Google DeepMind 解散了 AlphaFold 团队，其研究战略正在改变

据报道，Google DeepMind 解散了其专门负责 AlphaFold 的团队，尽管该项目在不到两年前刚刚获得诺贝尔奖的认可。这一消息最初来自后被 google rsshub 搜索链路相关服务放大的报道。具有里程碑意义的 AlphaFold 论文的大多数作者据称已转换岗位、调往 Alphabet 的其他部门，或离开了公司。

这并不意味着 Google 已放弃计算生物学。AlphaFold 仍可使用，其数据库依然支持科学研究，DeepMind 和 Isomorphic Labs 内部的相关研究也仍在继续。真正重大的变化在于 Google 如何组织创造了这一成果的人才。

DeepMind 似乎正以围绕 Gemini 和可复用 AI 智能体的模式，取代专注于特定问题的团队。与此同时，Anthropic 招募了多位与 AlphaFold 相关的知名研究人员。这一对比才构成了真正的新闻：Google 正围绕通用平台整合研究资源，而竞争对手则吸纳以专注突破闻名的科学家。

Google DeepMind 实际改变了什么

据报道，此次重组终结的是 AlphaFold 作为专门团队的形态，而非 AlphaFold 作为科学资源的存在。

据《金融时报》7 月 29 日报道，Google DeepMind 重新分配了参与原始 AlphaFold 工作的大多数研究人员。其中一些人转入 Gemini、AI 编程、基因组学、酶设计和核聚变研究；另一些则加入了 Alphabet 旗下的药物研发公司 Isomorphic Labs。

据报道，原始 AlphaFold 论文作者中近四分之一已彻底离开 DeepMind。该数字指的是与原始论文相关的人员，而非曾为 AlphaFold 作出贡献的所有研究人员中的四分之一。

这一区别很重要，因为“Google 关闭 AlphaFold”这一说法会让人以为该模型或数据库已经消失。现有证据支持一个更有限的结论：据报道，Google 解散了构建并推进该系统的集中式组织单元。

AlphaFold 本身仍是 DeepMind 重点展示的科学项目之一。公司的 AlphaFold 概览 页面仍为科学家提供时间线、研究资源和访问途径。

公开代码库也仍可访问。其文档警告称，AlphaFold 的预测结果属于理论模型，未经实验验证，不应据此作出临床决策。

AlphaFold 可根据蛋白质的氨基酸序列预测其三维结构。这种能力能帮助研究人员在投入时间和设备进行实验室实验前形成假设，但并不能取代这些实验。

Google DeepMind 和 Isomorphic Labs 还在 2024 年发布了 AlphaFold 3。该模型的能力从孤立蛋白质扩展至涉及蛋白质、DNA、RNA、小分子及其他生物组分的相互作用。

这一进展使得团队的解散更引人注目。Google 并非在结果不佳后关闭了一项失败实验，而是分散了一个在科学影响力和机构象征意义上都已举足轻重的团队。

关注 google rsshub 查询的读者可能会看到称 Google 终结了整个 AlphaFold 项目的标题。这种表述超出了目前能被独立证实的范围。更站得住脚的说法是，AlphaFold 已不再拥有同样的专门团队架构。

Google 尚未发布详尽的组织架构图，说明每一项调动，也没有公布后续模型的公开时间表。这些信息缺口限制了任何宣称 AlphaFold 已经结束的判断。

不过，组织结构本身也传递信息。一个专门团队能为科学问题提供持续关注、领导延续性和共享的技术知识体系。分散这一群体，会改变未来工作被提出、评估和资助的方式。

因此，这一事件形成了明确张力：AlphaFold 仍作为基础设施发挥作用，但使其脱颖而出的人员组织据报道已被拆散。

AlphaFold 获得诺贝尔奖认可为何提高了利害关系

DeepMind 正在重组其最有力的证明——长期 AI 研究能够产出对全球有用科学成果的团队。

瑞典皇家科学院将 2024 年诺贝尔化学奖授予 David Baker、Demis Hassabis 和 John Jumper。Baker 因计算蛋白质设计获得一半奖金；Hassabis 和 Jumper 则因蛋白质结构预测分享另一半奖金。

