Demis Hassabis rappresenta una figura particolare nel panorama dell’intelligenza artificiale: uno scienziato capace di costruire imprese, un imprenditore che continua a ragionare come un ricercatore e un premio Nobel convinto che il valore più importante dell’AI non consista soltanto nell’automatizzare attività esistenti, ma nel rendere possibili scoperte che oggi richiedono anni di lavoro.
La sua visione suggerisce un cambiamento profondo: trasformare l’intelligenza artificiale da tecnologia prevalentemente digitale a infrastruttura della ricerca scientifica e della produzione di conoscenza. Un passaggio che potrebbe avere conseguenze economiche importanti per settori come la farmaceutica, la biotecnologia, l’energia, i materiali avanzati e l’industria.
Il percorso di Hassabis, dalla fondazione di DeepMind al premio Nobel per la Chimica del 2024, fino allo sviluppo di Isomorphic Labs e al suo nuovo ruolo strategico in Alphabet nel 2026, permette di comprendere perché l’intelligenza artificiale stia diventando non soltanto un mercato tecnologico, ma un fattore di trasformazione dell’economia della conoscenza.
Chi è Demis Hassabis: dalla passione per gli scacchi alla ricerca sull’intelligenza artificiale
Nato a Londra nel 1976, Demis Hassabis manifesta fin da bambino una particolare predisposizione per il ragionamento strategico. Giocatore di scacchi di alto livello già durante l’adolescenza, si avvicina successivamente alla programmazione e allo sviluppo di videogiochi.
Queste prime esperienze contribuiscono a formare un interesse destinato ad accompagnarlo per tutta la carriera: comprendere come un sistema possa apprendere, costruire strategie e affrontare problemi complessi.
Il suo percorso accademico lo porta a studiare informatica e neuroscienze, due discipline che considera strettamente collegate. Da una parte le macchine e gli algoritmi, dall’altra il funzionamento della memoria, dell’apprendimento e dell’intelligenza umana.
Nel 2010 fonda DeepMind insieme a Shane Legg e Mustafa Suleyman. La società nasce con un’ambizione diversa rispetto a molte imprese tecnologiche dell’epoca: sviluppare sistemi di intelligenza artificiale capaci di apprendere e affrontare problemi differenti, senza essere programmati esclusivamente per una singola attività.
Google acquisisce DeepMind nel 2014, riconoscendo il potenziale strategico delle sue ricerche. Due anni dopo, nel 2016, il sistema AlphaGo sconfigge Lee Sedol, uno dei più forti giocatori di Go al mondo.
La vittoria assume un valore simbolico enorme. Il Go richiede intuizione strategica, capacità di pianificazione e valutazione di un numero straordinario di possibilità. Dimostrare che un sistema artificiale potesse competere a quei livelli rappresentava un avanzamento significativo nella ricerca sull’apprendimento automatico.
Per Hassabis, tuttavia, il successo nei giochi non era il punto di arrivo. Era una dimostrazione delle capacità di sistemi che avrebbero potuto affrontare problemi scientifici molto più rilevanti.
AlphaFold e il Nobel: quando l’intelligenza artificiale produce conoscenza scientifica
Il passaggio decisivo arriva con AlphaFold, il sistema sviluppato da DeepMind per prevedere la struttura tridimensionale delle proteine a partire dalla loro sequenza di amminoacidi.
La forma delle proteine è fondamentale per comprenderne il funzionamento biologico. Per decenni, prevedere correttamente questa struttura ha rappresentato uno dei problemi più complessi della biologia molecolare.
Nel 2020 AlphaFold 2 dimostra progressi straordinari nella previsione delle strutture proteiche. Successivamente, DeepMind mette a disposizione della comunità scientifica, insieme all’European Bioinformatics Institute, un database contenente oltre 200 milioni di strutture proteiche previste.
Il 9 ottobre 2024 Demis Hassabis e John Jumper ricevono congiuntamente metà del premio Nobel per la Chimica per i loro contributi alla previsione della struttura delle proteine. L’altra metà viene assegnata a David Baker per la progettazione computazionale di nuove proteine.
