2024 年，哈萨比斯（Demis Hassabis）凭借 AlphaFold 拿下了诺贝尔化学奖。
两年不到，创造这一 AI 科学奇迹的核心团队，被解散了。
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它项目，其中部分研究人员转向 Gemini 相关研究，部分成员则进入 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。
对此，有网友表示：DeepMind 曾是英国创新的象征，如今它大势已去。
但如果放在更大的背景下看，这并不是 DeepMind 一家的选择。
从 DeepMind 到字节，越来越多科技公司正在调整 AI4S 团队的定位。随着 AI 竞争进入资源密集阶段，大厂正在重新决定哪些方向值得投入最核心的研发、算力和人才资源。
一、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 " 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（Artificial General Intelligence，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。
蛋白质折叠问题曾经困扰生物学界超过 50 年。
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。
2020 年，在国际蛋白质结构预测竞赛 CASP 中，AlphaFold 2 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。
2021 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。
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。
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 正在面对一个新的挑战：
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？
二、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。
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。
三、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 2021 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。
本文来自微信公众号：字母 AI，作者：袁心玥
