YOHO AI

标签： AlphaFold

  • 诺贝尔化学奖得主John Jumper离开DeepMind加入Anthropic，AI人才大战打到诺奖圈了

    2024年诺贝尔化学奖得主John Jumper上周五在X上发了一条消息，宣布自己要离开工作了近9年的Google DeepMind，转投竞争对手Anthropic。这条消息不长，但足以让整个AI圈子侧目。

    John Jumper AlphaFold
    诺贝尔化学奖得主John Jumper（右）与DeepMind CEO Demis Hassabis

    Jumper在DeepMind干了快9年，刚拿到博士学位才6个月就被Hassabis委以重任，领导AlphaFold团队。AlphaFold是什么？简单说，它是一个用AI预测蛋白质三维结构的模型——蛋白质长得啥样，决定了它怎么工作，进而决定药物能不能起效。这个难题困扰了结构生物学家几十年，AlphaFold基本上把它解决了。

    一个模型改变了一门学科

    2024年，Jumper和Hassabis一起拿了诺贝尔化学奖。诺奖委员会的理由很直接：AlphaFold”解决了一个50年来的难题”。这个模型能根据蛋白质的基因序列，精准预测它折叠成什么形状——而形状就是功能的关键。

    AlphaFold的贡献不只是学术上的。它开源了预测结果数据库，覆盖了几乎所有已知的蛋白质结构，全球研究人员可以免费查询。这对新药研发、酶工程、甚至理解神经退行性疾病都有实质推动。

    那么问题来了，这样的人为什么要走？

    Bloomberg透露了一个线索

    Bloomberg的报道说，Jumper在Google内部是编程工具团队的关键成员，而这个团队的产品一直卖不动。这或许是一个原因，但可能还不是全部。

    更值得注意的背景是：这周不只是Jumper一个人离开DeepMind。Character AI的联合创始人Noam Shazeer也宣布离开DeepMind，去了OpenAI。两起人才流动，同一个方向——顶尖人才从Google流向它的AI竞争对手。

    Anthropic这边，拿到Jumper意味着什么？Anthropic一直把”AI安全”挂在嘴边，但它的野心不止于此。Jumper的加入，很可能意味着Anthropic要在科学应用方向上发力——用大模型加速科学研究，而不只是做聊天机器人。

    AI人才大战的缩影

    把视角拉远一点，这件事其实是整个AI行业人才争夺战的缩影。Anthropic和OpenAI都在从DeepMind挖人，而DeepMind作为Google旗下的AI实验室，背靠大厂资源，却似乎留不住最顶尖的研究者。

    • Jumper拿过诺奖，是结构生物学和AI交叉领域最顶尖的人之一
    • 他选择Anthropic而不是留在DeepMind，说明他认为Anthropic能给他更大的空间
    • 对Google来说，这是继Noam Shazeer出走之后又一记人才重拳

    Jumper在告别帖里特意感谢了Hassabis，说DeepMind是个特别的地方，他还会继续关注老东家的发现。话这么说，但人已经走了。

    Anthropic把这则消息加了一层意味：它不只是挖到了一个诺奖得主，更是在向外界传递一个信号——它要做的事，比训练一个更好的聊天机器人要大得多。

  • 诺贝尔奖得主John Jumper离开DeepMind，加入对手Anthropic

    诺贝尔奖得主跳槽，DeepMind失去一位核心科学家

    上周五，2024年诺贝尔化学奖得主John Jumper在X上宣布，在Google DeepMind工作了近9年之后，他要跳槽去Anthropic了。这条消息在AI圈子里炸开了锅——毕竟，能和诺贝尔奖得主扯上关系的公司不多，DeepMind和Anthropic现在居然成了”对手戏”。

    Jumper在帖子里的语气倒是很温和。他特意感谢了DeepMind CEO Demis Hassabis，说对方在自己博士毕业仅六个月的时候就敢让他领导AlphaFold团队，这确实冒了不小的风险。他还说，DeepMind是个特别的地方，以后也会很期待看到他们接下来能搞出什么大新闻。

    Demis Hassabis和John Jumper在Breakthrough Prize Ceremony上
    Demis Hassabis和John Jumper在Breakthrough Prize Ceremony上（图源：TechCrunch）

