2026年7月的最后一周，Google DeepMind在同一时间窗口内完成了两个看似矛盾的动作：解散了为其赢得2024年诺贝尔化学奖的AlphaFold专属团队，同时发布了面向全身人形机器人控制的Gemini Robotics 2。一边是AI在科学发现领域最辉煌的勋章被收进柜子，另一边是通向物理世界的新大门被猛然推开。

这不是一次简单的组织调整。当你把这两个信号放在Alphabet 2026年Q2财报的背景下审视——总营收达到约940亿美元（同比增长约15%），但资本支出攀升至约180亿美元（同比增长超过50%），自由现金流同比收窄——一个清晰的战略叙事浮现出来：Google DeepMind正在经历其成立以来最根本性的范式转换，从”用AI解决特定科学问题”转向”用AI控制物理世界”。这一转向的深层逻辑、技术路径和商业赌注，值得逐层拆解。

第一章：同一周的两个信号

解散与发布的时间共振

2026年7月下旬，多家科技媒体几乎同时报道了两条看似无关的新闻。第一条：Google DeepMind解散了其AlphaFold专属团队，多名关键研究人员已离职加入Anthropic（来源：The Decoder, 2026-07-27）。第二条：Google DeepMind正式发布Gemini Robotics 2，一个能够实现全身人形机器人控制的AI系统（来源：Wired, 2026-07-27）。

时间上的重合并非巧合。在大型科技公司中，重大产品发布和组织重组通常经过数月甚至数个季度的规划。两个事件同时浮出水面，说明它们是同一战略决策的两个面向——一个面向代表着”过去”的收束，另一个面向代表着”未来”的展开。

更值得注意的是背景时间线。Alphabet在2026年7月22日发布了Q2财报，S&P Global Market Intelligence随后的分析指出，AI增长正在加速（Google Cloud收入同比增长超过30%，AI驱动的搜索广告收入持续攀升），但资本支出对现金流形成了显著压力——单季度CapEx约180亿美元，主要用于数据中心扩建和AI芯片采购（来源：S&P Global Market Intelligence, 2026-07；CNBC, 2026-07-22）。这意味着DeepMind的战略转向并非在真空中发生——它发生在Alphabet需要证明其庞大AI投资能够产生商业回报的关键时刻。

一个被低估的信号：不是缩减，是重构

表面上看，解散AlphaFold团队可以被解读为”削减成本”或”研究方向收窄”。但仔细分析报道细节会发现，这种解读过于简单。根据Xenospectrum的报道，DeepMind并非放弃科学AI，而是在”重塑其构建科学AI的方式”（来源：Xenospectrum, 2026-07）。这意味着AlphaFold的能力不是被抛弃，而是被吸收进更大的系统——基于多方报道的推断，这个更大的系统很可能是Gemini基础模型本身。

与此同时，Gemini Robotics 2的发布并非一个孤立的产品公告，而是Google将其最强大的AI模型（Gemini系列）从纯数字领域推向物理世界的第一个完整实现。从语言理解到视觉感知，再到全身运动控制，这是一个从”思考”到”行动”的跨越。

两个事件叠加在一起，勾勒出的图景是：DeepMind正在从”多个专用AI团队各自攻克特定科学问题”的模式，转向”一个通用基础模型同时覆盖科学理解和物理行动”的新架构。这是一个关于AI研究组织形态的根本性变革。

第二章：AlphaFold的荣光与局限

从诺贝尔奖到团队解散：18个月的弧线

2024年10月，AlphaFold的核心贡献者Demis Hassabis和John Jumper获得诺贝尔化学奖，这是AI系统首次直接促成诺贝尔级别的科学发现。AlphaFold解决了蛋白质折叠问题——一个困扰结构生物学界超过50年的挑战。截至2024年底，AlphaFold数据库已包含超过2亿个蛋白质结构预测，被全球超过200万研究人员使用。这一成就让DeepMind成为全球AI研究的标杆，也让Google在”AI for Science”叙事中占据了无可争议的制高点。

