谷歌“解散”诺奖团队之后：AlphaFold落幕，还是AI制药换了战场？

2024年10月，Google DeepMind首席执行官Demis Hassabis和AlphaFold项目负责人John Jumper因蛋白质结构预测获得诺贝尔化学奖。不到两年后，这支AI科学史上最成功的团队不再以独立建制存在。

据《金融时报》2026年7月29日报道，Google DeepMind已经拆分AlphaFold专属团队，大部分研究人员被重新分配至Gemini、AI编程、基因组学、酶设计、核聚变等项目，部分人员进入Alphabet旗下的AI制药公司Isomorphic Labs。与此同时，Jumper结束近九年的DeepMind生涯，转投Anthropic；AlphaFold核心作者Jonas Adler和Alexander Pritzel也被曝将加入Anthropic。

一个看起来不合常理的问题随之而来：当一项研究刚刚获得科学界最高荣誉，谷歌为什么要拆掉创造它的团队？

答案可能并不是“AlphaFold失败了”。恰恰相反，AlphaFold团队的消失，或许正是因为它已经完成了一个阶段的使命。谷歌正在把AI4Science的重心，从解决单一重大科学问题的专用模型，转向以Gemini为中枢、能够调用数据库、专业模型和实验工具的通用科研智能体。

但这次调整也暴露出另一面：当一家研究机构转变为基础模型和产品平台，最顶尖的科学家是否还愿意留在其中？当AI制药进入产业化深水区，真正重要的资产究竟是模型、人才，还是实验数据和研发闭环？

首先需要澄清，“解散AlphaFold团队”并不意味着谷歌关闭AlphaFold，更不意味着谷歌退出AI4Science。

截至2025年10月，AlphaFold数据库已经收录超过2.41亿个预测蛋白质结构。AlphaFold 3服务器、数据库及相关科研服务仍在运行，AlphaFold也已被纳入谷歌最新的科学智能体体系。谷歌2026年推出的Gemini for Science将AlphaFold数据库、AlphaGenome API、UniProt、InterPro等30多个生命科学数据库和工具整合为可由智能体调用的“Science Skills”。

因此，消失的是AlphaFold作为一个独立攻关项目的组织形式，而不是这项技术本身。

“四分之一成员离职”的说法同样需要谨慎理解。2021年发表于《Nature》的AlphaFold 2论文共有35名作者。《金融时报》所称接近四分之一作者已经离开DeepMind，是若干年累计的人员变化，不是一次性裁员，也不意味着这些人全部去了Anthropic。

目前可以确认的是，Jumper已经宣布将加入Anthropic；彭博报道称，Jonas Adler和Alexander Pritzel也将前往这家Claude开发商。Jumper本人并未公开说明具体离职原因，Anthropic也尚未披露其职位和研究方向。因而，“Jumper因为被调去做AI编程而离职”或者“他将负责Anthropic生物业务”等判断，目前仍是推测，不能被当作事实。

不过，人员流动与组织调整发生在相近时间，仍然提供了一个观察DeepMind战略变化的窗口。

AlphaFold的价值很难被高估。

在它出现之前，从氨基酸序列确定蛋白质三维结构，往往需要借助X射线晶体学、核磁共振或冷冻电镜，实验周期可能持续数月甚至数年。AlphaFold 2在CASP14盲测中将蛋白质结构预测精度推进到接近实验水平，使大规模结构生物信息学第一次成为现实。

它改变的不是某一个药物项目，而是科研工作的起点。研究人员可以先获得一个可信的结构假设，再据此设计突变、解释实验现象、寻找潜在结合位点，或辅助解析实验结构。AlphaFold把过去稀缺、昂贵的结构信息，变成了一种相对普遍的科研基础设施。

但AlphaFold并没有“解决药物发现”。

蛋白质不是固定不动的雕塑，而是在不同环境、构象和结合状态之间变化的动态系统。已有研究显示，即使AlphaFold给出很高的置信度，部分局部构象仍可能与实验结果存在明显差异。对于无序区域、构象变化、诱导契合、变构位点以及复杂的蛋白质—配体相互作用，实验验证仍不可替代。

从结构预测到一款药物上市，中间还隔着靶点验证、先导化合物发现、活性和选择性优化、药代动力学、安全性、工艺开发以及临床试验。AlphaFold能够缩短其中某些环节，却无法独自跨越整条研发链。

这也是理解谷歌此次调整的第一个关键：AlphaFold 2解决的是一个定义清晰、存在公认评测标准的科学问题。随着这一问题被大幅推进，继续维持原有规模和使命的专属团队，边际收益必然下降。团队成员被调往基因组学、蛋白质设计、酶工程和其他科学项目，在研究机构中并不反常。

真正的问题不是团队为什么结束，而是它结束以后，谷歌准备以什么方式寻找“下一个AlphaFold”。

AlphaFold代表了第一代AI4Science的典型方法：选择一个重要且可计算的问题，集合机器学习和领域科学家，建立专用架构、专用数据管线和专用评测，经过多年集中攻关，得到一次数量级的突破。

