پسر شطرنج‌بازی که نوبل گرفت، دمیس هاسابیس چگونه می‌خواهد اینشتین مصنوعی بسازد؟
برنده نوبل شیمی با پیش‌بینی تحقق AGI تا سه سال آینده، دیپ‌مایند را رها کرد تا تمام توانش را صرف درمان سرطان با هوش مصنوعی کند.
برنده نوبل شیمی با پیش‌بینی تحقق AGI تا سه سال آینده، دیپ‌مایند را رها کرد تا تمام توانش را صرف درمان سرطان با هوش مصنوعی کند.
دمیس هاسابیس اغلب شب‌ها بیدار می‌ماند؛ نه از نگرانی، از سر عشق. نیمه‌شب ساعت محبوب کار اوست؛ دنیا ساکت می‌شود، ذهنش رها می‌شود و می‌تواند بی‌وقفه فکر کند. اگر کار خوب پیش برود، نگاهی به برنامه‌ی صبح فردا می‌اندازد و گاهی تصمیم می‌گیرد اصلاً نخوابد. خودش می‌داند این عادت برای مغز ضرر دارد؛ سال‌ها مغز را مطالعه کرده است.
پنجم آگوست ۲۰۲۶، هاسابیس برای کارکنانش نوشت که تمام عمر برای ساخت هوش مصنوعی عمومی (AGI) کار کرده و حالا آن را در دسترس می‌بیند. درست در همان پیام، اعلام کرد مدیرعاملی گوگل دیپ‌مایند، آزمایشگاهی را که خودش ساخته بود، تحویل می‌دهد. چرا کسی در آستانه‌ی رسیدن به آرزوی یک عمر، فرمان را رها می‌کند؟
دو ماه و نیم بعد، در گفت‌وگو با وال‌استریت ژورنال، پیش‌بینی سابقش در مورد زمان رسیدن به هوش مصنوعی عمومی یا AGI را جسورانه‌تر کرد و گفت دو تا سه سال با AGI فاصله داریم نه سه تا پنج سال و افزود: «تخمینم مدام نزدیک‌تر می‌شود.»
چرا دانشمندی که حتی سرسخت‌ترین رقبایش نیز برای دستاوردهایش احترام قائل‌اند، مدیرعاملی یکی از پیشرفته‌ترین آزمایشگاه‌های هوش مصنوعی جهان را رها کرد؟
تصمیم هاسابیس را شاید زمانی درک کنیم که به عقب برگردیم؛ به پسری که برای دیدن صفحه‌ی شطرنج روی دفترچه‌ی تلفن می‌نشست، طراح بازی‌ای که یک میلیون پوند را رد کرد، عصب‌شناسی که درباره‌ی تخیل تحقیق می‌کرد و مردی که نوبل را از سال‌ها قبل پیش‌بینی کرده بود. نقشه‌ی هاسابیس همیشه مشخص بود: «قدم اول، هوش را حل کن. قدم دوم، همه‌چیز دیگر را.»
سال ۱۹۸۰، پسری چهارساله در لندن، با پدری یونانی‌تبار از قبرس و مادری چینی‌تبار از سنگاپور، قوانین شطرنج را فقط با تماشای بازی بزرگ‌ترها یاد گرفت. قدش به میز نمی‌رسید و برای دیدن صفحه روی دفترچه‌ی تلفن می‌نشست. در ۱۳ سالگی به ریتینگ ۲۳۰۰ رسید؛ در رده‌ی سنی خودش در جهان، فقط یودیت پولگار از او بالاتر بود.
در یکی از تورنمنت‌های شطرنج در لیختن‌اشتاین؛ هاسابیس ۱۲ ساله ساعت‌ها با یک حریفی باتجربه جنگید، سالن به‌تدریج خالی شد و سرانجام باخت. ولی چیزی که از آن روز در ذهنش ماند، باخت نبود. به سالن نگاه کرد و فکر کرد اگر همه‌ی این مغزها به‌جای حرکت مهره‌ها روی مسئله‌ای واقعی کار می‌کردند، شاید سرطان درمان می‌شد.