然而，从诺贝尔奖到团队解散，仅仅过去了不到2年。这个时间跨度本身就说明了问题：在AI领域，即使是诺贝尔奖级别的成就，其”战略保鲜期”也在急剧缩短。

专用科学AI团队模式的结构性困境

AlphaFold团队的解散揭示了一个更深层的组织问题：专用科学AI团队在大型科技公司中面临着固有的张力。

第一重张力：科学目标与商业回报的错配。 AlphaFold的科学价值毋庸置疑——它加速了药物发现、材料科学和基础生物学研究。但这些价值的商业变现路径漫长且不确定。蛋白质结构预测本身不是一个可以直接收费的产品（AlphaFold数据库是免费开放的），它的商业价值需要通过下游应用（如药物设计）间接实现，而这些应用的开发周期以年计。Alphabet旗下的Isomorphic Labs虽然在尝试将AlphaFold商业化用于药物发现，但截至2026年中尚未产生显著收入（据公开报道推断，Isomorphic Labs仍处于临床前研究阶段，尚未披露具体营收数据）。

第二重张力：专用模型与通用模型的技术路线之争。 AlphaFold是一个高度专用的系统——它在蛋白质折叠预测上表现卓越，但其架构和训练方法并不能直接迁移到其他科学问题。每攻克一个新的科学领域，都需要从头构建新的专用系统（如AlphaFold之后的AlphaGeometry、AlphaProof等）。这种模式的边际成本很高。相比之下，如果能将科学推理能力整合进通用大模型（如Gemini），理论上可以用一个系统覆盖多个科学领域，边际成本大幅降低。

第三重张力：人才留存与组织引力。 根据多家媒体报道，AlphaFold团队的关键研究人员已离职加入Anthropic（来源：MLQ.ai, 2026-07；The Decoder, 2026-07-27）。这一人才流动方向值得深思。Anthropic以其对AI安全和基础模型研究的投入著称——据多家科技媒体报道，该公司在2025-2026年间完成了多轮融资，估值据报道超过600亿美元（来源：综合TechCrunch、The Information等多家媒体报道，具体轮次和估值数字因信息披露有限存在不确定性）——这些研究人员选择Anthropic而非留在DeepMind，可能意味着他们认为基础模型研究（而非专用科学AI）才是下一个十年的核心战场。

“整合而非放弃”：新路线的逻辑

AIHub在2026年7月27日发表的一篇关于”实验引导的AlphaFold”的文章（来源：AIHub, 2026-07-27）提供了一个重要线索：AlphaFold的方法论并未消失，而是正在被整合进更广泛的AI-科学交叉框架中。这与Xenospectrum的报道相呼应——DeepMind不是在放弃科学AI，而是在改变构建科学AI的方式。

具体而言，新路线可能是：将AlphaFold积累的科学推理能力（对物理约束的理解、对3D结构的预测能力、对分子相互作用的建模）整合进Gemini基础模型，使其成为一个既能理解语言、又能理解物理世界的通用系统。需要明确指出的是，这一判断目前属于基于公开信息的合理推测，尚未获得Google官方确认。 但支撑这一推测的间接证据包括：Xenospectrum报道中”重塑构建科学AI方式”的措辞、AIHub文章中AlphaFold方法论向更广泛框架迁移的描述，以及DeepMind近年来持续将各专用系统能力整合进Gemini的公开策略。

这个通用系统既可以回答蛋白质折叠问题，也可以控制机器人在物理世界中行动——因为两者的底层能力是相通的：对3D空间的理解、对物理约束的推理、对复杂动态系统的预测。

这就是为什么AlphaFold团队的解散和Gemini Robotics 2的发布是同一个故事的两面。

第三章：Gemini Robotics 2的野心

从语言模型到全身控制：技术路线的跨越

Gemini Robotics 2的核心突破在于实现了”全身人形机器人控制”（来源：MLQ.ai, 2026-07；Wired, 2026-07-27）。这不是简单的机械臂抓取或轮式机器人导航——它是对一个具有数十个自由度的人形机器人进行全身协调控制，包括行走、平衡、操作物体、适应非结构化环境等复杂任务。