Il riconoscimento evidenzia una trasformazione: l’intelligenza artificiale non è più soltanto uno strumento per analizzare informazioni già disponibili, ma diventa un mezzo per generare nuove conoscenze scientifiche verificabili.
La differenza è sostanziale. Un sistema che riassume documenti aumenta la produttività di chi li consulta. Un sistema capace di formulare previsioni molecolari affidabili può invece modificare il modo in cui vengono pianificati gli esperimenti e indirizzate le risorse della ricerca.
Questo non significa sostituire il laboratorio o eliminare la necessità della verifica sperimentale. Significa ridurre lo spazio delle ipotesi da esplorare e consentire agli scienziati di concentrare tempo e investimenti sulle possibilità più promettenti.
La nuova industria della conoscenza: dal software alla scoperta scientifica
La visione industriale associata al lavoro di Demis Hassabis può essere interpretata come un’estensione del ruolo economico dell’intelligenza artificiale.
La prima grande fase commerciale dell’AI generativa si è concentrata su contenuti, programmazione, assistenza digitale, ricerca di informazioni e automazione dei processi aziendali. Sono applicazioni importanti, perché migliorano l’efficienza di attività che già esistono.
La fase successiva potrebbe essere caratterizzata da un obiettivo diverso: utilizzare i sistemi intelligenti per accelerare la produzione di nuove scoperte, tecnologie e prodotti.
In questa prospettiva, il valore economico dell’AI non dipenderebbe soltanto dal numero di abbonamenti software venduti o dalle ore di lavoro risparmiate. Dipenderebbe anche dalla capacità di ridurre i tempi necessari per identificare un principio attivo, comprendere un materiale o risolvere un problema ingegneristico.
Si tratta di un modello che potrebbe avvicinare progressivamente l’industria tecnologica alla ricerca scientifica applicata, trasformando algoritmi, dati e capacità di calcolo in componenti fondamentali dell’innovazione industriale.
Una simile evoluzione richiede però competenze interdisciplinari, laboratori, infrastrutture computazionali, disponibilità di dati affidabili e investimenti di lungo periodo. Il vantaggio competitivo non si misura esclusivamente nella potenza di un modello, ma nella sua capacità di produrre risultati utili e riproducibili.
Isomorphic Labs: il tentativo di trasformare la ricerca AI in un’impresa farmaceutica
Uno degli esempi più concreti di questa strategia è Isomorphic Labs, società nata nel 2021 nell’ecosistema di Alphabet e guidata da Hassabis, con l’obiettivo di applicare l’intelligenza artificiale alla progettazione e allo sviluppo di nuovi farmaci.
La ricerca farmaceutica tradizionale richiede tempi lunghi, investimenti elevati e numerose verifiche prima che una molecola possa diventare un trattamento disponibile per i pazienti.
L’impiego dell’intelligenza artificiale potrebbe migliorare alcune fasi di questo percorso, dalla comprensione dei meccanismi molecolari alla selezione dei candidati farmacologici più promettenti.
Il modello economico è particolarmente interessante perché il valore non deriva necessariamente dalla vendita di un software. Può svilupparsi attraverso accordi con aziende farmaceutiche, programmi di ricerca condivisi e, potenzialmente, dalla valorizzazione di nuove terapie.
Nel marzo 2025 Isomorphic Labs annuncia un finanziamento di 600 milioni di dollari. Nel maggio 2026 comunica un ulteriore round Series B da 2,1 miliardi di dollari, guidato da Thrive Capital con la partecipazione di investitori tra cui Alphabet, GV, MGX, Temasek e CapitalG.
Come riportato nella comunicazione ufficiale del 12 maggio 2026, le nuove risorse sono destinate allo sviluppo della piattaforma di progettazione farmacologica basata sull’intelligenza artificiale, all’espansione dell’attività e all’avanzamento dei programmi terapeutici.
I finanziamenti mostrano l’interesse degli investitori istituzionali verso un settore in cui algoritmi e ricerca biomedica possono convergere. Non rappresentano però una prova della futura redditività dell’impresa, né della riuscita clinica dei farmaci progettati.
