诺奖得主离开谷歌加入Anthropic：AI下一场战争不是聊天而是科学

AI圈又发生了一件值得注意的事。

6月19日，John Jumper 宣布离开工作近9年的 Google DeepMind，下一站是 Anthropic。

普通人可能对这个名字不熟悉。

但他参与创建的 AlphaFold，很多人应该听过。

这个系统利用AI预测蛋白质结构，已经预测了超过2亿种蛋白质结构，大幅缩短了部分生物学和医学研究的时间。

John Jumper 也因此与 Google DeepMind CEO Demis Hassabis 共同获得2024年诺贝尔化学奖。

一个已经在谷歌做出世界级成果、拿到诺贝尔奖的科学家，为什么会离开成熟的大公司，加入仍处于高速扩张期的 Anthropic？

具体原因，外界现在还无法下定论。

但这次人事变动释放出的信号，已经非常清楚：

AI公司争夺的重点，正在从模型参数、聊天体验和用户数量，转向真正能够改变科学研究的人才。

一、AI公司为什么开始抢科学家？

过去几年，普通人认识AI，大多从聊天机器人开始。

写文章。
做总结。
翻译资料。
生成图片。
辅助编程。

所以大家很容易认为，AI公司的竞争，就是看谁回答问题更聪明、谁写代码更快、谁生成内容更自然。

但这些可能只是第一阶段。

真正能够决定下一轮竞争格局的，是AI能不能进入真实世界的研究流程。

比如：

发现新的药物靶点。
分析复杂基因数据。
设计化学实验。
预测材料性质。
帮助医生整理诊断线索。
从海量论文中提出可验证的假设。

这些场景和写文章完全不同。

写错一段文案，可以重新修改。

科学研究如果方向判断错误，可能浪费几个月时间、大量资金和实验资源。

所以AI想进入科学领域，光有语言能力远远不够。

它还需要懂专业知识、理解实验约束、提出假设、使用工具、分析数据，更要接受人类专家的审查。

这也是John Jumper这类科学家越来越重要的原因。

模型公司不只需要会训练模型的人。

它们还需要真正懂生物、化学、医学和实验过程的人。

二、同一周，AI已经开始进入真实化学实验室

就在John Jumper宣布离开谷歌之前，OpenAI公布了一项新的实验结果。

OpenAI将GPT-5.4与Molecule.one的自动化实验室系统结合，让AI参与一个真实的药物化学问题。[2]

这一次，AI不只是搜索论文或总结资料。

它参与了更完整的过程：

阅读文献。
提出研究方向。
生成并筛选实验方案。
分析实验数据。
根据结果提出下一轮实验。

实验系统累计运行了10080次反应。

最终找到了一种能够改善特定化学反应效果的添加剂方案，在大部分测试底物中提升了反应产率。

这里需要注意：

这并不是AI完全独立完成了科研。

人类化学家仍然负责设定方向、选择方案、修正实验细节，并对最终结果进行人工复现和验证。

但它已经证明了一件很重要的事：

AI不再只是告诉科学家“别人过去做过什么”，而是开始参与“下一步应该试什么”。

这两个阶段的差距非常大。

前者是资料助手。

后者已经接近研究伙伴。

三、AI也开始帮助专家寻找罕见病线索

6月18日，OpenAI又公布了与波士顿儿童医院等机构合作的研究。

研究人员使用AI重新分析了376个此前没有得到明确结论的罕见病病例，AI提供带有证据来源的候选解释，供医生和研究人员审查。[3]

经过专家复核、额外检测和临床确认，最终有18个病例获得了诊断，新增诊断率为4.8%。

4.8%看起来不算特别高。

但这些病例此前已经接受过专业团队分析，部分患者甚至等待了很多年。

对于一个长期没有答案的家庭来说，多找到一个能够被验证的线索，都可能改变后面的治疗和生活安排。

当然，这项研究也反复强调：

AI没有给患者独立下诊断。

它做的是扩大搜索范围、整合临床信息、遗传数据和最新文献，并把可能的解释交给专业人员核验。

最终决定依然由医生、实验室和临床流程完成。

这恰恰说明了AI最现实的价值。

它不是突然变成一个无所不能的医生。

而是帮助专家在海量信息中，找到过去容易被遗漏的线索。

四、AI的下一阶段，不是“回答”，而是“发现”