要理解这一技术路线的激进程度，需要回顾机器人控制领域的历史范式：

传统范式（1970s-2010s）： 基于模型的控制。工程师为每个关节编写精确的动力学方程，机器人在严格定义的环境中执行预编程的动作序列。这种方法在工厂产线上效果良好，但无法应对开放世界的不确定性。

深度学习范式（2015-2023）： 基于强化学习的端到端控制。机器人通过在模拟环境中进行数百万次试错来学习策略，然后将学到的策略迁移到真实世界（sim-to-real）。这种方法显著提升了机器人的适应性，但训练成本极高，且每个新任务通常需要重新训练。

基础模型范式（2024-）： 这是Gemini Robotics 2所代表的新路线。核心思想是：利用大规模语言/视觉模型对世界的”常识理解”来引导机器人行为。模型不需要为每个任务从零学习，因为它已经通过海量数据（文本、图像、视频）学会了”物理世界是如何运作的”——物体会掉落、门需要推或拉、杯子里的水会洒出来。

根据Wired和MLQ.ai的报道，Gemini Robotics 2将Google最强大的多模态基础模型Gemini直接用于机器人控制，这意味着机器人可以利用模型对世界的广泛理解来执行从未见过的任务，而无需针对每个任务进行专门训练。关于其具体技术架构（如是否采用端到端的视觉-语言-动作模型，还是分层的规划-执行架构），目前公开信息有限，Google DeepMind尚未发布详细的技术论文。 但从已知信息推断，这是一个从”专用智能”到”通用智能”的跨越，与AlphaFold从专用模型向通用模型整合的逻辑完全一致。

为什么是人形机器人？

Google选择人形机器人作为Gemini Robotics 2的目标平台，而非工业机械臂或四足机器人，这本身就是一个重要的战略信号。

人形机器人是最难控制的形态——它不稳定（双足行走本质上是”受控跌倒”）、自由度多（通常30-40个关节）、需要全身协调。但它也是最具商业潜力的形态，因为人类世界的一切基础设施——门把手的高度、楼梯的尺寸、工具的握把——都是为人体形态设计的。一个能在人类环境中自如行动的人形机器人，其潜在应用场景几乎是无限的。Goldman Sachs在2024年发布的研究报告中预测，人形机器人市场到2035年可能达到380亿美元规模，乐观情景下可达1540亿美元（来源：Goldman Sachs Research, “Humanoid Robots: Sizing the Opportunity”, 2024；需注意该预测基于特定假设条件，实际市场发展存在较大不确定性）。

更深一层，全身人形机器人控制是AI”理解物理世界”能力的终极测试。如果一个AI系统能够控制人形机器人在非结构化环境中完成复杂任务，那么它对物理世界的理解就已经达到了一个足以支撑大量商业应用的水平——从制造业到物流，从家庭服务到医疗护理。

Google的差异化优势

在具身智能赛道上，Google/DeepMind相对于竞争对手有几个独特优势：

数据优势： Google拥有YouTube平台，其上托管着数十亿小时的视频内容，其中大量涉及人类与物理世界的交互（烹饪、维修、运动、制造等）。需要指出的是，Google是否将YouTube视频直接用于机器人模型训练，目前尚无官方确认，且这一做法涉及版权和隐私方面的法律争议。 但从技术可行性角度看，这些视频数据是训练机器人”理解人类如何与物理世界交互”的潜在最佳数据源之一，这一数据资产的规模是其他竞争对手难以匹敌的。Google在2023年发布的RT-2论文中已展示了利用互联网规模数据训练机器人策略的技术路线。

多模态模型优势： Gemini系列模型原生支持文本、图像、视频、音频等多种模态，这使其天然适合处理机器人所需的多模态感知输入（视觉、触觉、力反馈等）。

计算基础设施优势： Google拥有自研的TPU芯片（截至2026年已迭代至第六代Trillium）和全球最大规模的AI训练集群之一。机器人控制模型的训练需要大量模拟环境中的并行计算，这正是Google的强项。

