2024年，哈萨比斯（demis hassabis）因alphafold斩获诺贝尔化学奖。
不到两年，缔造这一AI科学里程碑的核心团队，悄然解散。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
据《金融时报》7月29日报道，Google DeepMind近期正式解散了主导AlphaFold研发的AI for Science（AI4S）核心团队。过去一年间，AlphaFold系列论文的多数原始作者已被调至其他项目——部分转向Gemini相关研发，另一些则加入Alphabet旗下专注AI驱动药物发现的子公司Isomorphic Labs。
在最初参与AlphaFold论文撰写的DeepMind全职研究人员中，已有约四分之一离职。
对此，有网友感慨：曾象征英国科技创新高地的DeepMind，如今似乎已风光不再。
表面看，这像是哈萨比斯“摘完果实便拆掉梯子”，抑或DeepMind主动放弃了其立身之本的AI4S战略。
但若置于更广阔的行业图景中，这一调整远非DeepMind独有。
从DeepMind到字节跳动，越来越多科技巨头正重新定义AI for Science团队的角色与定位。当AI军备竞赛迈入算力、数据与人才高度集中的新阶段，头部企业正系统性地重估：哪些方向才真正值得押注最顶尖的研发力量、最稀缺的计算资源与最核心的人才梯队。
AlphaFold：DeepMind长期主义的高光注脚
回望DeepMind十年征程，AlphaFold无疑是诠释其“长期主义”理念最具分量的实践样本。
公司自2010年创立起，便未将目光锁定于短期产品，而是锚定一个宏大命题：
人工智能能否成为人类突破认知边界的全新杠杆？
在哈萨比斯的蓝图中，未来的人工通用智能（AGI）不应仅是高效工具，更应具备理解复杂系统、自主发现规律、推动基础科学跃迁的能力。
因此，赋能科学研究，始终是DeepMind战略版图中不可动摇的一极。
而AlphaFold，正是这一信念最耀眼的具象化成果。
蛋白质折叠问题曾困扰全球生物学家逾半个世纪。
蛋白质由氨基酸线性序列构成，但决定其功能的关键，在于其精密折叠形成的三维构象。传统解析手段依赖冷冻电镜、X射线晶体学等实验技术，周期动辄数月乃至数年，成本高昂且成功率有限。
2018年，DeepMind启动AlphaFold项目，目标直指用AI直接从氨基酸序列推演三维结构。
2020年，在国际权威蛋白质结构预测大赛CASP中，AlphaFold 2以惊人精度一举刷新纪录，预测结果首次逼近实验级水准，被公认为攻克了该领域存在数十年的根本性难题。
2021年，DeepMind在《Nature》发表AlphaFold 2论文并开源全部代码；同年联合欧洲生物信息研究所共建AlphaFold Protein Structure Database，向全球科研界免费开放结构预测服务。
此后，该数据库覆盖超2亿种蛋白质结构预测，迅速成长为生命科学不可或缺的公共基础设施。
AlphaFold彻底重构了结构生物学的研究范式：科学家不再需要耗费大量时间与经费进行实验解析，转而可快速获取高置信度预测模型，将精力聚焦于疾病机理探索、靶点验证、先导化合物筛选等更具价值的下游环节。
2024年，AlphaFold迎来巅峰时刻。
DeepMind发布AlphaFold 3，能力边界大幅拓展——不仅预测蛋白质结构，更可建模蛋白质与DNA、RNA及小分子间的动态相互作用，实质性切入药物研发的核心环节。
同年，哈萨比斯与AlphaFold首席科学家John Jumper凭此成就共同荣膺诺贝尔化学奖。
从2018年立项，到2024年问鼎诺奖，AlphaFold完成了从实验室原型到全球科研基座的跨越。
更重要的是，它兑现了哈萨比斯坚守多年的信念：AI的价值不止于效率跃升，更能成为催生原创性科学发现的新范式引擎。
正因如此，AI for Science对DeepMind而言绝非普通业务线，而是其理解AI终极意义的底层逻辑。
然而现实抛出新的诘问：当AI竞争进入资源决胜期，DeepMind过往那种围绕重大科学命题组建长周期研究团队的模式，是否仍是最优资源配置路径？
Gemini攻坚期，DeepMind加速AI人才再整合
AlphaFold团队的重组，并非DeepMind放弃AI for Science，而是其在更高维度上重构AI资源投入格局。
复杂任务工程化执行框架 — Sprint Contract 协商、三代理角色切换、对抗性评估、任务分解与上下文管理。3+ 文件修改或多模块设计时自动触发，防止复杂任务中的上下文污染和自我评估偏差。
