Google 解散 AlphaFold 团队，研究人员转向 Gemini

据 engadget google 于 7 月 30 日发布的报道，Google 已解散专门负责 AlphaFold 的团队，尽管该团队曾获得诺贝尔奖。报道称，研究人员已转至 Gemini、其他科学项目以及 Alphabet 的药物研发公司 Isomorphic Labs。不过，现有证据并不表明 Google 已经关闭 AlphaFold 本身。

这一差别改变了整件事的性质。Google 并非只是放弃一项成功的科学模型来打造另一个聊天机器人。它似乎正以围绕 Gemini、共享基础模型和商业导向科学项目构建的更广泛体系，取代原有的专业研究团队。

此次重组还发生在一次重要的人事离任之后。曾领导 AlphaFold 团队并共同获得 2024 年诺贝尔化学奖的 John Jumper，于 6 月离开 Google DeepMind，加入 Anthropic。鉴于 Anthropic 是 Google 在基础模型和编程代理领域最接近的竞争对手之一，他的离开让此次重组更具竞争意味。

因此，真正的问题并不是 AlphaFold 明天是否会消失，而是 Google 在分散那些将棘手生物学问题转化为 AI 最明确公共价值之一的研究人员后，能否保留 AlphaFold 的科学深度。

Engadget Google AlphaFold 报道究竟说了什么

Google 已结束 AlphaFold 的专属团队架构，但称该项目已死的说法超出了已获证实的事实。

最初的报道援引 Financial Times 的消息，随后由 Engadget 跟进称，Google DeepMind 已解散 AlphaFold 背后的团队。一些研究人员被调往 Gemini，另一些则转向科学项目或 Isomorphic Labs。

团队可以解散，而其技术并不一定停止提供。到 2026 年 7 月，Google 仍将 AlphaFold 3 作为活跃的科学工具进行展示。7 月 22 日，该公司将其纳入支持美国政府 Genesis Mission 承诺中、面向研究人员提供的一组工具。

该公告将 AlphaFold 3 描述为一个用于预测蛋白质及其他生物分子结构和相互作用的系统。在 Google 当前的科学产品组合中，它与 AlphaEvolve 并列，后者是一个基于 Gemini、用于设计和优化算法的系统。

时间点很重要。Google 通过 Genesis Mission 推广 AlphaFold 3，仅一周后便有报道称原团队已被拆分。这与 Google 终止该项目所有部分的简单说法并不一致。

更准确的解读是，AlphaFold 已超出其最初的组织归属。即便负责早期研究的团队不再作为一个整体存在，其数据库、模型、合作关系和商业应用仍可继续。

AlphaFold Protein Structure Database 在 Google 之外也获得了机构支持。Google DeepMind 与 EMBL 的 European Bioinformatics Institute 共同开发了该数据库，后者提供科学基础设施和分发支持。Google 此前表示，该数据库包含超过 2 亿个预测结构，覆盖科学界已编录的几乎所有蛋白质。

AlphaFold 3 将系统能力扩展到单个蛋白质形状之外。它旨在预测蛋白质、DNA、RNA、离子和小分子之间的相互作用。这些能力对药物研究尤为重要，科学家需要估计候选分子可能如何与生物靶点结合。

Google 与 Isomorphic Labs 于 2024 年共同推出 AlphaFold 3。这种共同署名使基础研究与商业药物研发之间的界限变得不那么清晰。Isomorphic Labs 可以将相关方法用于制药工作，而 Google DeepMind 则继续推进更广泛的科学 AI。

因此，据报道的人员重新分配更像是一次组织过渡，而非对底层资产的删除。不过，这仍带来不确定性，因为团队所承载的知识无法被模型、代码仓库和数据库完全保存。

其中大量知识仍是隐性的。研究人员记得失败的实验、无法解释的行为、数据局限，以及从未写入论文的设计选择。即便所有正式产物仍然可用，分散这些人也可能拖慢后续工作。

这正是 engadget google 标题引发关注的原因。这个故事不只是组织架构图上的一个方框。它提出了谁将维护 AlphaFold、谁将定义其下一阶段研究目标，以及这些目标如今是否会优先服务于 Gemini 或 Isomorphic Labs 等问题。

