Nota de fuentes: Este artículo es el resultado de una revisión sistemática de medios de comunicación, bases de datos biográficas y cobertura periodística especializada, incluyendo Britannica, Wikipedia, Business Insider, Fast Company, AI Wiki, Analytics Insight, StartupTalky, Academy of Achievement, Google DeepMind y Nextomoro, entre otros. La lista completa de fuentes se encuentra al final del artículo.

El 9 de octubre de 2024, la Real Academia Sueca de Ciencias llamó a Demis Hassabis para comunicarle que había ganado el Premio Nobel de Química. Compartía la mitad del galardón con su colega John Jumper, de Google DeepMind. La otra mitad fue para el bioquímico estadounidense David Baker.

La razón: AlphaFold, el sistema de inteligencia artificial que en 2020 resolvió uno de los problemas más difíciles de la biología en los últimos cincuenta años —predecir con precisión la estructura tridimensional de las proteínas a partir de su secuencia de aminoácidos. Un problema que miles de científicos habían perseguido durante décadas con métodos experimentales lentos y costosos. AlphaFold lo hizo en horas, para prácticamente todas las proteínas conocidas.

Hassabis describió el momento como "surrealista". No porque no esperara el reconocimiento —su trabajo había ganado ya el Lasker Award, el Breakthrough Prize y el Gairdner International Award, todos en 2023. Sino porque era la primera vez en la historia que el Nobel reconocía un sistema de inteligencia artificial como contribución científica fundamental, no como herramienta de apoyo.

Era también la confirmación de algo que Hassabis había sostenido desde antes de fundar DeepMind: que la inteligencia artificial no era solo tecnología. Era el instrumento más poderoso que la humanidad había construido para hacer ciencia.

Esta es la historia del hombre que llegó a esa conclusión jugando ajedrez a los cuatro años.

Norte de Londres, ajedrez y una mente que no encontraba techo

Demis Hassabis nació el 27 de julio de 1976 en Londres. Su nombre completo es Dimitrios Hassapis. Su padre, Costas Hassabis, es grecochenapriota y trabajó como músico y compositor. Su madre, Angela, es de Singapur, de origen chino, y trabajó en el comercio minorista. Los dos fueron descritos por el propio Hassabis como "bohemios." Sus padres son tecnófobos —"no les gustan mucho las computadoras", dijo alguna vez al diario The Guardian.

Es el mayor de tres hermanos. Su hermana es pianista y compositora. Su hermano estudió escritura creativa. Y él, desde los cuatro años, jugó ajedrez.

No fue una afición casual. A los trece años era maestro con un puntaje Elo de 2.300 —el mismo umbral que muchos jugadores profesionales nunca alcanzan. Capitaneó el equipo junior de ajedrez de Inglaterra en múltiples ocasiones. El ajedrez no fue solo un pasatiempo: fue la primera experiencia de Hassabis con sistemas de pensamiento estructurado, con la búsqueda de la jugada óptima en un espacio de posibilidades casi infinito. Y fue también el primer encuentro con las computadoras: cuando empezó a jugar contra programas de ajedrez y se preguntó cómo funcionaban por dentro.

Aprendió a programar solo, con libros. Su primer programa fue una versión del juego Othello. Tenía ocho años.

Theme Park, Cambridge y el desvío por los videojuegos

A los diecisiete años, mientras aún estaba en el colegio, Hassabis consiguió trabajo en Bullfrog Productions, una de las empresas de videojuegos más importantes de Gran Bretaña en los años noventa. Ahí contribuyó al desarrollo de Theme Park, un simulador de parque de atracciones que vendió más de cuatro millones de copias y ganó varios premios de la industria. Era 1994. Hassabis tenía diecisiete años y estaba co-diseñando uno de los juegos más exitosos de la época.

Pero los videojuegos no eran el destino: eran el financiamiento. Con el dinero ganado en Bullfrog ingresó a Cambridge a estudiar ciencias de la computación, donde obtuvo un Double First —la distinción académica más alta del sistema universitario británico, equivalente a graduarse con las mejores notas en dos disciplinas simultáneamente. Representó a Cambridge en torneos de ajedrez y obtuvo las distinciones "half-blue" en 1996 y 1997.

