Sequoia entrevista com Hassabis: Informação é a essência do universo, IA abrirá uma nova ramificação na ciência

Texto original organizado:瓜哥 AI Novas Descobertas

Este conteúdo foi organizado a partir de uma entrevista de Demis Hassabis no canal Sequoia Capital, publicada publicamente em 29 de abril de 2026.

Resumo do conteúdo: Entrevista de Demis Hassabis na AI Ascent 2026 da Sequoia Capital

A relação entre IA e jogos: jogos são um excelente campo de testes para inteligência artificial. Ao colocar a IA como núcleo do gameplay, não apenas podemos validar efetivamente as ideias de algoritmos, mas também fornecer suporte computacional inicial para o desenvolvimento tecnológico.

A “teoria do momento” para empreendedorismo: empreender deve “estar cinco anos à frente da época, não cinquenta”. É preciso captar com sensibilidade o equilíbrio entre avanços tecnológicos e demandas de aplicação prática; avançar cedo demais muitas vezes impede o sucesso.

Rota de evolução da AGI: a missão da DeepMind é clara e firme — primeiro, construir uma inteligência artificial geral (AGI); segundo, usar a AGI para resolver todos os problemas complexos, incluindo ciência e medicina.

Valor central do “IA para Ciência”: IA é a linguagem perfeita para descrever sistemas biológicos e naturais complexos. Com simulações baseadas em IA, o ciclo de desenvolvimento de novos medicamentos pode cair de anos para semanas, ou até realizar medicina personalizada de verdade.

Nascimento de novas disciplinas científicas: a complexidade dos sistemas de IA criará novas ciências de engenharia, como a “interpretabilidade de mecanismos”. Além disso, técnicas de simulação movidas por IA permitirão que humanos conduzam experimentos controlados em sistemas sociais complexos, abrindo novos ramos científicos.

A essência do universo é informação: matéria, energia e informação podem se transformar mutuamente. A essência do universo pode ser um vasto sistema de processamento de informações, conferindo à IA um significado profundo na compreensão das leis fundamentais do cosmos.

Limites computacionais da máquina de Turing: redes neurais e sistemas de IA modernos já demonstraram que a máquina de Turing clássica é suficiente para simular problemas antes considerados resolvíveis apenas por computação quântica (como o dobramento de proteínas). O cérebro humano provavelmente é uma espécie de máquina de Turing altamente aproximada.

Reflexões filosóficas sobre consciência: talvez a consciência seja composta por componentes como autoconsciência e continuidade temporal. Na jornada rumo à AGI, devemos primeiro vê-la como uma ferramenta poderosa, usando-a para explorar o grande tema filosófico da “consciência”.

Resumo do conteúdo

Demis Hassabis, cofundador e CEO do Google DeepMind, laureado com o Nobel de Química de 2024 por AlphaFold, e parceiro da Sequoia Capital, em uma conversa na cúpula AI Ascent 2026 com o sócio Konstantine Buhler, abordou amplamente o caminho para a AGI e o futuro após ela.

Na entrevista, ele explica por que acredita que a AGI pode ser alcançada até 2030, por que o longo ciclo de desenvolvimento de novos medicamentos pode encolher de dez anos para poucos dias, e por que devemos enxergar “informação” — e não matéria ou energia — como a essência mais fundamental do universo. Além disso, discute como Einstein, se ainda vivo, avaliaria as limitações dos modelos atuais de IA, e por que os próximos um ou dois anos serão decisivos para o destino da humanidade.

Transcrição completa da entrevista

Moderador: Demis, muito obrigado por estar aqui.

Demis Hassabis: É um prazer estar aqui. Obrigado a todos pela presença, é ótimo poder conversar com vocês.

Moderador: É uma honra tê-lo na nossa fábrica de chocolates.

Demis Hassabis: Acabei de ouvir falar. Estou ansioso para experimentar o chocolate mais tarde.

Moderador: Que ótimo. Demis, vamos direto ao ponto. Hoje temos um especialista de verdade na área: um pensador original, fundador, visionário, pioneiro em todos os aspectos da IA. Demis é um crente puro, além de um cientista dedicado.

