与「AlphaFold」相关的搜索结果

一个思考：AI 模型的分水岭已经出现！大家要的不是最强的智能，而是最适合自己场景的智能 👀 过去一年，代码生成帮模型公司完成了能力跃迁。接下来，智能体应用正在分化出五个方向：个人便利、个人生产力、企业协作、娱乐生成、科研前沿。娱乐拼的是规模，它争夺所有人的时间；企业拼的是利润，它替代的是人类劳动。 Meta 的 Muse 给大众做了一次便利性的市场教育；Claude Code 证明了代码就是生产力，今年它和 ChatGPT 在企业市场已经打到白热化；字节的 Seedance 和红果短剧，让娱乐生成露出了端倪，这才刚刚开始。 不同玩家，会走不同的路。有终端渠道的公司主攻个人便利，因为用户不会为日常智能多付钱，谁便宜好用就用谁，赚钱靠平台，赢靠心智和流量。企业和专业生产力永远是利润最高的战场，全球知识劳动者一年的薪酬是三十多万亿美元，没有哪家前沿实验室会放手。 最值得关注的是科研前沿：模型公司不会卖科研模型，而是直接交付结果！ Isomorphic Labs 不卖 AlphaFold，直接给礼来和诺华设计分子，拿预付款、里程碑和销售分成；Lila Sciences 建“AI 科学工厂”，成果交给合作伙伴和孵化公司落地；Periodic Labs 更彻底，由 ChatGPT 的共同创造者和谷歌材料发现团队的负责人联手创办，用 AI 加自动化实验室直接去找新材料、新超导体，种子轮就拿了 3 亿美元，现在估值 75 亿美元，资本押注的就是“发现本身”的价值。不过 OpenAI 也坐不住了，CFO 在达沃斯直言：别人用它的技术研发出新药，它要分一份利润，从“卖工具”转向“分利润”。 但这里有个关键区别：愿意亲自下场、共担风险、交付成果的公司，产业会接受；只卖工具、却想事后分成的，药企和大机构很难买单。第一批 AI 设计的药物能否走完临床，会决定“模型公司即研发公司”这条第二增长曲线能不能跑通 🤔

谷歌最近出啥问题了？接连损失大将。刚刚杰夫.迪恩宣布从谷歌离职创立Discovery Loop。这位非常不简单，杰夫.迪恩是计算机科学与人工智能领域的传奇人物，被誉为“谷歌的系统架构总设计师”和硅谷“程序员中的程序员”。 1、杰夫离职前担任谷歌首席科学家兼任 Google DeepMind 和 Google Research 的核心技术领袖。是Google Senior Fellow/Level 11，在谷歌数十万员工中，能达到 Level 11 的极度罕见，几乎代表了整个谷歌技术体系的终极权威。 2、Jeff Dean在谷歌工作27年，其职业生涯贯穿了互联网海量数据处理时代与现代人工智能时代，其核心成就可分为三大阶段： 1）奠定现代互联网基础的基础设施（2000年代） 在谷歌成立早期，他主导开发了一系列支撑起整个 Google 生态（乃至全行业大数据架构）的基础系统： MapReduce：划时代的分布式计算框架。它将庞大的数据处理任务拆分到数万台普通服务器上并行运行，是后来的 Hadoop 等大数据技术的直接灵感来源。 Bigtable：高扩展性、高性能的分布式结构化数据存储系统，直接催生了后来的 NoSQL 数据库浪潮（如 HBase）。 Spanner：全球级分布式 SQL 数据库，打破了传统数据库“一致性”与“可用性”难以兼得的困境。 搜索与广告系统架构：主导设计了谷歌早期的五代搜索索引与抓取系统，以及 AdSense 广告投放系统的早期基础设施。 2）推动 AI 革命与深度学习生态（2010年代） 创建 Google Brain（谷歌大脑）：2011 年与吴恩达（Andrew Ng）等人共同创办 Google Brain，将深度学习引入谷歌的核心业务。 TensorFlow：主导打造并开源了全球最著名的深度学习框架之一 TensorFlow，极大地降低了全球研究者和开发者使用 AI 的门槛。 DistBelief & Pathways：先后设计了 DistBelief（早期大规模分布式神经网络训练系统） 和 Pathways 架构（为后续训练 PaLM、Gemini 等超大规模多模态大模型奠定了系统支撑）。 3）整合与领军时代（2020年代） 统领 Google AI 与 DeepMind 融合，杰夫曾长期担任 Google AI（Google Research）负责人。2023 年 Google Brain 与 DeepMind 合并为 Google DeepMind 后，他作为首席科学家，重点统筹下一代超大模型（如 Gemini 系列）的系统架构与前沿 AI 研发。 前段时间谷歌还有两位大拿离开： 1）Google DeepMind 副总裁 John Jumper跳槽至 Anthropic，这位因带领团队打造预测蛋白质结构的革命性 AI 模型 AlphaFold，与 Demis Hassabis 共同获得 2024 年诺贝尔化学奖。 2）谷歌工程副总裁兼旗舰模型 Gemini 联合负责人Noam Shazeer跳槽至 OpenAI。 Noam Shazeer 是Transformer 架构奠基人之一：2017 年奠定现代大模型基础的划时代论文《Attention Is All You Need》的共同作者。 前线厮杀正浓，统兵大将接连离开，对谷歌影响应该不小。