Una molecola individuata mediante intelligenza artificiale deve comunque superare verifiche sperimentali, studi clinici e valutazioni regolatorie. I progressi nella fase di scoperta non eliminano automaticamente i rischi delle fasi successive.
La sfida imprenditoriale di Isomorphic Labs consiste proprio nel dimostrare che la qualità della ricerca algoritmica può tradursi in risultati clinici, accordi commerciali e valore economico sostenibile.
Il nuovo ruolo di Hassabis in Alphabet nel 2026
Un ulteriore elemento importante nella traiettoria di Demis Hassabis emerge nell’agosto 2026, quando Alphabet annuncia una riorganizzazione della leadership dedicata all’intelligenza artificiale.
Hassabis lascia la gestione operativa quotidiana di Google DeepMind per assumere il ruolo di presidente della divisione e chief scientist di Alphabet. La responsabilità operativa passa a Koray Kavukcuoglu, già figura centrale nello sviluppo tecnologico del gruppo.
La riorganizzazione avviene in una fase di forte competizione tra i principali sviluppatori di modelli AI e di crescente pressione per trasformare la ricerca in prodotti commerciali.
Per Hassabis il cambiamento permette di concentrarsi maggiormente sulla ricerca di lungo periodo, sull’intelligenza artificiale generale e sulle applicazioni scientifiche, mantenendo anche il proprio coinvolgimento in Isomorphic Labs.
Dal punto di vista industriale, questa separazione tra direzione operativa e ricerca strategica è significativa. La distribuzione commerciale dei modelli richiede velocità, efficienza e integrazione nei prodotti. La ricerca scientifica più avanzata può richiedere invece programmi pluriennali, investimenti elevati e una maggiore tolleranza all’incertezza.
Alphabet sembra così voler distinguere più nettamente due esigenze: competere nel mercato immediato dell’AI e preservare una capacità di ricerca potenzialmente decisiva per le tecnologie future.
AlphaGenome e la possibilità di accelerare nuove scoperte
La ricerca di Google DeepMind non si limita alle proteine. Nel 2025 il gruppo presenta AlphaGenome, un modello progettato per prevedere gli effetti delle variazioni nelle sequenze di DNA su diversi processi biologici.
Nel settembre 2026 viene presentato anche AlphaGenome Atlas, un sistema che raccoglie previsioni relative alle possibili variazioni di singoli nucleotidi del genoma umano, offrendo ai ricercatori uno strumento per identificare e studiare mutazioni potenzialmente rilevanti.
Come spiegato da Google nella presentazione ufficiale di AlphaGenome Atlas, l’obiettivo è migliorare la comprensione dei meccanismi di regolazione genetica, particolarmente complessi nelle regioni del DNA che non codificano direttamente proteine.
Il significato economico di questi progetti va oltre il settore biomedico.
Se i modelli artificiali riusciranno ad aiutare i ricercatori a formulare ipotesi migliori, potrebbero aumentare l’efficienza dei capitali investiti in ricerca e sviluppo. Un’impresa potrebbe identificare prima determinate strade promettenti, riducendo gli esperimenti meno utili e concentrando le risorse sulle opportunità scientificamente più solide.
Si tratta di potenzialità, non di risultati economici garantiti. L’affidabilità delle previsioni deve essere valutata attraverso sperimentazioni indipendenti e riscontri concreti.
Perché il modello Hassabis interessa investitori e imprese
Il caso Hassabis permette di osservare una possibile trasformazione delle strategie d’investimento nell’intelligenza artificiale.
Fino a oggi una parte consistente dell’attenzione finanziaria si è concentrata su semiconduttori, data center, cloud computing e piattaforme software. Sono gli elementi che rendono possibile l’esecuzione dei grandi modelli.
L’applicazione dell’AI alla ricerca scientifica potrebbe creare un ulteriore livello di valore: quello delle imprese capaci di impiegare l’infrastruttura tecnologica per sviluppare nuovi prodotti e proprietà intellettuale.
