade DeepMind. Han är starkt förknippad med AI-genombrott som AlphaGo (spel) och AlphaFold (proteinstrukturprediktion), vilka visade att inlärningsbaserade system kan nå eller överträffa expertmänsklig prestanda i specifika, välavgränsade uppgifter.
Det betyder oftast prestanda på en specifik, benchmarkad uppgift (t.ex. att vinna i Go eller att förutsäga proteinstrukturer korrekt).
Det betyder inte att systemet har bred sunt förnuft, lätt kan överföra färdigheter mellan skilda områden eller ”förstår” världen som människor gör.
DeepMind var uppbyggt som ett forskningslabb först, med fokus på långsiktiga framsteg i generella inlärningssystem snarare än att släppa en enda app.
I praktiken innebar det att de:
Förstärkningsinlärning (RL) är inlärning genom trial and error med ett poängsignal ("reward"). I stället för att få rätt svar för varje situation, provar systemet handlingar, observerar resultat och uppdaterar sitt beteende för att förbättra långsiktig reward.
Det är särskilt användbart när:
Self-play innebär att systemet övar mot kopior av sig självt och genererar träningsdata utan mänsklig märkning.
Det hjälper eftersom:
Go har ett enormt antal möjliga ställningar, vilket gör bruteforce-beräkningar opraktiska. AlphaGo lyckades genom att kombinera:
Denna kombination visade en praktisk väg till topprestanda i komplexa beslutsmiljöer—utan handkodad Go-strategi.
Generalisation är förmågan att prestera i nya situationer som du inte tränat specifikt för—ändrade regler, nya scenarier eller annan datafördelning.
Praktiska tester inkluderar:
Benchmarks ger en gemensam resultattavla, men modeller kan överanpassa sig till testets särdrag.
För att undvika vilseledning:
Se benchmarks som mätning, inte som målet i sig.
AlphaFold förutsäger ett proteins 3D-form från dess aminosyrasekvens med hög precision för många proteiner.
Det betyder att forskare kan:
Det snabbar på forskning, men det betyder inte att det direkt ger färdiga läkemedel—läkemedelsutveckling kräver fortfarande validering, tester och kliniska prövningar.
Börja med att kopiera metoden, inte bara modellen:
För högpåverkande system, använd strukturerad testning (red-teaming), tydliga användningsgränser och stegvisa lanseringar.