#人工智能# 谷歌解散诺奖级项目 #AlphaFold# 团队，多名核心成员已经加盟 A 社继续研究人工智能技术。 原团队成员主要被分配到 Gemini 部门和 Isomorphic Labs 实验室，后者是谷歌母公司旗下的药物研究公司。 核心成员出走肯定会对项目产生影响，不过 IsoLabs 基本就是基于 AlphaFold 构建的，所以项目应该还会继续运行。 查看全文：

Anthropic 正在集齐下一代 AI 时代的“梦之队” 从 OpenAI 创始成员、特斯拉 AI 总监 Andrej Karpathy，到 AlphaFold 缔造者、诺奖得主 John Jumper；从 YC 合伙人、独角兽创始人，到微软、xAI、DeepMind、斯坦福的核心人物。 他们放下 CTO、教授、创业者等头衔，选择加入 Anthropic。 这 16 人的专长横跨模型研发、AI for Science、算力基础设施、经济学与治理。 Anthropic 争夺的不只是顶尖研究者，更是在搭建一套覆盖模型、算力、科学与社会治理的长期能力体系。

很多人觉得 AI 的护城河是数据、GPU、模型，但越来越觉得不是 真正的护城河可能变成是 Research Culture + Research Leadership 大厂们频繁抢人背后是深深的焦虑 John Jumper（AlphaFold 核心负责人，2024 诺奖得主）离开 Google DeepMind 加入 Anthropic Noam Shazeer（transformer 作者之一，Gemini 核心负责人）离开 Google 加入 OpemAI Jonas Adler（Gemini Coding）和 Alexander Pritzel（Gemini Training）预计加入 Anthropic 因为 Frontier AI 已经进入下一个阶段，目前也不一定可以做出来，有 GPU 也不一定知道怎么训练。 真正稀缺的是那些踩过无数坑，又知道 scaling law 在哪里失效、知道 RL、pretraining、post training 每一步怎么调的人 就很像 NBA，球员（研究员）比球队（公司）更值钱

Google连续失去两位AI优秀员工，良禽择木而栖😂😂😂 2026年6月18日，Noam Shazeer（Transformer之父、Gemini共同负责人）跳槽 OpenAI 2026年6月19日， John Jumper（2024诺贝尔化学奖、AlphaFold作者）跳槽 Anthropic。

twst财报解读：生物半导体与数字-物理桥梁--Twist Bioscience 的 DBTL 闭环重估值 Twist Bioscience（NASDAQ: TWST）单日上涨超 13%，股价突破 112 美元，市值突破 70 亿美元。市场将其当季 1.184 亿美元（YoY +23%）的创新高营收与上调至 4.56–4.57 亿美元的 2026 财年指引归因于业绩超预期。然而，这一定价背后的核心逻辑，是 AI 生物大模型在从“单点结构预测”向“高频 DBTL（Design-Build-Test-Learn）闭环”演进时，TWST 凭借其半导体硅芯片平台确立的“数字-物理接口”垄断地位。 1. DBTL 循环对算力基础设施的爆破式拉动 AI 在生命科学中的角色已从过去的 CADD（计算机辅助药物设计）转化为生成式大模型（如 ESM3、AlphaFold 3、RFdiffusion）驱动的闭环探索。从计算基础设施角度看，这种范式转移带来了算力开销的数量级（Orders of Magnitude）跃升： 训练算力跨越 2 个数量级：生物基础大模型的参数量已从 ESM-1b 的 6.5 亿跃升至 ESM3 的 980 亿（98B），训练 FLOPs 逼近通用 LLM，拉动万卡 GPU 集群并发需求。 推理吞吐从“按件”变“按亿”：在 Design 环节，AI 能针对单一靶点在数分钟内 De Novo 生成数百万至数亿个全新蛋白质/抗体序列。单次筛选项目的推理算力需求较传统 CADD 提升 $10^3 \sim 10^4$ 倍。 物理/动力学模拟的超级吞吐：在物理合成前，干实验（Dry Lab）需通过自由能微扰（FEP）和分子动力学（MD）对候选文库进行高通量筛选，带来 HPC 与并行 GPU 算力的持续高频消耗。 算力决定研发上限：生物分子空间极度稀疏（100 氨基酸序列对应 $20^{100}$ 种可能），算力直接决定了探索空间的广度（搜索候选数从万级提升至亿级）与 DBTL 迭代周期的压缩（干实验筛选从数月缩短至几小时）。 2. TWST 的物理层价值：从耗材商到 AI 药物研发的硅基接口 干实验端算力爆发所产出的大量设计，在物理世界砸向同一个瓶颈——高通量物理建造（Build）与表征测试（Test）。TWST 的商业壁垒正是建立在这个吞吐量断层之上： 数字-物理（Digital-to-Analog）高通量打印机：管路法或微孔板等传统 DNA 合成技术无法承接 AI 产生的庞大序列量。TWST 凭借半导体硅芯片平台，将 DNA 制造成本降低 60%、废料减少 70%、交付周期缩短 73%，实现单一芯片上高通量打印数万至数百万个离散序列，成为 AI 设计转化为物理分子的核心出口。 从賣 DNA 到卖“表征训练数据”：AI 的 Learn（学习）环节依赖物理实验真实数据的反馈（RLHF/闭环微调）。TWST 扩展了其 Therapeutics 与高通量生物物理表征服务（如 High-Throughput SPR），客户提交序列后，TWST 交付高质量的结合力与稳定性表征数据，直接转化为 AI 模型的重训练原料，客单价与毛利率随之扩张。 业务模式与业绩指标的高确定性：DBTL 闭环使客户从离散的散单采购转向高频、大批量的周期性复购。在 Q3 财报中，TWST 的 Therapeutics 业务同比暴增 49%，DNA 合成与蛋白质解决方案（DSPS）同比大增 39%，公司指引 AI 相关订单在 2026 和 2027 财年将连续保持三位数（>100%）增长。 3. Q3 财报与电话会议核心财务解读 营收与指引：Q3 营收 1.184 亿美元（高于预期的 1.145 亿），连续 14 个季度实现环比增长；全年营收指引中间值上调 1200 万美元至 4.56–4.57 亿美元（YoY +21%）。 利润率与盈利节点：调整后毛利率升至 52.8%，边际新增收入中的 70% 转化为毛利润；管理层重申将在 2026 财年 Q4 实现调整后 EBITDA 盈亏平衡，并维持至 2027 财年。 复杂基因护城河：针对高 GC 含量与重复序列的复杂基因（Complex Genes）产品成功实现商业化，多数订单可在 12 天内交付。这种在极小量、超高通量 Array/Pool 格式下的制造优势，构成了对抗传统生物试剂厂商的物理壁垒。 总结 在当前的 AI 医药生态中，NVIDIA 等算力厂商卖的是 DBTL 中“计算与探索”的算力引擎，而 Twist Bioscience 卖的是“连接数字生成与物理验证”的硅基通道。算力规模决定了生成设计的上限，而 TWST 则决定了这些设计落地为实体药物管线的速度。 免责声明：非投资建议dyor