A jornada de Demis e sua linha condutora interna

Nossa conversa começará com a história do início da DeepMind, depois exploraremos avanços científicos e tecnológicos, e por fim, a sessão de perguntas do público. Vamos lá.

Demis, você foi prodígio no xadrez, fundador de uma empresa de jogos e também neurocientista. É fundador da DeepMind e hoje lidera uma corporação de grande porte e influência. Essas identidades parecem desconectadas, mas você disse que há uma linha condutora que as une. Pode compartilhar conosco?

Demis Hassabis: De fato há uma linha, embora talvez seja uma espécie de raciocínio pós-fato (post hoc). Mas minha paixão por IA vem de muito tempo. Desde cedo, percebi que essa era a minha maior e mais interessante missão de vida. Desde os 15, 16 anos, cada escolha de estudo, cada projeto, foi pensando em um dia criar algo como a DeepMind.

Jogos: o campo de treinamento da inteligência artificial

Entrei na indústria de jogos de forma “curva de aprendizado” porque, nos anos 90, lá estavam as tecnologias mais avançadas. Não só IA, mas também gráficos e hardware. GPUs que usamos hoje foram originalmente criadas para motores gráficos, e eu já usava as primeiras GPUs no final dos anos 90. Todos os jogos que desenvolvi — seja na Bullfrog ou na minha própria Elixir Studios — tinham IA como núcleo do gameplay.

Minha obra mais conhecida é provavelmente “Theme Park”, que criei aos 17 anos. Um simulador de parque de diversões, onde milhares de visitantes interagem com as atrações e decidem o que comprar. Por trás da aparência, rodava um modelo completo de IA econômica. Assim como “SimCity”, foi uma das pioneiras do gênero. Quando vi que vendia mais de 10 milhões de cópias e testemunhei a diversão dos jogadores ao interagir com a IA, minha determinação de dedicar minha vida à IA se fortaleceu.

Depois, mergulhei na neurociência, buscando inspiração no funcionamento do cérebro para derivar novos algoritmos. Quando a hora de fundar a DeepMind finalmente chegou, tudo parecia natural. E, naturalmente, usamos jogos também como campo de testes para validar nossas ideias de IA.

A experiência de fundar a Elixir Studios

Moderador: Hoje temos muitos empreendedores na plateia, e você certamente tem uma história de duas startups. Vamos voltar à sua primeira, a Elixir Studios. Como foi essa experiência? Apesar de não ser sua empresa mais famosa, ela foi um grande sucesso. Como liderou essa companhia? O que essa experiência ensinou sobre “como construir uma empresa”?

Demis Hassabis: Assim, me formei na faculdade e logo fundei a Elixir Studios. Tive a sorte de ter trabalhado na Bullfrog Productions antes, que era uma das mais lendárias e inovadoras do setor, talvez a melhor da Europa na época.

Queria fazer algo que expandisse os limites da IA. Naquela época, usava o desenvolvimento de jogos como uma “curva de aprendizado” para financiar pesquisas em IA, desafiando fronteiras tecnológicas e combinando isso com criatividade extrema. Essa abordagem ainda é válida para pesquisas de “blue-sky” hoje.

A lição mais importante que aprendi foi: você deve estar cinco anos à frente, não cinquenta. Na Elixir, tentamos criar um jogo chamado “The Republic”, que simulava um país completo. O objetivo era que o jogador pudesse derrubar um tirano de várias formas, com uma simulação realista de uma cidade viva e respirante.

Naquela época, no final dos anos 90, usávamos processadores Pentium. Tínhamos que render gráficos e rodar IA para um milhão de habitantes em computadores domésticos. Era uma ambição enorme — até um pouco utópica — e trouxe problemas.

Aprendi que é preciso estar na frente, mas não 50 anos à frente, pois aí se fracassa. Quando uma ideia é óbvia demais, chega tarde. O segredo é encontrar o ponto de equilíbrio.

Fundação da DeepMind em 2009

Moderador: Certo, falando em não avançar demais, em 2009 você tinha certeza de que a AGI seria possível. Talvez estivesse só 10 anos à frente, melhor que 50. Conte para nós como convenceu os primeiros talentos a entrarem na equipe, pois recrutou pessoas de altíssimo nível. Naquela época, AGI parecia ficção científica. Como fez para que acreditassem?