Al salir de Cambridge, en 1998, fundó Elixir Studios, su propia empresa de videojuegos, a los veintiún años. Desarrolló dos juegos —Republic: The Revolution y Evil Genius— que recibieron críticas favorables pero resultados comerciales modestos. La empresa cerró en 2005.

Lo que Hassabis hizo después fue inesperado para alguien con su perfil: en lugar de buscar otro proyecto tecnológico, ingresó al doctorado en neurociencia cognitiva en el University College London. Quería entender cómo funciona la mente humana para poder replicarla en máquinas.

Su tesis doctoral se tituló "Neural Processes Underpinning Episodic Memory" —los procesos neuronales que subyacen a la memoria episódica. Estudió bajo la tutela de Eleanor Maguire, una de las investigadoras más importantes del mundo en el estudio del hipocampo. Después del doctorado hizo investigación postdoctoral en el MIT y en Harvard. En esa etapa publicó un artículo en la revista Science sobre los mecanismos cerebrales de la imaginación que fue citado cientos de veces. También ganó cinco campeonatos mundiales de juegos mentales —una categoría que incluye ajedrez, damas, backgammon y otros juegos de estrategia.

DeepMind: la apuesta más ambiciosa de Londres

En septiembre de 2010, Hassabis cofundó DeepMind Technologies en Londres junto a Shane Legg y Mustafa Suleyman. La misión declarada era construir inteligencia artificial de propósito general —no sistemas especializados en una tarea, sino máquinas capaces de aprender a hacer cualquier cosa, como lo hace un ser humano.

La propuesta era radicalmente distinta a la que dominaba el campo de la IA en ese momento. La mayoría de los investigadores trabajaban en sistemas estrechos: un programa para reconocer imágenes, otro para traducir textos, otro para recomendar productos. Hassabis quería un sistema que pudiera hacer todo eso y más, a partir de los mismos principios generales de aprendizaje.

La idea de combinar aprendizaje automático con los principios de la neurociencia —cómo aprende el cerebro, no solo cómo procesa datos— era el núcleo de la propuesta. DeepMind no era solo una empresa de IA. Era, en el fondo, un proyecto de ciencia cognitiva con ambiciones tecnológicas.

En 2014, Google adquirió DeepMind por alrededor de 650 millones de dólares —la mayor adquisición europea de Google hasta ese momento. Hassabis negoció una condición que pocos habrían podido imponer: DeepMind mantendría independencia operativa y científica dentro de Alphabet, con sede en Londres y con la capacidad de publicar su investigación libremente. También se creó un comité de ética independiente como condición de la venta.

AlphaGo: la máquina que derrotó a los humanos en el juego más difícil del mundo

En marzo de 2016, el programa AlphaGo de DeepMind se enfrentó a Lee Sedol, uno de los mejores jugadores de Go de la historia, en un match de cinco partidas transmitido en vivo por internet. AlphaGo ganó cuatro a uno.

El Go no es el ajedrez. Es un juego de tablero chino con reglas simples pero con más posibles configuraciones que átomos hay en el universo observable. Los programas de ajedrez pueden usar la fuerza bruta —calcular millones de posiciones posibles— porque el espacio de búsqueda, aunque enorme, es abarcable. El Go no: ninguna computadora podía abarcarlo por fuerza bruta. Los expertos en IA decían que le faltaban al menos diez años a cualquier máquina para competir con los mejores humanos.

AlphaGo lo hizo en dos.

La técnica que usó —aprendizaje por refuerzo combinado con redes neuronales profundas— fue la misma que Hassabis había imaginado desde el principio: enseñar a una máquina a mejorar jugando contra sí misma, sin que nadie le dijera explícitamente cuál era la jugada correcta. La máquina aprendió sola, desde cero, mejor que cualquier ser humano.