Google DeepMind 的 CEO Demis Hassabis，剑桥高材生，国际象棋神童，2024 年自己也拿了诺贝尔化学奖。他一直想用 AI 做科学发现、攻克疾病、造福人类。你看他的访谈，关注点全在 AI for Science 上面。 听起来很崇高对吧？ 然后讽刺的事情发生了。John Jumper，就是在 Google DeepMind 做出 AlphaFold、拿了诺贝尔化学奖的那个人——想做 AI for Science 嘛，他跑去了 Anthropic。他说 Anthropic 才是能让他"用 AI 真正推动科学发现"的地方。 你品品这个。Google 在 Agent 工业竞争上输给了 OpenAI 和 Anthropic，这还能理解——大象转身慢嘛。但在 AI for Science 这条自己本来最有优势的路上，做出最大成果的人也觉得你这不行了，跑了。 两头都在丢人。这个事情录了一期完整的分析。

Damn，看完DeepMind这段纪录片，我鸡皮疙瘩都起来了🤯 没有激动人心的演讲，也没有盛大的发布会， 就是一个普通的会议室，几个工程师围着桌子，告诉Demis： 我们现在可以在一个月内，预测出所有已知的10到20亿个蛋白质序列。 Demis没有问 "风险是什么？" "ROI是多少？" "我们要不要先开个评审会？" "要不要先融一轮钱再做？" 他只说了两个字。 "Do it." 然后镜头一转， 就是我们所有人都记得的那个时刻： AlphaFold向全世界开源了， 免费， 永久， holy shit！ 我至今还记得2021年的那一天， 整个生物学界都沸腾了， 一个困扰了人类50年的难题，就这么被解决了， 而且没有任何门槛，任何人都可以用。 有意思的是，现在五年过去了， 有人问，AlphaFold赚了多少钱？ 答案是，一分钱都没赚。 但它催生了Isomorphic Labs，这家公司现在正在谈20亿美元的融资。 我觉得这才是最牛逼的商业模式， 先给全人类做一个免费的基础设施， 建立信任，建立生态，建立标准， 然后再商业化， 而不是反过来。 现在的AI圈是什么样子？ 一个PPT，融几千万美元， 参数吹到天上去，实际什么用都没有。 每天都在喊"颠覆世界"，但连一个真正能解决的问题都找不到。 直到DeepMind告诉我们， 真正改变世界的方式，其实特别简单。 发现一个真正难的问题，解决它， 然后免费给所有人用。 很多人说Demis是这个时代最伟大的科学家， 我觉得他更是这个时代最伟大的领导者， 他知道什么时候该停下来思考，更知道什么时候该毫不犹豫地说"do it"。 其实这个世界从来不缺聪明的人， 也不缺有钱的人， 缺的是那种，看到机会就敢all in，看到能造福人类的事就立刻去做的人。 五年前的那个"do it"，改变了整个生物学， 今天的这个20亿美元，只是它结出的第一个果实，而未来，还会有更多！ #DeepMind# #AlphaFold# #AI#

