ديميس هاسابيس: من ألعاب الحاسوب إلى نوبل عبر بنية البروتينات

كيف التقت علوم الحاسوب والأعصاب في مسار مؤسس DeepMind، ولماذا أصبح AlphaFold محطة مهمة في البحث العلمي؟

رسم تحريري توضيحي عن علوم وفضاء — تصميم تحريري بالحروف الأولى للاسم، وليس صورة شخصية.

الخلاصة في دقيقة

جمع هاسابيس تطوير الألعاب وعلوم الحاسوب وأبحاث الأعصاب قبل تأسيس DeepMind في 2010.
تقاسم مع جون جامبر نصف نوبل للكيمياء لعام 2024 عن التنبؤ ببنية البروتينات.
يساعد AlphaFold الباحثين، مع بقاء التحقق من نتائج كل استخدام جزءاً من العمل العلمي.

تاريخ مرجعية الموضوع: 28 أكتوبر 2026 · مادة تستند إلى المصادر المرفقة

مسار يربط اللعب بالبحث

شارك ديميس هاسابيس في تطوير لعبة Theme Park في سن مبكرة، ثم درس علوم الحاسوب في كامبريدج وحصل لاحقاً على الدكتوراه في علم الأعصاب المعرفي من جامعة كوليدج لندن. توثق الأكاديمية الأميركية للفنون والعلوم هذه المحطات في مسار الباحث والشريك المؤسس لـDeepMind.

بدأ المختبر عام 2010، وفق تاريخه الرسمي، بمقاربة تجمع التعلم الآلي وعلوم الأعصاب والهندسة والرياضيات. واستخدمت فرقه الألعاب لاختبار أنظمة تتعلم من التجربة. وتعرّفه Google DeepMind اليوم بأنه شريك مؤسس ورئيس تنفيذي، بعد جمع DeepMind وGoogle Brain في فريق واحد.

المسألة التي تناولها AlphaFold

تتكون البروتينات من سلاسل أحماض أمينية، وتساعد معرفة بنيتها ثلاثية الأبعاد على دراسة وظائفها. قدمت ورقة AlphaFold المنشورة في Nature في يوليو 2021 طريقة للتنبؤ بالبنية، مع تقييم النتائج ضمن مسابقة CASP14 المخصصة لمقارنة طرق التنبؤ.

وصفت الورقة دقة تنافس البنى التجريبية في غالبية الحالات التي شملها التقييم. ويحمل البحث أسماء فريق كبير، يتقدمه جون جامبر ويضم هاسابيس وآخرين. فهم الإنجاز يحتاج إلى رؤية هذا العمل الجماعي في النماذج والبيانات والاختبارات، إلى جانب دور قيادة المختبر.

جائزة كرمت مسارين

في أكتوبر 2024، منحت الأكاديمية الملكية السويدية للعلوم نصف جائزة نوبل للكيمياء لديفيد بيكر عن التصميم الحاسوبي للبروتينات، والنصف الآخر لهاسابيس وجون جامبر عن التنبؤ ببنيتها. بلغت حصة كل منهما ربع الجائزة كاملة.

يميز هذا التقسيم بين تصميم بروتينات وبين التنبؤ ببنية بروتين. اجتمع المساران تحت موضوع واحد، لكن الحفاظ على الفرق يجعل القارئ أقرب إلى المساهمة العلمية التي كُرمت، بدلاً من الاكتفاء بعنوان عام عن فوز الذكاء الاصطناعي.

الأداة الجديدة تفتح أسئلة أخرى

من المفيد التعامل مع التنبؤ كمدخل لأسئلة البحث: ما الثقة في النموذج، وما الذي يحتاج إلى قياس، وكيف يمكن اختبار الفرضية؟ فالانتقال من شكل متوقع إلى إثبات فائدة تطبيق محدد يحتاج إلى خطوات إضافية، ولا تثبت الجائزة وحدها صحة كل استخدام لاحق.

وفي قراءتنا لمسيرة هاسابيس، يتمثل التحول الأهم في انتقال أدوات التعلم إلى مسألة يستفيد منها مجتمع بحثي أوسع. إنها قصة فريق حدد سؤالاً قابلاً للتقييم، وبنى أداة تساعد الآخرين على مواصلة العمل، مع بقاء التجربة العلمية والمراجعة أساساً للحكم على النتائج.