获得诺贝尔奖两年后，Google AlphaFold 的原班人马已被拆分。

据《金融时报》报道，AlphaFold 论文的大部分原始作者在过去一年里已被重新分配，其中全职核心作者中有近四分之一已彻底离开 Google。

留下的人也转向 Gemini 科研 Agent、酶设计、基因组学和核聚变等领域，还有人干脆去了 Alphabet 旗下的药物研发公司 Isomorphic Labs。

就连诺奖得主 John Jumper 与 Jonas Adler 也一度被调入 Code Strike 团队，负责主攻 AI coding 能力。但后面的故事我们都知道了，这两位大佬最终还是转投了 Anthropic。

左为 Google DeepMind CEO Demis Hassabis，右为 John Jumper，原报道链接

针对这次报道，Google 负责 AI for Science 的研究副总裁 Pushmeet Kohli 回应称，DeepMind 的科学团队没有改变方向，只是扩大了工作范围，仍在推进蛋白质、基因组与酶设计，并借助 Gemini 加速科研。

AlphaFold 曾经代表一种相对传统的科研组织方式。围绕一个清晰问题组建团队，长期投入，集中资源，最终交付成果。

如今，类似团队正在逐渐让位于更通用的模型平台。蛋白质、数学、基因组、核聚变和代码，看起来分属不同学科，进入 AI 公司之后，却都可以成为 Gemini 的一组能力模块。

与此同时，科研人才、算力资源以及议题的主导权，也越来越集中到少数 AI 公司手中。

我要加入 Anthropic

过去几年，越来越多数学家、物理学家、生物学家和计算机科学教授进入 AI 行业。

比如 Anthropic 就一直在招物理学家、经济学家和哲学家；OpenAI 网罗研究黑洞、弦理论和纯数学的人；DeepMind 也聚集了生物学与核聚变专家。

前不久，亚利桑那州立大学教授 Subbarao Kambhampati 调侃，学术圈最近多了一个梗：我要加入 Anthropic。

据《大西洋月刊》粗略统计，仅四家头部 AI 公司就聚集了至少 80 多名现任或前任教授。

人才流动的方向也越来越单一。

斯坦福大学《AI Index Report》显示，2011 年，AI 博士毕业后进入企业和学术界的比例大致相当，分别为 40.9% 和 41.6%。到 2022 年，进入企业的比例升至 70.7%，进入学术界的比例降至 20%。

一篇 2026 年 NBER 工作论文追踪了约 4.2 万名美国 AI 研究者。40 岁以下研究者离开大学的概率，大约是 40 岁以上人群的六倍；约 70% 的转职者五年后仍留在公司。

钱当然很重要。企业顶尖 1% AI 研究者的年收入，从 59.5 万美元涨到 194 万美元；大学同一梯队只从 30.1 万美元涨到 39.2 万美元。双方差距扩大到约 150 万美元。

更难拒绝的是科研条件。

2010 年代初，约 65% 的大规模机器学习模型由学术实验室独立开发。进入 2020 年代后，这一比例跌到不足 10%。到 2022 年，约 81% 的前沿模型已经由企业独立完成。

UC Berkeley 教授 Anca Dragan 加入 DeepMind 时就明确自己的诉求，她需要前沿安全研究所必需的数据、算力和预算。

对比之下，一项研究在大学里可能要先申请经费、采购设备、招聘工程人员，再等待计算资源排期。进入 AI 公司后，同一个研究者可以直接调用大型模型、专有数据、分布式算力和数百人的工程体系。

只是，一名顶尖教授离开大学，损失远不止几篇论文。大学同时失去一名导师、一个课题组、一条博士生培养链，以及未来十几年可能形成的研究方向。

过去，科技公司从大学购买研究成果。现在，它们开始直接购买生产研究成果的人。企业获得的是一个人，大学失去的可能是一代人。

当然，把所有人才流动都归结为学术界衰落，也会低估企业科研正在创造的价值。

AlphaFold 已经证明，企业可以做出改变科学史的成果。两亿多个蛋白质结构预测，让大量生物学家省下过去数月甚至数年的工作。

贝尔实验室早已证明企业研究院也能改变科学。鼎盛时期，它拥有约 1200 名博士，产出至少 10 项诺贝尔奖。Demis Hassabis 多次把它当作 DeepMind 的参照物。

