哈萨比斯过河拆桥？诺奖项目背后的AlphaFold团队被拆散了

AlphaFold核心团队被解散，AI科学界的“诺奖诅咒”来临？

2024年，哈萨比斯（Demis Hassabis）带着AlphaFold摘下了诺贝尔化学奖。

但在诺奖光环还没完全散去的时候，创造这个AI科学奇迹的核心团队，就那么散了。

据《金融时报》7月29日报道，Google DeepMind近期解散了负责AlphaFold研发的核心AI for Science（简称AI4S）团队。过去一年里，AlphaFold论文的大部分原作者已经被重新分配到其他项目——一部分转向了Gemini相关研究，另一部分则进入Alphabet旗下AI药物研发公司Isomorphic Labs。

最初参与AlphaFold论文的DeepMind全职作者中，已有近四分之一离开公司。

有网友感叹：DeepMind曾是英国创新的象征，如今它大势已去。

乍一看，这确实容易让人联想到“过河拆桥”——哈萨比斯拿完奖，就把核心团队拆了。或者更悲观一点，是不是DeepMind要放弃它最根本的AI4S路线了？

但如果把目光放得更远一点，这绝不是DeepMind一家的选择。

从DeepMind到字节，越来越多的科技公司正在调整AI4S团队的战略定位。当AI竞争进入资源密集阶段，大厂们正重新评估哪些方向值得投入最核心的研发、算力和人才资源。

AlphaFold，DeepMind长期主义的代表

回顾DeepMind过去十年的发展，AlphaFold无疑是最能代表其“长期主义”口碑的项目之一。

早在2010年成立时，DeepMind关注的就不是某一个具体产品，而是一个更长期的愿景：人工智能能否帮助人类解决此前无法解决的问题。

在哈萨比斯的设想中，未来的人工通用智能（AGI）应该具备理解复杂世界、发现新知识、推动科学进步的能力。因此，科学研究一直是DeepMind战略中的重要方向。

而AlphaFold是其中最具代表性的案例。

蛋白质折叠问题，这个困扰了生物学界半个多世纪的难题，曾经让无数科学家头疼不已。

蛋白质由氨基酸链组成，但真正决定其功能的是复杂的三维结构。过去，科学家主要依靠冷冻电镜、X射线晶体学等实验方法解析蛋白质结构，往往需要数月甚至数年的时间，成本也非常高。

2018年，DeepMind开始研发AlphaFold，试图让AI直接根据蛋白质序列预测它的三维结构。

一年后，AlphaFold 2在国际蛋白质结构预测竞赛CASP中取得突破性表现，预测精度首次接近实验方法，被认为解决了蛋白质结构预测领域长期存在的核心挑战。

2024年，DeepMind在《Nature》发表AlphaFold 2论文，并开放模型代码。同年，DeepMind联合欧洲生物信息研究所推出AlphaFold Protein Structure Database，向全球科研人员免费提供蛋白质结构预测数据。

随后，该数据库扩展至超过2亿条蛋白质结构预测结果，成为生命科学领域的重要基础设施。

可以说，AlphaFold改变了结构生物学的研究方式：过去，科学家需要花费大量时间和成本实验解析蛋白质结构；而AlphaFold让研究人员能够快速获得预测结果，将更多精力投入疾病机制、药物研发和生物工程等后续研究。

2024年，AlphaFold迎来最高光时刻。

DeepMind推出AlphaFold 3，将能力从蛋白质结构预测进一步扩展到蛋白质、DNA、RNA以及小分子之间的相互作用预测，进一步进入药物研发的核心环节。

同年，哈萨比斯和AlphaFold核心负责人John Jumper凭借这一成果获得诺贝尔化学奖。

从2018年启动，到2024年获得诺奖，AlphaFold完成了从实验室项目到全球科研基础设施的转变。

更重要的是，它证明了哈萨比斯长期以来坚持的一条路线：AI不仅可以提高效率，也可以成为推动科学发现的新工具。

这也是为什么AI for Science对于DeepMind意义非凡——从根本上来说，它是DeepMind理解AI价值的一部分。

但问题在于，当AI竞争进入新的阶段，DeepMind面对着一个新的挑战：过去围绕重大科学挑战建立长期研究团队的模式，是否仍然是公司最优先的资源配置方式？

Gemini压力下，DeepMind开始集中AI人才

AlphaFold团队的调整，并不意味着DeepMind放弃AI for Science，更准确地说，这是Google DeepMind在重新分配自身的AI资源。