The Alphafold, as Vertu’s newest device is called, uses materials like calfskin, alligator skin, 24-karat gold and, sure, actual diamonds in its construction. Check it out now:

Friedberg: New study shows enzyme reverses skin age from 70+ years to 31 Chamath: That’s a $2T market. Did Scientists Just Discover How to Reverse Skin Aging!? “CML is kind of the predominant molecule that gets formed in this extracellular matrix that's driving aging, and nothing breaks it down. So these scientists set out to try and create an enzyme, an enzyme is a protein that breaks something down, that can break down CML. And so these guys kind of went out and they took the target, which is CML, and tried to figure out, ‘Okay, how do we actually degrade CML, clear that extracellular matrix, and reverse aging?’ They started to test it on the proteins that we would find in our body, casein, collagen, retinal proteins, which are in your eye, hemoglobin, and they were able to get rid of 52 to 97% of the CML, just degrade it away. And then they found several sites where they were able to degrade over 90%. And then they took actual human skin from elderly patients that had donated their skin, and they put this enzyme onto that skin, and they were able to eliminate 55% of the CML on the skin, basically reverse the skin's age down to the age of a 31-year-old, this is from greater than 70-year-old patients, just by putting this enzyme on the skin. And so it's kind of a groundbreaking demonstration of combination of AlphaFold, what's called directed evolution, where you change the order of the DNA that changes the structure of the protein to test different proteins, do high throughput screening, and ultimately make a novel protein that doesn't exist in nature today that can do something pretty profound for human health.” Chamath: “It will be a trillion-dollar market. If you can create a cream…” Friedberg: “I mean, dude, if you could put this enzyme literally on your skin and have it absorb in…” Chamath: “Game over. That alone is $2 trillion.”

