#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。」

$GOOGL 还是太全面了！ 想象一下，你要把一座超级大都市里的每一座发电厂、每一根高压电缆、每一个变电站，乃至居民家里的每一个开关和电线，全部精细地画成一张完整的电路图。 更夸张的是，这张图对应的实际空间，只有一粒粗盐那么大。 这就是谷歌 Google Research 联合顶尖科研机构刚刚干出来的一件大事：他们把一只成年雄性果蝇的整套中枢神经系统，彻底绘制出来了。 这不仅仅是一个大脑，而是包含了大脑、视觉神经系统以及相当于人类脊髓的胸腹神经绳。全图囊括了超过 16.6 万个神经元，以及整整 1.25 亿个突触连接。 为了做出这张图，科学家把果蝇切成了几千个纳米级超薄切片，用电子显微镜扫描出海量的图像数据。谷歌则动用了专门的神经网络算法，把数以百万计的二维切片拼叠成三维的神经元结构。哪怕有了顶级 AI 的辅助，人类研究人员依然耗费了整整 44 个人年的精力去复核与修图。 当你真正看懂这张神经路线图，就会发现生物演化的机制有多精妙。比如科学家发现，果蝇在飞行、行走或者避障时，大脑并不是在实时指挥每一条腿该怎么迈。大部分动作是由靠近肢体的局部神经环路自主决定的。这不就是天然的边缘计算吗？ 这也解释了为什么谷歌能一直保持极高的行业上限。大家平时看谷歌，觉得它是一个做搜索、做广告、做 YouTube 的商业公司。但它的底层内核，其实是一个解决超大规模复杂问题的工程计算引擎。从 AlphaFold 预测蛋白质结构，到重建人类大脑皮层切片，再到今天绘制完整的果蝇中枢神经系统。 当一家公司能把顶尖的算力、AI 算法与基础科学研究深度结合在一起的时候，它就不只是在做眼前的业务，而是在为未来几十年的人类科技铺设地基！

🔥Physical AI 的演进，必然走“农村包围城市”这条路。 数字世界的AI，打法是先攻大城市。大语言模型靠海量文本练出通用能力，再向垂直领域渗透。城市拿下，交通要塞到手，农村自然归附。 但物理世界完全不同。真实环境里，摩擦力、碰撞、变形、多物理场耦合无处不在。一个简单的爬墙动作，仿真计算量就可能指数级爆炸。想直接得到一个通用的物理世界模型，几乎不现实。 所以物理AI只能从垂直场景起步，先在一个个具体场景里做透，把局部模型打磨到极致，再慢慢拼出更大的版图。 自动驾驶的发展就是例证。它最早没有直接冲进城市开放道路，而是从矿区、港口、封闭园区这些结构化、变化频率低的场景开始。这些场景跑通后，数据和算法才有了可靠地基。等到干线物流和高速场景成熟，城市RoboTaxi才慢慢落地。物理约束太强，数据成本太高，只能从“农村”起步。 工业领域同样如此。早期的并联机器人和混联机器人，先在特定流水线、数控机床上站稳脚跟，再逐步向外扩展。波士顿动力的四足机器人长期专注复杂地形移动，没有一开始就追求通用人形。农业机器人也先盯住单一作物的采摘或喷洒，积累足够的田间数据后，才考虑多作物泛化。 世界模型在这条路径里扮演关键角色。它不用一开始就覆盖整个物理宇宙，而是先为某个垂直场景建一个高保真的局部世界。机器人在里面用强化学习自我迭代，上限远高于单纯的模仿学习。围棋棋盘是AlphaGo的极简世界模型，蛋白质结构是AlphaFold的微观世界模型。多物理场仿真技术，正好是构建这类局部世界的基础。 数据获取方式也在推动这种演进。家用服务机器人还在花钱雇人采数据，自动驾驶靠用户买车免费贡献里程。而在工业巡检、高空作业等特种场景中，作业过程本身就能产生真实工况数据，把“赚钱”和“收数据”绑在一起。谁先在真实环境里把数据飞轮转起来，谁就更有机会把局部模型做扎实。 最终当然会走向融合。不同场景的模型通过商业互换或开源协议拼接，或许能拼出更完整的物理世界图景。但这个过程必然漫长，也必然从边缘开始。 物理AI没有天降神兵。原子移动比比特慢得多，真实数据的获取成本和周期远超数字世界。只有那些愿意在脏乱险的现场把模型一点点做透的人，才真正在为通用物理智能铺路。 农村站稳了，城市才会慢慢被包围。 #WorldModel# #PhysicalAI# #EmbodiedAI#