AlphaFold的真实能力边界在哪 | John Jumper | 从谷歌去Anthropic | 蛋白质折叠 | 祛魅 | 技术归因 | 进化变换器 | 苦涩的教训 | AGI | 普惠价值

AlphaFold在2020年CASP14評測中宣告蛋白質結構預測難題基本解決，外界為之沸騰，2024年諾貝爾化學獎正式表彰其貢獻。然而獲獎後不久，Jumper竟然離開DeepMind加入Anthropic，這個看似矛盾的舉動背後是對技術能力邊界的清醒認識。在最近的深度訪談中，他直言不諱：用AlphaFold預測結果做藥物開發，十次有九次失敗。

蛋白質是細胞內的奈米機器，由20種氨基酸串聯而成，折疊成特定三維結構以執行特定功能。AlphaFold將原本耗時一年、耗資10萬美元的X射線結晶學實驗壓縮為幾分鐘計算，這確實是革命性進步。但這只是科研的起點。結構認知與藥物發現之間隔著巨大鴻溝：你需要基於結構設計能幹預功能的分子、進行細胞實驗驗證、完成動物實驗、最後走向臨床。AlphaFold2只預測純蛋白，AlphaFold3雖擴充套件到配體和小分子，但依然無法直接指導治療決策。Jumper用一個經典比喻說明：維修廠機器壞了，即時工程師只擰了一顆螺絲卻收費1萬美元；老闆抱怨螺絲只值50美分，但知道該擰哪顆螺絲值9999.5美元。藥物研發正是如此，AlphaFold幫助更快地找到該擰哪顆螺絲，但把藥做出來仍需漫長過程。

在技術細節上，外界普遍將成功歸功於Transformer和等變性設計。但Jumper直接打破這個標籤化認知。AlphaFold2的核心是進化變換器，利用蛋白質在進化上高度保守的特性，在序列資訊與幾何約束之間反復迭代修正。比IPA等變注意力機制更關鍵的，其實是基於區域性坐標系設計的損失函式——這個損失函式才是早期的重要突破。甚至看似違反直觀的「黑洞初始化」（把所有殘基堆在一點）反而帶來更好效果。這說明在具體領域上，通用方法論容易誤導，必須積累屬於該領域的隱性知識。

真正的精度飛躍源於數百個工程細節的堆積。AlphaFold2相比第一代的30%精度提升，刪掉等變性後只下降2-2.5%，說明其貢獻不足10%。一個最反常識的實驗證實了這點：刪除卷積層後，引數減少但精度反而提高。這在常規機器學習中幾乎不可能，卻在這個特定問題上發生了。最有力的證據是複刻實驗：只用1500個PDB結構訓練AlphaFold2，精度竟然超過用全部1.4萬個結構訓練的AlphaFold1。這說明架構創新等效於資料效率提升100倍。Jumper稱此為「無情的經驗主義」——你可以有任何假設，但最終一切靠實驗說話，錯就立刻改，十次假設九次錯是常態。

從能力層次看，Jumper將其分為預測、控制、理解三層。AlphaFold在預測上表現優秀，也開始能做部分控制（透過反向設計序列），但理解仍需人類完成。模型呈現的逐步細化行為很像人類做結構最佳化，但這不是程式碼裡規定的，而是從資料自發學出的。就如大語言模型只被設計預測下一個token，卻自發學會推理，你不能說它沒有推理能力。同樣不能用「這是Transformer」或「這是擴散模型」來解釋AlphaFold的突破，真正重要的永遠是無數細節的積累，這些東西沒法寫進一句話的總結。

在資料有限的科學領域，領域知識的價值被嚴重低估。與流行的「苦澀教訓」不同，當訓練資料受限時，人類的精心設計架構能發揮巨大作用。AlphaFold的成功本質上是領域專屬方法的勝利，而非通用大模型的勝利。正確的態度應該是保持謙卑，清晰區分哪些該寫進程式碼、哪些該留給模型從資料裡學習。

最令人振奮的是AlphaFold對全球科研的民主化效應。非洲結構生物學家Enguia曾花4-5年都無法解析一個蛋白結構，因為無法取得昂貴的同步輻射資源。有了AlphaFold後，他只需進行一次蛋白純化配合冷凍電鏡資料，2-3個月就拿到完整結構。現在他正在培養非洲本土結構生物學家，今年已訓練100名研究者，目標在未來十年培訓1000名科研人員，針對HIV耐藥菌等非洲高發疾病建立自主研究隊伍。這可能是AlphaFold最被低估的價值——它不只是發論文拿獎項，而是把原本只有頂尖實驗室能做的事情變成全世界可以參與的科研。