2026年7月，Google DeepMind官方博客发布了一篇题为《Five Years of Impact》的回顾文章，用大量数据和案例总结AlphaFold五年来对科学界的深远影响。文章语气庄重，充满自豪。几乎在同一时间，另一则消息在AI研究圈内流传：AlphaFold的核心研究团队经历了大规模重组，多名关键成员已离职。

这两件事并置在一起，构成了一个令人不安的悖论：一支在2024年获得诺贝尔化学奖、被誉为”过去50年最重要的科学突破之一”的团队，在官方庆祝其五周年影响力的同一时期，以近乎无声的方式走入历史。没有正式的解散公告，没有公开解释，只有一篇充满溢美之词的回顾文章，和几个悄然更新LinkedIn状态的研究员。

需要明确的是：关于AlphaFold团队的具体重组细节，Google DeepMind尚未发布正式官方声明。本文的核心事实基础来源于2025年3月《纽约时报》Cade Metz和Nico Grant的报道——该报道称DeepMind正在拆分AlphaFold团队，以及此后多家科技媒体对核心成员离职动向的追踪报道。这些报道的可信度较高，但读者应注意，在缺乏官方确认的情况下，部分细节仍有待验证。

这不是失败的结局。这是成功的结局。而这正是问题所在。

第一章：荣耀的顶点——从CASP竞赛到诺贝尔奖台

要理解AlphaFold团队重组的意义，必须先理解这支团队究竟创造了什么。

蛋白质折叠问题被称为生物学领域的”圣杯”之一。蛋白质是生命活动的核心执行者，其功能由三维结构决定，而从氨基酸序列预测三维结构，是一个困扰生物学家超过50年的难题。1972年，Christian Anfinsen因证明蛋白质的氨基酸序列决定其三维结构而获得诺贝尔化学奖，但如何从序列计算出结构，此后数十年进展缓慢。

2018年，DeepMind首次参加CASP（蛋白质结构预测关键评估）竞赛，以AlphaFold第一代模型取得显著成绩。2020年，AlphaFold2在CASP14竞赛中以压倒性优势击败所有竞争对手，其预测精度首次达到实验方法的水平，中位GDT分数（全局距离测试）达到92.4分。CASP组织者John Moult称这一结果”在很大程度上解决了这个问题”。核心论文于2021年发表在《Nature》上（Jumper et al., 2021），截至2026年已累积超过25000次引用。

2022年，DeepMind将AlphaFold2的代码开源，并与欧洲生物信息研究所（EMBL-EBI）合作，免费向科学界开放超过2亿个蛋白质结构预测数据库——覆盖几乎所有已知生物体的蛋白质组。根据DeepMind官方数据，这一数据库已被全球超过190个国家和地区的研究人员使用，推动了从疟疾疫苗研发到塑料降解酶发现等一系列科学突破。

2024年5月，DeepMind发布AlphaFold3（Abramson et al., 2024, Nature），将预测范围从蛋白质扩展到蛋白质与DNA、RNA、小分子配体的复合物相互作用。同年10月，瑞典皇家科学院将诺贝尔化学奖授予David Baker、Demis Hassabis和John Jumper，表彰他们在蛋白质结构预测和设计领域的突破性贡献。Hassabis是DeepMind的联合创始人兼CEO，Jumper是AlphaFold项目的核心研究负责人。

这是AI系统首次直接获得诺贝尔科学奖——不是因为AI辅助了科学研究，而是因为AI本身就是那个科学突破。对于Google DeepMind而言，这是其创立以来最高光的时刻，也是Hassabis多年来坚持”通过AI推进科学”这一愿景的最终验证。