最近 Anthropic 招募了一篇顶尖人才！我们可以从他们招了谁、进了哪个组，反推出 Anthropic 未来 12–18 个月的下注重心。人事就是路线图，我让 Indigo-mind Agent 从我的知识库收录中按信号强弱排了一下👀 一、核心引擎：用 AI 造 AI + 下一代预训练/效率 信号最强！Karpathy 进预训练组、专门“用 Claude 加速 Claude 的预训练研究”；Jelani Nelson（流式算法/降维、大规模高效算法）也进同一条预训练线。两个顶级人都压在预训练+效率上，说明： • Anthropic 判断预训练远没撞墙（和 Yann Dubois 笔记一致），下一波增益在效率 + 把研究循环自动化（RSI）。 • Nelson 的专长（大规模高效算法、降维）= 压榨每一分算力；Karpathy = 让 AI 接管研究 loop。合起来就是"递归自我改进的复利飞轮"从口号变建制。 → 这是它的主引擎，其它都是围着它转。 二、算力/能源基础设施扩张 招 Ross Nordeen（xAI 数据中心整体规划、选址、能源策略、算力扩容）说明 Anthropic 在自建大规模算力 + 能源布局，不再只靠合作方。又一家前沿实验室进入“抢电、抢算力、烧 Capex”的军备赛。 三、AI for Science（尤其生物）- 皇冠上的垂直 Jumper（AlphaFold 诺奖）+ Neklyudov（生成建模 for 蛋白折叠/分子动力学）+ 自建 wet lab + Allen/HHMI 合作 + 收购 Coefficient Bio。这是一整套认真的 AI-for-bio 下注，而且自建湿实验室 = 把"数字→物理"生物闭环补上。和 Demis/DeepMind 抢同一颗明珠，前沿实验室在往生命科学的物理层走。 四、Agentic 检索/记忆/上下文 Bryan McCann（搜索、检索、LM 集成）直接对口把模型连到外部上下文——这正是我的记忆/持续学习那条簇的产品侧（Engram/Karl Mehta/Satya 的 exhaust）。加上 Bailis 的系统/数据库底子，指向 Agentic 检索 + 上下文工程的产品化。 五、企业/产品（可能含 fintech / agentic commerce） Tom Blomfield（Monzo/GoCardless，支付基础设施 + 消费级产品）+ Peter Bailis（Workday CTO，企业软件）。这批是产品与商业化肌肉——尤其 Blomfield 的支付背景，值得留意 Anthropic 是否往 Agentic 支付/商务方向走。 六、软实力长线：对齐 + AI 经济学/治理 • Lederman（哲学家 → 对齐 + 模型"人格 character" + AI 福祉）； • Chad Jones（Anthropic Institute，Jack Clark，研究 AI 对经济/社会/法治的系统性影响）。 这不是赚钱线，是“负责任守门人”定位 + 政策影响力——正好和 Demis 那篇"前沿 AI 治理框架"是一套打法：用安全/治理/经济学研究占据话语权。 这份人事表画出的 Anthropic 是——主引擎压在"预训练效率 + RSI"（不追消费/机器人/World model），认真做科学垂直（生物方向），自建算力能源，外加治理/经济学的软实力。明显没重仓的：机器人、World model、消费社交——它在收窄、做深，而不是铺开。

最近 Anthropic 招募了一篇顶尖人才！我们可以从他们招了谁、进了哪个组，反推出 Anthropic 未来 12–18 个月的下注重心。人事就是路线图，我让 Indigo-mind Agent 从我的知识库收录中按信号强弱排了一下👀 一、核心引擎：用 AI 造 AI + 下一代预训练/效率 信号最强！Karpathy 进预训练组、专门“用 Claude 加速 Claude 的预训练研究”；Jelani Nelson（流式算法/降维、大规模高效算法）也进同一条预训练线。两个顶级人都压在预训练+效率上，说明： • Anthropic 判断预训练远没撞墙（和 Yann Dubois 笔记一致），下一波增益在效率 + 把研究循环自动化（RSI）。 • Nelson 的专长（大规模高效算法、降维）= 压榨每一分算力；Karpathy = 让 AI 接管研究 loop。合起来就是"递归自我改进的复利飞轮"从口号变建制。 → 这是它的主引擎，其它都是围着它转。 二、算力/能源基础设施扩张 招 Ross Nordeen（xAI 数据中心整体规划、选址、能源策略、算力扩容）说明 Anthropic 在自建大规模算力 + 能源布局，不再只靠合作方。又一家前沿实验室进入“抢电、抢算力、烧 Capex”的军备赛。 三、AI for Science（尤其生物）- 皇冠上的垂直 Jumper（AlphaFold 诺奖）+ Neklyudov（生成建模 for 蛋白折叠/分子动力学）+ 自建 wet lab + Allen/HHMI 合作 + 收购 Coefficient Bio。这是一整套认真的 AI-for-bio 下注，而且自建湿实验室 = 把"数字→物理"生物闭环补上。和 Demis/DeepMind 抢同一颗明珠。对你判断"AI 卖铲人/垂直纵深"是方向信号：前沿实验室在往生命科学的物理层走。 四、Agentic 检索/记忆/上下文 Bryan McCann（搜索、检索、LM 集成）直接对口把模型连到外部上下文——这正是我的记忆/持续学习那条簇的产品侧（Engram/Karl Mehta/Satya 的 exhaust）。加上 Bailis 的系统/数据库底子，指向 Agentic 检索 + 上下文工程的产品化。 五、企业/产品（可能含 fintech / agentic commerce） Tom Blomfield（Monzo/GoCardless，支付基础设施 + 消费级产品）+ Peter Bailis（Workday CTO，企业软件）。这批是产品与商业化肌肉——尤其 Blomfield 的支付背景，值得留意 Anthropic 是否往 Agentic 支付/商务方向走。 六、软实力长线：对齐 + AI 经济学/治理 • Lederman（哲学家 → 对齐 + 模型"人格 character" + AI 福祉）； • Chad Jones（Anthropic Institute，Jack Clark，研究 AI 对经济/社会/法治的系统性影响）。 这不是赚钱线，是“负责任守门人”定位 + 政策影响力——正好和 Demis 那篇"前沿 AI 治理框架"是一套打法：用安全/治理/经济学研究占据话语权。 这份人事表画出的 Anthropic 是——主引擎压在"预训练效率 + RSI"（不追消费/机器人/World model），认真做科学垂直（生物方向），自建算力能源，外加治理/经济学的软实力。明显没重仓的：机器人、World model、消费社交——它在收窄、做深，而不是铺开。