هاسابیس از نوجوانی بیشتر از خود شطرنج، به ذهنی علاقه داشت که شطرنج بازی می‌کرد
بعدها گفت در آن لحظه حس می‌کرد زندگی چیزی بیشتر از جابه‌جاکردن «تکه‌های بی‌جان پلاستیک» دارد.
پسر شطرنج‌باز با پول جایزه‌های تورنمنت اولین کامپیوترش را خرید و برنامه‌نویسی را خودش یاد گرفت. از همان روزها، معمای اصلی برایش خود شطرنج نبود؛ ذهنی بود که شطرنج بازی می‌کند. به قول خودش، شطرنج او را به «فکرکردن درباره‌ی خود فکرکردن» کشاند. خواندن بیش از حد داستان‌های علمی‌تخیلی هم بی‌تأثیر نبود؛ خودش با خنده می‌گوید یکی از دلایل ورودش به این حوزه همین بود.
هاسابیس در برنامه‌نویسی بازی همان‌قدر بااستعداد بود که در بازی‌کردن. در شانزده‌سالگی، پیش از ورود به دانشگاه، مدتی تحصیل را کنار گذاشت و وارد صنعت بازی‌سازی شد. در این دوره به استودیوی Bullfrog پیوست و روی Theme Park کار کرد؛ بازی شبیه‌سازی شهربازی که میلیون‌ها نسخه فروخت و بازدیدکننده‌های مجازی‌اش رفتارهایی خودجوش و غیرقابل‌پیش‌بینی داشتند. اولین آزمایش‌های جدی‌اش با هوش مصنوعی ابتدایی، درون همین بازی‌ها شکل گرفت.
رئیس استودیو به او پیشنهادی وسوسه‌انگیز داد؛ یک میلیون پوند، به‌شرط اینکه دانشگاه نرود. هاسابیس قبول نکرد و به کمبریج رفت؛ دانشگاهی که نیوتن و تورینگ در آن درس خوانده‌اند. او علوم کامپیوتر خواند و البته باز هم بازی کرد. گو، بازی تخته‌ای چینی را که به‌مراتب پیچیده‌تر از شطرنج است، خودش یاد گرفت. در پاب‌های شهر هم بازی فوتبال‌دستی را فتح کرد. هاسابیس با افتخار تعریف می‌کند: «قهرمان کمبریج بودم.»
فوتبال‌دستی شوخی کوچکی در زندگی‌نامه‌ی دمیس هاسابیس نیست و حتی پنجره‌ای به شخصیت او باز می‌کند. سباستین مالابی در کتاب The Infinity Machine روایت می‌کند که هاسابیس بعدها میز فوتبال‌دستی را به محل کار آورد و همکارانش را به مبارزه طلبید. وقتی بالاخره باخت، از جا بلند شد و فریاد زد: «انگار روحم آتش گرفته!»
نزدیکانش او را با صفاتی مانند درخشان و خستگی‌ناپذیر توصیف می‌کنند، و البته آن‌قدر رقابت‌طلب که حتی باخت در فوتبال‌دستی را تاب نمی‌آورد.
هاسابیس پیشنهاد یک میلیون پوندی را رد کرد تا در کمبریج علوم کامپیوتر بخواند
هاسابیس بعد از کمبریج، استودیوی بازی‌سازی خودش، Elixir Studios، را راه انداخت. Elixir باوجود بلندپروازی‌هایش دوام نیاورد و هاسابیس اولین شکست بزرگ زندگی‌اش را تجربه کرد. مسیر بعدی‌اش برای خیلی‌ها عجیب بود، او به دانشگاه بازگشت تا این بار در یونیورسیتی‌کالج لندن دکترای علوم اعصاب شناختی بخواند.
دمیس اما از سال‌ها قبل به کمبریج فکر می‌کرد، شاید از دوران نوجوانی، وقتی فیلمی درباره‌ی کشف ساختار DNA دیده و با شگفتی از خودش پرسیده بود آیا دانشمندان در کمبریج واقعاً در میخانه‌ها می‌نشینند و چنین کشف‌هایی می‌کنند؟ در مصاحبه‌ی ورودی دانشگاه هم استاد را با سرعت محاسبات ذهنی‌اش غافلگیر کرد.