谷歌如今押注的是另一条路线。

其核心不再是为每个科学问题分别训练一套模型，而是以Gemini为推理和规划中枢，让智能体阅读论文、提出假设、调用AlphaFold或AlphaGenome、编写分析代码、连接数据库，并对结果进行批判和迭代。

2026年推出的Co-Scientist就是这一思路的代表。它由多个基于Gemini的智能体组成，分别承担假设生成、聚类、辩论、排序和验证等工作。谷歌希望把AI从一个提供答案的预测器，变成能够参与科学流程的协作者。

从这个角度看，拆分AlphaFold团队并非从AI4Science撤退，而是从“项目制”转向“平台制”：AlphaFold不再是唯一的明星产品，而成为科学智能体可以调用的一项底层能力。

谷歌甚至把顶级研究人员调往AI编程项目，也可以放在这一背景下理解。编程是当前大模型最具商业价值的场景之一，但对AI4Science而言，它同样是一种基础能力。一个真正有用的科学智能体，需要自动编写分析程序、调用模拟工具、清洗数据、修改工作流，并根据失败结果继续迭代。代码能力越强，AI越有可能把文献、模型和实验设备连接起来。

问题在于，公司和科学家可能会以完全不同的方式理解这次调动。

在谷歌看来，强化Gemini的代码和智能体能力，是建设通用科研平台；在一位凭借跨学科研究获得诺奖的科学家看来，这也可能意味着自己从科学问题的定义者，变成了基础模型路线中的一名能力提供者。

如果只观察DeepMind，容易得出谷歌削弱生物医药研究的结论。但把Isomorphic Labs纳入视野，图景会有所不同。

Isomorphic Labs于2021年从DeepMind孵化，Hassabis同时担任两家公司负责人。AlphaFold 3由Google DeepMind和Isomorphic Labs共同开发，其能力从单一蛋白质结构扩展到蛋白质、DNA、RNA、小分子及其相互作用。这一步已经明显接近药物设计场景。

2026年2月，Isomorphic Labs发布Drug Design Engine，即IsoDDE。按照公司披露的数据，该系统在高难度蛋白质—配体结构泛化测试中显著优于AlphaFold 3，并进一步覆盖结合亲和力预测、隐蔽口袋识别、抗体—抗原结构和多种药物模态。

这些结果目前主要来自公司技术报告，距离临床价值验证仍然很远，但其战略方向十分明确：结构预测只是起点，下一代系统必须同时回答“在哪里结合”“结合多强”“如何优化”和“能否跨化学空间泛化”等问题。

2026年5月，Isomorphic Labs完成21亿美元B轮融资，此前还与礼来、诺华、强生等建立合作，并推进肿瘤、免疫等领域的内部管线。公司强调的资产也已经不再只是AlphaFold，而是统一的药物设计引擎、专有生命科学数据集、算力基础设施以及跨项目积累的反馈。

这意味着Alphabet内部正在形成新的分工：Google DeepMind负责通用基础模型和前沿科学能力，AlphaFold等专业模型成为工具层，Isomorphic Labs则承担药物设计、专有数据和管线转化。

从资本配置角度看，这种安排有其合理性。开放数据库和论文可以产生广泛科学影响，却很难直接回收持续投入；药企合作、专有模型和内部管线则可能建立商业闭环。

因此，AlphaFold团队的拆分也可以被理解为一项成熟技术从基础研究部门向产业化体系迁移。只是伴随这一过程，AlphaFold 2时代所代表的开放科学精神，也不可避免地与商业利益发生新的张力。AlphaFold 3发布初期未同步开放代码，并限制药物开发用途，就曾引起科学界对可重复性和公平使用的质疑。

这是整起事件中最值得追问、也最不能轻率下结论的问题。

如果Jumper仍希望继续做蛋白质结构和药物设计，那么由Hassabis领导、继承AlphaFold技术路线的Isomorphic Labs似乎是更自然的去处。他最终选择Anthropic，说明吸引他的很可能不只是一个传统意义上的AI制药职位。

Anthropic已经开始系统进入生命科学。2025年公司推出Claude for Life Sciences，随后设立AI for Science计划，与艾伦研究所、霍华德·休斯医学研究所等机构合作。2026年6月，Anthropic推出Claude Science，将UniProt、PDB、Ensembl、ChEMBL等数据库以及OpenFold、Boltz等专业模型接入统一科研工作台。

Claude Science采用的并不是重新训练一个“Anthropic版AlphaFold”，而是让Claude负责规划、工具调用、数据分析和科研协作。这与谷歌的Gemini for Science在方向上高度相似：两家公司争夺的已不是单个蛋白质模型的精度领先，而是科研工作流的入口和控制层。

Jumper的价值也不只在于掌握某个模型架构。AlphaFold最难复制的部分，是如何选择一个足够重要又适合机器学习突破的问题，如何让生物学家、化学家和机器学习研究员形成共同语言，以及如何在长期失败中判断应该继续优化还是彻底重构。

