人工智能研究員、電子遊戲設計師 Demis Hassabis，在 2010 年與友人創立了研究公司 DeepMind，並開始研究在玩遊戲上更勝人類的人工智能。DeepMind 訓練的 AI 程式 AlphaGo 在 2016 年擊敗頂尖棋士李世乭，使 DeepMind 和 Hassabis 聲名大噪。
DeepMind 現在屬於 Google 的子公司 Alphabet。除了遊戲，DeepMind 希望可以找到更多應用 AI 的地方。去年 11 月，其人工智能 AI AlphaFold 就成功破解預測蛋白質結構的難題。蛋白質由一連串氨基酸而折疊而成，複雜的形狀會決定其生物功能。要確定蛋白質形狀通常需要多年實驗，但 AlphaFold 表現出色，比其他研究團隊更準確估計蛋白質結構。Hassabis 相信，這只是人工智能貢獻科學的開端。
Hassabis 在「新科學人」專訪中表示，他們希望能從根本上理解並人工再造「智能」（Intelligence），以助我們了解世界、影響世界，其中之一就是加快科學發現的步伐。Hassabis 解釋：「哈勃望遠鏡使我們可以更深入地觀察宇宙，這就是我看待 AI 的方式，AI 有如一種通用的哈勃望遠鏡，可以幫助我們在許多科學領域取得更大進步。」
在沒有電腦和人工智能的時代，很多科學發現乃通過觀察得來。現時剩下更複雜的系統和問題，無法以簡單的法則來解決。Hassabis 舉例，生物學一直被認為過於複雜，無法將物理方法應用在生物學，但電腦科學和人工智能或能幫上一把。他表示：「你可以視之為世上最好的研究助理。他們可以把既有模式找出來，將不同論文的各部分組合起來，並找到關聯。」
有人認為，AI 只能完成單一任務，在其他問題卻無能為力，例如 AlphaFold 只能用於估計蛋白質結構。Hassabis 也同意 AI 在這方面有限制，但他指出，DeepMind 開發的 AlphaZero 無需修改，便可以應用於任何雙人遊戲，只不過每次都必須從頭開始學習。這些 AI 的知識不會轉移，但就掌握了通用算法。
人類則有轉移智能的能力，我們不必從零開始學習所有工作，即機器學習中所謂的「轉移學習」（Transfer learning）。例如，一個人若懂得下中國象棋，對於國際象棋也會一定概念，人工智能至今還未有這種 突破。Hassabis 正從事相關研究，他們或還需要更多模組，例如情景記憶和注意力。
額外的模組或能幫助 AI 學習。大腦至少具有兩種計算模式，第一種是與「大腦皮質」有關的心智活動 ，包括視覺、聽覺、語言、思考、記憶和決策等高層次的認知功能，都和大腦皮質息息相關。另一方面，我們大腦有稱為「海馬體」的部分，與學習和記憶的形成有密切關係。
Hassabis 認為兩者互補。他推測，如果只有快速學習的部分，即使學習了新知識，也會非常不穩定。若人類只懂快速學習，那在學會踩單車後，或會清除鋼琴演奏的專業技能。因為它必須快，因此人難以控制被覆蓋的範圍。但人類確實需要快速記憶和快速學習的能力，例如，我們不能多次遇上生關死劫才懂得逃生。因此，Hassabis 猜測我們需要兩個系統，又需要兩者之間的某種「遞移函數」（Transfer function，指輸入和輸出的轉換關係）：「部分就是我們睡覺時發生的情況。」
DeepMind 也正在研究 AI 是否需要某種形式的睡眠。例如 DeepMind 早期讓 AI 玩 Atari 電子遊戲，「內存重播」（Memory Replay）就起了關鍵作用。他們的 AI 不僅會玩遊戲，還會自己重播遊戲中的重要時刻。這或可以稱為「睡眠」，但實際上並非在休眠，而是處於離線模式。
Hassabis 預計，未來十年，AI 在科學研究方面將會有數十項突破，能使許多產品服務成真和進步。他寄望 AI 在科學的不同領域中發揮重要作用，例如可再生能源（如核聚變）到量子化學、材料設計以及尋找醫學治療方法等等。
