AlphaFold核心人物John Jumper离职：与Demis Hassabis九年合作落幕

一段改变世界的合作画上句号

近日，DeepMind创始人兼CEO Demis Hassabis在社交媒体上发布了一条意味深长的告别信息，感谢其长期合作伙伴John Jumper过去9年来的非凡合作。这条简短的推文背后，是AI科学领域最具标志性的成就之一——AlphaFold的诞生与发展。

Demis在推文中写道："我们用AlphaFold所取得的成就改变了世界，向整个领域展示了AI在科学和医学方面的无限可能，为AI如何造福人类照亮了前路。"

AlphaFold：AI for Science的标杆项目

从蛋白质折叠难题到诺贝尔奖

蛋白质折叠问题被称为生物学领域的"50年大挑战"。蛋白质的三维结构决定了其功能，但仅凭氨基酸序列预测蛋白质的空间构型，长期以来被认为是一个近乎不可能的任务。这一难题的核心在于著名的Levinthal悖论：一个典型蛋白质由数百个氨基酸组成，每个氨基酸残基的主链有多个可旋转的二面角，理论上可能的构象数量是天文数字（约10^300种），即使以纳秒级速度遍历所有可能，也需要超过宇宙年龄的时间。然而自然界中，蛋白质在毫秒到秒的时间尺度内就能折叠成唯一的天然构象。这意味着折叠过程必然遵循某种尚未完全理解的物理化学规律，而非随机搜索。1972年，Christian Anfinsen因证明蛋白质的氨基酸序列决定其三维结构而获得诺贝尔奖，但从序列到结构的计算预测路径，此后50年间一直未被攻克。

传统实验方法如X射线晶体学、冷冻电镜等，耗时数月甚至数年才能解析一个蛋白质结构。

AlphaFold的出现彻底颠覆了这一局面。2020年，AlphaFold2在CASP14（蛋白质结构预测关键评估）竞赛中以压倒性优势获胜，其预测精度达到了与实验方法相当的水平。CASP竞赛是1994年由John Moult教授发起的双年度盲测竞赛，被视为蛋白质结构预测领域的"奥林匹克"。参赛者需要在目标蛋白质的实验结构公布之前提交预测结果，由独立评审团使用GDT（Global Distance Test）等指标进行评分。GDT-TS分数90以上通常被认为与实验结果相当。在AlphaFold2之前，最好的方法通常只能达到40-60分的水平，而AlphaFold2在CASP14中多数目标的中位GDT-TS达到92.4，这一跳跃式进步被CASP组织者称为"蛋白质结构预测问题在很大程度上已被解决"。

2024年，John Jumper与Demis Hassabis因AlphaFold的贡献共同获得诺贝尔化学奖，这也是AI技术首次在自然科学领域获得诺贝尔级别的认可。

九年磨一剑的技术积累

Demis特别提到了"9年"这个时间跨度，这意味着John Jumper大约在2016年前后加入DeepMind的蛋白质结构预测项目。John Jumper的跨学科背景是AlphaFold成功的关键因素之一。他本科就读于范德堡大学物理学专业，随后在芝加哥大学获得理论化学博士学位，师从Karl Freed教授研究蛋白质折叠的粗粒化模拟方法。这意味着他在加入DeepMind之前，已经对蛋白质折叠问题的物理本质有深刻理解——包括自由能景观理论、分子动力学模拟的局限性、以及统计力学在生物大分子中的应用。这种将第一性原理思维与现代深度学习相结合的能力，使他能够设计出既数据驱动又物理合理的模型架构，而非简单地将通用AI方法套用到生物问题上。

从最初的AlphaFold1到革命性的AlphaFold2，再到后来覆盖超过2亿种蛋白质结构的AlphaFold数据库，这段合作横跨了AI科学应用从概念验证到大规模落地的完整周期。