过去几年，DeepMind长期保持着多条前沿研究路线并行推进的模式：一边探索AlphaFold这样的科学突破；一边研发通用人工智能；一边布局强化学习、机器人等前沿领域。

但随着AI竞争进入新的阶段，资源分配的压力正在显现。对于谷歌而言，当前最重要的问题，是如何让Gemini在OpenAI、Anthropic等公司的模型竞争中保持领先。

在OpenAI持续推进GPT系列、Anthropic凭借Claude Code等产品快速扩张的情况下，谷歌虽然拥有DeepMind这一全球顶尖AI研究机构，但Gemini的发展仍然承受着巨大压力。

尤其是原本被寄予厚望的Gemini 3.5 Pro迟迟未发布，让外界持续关注谷歌在前沿模型竞争中的进展。

另外，过去一年，DeepMind内部已经出现明显的人才流动。

据《金融时报》报道，AlphaFold核心负责人之一、和哈萨比斯一同获得诺贝尔奖的John Jumper，曾被调往Google内部负责提升AI编码能力的Code Strike团队。

这一变化非常具有象征意义——在AI竞争越来越集中于大模型、代码能力和Agent之后，谷歌需要的不只是一个能够解决蛋白质结构预测问题的顶级科学家，也需要他参与提升Gemini在关键应用场景中的能力。

只是后来，Jumper离开了DeepMind，加入Anthropic。

AlphaFold核心团队的人事变化，也成为DeepMind战略调整的一个缩影。

事实上，DeepMind内部已经明确承认科研战略正在发生变化。

DeepMind研究副总裁Pushmeet Kohli表示：“过去九年，我们的战略一直是专注于重大挑战……每个项目都围绕一个具体目标展开。”如今这一战略“已经发生了演变”。

报道表示，DeepMind正在扩大AI for Science的目标范围，除了针对具体科学问题开发专用模型，也开始探索利用Gemini等通用模型构建能够辅助科学研究的AI系统。

从这个角度看，AlphaFold曾经代表了DeepMind证明AI能力边界的方式，而如今Gemini正在成为DeepMind重新组织AI研发资源的核心。

从AI发现到产业落地，AlphaFold进入下一阶段

好消息是，DeepMind并没有放弃AlphaFold。

据《金融时报》报道，部分AlphaFold研究人员转向Alphabet旗下AI药物研发公司Isomorphic Labs，继续推动AI在生命科学领域的应用。

AlphaFold路线并没有因为AI4S团队解散而终结，而是进入了下一阶段。

AlphaFold最初解决的问题是如何利用AI预测蛋白质结构，但对于生命科学产业而言，结构预测只是第一步。

下一阶段，AI需要进一步进入药物研发和生物研究的流程。

为了推动这一方向，DeepMind在2024年成立了Isomorphic Labs。

与DeepMind偏基础研究的定位不同，Isomorphic Labs更关注如何将AI能力转化为产业价值，公司目标是利用AlphaFold等AI技术重塑药物研发流程。

2024年，Isomorphic Labs宣布与诺华（Novartis）和礼来（Eli Lilly）展开AI药物研发合作。其中，与诺华的合作最初聚焦于利用AI发现针对多个高难度靶点的小分子药物；与礼来的合作则围绕多个未公开靶点的小分子疗法研发。

与此同时，Isomorphic Labs也在继续开发超越AlphaFold的AI药物设计系统。公司表示，其Drug Design Engine希望将AI从结构预测进一步推进到分子设计、结合预测等完整药物研发流程。

不过，目前Isomorphic Labs并没有参与并推出某款AI药物。

这也是AI for Science领域正在面临的共同问题：无论是AI制药、AI材料，还是其他科学领域，真正困难的部分往往不只是发现一个理论上的可能性，而是完成后续的实验验证、工程转化和商业应用。

从这个角度看，AlphaFold团队的调整更像一次重新分工：DeepMind继续探索更通用的AI能力；而Isomorphic Labs负责推动生命科学领域的商业化落地。

AlphaFold并没有消失，只是从一个代表DeepMind科研突破的明星项目，变成了连接基础研究与产业应用的平台。

不过，随着原始核心团队的分散，大家想象中的AlphaFold 4可能不会以原来的方式实现了。