تحقیقات هاسابیس و همکارانش در این دوران نشان داد بیمارانی که در اثر آسیب هیپوکامپ دچار فراموشی شده بودند، در تصورکردن آینده و تجربه‌های خیالی جدید هم مشکل دارند. یافته‌ها حاکی از این بود که بخش‌هایی از سازوکار مغز که در یادآوری گذشته نقش دارند، برای ساختن صحنه‌های خیالی هم حیاتی‌اند. این پژوهش‌ها بعدها بر نگاه هاسابیس به هوش مصنوعی و یادگیری ماشین اثر گذاشتند.
سال ۲۰۱۰، هاسابیس همراه شین لگ و مصطفی سلیمان دیپ‌مایند را بنیان گذاشت. تصویری که از شرکت در ذهن داشت، ترکیبی از بل‌لبز و پروژه‌ی منهتن بود؛ آزمایشگاهی برای کشف‌های بنیادین، با فوریت یک مأموریت تاریخی. و طبیعی بود که آغاز کار، باز هم بازی باشد.
هاسابیس دیپ‌مایند را برای حل مسئله‌ی هوش بنیان گذاشت
یکی از نخستین میدان‌های آزمایش دیپ‌مایند بازی‌های آتاری بود. عامل هوش مصنوعی بدون دانستن قوانین بازی، فقط با دیدن تصویر صفحه و دریافت امتیاز یاد می‌گرفت چه کند. در بازی Breakout، ابتدا به‌زحمت توپ را برمی‌گرداند، اما با ادامه‌ی تمرین، راهبردهای مؤثرتری پیدا کرد؛ از جمله باز کردن مسیری در دیوار آجرها و فرستادن توپ به فضای پشت آن‌ها.
پژوهشگران در سال ۲۰۱۵ نشان دادند که همین رویکرد می‌تواند در مجموعه‌ای از بازی‌ها به عملکردی هم‌سطح یا بهتر از انسان برسد. وقتی مقاله‌ی آتاری منتشر شد، هاسابیس در جلسه‌ی شرکت بلند شد و به افتخار این دستاورد جام بالا برد. بعد جمله‌ای اضافه کرد که آن روز شاید شوخی به نظر می‌رسید: «یک روز با همین فناوری نوبل می‌بریم.»
سال ۲۰۱۴ گوگل دیپ‌مایند را در معامله‌ای به ارزش گزارش‌شده‌ی حدود ۶۵۰ میلیون دلار خرید. پشتیبانی مالی گوگل به دانشمندان دیپ‌مایند امکان می‌داد پژوهش‌های بلندپروازانه‌ای را دنبال کنند که لزوماً در کوتاه‌مدت درآمدی نداشتند. بااین‌حال، رابطه‌ی هاسابیس با مالک جدید همیشه بی‌تنش نبود.
هاسابیس در همان روزهای نخست پیوستن به گوگل گفته بود ساختن زیرساخت محاسباتی و مهندسی گوگل برای دیپ‌مایند شاید ده سال زمان می‌برد. حالا به‌کمک همان زیرساخت می‌توانستند آزمایش‌های بی‌شماری را هم‌زمان اجرا کنند. علاقه‌ی شخصی لری پیج به هوش مصنوعی هم در تصمیم او نقش داشت؛ اما امتیازهای این همکاری نتوانست اختلاف دیدگاه‌های بعدی بر سر آینده‌ی دیپ‌مایند را از میان بردارد.
دیپ‌مایند برای استقلال از گوگل جنگید، اما همان وابستگی بعدها به یکی از مزیت‌های بزرگش تبدیل شد
مالابی در کتابش پشت‌پرده‌ی یکی از کمتر شنیده‌شده‌ترین فصل‌های این داستان را روایت می‌کند. هاسابیس و سلیمان از رید هافمن، هم‌بنیان‌گذار لینکدین، تعهد یک‌میلیارددلاری گرفتند تا دیپ‌مایند را دوباره مستقل کنند، مذاکرات حقوقی و مالی طولانی شد، اما در نهایت دیپ‌مایند زیرمجموعه‌ی گوگل باقی ماند.
