DeepMind获诺奖陷两难，商业化冲击能否坚守科研初心？

全球观察者深度出品

纵横寰宇，洞察时代风云

大家好欢迎收看【我】

2025年诺贝尔化学奖落下帷幕，一个特殊的名字让AI圈锅GoogleDeepMind。

这家公司凭借AlphaFold系统，把困扰生物学界数十年的蛋白质折叠难题踩在脚下，创始人德米斯・哈萨比斯和同事约翰・詹珀一起捧起了诺奖奖杯。

这事儿放在五年前没人敢信，毕竟当时哈萨比斯说要靠AI拿诺奖，不少人觉得是天方夜谭。

可如今预言成真，DeepMind却没迎来清一色的喝彩，反而陷入了一场关于初心的争议。

DeepMind能走到今天，从来就没按常理出牌。

2010年刚成立时，它就凑齐了12位被业内称为“超级天才”的研究者，目标直指通用人工智能。

别人都在琢磨怎么用AI赚快钱，这帮人却一头扎进了神经科学和机器学习的交叉领域，一副“不搞出大动静不罢休”的架势。

2015年，他们的AI学会了玩街机游戏，2016年AlphaGo干脆击败了围棋世界冠军，一下子让全世界都看清了AI的潜力。

可这些成就，在哈萨比斯眼里只是铺垫。

他在剑桥求学时就发现，蛋白质折叠是个“宝藏难题”既有海量已知结构数据，又有明确的成功标准，更重要的是，解决它就能带动药物研发、疾病治疗等一系列下游领域的突破。

如此看来，DeepMind选择这个方向，并非一时兴起，而是早有预谋的战略布局。

2018年AlphaFold首版发布，2020年精度就远超同类工具，如今它的数据库里已经有了上亿个蛋白质结构预测结果，蜜蜂疾病防治、恰加斯病药物筛选都用到了这些成果。

更让人期待的是，DeepMind的衍生公司已经准备启动AI设计药物的人体临床试验，科研成果正在一步步落地。

DeepMind的野心从来不止于蛋白质折叠。

拿下诺奖后，他们在科学领域的布局更野了。

2024年6月推出的AlphaGenome项目，专门盯着人类基因组里的“暗物质”那些占比极高的非编码DNA。

这些片段以前没人能搞懂它们的功能，现在AI出手，有望为精准医学打开新大门。

本来想，基因组研究已经够难了，没想到他们在材料科学领域更敢闯。

旗下GNoME模型一口气预测了几十万种潜在新材料，这可是传统研究方法几百年都达不到的效率。

毫无疑问，DeepMind的这些操作，和现在主流AI公司的路子完全不一样。

别人都在拼大语言模型的参数规模，他们却对着每个科学难题死磕，回归基本原理寻找新技术。

伦敦有家AI公司的CEO就说，很多同行的员工更像工程师，而DeepMind的研究者更像科学家。

这种差异，让DeepMind在AI竞赛中走出了独特的路线。

2024年，连OpenAI这样的巨头都开始组建科学发现团队，显然是认可了DeepMind的战略眼光。

但变化总是来得猝不及防。

2022年ChatGPT横空出世，彻底打乱了AI行业的节奏。

哈萨比斯坦承，这个对手的成功让所有人都感到意外，也让DeepMind不得不调整方向。

2023年，Google把DeepMind和GoogleBrain合并，新公司很快就推出了商业化的大语言模型Gemini，而且更新速度快得惊人，几乎每周都有新动作。

这种转型带来的冲击，只有内部人怕是最有体会。

以前DeepMind是学术界的香饽饽，顶级AI会议上总能看到他们的论文。

可现在，发表论文的比例大幅下降，有前员工透露，在公司发表论文变得越来越难。

更让人争议的是，2024年2月，GoogleDeepMind从自己的“AI原则”里删掉了不将AI应用于监视或武器的明确承诺，这一举动直接引发了几百名英国员工组建工会。

虽然公司解释这是为了更深入的参与，但明眼人都能看出来，这背后是商业化压力对企业价值观的挤压。

在通用人工智能的赛道上，DeepMind的思路依然独特。

很多公司觉得，只要不断扩大模型规模、增加数据和算力，就能实现AGI。

但哈萨比斯不这么认为，他觉得真正的突破还需要新的概念创新。

纽约大学的神经科学家就说，DeepMind的智力多样性是其他公司比不了的，他们更有可能真正实现通用人工智能。

南安普顿大学的专家也提到，哈萨比斯清楚自己工作的局限性，会深入思考AGI对人类的意义。

这种审慎态度，和硅谷“快速行动、打破常规”的文化形成了鲜明对比。

在AI发展越来越快的今天，这种冷静反而显得难能可贵。

为了在商业化和科学使命之间找平衡，DeepMind做了不少努力。

他们设立了责任与安全委员会，还通过“影响力加速器”探索AI的社会价值。

但现实往往很骨感，人才竞争越来越激烈，不注重工程技术和商业落地，就可能被市场淘汰。

无奈之下，公司的企业文化也不得不向商业化倾斜，这让坚持科学研究的团队感受到了不小的压力。

一位行业人士就说，DeepMind身处欧洲，有一定的距离感，而且他们从来都不只是为了赚钱。

但在如今的AI军备竞赛中，这份坚持能不能挺住，谁也说不准。

毕竟，市场不等人，竞争对手也不会停下脚步。

其实仔细想想，DeepMind面临的困境，也是整个AI行业的缩影。

当技术发展到一定阶段，商业价值和科学使命的冲突总会显现。

毫无疑问，AI的终极价值不只是生成视频、聊天互动，更在于破解能源危机、治愈疾病这些人类真正关心的难题。

DeepMind用AlphaFold证明了AI在科学领域的巨大潜力，也用自己的转型告诉行业，平衡从来都不是一件容易的事。

如今，DeepMind的AI设计药物即将进入临床试验，AlphaGenome和GNoME模型也在持续推进。

他们能不能在保持科研深度的同时，在商业市场站稳脚跟？这个问题的答案，不仅关系到DeepMind的未来，也会影响整个AI行业的发展方向。

毕竟，所有人都期待看到，AI既能带来商业奇迹，也能续写科学传奇。