研究积累优势： DeepMind在强化学习、模型预测控制、世界模型等领域有超过10年的深度积累。从AlphaGo到AlphaFold，再到现在的Gemini Robotics，每一代系统都在构建对”规划”和”预测”的更深理解。此外，Google此前的RT-1（2022）、RT-2（2023）和早期Gemini Robotics（2025）已经为基础模型驱动机器人控制积累了系统性经验。

第四章：更大的棋局

Q2 2026财报：增长与压力的双螺旋

要理解DeepMind战略转向的商业逻辑，必须将其放在Alphabet的财务现实中审视。

根据CNBC对Google 2026年Q2财报的报道（来源：CNBC, 2026-07-22），以及S&P Global Market Intelligence的后续分析（来源：S&P Global, 2026-07），Alphabet呈现出一个典型的”高增长-高投入”态势：总营收约940亿美元，同比增长约15%；Google Cloud收入同比增长超过30%，AI驱动的搜索广告收入持续攀升。但与此同时，单季度资本支出约180亿美元，同比增长超过50%，主要投向AI基础设施建设。这导致自由现金流同比出现收窄，尽管绝对值仍然为正。（注：上述财务数据基于CNBC和S&P Global的报道摘要，具体精确数字请参阅Alphabet官方10-Q文件。）

这种”双螺旋”态势对DeepMind的研究优先级产生了直接影响。简单来说：Alphabet需要DeepMind的研究更快地转化为可商业化的产品和服务。AlphaFold虽然在科学声誉上价值连城，但其商业变现路径过于间接和漫长。相比之下，具身智能/机器人控制有着更清晰的商业化前景——尽管这些前景目前仍处于早期验证阶段：

  • 短期（1-3年）： 机器人控制API可以作为Google Cloud的高价值服务出售给制造业和物流企业。参考Google Cloud现有AI服务的定价模式，这类API的毛利率预计可达60-70%（基于Google Cloud AI服务的公开定价结构推算，实际数字取决于具体产品形态）。
  • 中期（3-5年）： 与人形机器人硬件厂商（如Agility Robotics、Figure AI、Apptronik等）合作，提供”Gemini Inside”的软件平台，按设备收取许可费。
  • 长期（5-10年）： 构建类似Android在手机领域地位的机器人操作系统生态，通过平台分成和数据服务获取持续收入。

需要指出的是，上述商业化路径目前均为行业分析师和本文作者基于公开信息的推测，Google尚未公开披露Gemini Robotics的具体商业化时间表或收入预期。

从”AI for Science”到”AI for Physical World”：商业逻辑的根本转变

AlphaFold代表的是”AI for Science”路线——用AI加速科学发现，然后通过科学发现间接创造商业价值。这条路线的问题是：科学发现到商业价值之间的转化链条太长，不确定性太高，且Google在这条链条的下游（药物开发、材料制造等）并不具备核心竞争力。

Gemini Robotics 2代表的是”AI for Physical World”路线——用AI直接控制物理世界中的执行器（机器人），创造即时的经济价值。这条路线的优势是：价值创造更直接，商业模式更清晰（软件许可、API调用、平台分成），且Google在这条链条的上游（AI模型、云基础设施、数据）具有强大的竞争力。

从Alphabet的角度看，这个战略转向是完全理性的：在AI支出对现金流形成压力的情况下，将研究资源从商业化路径漫长的方向（科学AI）转向商业化路径更短的方向（具身智能），是一个合乎逻辑的选择。

DeepMind内部的权力动态

AlphaFold团队的解散还揭示了DeepMind内部一个更微妙的动态：在与Google的整合过程中，”纯研究”导向的团队正在让位于”研究-产品”一体化的团队。

回顾历史，DeepMind最初是作为一个独立的AI研究实验室被Google以约5亿美元收购的（2014年），其文化更接近学术界——追求基础性突破，发表论文，不太关心商业应用。AlphaFold团队正是这种文化的典型代表。但随着2023年Google Brain和DeepMind的合并，以及Gemini项目成为DeepMind的核心产品，组织文化正在向”研究即产品”的方向转变。

