#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。

ai4bio的最本质的挑战是，生命科学中大量的核心问题属于计算不可约（Computational Irreducibility）问题。几乎不存在通用的“数学解析解”或“快捷算法”，必须一步步完整模拟其微观物理过程。 但生命科学近年来呈现出一个奇特的范式分野：底层机制是计算不可约的，但宏观功能却往往是“经验可归纳（Statistically Reducible）”的。 斯蒂芬·沃尔夫勒姆（Stephen Wolfram）提出的计算不可约性，本质是指：一个系统的演化过程本身就是获取其未来状态所需的最小计算量，无法通过某种简化的数学公式跳步求解。 生命系统的底层恰恰全盘满足这一特性的物理前提： 跨尺度的非线性与组合爆炸蛋白质动态与全原子折叠动力学---虽然 AlphaFold 系列在预测“基态静态结构”上取得了突破，但蛋白质在真实生理环境下的构象转换、别构调节、非折叠蛋白（IDPs）聚集及相分离，完全依赖于皮秒级别的范德华力、静电相互作用与溶剂熵增。只要离开统计学能覆盖的结构模体，精确求解就必须回退到底层的分子动力学（MD）模拟——每推进一个飞秒都需要全局重新计算一次能量场。 基因调控与代谢网络---单个基因的突变并非简单线性映射，它受表观遗传修饰、转录因子结合亲和力、RNA 降解速率、空间染色质构象（3D 基因组）乃至代谢物反馈的联合调控。这种由成千上万个节点组成的非线性动力系统，其相空间极其庞大，状态往往敏感依赖于微小的初始涨落（蝴蝶效应）。自指性与历史偶发性（Frozen Accidents） 生命是一个自我指涉的开放机器---DNA 编码蛋白质，而蛋白质负责复制、校对与修饰 DNA。生物演化不是在全局最优解上做梯度下降，而是由大量偶发的历史事件（例如内共生事件形成线粒体、古病毒基因整合）经过数十亿年修补（Tinkering）而成的“遗产系统（Legacy Code）”。 其缺少优雅的底层物理对称性，导致任何不包含其演化历史信息的捷径模型极易失效。细胞命运决定的分岔行为从受精卵到复杂有机体的分化、肿瘤微环境下的耐药突变产生，微观分子的布朗运动和基因表达的固有随机性（Intrinsic Noise），会驱动细胞在瓦丁顿表观遗传景观（Waddington landscape）的不同引力盆之间跳跃。 预测一个干细胞系在几百代后的确切异质性分布，本质上无法跳过真实的生长时间。 但是，现代 AI 为何能“绕开”计算不可约的壁垒？如果生命系统是严格计算不可约的，为什么近几年的 AlphaFold、ESM 等基础模型能够实现前所未有的预测精度？ 答案在于有效理论（Effective Theory）与粗粒化（Coarse-Graining）的胜利：自然选择压缩了搜索空间：在理论上，一条几百个氨基酸的多肽链可能折叠出的构象空间是无限的天文数字（Levinthal 悖论）。但真实生物圈并不是纯粹的随机漫步——演化只保留了具有热力学稳定性、功能特异性的极小构象流形。 从因果机理推演转向高维几何插值：深度学习模型并没有在物理底层上“解密”微观运动的解析方程，而是利用 MSA（多序列比对）和跨物种同源数据，隐式重构了演化历史在低维嵌入流形上的投影。 换言之，AI 并没有把不可约的方程解析掉，而是通过记忆与插值演化留下的指纹，绕过了动力学微观步进。 生命科学之所以在转化应用（尤其是新药研发和临床靶点验证）中依旧面临极高的失败率，根本原因正是工程落地往往发生在“计算不可约”的深水区： 比方说，脱靶毒性与系统副作用---你在高维表征空间里为靶点设计了一个完美的分子，但该分子在体内与数万种其他蛋白、脂质甚至肠道菌群产物的多体动力学互作，无法被任何简化模型提前全盘预知。最终仍必须依赖耗时的体内实验（In vivo）——即让活体生物作为“物理模拟器”运行自身的时间。 又比如，虚拟细胞（Virtual Cell）的瓶颈---当前计算生物学界正在攻关的“全细胞数字孪生”，每提升一个数量级的微观保真度，所需的运算步长就成指数级压缩。即使算力提升数个数量级，若底层的离散与随机多体性质导致不可约性，单纯堆叠 GPU/TPU 也只能推进微秒级的模拟。 本质上，生命系统是在宏观层面维持自组织耗散结构的、由微观计算不可约动力学驱动的实体。 目前的研究程度表明，只要问题关乎稳态模式识别，我们就能找到统计学上的捷径；但只要问题深入到跨尺度的因果动力学与时间演化，大自然依旧没有给人类留下跳过计算过程的后门。

AI 下一场真正的大应用，可能根本不在聊天机器人。 Google DeepMind、Meta 以及美国政府相关机构正在参与一个规模约 18 亿美元 的 AI 生物学项目。 目标非常明确： 建立一个足够庞大的生物数据体系，让 AI 可以开始预测细胞在不同药物、基因和环境变化下会发生什么反应。 简单来说，就是尝试把过去必须在实验室里慢慢做的部分实验，提前搬进 AI 模型里。 这件事如果成功，影响可能非常大。 传统药物研发最贵的地方，并不只是制造药物。 真正昂贵的是： 筛选靶点 测试分子 动物实验 临床试验 不断失败 一款新药从发现到上市，通常需要多年时间和巨额资金。 如果 AI 能在早期阶段提前排除大量低概率方案，就有可能显著提高研发效率。 所以 AI 在医疗领域真正的价值，不只是帮医生写报告。 而是： 减少失败实验。 这和 AlphaFold 当年的意义非常类似。 AlphaFold 让 AI 进入蛋白质结构预测。 下一步则可能是： AI 预测细胞反应 → AI 设计药物 → AI 模拟实验 → 实验室验证 → 临床 如果这条路线成立，AI 就会从“生成文字”，进入真正能够影响数千亿美元制药研发开支的领域。 这也是为什么 $GOOGL 特别值得关注。 市场现在给 Google 的估值，主要仍然围绕： Search YouTube Cloud Gemini 但 DeepMind 真正潜在的价值，可能远远不止聊天机器人。 未来 Google 最有价值的 AI 产品之一，甚至可能来自： 生物学。 而 Meta 的参与也同样有意思。 因为它证明大型科技公司现在已经开始把基础模型能力往科学研究领域扩散。 过去两年 AI 最大的商业化故事是： Coding。 未来几年，下一个真正能够产生巨大经济价值的方向，很可能是： Science。 当 AI 不只是帮人写一封邮件，而是可以帮助找到新的药物、新的材料、新的治疗方法时，整个 AI 产业的价值上限还会再被打开一次。

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。」