诺贝尔奖概要 明确将 Hassabis 和 Jumper 所获奖项与 AlphaFold 联系起来，并将该模型描述为一种可预测几乎所有已知蛋白质结构的方法。

AlphaFold 的成就并非来自短暂的产品周期。DeepMind 于 2016 年成立了一个小型蛋白质结构团队。其首个 AlphaFold 系统在 2018 年的 CASP13 评估中领先，但距离研究人员期望的准确度仍有差距。

CASP，即蛋白质结构预测关键评估，是一种盲测科学评估，使用参与者无法预先查看的蛋白质结构。其表现比公司自行挑选的演示更能提供有力证据。

随后，DeepMind 重新设计了该系统。AlphaFold 2 在 2020 年的 CASP14 中占据主导地位，并在许多目标上达到与实验结构相当的准确度。该模型的基础研究于 2021 年发表于 Nature。

AlphaFold 2 论文 记录了这一成果背后的架构和评估方法。其作者结合了机器学习、结构生物学、工程学和大量科学判断。

Google 随后与 EMBL 的欧洲生物信息学研究所合作，扩展 AlphaFold 蛋白质结构数据库。该数据库最终覆盖超过 2 亿个预测结构，代表了绝大多数已收录的蛋白质。

该数据库改变了许多生物学研究的起点。研究人员可以在尝试晶体学、冷冻电子显微镜或其他实验室方法前，先考察一个可信的结构假设。

这并不意味着每项预测都正确。不同区域、复合物和生物学背景下的置信度各不相同。蛋白质还会运动、改变形状，并在静态预测无法完整呈现的环境中相互作用。

即便存在这些局限，AlphaFold 仍成为 AI 辅助科学的一个格外醒目的案例。在更广泛的 AI 行业常依赖对未来能力的预测时，它提供了一个具体成果。

诺贝尔奖的认可强化了这种象征意义。DeepMind 可以在为那些耐心、昂贵且实际价值并不立刻显现的研究辩护时，援引 AlphaFold。

解散团队则给这一论点带来压力。Google 现在必须证明，以 Gemini 为中心的组织能够在不保留 AlphaFold 背后专业架构的情况下，产出可比的科学进展。

此次重组也给 DeepMind 的研究文化带来压力。考虑长期项目的科学家将观察：当产品竞争加剧时，专注研究是否仍能获得保障。

Alphabet 面临的是另一种压力。它必须在模型、编程系统、智能体、企业产品和消费者助手等领域与 OpenAI 和 Anthropic 竞争。每个专业团队都在争夺稀缺的研究人员和计算资源。

这种资源压力为变化提供了合理的商业解释。但 AlphaFold 也表明，整合存在风险。有些科学问题需要团队长期保持聚焦，才能发现通用系统不会优先考虑的方法。

对于知识工作者而言，还有更广泛的启示：保留突破背后的推理过程，可能与保留其最终产出同样重要。可检索的技术知识库会有所帮助，但文档无法完全复现一个正常运作的研究团队。

Google RSSHub 搜索揭示了向 Gemini 转型的更大变化

人员变动表明，Google 希望 Gemini 成为科学发现、编程和基于智能体研究的共享引擎。

google rsshub 这一说法描述的是部分读者如何发现该报道，而非产出底层事实的机构。RSSHub 会将受支持的网站转换为标准化信息流，而 Google 则会索引或展示与这些信息流相关的页面。

这一发现路径可能模糊信息来源、发布者和聚合器之间的区别。因此，原始主张应通过成熟媒体报道、公司材料、公开研究记录和人员公告来评估。

从这些来源中，可以看到一种一致的战略模式：Google 一再将 AI 团队进一步靠拢 DeepMind 和 Gemini。

Google 于 2023 年通过合并 DeepMind 与 Google Brain，组建了如今的 Google DeepMind 组织。此后，它又将更多模型开发和产品团队转入该部门。

2025 年 1 月，Google 将更多 AI 团队划归 DeepMind，以缩短研究成果走向产品的路径。公司称，此举旨在加快研究成果进入面向开发者系统的速度。

这种表述很重要。AlphaFold 遵循的是较早的研究模式：选定一个困难的科学问题，组建专家团队，并在数个技术死胡同中持续探索。Gemini 代表的则是一种拥有众多下游用途的平台模式。

