（John Jumper访谈：AlphaFold 如何提升科研效率）
2024 年，一台 AI 站上了诺贝尔领奖台。
瑞典皇家科学院将化学奖颁给了三位科学家：Demis Hassabis、John Jumper和David Baker。获奖理由：用 AlphaFold 预测蛋白质三维结构，解决了生物学家追寻50年的难题。
2025 年11 月底，诺奖得主 John Jumper 在播客访谈中描述了这个突破的真实意义：
AlphaFold 几分钟产出的结果，相当于科学家一整年的实验量。
科研人员的时间，被压缩了两个数量级。
这不是遥远的实验室故事。
它已经开始改变药企如何选择靶点、决定投资方向，也在重塑年轻科研人员未来十年的职业路径。
第一节 | AI没有在思考，却完成了科学家十年难题
AlphaFold 解决的，不是一个蛋白质的问题。
John Jumper 在播客中说，它解决的是科研方法的问题。
过去，预测一个蛋白质的三维结构，意味着无数次实验。冷冻电镜、X射线晶体学、核磁共振，完成整套流程少则半年，多则三年，还未必能成。
Jumper 说，他见过有博士生花了好几年，就是把一个蛋白质的结构“稍微看清了一点”，靠这个就能毕业。问题根本没彻底解决。
AlphaFold 2把这类悬而未决的难题，重新定义为算法问题。
2018年，DeepMind 的AlphaFold 首次在CASP蛋白质预测大赛中登场并夺冠。
两年后，AlphaFold 2 在 CASP14 上的表现震撼了整个生物学界。它的核心创新在于：使用了与大语言模型同源的技术 Transformer 神经网络，结合多序列比对中的进化信息，通过学习数百万蛋白质序列的统计规律，推断出氨基酸链最可能的折叠构型。
简单来说，它让计算机学会了一个模式：这种氨基酸串，最终会折成什么形状。
更关键的是，AlphaFold 不仅给出预测结构，还会标注置信度评分。也就是说，它会告诉你：我对这个答案，有几分把握。
但现实世界的生命系统远不止单个蛋白质。RNA、DNA、小分子药物、带电离子、多蛋白复合物，它们之间的相互作用，才是疾病发生与治疗的关键。
2024 年 5 月，DeepMind 推出了 AlphaFold 3。这不是简单迭代，而是一次范式迁移。它不再基于传统神经网络，而是采用了扩散模型（Diffusion Model）。
这个原理类似于：给 AI 看一张模糊的照片，让它猜测清晰版本应该是什么样。AI通过大量训练，学会了从模糊推测清晰。
这个机制与 Sora、DALL·E 等 AI 生成工具类似，区别在于：AlphaFold 3 生成的不是图像，而是三维分子结构。它不仅能还原单个蛋白质，还能模拟复合体的结合行为。
Jumper 回忆团队对这次改动的惊讶：我们试图移除 AlphaFold 2 对进化信息的强依赖，改用纯几何信息。结果比预期的还要好。
技术在进步，Jumper 对 AlphaFold 的定位也更清晰：它不是为了替代科学家，而是让科研进入系统化、自动化的流程阶段。
五年时间，AlphaFold 已经从实验室工具，变成了科研基础设施。
第二节 | 实验室已经被改变了：科学家怎么和AI共事
实验的起点，从设想变成了模型生成。
科学家现在往往先让AlphaFold给出结构推测，再据此规划实验，去验证、修正、延伸。
1、AI 在提出假设
他举了一个经典案例：人类受精机制的研究。
研究人员想知道，在精子和卵子结合的过程中，究竟是哪个精子表面蛋白负责识别和结合？理论上，精子表面有约2000种候选蛋白，逐一实验验证需要数十年。
两个独立研究团队用AlphaFold模拟了所有候选蛋白与卵子表面蛋白的结合可能性，都指向了同一个此前未被重视的分子：TMEM。
后续实验验证表明：只要删除这个蛋白，精子就无法与卵子受精。
从数千个可能，到一个答案，时间从十年压缩到几个月。
更关键的是，AI不是在加速已知路径，而是在帮助科学家提出假设本身。
类似的情况还发生在蜜蜂种群研究中。研究者想了解大黄蜂免疫机制中的关键蛋白，以应对种群崩溃问题。AlphaFold 提供了对关键蛋白的结构推测，帮助他们精准定位了研究切入点。
2、AI 在解读模糊数据
还有一类应用，是让 AI 帮助科学家看清实验数据。
在胆固醇代谢研究中，研究者用冷冻电镜拍到了一张极为模糊的图像，对应的是控制脂肪运输的关键蛋白，与心血管疾病相关。