为什么 Google 正将更多研究围绕 Gemini 组织起来

Gemini 正成为 Google AI 工作的共享基础设施，其中包括科学发现，而不再仅仅是面向消费者的助手。

Google DeepMind 目前开发 Gemini 背后的模型，而 Google 则将这些能力部署到 Search、Workspace、Cloud、Android 和 Gemini app 中。因此，纳入 Gemini 的研究突破能够触达的产品，比仅具备单一科学功能的独立系统更多。

这种分发模式带来了强烈的组织激励。专业团队可以在一个领域取得深度进展，但其方法可能始终处于孤立状态。基础模型团队则能在许多项目中复用推理、编程、工具使用和多模态处理方面的进步。

Google 最近发布的科学成果展示了这一策略的实际运作方式。AlphaEvolve 使用 Gemini 模型来提出、评估和改进计算机程序。该系统面向芯片设计、计算基础设施和数学研究等领域的优化问题。

Google 于 2026 年 7 月通过 Google Cloud 推出了 AlphaEvolve。此次发布将科学研究连接到拥有外部用户、可衡量需求和商业责任的产品渠道。

Google 的 AI co-scientist 也遵循类似模式。它使用多个基于 Gemini 的代理来生成、辩论并改进科学假设。代理是一种由模型驱动的系统，能够执行一系列任务、调用工具，并朝既定目标修订自身工作。

这种方法将 Gemini 视为通用推理层。专业科学系统随后可以在该层周围提供数据、评估方法或领域工具。即便 AlphaFold 的原团队未能完整保留，其经验仍可能为这一架构作出贡献。

这一策略也反映了前沿 AI 的经济现实。训练和运行大型模型需要大量计算基础设施。企业希望这些模型支持多种产品，而不是为每个研究领域分别资助独立的技术栈。

不过，共享基础设施并不能消除对专业人才的需求。蛋白质结构预测依赖生物数据、物理约束、实验验证和领域专属评估。通用推理能力无法替代这些学科。

Google 策略的理想版本，是将 Gemini 的广泛能力与聚焦的科学团队结合。研究人员可以使用 Gemini 检索文献、编写分析代码、形成假设并协调工具。类 AlphaFold 系统则可提供由这些代理评估的结构化预测。

Google 已描述过这样的工作流程。在一个案例中，其科学团队使用 Gemini 从 20 万篇论文中识别并提取相关子集的信息。这项任务体现了通用模型在梳理科学文献方面的价值，但无法替代实验室证据或专业预测系统。

当整合演变为集中化时，组织风险便会出现。如果每个项目都必须服务于 Gemini 的近期路线图，商业价值不确定的研究问题可能失去人员和关注。AlphaFold 本身就经历了多年的专注工作，才在计算生物学之外显现出其重要性。

这也是一个知识管理问题。重组后，试图保留决策、实验和技术背景的团队需要一个可搜索的技术知识库。文档有所帮助，但无法完全替代原始研究人员之间持续的协作。

Google 押注于更一体化的结构能够更快传播科学进展。相对的风险是，整合会削弱产生这些进展所需的专业知识集中度。

AlphaFold 的诺贝尔遗产使这成为一次真正的转向

Google 在这项工作获得诺贝尔奖不到两年后，便分散了其最受赞誉的科学 AI 成就背后的团队。

Royal Swedish Academy of Sciences 将 2024 年诺贝尔化学奖的一半授予 Demis Hassabis 和 John Jumper，以表彰他们利用人工智能预测蛋白质结构的工作。David Baker 因计算蛋白质设计获得另一半奖项。

蛋白质始于氨基酸链，但其生物功能在很大程度上取决于三维形状。要通过实验确定这些形状，可能需要借助 X 射线晶体学、核磁共振或冷冻电子显微镜等技术进行大量工作。

AlphaFold 2 大幅提升了对这些结构的计算预测能力。它在 2020 年 Critical Assessment of Structure Prediction 中的表现——这是一项被称为 CASP 的定期科学评估——让许多研究人员相信，长期存在的蛋白质折叠挑战已发生根本性改变。

团队于 2021 年在 Nature 发表了该系统。随后，Google 与 EMBL-EBI 合作建立数据库，使预测结构得以广泛获取。研究人员利用这些预测研究了被忽视疾病、药物靶点、蛋白质演化和抗微生物药物耐药性等课题。