此前多年，DeepMind维持着多线并进的前沿探索节奏：一边深耕AlphaFold这类颠覆性科学项目，一边推进AGI基础理论研究，同时布局强化学习、具身智能等交叉前沿。
但随着AI竞争态势升级，资源约束日益凸显。对谷歌而言，当下最紧迫的战略命题，是如何确保Gemini在与OpenAI、Anthropic等强敌的模型竞速中守住领先身位。
在OpenAI持续迭代GPT系列、Anthropic借Claude Code加速渗透开发者生态的背景下，谷歌虽坐拥DeepMind这一全球AI研究重镇，但Gemini的实际进展仍承受巨大压力。
尤其被寄予厚望的Gemini 3.5 Pro迟迟未面世，持续引发外界对其大模型技术路线与工程落地能力的审视。
与此同时，DeepMind内部人才流动明显加速。
《金融时报》指出，AlphaFold核心领导者之一、与哈萨比斯共享诺奖的John Jumper，曾被临时调入Google内部Code Strike团队，负责提升AI编程能力。
这一调动极具隐喻色彩——当AI竞争焦点日益集中于大模型性能、代码生成质量与智能体（Agent）构建能力时，谷歌亟需的不仅是能破解蛋白质折叠难题的顶尖科学家，更是能将其深厚技术积淀注入Gemini关键场景的复合型领军者。
不过最终，Jumper选择离开DeepMind，加盟Anthropic。
AlphaFold核心团队的人员变迁，恰是DeepMind整体战略转向的微观切口。
事实上，DeepMind已公开承认科研策略正在发生结构性转变。
公司研究副总裁Pushmeet Kohli坦言：“过去九年，我们坚持‘挑战驱动’战略——每个项目都锚定一个明确的重大科学难题。”
如今，这一范式“已然演进”。
报道披露，DeepMind正拓宽AI for Science的实施路径：不再局限于为单一科学问题定制专用模型，而是探索如何将Gemini等通用大模型转化为支撑全学科研究的智能操作系统。
由此观之，AlphaFold曾是DeepMind丈量AI能力边界的标尺，而今Gemini正成为其整合AI研发体系的新中枢。
从科学突破到产业闭环，AlphaFold步入新纪元
值得强调的是，DeepMind并未终止AlphaFold进程。
据《金融时报》消息，部分原AlphaFold研究员已转入Alphabet旗下Isomorphic Labs，持续推进AI在生命科学领域的纵深应用。
AlphaFold路线并未随AI4S团队解散而终结，而是迈入更务实的下一阶段。
AlphaFold最初解决的是“如何精准预测蛋白质三维结构”这一基础问题，但对生物医药产业而言，结构预测仅是起点。
真正的挑战在于：如何让AI深度嵌入药物发现全流程——从靶点识别、苗头化合物筛选，到临床前验证与工艺优化。
为此，DeepMind于2021年孵化出Isomorphic Labs。
与DeepMind侧重基础原理探索不同，Isomorphic Labs的使命是打通AI科学成果到产业价值的“最后一公里”，目标直指用AlphaFold等技术重构全球新药研发范式。
2024年，Isomorphic Labs宣布与诺华（Novartis）、礼来（Eli Lilly）达成战略合作。其中，与诺华的合作聚焦利用AI攻克多个难成药靶点的小分子药物发现；与礼来的合作则围绕若干未公开靶点开展小分子疗法联合研发。
此外，Isomorphic Labs正持续开发超越AlphaFold的下一代AI药物设计平台。其“Drug Design Engine”旨在将AI能力从结构预测，延伸至分子生成、结合亲和力模拟、ADMET性质预测等完整药物研发链条。
不过，截至目前，Isomorphic Labs尚未推出任何已进入临床阶段的AI原研药物。
这也折射出AI for Science领域的共性瓶颈：无论AI制药、AI材料，抑或其它垂直领域，真正的壁垒往往不在理论层面的可行性证明，而在于后续的湿实验验证、规模化工程实现与商业化路径打通。
在此视角下，AlphaFold团队的调整更像一次战略性分工：DeepMind继续夯实通用AI底座；Isomorphic Labs则专注生命科学赛道的产业化攻坚。
AlphaFold并未退场，只是从代表DeepMind科研高度的明星项目，转型为贯通基础研究与产业转化的关键枢纽。
只是随着原始核心力量的分散，“AlphaFold 4”或许将不再以人们熟悉的形态出现。
本文来自微信公众号“字母AI”，作者：袁心玥，36氪经授权发布。