在这种新文化下，一个只产出论文和开放数据库但不直接贡献产品收入的团队，无论其科学成就多么辉煌，都面临着越来越大的合理性压力。AlphaFold团队的解散不是对其成就的否定，而是组织逻辑演变的必然结果。

关键研究人员选择加入Anthropic而非留在DeepMind，进一步印证了这一判断。Anthropic虽然也是一家商业公司，但其研究文化更接近DeepMind早期的”基础研究优先”模式——Anthropic CEO Dario Amodei多次公开表示，公司的首要目标是理解和对齐AI系统，而非最大化短期收入。对于那些更看重研究自由度而非产品交付的科学家来说，Anthropic是一个更自然的归宿。

竞争格局中的定位

Google的这一战略转向需要放在更广泛的竞争格局中理解：

OpenAI 正在从语言模型向多模态和代理（Agent）方向扩展。值得注意的是，OpenAI在2024年曾投资挪威人形机器人公司1X Technologies，并在2025年展示了其模型在机器人规划任务中的应用能力。截至2026年7月，OpenAI尚未发布与Gemini Robotics 2直接对标的全身人形机器人控制产品，但其在具身智能方向上的布局不应被低估。

Anthropic 专注于安全的通用AI，且正在吸收来自DeepMind的科学AI人才，可能在”AI for Science”方向上形成新的竞争力。Claude模型在科学推理基准测试上的表现持续提升。

Meta 通过开源策略（LLaMA系列）在语言模型领域建立了广泛影响力，但在具身智能方向上投入相对有限，其FAIR实验室的机器人研究主要集中在触觉感知和操作学习领域。

Tesla 通过Optimus人形机器人项目直接进入了具身智能赛道。Elon Musk在2026年初表示Optimus已在Tesla工厂内执行简单任务，计划2027年开始有限外部销售。Tesla的路线是”硬件+AI一体化”，与Google的”纯软件平台”路线形成对比。需要注意的是，Musk关于Optimus时间表的公开声明历史上多次被推迟，实际进展可能与公开表态存在差距。

英伟达 通过Isaac平台、Omniverse仿真环境和Project GR00T基础模型，正在构建机器人AI的基础设施层，定位为”卖铲子的人”。

在这个格局中，Google/DeepMind选择了一个独特的定位：不做硬件，不做垂直应用，而是提供一个能够控制各种人形机器人的通用AI”大脑”。这个定位的商业模式类似于Android——Google不制造手机，但通过操作系统控制了移动互联网的入口。如果Gemini Robotics系列能够成为人形机器人的”Android”，其商业价值将远超任何单一的科学AI应用。当然，这一类比存在局限性：Android的成功依赖于智能手机硬件的快速标准化和消费者市场的爆发，而人形机器人市场是否会遵循类似的发展路径目前尚不确定。

第五章：大多数人没看到的

洞察一：AlphaFold的能力并未消失，它被”溶解”进了Gemini

大多数媒体将AlphaFold团队的解散解读为”Google放弃了科学AI”。这是一个表面化的解读。更准确的理解是：AlphaFold代表的核心能力——对3D结构的预测、对物理约束的推理、对复杂分子系统的建模——正在被整合进Gemini基础模型。

这种”溶解”策略的逻辑是：如果Gemini能够理解蛋白质如何折叠（本质上是在高维能量景观中搜索最低能量构型），那么它也能理解机器人的关节如何运动（在关节空间中搜索满足任务约束的最优轨迹）、物体在被推动时如何移动（刚体动力学预测）、液体在被倾倒时如何流动（流体力学近似）。蛋白质折叠和机器人控制在数学层面有着深刻的共性——都是在高维空间中搜索满足物理约束的最优解。

换言之，AlphaFold不是被”杀死”了，而是被”升华”了——从一个解决特定问题的专用工具，变成了一个通用物理世界理解引擎的一部分。再次强调，这是基于公开信息的推测性分析，属于本文作者的解读框架而非已证实的事实。验证这一假设的关键证据将是：未来Gemini模型是否在蛋白质结构预测等科学任务上展示出接近或超过AlphaFold 3的性能。如果Google在未来12-18个月内未展示此类能力，则这一推测的可信度将显著降低。