به گزارش رویترز، سال ۲۰۱۷ در گردهمایی‌ای در اسکاتلند ، رهبران دیپ‌مایند حتی به کارکنان گفتند قصد جدایی دارند. باور هاسابیس این بود که دیپ‌مایند فقط رها از فشارهای سودآوری گوگل می‌تواند توسعه‌ی مسئولانه‌ی هوش مصنوعی را تضمین کند.
نقشه‌ی استقلال شکست خورد و طبق روایت‌ها، همین نبردها هاسابیس آرمان‌گرا را به دانشمندی واقع‌گرا تبدیل کرد و جالب اینکه قفسی که هاسابیس نتوانست از آن فرار کند، مزیتی بزرگ برای دیپ‌مایند فراهم کرد؛ دسترسی به منابع مالی، زیرساخت محاسباتی و شبکه‌ی جهانی آلفابت، بدون اینکه آزمایشگاه مجبور باشد همه‌ی هزینه‌های رقابت را به‌تنهایی تأمین کند.
مارس ۲۰۱۶، در هتلی در سئول، لی سدول یکی از بهترین بازیکنان گو در تاریخ پشت صفحه نشست تا با حریفش، یک برنامه‌ی کامپیوتری به اسم AlphaGo مسابقه دهد.
گو را سال‌ها یکی از دشوارترین چالش‌های هوش مصنوعی می‌دانستند. تعداد آرایش‌های قانونی صفحه‌ی ۱۹ در ۱۹ آن بسیار بیشتر از برآورد تعداد اتم‌های جهان مشاهده‌پذیر است و شمار مسیرهای ممکن بازی از آن هم فراتر می‌رود. هیچ برنامه‌ای نمی‌تواند تمام این مسیرها را یک‌به‌یک بررسی کند؛ بازیکنان بزرگ نیز برای انتخاب حرکت، بیش از محاسبه‌ی صرف به تجربه و شهود متکی‌اند.
در بازی دوم، AlphaGo مهره‌اش را جایی گذاشت که بعید بود استادی انسانی بگذارد. خود دیپ‌مایند بعدها احتمال انتخاب چنین حرکتی در بازی انسان‌ها را حدود یک در ده‌هزار توصیف کرد. مفسران اول خیال کردند ماشین اشتباه کرده و لی سدول اتاق را ترک کرد و دقایقی طول کشید تا برگردد.
حرکت ۳۷ آلفاگو نشان داد ماشین می‌تواند راهبردهایی پیدا کند که حتی استادان را غافلگیر کند
چند ده حرکت بعد، اهمیت آن تصمیم عجیب روشن شد. حرکت ۳۷ به آلفاگو کمک کرد بازی دوم را ببرد و نشان داد برنامه می‌تواند راهبردهایی پیدا کند که حتی برای بازیکنان طراز اول غیرمنتظره‌اند.
آلفاگو مسابقه را ۴ بر ۱ برد و حرکت ۳۷ به یکی از بحث‌برانگیزترین لحظات تاریخ هوش مصنوعی تبدیل شد؛ لحظه‌ای که ماشین نه‌فقط محاسبه کرد، بلکه به‌نظر می‌رسید خلاقیت نشان می‌دهد. برای هاسابیس، پسری که روزی روی دفترچه‌ی تلفن می‌نشست تا صفحه‌ی شطرنج را ببیند، این پیروزی معنایی فراتر از شکست‌دادن یک قهرمان داشت.
ولی هاسابیس هیچ‌وقت بازی‌ها را هدف نهایی نمی‌دید، آن‌ها را زمین تمرین می‌دانست.
هاسابیس چالش بعدی‌اش را سال‌ها قبل، کنار همان میز فوتبال‌دستی کمبریج پیدا کرده بود. دوستی زیست‌شناس برایش از مسئله‌ی تاخوردگی پروتئین گفته بود؛ پروتئین‌ها زنجیره‌هایی از آمینواسیدها هستند که به شکل‌های سه‌بعدی پیچیده‌ای تا می‌خورند و همین شکل، کارکردشان را تعیین می‌کند.
