谷歌解散AlphaFold团队，诺奖得主出走、资源转向Gemini

7 月 29 日，《金融时报》报道称，Google DeepMind 已经拆散开发 AlphaFold 的专职团队。多数研究人员被调往 Gemini、AI 编程、基因组学、酶设计和核聚变等项目，另有一部分进入 Alphabet 旗下的 AI 制药公司 Isomorphic Labs。就在两年前，刚刚帮助 DeepMind 首席执行官德米斯·哈萨比斯（Demis Hassabis）和项目负责人 John Jumper 获得诺贝尔化学奖的明星项目团队，就此解散了。

AlphaFold 曾经拥有一支由机器学习研究员、结构生物学家和工程师组成的跨学科团队。随着 AlphaFold 3 开发完成，这支团队逐渐失去独立建制，成员被分散至 Google DeepMind 内部的不同项目。谷歌没有公布完整的调整名单，也没有把此次变化称为裁员。

部分人的新任务与蛋白质研究已经相距很远。《金融时报》称，John Jumper 和 AlphaFold 研究员约纳斯·阿德勒（Jonas Adler）一度进入一个内部 AI 编程突击团队，帮助提升 Gemini 的代码生成和自动化研发能力。其他成员则转向通用模型、基因组学、酶设计以及核聚变研究。

还有几名核心研究人员直接离开了谷歌。今年 6 月，John Jumper 宣布在 DeepMind 工作近 9 年后加入 Anthropic。据报道，曾参与过 AlphaFold 和 Gemini 研发的阿德勒、亚历山大·普里策尔（Alexander Pritzel）也正在被 Anthropic 招募。3 人都曾在 AlphaFold 的重要论文中署名；阿德勒后来参与 AI 编程，普里策尔则转向 Gemini 的预训练工作。

《金融时报》统计，AlphaFold 原始论文的署名研究者中，已有接近四分之一离开 DeepMind。人员去向呈现出两条轨迹：留在谷歌的人被纳入 Gemini 和其他更大的研究项目，离开的人大多流向正在与谷歌争夺前沿 AI 人才的 Anthropic。

某种程度上来说，这种变化具有非常特殊的意义，因为 AlphaFold 曾是 DeepMind 长期研究文化最成功的证明。

2016 年，DeepMind 组建了一支小型跨学科团队，开始研究蛋白质结构预测。团队开发的 AlphaFold 1 于 2018 年在 CASP13 竞赛中夺冠；两年后，经过大幅重构的 AlphaFold 2 在国际蛋白质结构预测竞赛 CASP14 中大幅领先，将一个困扰生物学界约 50 年的问题推进到接近实验精度。

此后，DeepMind 与欧洲生物信息学研究所共同建立数据库，陆续公开超过 2 亿种蛋白质的预测结构。目前已有数百万研究人员使用这套工具。

图丨AlphaFold 2 架构（来源：Nature）

在 AlphaFold 出现以前，科研人员可能需要用数月甚至数年时间，通过 X 射线晶体学或冷冻电镜确定一种蛋白质的三维结构。AlphaFold 将部分结构预测压缩到数分钟或数小时，为疾病研究和药物设计提供了新的起点。

2024 年，哈萨比斯和 John Jumper 因蛋白质结构预测工作分享诺贝尔化学奖的一半。诺贝尔委员会认可的核心成果是 AlphaFold 2。获奖不到两年，团队建制已经消失，谷歌对 AI 科学研究的组织方式也随之改变。

Google DeepMind 对《金融时报》表示，其策略正在从逐一解决特定科学问题，转向建设由 Gemini 驱动的通用科学能力。谷歌希望未来的模型可以阅读论文、提出假设、编写代码、调用实验工具，同时处理生物学、数学、材料和能源问题。

AlphaFold 是一套为蛋白质结构预测专门设计的系统，无法自然扩展到其他科研任务。Gemini 和 AI 智能体承载的目标更大：谷歌希望建立一套能够协助不同学科研究者工作的通用基础设施，同时让相关能力汇入同一套模型、算力和产品体系。

这也与 Google DeepMind 近几年的组织变化一致。2023 年，谷歌将 DeepMind 与 Google Brain 合并，原本相对分散的基础研究、模型开发和产品团队被逐步集中到哈萨比斯领导的体系中。Gemini 随后成为整个组织最重要的项目，前沿模型、搜索、编程、智能体和科学研究越来越多地共用一条技术路线。

调整背后的判断是，下一次科学突破可能不再依赖为单一问题训练一个专用模型，而会来自能够自主执行多步骤研究的通用 AI。竞争压力同样也是个现实原因，OpenAI 和 Anthropic 正在把代码能力视为训练 AI 智能体、乃至自动化 AI 研发的关键，谷歌需要把顶尖研究人员集中到 Gemini 的短板和核心竞争领域。

这条路线能否重复 AlphaFold 的成功，目前还没有答案。AlphaFold 的突破依赖多年专注、大量领域知识，以及围绕蛋白质问题设计的模型结构。通用模型能够复用更多资源，却未必能为一个高风险、周期漫长的科学问题保留同等稳定的团队。

不过，AlphaFold 的产品和研发并未停止。相关数据库和在线服务器仍在开放，AlphaFold 3 的代码仓库也在 2026 年继续更新。更接近药物商业化的部分，则逐步转入哈萨比斯创立的 Isomorphic Labs。

Isomorphic Labs 与 Google DeepMind 共同开发了 AlphaFold 3，并继续建立了可以模拟蛋白质、DNA、RNA、小分子及其相互作用的药物设计系统。2026 年 2 月，公司公布了一套更先进的内部模型，一些科学家将其称为“AlphaFold 4”。这套系统没有公开，主要服务于 Isomorphic Labs 自己的药物研发。

于是，AlphaFold 留下的能力被分成了不同方向：数据库和研究工具继续面向科学界，更先进、更接近商业回报的模型进入 Isomorphic Labs，原团队中的通用 AI 人才被投入 Gemini 和智能体竞争。

获得诺奖时，AlphaFold 代表着一家 AI 实验室用多年时间攻克一道科学难题。不到两年后，成果仍在被使用，但创造它的团队已经让位于另一种研发秩序。

参考资料：

1.https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?syn-25a6b1a6=1

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成