然而，就在诺贝尔奖颁发后不到两年，AlphaFold的核心研究团队已经历了根本性的重组和人员流失。

第二章：商业化收割——Isomorphic Labs的剥离逻辑

理解AlphaFold团队的命运，必须从Isomorphic Labs这条线索切入。

Isomorphic Labs于2021年11月由DeepMind剥离成立，是一家专注于AI驱动药物发现的公司，由Hassabis兼任CEO。其核心技术资产正是AlphaFold——将蛋白质结构预测能力商业化，用于识别药物靶点、设计小分子化合物、优化临床候选分子。2023年1月，Isomorphic Labs宣布与礼来（Eli Lilly）和诺华（Novartis）签署战略合作协议，总潜在价值据报道超过数十亿美元（包含里程碑付款），具体条款部分未公开。

2025年，Isomorphic Labs完成了Series A融资（具体金额未完全公开披露）。根据多家行业媒体报道，该公司在2025-2026年间的估值已大幅攀升，反映了资本市场对AlphaFold技术商业化潜力的明确背书。制药行业的药物发现流程漫长而昂贵——根据Tufts药物开发研究中心的数据，一款新药从靶点识别到FDA批准平均耗时超过10年，花费约26亿美元（含失败项目的机会成本）。AI蛋白质结构预测技术若能有效压缩这一周期，其商业价值将是天文数字级别的。

注意这里的结构性逻辑：AlphaFold的核心技术已经通过Isomorphic Labs完成了商业化封装。这意味着，从Alphabet的资产负债表视角来看，AlphaFold的知识产权、技术能力和商业化路径，已经不再需要由DeepMind内部的专属研究团队来维护和推进。Isomorphic Labs作为独立商业实体，拥有自己的研究团队、商业合作和资本结构。原始的学术研究团队，从公司战略的角度，已经完成了其历史使命。

这是一个精心设计的商业化漏斗：基础研究（DeepMind内部）→ 技术突破（AlphaFold2/3）→ 商业化剥离（Isomorphic Labs）→ 外部融资与合作 → 原始团队重组或解散。每一步都是理性的，每一步都是冷酷的。

从Alphabet的财务逻辑来看，这一模式尤为清晰。在2025年全年财报中，Alphabet报告其资本支出（CapEx）达到约750亿美元，其中AI基础设施投入占据主要份额。Gemini系列模型、Google Cloud的AI基础设施以及各类AI应用的商业化进展是核心叙事。在这个语境下，AlphaFold已经不再是一个”进行中的项目”，而是一个”已交付的资产”。它的价值已经被结晶为Isomorphic Labs的估值、DeepMind的品牌声誉、以及Hassabis和Jumper的诺贝尔奖——这些都是Alphabet的无形资产。

但维持一支专属的AlphaFold研究团队，需要持续的薪资成本（顶级AI研究员年薪通常在50-100万美元区间）、大规模计算资源和管理注意力。在Alphabet已经将技术商业化并剥离的情况下，这支团队的边际价值趋近于零。重组，是财务上的必然。

第三章：人才的流向——竞争对手收割了什么

团队重组最直接的后果，是人才的流失——更准确地说，是人才的重新配置。

根据2025年3月《纽约时报》的报道，DeepMind正在拆分AlphaFold团队，将部分成员重新分配到其他项目。此后，多家科技媒体追踪报道了核心成员的去向。关于John Jumper的具体动向，需要做一个重要的事实澄清：截至本文写作时（2026年7月），Jumper是否已正式离开DeepMind加入Anthropic，尚未获得当事人或相关公司的官方确认。部分科技媒体和行业通讯报道了这一动向，但一手确认来源缺失。本文将这一信息作为”广泛报道但未经官方确认”的事实来处理。

无论Jumper的具体去向如何，可以确认的是：AlphaFold团队的多名研究人员在2025-2026年间离开了DeepMind，其中部分人加入了Anthropic和其他AI实验室。这一人才流动模式本身就是一个信号。

Anthropic从这次人才流动中获益显著。这家由前OpenAI高管Dario Amodei和Daniela Amodei于2021年创立、专注于AI安全和大语言模型研究的公司，截至2026年估值已超过600亿美元（据Bloomberg报道），正处于快速扩张阶段。吸纳具有顶级基础研究背景的科学家，对于Anthropic构建其在生物学、科学AI等领域的研究能力具有重要价值。AlphaFold团队的研究人员不仅带来了蛋白质结构预测的专业知识，更重要的是带来了一种将深度学习应用于复杂科学问题的系统性方法论。