Demis Hassabis: Na época, percebemos algumas pistas interessantes. Achávamos que estávamos cinco anos à frente, mas na verdade talvez dez. Deep learning tinha sido criado por Jeff Hinton e colegas, mas poucos percebiam seu potencial. Nós, com forte experiência em reinforcement learning, acreditávamos que a combinação dessas duas áreas — quase nunca feita antes — poderia gerar avanços revolucionários. Antes, eram dois “ilhas” isoladas na pesquisa.

Além disso, víamos potencial de hardware; GPUs estavam em ascensão. Hoje usamos TPUs, mas na época, aceleradores de cálculo impulsionariam tudo. E, no fim da minha pós-graduação, com colegas neurocientistas, extraímos lições do cérebro, incluindo a crença de que reinforcement learning, com escala, levaria à AGI.

Achávamos que tínhamos os ingredientes principais. Sentíamos que estávamos guardando um segredo — ninguém na academia ou na indústria acreditava que IA pudesse fazer grandes avanços. Quando propusemos focar na AGI (ou “Strong AI”), muitos olhavam com ceticismo, como se fosse um beco sem saída, pois nos anos 90 já tinham tentado e fracassado.

No MIT, onde fiz meu pós-doc, a pesquisa em sistemas especialistas e lógica de primeira ordem era forte. Mas, na época, achei esses métodos antiquados. Mesmo assim, na Cambridge ou no MIT, a tradição era usar esses métodos. Isso me deu mais certeza de que estávamos no caminho certo. Se fracassássemos, pelo menos seria de uma forma inovadora, diferente dos fracassos dos anos 90. Valia a pena tentar, mesmo que fosse uma pesquisa arriscada.

Missão da DeepMind e aposta na AGI

Moderador: Vocês enfrentaram resistência inicial? Para convencer seguidores, precisou provar algo a si mesmo ou a eles?

Demis Hassabis: Independentemente das circunstâncias, minha dedicação à IA é total. Os resultados superaram nossas expectativas mais otimistas. Mas, na verdade, isso estava dentro do que prevíamos em 2010 — uma jornada de cerca de 20 anos.

Acredito que nosso progresso foi consistente com o esperado, e que tivemos papel importante nisso.

Se as coisas não tivessem evoluído assim, ainda assim seguiria na área, porque ela é a tecnologia mais importante que já inventei. Meu objetivo é claro: primeiro, criar uma inteligência geral (AGI); segundo, usá-la para resolver tudo. Para mim, essa é uma das maiores invenções humanas.

Ela é uma ferramenta científica, uma criação fascinante, e uma das melhores formas de entender a mente humana — consciência, sonhos, criatividade. Como neurocientista, sentia falta de uma ferramenta como IA para estudar esses fenômenos. Ela nos dá um método de comparação, como experimentos controlados, para entender diferentes sistemas.

Cultura de “IA a serviço da ciência”

Moderador: Vamos falar de “IA a serviço da ciência”. Você foi um dos primeiros a apostar nisso, um verdadeiro idealista. Essa é a missão central de vocês. Como a cultura e o modelo que criou na DeepMind ajudaram a manter essa linha de frente?

Demis Hassabis: Essa é nossa meta final. Para mim, o motor principal é construir IA que impulsione ciência, medicina e nossa compreensão do mundo. Essa é minha forma de cumprir a missão — uma “metamétodo”: criar uma ferramenta definitiva, e depois usá-la para avanços científicos. Conseguimos AlphaFold, e acredito que virão mais.

DeepMind sempre priorizou esse objetivo. Temos uma divisão liderada por Pushmeet Kohli, dedicada a “IA para Ciência”, há quase dez anos. Depois de vencer o AlphaGo, começamos imediatamente essa linha de trabalho, que já dura uma década.

Estávamos esperando o momento certo, quando algoritmos ficariam mais fortes e conceitos mais universais. Para mim, o ponto de virada foi o sucesso no Go — percebemos que era hora de aplicar essas ideias a problemas reais, começando pelos maiores desafios científicos.