Per gli investitori diventa quindi importante distinguere tra aziende che forniscono infrastrutture, società che sviluppano modelli di intelligenza artificiale e imprese che utilizzano questi modelli per ottenere risultati industriali.
Le differenze riguardano soprattutto i tempi di ritorno del capitale e la natura del rischio. Un servizio software può generare ricavi ricorrenti poco dopo il lancio. Un programma farmaceutico può richiedere molti anni prima di arrivare a una commercializzazione, con la possibilità di non raggiungerla mai.
Anche la proprietà dei risultati assume un ruolo strategico. I brevetti, gli accordi di licenza, i dati sperimentali proprietari e le collaborazioni industriali potrebbero costituire importanti fonti di vantaggio competitivo.
Allo stesso tempo, un finanziamento elevato o una valutazione societaria ambiziosa non devono essere confusi con un valore economico già realizzato. Per valutare queste imprese sarà necessario osservare la qualità della ricerca, i risultati verificabili, gli accordi commerciali e la capacità di sostenere finanziariamente programmi complessi.
I limiti dell’intelligenza artificiale applicata alla scienza
L’idea di una nuova industria della conoscenza presenta opportunità significative, ma anche criticità che non possono essere sottovalutate.
La prima riguarda l’affidabilità dei modelli. Un sistema può ottenere risultati eccellenti nei test disponibili e incontrare difficoltà quando viene applicato a dati differenti o a situazioni non adeguatamente rappresentate durante l’addestramento.
La seconda riguarda la verifica sperimentale. In discipline come la chimica, la biologia e la medicina, una previsione interessante non coincide necessariamente con una scoperta utilizzabile. I risultati devono essere confermati attraverso metodi scientifici rigorosi.
Un altro ostacolo è rappresentato dall’accesso alle risorse. I sistemi più avanzati richiedono infrastrutture computazionali costose, grandi quantità di dati e competenze specialistiche. Questo potrebbe favorire la concentrazione della ricerca nelle organizzazioni meglio capitalizzate.
Esistono inoltre questioni relative alla sicurezza, alla proprietà intellettuale e alla gestione responsabile di tecnologie che potrebbero avere applicazioni sensibili.
Lo stesso Hassabis ha richiamato nell’ottobre 2026 l’attenzione sui rischi legati a sistemi AI sempre più autonomi, sostenendo l’importanza di pratiche di sicurezza adeguate e di standard condivisi.
Perché l’intelligenza artificiale possa diventare una componente stabile della ricerca scientifica, sarà quindi necessario affiancare allo sviluppo tecnologico strumenti di controllo, verificabilità e responsabilità.
Dal vantaggio tecnologico al valore economico della conoscenza
Il percorso di Demis Hassabis racconta un’evoluzione che potrebbe influenzare profondamente il rapporto tra tecnologia, capitale e ricerca.
DeepMind ha dimostrato che sistemi artificiali progettati per apprendere possono raggiungere risultati notevoli in problemi complessi. AlphaFold ha mostrato che questa capacità può contribuire a risolvere questioni scientifiche rimaste aperte per decenni. Isomorphic Labs sta tentando di trasformare tali competenze in un modello industriale applicato allo sviluppo farmacologico.
Il prossimo passaggio sarà verificare quanto questi progressi possano produrre risultati economicamente sostenibili e scientificamente validati su larga scala.
Per il mondo finanziario, la prospettiva è rilevante: l’intelligenza artificiale potrebbe contribuire non soltanto a rendere più produttive le imprese esistenti, ma anche alla nascita di nuove imprese il cui principale prodotto è la capacità di accelerare la scoperta scientifica.
È questa la dimensione più interessante della visione associata a Hassabis. Non semplicemente macchine capaci di eseguire più rapidamente il lavoro umano, ma sistemi che aiutano l’umanità a esplorare territori della conoscenza prima difficilmente accessibili.
Il valore di questa trasformazione non si misurerà soltanto nelle prestazioni dei modelli, nei finanziamenti raccolti o nelle valutazioni di mercato. Si misurerà soprattutto nella capacità di convertire una scoperta in un beneficio scientifico, industriale ed economico concreto.
