Google 旗下的 DeepMind，一夜之间让学术界炸了锅。

5 月 8 日，DeepMind 官宣了一个新的 AI 模型：AlphaFold 3。

相关的研究论文，发表在权威的《自然》杂志上，一来就占据了头版。

ChatGPT 之后，AI 模型不计其数，但最有资格自称改变世界的，可能只有 AlphaFold 3。

AlphaFold 超级进化，让生物世界更加「高清」

我们在中学生物课上学过，蛋白质是由氨基酸通过肽键连接形成的长链分子，在空间中折叠成复杂的三维结构。

三维结构决定了蛋白质的功能，直接影响了药物设计和疾病治疗。

可以说，蛋白质结构预测，是生物学最重要的命题之一。

但预测蛋白质的三维结构，是一件难事，往往需要复杂的实验，甚至被形容为「困扰了生物学家 50 年的问题」。

2016 年，DeepMind 的 AlphaGo，战胜了职业九段棋手，重写了围棋这门古老的技艺。

DeepMind 的 AlphaFold，则要探听生物学的密码，窥探生命本身的堂奥。

2018 年，AlphaFold 1 发布。

2020 年，AlphaFold 2 面世，已经可以在几分钟内大规模地准确预测蛋白质的形状，并精确到原子级别。

现在，我们迎来了 AlphaFold 3，一个野心更大的 AI：超越蛋白质，探索所有的生物分子。

生物分子，即构成生物体的分子，包括蛋白质、DNA、RNA 等。

DeepMind 认为，只有了解生物分子如何在数百万种组合中相互作用，才能开始真正理解生命的过程。

一言以蔽之，AlphaFold 3 比起前代，覆盖的范围更广了，可以准确预测蛋白质、DNA、RNA、配体等生物分子的结构，以及它们如何相互作用。

先来看一些 AlphaFold 3 的预测结果。

7PNM，是一种普通感冒病毒的刺突蛋白。

如图所示，AlphaFold 3 对 7PNM（蓝色部分）与抗体（绿色部分）、单糖（黄色部分）相互作用时的结构预测，与真实结构（灰色部分）吻合。

预测背后有其意义，把这类蛋白质研究清楚，科学家便能更了解免疫系统和包括新冠在内的冠状病毒，甚至提出更好的治疗方案。

除了蛋白质的结构，AlphaFold 还能预测分子复合物，即多个分子组成的复杂结构。

下图的酶，来自一种对植物有害的土壤真菌。

AlphaFold 的预测结果，包含一个酶蛋白（蓝色部分）、一个离子（黄色球体）和一些单糖（黄色部分），契合了真实结构（灰色部分）。

深入了解这种酶与植物细胞如何相互作用，可以帮助研究人员开发更健康、抵抗力更强的作物，给农业生产带来实际的好处。

类似地，AlphaFold 3 预测了一个由蛋白质（蓝色部分）、RNA 链（紫色部分）和两个离子（黄色部分）组成的分子复合物，同样和真实结构（灰色部分）高度匹配。

这种复合物参与蛋白质的合成，即细胞生命活动和健康的基本过程之一，研究意义同样深远。

展现预测结果的准确性，再强调相关的用途，DeepMind 想要告诉世界，AlphaFold 3 是一种「革命性的模型」。

一方面，研究范围更广了。把视野扩充到蛋白质之外，特别是配体等小分子，可以涵盖更多的药物。

另一方面，准确度也提高了。对于蛋白质与其他分子类型的相互作用，与现有的预测方法相比，AlphaFold 3 的精度至少进步了 50%。其中一些重要的相互作用，提升甚至达到了 100%。

这样一来，AlphaFold 3 可以造福更多的研究，加速药物设计、推动基因组学、研发更健康的作物、开发生物可再生材料……

说到技术原理，AlphaFold 3 基于 AlphaFold 2 改进，核心是 Evoformer 深度学习架构，并使用了类似 Midjourney 的扩散网络。