Acreditamos que essa é a maior contribuição da IA para o bem. Não há nada mais belo do que usar IA para curar doenças, prolongar vidas, melhorar a medicina. Nos próximos anos, ela também transformará materiais, energia, meio ambiente. Acredito que a IA brilhará nesses campos.

Avanços na biologia e Isomorphic Labs

Moderador: Como a IA está revolucionando a biologia? Você se dedica à Isomorphic Labs, uma área que te entusiasma. Desde o começo, acreditou na capacidade da IA de curar doenças. Quando veremos um “momento de ouro” na biologia, como na linguagem ou na programação?

Demis Hassabis: Acho que AlphaFold já nos trouxe esse “momento de ouro” na biologia. A estrutura de proteínas é um problema de 50 anos. Se quisermos criar medicamentos ou entender a biologia, resolver isso é fundamental. Mas é só uma etapa do processo de descoberta de drogas.

Nossa nova empresa, Isomorphic Labs, trabalha para desenvolver tecnologias que projetam compostos que se encaixam perfeitamente em regiões específicas de proteínas. Com o conhecimento da forma e superfície das proteínas, podemos “travar” o alvo. Depois, criamos moléculas que se ligam com alta afinidade, evitando efeitos colaterais indesejados.

Nosso sonho é transferir toda a fase de descoberta — que hoje leva 10 anos — para simulações computacionais, deixando os testes físicos para validação final. Se conseguirmos, em poucos anos, reduziremos esse ciclo para meses, semanas ou até dias.

Atingindo esse ponto, a cura de doenças se tornará acessível. Conceitos como medicina personalizada — medicamentos feitos sob medida para cada paciente — se tornarão realidade. A revolução na medicina e na descoberta de drogas acontecerá em poucos anos.

Novas ciências geradas por simuladores

Moderador: Incrível. Você falou várias vezes em “IA a serviço da ciência”. Acredita que, em algum momento, a IA criará uma nova estrutura científica? Como a revolução industrial criou a termodinâmica, por exemplo. Nosso sistema educacional também evoluirá para novas disciplinas? Como seriam?

Demis Hassabis: Acho que isso acontecerá de várias formas.

Primeiro, a compreensão e análise dos sistemas de IA se tornarão uma disciplina completa — uma ciência de engenharia (Engineering Science). Essas criações são fascinantes e complexas, e sua complexidade será comparável à do cérebro humano. Precisamos estudá-las profundamente para entender seu funcionamento — algo que hoje está além do nosso conhecimento. Uma nova área certamente surgirá; a interpretabilidade mecânica (Mechanistic Interpretability) é só a ponta do iceberg, há muito a explorar.

Segundo, acredito que a própria IA abrirá novas portas na ciência. Uma delas é a “IA para simulações” (AI for Simulations). Sou apaixonado por simulações; todos os jogos que criei envolvem IA e, na essência, são simuladores. Acredito que eles serão a chave para resolver problemas complexos em ciências sociais, humanas e econômicas.

Essas disciplinas, como a biologia, são sistemas emergentes (Emergent Systems), difíceis de experimentar de forma controlada e repetível. Por exemplo, aumentar a taxa de juros em 0,5% só se faz na prática, no mundo real, e seus efeitos só podem ser observados depois. Teorias existem, mas não podemos repetir o experimento milhares de vezes. Se pudermos simular esses sistemas com alta precisão, poderemos fazer inferências confiáveis, criando uma nova ciência baseada em simulações.

Acredito que isso nos dará maior capacidade de decisão em áreas de alta incerteza.

O que é necessário para simular com precisão esses sistemas? Como construir modelos de mundo (World Models)? Quais avanços científicos e tecnológicos são essenciais?

Demis Hassabis: Tenho refletido bastante sobre isso. Usamos muito simuladores de aprendizado (Learning Simulators) em nossos trabalhos, especialmente em áreas onde o entendimento matemático é limitado ou o sistema é muito complexo. Não dá para criar um simulador direto para tudo, pois seria impreciso ou incompleto.