这里出现了一个值得深思的结构性矛盾：Google DeepMind重组了一支世界顶级的科学AI团队，而这支团队的核心成员随即加入了Google最强劲的AI竞争对手之一。从短期财务逻辑看，重组是合理的。从长期竞争格局看，这可能是一次代价高昂的战略失误。

但更深层的问题在于：为什么这些顶级研究人员选择离开，而不是留在DeepMind内部转向其他项目？

多家媒体报道指出，DeepMind内部正在进行一场深刻的结构性重组：原本相对独立的科学研究团队，正在被整合进以Gemini为核心的通用AI产品线。这意味着，曾经拥有相对自主研究方向的科学家，将越来越多地被要求为Gemini的能力提升服务——这是一个根本性的文化转变。2024年4月，DeepMind与Google Brain正式完成合并已满一年，组织整合的深层影响开始显现。

对于那些将科学发现视为职业核心驱动力的研究人员来说，这种转变是难以接受的。在早期DeepMind工作意味着你可以解决蛋白质折叠这样的百年难题；而在重组后的DeepMind工作，可能意味着你要优化Gemini在某个benchmark上的表现。这两件事的智识满足感，不可同日而语。

第四章：贝尔实验室的幽灵——两种解体模式的本质差异

要理解AlphaFold团队重组的历史意义，需要将其放置在企业基础研究实验室兴衰的更长时间轴上。

贝尔实验室是20世纪企业基础研究的最高成就。从1925年成立到1980年代的鼎盛时期，贝尔实验室产出了晶体管（1947年）、激光（1958年理论，1960年实现）、信息论（Shannon, 1948）、Unix操作系统（1969年）、C语言（1972年）等一系列改变人类文明的发明。其研究人员共获得9项诺贝尔物理学奖。贝尔实验室之所以能够维持如此高水平的基础研究，根本原因在于AT&T的垄断地位——稳定的垄断利润（年收入超过1000亿美元，按今日美元计算）为长期、不以短期商业回报为目标的基础研究提供了资金保障。正如Jon Gertner在《The Idea Factory》（2012）中所记录的，贝尔实验室的研究人员被明确告知：他们的工作不需要在5年甚至10年内产生商业价值。

1984年，美国司法部强制拆分AT&T，贝尔实验室随之进入漫长的衰落。失去垄断红利的母公司无力再维持大规模基础研究投入，贝尔实验室逐步转向应用研究和产品开发，最终在2008年正式关闭物理科学研究部门。这是一种被动解体：外部竞争压力和母公司财务困境，摧毁了基础研究的资金基础。

AlphaFold团队的重组，代表的是一种截然不同的模式——主动收割。

Google DeepMind不是因为财务困难而重组这支团队。Alphabet是全球市值最高的公司之一（2026年市值超过2.5万亿美元），其AI相关投入仍在持续扩大。DeepMind不是因为没有钱，而是因为这支团队的”任务已经完成”。

这种差异的本质，在于两种不同的研究哲学：

贝尔实验室模式：基础研究是一种持续的机构能力，需要长期积累，研究方向的价值往往在数十年后才能显现。维持这种能力本身就是目的，因为你无法预知下一个晶体管将从哪个方向涌现。

Big Tech模式：基础研究是一种目标导向的项目投入，当预设目标（解决蛋白质折叠问题）达成，项目即告完成，团队即可重新分配或解散。研究被纳入产品生命周期管理框架，遵循”启动-执行-收割-关闭”的项目逻辑。

