刚看到 Financial Times 关于 Google DeepMind 调整 AlphaFold 团队架构的报道，心里确实咯噔了一下。

AlphaFold 太特殊了。

它是过去十年最具标志性的 AI for Science 成果之一。2024 年，Demis Hassabis、John Jumper 与 David Baker 因蛋白质结构预测与计算蛋白设计相关贡献共同获得诺贝尔化学奖。

所以，看到团队重组、研究人员流动，很多人的第一反应自然是：AlphaFold 要结束了吗？

我反而觉得，事情恰恰指向另一个方向。

AlphaFold 没有结束。它正在从一个明星项目，变成下一阶段 AI for Science 的基础能力。

AlphaFold回答了一个问题，但药物研发还有更多问题

2018 年，AlphaFold 在 CASP13 蛋白质结构预测竞赛中崭露头角。它瞄准的问题非常清晰：

给定一条氨基酸序列，预测它可能形成怎样的三维结构。

这是一个极其重要的问题。

过去，研究人员主要依赖 X 射线晶体学、冷冻电镜和核磁共振来获得结构信息。它们依然不可替代，但往往意味着漫长的样品制备、仪器排队、实验优化与失败重来。

AlphaFold 的出现，让研究人员能够更快获得高价值的结构假设，也改变了结构生物学的工作方式。

但如果站在药物研发的视角，结构预测只是第一步。

知道靶点可能长什么样，接下来呢？

  • 哪个口袋真正可成药？
  • 小分子应从哪里开始设计？
  • 抗体或多肽如何提高亲和力与特异性？
  • 突变会不会带来耐药？
  • 蛋白降解剂的三元复合物是否稳定？
  • 一个候选分子有效，还是只是模型看起来有效？

这些问题，AlphaFold 并没有直接回答，也从来不是为完整回答它们而设计的。

它打开的是“看见结构”的门，而药物研发真正困难的部分，是穿过这扇门之后的设计、合成、测试、失败与再学习。

从“解一道题”，到“让AI参与做科学”

这次团队调整最值得关注的，或许不是某位研究员去了哪里，而是 DeepMind 的重心正在变化。

过去的模式是：

围绕一个定义明确的科学问题，集中资源，训练一个足够强的模型。

AlphaFold 就是典型代表。目标清晰，评价指标相对明确，最终要证明的是：模型能不能把结构预测得足够准。

而现在，问题正在变成：

AI 能否参与提出假设、设计方案、选择实验、解读结果，并根据新数据持续修正自己？

这不是简单把 AlphaFold 做得更大，而是在尝试构建一种新的科研工作流。

DeepMind 的公开材料也显示，其布局已从结构预测延展到蛋白设计、基因组学、湿实验闭环、量子化学和核聚变等方向。

换句话说，未来的 AI for Science 不只是“AI 帮科学家算一算”。

它更可能是：

AI 帮科学家找到最值得做的下一步。

AlphaFold之后：AI正在真正走进实验室

如果说 AlphaFold 代表的是“AI 看见生命”，那么今年各团队的一系列动作，已经把下一站指向了更具体的方向：

AI 不再只负责预测，它开始进入科研流程，并尝试接手一部分“下一步该做什么”的决策。

6 月 30 日，Anthropic 推出面向科研场景的 Claude Science。它不是一个单纯的问答模型，而是一个可组织多智能体协作的科研工作台：总协调智能体可以调用数十种生物信息学、结构生物学、化学信息学等工具，按任务生成子代理；同时还设置了审阅代理，用于核查引用、计算和推理链条。

这件事的意义不在于“又多了一个科学聊天机器人”。

而在于，研究人员未来面对的可能不是一个模型，而是一支可以分工的 AI 研究团队：有人检索文献，有人处理数据，有人建模，有人生成图表，有人专门挑错。科学家要做的，逐渐从亲自完成每一个步骤，转向定义问题、判断方向，并审查关键证据。