使用 AlphaFold 3 的过程，有些像我们和大语言模型聊天。输入对生物分子的描述，AlphaFold 3 生成这些分子的三维结构，并研究它们如何相互作用。

AlphaFold 3 给出预测结果的过程，类似逐步去噪的 AI 文生图扩散模型，从模糊的原子云开始，逐步汇聚成准确的分子结构。

讲人话的生成式 AI，增强了格子间打工人的生产力。AlphaFold 对科学家们的意义，也不外如是。

在实验室进行蛋白质结构预测，可能要花掉攻读一个博士学位的时间，以及数十万美元。上亿个预测，怕是穷尽几百万人的一生也无法完成。

但有了 AlphaFold，科学家们可以提出大胆的问题、创新的假设，然后在实验室进行测试，加速研究的进程。

DeepMind 的一句话，足以向普通人概括 AlphaFold 3 的意义：

AlphaFold 3 将生物世界带入高清。

之前为了嘲讽 OpenAI 的闭源，马斯克给它起了个绰号：CloseAI。

投喂了 OpenAI 好几篇论文的 Google，在某些方面更有开源的精神。

2021 年 7 月，AlphaFold 2 在 Nature 发布了论文，也开源了代码。

截至目前，AlphaFold 2 已用于预测数亿个结构。全球数百万研究人员，将 AlphaFold 2 用于疟疾疫苗、癌症治疗和酶设计等领域。

也是在 2021 年 7 月，DeepMind 和欧洲生物信息研究所（EMBL-EBI）合作，发布了 AlphaFold 蛋白结构数据库，提供了迄今为止最完整、最准确的人类蛋白质组图景。

DeepMind 在官宣的博客里提到，这是自人类基因组绘图以来最重要的数据集之一，现在他们将 AlphaFold 的力量，免费交到全世界科研人员的手中。

一年之内，超过 50 万研究人员使用了 AlphaFold 数据库，查看了超过 200 万个结构，加速解决塑料污染、抗生素耐药性等现实问题。

自那以后，数据库还在不断地扩充。

2022 年 7 月，DeepMind 发布了几乎所有科学已知的蛋白质预测结构，总共超过 2 亿个，除了人类，其中还包括了植物、细菌、动物和其他生物体的预测结构。

AlphaFold 数据库，就像蛋白质结构的「Google 搜索」，也像一个繁星闪烁的蛋白质宇宙。蛋白质的三维结构是生命的基石，看起来又精致美观，让人感叹大自然造物的神奇。

不过，这次发布的 AlphaFold 3，相比 AlphaFold 2，态度稍微显得保守，招致了一些批评的声音。

AlphaFold 3 目前没有开源，不能在本地部署，研究人员只能通过 DeepMind 最新推出的研究平台 AlphaFold Server，免费访问大部分功能，且用途是非商业的。

最阻碍科学进步的是服务的访问次数：每天只能进行 10 次预测。

抠门行为的背后，DeepMind 可能有自己的商业考量——子公司 Isomorphic Labs 已经与制药公司合作，将 AlphaFold 3 应用于药物设计。

Google DeepMind 联合创始人兼首席执行官 Demis Hassabis 乐观地表示，首批 AI 设计的药物可能会在未来几年内准备好进行测试。

当然，AlphaFold 还是有局限性的。

中国结构生物学家颜宁，曾经在 2022 年回答过关于 AlphaFold 2 会否替代科学家的话题。

在 Nav/Cav 方面，AlphaFold 2 依旧停留在他们 2017 年的水平，而在测试新型小分子与蛋白的相互作用时，AI 预测无一正确。

颜宁解释，生物结构学不仅仅是关于折叠，更要理解蛋白质的动态变化，理解与其他生物大分子或者调节小分子的相互作用，理解在细胞原位里的状态，因为数据不够，这些都是 AI 还无能为力的领域。

如今，AlphaFold 3 在 AlphaFold 2 的不足之处，迈出了一大步，让我们看到了预测不同生物分子相互作用的可能性，但它仍然是专注于分子结构的静态预测，有时还会产生幻觉。

之前在接受采访时，Demis Hassabis 批评了 AI 的炒作现象。

他认为，AI 应该被作为「科学的终极工具」，比如预测蛋白质结构的 AlphaFold 模型，人类即将迎来科学发现的新文艺复兴。

英雄所见略同，英伟达的黄仁勋，也很看好医疗和生物技术的 AI 赛道，在 2024 年 GTC AI 大会上介绍了不少 AI 医疗服务，并与强生等公司在手术和医学成像领域达成了合作。

Sora 模拟物理世界，而 AlphaFold 3 更让我们了解生物世界，回归了我们对 AI 最初的期待——加速科学发现，推动人类进步，理解生命本身。

虽然 AGI 还远在天边，文字、图片、视频、蛋白质分子，彼此不同，却又相互呼应。

AI 确实已经如此强大，也与日常生活越来越紧密相关，我们可以期待，每天都有更多的创新出现，也有更多的谜团被解开。