Google DeepMind 解散諾貝爾獎得主團隊，AlphaFold 研究組走入歷史

2020 年，AlphaFold 解開了生物學最難的懸案之一——僅憑氨基酸序列，預測蛋白質的三維空間結構——並在一夜之間改變了生化研究的軌跡。2024 年，這項成果為 Google DeepMind 的 Demis Hassabis 與核心成員 John Jumper 贏得諾貝爾化學獎，首次將這個獎項頒給一個 AI 系統的科學貢獻。到了 2026 年 7 月，打造這一切的團隊已遭解散。

英國《金融時報》於 2026 年 7 月 29 至 30 日刊出的報導確認，DeepMind 已解散 AlphaFold 的專責研究小組。這次重組過去一年來悄然進行，幾乎沒有公開聲響，但最知名成員的離職，使這次轉變無從忽視。

Jumper 轉投 Anthropic

與 Hassabis 共同獲頒諾貝爾獎、職銜為副總裁與工程研究員的 John Jumper，於 2026 年 6 月離開 Google DeepMind，加入 Anthropic。AlphaFold 2 論文的共同作者 Jonas Adler 與 Alexander Pritzel 也已離職。三人構成 AlphaFold 工作的技術核心，也是全球單一機構中，蛋白質結構 AI 專業知識最高密度的集合體。

Jumper 加入 Anthropic，是過去十八個月中 AI 史上最具份量的人才遷徙潮中的最新一頁。Anthropic 已持續吸引一批來自 DeepMind 的資深研究員：諾貝爾獎級別的人才、頂尖機器人工程師，以及在可解釋性與對齊研究領域的關鍵人物。這一規律的一致性，已超越偶然——它反映出一種刻意的招聘策略，以及一種研究員認為足以讓他們離開這個培育自己的諾貝爾獎實驗室的工作環境。

Google DeepMind 拒絕就具體離職事宜置評。在向《金融時報》發表的聲明中，公司將此次重組定性為自然演進，指出 AlphaFold 的科學使命已大體完成。

其餘成員的去向

留下的研究員被分配至 DeepMind 現有的各個項目。他們的去向，訴說著 DeepMind 當前的策略重心：Gemini（基礎模型項目）、酶設計、核融合（Genie 項目）、基因組學，以及 Isomorphic Labs——這家 Alphabet 衍生公司專注於 AI 加速藥物研發，其根基正是 AlphaFold 的蛋白質預測能力。

AlphaFold 資料庫仍完全正常運行。截至解散時，資料庫收錄逾 2 億個預測蛋白質結構，涵蓋已知蛋白質組中幾乎所有蛋白質，可供全球學術研究人員免費查閱。伺服器持續接受查詢。就最實際的意義而言，AlphaFold 的科學成果已永久部署——改變的，是 DeepMind 不再有專責擴展它的團隊。

DeepMind 的 Gemini 戰略豪賭

此次解散反映了 DeepMind 過去兩年來日益清晰的組織哲學：從各自負責單一科學「重大挑戰」的孤立團隊（AlphaFold、AlphaStar、WaveNet），轉向以 Gemini 作為通用科學智能平台的模式——專業領域知識被融入其中，而非隔離在各自的小組。

這個邏輯有其合理性。AlphaFold 的核心洞見——蛋白質結構預測可以通過訓練於序列資料的大型 Transformer 來解決——現在看來，是一個更普遍原則的特例：足夠大型且強大的基礎模型，能夠在以往需要專用架構的許多科學問題上取得突破。如果 Gemini（或針對生物資料微調的衍生模型）能夠複製並擴展 AlphaFold 的能力，同時在酶工程、基因組學和藥物分子生成方面也有所作為，那麼一個獨立的 AlphaFold 小組就是對人才的低效率使用。

反對意見是：在前沿領域，專業化依然至關重要。AlphaFold 3 及其假想繼任者本應攻克的問題——RNA 結構預測、蛋白質複合體組裝、細胞條件下的動態折疊——困難程度足以需要每天都在思考蛋白質生物化學的研究員。將這些專業知識分散至多個團隊與項目，DeepMind 可能稀釋了催生最初突破的知識濃度。

人才戰的新算盤

Jumper 的離職，是一個更長期趨勢中最顯眼的數據點。Google DeepMind 依然是全球資源最充沛的 AI 研究機構之一，持續發表頂尖研究成果。但過去十八個月已證明，當 Anthropic 這樣規模較小、使命導向的實驗室能夠提供可觀股權、深度契合安全導向研究文化，以及研究員描述為更具創造自由的技術環境時，有競爭力的薪酬與聲望已不足以留住最炙手可熱的研究員。

Anthropic 的員工名單上，如今已有多位前 DeepMind 資深研究員、至少一位諾貝爾獎得主，以及數位曾公開表示離職原因是對大型組織部署節奏感到不適的人士。這套敘事是否準確描述了 DeepMind 的工作環境，外界無從得知。可以確知的是，Anthropic 已將其成功轉化為一種招聘優勢，且毫無放緩的跡象。

對依賴 AlphaFold 的廣大科學界而言，眼前的實際衝擊有限：資料庫正常運作，API 正常運作，歐洲生物信息學研究所（EBI）維護著相關基礎設施。但失去了一個專注於擴展和改進這個系統的團隊，意味著未來蛋白質 AI 的進展，最可能來自學術機構、Isomorphic Labs 或新興商業參與者——而非那個以發明這個領域而獲頒諾貝爾獎的組織。

這個結果本身，就是 AI 研究如何重組的一個縮影：曾經定義前沿的工具成為基礎設施，打造它們的研究員繼續前行，尋找下一個未解問題——無論是在同一個組織內，還是別處。