OpenAI 的路线则更靠近实验闭环。

今年，OpenAI 展示了将 GPT-5 接入云端自动化实验室的案例：模型提出实验方案，机器人执行实验，实验数据再返回给模型，驱动下一轮决策。在无细胞蛋白合成优化任务中，这套系统完成多轮闭环实验，并显著降低了蛋白生产成本。

到了 6 月，OpenAI 又展示了基于 GPT-5.4 的近自主 AI 化学家在药物化学反应优化中的应用，同时发布 LifeSciBench，尝试衡量 AI 是否能处理真实生命科学研究中的复杂任务，而不只是回答生物学知识题。

这背后的信号非常清楚：

AI 制药的竞争，正在从“谁的模型预测更准”，走向“谁能把模型、实验和数据回流连接得更紧”。

AlphaFold 解决的是“这个蛋白可能长什么样”。

下一代系统要解决的，是：

结构出来之后，下一步该设计什么？
哪个实验最值得做？
实验失败意味着什么？
新数据回来后，模型和策略该怎样调整？

对AI制药而言，真正的竞争逻辑正在改变

做 AI Drug Discovery 的人，可能都会有类似感受：

未来比拼的，不会是谁拥有一个更大的 AlphaFold，而是谁拥有一个更快、更可靠的研发学习系统。

我认为壁垒会集中在三个层面。

1. 真正值钱的，是设计到实验的数据闭环

现在，结构预测、序列生成和分子生成模型越来越容易获得。

AlphaFold2、ESMFold、ProteinMPNN、RFdiffusion，以及各类扩散模型和语言模型，都在迅速降低模型本身的门槛。

模型会越来越普及，但下面这些东西不会：

  • 设计出的 1,000 个候选，究竟有多少真正进入实验？
  • 哪些实验数据能可靠回流到训练体系？
  • 失败样本有没有被完整记录？
  • 模型能否从“为什么失败”中学到东西？
  • 这个循环能否持续压缩下一轮研发的时间和成本？

真正的壁垒，不是一次生成了多少分子，而是能否形成稳定的 Design-Make-Test-Learn 闭环。

模型只是发动机，实验数据与迭代速度才是赛车道。

2. AI的角色不是取消实验，而是让实验更有信息量

过去几年常有人说，AI 会替代实验。

我不太认同。

从实际经验看，AI 最有价值的角色并不是把实验室关掉，而是让实验从“大海捞针”变成“精准验证”。

传统筛选的逻辑是：

尽可能多做一些，期待从大量候选中碰到答案。

更理想的 AI 驱动研发逻辑则是：

先计算和推理，找出信息量最大的候选；再用实验产生决定性的证据；最后把结果回流给模型。

AI 可以负责提出优先级、压缩搜索空间、识别不确定性，并给出可证伪的假设。

实验负责给出真正能改变决策的证据。

不是 AI 替代实验，而是 AI 让每一次实验都更值得做。

3. 失败数据，可能比成功数据更稀缺

做多肽、抗体或蛋白设计的人都知道：真正限制模型效果的，很多时候不是网络结构不够复杂，而是缺少高质量、可追溯、可复用的实验数据。

尤其是这些数据：

  • 多肽结合与活性数据
  • 抗体 CDR 序列与功能数据
  • 负筛选和交叉反应数据
  • 合成失败、表达失败、稳定性失败的数据
  • 原始实验条件、批次信息与质控记录

一条“失败”的数据并不等于没有价值。

如果我们知道它为什么失败，是亲和力不够、毒性太高、溶解度太差，还是实验体系本身出了问题，那么它就能帮助下一轮模型少走弯路。

未来最强的 AI 制药平台，不一定拥有最多的数据，而是最能把失败转化为学习的数据系统。

最后

AlphaFold 获得诺奖，是 AI for Science 的高光时刻。

但它不是终点。

它更像一个分界线：在它之前，AI 主要被看作辅助工具；在它之后，人们开始认真讨论，AI 能否成为科研流程中的主动参与者。

对于 AI 制药来说，下一站不是“再造一个 AlphaFold”。

而是建立一个能把知识、模型、设计、实验和数据回流真正连接起来的系统。

未来最有价值的，不是最会预测的 AI，而是最会学习的研发体系。