洞察二：人才流向Anthropic可能是一个”双赢”的结果

关键研究人员离开DeepMind加入Anthropic，表面上看是DeepMind的人才损失。但从更宏观的视角看，这可能是一个对整个AI生态有利的结果。

这些研究人员在DeepMind积累了深厚的科学AI经验，到了Anthropic后，他们可能会将这些经验应用于Anthropic的基础模型研究，推动整个行业在”AI理解物理世界”方向上的进步。如果Anthropic的Claude模型因此在科学推理能力上取得突破，Google作为AI基础设施提供商（Cloud、TPU等）同样会从中受益——Anthropic是Google Cloud的重要客户，双方在2023年签署了价值数十亿美元的云计算合作协议（来源：综合多家科技媒体报道，Google对Anthropic的投资和云计算合作总额据报道达到约20亿美元，具体合同条款未公开披露）。

更重要的是，这种人才流动反映了AI研究领域一个正在形成的新分工：Google/DeepMind专注于”AI控制物理世界”（具身智能），Anthropic专注于”AI理解抽象世界”（科学推理和安全），OpenAI专注于”AI服务数字世界”（代理和工具使用）。这种分工可能比所有公司都做同样的事情更有效率。当然，这种”分工”描述是对复杂竞争格局的简化概括——实际上每家公司都在多个方向上同时布局，上述分类反映的是相对重心而非绝对边界。

洞察三：真正的赌注不是机器人，而是”物理世界的操作系统”

Gemini Robotics 2的发布被大多数媒体解读为”Google进军机器人领域”。但这个解读格局太小了。

Google真正在构建的，是一个”物理世界的操作系统”——一个能够理解、预测和控制物理世界中任何事物的通用AI平台。机器人只是这个平台的第一个”应用”。未来，同样的平台可能被用于：

  • 自动驾驶： 理解道路场景、预测其他车辆行为、规划行驶路径（Waymo已经是Alphabet旗下公司）
  • 工业自动化： 理解生产流程、优化设备运行、预测故障
  • 建筑和施工： 理解建筑结构、规划施工序列、控制施工机械
  • 农业： 理解作物生长状态、规划灌溉和施肥、控制农业机器人
  • 医疗手术： 理解人体解剖结构、规划手术路径、控制手术机器人

如果这个愿景实现，Gemini不仅仅是一个聊天机器人或搜索引擎的AI后端——它将成为人类与物理世界之间的通用接口层。根据McKinsey Global Institute的研究（来源：McKinsey Global Institute, “The economic potential of generative AI”, 2023-06；以及McKinsey关于全球制造业的系列研究报告），全球制造业年产出约为16万亿美元，加上农业（据世界银行数据约3.5万亿美元）、建筑业（据Global Construction Perspectives估算约13万亿美元）和物流业（据Armstrong & Associates等行业研究约9万亿美元），物理世界经济的总规模超过40万亿美元——远大于全球数字经济的规模（据联合国贸发会议2024年数字经济报告估算约为15万亿美元）。即使AI仅渗透其中一小部分，其商业价值也是搜索广告市场的数倍。需要说明的是，上述行业规模数据来自不同来源和年份的估算，各机构的统计口径可能存在差异，此处引用旨在说明量级关系而非提供精确数字。

洞察四：这一转向暴露了AI研究的”诺贝尔困境”

AlphaFold团队的命运揭示了一个尖锐的悖论：在商业AI公司中，获得诺贝尔奖可能反而是一个团队走向终结的信号。

原因是：诺贝尔奖意味着问题已经被”解决”了。一旦蛋白质折叠问题被认为已经攻克，继续在这个方向上投入的边际回报就急剧下降。团队的使命完成了，但组织不会为一个已完成使命的团队无限期保留资源。