Google 表示，超过 200 万名研究人员使用 AlphaFold 2 开展了涉及疫苗、癌症治疗及其他科学问题的工作。该数字来自公司本身，但 AlphaFold 在已发表研究中的广泛出现，也独立表明其获得了大量采用。

在 AI 争论日益激烈的背景下，该系统还成为罕见的正面案例。AlphaFold 具有明确的科学目的，向研究人员提供实用产出，并可根据实验结构进行评估。相比价值取决于不一致对话或生成内容的通用模型，它更容易解释。

这一声誉为 Google DeepMind 带来了具有战略意义的优势。它支持了该实验室的论点：先进 AI 研究能够带来公共科学收益，而不只是广告功能、聊天机器人或自动化。

据报道的团队拆分颠覆了人们预期的奖励逻辑。一个团队取得了里程碑式的科学成果，支持了一项全球研究资源，并获得了该领域最高认可。随后，Google 却结束了该团队作为独立单位的存在。

这并不能证明 Google 已经对科学失去兴趣。该公司仍在推广 AlphaFold 3、AlphaGenome、AI co-scientist、AlphaEvolve、天气模型及其他研究系统。Isomorphic Labs 也为 Alphabet 提供了将 AI 应用于药物发现的直接载体。

不过，这次重组改变了公司内部对成功的回报方式。专业化的科学卓越表现并未保证组织延续性。研究人员在决定是攻克一个狭窄的长期问题，还是加入核心基础模型项目时，完全可能会将此解读为一种信号。

John Jumper 的离职令这一转变更具影响力。据今年 6 月报道的公开评论，Jumper 称赞 Hassabis 在他完成博士学位仅六个月后便允许他领导 AlphaFold。这一说法反映出一种愿意赋予年轻科学家非同寻常责任的研究文化。

Anthropic 招募 Jumper，意味着其中一部分经验被转移给了直接竞争对手。他未来的职责尚未被完整公开，因此现在就认定他会打造 AlphaFold 的竞争产品还为时过早。他在科学建模、研究领导力和复杂神经架构方面的专长，仍具有战略价值。

Google 现在必须证明，促成 AlphaFold 诞生的文化能够在失去原有组织结构后继续存续。诺贝尔奖记录了团队已经取得的成就，但并不能保证下一个同样雄心勃勃的项目会从一个更为集中的组织中诞生。

核心竞争是专业科学与通用 AI 之争

核心矛盾并非作为产品的 AlphaFold 与 Gemini 之争，而是专业科学深度与 Google 希望无处不在的通用模型之间的竞争。

AlphaFold 和 Gemini 解决的是不同类别的问题。AlphaFold 预测生物分子结构及相互作用。Gemini 则处理文本、图像、音频、视频、代码及其他信息，覆盖的任务范围广得多。

这种差异使直接的基准比较失去意义。不能因为 Gemini 能处理更多任务，就宣称它更好；也不能因为 AlphaFold 在某个专业领域中价值更高，就认定它更优越。

真正重要的竞争关乎研究组织方式。Google 应继续维持围绕艰深科学问题构建的独立团队，还是应将这些工作集中于共享的 Gemini 平台？

专门团队会围绕单一目标积累独特专长。其研究人员能够构建领域专用数据集、评估流程、安全实践和合作关系。他们可以追求对科学家至关重要的改进，即使这些改进与消费级产品几乎无关。

以 Gemini 为中心的组织则具备不同优势。通用模型可以共享推理和工具使用方面的进展。基础设施投入能够支持许多团队。新能力也能更快进入云产品和消费服务。

Google 最近的决定表明，第二种模式正获得更大影响力。Gemini app 于 2024 年并入 Google DeepMind。该公司还重组了面向产品的 AI 团队，并让实验性项目与 Gemini 的联系更加紧密。

竞争构成了部分压力。OpenAI、Anthropic、Meta 和 Microsoft 正竞相改进基础模型、编程代理、研究助手和开发者平台。每一次重大模型发布都可能影响企业采用情况和外界对技术领导力的看法。

Anthropic 带来了尤为突出的压力，因为 Claude 已在编程和代理式工作领域建立了强势地位。即使 Jumper 未来的研究不针对蛋白质预测，他的加入也为这场竞争增添了象征性分量。