这一区别具有深远影响。贝尔实验室模式下，研究人员有时间和空间去追随意外发现——晶体管的发明部分源于William Shockley团队对半导体表面效应的”无目的”探索。Big Tech模式下，研究被赋予明确的KPI和里程碑，意外发现的空间被压缩。当AlphaFold团队解决了蛋白质折叠问题，他们的”项目”就结束了——没有人问他们接下来想研究什么，因为在这个框架下，这个问题本身就不应该被问。

还有一个更微妙的差异值得关注。贝尔实验室的衰落是一个缓慢的过程，持续了近25年（1984-2008），研究人员有时间适应，机构知识有机会传承。AlphaFold团队的重组相对突然——从2025年3月《纽约时报》首次报道到核心成员陆续离职，整个过程在一年多内完成。这种速度本身，也反映了Big Tech对待基础研究的态度：研究是内部资产，不是公共事业，其命运由公司战略决定，不需要向外界解释。

第五章：”成功即淘汰”的系统性逻辑

让我们更系统地拆解这一模式的内在逻辑，因为AlphaFold团队的案例绝非孤例，而是一种正在成型的结构性范式。

第一重逻辑：基础研究的”项目化”

在传统学术机构，基础研究是一种开放式探索，没有明确的终止条件。一位终身教职教授可以花整个职业生涯探索一个方向。在Big Tech，一切研究都需要在内部立项，配置资源，并最终产出可衡量的成果。这种机制在早期能够有效集中资源攻克特定难题——AlphaFold的成功本身就是明证。但它同时意味着，一旦”项目目标”达成，继续维持团队的合理性就需要重新论证。在资源竞争激烈的大型科技公司内部，这种重新论证往往是失败的——因为总有更紧迫的”下一个项目”在等待资源。

这不是DeepMind独有的现象。Meta在2023年解散了其蛋白质研究团队（ESM团队），尽管ESMFold论文（Lin et al., 2023, Science）同样具有重大科学影响力。微软研究院在2023年经历了大规模裁员，多个基础研究方向被砍。这是一个行业性的趋势。

第二重逻辑：商业化剥离的资本效率

Isomorphic Labs的成立和融资，展示了一种极其高效的商业化路径：在母公司内部完成高风险的基础研究（由Alphabet的资本承担研发风险），一旦技术成熟，将其剥离为独立公司，引入外部资本和战略合作伙伴（礼来、诺华），让外部投资者承担商业化风险，同时Alphabet保留控股权和股权上行空间。

这是一种对Alphabet股东极为友好的模式：研发成本由母公司承担（DeepMind年运营成本据估计超过15亿美元），商业化风险由外部资本分担，收益由双方共享。但这种模式的代价，是原始研究团队在完成技术转移后失去了存在的财务理由。

第三重逻辑：通用AI的虹吸效应

2025-2026年，整个AI行业的资源和注意力都在向大语言模型和通用AI系统集中。Gemini 2.0、Claude 3.5/4、GPT-5的竞争，消耗了所有顶级AI实验室的绝大部分算力、工程资源和顶级人才。根据Epoch AI的研究，训练前沿大语言模型的计算成本每年增长约4倍，2025年前沿模型的训练成本已达到数亿美元级别。在这个背景下，维持一支专注于蛋白质结构预测的专属团队，从机会成本的角度看是奢侈的。

DeepMind的重组方向——将科学研究整合进通用AI产品线——反映的正是这种通用AI虹吸逻辑。AlphaFold团队的重组，可以被理解为DeepMind将其最优秀的AI科学家从”垂直科学应用”重新配置到”通用AI能力建设”的过程。那些不愿被重新配置的人，选择了离开。

第四重逻辑：声誉资产的一次性提取

诺贝尔奖是一种极其稀缺的声誉资产。Alphabet通过AlphaFold获得了这一资产，并已将其充分转化为品牌价值、人才招募优势和政策影响力。Hassabis在获奖后频繁出席各国政府的AI政策咨询会议，DeepMind的品牌认知度因诺贝尔奖而大幅提升。从这个角度看，诺贝尔奖既是AlphaFold团队的最高荣誉，也是其使命完成的最终标志。荣誉已经到位，声誉已经提取，团队的继续存在对这一声誉资产没有增量贡献。