Já aplicamos isso na previsão do tempo com o “WeatherNext”, um simulador de clima extremamente preciso, muito mais avançado que as ferramentas atuais. Ainda não sabemos tudo, nem se é possível, mas o primeiro passo é entender melhor esses sistemas complexos.

Na biologia, estamos estudando “Células Virtuais” (Virtual Cells), sistemas emergentes dinâmicos. Assim como a matemática descreve a física, a aprendizagem de máquina pode descrever a biologia. Há uma quantidade enorme de sinais, dados e relações que superam a capacidade do cérebro humano de analisar. Mas, dentro desses dados, há padrões, causalidades e conexões que podemos descobrir.

A aprendizagem de máquina é a ferramenta ideal para isso. Ainda hoje, a matemática não consegue descrever esses sistemas complexos, seja por sua complexidade ou por sua natureza estocástica (Stochastic). Mas, ao dominar esses simuladores, talvez possamos criar uma nova ciência, extraindo leis explícitas de modelos implícitos ou intuitivos. Como as equações de Maxwell, que descrevem o eletromagnetismo, podemos um dia descobrir leis fundamentais desses sistemas emergentes.

Quem sabe. Não sei se essas leis existem de fato, mas se existirem, não vejo motivo para não descobri-las por esse caminho.

Sobre a ideia de que o universo é feito de informação

Moderador: Você falou de uma hipótese de que a estrutura fundamental do universo pode ser similar à informação. Como você enxerga isso? O que isso significa para a computação clássica de Turing?

Demis Hassabis: Você pode citar Einstein e sua famosa equação E=mc², que mostra a equivalência de energia e matéria. Mas, na minha visão, a informação também tem uma espécie de equivalência. A organização da matéria e da estrutura — especialmente em sistemas que resistem à entropia, como a vida — pode ser vista como processamento de informações. Então, podemos transformar matéria, energia e informação umas nas outras.

Na minha intuição, a informação é a base de tudo. Essa ideia contrasta com a física clássica do século XX, que priorizava energia e matéria. Para mim, pensar o universo como uma estrutura de informações é uma abordagem mais profunda.

Se essa hipótese for verdadeira — e há evidências que apoiam isso — o significado da IA se torna ainda mais profundo. Sua essência é organizar, entender e criar objetos informacionais.

Na minha visão, o núcleo da IA é o processamento de informações. Se entendermos o mundo principalmente como informação, perceberemos que esses campos — física, biologia, ciência da computação — estão interligados de formas que ainda estamos começando a compreender.

A máquina de Turing consegue calcular tudo?

Demis Hassabis: Às vezes me vejo como um “defensor do Turing”, pois Turing é um dos meus heróis científicos. Acredito que seu trabalho não só fundamentou a ciência da computação, mas também criou as bases para IA. A teoria da máquina de Turing é uma das maiores realizações da ciência: qualquer coisa que seja computável pode ser simulada por uma máquina relativamente simples.

Por isso, acho que nosso cérebro provavelmente é uma espécie de máquina de Turing aproximada (Approximate Turing Machine). Pensar na relação entre máquinas de Turing e sistemas quânticos é fascinante. Mas, com AlphaGo, AlphaFold e outros sistemas, mostramos que máquinas clássicas, sob a forma de redes neurais, podem modelar problemas antes considerados exclusivos de computação quântica — como o dobramento de proteínas, que envolve interações quânticas complexas.

Na prática, uma máquina clássica bem projetada consegue obter soluções próximas das ideais. Assim, muitos fenômenos que achávamos que só poderiam ser simulados por sistemas quânticos podem, na verdade, ser modelados por métodos clássicos, se bem feitos.

Filosofia da consciência (Consciousness Philosophy)

Moderador: Você sempre viu a IA como uma ferramenta, como telescópios, microscópios ou astrolábios (Astrolabe). Mas, quando uma máquina consegue simular tudo — inclusive sistemas quânticos — ela ultrapassará o conceito de ferramenta? Essa hora chegará?

Demis Hassabis: Tenho uma forte sensação de que, na jornada para a AGI, construímos uma ferramenta extremamente inteligente, útil e precisa. Essa ferramenta pode se tornar cada vez mais autônoma, inteligente, um agente. Estamos vivendo essa era (Agent Era).