پیش‌بینی ساختار پروتئین از روی توالی، یکی از مسئله‌های دیرپای زیست‌شناسی بود که می‌توانست به پژوهشگران کمک کند عملکرد پروتئین‌ها را بهتر بفهمند، سازوکار برخی بیماری‌ها را بررسی کنند و در مسیر طراحی داروهای تازه پیش بروند. هاسابیس در این مسئله فرصتی می‌دید تا قدرت هوش مصنوعی را از بازی‌ها به پژوهش علمی منتقل کند.
پوشمیت کوهلی، معاون علمی فعلی دیپ‌مایند، یک دهه پیش در پیاده‌روی طولانی‌ای با هاسابیس برای استخدام گفت‌وگو کرد. بعدها گفت: «انتظار داشتم با یک مدیرعامل حرف بزنم، ولی با این حس برگشتم که با یک دانشمند حرف زده‌ام.»
به گزارش رویترز، هاسابیس به کارکنانش گفته بود سراغ مسئله‌هایی بروند که آن‌قدر بزرگ باشند که حلشان نوبل بیاورد. او در جلسه‌ای با مدیران بلک‌راک، بزرگ‌ترین شرکت مدیریت دارایی جهان، دیپ‌مایند را به برنامه‌ی آپولوی ناسا تشبیه کرد؛ پروژه‌ای بلندپروازانه که می‌خواست ابتدا مسئله‌ی هوش را حل کند و سپس به سراغ مسائل بزرگ دیگر برود.
آلفافولد پیش‌بینی ساختار میلیون‌ها پروتئین را ممکن کرد
در برابر چنین چشم‌اندازی، استفاده از هوش مصنوعی برای کسب سود در بازارهای مالی، دست‌کم برای هاسابیس، اولویت چندانی نداشت. پروژه‌ی DeepTick، با وجود عملکرد امیدوارکننده‌اش در شبیه‌سازی معاملات، سرانجام بی‌سروصدا متوقف شد.
اولین نشانه‌های موفقیت آن‌ها در سال ۲۰۱۸ ظاهر شدند. دیپ‌مایند در مسابقه‌ی CASP، جایی که گروه‌های پژوهشی توانایی خود را در پیش‌بینی ساختار پروتئین‌ها محک می‌زنند، رقیبان باسابقه را غافلگیر کرد. در میان ۴۳ پروتئینی که ساختارشان باید بدون الگوی آماده پیش‌بینی می‌شد، آلفافولد در ۲۵ مورد دقیق‌ترین پاسخ را داد؛ نزدیک‌ترین رقیب فقط در سه مورد موفق شد.
سال ۲۰۲۰، آلفافولد ۲ در پیش‌بینی ساختار سه‌بعدی پروتئین‌ها به موفقیتی رسید که پژوهشگران را شگفت‌زده کرد. مسئله‌ای که زیست‌شناسان بیش از نیم‌قرن برای حل آن تلاش کرده بودند، حالا تا حد زیادی با کمک هوش مصنوعی قابل‌حل شده بود؛ ولی هاسابیس راضی نشد.
در جلسه‌ای درباره‌ی قدم بعدی، همکارش جان جامپر گفت می‌توانند ساختار میلیون‌ها پروتئین را در یک ماه پیش‌بینی کنند. هاسابیس وسط حرفش پرید: «چرا همین کار را نکنیم؟ باید همین کار را بکنیم.» و همین اتفاق هم افتاد. دیپ‌مایند ساختار بیش از ۲۰۰ میلیون پروتئین را پیش‌بینی کرد و نتایج را رایگان در اختیار پژوهشگران جهان گذاشت.
هاسابیس و جان جامپر برای پیش‌بینی ساختار پروتئین‌ها، جایزه‌ی نوبل شیمی ۲۰۲۴ را دریافت کردند.