平台模型可以减少重复工作。共享的训练基础设施、评估系统、推理方法和智能体框架，可以同时支持多个科学领域。

Gemini 还可以将科学推理与代码执行、搜索、规划和多模态分析相连接。理论上，一个底层系统可协助跨越生物学、数学、材料科学和物理学来设计实验。

Google 较新的研究项目也支持这一方向。AlphaEvolve 利用 Gemini 模型和自动化评估器，搜索更优算法。AI co-scientist 系统旨在通过多个专业智能体生成并完善研究假设。

这些项目将科学视为通用推理系统的应用领域。相比之下，AlphaFold 则编码了关于特定结构预测问题的大量知识。

这种转变并不只是“科学与产品”之争。Google 可以继续投资科学，同时改变开展科学研究的机制。真正的较量在于：专注的科学团队，对比跨多个领域共享的通用平台。

这种取舍带来了明确优势。通用平台可立即复用进展。规划或代码生成方面的改进，或许能同时造福生物学、数学和工程学，无需分别构建基础模型。

但它也带来集中化风险。研究优先级可能与 Gemini 的能力、发布时间表和商业重要性绑定。

专业团队能够拒绝在其他领域奏效的假设，也能围绕一个科学问题构建特殊的数据集、评估方法和架构。平台型组织则更有动力偏向于改进共同系统的工作。

AlphaFold 本身就说明了专业化的价值。原始系统触及性能上限后，团队重建了其方法，而非仅仅扩大现有设计的规模。

诺贝尔委员会的科学说明描述了这一瓶颈，以及 Jumper 在重塑模型中所发挥的作用。这项突破需要一种由蛋白质知识塑造的新架构。

通用模型或许最终能够复现这类洞见。Google 目前似乎愿意在其科学业务组合中检验这一命题。

因此，这次重组是一场战略赌注。DeepMind 押注于：具备广泛能力的系统能够成为比围绕单一科学挑战组建的独立团队更出色的发现工具。

如果成功，Google 将能把一个不断扩展的研究引擎应用于众多领域。如果失败，则会表明通用推理系统仍需要稳定的专业团队，才能将能力转化为可靠的科学成果。

Anthropic 如今站在 DeepMind 人才赌注的另一端

Google 正围绕 Gemini 进行整合，而 Anthropic 正在吸纳与 DeepMind 最受尊敬的专业化成果相关的研究人员。

据报道，曾领导 AlphaFold、并共同获得 2024 年化学奖的 John Jumper 于 2026 年 6 月离开 Google DeepMind，加入 Anthropic。他在 DeepMind 工作了近九年。

Jumper 的离职所承载的战略意义，超过了一次常规高管变动。他兼具机器学习专长与蛋白质物理学知识，并协助领导了最终催生 AlphaFold 2 的重构工作。

据报道，其他 AlphaFold 研究人员也已加入 Anthropic。《金融时报》将 Jonas Adler 和 Alexander Pritzel 列为离职者。

据报道，在离职前，Jumper 和 Adler 曾与 DeepMind 一个专注于编程能力的小组合作。这项安排符合 Google 更广泛的 Gemini 战略，但也进一步凸显了它与两人 AlphaFold 背景之间的对比。

Anthropic 尚未公开界定围绕这些招聘所形成的完整科学项目。现在就断言该公司正在打造 AlphaFold 竞争者或专门的计算生物学部门，仍为时过早。

这种招聘模式仍然值得关注。Anthropic 正在争夺那些懂得如何将模型研究转化为严谨技术系统的人才。这类知识的可迁移性并不局限于生物学。

AlphaFold 需要架构设计、不确定性条件下的评估、高效计算、跨学科协作，以及审慎的发布决策。这些能力同样适用于先进智能体和推理模型。

Anthropic 能为研究人员提供一个围绕单一模型家族、企业架构更精简的组织。Google 则提供更强大的计算基础设施、更广泛的产品分发能力，以及更庞大的科学项目组合。

这并非科学理想主义与商业化之间的简单较量。两家公司都在开发商业模型、寻求企业客户，并大力投资通用 AI。

差异在于组织方向。Google 正将专业研究人员纳入一个共享的 Gemini 项目。Anthropic 则在扩展自身模型与智能体能力的同时，吸纳其中一部分研究人员。