说个细节，AlphaFold的成功并非一蹴而就。团队在深度学习架构设计、注意力机制应用、多序列比对（MSA）处理等方面进行了大量创新，最终构建出能够端到端预测蛋白质结构的模型。具体而言，AlphaFold2的技术突破主要体现在三个层面：首先是Evoformer模块，这是一种专门设计的Transformer变体，能够在多序列比对（MSA）表示和残基对（pair）表示之间进行交叉注意力信息交换，捕捉进化共变信息中隐含的空间接触约束。其次是结构模块（Structure Module），采用不变点注意力（Invariant Point Attention, IPA）机制，在SE(3)等变框架下直接输出三维原子坐标，确保预测结果满足物理对称性。最后是端到端训练策略与循环迭代精化（recycling），模型将自身输出反馈为输入进行多轮优化。这种架构设计的精妙之处在于，它既利用了进化信息的统计规律，又尊重了蛋白质结构的物理几何约束。

这种将AI基础研究能力与深厚领域知识相结合的模式，至今仍是AI for Science的典范。

John Jumper离职意味着什么

对DeepMind AI科学布局的影响

John Jumper作为AlphaFold项目的核心技术负责人，他的离开无疑是DeepMind在AI科学领域的一个重大人事变动。不过，AlphaFold项目已经进入成熟阶段，AlphaFold3也已发布并拓展到蛋白质-配体、蛋白质-核酸等更复杂的分子相互作用预测领域。

2024年发布的AlphaFold3相比前代有了根本性的架构变化。它引入了扩散模型（diffusion model）作为结构生成的核心组件，取代了AlphaFold2中的结构模块。这一改变使模型能够处理蛋白质之外的分子类型，包括DNA、RNA、小分子配体、离子甚至共价修饰，实现了对整个生物分子复合体的统一建模。在药物发现的关键任务——蛋白质-配体对接预测上，AlphaFold3的精度显著超越了传统的分子对接软件和此前最好的深度学习方法。这标志着AI结构预测从单一蛋白质扩展到了整个分子生物学的相互作用网络。

项目的技术体系和团队基础已经相当稳固。

Demis在告别中使用了极高的评价——"改变了世界""照亮了前路"，这种措辞在科技圈的人事变动中并不常见，足见这段合作关系的深度和John Jumper贡献的分量。

对AI for Science领域的启示

AlphaFold的成功故事给整个AI科学应用领域留下了几个重要启示：

• 长期主义的价值：9年的持续投入才换来突破性成果，这在追求快速回报的科技行业中尤为珍贵
• 跨学科融合的必要性：John Jumper拥有物理学和化学背景，与DeepMind的AI专长形成了完美互补
• 开放共享的力量：AlphaFold数据库的免费开放，加速了全球生物医学研究的进展，也为DeepMind赢得了巨大的学术声誉

展望：AI驱动科学发现的下一个十年

随着AlphaFold核心合作的落幕，AI for Science正在进入一个新的阶段。从天气预测（GenCast）到材料发现（GNoME），从数学推理到药物研发，AI正在越来越多的科学领域展现出变革性的潜力。

GenCast是DeepMind在2024年发布的天气预测模型，基于扩散模型生成概率性天气预报，在15天预报窗口内的准确度超越了欧洲中期天气预报中心（ECMWF）的集合预报系统ENS，且计算成本降低了数个数量级。GNoME（Graph Networks for Materials Exploration）则是2023年发布的材料发现AI系统，利用图神经网络预测晶体结构的稳定性，一次性发现了220万种新的稳定晶体结构，将人类已知的稳定材料数量扩大了近一个数量级。这两个项目与AlphaFold共同构成了DeepMind"AI for Science"战略的三大支柱，分别对应地球科学、材料科学和生命科学领域。

AlphaFold证明了一件事：当顶尖的AI能力与深厚的科学洞察力相遇时，能够产生真正改变世界的成果。无论John Jumper下一步去向何方，他与Demis Hassabis共同书写的这段历史，已经为AI造福人类树立了一座难以逾越的丰碑。

核心要点