سال ۲۰۲۴، پیش‌بینی قدیمی هاسابیس هم درست از آب درآمد. او و جان جامپر به‌دلیل توسعه‌ی روش پیش‌بینی ساختار پروتئین، مشترکاً نیمی از جایزه‌ی نوبل شیمی را دریافت کردند. نیم دیگر جایزه به دیوید بیکر، پژوهشگر دانشگاه واشینگتن، برای طراحی محاسباتی پروتئین‌های جدید رسید.
هاسابیس نامش را در کتابی امضا کرد که پیش از او فاینمن، کوری، بور، پلانک، کریک و اینشتین امضایش کرده بودند.
نوبل درست زمانی رسید که دنیای هاسابیس داشت عوض می‌شد. ChatGPT همه‌چیز را به‌هم‌ریخته بود و گوگل که روزی بازیگر پیشتاز بی‌رقیب هوش مصنوعی محسوب می‌شد، حالا باید پابه‌پای OpenAI و آنتروپیک می‌دوید.
سال ۲۰۲۳، دیپ‌مایند با گوگل برین ادغام شد و هاسابیس فرمانده‌ی اصلی گوگل در جنگ مدل‌های زبانی شد؛ جمنای، چت‌بات‌ها، رقابت محصول‌به‌محصول؛ دنیایی که دانشمند درون او هیچ‌وقت برایش ساخته نشده بود.
البته هاسابیس اهمیت توسعه‌ی محصول را انکار نمی‌کرد. در مصاحبه‌ای با وایرد در ژوئن ۲۰۲۵ پذیرفت که گوگل پس از معرفی معماری ترنسفورمر در سال ۲۰۱۷، بیش از اندازه روی پژوهش بنیادی متمرکز مانده و فرصت تبدیل سریع‌تر این دستاورد به محصول را ازدست‌داده بود.
به باور او، گوگل باید از این تجربه درس می‌گرفت. تناقض زندگی حرفه‌ای هاسابیس همین‌جا آشکارتر می‌شد؛ دانشمندی که برای پژوهش‌های بلندمدت ارزش فراوانی قائل بود، حالا باید آزمایشگاهی را هدایت می‌کرد که سرعت عرضه‌ی محصولاتش نیز سرنوشت رقابت را تعیین می‌کرد و بعد مشخص شد این رقابت بهای زیادی دارد.
ژوئن ۲۰۲۶، جان جامپر، شریک جایزه‌ی نوبل هاسابیس، گوگل را به مقصد آنتروپیک ترک کرد و دو همکارش هم پشت سرش رفتند. چند عضو دیگر هسته‌ی پژوهشی آلفافولد استارتاپ خودشان را راه انداختند و یکی از پژوهشگران هم به OpenAI پیوست.
هاسابیس در سال ۲۰۲۶ اداره‌ی روزمره‌ی دیپ‌مایند را واگذار کرد تا بر پژوهش و آینده‌ی هوش مصنوعی تمرکز کند
گوگل سایر اعضای تیم را به فعالیت‌هایی نزدیک‌تر به جمنای فرستاد و در ماه ژوئیه، آنچه را که از آلفافولد مانده بود ، منحل کرد. دو سال بعد از نوبل، تیم برنده‌ی جایزه دیگر وجود نداشت.
پنجم آگوست ۲۰۲۶، گوگل اعلام کرد هاسابیس رئیس هیئت‌مدیره‌ی دیپ‌مایند و دانشمند ارشد آلفابت می‌شود و کوری کاووکچواوغلو، مدیر ارشد فناوری، اداره‌ی روزمره‌ی آزمایشگاه را بر عهده می‌گیرد. سوندار پیچای، مدیرعامل آلفابت، گفت نقش تازه به هاسابیس اجازه می‌دهد تمام توجهش را روی شکل دادن آینده‌ی AGI متمرکز کند. جف دین، مهندس افسانه‌ای گوگل، هم در همان تکان بزرگ، بعد از نزدیک به سه دهه شرکت را ترک کرد.
به گزارش Semafor ، مقدمات تغییرات بزرگ دیپ‌مایند دست‌کم یک سال پیش آغاز شد. هاسابیس به‌تدریج اداره‌ی جمنای و استراتژی محصولات مصرفی را به کاووکچواوغلو سپرده بود. او را برخلاف میلش کنار نگذاشتند، خودش از ایفای نقش یک مدیر اجرایی فناوری، در مقایسه با فعالیت به‌عنوان دانشمندی آینده‌نگر، رضایت کمتری داشت.