谷歌 DeepMind 再失 Gemini 核心人才 Gemini 核心贡献者 Jonas Adler 与 Alexander Pritzel 计划加盟 Anthropic。此前数日，AlphaFold 负责人、2024 年诺贝尔化学奖得主 John Jumper 已跳槽至 Anthropic，Gemini 联合负责人 Noam Shazeer 则加入 OpenAI。 DeepMind CEO Demis Hassabis 近期公开承认，AI 人才竞争已进入科技行业最惨烈阶段。数据显示，DeepMind 工程师跳槽 Anthropic 的概率是反向流动的 11 倍。

Gemini又有两位核心人物离开。 据 Bloomberg报道，Gemini 的两位关键贡献者 Jonas Adler @JonasAAdler 和 Alexander Pritzel @AlexPritzel 将离开 Google DeepMind，加盟 Anthropic。 Adler 是 Google AI coding 项目的关键负责人之一，Pritzel 则是基础训练团队里的核心人物。 Jonas Adler 是 KTH 应用数学背景，早期做 inverse problems 和 scientific machine learning，后来参与 AlphaFold、AlphaFold 3、Gemini 1.5。 Alexander Pritzel 是 2014 年加入 DeepMind 的老兵，早期做 deep RL、uncertainty estimation、episodic memory，后来是 AlphaFold 2 和 AlphaFold 3 的核心作者之一，再转到 Gemini 训练体系。 一个偏 coding，一个偏 pretraining，刚好都卡在 Anthropic 现在最想补强的地方。 Gemini大概是真的要完了，毕竟船要沉之前水手们是第一个知道的。

A bit of news: After nearly 9 years, I have decided to leave Google DeepMind and join Anthropic (after taking some time to recharge). I am incredibly grateful for my time at GDM. @demishassabis took a real chance letting me lead the AlphaFold team just six months after finishing my PhD, and the entire GDM team taught me so much about how to do great science. GDM is a special place, and I’ll still be excited to hear about what amazing things they discover next.

终于有人把那层窗户纸捅破了。 DeepMind CEO、AlphaFold 相关诺奖得主 Demis Hassabis 直接说了：我们离 AGI 还差得远。 而且他说得很狠。 大意就是： 你就算让模型解再多 Erdős 问题， 那也离真正的“发明”差很远， 更别说摸到拉马努金那种级别。 这话我觉得太对了。 很多人一看模型会做题、会推理、会刷榜， 就恨不得立刻宣布“快 AGI 了”。 但问题是， Erdős 这类题本来就属于定义清楚、空间有限、规则明确的那种。 这恰好就是现阶段 AI 最擅长的区间： 算得猛， 搜得广， 吃过海量知识， 然后在一个已经给定的概念空间里，重组、试探、找到很惊艳的解。 很强，没错。 但“很会解题” 跟“真正发明新东西” 中间差的不是一小步。 真正的发明，不只是把题做出来。 是你能搞出新的东西， 新的维度， 新的联系。 甚至，重新发明问题本身。 这才是最恐怖的地方。 从“解一个给定的问题” 到“创造一个别人还没意识到的问题”， 这里面明显有一道坎。 而且说实话， 这道坎怎么过去， 大家并不知道。 所以结论也别绕了： 我们确实造出了非常离谱的工具。 但离 AGI，真还远。 会解题，不等于会发明。 这俩事，很多人故意混着讲，我是真有点看烦了。