这些经验属于组织的隐性知识，不会完整保存在论文和代码中。

对Anthropic而言，引入Jumper，可以迅速补足其在科学问题定义、跨学科组织和生物模型评测上的信誉与能力。对Jumper而言，在一个尚未定型的AI4Science体系中，他或许可以重新获得从零定义研究方向的空间。

当然，薪酬、股权和潜在资本收益可能也是因素，但目前没有可靠证据证明它们是主要原因。对于已经获得科学界最高荣誉的研究者，研究自主权、资源配置权和能否再次解决重要问题，往往比职位名称更关键。

AlphaFold团队的变化，还有一个更大的背景：DeepMind本身已经不是十年前的DeepMind。

早期DeepMind是一家相对独立的研究机构，可以围绕围棋、强化学习、蛋白质折叠等问题进行多年探索。2023年，DeepMind与Google Brain合并；随后，Gemini应用团队也被纳入Google DeepMind。今天的DeepMind不仅要承担长期AGI研究，还要支撑搜索、云、开发者工具、视频、机器人和终端产品。

它已经从“谷歌旗下的研究院”，逐渐转变为谷歌最核心的AI生产部门。

这种变化并不意味着科学不再重要，却必然改变资源分配方式。一个面向数十亿用户和企业客户的基础模型，需要稳定发布、算力协调、安全审查和产品节奏；一个试图解决重大科学问题的团队，则需要长期容忍失败、频繁推翻假设，以及对短期收入相对迟钝。

两种模式都需要顶尖人才，却不一定适合放在同一种管理体系中。

谷歌官方关于AI4Science的文章曾总结，AlphaFold 2成功的重要条件，是让一个规模不大的跨学科团队专注于问题本身，而不是论文署名和短期产出。具有讽刺意味的是，当AlphaFold被视为可复制的方法论后，谷歌正在尝试用更通用、更平台化的组织来复制它。

平台可以提高资源复用率，也可能削弱专注。它能够把现有工具组合得更高效，却未必能够产生需要长期偏执和非共识判断的科学突破。

AlphaFold事件对AI制药行业最大的启示，不是“垂直模型过时了”，而是单一模型已经不足以构成完整护城河。

未来AI药物研发大致可以分为四层：第一层是Gemini、Claude等通用模型，承担语言理解、推理、代码和任务规划；第二层是AlphaFold、AlphaGenome、蛋白质语言模型和分子生成模型等专业科学工具；第三层是药企和AI制药公司掌握的专有实验数据、自动化实验平台及设计—合成—测试—分析闭环；第四层则是临床开发、监管和商业化能力。

通用模型公司希望控制第一层，并向科研工作流入口延伸；Isomorphic Labs等AI制药公司试图将第二、第三层连接起来；传统药企则拥有最深的实验、疾病和临床经验。

决定最终价值归属的，未必是哪家公司在某一项公开基准上领先，而是谁能把四层连接成一个持续学习的系统。

对中国AI制药行业而言，这尤其值得警惕。过去几年，不少公司把模型指标、生成分子数量或算力规模当作核心叙事。但结构预测准确，不等于靶点成立；分子生成速度快，不等于能够得到具备成药性的候选物；拥有大模型，也不等于拥有高质量实验反馈。

真正稀缺的能力，是让计算科学家、药物化学家、生物学家和临床人员围绕同一个决策闭环工作，并把一次项目中的失败沉淀为下一次设计可以利用的数据。

同样不能忽视的是组织耐心。AlphaFold并不是通过调用一个通用模型迅速产生的成果，而是一个小型跨学科团队经过多年集中探索、包括对早期架构进行根本性重建后获得的突破。如果所有科研人才都被持续调往短期商业竞争最激烈的方向，AI平台可能变得更强，真正具有非共识色彩的科学研究却可能变少。

谷歌拆分AlphaFold团队，不能简单解读为一次管理失败。一个科学项目在解决核心问题、完成数据库建设并进入产业化阶段后，团队重新配置有其必然性。谷歌希望把AlphaFold沉淀为科研基础设施，再通过Gemini和科学智能体寻找更具普适性的发现机制；Alphabet则通过Isomorphic Labs承接其药物研发价值。

但Jumper及多名核心成员离开，也说明这种转型并非没有代价。论文、代码和模型权重可以留在公司，问题选择、跨学科协作和科研判断等隐性知识，却会随人流动。

谷歌真正押注的是：未来不必再为每一个重大科学问题组建一支AlphaFold团队，一套足够强大的通用模型和科研智能体可以更高效地解决多个问题。

这是一项比AlphaFold本身更宏大的假设，也是一项尚未得到证明的假设。

判断这次重组是升级还是失误，不能只看Gemini在科学问答或编程基准上的成绩。更有意义的标准是：Gemini for Science能否产生独立、可重复、经实验验证的科学发现；Isomorphic Labs的候选药物能否真正进入临床；Anthropic能否把Jumper等人的经验转化为持续的AI4Science能力。

AlphaFold团队虽然散了，但它提出的问题仍然存在：突破性科学究竟来自更大的通用模型，还是来自一群长期专注于具体问题的人？

下一次AlphaFold级突破出现在哪里，将给出答案。