这使人才成为最直接的竞争信号。模型基准变化很快，产品也可以复制可见的界面功能。打造研究团队的经验则更难复制。

Google 仍保有深厚的科学实力。Demis Hassabis 继续领导 DeepMind，许多 AlphaFold 贡献者仍留在 Google 或 Alphabet。Isomorphic Labs 则为生物建模和药物发现提供了另一处阵地。

Isomorphic Labs 尤其重要，因为它使“Alphabet 已放弃生物学”的说法变得复杂。Hassabis 创立该公司，是为了推进 AI 优先的药物发现；AlphaFold 3 则由其与 Google DeepMind 联合开发。

它的激励机制与最初的 AlphaFold 项目不同。AlphaFold 2 以研究代码和数据库预测的形式广泛开放。药物发现则更直接地依赖专有数据、实验室验证和商业合作关系。

这一变化反映了第二次组织转型。一部分生物 AI 工作正从开放的科学基础设施，转向一家旨在开发药物的公司。

这一趋势早于据报道的团队解散。AlphaFold 3 起初曾受到批评，因为研究人员可以获得服务器访问权限，但在发布时无法取得完整代码和模型权重。

Google 后来根据支持非商业研究的条款发布了代码和权重。不过，这一事件表明，安全性、可复现性和商业价值会将科学发布拉向不同方向。

Anthropic 并非对这些问题的天然解答。它同样限制对前沿模型权重的访问，并强调受控部署。其招募 AlphaFold 研究人员并不保证带来更开放的科学。

尽管如此，这些离职仍会给 Google 带来代价。当一个专注团队分散时，隐性知识也会随个人流失。内部文档和共享基础设施只能保存其中一部分。

这正是为何人事故事比表面上的 google rsshub 标题更重要。DeepMind 正在检验：围绕 Gemini 的组织集中化，是否能抵消备受赞誉的专业团队内部连续性流失所带来的影响。

此次重组并不能证明 AlphaFold 研究已经结束

最有力的批评集中于团队连续性的丧失，但现有证据并未显示 Google 已停止发展生物 AI。

仍有若干细节尚不确定。Google 尚未发布前 AlphaFold 成员的完整名单、他们目前的职责，或专门团队正式停止运作的日期。

“拆解”一词可以描述多种组织现实。它可能意味着正式关闭，也可能意味着在项目完成后逐步重新分配人员，或是转入后继项目。

这些可能性会导向不同判断。在转移技术之后关闭一个成熟项目很常见。在尚未建立继任团队前就撤销团队，则会带来更大的科学风险。

AlphaFold 也已不再只是一个内部项目。全球研究人员都在使用其数据库、开放实现、论文及衍生工具。内部重组无法抹去这一外部生态系统。

竞争性路径进一步降低了对单一团队的依赖。David Baker 所在的华盛顿大学团队开发了 RoseTTAFold 及相关蛋白质设计系统。Meta 此前曾利用蛋白质语言模型大规模预测结构。

学术实验室和生物技术公司仍在持续构建用于结构预测、序列设计、分子相互作用和药物发现的模型。AlphaFold 的方法推动了这一领域扩展，而非将其封闭起来。

公共数据库仍极具价值。它包含超过 2 亿种蛋白质的预测结构，并将其与置信度估计和生物学记录相连。

然而，已有数据库并不等同于持续的前沿研究。结构生物学仍面临涉及动态、无序区域、分子环境、罕见构象以及跨时间相互作用的难题。

模型可以生成看似可信的结构，却错过对疾病机制真正关键的状态。研究人员必须将预测与实验和领域知识结合起来。

一篇 2023 年的结构生物学综述指出，机器学习系统学习的是统计模式，并不完全理解物理化学。在解读 AlphaFold 输出时，这一局限仍然相关。

药物发现增加了更多不确定性。预测出合理的分子结构，并不能证明其安全性、疗效、选择性或在人体内的行为。临床开发仍需要大量实验性证据。

这些局限削弱了“AlphaFold 的核心科学问题已被简单解决”的说法。蛋白质结构预测达到了新的水平，但生物学理解远不止静态形状估计。

Google 的平台战略同样面临这些限制。基于 Gemini 的科学智能体可以提出假设并编写分析代码，但它仍需要可靠工具、领域评估、实验室反馈，以及能够识别细微错误的研究人员。