这创造了一个结构性的激励扭曲：在商业AI公司中，研究人员面临着”不要太快解决问题”的隐性压力——因为一旦问题解决，团队存在的理由就消失了。这与学术界的激励完全相反（在学术界，解决重大问题会带来终身教职和持续的研究资助）。

这个”诺贝尔困境”可能是理解为什么顶级科学AI研究人员选择离开DeepMind的一个关键因素。他们需要一个能让他们持续探索开放问题的环境，而不是一个在问题解决后就重新分配他们的环境。这一现象并非DeepMind独有——IBM在Watson赢得Jeopardy!后也经历了类似的团队重组和人才流失，贝尔实验室在AT&T商业化压力下的逐步萎缩同样是一个历史先例。当然，”诺贝尔困境”这一概括是本文提出的分析框架，现实中团队解散的原因通常是多因素的，包括技术路线整合、组织架构调整、个人职业选择等。

第六章：对立视角与判断

视角一（批评性）：这是短视的商业化压力在扭曲研究方向

一种观点认为，DeepMind的战略转向是Alphabet财务压力的产物，而非科学判断的结果。在这种解读下，解散AlphaFold团队是一个错误——它牺牲了长期的科学领导力，换取了短期的商业化叙事。蛋白质折叠只是AlphaFold团队能力的第一个应用，如果团队继续存在，它可能在药物设计、酶工程、材料科学等方向上产出同样重大的突破。

这种观点的论据包括：

  • 科学突破的商业价值往往需要10-20年才能完全实现（如CRISPR从2012年发现到2020年代商业化）
  • Google的核心竞争力之一就是能够负担长期基础研究（这是它区别于创业公司的关键优势）——Alphabet 2025年全年研发支出超过450亿美元（据Alphabet 2025年年报，具体数字请参阅官方10-K文件）
  • 人才一旦流失就很难挽回——这些研究人员在Anthropic的工作可能最终对Google构成竞争威胁
  • 具身智能领域的商业化时间表可能比预期更长——Boston Dynamics成立于1992年，至今仍未实现大规模盈利；即使是Waymo，在自动驾驶领域投入超过10年后仍处于有限商业化阶段

视角二（支持性）：这是AI研究范式演进的必然

另一种观点认为，专用科学AI团队模式本身就是一个过渡阶段。随着基础模型能力的增强，专用模型的存在理由正在消失。就像早期的计算机需要为每个应用编写专用程序，但操作系统和通用编程语言的出现使得专用硬件变得不必要一样，通用AI模型的出现正在使专用科学AI团队变得冗余。

这种观点的论据包括：

  • Gemini等通用模型在科学推理任务上的表现正在快速接近专用模型——Google在2025年展示的Gemini在数学和科学基准测试上已超越多数专用系统
  • 维护多个独立的专用AI系统的成本远高于维护一个强大的通用系统
  • 将科学能力整合进通用模型可以让更多人受益（通过API访问），而非仅限于专用团队的研究方向
  • 机器人控制市场的TAM（总可寻址市场）远大于科学AI咨询市场

我的判断

我认为真相介于两者之间，但更倾向于第二种视角。

DeepMind的转向在战略逻辑上是正确的：通用基础模型确实正在成为AI能力的主要载体，专用团队模式的效率正在下降。但执行层面存在风险：将AlphaFold的能力”溶解”进Gemini是一个技术上尚未完全验证的假设。如果Gemini无法有效继承AlphaFold的科学推理能力，那么这次转向就会变成一个两头落空的结果——既失去了专用科学AI的领先地位，又未能在具身智能领域建立决定性优势。

关键的验证节点将在未来12-18个月内出现：Gemini是否能在蛋白质结构预测等科学任务上达到或超过AlphaFold 3的水平（CASP16竞赛结果将是一个重要参考）？Gemini Robotics 2是否能在真实世界的机器人控制任务中展示出超越竞争对手（如Tesla Optimus、Figure AI、英伟达GR00T）的性能？如果两个答案都是肯定的，那么DeepMind的赌注就得到了验证。如果不是，那么这次转向可能会被未来的商业史学家评价为”过早放弃了一个本可以持续产出价值的研究方向”。

