解散诺奖团队：一个时代的转折

AlphaFold 被认为是 AI 在科学领域最重要的应用之一。它通过深度学习算法，以接近实验精度的水平预测蛋白质的三维结构，解决了困扰生物学界半个世纪的"蛋白质折叠问题"。这项成果不仅推动了药物研发、酶工程等领域的发展，更让 DeepMind 的创始人 Demis Hassabis 和团队核心成员 John Jumper 获得了诺贝尔化学奖。

然而，就是这样一支创造了历史的团队，如今已被拆散。据悉，AlphaFold 论文最初作者中的大多数成员在过去一年里已被重新分配岗位，分散到 DeepMind 的其他项目中。

这一消息在学术界引发了不小的震动。多位计算生物学家在社交媒体上表达担忧——蛋白质结构预测领域仍有大量未解决的问题，例如蛋白质动力学、蛋白质-药物相互作用、以及膜蛋白等复杂体系的结构预测，解散核心团队可能意味着 Google 对这些"不够商业化"的基础研究失去耐心。

DeepMind 的战略转向：从科学发现到商业落地

DeepMind 此次调整并非孤立事件。过去两年，全球 AI 实验室都在经历从"基础研究优先"到"商业价值优先"的战略转向。

2025 年以来，DeepMind 将越来越多的资源投入到 Gemini 大语言模型的开发中。与 OpenAI 和 Anthropic 的竞争让 Google 对 DeepMind 的商业产出有了更迫切的要求。科学研究——尤其是像蛋白质结构预测这样需要长期投入且短期难以直接变现的领域——在这一优先级调整中首当其冲。

与此同时，DeepMind 旗下的 Isomorphic Labs（专注于 AI 药物发现的子公司）仍在继续运营，但其重点已经从"解决科学问题"转向了"产生可商业化的药物管线"。这体现了 Google 母公司 Alphabet 的一贯风格——容忍基础研究，但最终要求看到商业回报。

AI for Science 的未来：谁来接棒？

AlphaFold 团队的解散引发了一个更深层次的问题：当科技公司将 AI 研发重心全面转向能直接产生收入的大语言模型和商业应用时，谁来推动 AI 在科学前沿的应用？

一些观察人士指出，学术界和非营利机构可能正在成为新的主力。2024 年以来，多个由高校和政府资助的"AI for Science"项目已经启动。但问题在于，学术界在算力资源和工程能力上远不及科技巨头。

AlphaFold 的故事或许揭示了一个残酷的现实：AI 领域的"曼哈顿计划"式的大规模科研攻关，可能只存在于企业的商业叙事中。当资金来源和市场压力主导研究方向时，那些不直接通向利润的科学问题，往往第 一个被牺牲。