通用 AI 系统也会生成缺乏依据的陈述。在科学研究中，一个表达流畅的错误可能耗费实验室时间，或扭曲实验计划。因此，评估必须检验事实与因果可靠性，而不只是有说服力的呈现。

怀疑论者的论点很直接：分散专业人才可能使 DeepMind 更擅长构建能力广泛的演示，却更难维持深入的科学项目。

反方论点同样具体。AlphaFold 的最初使命已达到一个自然的转折点，而其研究人员如今可以将专业知识扩展到更多问题上。

公开证据尚不足以解决这一分歧。仅凭团队重新分配，无法证明科学雄心正在减弱；同样也无法证明 Gemini 能维持促成 AlphaFold 的专注度。

最准确的解读是有条件的。Google 已改变组织科学 AI 的方式，而这种方式如今需要拿出可与其所取代的专业化模式相媲美的成果。

AlphaFold 团队解散后值得关注的事项

三个信号将显示 DeepMind 是否保留了 AlphaFold 的研究模式，还是以它换取了更集中化的产品战略。

第一个信号是 Google 的下一款重大生物模型。继任者应解决一个明确的科学局限，发布可信的评估结果，并说明专业研究人员如何塑造了其开发过程。

另一个冠以 AlphaFold 品牌的界面并不能回答这个问题。相关证据应是一项技术进步，能够让独立科学家在困难的生物学任务上进行测试。

一次实质性发布将强化 Google 的论点：重组能够扩散 AlphaFold 的专业知识，而不会终止这项工作。长期空窗则会支持关于连续性流失的担忧。

第二个信号是前团队成员的去向。Anthropic 尚未披露 Jumper 和其他 AlphaFold 研究人员将开发什么。

如果他们领导一个专门的科学项目，Anthropic 将成为 Google 整合战略的直接组织层面反例。如果他们从事编程或通用智能体工作，这些离职则会更像是整个行业向基础模型迁移的一部分。

他们的论文、会议亮相和具名项目职责，将比招聘新闻提供更有力的证据。研究产出需要时间，但团队形成通常会更早显现。

第三个信号是 Gemini 主导的科学工作的质量。Google 所需要的不只是通用推理测试中的基准提升，而是经得起独立科学审查的发现或工具。

有用的指标包括经外部验证的预测、可复现的方法、成功的实验合作，以及证明科学家能够审计模型输出的证据。

AlphaEvolve 和 AI co-scientist 项目提供了这种新方法的早期案例。它们的长期重要性取决于能否产生被专家社群采纳、复现和拓展的成果。

访问条款也值得关注。AlphaFold 的影响力部分来自其对研究的广泛可用性。未来仅限于受控界面的系统，或许能产生有价值的结果，却只能支持一个规模更小的科学生态系统。

Isomorphic Labs 提供了另一项检验。药物发现项目的进展将显示 AlphaFold 专业知识如何转化为商业研究。但临床成功的时间线比模型发布更长。

因此，读者应避免两个过早的结论。Google 并未抹去 AlphaFold，而诺贝尔奖的认可也并不要求同一支团队必须永远保持完整。

真正关键的问题在于：在改变了孕育 AlphaFold 的条件之后，DeepMind 能否持续产出达到 AlphaFold 级别的科学成果。

google rsshub 搜索可以发现人事变动消息，但无法回答这一战略问题。答案将来自新模型、独立验证，以及那些转往其他机构的研究人员所开展的工作。

对开发者和企业团队而言，这一事件也提供了一个务实的警示。集中式平台能够提升复用效率，但专业团队保留了通用系统常常遗漏的语境。在将整合作为通用模板之前，不妨先观察 Google 如何平衡这两种力量。

对科学家而言，下一步同样直接。除了模型能力，还应关注访问条件、评估质量和可复现性。更通用的系统只有在研究人员能够信任其对真实科研工作的贡献时，才真正重要。

DeepMind 的重组让其战略更加清晰。如今，公司必须证明 Gemini 能够支持那种耐心、专业的推理能力——正是这种能力让 AlphaFold 从一项艰难的实验，发展为获得诺贝尔认可的科学成果。