这四重逻辑叠加，构成了”成功即淘汰”范式的完整逻辑链。值得注意的是，每一重逻辑单独看都是理性的，甚至是合理的。但它们叠加的结果，是一种对基础科学研究的系统性工具化——研究被视为达成特定商业目标的手段，而非值得长期维护的机构能力。

第六章：对立视角的检验

任何严肃的分析都需要正视反驳意见。以下是三种主要的对立观点，以及本文对其的评估。

反驳观点一：DeepMind并没有放弃基础研究，只是调整了方向

这一观点认为，AlphaFold团队的重组不代表DeepMind放弃基础研究，而是将研究资源从一个已完成的项目重新配置到新的前沿。DeepMind仍然在进行大量基础研究，包括数学推理（AlphaProof，2024年在国际数学奥林匹克竞赛中达到银牌水平）、天气预测（GraphCast，2023年发表于Science）、材料科学（GNoME，2023年发现220万种新材料结构）等领域。

本文评估：这一观点部分成立。DeepMind确实仍在进行多元化的科学研究，不能简单地将AlphaFold团队重组等同于DeepMind放弃基础研究。但这一反驳有一个关键漏洞：它混淆了”进行基础研究”和”维持基础研究能力”这两件事。如果每个项目在达成目标后都面临团队解散的命运，那么这种研究模式的本质仍然是项目制的，而非机构性的。问题不在于DeepMind是否在做基础研究，而在于它是否建立了一种能够长期积累知识、培育意外发现的研究文化。AlphaProof和GraphCast的团队，未来是否也会面临同样的命运？这是一个开放的问题。

反驳观点二：研究人员离职是正常的人才流动，不代表系统性问题

这一观点认为，顶级研究人员在完成重大项目后寻求新挑战是正常现象。硅谷的人才流动率本身就很高，Google的年均员工流动率约为10-15%。将个人职业选择过度解读为公司的结构性问题，是一种归因谬误。

本文评估：这一观点在表面上成立，但忽略了一个关键事实：这不是个别研究人员的离职，而是团队级别的集体重组。如果只是一两个人离职，可以归因于个人选择。但当一支完整的核心研究团队在获得诺贝尔奖后不到两年内经历根本性重组，多名核心成员集体离开，这就超越了个人选择的范畴，成为了机构决策的结果。此外，人才流向竞争对手而非留在DeepMind转向其他项目，本身就是一个信号——如果DeepMind的研究环境足够吸引人，这些研究人员完全可以在内部找到新的研究方向。

反驳观点三：Isomorphic Labs将延续AlphaFold的研究使命

这一观点认为，AlphaFold的研究并没有终止，只是从DeepMind转移到了Isomorphic Labs。后者拥有充足的资金和明确的使命，将继续推进蛋白质结构预测和药物发现的前沿研究。

本文评估：这一观点有一定道理，但存在根本性的逻辑缺陷。Isomorphic Labs是一家有投资人和商业目标的公司，其研究方向必然受到商业化压力的约束。投资人期待的是药物发现管线的推进——具体的靶点、具体的候选分子、具体的临床时间表——而不是下一个蛋白质折叠级别的开放式科学突破。Isomorphic Labs可以做应用研究和开发，但它不太可能做那种”不知道何时、不知道以何种方式会产生价值”的纯粹基础研究。这两者之间的区别，正是Donald Stokes在《Pasteur’s Quadrant》（1997）中所阐明的基础研究与应用研究的本质差异。

本文的综合立场：AlphaFold团队的重组是一个系统性事件，而非偶然事件。它揭示了Big Tech基础研究模式的内在局限——这种模式在攻克特定难题时极为有效，但在维持长期、开放式科学探索方面存在根本性缺陷。这不是DeepMind的道德问题，而是Big Tech商业逻辑与基础科学研究逻辑之间不可调和的结构性张力。