但我倾向于认为，即使执行中存在摩擦，方向本身是正确的。AI的下一个十年属于物理世界——这不仅仅是Google的判断，也是整个行业正在形成的共识。英伟达CEO黄仁勋在2025年GTC大会上将具身智能称为”AI的下一个前沿”；OpenAI、Microsoft、Amazon等公司都在加大对机器人和物理AI的投入。当然，行业共识并不等于正确——历史上不乏全行业集体误判方向的先例（如2010年代的VR热潮）。这一判断的最终验证需要时间。

结语：物理转向的行业意义

从折叠蛋白质到控制机器人，Google DeepMind的战略转向不是一个孤立事件，而是AI行业”物理转向”的一个标志性节点。

过去10年，AI的主战场在数字世界——语言、图像、代码、搜索。这些领域的商业价值已经被充分开发（搜索广告、内容生成、编程辅助等），增长空间虽然仍然巨大，但边际回报正在递减。

下一个10年，AI的主战场将转向物理世界——机器人、自动驾驶、工业自动化、能源系统、生物制造。这些领域的市场规模远大于数字世界。根据McKinsey Global Institute和联合国贸发会议的数据，全球制造业、农业、建筑和物流的年产出总和超过40万亿美元，约为全球数字经济规模（约15万亿美元）的2.5-3倍。但AI在这些物理世界行业中的渗透率极低（据McKinsey估算不足5%），增长空间几乎是无限的。

Google DeepMind在这个转折点上做出的选择——放弃科学AI的”单项冠军”地位，转而追求物理世界AI的”全能平台”地位——是一个高风险、高回报的赌注。如果成功，Gemini将不仅仅是一个语言模型或搜索引擎的后端，而是人类文明与物理世界之间的通用智能接口。如果失败，Google将面临既失去科学AI领先地位、又未能在具身智能领域建立优势的双重风险。

对于AI行业的从业者和观察者来说，这个转向的含义是清晰的：物理世界是AI的下一个前沿。 无论你是研究人员、工程师、投资者还是企业决策者，现在都需要认真思考一个问题：当AI从”理解世界”进化到”改变世界”时，你的位置在哪里？

AlphaFold团队的解散不是AI科学研究的终结，而是AI科学研究被”升维”的开始——从解决特定科学问题，到构建一个能够理解和控制整个物理世界的通用智能。这是一个更大的野心，也是一个更难的挑战。但如果有任何组织能够尝试这个挑战，拥有Alphabet资源支持的DeepMind可能是最有资格的候选者之一。

从诺贝尔奖到人形机器人，Google DeepMind用同一周内的两个决定，宣告了AI研究新时代的开始。

参考资料

  1. Google (GOOG) Q2 2026 earnings report — CNBC, 2026-07-22
  2. Alphabet postQ: AI growth accelerates as spending weighs on cash flow — S&P Global Market Intelligence, 2026-07
  3. Towards experiment-guided AlphaFold — AIHub, 2026-07-27
  4. AlphaFold’s Dedicated Team Reportedly Dissolved: How Google DeepMind Is Reshaping the Way It Builds Science AI — Xenospectrum, 2026-07
  5. Google DeepMind Disbands Nobel-Winning AlphaFold Team, Loses Key Researchers to Anthropic — MLQ.ai, 2026-07
  6. Deepmind dismantles its AlphaFold team as key authors leave for Anthropic — The Decoder, 2026-07-27
  7. Google DeepMind Launches Gemini Robotics 2 for Full-Body Humanoid Control — MLQ.ai, 2026-07
  8. Gemini Robotics 2 Brings Google’s AI Into the Physical World — Wired, 2026-07-27
  9. Humanoid Robot Market Report — Goldman Sachs Research, 2024
  10. RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control — Google DeepMind, 2023-07
  11. McKinsey Global Institute: The economic potential of generative AI — McKinsey & Company, 2023-06
  12. UNCTAD Digital Economy Report 2024 — United Nations Conference on Trade and Development, 2024

主题分类：技术突破/AI应用落地