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。
将 AlphaFold 交给世界，等待科学发现的新文艺复兴
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。