Mas há uma questão mais profunda: ela terá agência? Terá consciência? Essas perguntas nos desafiarão. Meu conselho é que as tratemos como uma segunda etapa, usando a ferramenta que criamos para explorar esses temas.

Assim, podemos entender melhor o funcionamento do cérebro humano, a própria consciência, e talvez definir melhor esses conceitos.

Sobre o futuro da definição de consciência, não tenho uma resposta definitiva. É uma questão filosófica antiga, discutida por Kant, Spinoza e outros. Para mim, alguns componentes são essenciais: autoconsciência, continuidade temporal, a capacidade de distinguir o eu do outro. São condições necessárias, mas não suficientes, para algo ser considerado consciente.

Ainda é uma questão aberta (Open Question). Já conversei com muitos filósofos, incluindo Daniel Dennett, que faleceu recentemente. O ponto central é: um sistema que se comporta como consciente — que age como um ser consciente — pode, de alguma forma, ser considerado consciente? E por que acreditamos que os humanos são conscientes? Porque suas ações e comportamentos indicam isso, e porque eles compartilham uma mesma base substrato (substrate).

Se essas condições forem verdadeiras, então, do ponto de vista lógico, a experiência de um sistema artificial que seja equivalente ao humano também poderia ser considerada. Mas, na prática, não podemos replicar a mesma base física (substrate) em uma máquina artificial. Essa é uma barreira difícil de superar. Podemos avaliar seu comportamento, mas a experiência subjetiva — o “sentir” — é outra história. Talvez, no futuro, existam formas de abordar essa questão, mas é um tema que vai além do escopo atual, mesmo na discussão de “IA e ciência”.

Encerrando com filosofia e perguntas rápidas

Moderador: Excelente. Agora vamos abrir para perguntas do público. Você mencionou Kant e Spinoza, seus dois filósofos favoritos. Kant, um deontológico, enfatiza responsabilidade; Spinoza, um determinista. Como conecta essas visões tão distintas? Como entende a operação do mundo?

Demis Hassabis: Gosto de ambos porque Kant propôs que “a mente cria a realidade”, uma ideia que tenho refletido na neurociência. Isso nos dá uma razão para estudar como a mente interpreta o mundo. Se buscamos entender a realidade, primeiro precisamos entender a mente.

Spinoza, por outro lado, fala de uma visão mais determinista, que também influencia minha abordagem científica. Se o universo funciona por leis, podemos tentar compreendê-las.

Para mim, essas visões se complementam: a mente constrói a realidade, mas essa construção é regida por leis. Nosso trabalho na ciência e na IA é desvendar essas leis, entender a estrutura do universo e, talvez, descobrir que tudo é uma questão de organização de informações.

Antes de terminar, uma rápida previsão: você acha que a AGI chegará antes ou depois do esperado? Pode se recusar a responder.

Demis Hassabis: Eu aposto em 2030. Essa é minha previsão constante.

Moderador: Perfeito. E, quando alcançarmos a AGI, qual livro, poema ou artigo você recomenda que todos leiam?

Demis Hassabis: Recomendo “The Fabric of Reality”, de David Deutsch. Acho que suas ideias ainda valem muito. Espero que, com a AGI, possamos responder às perguntas profundas que ele propõe, e que isso seja meu foco na fase seguinte.

Moderador: E qual foi o momento mais orgulho que você teve na DeepMind?

Demis Hassabis: Sem dúvida, a criação do AlphaFold.

Moderador: Para finalizar, uma pergunta de jogo: se você estivesse numa partida de estratégia de alto risco, como “Civilization” ou “Polytopia”, e pudesse escolher um cientista como aliado, quem seria?

Demis Hassabis: Acho que escolheria von Neumann, por sua expertise em teoria dos jogos. Ele seria um parceiro de elite.

Moderador: Excelente escolha. Demis, muito obrigado por sua presença e por compartilhar seu conhecimento conosco. Vamos aplaudir o Demis por sua palestra inspiradora. Muito obrigado!