AlphaFold 给出的结构模拟与这张模糊图像高度匹配。这让研究者第一次确认了蛋白的空间构型，并据此开始规划小分子干预方式。
Jumper 说，他喜欢这种案例：科学家不知道该找什么，AlphaFold 帮他们把模糊的线索变成了具体方向。
3、从参考书到合作方
这些研究不是由 DeepMind 主导，而是全球科学家自主使用 AlphaFold 的结果。
Jumper 说，他现在不看论文标题，只是每天刷 X 上的 AlphaFold 关键词，看哪些意想不到的领域用上了这个工具。他总结：
AlphaFold 不是终点，它只是给了科学家一套工具，让他们能看懂细胞里每个部件在做什么。
科学家会质疑、会验证，他们不会盲信 AI。但他们已经接受了一件事：AI 是合作者，而不是参考书。
这个转变比想象中来得更快。
如今，AlphaFold 已经是数百万科研工作者日常工作的一部分。
第三节 | 从预测到设计：AI开始参与发明
科学家过去拿它预测结构，现在开始用它设计结构、创造新分子了。
2024年，DeepMind 推出了 AlphaProteo，一个专门设计蛋白质的AI系统。
它不只是看已有分子长什么样，而是反向构造自然界不存在、但可能有特定功能的新分子。
1、从预测到设计
举个例子：科学家想制造一种酶，可以高效分解塑料、捕获碳、或清除环境污染物。这种酶在自然界从未出现。
现在，他们用 AlphaFold 的机制大规模生成候选结构，模拟每个变体的稳定性、结合能力和催化效率，筛选出最有可能成功的几个，再拿到实验室验证。
“我们能不能用 AlphaFold 作为自然筛选机制的模拟，提前知道哪种结构更可能成功？”
Jumper 的答案是：可以。
这带来了根本性变化。过去是靠经验和直觉选 5 种蛋白做实验，现在可以先生成 500 种，预选出 10 个最可能成功的。不仅效率提升了数十倍，设计的边界也被打开了，不再局限于已有的蛋白质家族，而是可以探索全新构型的新功能分子。
从抗体、疫苗，到酶催化、材料构建，AI 不再只是加速研发，而是在开拓新方向。
2、 物理直觉还是统计学习？
这也打破了一个传统质疑：AI 没有物理常识，所以不能做科学设计。
Jumper 却不这么看。AlphaFold 虽然不是物理模型，但它通过足够多的训练数据，学会了哪些结构是稳定的、哪些是功能性的。更关键的是，它会输出置信度评分、提供可视化界面、支持反向验证。
这些特征，正是科学协作系统应有的样子。
DeepMind 的做法不是推出一个万能模型，而是逐步构建一个组合式平台：
AlphaFold 预测结构，AlphaProteo 提供设计能力，AlphaGenome 和 AlphaMissense 共同解读基因组变异。
这意味着，AlphaFold 不再只是一个工具，它正在变成科研流程的组成部分。
3、 接下来该怎么做？
对研究者来说，提问方式要改变。过去是“这个蛋白质长什么样”，现在要问“如果它长这样，会和哪些分子结合”。问题要足够具体，让 AI 能够生成可验证的假设。
对公司来说，重点不是使用单个工具，而是打造科学流水线。从靶点识别到分子设计，哪些环节可以被 AI 接手？哪些决策可以用置信度评分量化？哪些失败路径能被快速排除？
对开发者来说，方向是构建科研型 Agent 系统。让 AI 能够调用AlphaFold、检索文献、生成假设，成为科研流程的组织者，而不只是回答问题的工具。
AI没有思考，但它已经可以参与发明。
结语 | 它不会思考，但已经够用了
整个访谈里，John Jumper从没把 AlphaFold 称作智能。
它不会思考，没有意识，但它能把科学家一年的实验压缩到几分钟。
Jumper的态度很务实：重要的不是AI有多聪明，而是它能解决什么问题。
从“AI能不能做科学”，到“科学家怎么用AI做科学”。
做实验的方式变了：AI先筛选出最可能的几个方向，科学家再去验证。一个提问，一个求证。
📮本文由AI深度研究院出品，内容翻译整理自Google DeepMind官方播客《AlphaFold: Grand Challenge to Nobel Prize with John Jumper》及相关公开报道。属翻译分析性质，所有引述均已标注来源。未经授权，不得转载。
来源：官方媒体/网络新闻
排版：Atlas
编辑：深思
主编: 图灵