专业科学项目面临的是不同的时间表。一个生物学模型可能需要多年开发和审慎的外部验证。它的成功可能体现为引用、实验发现或临床管线，而非立即带来消费端增长。

Isomorphic Labs 为 Google 提供了一种化解部分冲突的方式。它可以与制药合作伙伴一起，将结构预测及相关 AI 方法转化为药物设计项目。这为源自 DeepMind 的科学能力提供了商业落点。

然而，商业化又引入了另一种紧张关系。AlphaFold 2 之所以具有影响力，部分原因在于 Google 发布了代码和庞大的公共数据库。AlphaFold 3 最初提供了更受限的访问方式，其在商业药物发现中的使用也与 Isomorphic Labs 的商业利益产生交集。

研究人员批评 AlphaFold 3 最初未提供完整代码和模型权重。Google 后来发布了源代码，但访问与复现问题仍是讨论的一部分。这一事件表明，科学资源可能越来越难与 Alphabet 的商业战略分割开来。

竞争对手和学术团队也在持续开发替代方案。RoseTTAFold、OpenFold 及其他结构预测模型等系统，降低了对单一公司的依赖。它们的存在意味着，即使 Google 改变方向，科学领域仍可继续发展。

不过，替代一个模型不同于替代孕育该模型的环境。AlphaFold 融合了机器学习、生物学、工程能力、计算资源和持续的领导力。开放实现可以复现系统的部分内容，却无法复现这种机构层面的组合。

最理想的结果并不要求只能选择其中一条道路。Gemini 可以帮助科学家检索文献并协调研究，而专业团队则开发基于生物学或物理学的模型。Isomorphic Labs 可以推进药物研发，公共机构则维护可访问的科学资源。

报道所称的重组之所以引发疑虑，是因为 Google 移除了最清晰的组织平衡中心。现在，Google 有责任证明，在其通用模型战略中，专业化仍然是一项优先事项。

“关闭”叙事无法证明什么

团队解散意义重大，但这并不能证明 AlphaFold 已停止运行，或 Google 已放弃科学 AI。

目前最有力的已证实说法关乎组织结构。报道称，专门团队已被拆解，成员被分散安排。公开证据并未表明 Google 删除了 AlphaFold 数据库、撤回了 AlphaFold 3，或终止了涉及其方法的工作。

Google 在 2026 年 7 月的活动则指向相反方向。该公司仍将 AlphaFold 列为面向科学用户提供的工具之一。同月发布的生物安全框架中，也讨论了 AlphaFold。

Google 的 生物韧性方案 将 AlphaFold 与 AlphaGenome 及 Isomorphic Labs 的药物设计技术归为一组。该文件称，这些系统正在改变研究人员在生物学中能够理解和设计的内容，同时也带来了安全责任。

这些行动并不能保证未来会有 AlphaFold 4。Google 尚未公开承诺发布时间表、替代团队或具体的长期维护架构。持续提及 AlphaFold，可能反映的是对现有资产的支持，而不是积极开发继任版本。

因此，“关闭 AlphaFold”这一说法压缩了多种不同可能性。Google 可能在不推出重大新版本的情况下维护当前模型；可能将 AlphaFold 方法整合进更广泛的科学代理；可能将更多开发工作转至 Isomorphic Labs；也可能在过渡后指定新团队。

每种路径都会带来不同后果。维护会保留访问渠道，但可能放缓研究进展。整合可能扩大 AlphaFold 的影响范围，同时让其贡献变得不那么显眼。转向 Isomorphic Labs 可能加速药物应用，但会增加商业限制。

人员方面的证据同样需要谨慎解读。Jumper 的离职已通过报道和他本人的公开声明得到确认，但每一位 AlphaFold 贡献者的去向并未都有公开记录。一些研究人员可能以新岗位留在 Google，另一些人可能已转至 Isomorphic Labs 或离开公司。

一个团队的正式解散有时可能发生在成功转移之后。当技术成为基础设施，原项目组可能不再必不可少。云服务、数据库、产品团队和合作机构都可以承担运营责任。

AlphaFold 的情况有所不同，因为科学发展尚未完成。AlphaFold 3 改进了涉及分子相互作用的预测，但计算结果仍需要实验验证。准确性因目标、输入质量、分子类别以及相关训练数据的可用性而异。