DeepMind 创始人 Demis Hassabis，从小就是国际象棋神童，17 岁便设计出爆款游戏《主题公园》。之后他重返校园，拿下认知神经科学博士学位，并于 2010 年联合创立 DeepMind。 在他的带领下，DeepMind 缔造了多项传奇：AlphaGo 击败围棋世界冠军，AlphaFold 破解蛋白质结构预测这一生物学 50 年难题，并让他在去年荣膺诺贝尔化学奖。 在 Y Combinator 最新 Startup Days 上，Demis Hassabis 分享了对 AGI 的最新判断： 「AI 现在还处于“小玩具”阶段，但未来 6 到 12 个月，真正的大东西就要来了。」

昨天看到的，实在有点炸裂。 OpenAI 内部版本的 Astra（下一代模型），在十个长期开放的数学问题上搞出了新结果。博主不是数学专业的，懂的朋友可以来聊聊这波到底什么含金量。 而且内部版 Astra 找到这十项结果所消耗的 token，按 Sol API 价格计算，合计只花了2000 美元。。。。 （这里只是找到这 10 项结果的 token 成本。至于它还尝试过多少别的题、失败过多少次，OpenAI 没披露。） 这十个问题涵盖球堆积、编码理论、算术电路复杂度、群论（non-sofic 群存在性）、算子代数（Connes 刚性猜想反例）、量子复杂度、格密码、极值组合。都是开放问题，共同点是：主结果至少十年无进展，多数远不止十年。其中几个是各自领域的核心问题。 当然，人类也不是零参与。数学论证本身由模型生成，人类（用同一模型辅助）把论证写成 manuscript，并做 Lean 形式化，并且对正确性负责。 但看完还是感到震撼，也有点可怕。 未来的研究可能会完全换一种玩法。模型可以一天 24 小时，同时探索成千上万个猜想，把过去少数人缓慢推进的研究，变成可以大规模并行的工业化搜索。（这让我想到了颜宁老师和AlphaFold ） 再往后想一步，最前沿的知识可能会先集中到少数拥有最好模型和算力的公司手里。它们决定让 AI 解什么问题，也最先看到那些答案。 不知道未来的世界会是什么样子？

将药物设计时间从数年压缩到小时 过去需要数月甚至数年才能完成的药物研发，现在只需要 24 小时的计算加上几周的实验室测试，以后我们可能可以像定制西服一样定制我们每个人所需的药物。 在最近的一次深度访谈中，Chai 的联合创始人 ，前openai员工Josh Meyer 分享了他们的最新进展。 Josh Meyer 很早就意识到，既然大语言模型能够理解英语和法语，它们也理应能理解*真正的自然语言—-DNA 和蛋白质序列。这促使他投身于 AI 制药 随着模型能力提升，AI 设计药物的速度和质量正在以指数级提升。仅仅一年前，计算机设计抗体在实验室的成功率还只有 0.1%（千分之一或万分之一） 而他们最新的Chai 3成功率不仅接近30%，更重要的是实现了分子质量的飞跃：过去 AI 生成的分子还需要大量人工优化，而 Chai 3 生成的分子已经将各种属性拉满，甚至无需修改即可直接进入后续环节 。Meyer 将此称为Zero-shot（零样本）”药物筛选。 在微观层面，Chai 的模型像“原子级显微镜”一样精准。与几年前 AlphaFold 预测抗体-抗原复合物仅有约 3% 的准确率相比，Chai 的模型提升了一个数量级 。在冷冻电子显微镜下，AI 预测的结构与真实物理结构的误差**小于一个原子的直径** 。 医药巨头礼来在内部对 Chai 的模型进行了极限压力测试（应用在大量的真实项目中）。礼来提供的真实反馈（什么有效、什么无效）极大地帮助了 Chai 获得模型所需的数据及确立未来的研发路线图。 当被问及 Chai 会优先攻克哪种疾病时，Meyer回答：在分子层面，AI 模型并不关心它要治疗的是癌症还是免疫疾病。只要有明确的靶点，模型就可以并行开发无数个项目，大幅缩短寻找到对应药物的时间 。此外，由于 AI 设计的药物疗效更精准、更强（效应量更大），这甚至会让后续冗长、昂贵的临床试验变得更容易，因为效果显著的药物在统计学上更容易被证明有效 。 Chai 的商业模式非常清晰，且与顶级 AI 实验室如出一辙：**技术越好 -> 客户用得越多、创造的价值越大 -> 赚取更多资金购买算力 -> 训练出下一代更强的模型** 。 在制药这个极其庞大且愿意为“成功率和速度”买单的行业里，哪怕比竞争对手快一年，都能转化为数十亿美元的价值。 因此，在这一领域，大家更看重 AI 的“上限（能做出多好的药）”，而不是单纯的“降本（省下多少钱）” 。 Chai 的崛起再次验证了生物学已经正式成为计算机科学的一个分支领域。当 24 小时的计算可以取代过去数年的试错时，人类距离攻克那些曾被认为无法治愈的绝症，也许只差几次模型的迭代。