    AlphaFold到底有多厉害？

    要说Jumper为什么这么抢手，得先说说AlphaFold。这个AI模型能根据基因的序列，预测蛋白质的3D结构——听起来很专业？打个比方，就像是你给你一个字符串，它能告诉你这根绳子最后会折成什么形状。蛋白质的结构决定了它的功能，而搞清楚蛋白质结构，对理解疾病、开发新药都有关键意义。

    2024年，Jumper和Hassabis因为这个工作拿到了诺贝尔化学奖。诺贝尔奖官网当时说，AlphaFold”解决了困扰科学界50年的问题”。这话一点不夸张——以前科学家要用X射线晶体学这种实验方法，花几年时间才能搞清楚一个蛋白质的结构，现在AlphaFold几个小时就能给出预测。

    AlphaFold的开源让全世界的研究者都能用上这个工具。截至目前，AlphaFold预测的蛋白质结构已经超过2亿个，覆盖了几乎所有已知的蛋白质编码基因。

    为什么是Anthropic？

    Jumper为什么要走？目前还没有详细的公开说明。不过Bloomberg的报道提供了一个线索：Jumper是Google开发编码工具团队的关键成员，而这块业务在公司内部推得并不顺利，卖给企业客户的时候遇到了不少阻力。

    Anthropic这边呢，一直在招兵买马。这家公司由前DeepMind和OpenAI的研究人员创立，主打”安全可靠的AI”，目前是AI领域最受关注的公司之一。Claude就是他们家的产品。能把Jumper这样的顶尖人才挖过来，对Anthropic的基础研究能力绝对是加分项。

    顺便说一句，这周离开DeepMind去竞争对手的，不止Jumper一个人。Character AI的联合创始人Noam Shazeer也宣布离开，不过他是去了OpenAI。AI人才争夺战，现在是越来越热闹了。

    这对AI格局意味着什么

    短期来看，这对DeepMind是个损失，但对整个AI领域不一定是坏事。人才在不同机构之间流动，往往会带来新的思路和碰撞。Jumper去了Anthropic，说不定能把AlphaFold的思路带到新问题上——比如，蛋白质结构预测和大型语言模型之间，有没有可能擦出火花？

    再说，DeepMind本身也不是吃素的。Hassabis带领的团队依然是世界上最强的AI研究组之一，人才储备厚实得很。一个研究员离开，不会动摇根本。

  • AlphaFold 3再突破：预测精度接近实验级，新药研发周期有望缩短一半

    AlphaFold 3再突破：预测精度接近实验级，新药研发周期有望缩短一半

    之前总觉得AI搞生物制药是个噱头，直到看到AlphaFold 3的最新数据，才发现这个技术已经真的在改变新药研发的节奏了。这个由DeepMind开发的AI工具，从2024年发布到现在，已经把蛋白质结构预测的精度做到了接近实验级的水平，2026年的最新数据显示，它的预测精度已经达到了0.8Å（埃），只比X射线晶体学的0.7Å差一点点。

    AlphaFold 3在PoseBusters蛋白-配体对接基准测试中，比最优传统物理方法精度高50%；蛋白-配体对接准确率达76.4%，较此前方法提升1.8倍。
    ——来源：《Frontiers in Artificial Intelligence》2026年4月综述文章

    从“猜结构”到“直接看结构”

    以前生物学家要解析一个蛋白质的3D结构，要么用X射线晶体学，要么用冷冻电镜，少则几个月，多则好几年，成本还高得离谱。AlphaFold 3直接把这个流程搬到了电脑上，只要知道蛋白质的氨基酸序列，几个小时就能得到高精度的3D结构，精度还接近实验级。

    更厉害的是，它不只是能预测单个蛋白质的结构，还能预测蛋白质和其他生物分子的相互作用，比如和DNA、RNA的结合方式，和药物小分子的对接模式，这些刚好是新药研发最核心的需求。之前很多难成药的靶点，比如结核分枝杆菌的营养摄取蛋白，还有人类核孔复合物，结构一直解析不出来，现在用AlphaFold 3都能拿到高精度模型，相当于给生物学家配了一个透视镜，能直接看到分子层面的相互作用。