预测出的结构也无法揭示生物行为的每一个方面。蛋白质可以改变形状、在细胞内发生相互作用、响应化学环境，并参与动态过程。静态或概率性预测无法捕捉完整的生物系统。

药物发现还带来了进一步的不确定性。预测出一种看似合理的相互作用，并不能证明某种化合物安全、有效、可制造，或能在临床试验中取得成功。Isomorphic Labs 及其合作伙伴仍需要实验和临床证据。

这些局限性进一步强化了对专门领域专家的需求。它们也阻止人们简单地下结论，称 Google 正在放弃一个已经完成的问题。蛋白质结构预测取得了巨大进展，但计算生物学仍包含许多尚未解决的问题。

审慎的判断是，Google 已结束一个重要团队并重新分配其人才。AlphaFold 技术仍在活跃使用，但其研究轨迹如今更不透明。

三个信号将显示 Google 的押注是否奏效

下一批证据将来自 AlphaFold 的技术路线图、研究人员的去向，以及 Gemini 在真实科学工作中的表现。

第一个信号是明确的 AlphaFold 开发计划。Google 可以说明谁负责维护 AlphaFold 3、是否计划推出另一款重大模型，以及与 EMBL-EBI 的数据库合作将如何持续。

一次实质性的发布将削弱“此次重组代表战略退缩”的说法。该发布应包括技术证据、独立评估，以及让科学家理解变化内容的访问条款。

沉默则会传递不同含义。如果 Google 持续宣传 AlphaFold 的既有成就，却不展示新的研究成果，该项目可能正在进入维护阶段。这将保留其遗产，同时削弱其在前沿领域的作用。

第二个信号是原研究人员的去向。若被重新分配至活跃的 Gemini 科学团队，将支持 Google 的整合论点；若流向 Isomorphic Labs，则表明药物开发如今为 AlphaFold 专长提供了主要的机构归宿。

更多人员离开将强化人们对研究能力流失的担忧。Jumper 转投 Anthropic 已表明，竞争对手能够招募理解 Google 如何组织其最成功项目之一的人才。

第三个信号是对基于 Gemini 的科学系统进行独立验证。Google 推出了 AI co-scientist 和 AlphaEvolve，作为更广泛发现平台的例证。这些系统需要通过可复现结果、外部研究人员以及超出 Google 内部演示的有用发现来接受评估。

Google DeepMind 的 co-scientist 系统 使用 Gemini agents 提出并辩论假设。如果外部实验室能够持续验证这些假设，通用模型战略将获得更高可信度。

薄弱或不一致的结果会暴露整合的代价。通用模型可以生成看似可信的研究语言，却未必能达到经过物理结构验证的专业系统那样的可靠性。科学价值取决于证据，而非对话流畅度。

读者还应关注 Google 如何描述 AlphaFold。一方面称项目仍在推进，另一方面又拒绝说明由哪些团队负责，这将留下问责缺口。明确的归属对于数据库维护、安全报告、访问决策以及未来科学合作都至关重要。

对开发者而言，更广泛的启示在于平台依赖。一个被广泛使用的模型可以在内部团队变动后继续运行，但其优先级、接口和访问规则仍可能发生变化。研究人员需要为关键工作准备可复现的工作流程和替代方案。

对企业采购方而言，此次重组表明 Google 希望让 Gemini 成为贯穿产品与专业领域的通用层。这可以简化集成，但也可能将风险集中在单一模型家族和单一供应商路线图上。

对科学家而言，当务之急是将新闻标题与运营现实区分开来。AlphaFold 仍可使用，Google 也仍在推广它。但创建它的团队似乎已不再以原有形式存在。

engadget google 的报道反映了一个真实的转变，尽管“关闭”一词对这项技术本身而言过于宽泛。Google 在围绕 Gemini 构建更多研究战略的同时，已将一支诺奖级团队分散重组。

现在，这家公司必须证明这是一场演进，而非一次削弱。值得关注的是：是否会明确指定 AlphaFold 的负责人、是否会出现可验证的技术继任者，以及科学成果能否证明 Gemini 可以拓展专业研究而不掏空其核心能力。