En la cuarta partida, Lee Sedol hizo una jugada que los analistas de Go describieron como "divina" —una secuencia tan inesperada que incluyó un movimiento que AlphaGo no había anticipado. Fue la única partida que Sedol ganó. Cuando le preguntaron si fue su mejor partida, respondió: "Fue la única que pude jugar libremente. En las demás, estaba demasiado asustado".

La victoria de AlphaGo fue el momento en que el mundo de la inteligencia artificial cambió para siempre. No porque una máquina hubiera ganado un juego —eso ya lo había hecho Deep Blue de IBM con el ajedrez en 1997. Sino porque la manera en que lo hizo sugería algo más profundo: que las máquinas podían aprender a razonar en dominios donde el conocimiento humano explícito no era suficiente.

AlphaFold: cuando la IA resolvió la biología

En noviembre de 2020, DeepMind anunció que AlphaFold había resuelto el problema del plegamiento de proteínas con una precisión sin precedentes. El anuncio en el congreso CASP —la competencia científica que cada dos años evalúa el progreso mundial en predicción de estructuras proteicas— dejó a la comunidad científica atónita.

El plegamiento de proteínas es el problema de determinar cómo una cadena de aminoácidos se dobla para formar la estructura tridimensional que le da su función biológica. Una proteína mal plegada puede causar enfermedades como el Alzheimer o el Parkinson. Saber cómo se pliegan las proteínas es fundamental para diseñar medicamentos, entender enfermedades y comprender los mecanismos básicos de la vida.

El problema llevaba cincuenta años sin resolverse. AlphaFold lo hizo con una precisión comparable a los métodos experimentales más costosos, en una fracción del tiempo. En julio de 2022, DeepMind publicó estructuras predichas para más de 200 millones de proteínas —prácticamente todas las conocidas en la ciencia. La base de datos es de acceso libre para cualquier investigador del mundo.

El Nobel llegó en 2024. Pero el impacto científico ya era medible mucho antes: AlphaFold había sido citado en decenas de miles de publicaciones científicas, había acelerado el diseño de fármacos para enfermedades olvidadas y había abierto líneas de investigación que antes eran impracticables.

Google DeepMind y la carrera por Gemini

En 2023, Google fusionó DeepMind con Google Brain —su otro gran laboratorio de inteligencia artificial— bajo el nombre Google DeepMind, con Hassabis como CEO. La fusión reunió a dos de los equipos de IA más importantes del mundo en una sola organización, con más de 6.000 empleados y sede central en Londres.

El producto más visible de esa integración es Gemini, la familia de modelos de lenguaje de Google que compite directamente con GPT de OpenAI y Claude de Anthropic. En noviembre de 2025 se lanzó Gemini 3 Pro. En febrero de 2026, Gemini 3.1 Pro. A abril de 2026, el modelo ocupa el tercer lugar en los principales rankings independientes de modelos de IA —por detrás de Claude de Anthropic y GPT de OpenAI— pero lidera en capacidades de visión y procesamiento multimodal.

Hassabis reporta directamente a Sundar Pichai, CEO de Alphabet, con quien habla a diario según una entrevista con CNBC en enero de 2026.

El científico que no le cree a los modelos de lenguaje

Hay una paradoja en la posición de Hassabis dentro de la industria: es el CEO del laboratorio que desarrolla Gemini —uno de los modelos de lenguaje más poderosos del mundo— y al mismo tiempo uno de los críticos más articulados de los límites de esa tecnología.

En enero de 2026, en una entrevista ampliamente citada, dijo que los modelos de lenguaje "no entienden verdaderamente la causalidad —solo predicen el siguiente token". Su tesis es que los LLMs son herramientas extraordinariamente potentes pero no son el camino hacia la inteligencia artificial general. Para llegar ahí, según Hassabis, se necesitan al menos "dos avances del nivel de AlphaGo" que todavía no se han producido.

Su visión de la AGI es más cautelosa que la de Altman o Amodei. En Davos 2026, mientras Amodei predecía AGI para 2026 o 2027, Hassabis habló de "cinco a diez años" y de una probabilidad del 50% antes de 2030. No por pesimismo —sino porque cree que el salto requiere avances arquitecturales que la industria todavía no ha realizado.