    已经有很多药企在用，研发周期缩短一半

    现在全球已经有超过200万科研人员在使用AlphaFold数据库，里面包含了2.14亿条预测结构，几乎覆盖了所有已知蛋白序列。很多药企已经把它用到了实际研发流程里，比如针对癌症、阿尔茨海默病的新药研发，原来从靶点发现到拿到临床候选分子要花5-10年，现在用AlphaFold 3辅助，这个时间有望缩短一半。

    2024年AlphaFold的开发者还拿了诺贝尔化学奖，也算是对这个技术的最高认可。不过它也不是万能的，比如还不能预测蛋白质的动态变化，很多蛋白质在发挥作用的时候会变形，AlphaFold 3现在只能预测最稳定的那个构象，对内在无序蛋白的预测精度也不高，这些都需要后续的技术迭代来解决。

    • 大幅降低蛋白质结构解析成本，从几年缩短到几小时
    • 覆盖几乎所有已知蛋白序列，消除“暗蛋白质组”
    • 辅助新药研发，缩短临床前研发周期
    • 推动合成生物学发展，助力新型功能蛋白设计
    AlphaFold系列发展时间线
    AlphaFold系列从2018年到2026年的核心技术发展时间线

  • AlphaFold拿诺奖才5年，Google就开始转向了

    上个星期 Google I/O 的大会上，DeepMind CEO Demis Hassabis 上台说了一句话：”我们正站在奇点的 foothills（山麓）。”奇点嘛，就是那个 AI 智能超过人类、世界被彻底改变的理论时刻。听起来挺玄的。

    但仔细看他说这话的语境，就有点意思了。当时台上在讲 Google 的 AI 科研工具，重点展示了一段视频——用 WeatherNext（Google 的天气预报 AI）提前预警了去年 Hurricane Melissa 在牙买加的灾难性登陆，可能救了不少人。这确实是了不起的成就，但它跟”奇点”还差得远呢。

    Demis Hassabis at Google I/O
    Demis Hassabis 在 Google I/O 2026 上讲述 AI for Science 的新方向（图源：MIT Technology Review）

    两条路线的分歧

    这件事其实暴露了 Google 在”AI for Science”上的两条路线之争。一条是做专门的科研工具——比如 WeatherNext 预测天气、AlphaFold 预测蛋白质结构、AlphaGenome 做基因研究——这些工具针对特定科学问题设计，效果扎实，已经被全世界 300 多万研究人员在用。

    另一条路线更有野心：做出能自主做科研的 AI 智能体。不需要人类一步一步指导，AI 自己就能提出假设、设计实验、得出结论。这就是今年 Google I/O 上发布的 Gemini for Science 包背后的逻辑——把好几个基于大语言模型的科研系统整合到一个品牌下面。

    “我们正朝着这样的 AI 前进：它不只是辅助科学研究，而是开始自己做科学。”——Pushmeet Kohli，Google Cloud 首席科学家

    AlphaFold 的诺贝尔奖得主，被调去搞 AI 编程了

    这条新闻最让人玩味的地方来了。上个月《洛杉矶时报》曝出：Google Fellow John Jumper——就是靠 AlphaFold 拿了诺贝尔奖的那位——现在被调去搞 AI 编程，不再专门做科研 AI 工具了。

    这不难理解。Google 最近在 AI 编程工具上被 Anthropic 的 Claude Code 和 OpenAI 的工具压了一头，声誉受损，当然要把最顶尖的人才调过去追赶。但这也释放了一个信号：Google 正在把资源和注意力从”专门科研 AI 工具”往”通用 AI 科研智能体”偏移。

    AI 自己证伪数学猜想，意味着什么

    就在本周，OpenAI 宣布他们的一个模型证伪了一个重要的数学猜想——据一些数学家说，这是生成式 AI 迄今对数学领域做出的最有意义的贡献。有意思的是，OpenAI 用的这个模型并不是专门为数学设计的，而是一个通用推理模型，属于 GPT-5.5 那个系列。

    这说明通用 AI 智能体确实已经开始在科研领域做出实质性贡献了。如果它们能在数学上做到，那么在其他科学领域（当然要慢一些，因为科学结论需要实验验证）大概也只是时间问题。