把这几条新闻放在一起看，趋势就非常明显了。

过去的AI更像一个答案生成器。

你提出问题，它给你回答。

现在的AI，正在向另一个方向发展：

提出假设。
调用工具。
运行实验。
读取结果。
调整方案。
再次验证。

这是一套完整的闭环。

聊天只是入口。

真正有价值的是，AI能不能进入工作和研究流程，完成过去需要多个人、多种工具、很长时间才能完成的任务。

这也是为什么各大AI公司开始争夺顶级科学家。

未来的模型竞争，不只是看跑分。

还要看谁能建立更强的专业数据、更可靠的实验平台、更完善的验证机制，以及更懂具体行业的人才团队。

一个模型再聪明，如果不能和现实世界的工具、实验和专家结合，也很难真正改变科学。

五、这件事对普通人意味着什么？

很多人可能会觉得：

科学研究、药物开发、罕见病诊断，离自己的生活太远。

其实并不远。

因为AI进入科学领域后，会进一步改变人才的价值结构。

以前，一个人的优势可能是记得多、查资料快、会操作某种软件。

这些能力正在被AI快速追平。

未来更有价值的能力，可能是：

能不能定义正确的问题。
能不能判断AI给出的方案是否合理。
能不能发现隐藏风险。
能不能设计验证过程。
能不能把专业经验转化成AI可以执行的规则。

这意味着，真正容易被AI放大的，不是完全没有经验的人。

而是那些在某个领域已经积累了知识，又愿意学习AI的人。

懂医学的医生，加上AI，可能更快整理复杂病例。

懂化学的研究人员，加上AI，可能一次探索更多实验方向。

懂业务的普通员工，加上AI，可能更快完成资料整理和方案分析。

AI未必会让专业知识贬值。

相反，它可能让真正的专业能力更值钱。

因为AI可以生成大量方案，但仍然需要有人判断哪些值得相信。

六、最危险的误解，是以为AI会自己解决一切

看到“AI化学家”“AI辅助诊断”这些词，很容易让人产生一种错觉：

科学家和医生是不是要被替代了？

至少从目前公开的案例看，还远远不是这样。

化学实验中，人类专家负责设定边界、筛选方案和验证结论。

罕见病研究中，所有候选结果都必须经过专家复核、实验检测和临床确认。

AI提高的是搜索、分析和试错效率。

但责任、判断和最终决策，仍然掌握在人类手里。

这也是AI进入高风险领域必须坚持的原则：

AI可以提出答案，但不能跳过验证。

模型越强，越不能盲信。

因为一个普通聊天回答出错，可能只是误导一个人。

一个科研或医疗系统出错，影响的可能是一项实验、一种药物，甚至一个家庭的命运。

John Jumper离开Google DeepMind加入Anthropic，看起来只是一名科学家的职业变动。

但它背后反映的，是AI行业正在发生的一次方向变化。

过去，大家争的是谁的聊天机器人更好用。

现在，大家开始争夺能够让AI真正进入科学研究的人才、数据、工具和实验平台。

AI真正的下一场战争，可能不在聊天窗口里。

而在实验室、医院、药物研发中心和科研机构里。

当AI从“生成内容”走向“提出假设、运行实验、帮助发现”，它带来的影响也会比我们今天看到的更大。

对普通人来说，最值得关注的不是AI又会写什么。

而是：

当AI开始参与发现新知识，我们应该如何与它合作，又该如何验证它？

评论区聊聊：

你更期待AI优先突破哪个领域？

医疗、药物研发、材料科学，还是教育？