第七章：大多数人没有看到的那一层

表面上，这是一个关于人才流失和企业战略调整的故事。更深一层，这是关于Big Tech如何将基础科学纳入商业逻辑的故事。但还有第三层，是大多数报道所忽略的。

AlphaFold团队的重组，标志着AI科学研究的”英雄时代”可能正在结束。

AlphaFold的成功，在很大程度上依赖于一种特殊的研究文化：一支规模约15-20人的核心团队，高度专注、拥有清晰科学使命感，在相对宽松的资源环境下，用将近六年的时间（2016-2022）攻克一个明确定义的科学难题。这种模式——我们可以称之为”精英小队模式”——是DeepMind早期研究文化的核心，也是AlphaGo（围棋）、AlphaFold（蛋白质）等标志性成果的共同组织基因。

但随着DeepMind规模的扩大（从2014年的约50人到2026年的超过3000人）、与Google Brain的合并（2023年4月）、以及通用AI竞赛的白热化，这种精英小队模式正在被大规模工程化组织模式所取代。Gemini的开发需要的是数百名工程师的协同作战，而不是十几个科学家的深度思考。组织文化的改变，比任何显性的政策调整都更难逆转。

更深层的问题是：谁来做下一个AlphaFold级别的基础研究？

学术界资源有限。根据美国国家科学基金会（NSF）的数据，2024年美国联邦政府对AI基础研究的资助总额约为20亿美元——这大约相当于训练两个前沿大语言模型的成本。学术界无法负担训练大规模深度学习模型所需的算力。

传统制药公司和生物技术公司有商业压力，难以维持纯粹的基础研究。即便是研发投入最高的制药公司（如罗氏，2024年研发支出约160亿美元），其研究也高度聚焦于有明确商业前景的治疗领域。

政府资助的研究机构反应速度慢，难以在AI这样快速演进的领域保持前沿。欧盟Horizon Europe计划虽然在AI与生命科学交叉领域有专项资助，但从申请到拨款的周期通常超过18个月。

Big Tech曾经是这个空白的填补者。DeepMind的存在，使得一种独特的混合模式成为可能：拥有科技公司的计算资源和工程能力，同时维持学术机构的科学文化和长期视野。AlphaFold正是这种混合模式的最高成就。

但如果Big Tech现在转向”成功即淘汰”模式，这个空白将再次出现。而且这一次，没有明显的替代者。

有一种观点认为，开源社区将成为基础科学AI研究的新家园。AlphaFold2的开源确实催生了大量后续研究——Meta的ESMFold（Lin et al., 2023）、华盛顿大学David Baker团队的RoseTTAFold（Baek et al., 2021）都在AlphaFold的基础上进行了重要扩展。但开源社区依赖的仍然是原始突破——它可以扩展和应用AlphaFold，但很难独立产生下一个AlphaFold。原始突破需要的集中资源投入和长期专注，是分散的开源社区难以提供的。

这里隐藏着一个更深层的悖论：AlphaFold的开源，在某种意义上加速了其团队的解散。一旦技术开源，其学术影响力就不再依赖于原始团队的持续存在——全球数千个实验室都在使用和扩展AlphaFold，原始团队的边际贡献被稀释了。开源是科学的胜利，但也是原始创新者的自我消解。

结语：基础研究的未来栖息地

2026年7月，当Google DeepMind发布《Five Years of Impact》时，文章的最后一段写道：AlphaFold的故事还没有结束。这是一句真诚的话，也是一句有意无意的双关语。

AlphaFold作为一个技术资产，确实还没有结束——它活在Isomorphic Labs的药物发现管线里，活在全球研究人员的数据库查询里，活在无数后续研究者的论文引用里，活在AlphaFold3对蛋白质-配体相互作用的扩展预测中。

但AlphaFold作为一种研究文化的象征，可能已经结束了。那种相信可以用AI解决最深刻的科学问题、并为此维持一支长期专属团队的信念，在诺贝尔奖颁发后不到两年，就被Alphabet的商业逻辑所收割。