    Gemini for Science 现在能干什么

    本次 I/O 发布的 Gemini for Science 包含两个主要工具：AI Co-Scientist（生成科研假设）和 AlphaEvolve（优化算法）。目前还没对公众开放，但 Google 已经允许研究人员申请试用权限了。

    早期测试的反馈不错。斯坦福大学的遗传学家 Gary Peltz 在《自然·医学》上发文，把用 AI Co-Scientist 比作”咨询德尔菲神谕”——也就是问神的意思。这个比喻挺传神的：AI 给出的假设不一定对，但需要人类专家去判断和验证。

    当然，专门的科研工具（比如 AlphaFold）和通用 AI 科研智能体并不是非此即彼的关系。智能体可以调用专门工具作为”工具库”的一部分。没有 AlphaFold 的帮助，任何 AI 系统目前都别想把蛋白质折叠结构预测准。但 Google 显然在把公众形象——以及至少一部分资源和人才——从专门工具的开发，转向更通用的方向。

    “合作者”，而不是”替代者”

    Google 在对外表态上很谨慎，一直强调这些科研 AI 智能体是”加速人类科学家工作的工具”，而不是取代他们。比如，这个工具叫”AI Co-Scientist”而不是”AI Scientist”，这个命名选择看起来相当刻意。

    Hassabis 在采访里也用了类似的说法：”在未来十年左右，我们应该把 AI 看作帮助科学家的神奇工具。再往后，就很难有把握了，但也许这些系统会变得更像合作者。”

    但问题在于：一个有效的科研合作者，本身必须先是一个合格的科研工作者。如果 Hassabis 说的”奇点的山麓”不是吹牛，那么 AI 科研智能体最终超过人类同行，并不是天方夜谭。

    Hassabis 在 I/O 期间跟记者 Mike Allen 聊天时提到，他最早被 AI 吸引，是因为看到物理学在 1970 年代之后进展停滞了；他在想，人类心智是不是在这个领域已经触到了天花板，也许 AI 能帮我们突破这个壁垒。超人类的 AI 科研智能体，确实符合这个描述。

    我们也许永远到不了那一步。但 Google 看起来正在往那个山顶爬。只是不知道，等到了之后，站在山顶的还会不会是我们人类。

  • 谷歌这次把AI科学家搞出来了，7个智能体自己跑实验，还登了Nature

    谷歌DeepMind最近搞了个大动作，直接把AI科研助手的水平拉到了《Nature》正刊的级别——他们推出的Co-Scientist系统，现在已经能自主完成从提假设到验证的全科研流程，而且在肝纤维化、衰老这些之前啃不动的生命科学领域，已经拿出了实打实的成果。

    谷歌Co-Scientist系统登顶Nature
    谷歌DeepMind Co-Scientist系统架构图（来源：新浪财经）

    Co-Scientist的核心是基于Gemini大模型的7大智能体体系，模拟完整科学研究循环（提出假设→质疑修正→迭代完善）。

    7大智能体怎么分工？

    这7个智能体各有分工，合起来就是一个不用休息的科研团队：生成代理负责基于已有文献提初步假说；邻近性代理给这些假说分类，避免漏了潜在的研究路径；反思代理相当于虚拟同行评审，专门挑假设的错误；排名代理让假说两两比拼，筛选出最有前景的方向；进化代理对排名靠前的假说迭代优化；元评审代理汇总结果，生成完整研究方案给人类科学家审阅；监督代理是总指挥，拆解大目标为具体任务，协调所有智能体并行工作。

    为了保证质量，系统还借鉴了AlphaGo的博弈逻辑，让假说之间“打擂台”，把大部分算力投入假设验证环节——反复核对假设和现有文献、数据的一致性，确保假设有依据、逻辑通顺、能实验验证。另外还能调用ChEMBL、UniProt这些专业数据库，以及AlphaFold等第三方AI工具，吸收多维度的知识。

    已经在哪些领域出了成果？

    目前这个系统优先在生命科学领域落地，已经搞出了不少突破：肝纤维化治疗方向，筛选出的老药新用候选药物，在实验室里能抑制91%的纤维化相关反应，效果比传统方案好得多；渐冻症（ALS）研究，整合了几十年的领域文献，提出了全新的RNA疗法思路，现在已经在推动跨实验室联合攻关；细胞衰老逆转研究，精准锁定了关键基因靶点，把原本需要数月的数据处理工作压缩到了数天完成。

