AlphaFold核心团队解散：DeepMind战略转向还是诺奖光环的终结？
诺奖光环下的团队重组：表象与实质
2024年，随着Demis哈萨比斯（Demis Hassabis）凭借AlphaFold斩获诺贝尔化学奖，DeepMind的“长期主义”叙事达到了顶峰。然而，仅仅两年不到，围绕这一诺奖成果的核心AI for Science（AI4S）团队发生了剧烈变动。据《金融tis》7月29日报道，DeepMind近期解散了负责AlphaFold研发的核心团队，大量参与过AlphaFold论文的研究人员被重新分配，其中部分转向了Gemini相关研究，另一部分则流向Alphabet旗下的AI药物研发公司Isomorphic Labs。更有近四分之一的最初全职作者选择离开公司。
这一消息迅速在科技圈引发震动。舆论场上，“过河拆桥”、“放弃AI for Science”的论调甚嚣尘上。人们习惯于将AlphaFold视为DeepMind皇冠上最璀璨的宝石，认为其解散意味着巨头对基础科学探索兴趣的减退。然而，若我们将视线从单一项目的成败移开，置于整个科技巨头竞争的大背景下审视，就会发现这并非战略放弃，而是一场深刻的资源再平衡。在AGI（通用人工智能）竞赛进入深水区后，如何配置最顶尖的智力与算力资源，成为了比单一科学突破更为紧迫的命题。
从专用突破到通用霸权：DeepMind的战略重心迁移
回顾DeepMind成立十年的历程，AlphaFold无疑是其“解决人类无法解决的问题”这一愿景的最佳注脚。蛋白质折叠问题曾困扰生物学界半个多世纪，传统实验方法耗时且昂贵。AlphaFold 2在2020年CASP竞赛中的突破性表现，以及随后建立的包含2亿条预测结果的数据库，彻底改变了结构生物学的研究范式。它证明了AI不仅可以优化现有流程，更可以成为发现新知识的核心工具。
然而，随着AI竞争进入新阶段，DeepMind面临着前所未有的压力。当前，全球AI竞争的焦点已高度集中在通用大模型（LLMs）及其在编码、Agent（智能体）等关键应用场景中的能力。Gemini作为谷歌的旗舰多模态模型，需要在与OpenAI的GPT系列、Anthropic的Claude等产品的竞争中保持领先。在这种背景下，DeepMind内部对人才的需求发生了结构性变化。
过去，DeepMind采取的是多条前沿研究并行推进的模式：既有AlphaFold这样的科学突破，又有强化学习、机器人等通用能力探索。但现在，资源分配的压力迫使公司做出取舍。DeepMind研究副总裁Pushmeet Kohli明确表示，过去围绕具体重大挑战建立长期研究团队的战略“已经发生了演变”。公司正在调整方向，不再仅仅开发针对单一科学问题的专用模型，而是开始探索如何利用Gemini等通用大模型来构建辅助科学研究的系统。这意味着，AlphaFold代表的“专用AI”时代正在逐渐让位于“通用AI赋能科学”的新阶段。
人才流动的信号：从基础科研到产业应用的分野
AlphaFold团队的人员分流，清晰地揭示了这一战略调整的具体路径。核心成员的流向并非无序，而是呈现出明显的分工趋势。
一方面，部分研究人员被调往负责提升AI编码能力的团队，甚至包括曾获诺奖核心贡献者John Jumper。这一动作极具象征意义：在AI竞争日益聚焦于代码生成和逻辑推理能力的今天，谷歌需要顶尖科学家来增强Gemini在复杂任务处理上的实力。尽管Jumper后来加入了Anthropic，但这反映了DeepMind内部对通用AI能力的高度重视。
另一方面，相当一部分AlphaFold研究人员流向了Isomorphic Labs。这家成立于2021年的子公司，定位与DeepMind的基础研究截然不同，它专注于将AI技术转化为产业价值，特别是重塑药物研发流程。Isomorphic Labs已与诺华（Novartis）和礼来（Eli Lilly）等制药巨头展开合作，致力于利用AI发现针对高难度靶点的小分子药物。这一动向表明，AI for Science并未消失，而是从实验室走向了产业化深水区。
这种分工并非DeepMind独有，而是整个行业趋势的缩影。从字节跳动到Meta，各大科技公司都在重新评估AI4S团队的定位。随着算力成本和数据瓶颈的显现，大厂更愿意将最核心的研发资源投入到能够直接支撑通用大模型迭代的领域，而将垂直领域的科学应用交由更具灵活性的子公司或合作伙伴去推进。
产业落地的挑战：AlphaFold的下一阶段
尽管团队重组，但AlphaFold所代表的科学价值并未贬值。相反，它正在从一种“基础设施”转变为“产业引擎”。AlphaFold最初解决的是结构预测问题，但这只是药物研发的第一步。真正的难点在于后续的实验验证、分子设计优化以及商业闭环。
Isomorphic Labs提出的Drug Design Engine旨在将AI能力从结构预测推进到完整的药物研发流程。然而，这一转型面临着巨大的现实挑战。目前，Isomorphic Labs尚未推出任何基于其系统上市的实际药物。这揭示了AI for Science领域的共性困境：理论上的可能性与工程化落地之间存在巨大的鸿沟。生物学系统的复杂性远超当前的模型理解能力，数据噪声、实验偏差以及分子动力学的不可预测性，都是AI难以完全跨越的障碍。
因此，AlphaFold团队的拆分，实质上是一次“解耦”：DeepMind继续探索更通用的AI底层能力，为整个生态系统提供基础模型支持；而Isomorphic Labs则负责在生命科学领域进行垂直整合与商业化尝试。AlphaFold从一个具体的科研明星项目，变成了一个连接基础研究与产业应用的平台接口。
重新定义AI for Science的未来
外界对AlphaFold团队解散的焦虑，某种程度上源于对“线性进步”的迷信。人们期待看到AlphaFold 4以原有团队的形式问世，延续之前的辉煌。但现实是，AI的发展逻辑正在从“单点突破”转向“平台化赋能”。
未来的AI for Science，很可能不再依赖于一个个孤立的、针对特定蛋白质或材料优化的专用模型，而是依赖于通用大模型与专业领域知识的深度融合。这种融合要求研究人员既懂AI架构，又懂科学原理，能够在通用模型的基础上进行微调、检索增强或代理工作流构建。
DeepMind的这一调整，虽然伴随着核心人才的流失和短期内的舆论争议，但从长期战略来看，可能是更为理性且必要的选择。它标志着AI for Science进入了成熟期的自我迭代阶段：基础研究更加通用化、平台化，而应用研究更加垂直化、商业化。对于整个科学界而言，这或许是一个更乐观的信号。当基础AI能力变得更加强大且易获取时，更多科学家将能够利用这些工具加速自身的发现过程，而不必受制于少数科技巨头的专项团队。
综上所述，AlphaFold团队的重组并非终点，而是AI重塑科学探索新范式的起点。在这个新阶段，竞争的关键不再是拥有多少专用模型，而是谁能更好地将通用智能转化为解决复杂科学问题的实际生产力。DeepMind正在从“科学发现者”向“科学基础设施提供者”转型，而这一转型的成败，将决定未来十年AI in Science的真正格局。