La ruta que propone DeepMind combina las capacidades de Gemini con las técnicas de búsqueda y planificación que hicieron posible AlphaGo, y con modelos del mundo —representaciones internas de cómo funciona la física y la causalidad— que van más allá de la predicción de texto. "Estamos desempolvando muchas ideas, pensando en algún tipo de combinación de las capacidades de AlphaGo construidas sobre estos grandes modelos", dijo en Wired en febrero de 2024. En marzo de 2026, el blog de DeepMind lo formuló de manera más directa: "Creemos que la combinación de los modelos del mundo de Gemini, las técnicas de búsqueda y planificación de AlphaGo, y el uso especializado de herramientas de IA será crítica para la AGI".

El contrapunto

En una industria donde los líderes compiten en quién hace las afirmaciones más ambiciosas —Altman habla de resolver el cáncer y el cambio climático, Amodei de eliminar el 50% de los empleos de nivel inicial en cinco años— Hassabis representa algo diferente: el científico que pide evidencia antes de hacer promesas.

Tiene 49 años. Recibió el título de Sir en 2024, nombrado caballero por el gobierno británico por sus contribuciones a la inteligencia artificial. Es miembro de la Royal Society. Está casado y tiene dos hijos.

Su historia personal no tiene el drama del inmigrante que limpia baños en Kentucky ni la traición corporativa del investigador que se fue de OpenAI porque no le creyó a su CEO. Es más tranquila y más larga: la de un niño prodigio del ajedrez que aprendió a programar solo, que hizo videojuegos para pagarse Cambridge, que estudió neurociencia para entender qué hace al cerebro inteligente, y que luego pasó los siguientes quince años construyendo máquinas que aprendieran a hacer lo mismo.

El Nobel no fue el punto de llegada. Fue la validación de un método: que la inteligencia artificial, usada con rigor científico, puede resolver los problemas más difíciles que la humanidad ha planteado. Hassabis lleva dos décadas demostrándolo. Y según su propio calendario, todavía le faltan varios avances del nivel de AlphaGo.

Esta es la cuarta entrega de la serie "Dueños de la IA en el mundo". El capítulo siguiente: Jensen Huang, el hombre que construyó el motor que hace posible todo lo demás.

Fuentes

• Britannica. "Demis Hassabis." Actualización octubre 2024.
• Wikipedia. Perfiles de "Demis Hassabis" y "Google DeepMind." Actualizaciones 2026.
• AI Wiki. "Google DeepMind." Actualización abril 2026.
• Nextomoro. "Google DeepMind — AI Research Lab Intelligence." Abril 2026.
• StartupTalky. "Demis Hassabis Biography: The Man Behind DeepMind and AlphaFold." Abril 2026.
• Analytics Insight. "Demis Hassabis Biography." Enero 2025.
• Academy of Achievement. "Sir Demis Hassabis." Octubre 2024.
• Eboona. "Demis Hassabis — Biography, Net Worth, Career, Companies & Lifestyle." Enero 2026.
• Biyografiler. "Demis Hassabis Biography." Mayo 2026.
• Business Insider / AOL. "Who is Demis Hassabis, the DeepMind founder who won the Nobel Prize in chemistry?" Octubre 2024.
• Business Insider / AOL. "Google DeepMind CEO says his passion for chess led to his career in AI."
• Fast Company. "Demis Hassabis isn't shying away from AI's biggest questions." Mayo 2026.
• Useluminix. "Demis Hassabis AGI Roadmap: Gemini, AlphaFold & DeepMind Strategy." Mayo 2026.
• Tradeflock. "Demis Hassabis: The AI Visionary Transforming Our Future." Mayo 2026.
• Google DeepMind. "About Google DeepMind." deepmind.google.
• Fortune / Davos 2026. "AI luminaries at Davos clash over how close human-level intelligence really is." Enero 2026.
• Wired. Entrevista a Demis Hassabis. Febrero 2024.
• CNBC. Entrevista a Demis Hassabis. Enero 2026.

‍