    其他方向也有进展：肝病机制研究，解析出了不同药物疗效差异的核心原因，结论经实验100%验证；新发传染病研究，能快速锁定致病关键氨基酸，把原本需要数年的实验周期缩短到数周；衰老生物学研究，提出了应激反应的全新假设，已经经过多家实验室独立验证。

    AI for Science成巨头新战场

    谷歌这次突破之后，AI for Science赛道已经成了科技巨头和初创公司都在抢的香饽饽：2025年12月FutureHouse推出AI科学家Robin，首轮融资就拿了7000万美元；英伟达和礼来宣布未来5年共同投资10亿美元，共建全球首个AI药物共创实验室；科学智能公司Lila Sciences刚完成3.5亿美元A轮融资，估值就超过了13亿美元。

    以前搞科研靠天才的灵感和运气，现在有了这套系统，相当于给每个科学家配了一个24小时不睡觉、能读完所有文献、还能自己设计实验的助手——科研效率的革命，真的要来了。

  • Isomorphic Labs完成$21亿B轮融资：AI制药从 Nobel 奖走向临床

    Demis Hassabis 2021年从DeepMind分拆出来的Isomorphic Labs，这周宣布完成21亿美元B轮融资，领投方是Thrive Capital。算上这一轮，公司累计融资接近26亿美金，直接把AI制药这个赛道的天花板顶到了一个新高度。

    Isomorphic Labs的核心资产是AlphaFold——那个2024年拿了诺贝尔化学奖的蛋白质结构预测系统。以前科学家要花数年才能解析一个蛋白质的三维结构，AlphaFold能在几分钟内给出高精度的预测结果。Isomorphic要做的事，就是把这个能力商业化，用AI设计新药分子。

    AlphaFold已经预测了超过2亿个蛋白质结构，覆盖几乎所有已知的蛋白质编码基因。这个数据库对全球科研人员免费开放，但Isomorphic Labs的商业模式是在这个基础上做药物设计，而不只是结构预测。

    投资者的阵容很有意思

    这轮除了Thrive Capital领投，Alphabet（谷歌母公司）和GV（谷歌风投）继续跟投，说明谷歌内部对这个函数还是很有信心。新进来的投资者包括MGX（阿联酋主权基金）、Temasek（新加坡淡马锡）、英国主权AI基金。一个AI制药公司，能让多个国家主权基金同时下注，这个信号值得琢磨。

    融资额21亿美元是什么概念？对比一下：Anthropic最新一轮融资30亿美金，估值900亿；Isomorphic这一轮单轮21亿，已经超过了大部分AI公司的累计融资额。投资者现在不是在用”研究项目”的标准来评估AI制药，而是在用”下一个Google DeepMind”的标准在下注。

    AI设计的药物真的要上临床了

    Isomorphic Labs在融资公告中提到，他们第一个AI设计的分子即将进入人体临床试验。这意味着，从AlphaFold获诺贝尔奖到第一款AI设计药物进入临床，只用了不到两年。这个速度在传统制药界是不可想象的——一个新药从发现到临床，通常需要5到10年。

    • 传统制药：5-10年药物发现 + 临床试验，成功率低于10%
    • AI制药（Isomorphic模式）：18个月完成药物设计，靶点预测精度大幅提升
    • 第一家AI设计药物进入临床的时间节点：2026年内

    为什么是现在

    AI制药不是一个新概念，但之前一直卡在两个地方：一是蛋白质结构预测不够准，二是AI设计的分子在真实生物系统里不一定work。AlphaFold把第一个问题解决了，第二个问题现在也有了进展——Isomorphic用的是”闭环验证”策略，AI设计分子后会用湿实验（wet lab）验证，再把结果喂回模型。

    这个21亿美元的融资轮，本质上是在赌一件事：AI设计的分子能在人体里安全地起作用。如果Isomorphic的临床实验数据好，整个制药行业的研发范式会被重写。如果失败了，这21亿就是目前为止AI泡沫最大的单笔”学费用”。