去年十月，Demis Hassabis 和 John Jumper 因 AlphaFold 2 獲得諾貝爾化學獎。這個 AI 系統解決了困擾結構生物學五十年的蛋白質摺疊問題——預測精度達到原子級別，幾小時就能出結果，而傳統方法需要幾個月。
影響有多大
AlphaFold 蛋白質結構數據庫現在收錄了2.4 億多個預測結構，涵蓋人體產生的每一種蛋白質。全球 190 多個國家的 300 多萬研究人員在使用，其中三分之一來自中低收入國家。貢獻了約20 萬篇論文。
後續版本還在迭代：
- AlphaFold Multimer：預測多蛋白質複合體結構
- AlphaFold 3：擴展到 DNA、RNA、配體等所有生命分子
- "AlphaFold 4"（非官方名稱）：衍生公司 Isomorphic Labs 正在研發，面向藥物發現
DeepMind 的困境
Nature 那篇長文問了一個犀利的問題：拿完諾貝爾獎的 DeepMind，還能再搞出同等量級的突破嗎？
問題的核心不是 DeepMind 缺不缺人才或技術，而是大環境變了。LLM 浪潮把幾乎所有 AI 資金和關注度都吸走了。DeepMind 最初的使命是「用 AI 推動科學發現」，但公司的資源和人才很難完全不受 LLM 熱潮的影響。
Hassabis 自己的判斷是樂觀的：AI 驅動的科學研究將在 10 到 15 年的洗牌期後迎來一場「文藝復興」。
為什麼這件事超越了 AI 行業本身
AlphaFold 的意義不只是「AI 好厲害」。它第一次在主流學術界證明了 AI 可以解決傳統方法解決不了的基礎科學問題。這個先例的價值遠超任何 benchmark 分數。
如果 AI 在蛋白質摺疊上能做到這一步，在材料科學、藥物設計、氣候模擬等領域也有可能產生類似量級的突破。問題只是：誰來投錢做這些不那麼容易變現的方向？
參考來源：CocoLoop、Nature 報導