这里有一个值得所有人思考的”so what”：

对于科学家而言，在Big Tech工作的隐性条款已经改变。你可以获得无与伦比的资源——数千块TPU、PB级数据、顶级同事——但你的研究使命是有期限的。当你成功了，你的团队可能就重组了。这不是背叛，这是合同的一部分——只是没有写在纸上。年轻的AI科学家在选择职业路径时，需要将这一因素纳入考量。

对于政策制定者而言，AlphaFold案例揭示了一个公共政策缺口：当Big Tech转向项目制基础研究模式，谁来资助那些不知道何时、不知道以何种方式会产生价值的长周期基础研究？美国的ARPA模式（DARPA、ARPA-H）提供了一种可能的替代方案——政府资助的高风险、高回报研究项目。但ARPA模式本身也是项目制的，缺乏贝尔实验室那种开放式探索的空间。英国的新国家AI研究资源（NAIRR）计划和欧盟的EuroHPC联合体是另一些尝试，但规模和速度是否足够，仍有待观察。

对于投资者而言，Isomorphic Labs的融资是一个信号，但也是一个警示。当一项基础研究技术被商业化剥离时，其原始创新动能往往也随之衰减。Isomorphic Labs能否在原始团队核心成员离开后维持其技术竞争力，是一个需要持续关注的风险因素。药物发现是一个10年以上的长周期赛道，技术护城河的可持续性至关重要。

对于整个AI行业而言，最深刻的教训也许是这个：我们正在建立一种能够解决50年难题的研究能力，同时也在建立一种在解决这些难题之后就将其遗忘的制度文化。下一个AlphaFold级别的突破——也许是意识的计算理论，也许是通用蛋白质设计，也许是生态系统级别的生物学模拟——需要的不仅仅是更好的算法和更多的算力，还需要一种能够容纳长期、开放式科学探索的制度土壤。

而这种土壤，目前在Big Tech的商业逻辑下，正在变得越来越稀缺。

贝尔实验室的消亡，让我们失去了一个时代的基础研究引擎。AlphaFold团队的重组，让我们看到了一种新的风险：不是因为失败而失去，而是因为成功而失去。前者是悲剧，后者是讽刺。而讽刺，往往比悲剧更难修复——因为没有人觉得有什么需要修复。

毕竟，所有人都在庆祝成功。

参考资料

  1. Highly accurate protein structure prediction with AlphaFold — Nature, 2021年

  2. Accurate structure prediction of biomolecular interactions with AlphaFold 3 — Nature, 2024年

  3. The Nobel Prize in Chemistry 2024: Press Release — The Royal Swedish Academy of Sciences, 2024年

  4. DeepMind’s AlphaFold Team Is Being Broken Up After Nobel Prize Win — The New York Times, 2025年

  5. Evolutionary-scale prediction of atomic-level protein structure with a language model — Science, 2023年

  6. Accurate prediction of protein structures and interactions using a three-track neural network — Science, 2021年

  7. Gertner, J. (2012). The Idea Factory: Bell Labs and the Great Age of American Innovation. Penguin Press. — 来源: Penguin Press, 2012年

  8. Stokes, D. E. (1997). Pasteur’s Quadrant: Basic Science and Technological Innovation. — 来源: Brookings Institution Press, 1997

  9. Isomorphic Labs announces partnerships with Eli Lilly and Novartis — Isomorphic Labs, 2023年

  10. Google DeepMind. (2026). Five Years of Impact: AlphaFold and the Future of Biological AI. — 来源: Google DeepMind Blog, 2026年

本文写作截止日期：2026年7月。文中关于AlphaFold团队重组的核心事实基于《纽约时报》2025年3月报道及后续媒体追踪，部分细节（特别是具体人员去向）在缺乏官方确认的情况下以”广泛报道但未经官方确认”的方式呈现。如有事实性错误，欢迎读者指正。

作者声明：本文不代表任何机构立场，所有分析均为作者独立判断。