AlphaFold团队解散：诺奖得主加盟Anthropic，科学智能体成新局

曾凭借AlphaFold攻克困扰生物学界数十年的蛋白质结构预测难题、诞生诺贝尔化学奖得主的明星研究团队，如今被Google DeepMind撤销了独立编制。

据行业观察消息，这支曾改写结构生物学领域的团队已经不再作为独立单元存在。

原团队成员被分配到Google内部多个项目方向：一部分转向Gemini大模型、AI编程相关研发，也有人投身基因组研究、蛋白质与酶设计，甚至核聚变领域；另有部分成员加入了Alphabet旗下专注药物研发的Isomorphic Labs；还有一批人直接离开了Google。

不少人因此产生疑问：AlphaFold项目是不是被彻底叫停了？

消息传出后，Google方面很快做出回应。Google Cloud首席科学家、DeepMind科学副总裁Pushmeet Kohli表示，DeepMind的科学团队并没有转向新方向，只是扩大了工作范畴。

DeepMind科学团队并没有转向！只是扩大了工作范围。

具体来说，团队的研究范围拓展到了蛋白质功能研究、基因组学、蛋白质与酶设计，以及基于Gemini打造的科学智能体方向。他还强调，DeepMind一贯鼓励科学家自主选择想要攻克的科研问题，AlphaFold团队的成员也拥有这样的自主权。简单来说，在AlphaFold完成核心突破后，团队成员带着积累的技术能力，通过内部流动参与到更多项目中。

据梳理，原AlphaFold团队成员的去向大致分为三类。第一类留在DeepMind内部，参与Gemini、AI编程、基因组研究、蛋白质与酶设计乃至核聚变项目；第二类加入了Alphabet旗下的Isomorphic Labs——这家由Demis Hassabis在2021年创办的公司，目标是将AlphaFold的技术能力进一步应用到药物发现与设计环节；第三类则直接离开Google。

其中最受关注的是AlphaFold 2负责人John Jumper，他刚刚在2024年凭借蛋白质结构预测的研究成果，与Demis Hassabis共同获得诺贝尔化学奖。如今他已经离开任职近9年的DeepMind，加入了竞争对手Anthropic。另外两位参与过AlphaFold核心研究的成员Jonas Adler和Alexander Pritzel，也将转投Anthropic。这两位成员此前分别参与了Google的AI编程项目与Gemini模型训练，同时都出现在AlphaFold的核心作者名单中。

据统计，最初署名AlphaFold论文的DeepMind员工中，有接近四分之一已经离开团队。单看这个数字，在一项持续多年的科研项目中并不算异常，但诺奖得主与多位核心成员在相近时间内集体流向同一家竞争对手，还是引发了广泛关注。

AlphaFold团队之所以引发如此大的关注，源于其突破性的科研成果：他们解决了困扰生物学界数十年的蛋白质结构预测难题，公开了超过2亿个蛋白质结构预测结果，还诞生了两位诺贝尔化学奖得主。诺奖官方曾评价，AlphaFold 2已经能够预测几乎所有已知蛋白质的结构。

比这些成果更值得关注的，是AlphaFold团队当年的组织模式。DeepMind组建了一支小而紧密的跨学科团队，机器学习研究员、生物学家与工程师长期聚焦于一个核心问题：仅根据氨基酸序列，能否准确预测蛋白质最终折叠形成的三维结构？这个目标明确且难度极高，团队并没有急于将成果包装为产品，在第一代AlphaFold遇到瓶颈后，他们没有修修补补，而是彻底推翻原有方案，从模型架构层面重新开始研发。最终拿下CASP比赛、彻底改变结构生物学领域的AlphaFold 2，正是这种专注攻坚的成果。这种“小团队、长周期、单点攻坚”的研究模式被证明极为成功。

但当核心目标达成后，一个问题随之而来：这支专注攻坚的团队是否还要继续守在已经登顶的山峰上？谷歌给出的答案显然是否定的。从原团队成员的流向来看，DeepMind正在将AlphaFold积累的人才与技术能力拆解，分散到更多科研领域中。

拆解AlphaFold团队后，谷歌押注的是另一种科研范式：以Gemini大模型作为底层底座，让不同的科研项目共享模型、算力与人才资源。

在这套模式下，科学家不必为每一个新问题从头训练专用模型。Gemini可以先处理海量文献、数据与代码，再配合AI Co-Scientist、AlphaEvolve等智能体，帮助研究人员提出研究假设、优化算法、筛选候选答案。谷歌还将这套能力接入了云服务，最新推出的Science Skills已经连通AlphaFold数据库、AlphaGenome、UniProt等30余种生命科学数据库与工具，过去需要科学家手动切换多个工具才能完成的分析流程，现在可以被整合进同一套工作流中。

一支专注的AlphaFold团队，一次只能攻克一个科研问题；而以Gemini为底座的通用科研平台，却可以同时服务生物、材料、数学、核聚变等多个领域。模型能力、算力与研究工具无需每次从零搭建，更多科研人员也能借此使用原本门槛极高的分析方法，理论上可以大幅提升科研效率。

但这套模式也存在潜在的隐患：AlphaFold当年能够取得成功，依赖的是一小群科研人员愿意花费多年时间盯住一个看似无解的问题，这种极致的专注很难通过平台化的方式复制。将专家分散到多个项目中，确实可以扩大他们的影响力，但当摊子铺开后，每个问题能够获得的注意力资源会被稀释。同时，谷歌是否还愿意为一支团队提供数年的研发周期，只为攻克一个短期内看不到商业化成果的难题，也需要打上一个问号。

如今谷歌将这支明星小队拆解重组，其能否找到下一个值得投入十年时间攻坚的核心科研问题，才是这场变动留给行业的真正悬念。

参考链接：
[1]https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33
[2]https://x.com/pushmeet/status/2082570716122362021