هاسابیس همان زمان گفت می‌خواهد روی استراتژی بلندمدت، شتاب دادن به کشف‌های علمی و کارش در Isomorphic تمرکز کند؛ گویی دانشمند می‌خواست دوباره دانشمند باشد.
هاسابیس می‌داند که وعده‌های بزرگ صنعت هوش مصنوعی برای همه قانع‌کننده نیستند. مدیران این صنعت سال‌ها وعده‌ی درمان سرطان داده‌اند و مردم خسته شده‌اند. نگرانی درباره‌ی خطرات هوش مصنوعی و تردیدها نسبت به فواید ملموس آن، محبوبیت این فناوری را در فضای عمومی آمریکا کاهش داده‌اند.
اما هاسابیس راه دیگری برای جلب‌اعتماد مردم در ذهن دارد؛ به‌جای تکرار وعده‌های بزرگ، باید نشان داد که هوش مصنوعی واقعاً می‌تواند به درمان بیماری‌هایی مانند سرطان کمک کند. به گفته‌ی خودش، آن‌وقت مردم می‌توانند فواید هوش مصنوعی را مستقیماً در زندگی‌شان حس کنند.
هاسابیس می‌خواهد هوش مصنوعی در کشف داروهای واقعی نقش داشته باشد
مسیر او برای رسیدن به این هدف از Isomorphic Labs می‌گذرد؛ شرکتی که سال ۲۰۲۱ از دل دیپ‌مایند شکل گرفت. نامش از مفهوم ایزومورفیسم در ریاضیات می‌آید؛ رابطه‌ای میان دو ساختار که باوجود تفاوت احتمالی در ظاهر یا عناصر تشکیل‌دهنده‌شان، از نظر روابط بنیادی معادل‌اند.
هدف او و آزمایشگاه، پیداکردن یک دارو نیست. هاسابیس می‌گوید می‌خواهند مجموعه‌ای از مدل‌ها و یک فرایند کامل بسازند که خود کشف دارو را متحول کند. انگار همان رویکرد همیشگی‌اش را دوباره می‌بینیم، همان‌طور که وقتی دیپ‌مایند وارد مسابقه‌ی پیش‌بینی ساختار پروتئین شد، او به برنده‌شدن رضایت نداشت؛ می‌خواست اصل مسابقه را بی‌معنا کند. می‌خواست خود بازی را شکست دهد.
سرمایه‌گذارها هم به این رؤیا باور دارند. Isomorphic در مه ۲۰۲۶ موفق شد ۲٫۱ میلیارد دلار سرمایه جذب کند ؛ یکی از بزرگ‌ترین سرمایه‌گذاری‌های خصوصی تاریخ کشف دارو با هوش مصنوعی. بااین‌حال، مسیر حرکت از طراحی مولکول در کامپیوتر تا آزمایش دارو روی انسان، کندتر از برنامه‌ی اولیه پیش می‌رود.
هاسابیس پیش‌تر وعده داده بود نخستین داروهای طراحی‌شده با هوش مصنوعی تا پایان ۲۰۲۵ وارد کارآزمایی بالینی شوند، اما در ژانویه‌ی ۲۰۲۶ اعلام کرد که این هدف را به پایان همان سال موکول کرده‌اند. خودش البته از کندی حرکت تعجب نمی‌کند.
وقتی از او پرسیدند آیا انتظار داشت این‌قدر طول بکشد، گفت البته. شاید زیست‌شناسی یکی از پیچیده‌ترین سیستم‌هایی باشد که می‌شناسیم و هاسابیس، صرف کارکردن هوش مصنوعی در این حوزه را شگفت‌انگیز می‌داند. او موانع را «سخت، ولی نه غیرممکن» می‌بیند و الگویی را که بارها دیده، تکرار می‌کند: «پیشرفتی کند، کند، کند؛ اما بعد ناگهان شتاب می‌گیرد و همه‌چیز تغییر می‌کند.»