AlphaFold 的奇迹难以复制

AlphaFold 的成功有一个极其特殊的前提：Protein Data Bank。这个数据库汇集了约 17 万个实验验证过的蛋白质结构，背后是 53 年的国际合作和大约 210 亿美元的实验投入。

这种规模的、标准化的、可重复的数据集在科学界非常罕见。蛋白质晶体学本身是一种高度可重复的实验手段，但大多数生物学和化学实验不具备这种条件：细胞系会漂移，试剂会有微量污染，实验室湿度都会变化。要在这些领域建立同样质量的训练数据，可能需要几十年。

真正的科研不是跑模型，而是综合判断

科学家做研究时，从来不会只依赖一种完美数据。他们会把对接计算、已知结构、分子动力学模拟和少量实验结果综合起来，再根据经验判断每种方法的可信度。这种在不确定中权衡、迭代和修正的能力，正是传统大模型难以做到的。

智能体恰好可以模拟这一过程。它不是针对单一问题训练一个巨型模型，而是让一个大语言模型调用多种工具、反复尝试并修正假设。

Google Co-Scientist 验证了这个思路

今年 5 月，Google 发布了 AI Co-Scientist。研究者只给它一个一页纸的任务说明：找出抗生素耐药性如何在细菌物种之间传播。

系统启动了多个子智能体：一个负责从文献中提炼假设，一个像同行评审一样挑刺，一个通过「锦标赛」机制给假设打分，一个负责把优胜假设进一步打磨。最终，AI 得出了一个正确结论——耐药基因会搭乘噬菌体在不同细菌之间转移。

这个结论此前由帝国理工学院的研究团队花了十年湿实验才独立得到，而当时那篇论文还在同行评审中，Co-Scientist 不可能提前看到。

智能体能解决科学界的「复现危机」

学术界长期苦于复现危机：很多实验结果难以被其他团队重复验证，原因之一是研究人员不愿在论文结束后继续整理原始数据和完整代码。

智能体天然会记录每一步操作，留下精确的方法日志。这意味着未来一篇论文背后的完整实验流程可以被自动保存和复刻，复现率有望大幅提升。

此外，智能体还能把实验室里几十年的经验、失败案例和隐性知识集中到一个标准化的机构知识库中，解决研究生只能靠翻前辈笔记本找经验的问题。

速度比争论更重要

当验证一个想法的成本低于开会争论时，人们会直接去做实验。能在一小时内读完一千篇论文、设计出五百个分子、并从失败中学习的智能体，会把科学探索的成本降到前所未有的水平。

作者认为，历史上改变科学面貌的通用工具屈指可数：微积分、统计推断、光谱学、计算机。AI 智能体很可能是下一个。

来源：MIT Technology Review / Eric Schmidt、Suhas Mahesh

据英国《金融时报》7 月 29 日报道，谷歌旗下 AI 实验室 DeepMind 已解散 AlphaFold 背后的研发团队。这套预测蛋白质三维结构的 AI 系统曾彻底改写生物学研究的路径，并让 DeepMind 首席执行官戴米斯·哈萨比斯（Demis Hassabis）与工程研究员约翰·江珀（John Jumper）共同摘得 2024 年诺贝尔化学奖。

一年时间，团队悄然瓦解

根据《金融时报》对人事变动的分析及知情人士消息，过去一年里，AlphaFold 论文的绝大多数原始作者已被重新分配到其他团队。DeepMind 证实，这些研究人员在内部转岗后，分流至围绕 Gemini 大语言模型构建的项目，以及酶设计、核聚变、基因组学等研究方向；另有部分人员调往 Alphabet 旗下的药物发现公司 Isomorphic Labs。

更能说明问题的是人才流失的规模：在 AlphaFold 原始论文的 DeepMind 全职作者中，近四分之一已经彻底离开公司。

核心成员的出走尤其刺眼。今年早些时候，江珀与另一位 AlphaFold 研究员乔纳斯·阿德勒（Jonas Adler）被调入谷歌内部的”Code Strike”团队——该团队的使命是提升谷歌的 AI 编程能力，以追赶 Anthropic 和 OpenAI。仅仅几个月后，江珀于 6 月正式宣布离职、转投 Anthropic，阿德勒与同事亚历山大·普里策尔（Alexander Pritzel）一并随行。一位不愿具名的 DeepMind 员工表示，这三人都是公司”举足轻重的核心成员”，他们的离开在内部引起了不小的震动。

九年战略，正式转向

这场重组背后，是 DeepMind 科研战略的重大转折。”过去九年，我们的战略一直是聚焦重大科学挑战，让每个项目都围绕一个明确的目标展开。如今这一战略已经发生了变化。”DeepMind 研究副总裁、”AI 科学”团队创始人普什米特·科利（Pushmeet Kohli）表示。

科利解释，实验室不再单独组建团队专攻蛋白质折叠这类单一科学课题，当前的核心重心是打造由 Gemini 驱动、能够协助科学家开展研究、并最终把部分科研流程自动化的通用 AI 系统；与此同时，DeepMind 也在与 OpenAI、Anthropic 争夺最前沿的 AI 智能体赛道。

对于人员变动，DeepMind 回应称，研究人员的流动反映了公司不断演变的科研重点：”我们为自身的科学传承以及 AlphaFold 的全球影响力感到无比自豪，正是 AlphaFold 的成就激励我们成立了 Isomorphic Labs。”后者于 2021 年从 DeepMind 分拆，已与诺华、礼来等制药巨头建立合作，利用 AI 加速新药研发。

大模型时代，基础科研为谁让路

AlphaFold 的故事始于 2018 年。从在国际蛋白质结构预测竞赛 CASP 上一战成名，到开源数据库惠及全球科研人员，再到 2024 年登上诺奖领奖台——短短八年，这个明星项目走完了从巅峰到解散的完整周期。

这次重组也折射出整个 AI 行业的转向：前沿实验室越来越倾向于把大语言模型视为加速科学研究的通用工具，而非为单一难题设立专门团队。Anthropic 今年推出了面向生物学和药物研发的 Claude Science；OpenAI 研究主管马克·陈（Mark Chen）此前的一番话，或许道出了顶尖研究员用脚投票的原因：”研究人员希望在处于前沿的实验室工作，而不是疲于追赶。”

只是，当一支拿过诺贝尔奖的团队都可以说散就散，一个问题被留给了整个行业：回报周期漫长的硬核基础科研，究竟该由谁来长期守护？

来源：英国《金融时报》，via IT之家（https://www.ithome.com/0/983/065.htm）