AI 公司确实越来越像一种覆盖多个学科、拥有强大工程能力和商业出口的新型研究院。

DeepMind 把 Gemini 接入数学、基因组和核聚变；Isomorphic Labs 联手药企研发新药；Anthropic 推出 Claude Science；OpenAI 则把 ChatGPT 和 Codex 塞进科研流程。

相关的成果已经出现。物理学家 Rogerio Jorge 用 AI 开发开源核聚变软件，理论计算机科学家 Barna Saha 等人则用 GPT-5.5 Pro 辅助高维几何证明。

OpenAI 称，每周约有 130 万人用 ChatGPT 处理高阶科学和数学任务，并计划向 10 万名高校研究者免费开放前沿模型和 Codex。

从个人影响力看，一名科学家进入企业后，作用甚至可能被放大。如上所述，他在大学里可能带领十几名学生，在 AI 公司则可以调动数百名工程师、海量计算资源和全球性数据平台。原本停留在论文中的方法，也更容易进入药物、软件、实验设备和产业系统。

但代价也是不言而喻的。

NBER 研究发现，AI 学者长期转入企业后，论文产量平均减少 65%。2000 年至 2019 年，企业雇用的 AI 研究者占比从 48% 升至 68%，论文占比只从 27% 升到 32%，专利占比却从 86% 升至 95%。

人还在研究，成果却从论文流向专利、内部模型和商业机密。Google 当年公开 Transformer，养大了整个行业。今天，训练数据、模型权重和失败记录，越来越难离开企业的服务器。

科学仍在加速，开放科学却可能踩下刹车。

科学家没有离开科学，科学正在离开大学

AI 公司可以成为研究院，却很难成为大学。

大学承担着一项经常被忽略的工作。它需要训练大量尚未证明自己的学生，也要长期保存暂时没有应用、无法定价、甚至几十年后才可能显现价值的问题。

然而，AI 公司喜欢已经证明自己的教授和资深研究者，对培养新人没那么有耐心。SignalFire 数据显示，2024 年新毕业生只占大型科技公司招聘人数的 7%，相比 2019 年下降超过一半。

🔗 https://file.tonglife.net/images/ff/5fca865e6685935124e523546b503d.jpg

企业一边从大学吸收顶尖教授和成熟研究者，一边减少初级岗位和培训投入。它们可以聚集一批顶尖科学家，却未必会承担大规模培养下一代科学家的责任。

相关影响已经出现在大学课堂里。《大西洋月刊》采访的学生发现，一些课程突然停开，理由很现实，教授去 AI 公司休假了。

与此同时，明星教授离开后，博士生失去的不只有一门课，也包括推荐资源、研究网络、课题组织能力，以及接触前沿问题的机会。

更潜移默化的变化发生在研究课题上。

药物设计、编程、数学推理、材料发现能增强模型，也能形成产品，自然更容易拿到资源支持。长期野外研究、生态保护等选题，往往处于尴尬的处境。

然而，历史偏偏喜欢和短期回报开玩笑。

数论长期被视为最纯粹、最缺乏实用价值的数学，后来成为现代密码学的基础。激光刚出现时，也曾被称作一个正在寻找问题的解决方案。互联网早期同样难以用商业模型衡量。

公共科研体系的意义，正在于它能够允许人类研究那些暂时无法解释价值的问题。

而今天的 AI 公司由于处于模型性能、产品发布和资本投入的高强度竞争中。即使它们愿意投资基础科学，资源也更可能流向能够增强模型、支撑产品或形成专利的方向。

未来很可能出现一种别扭的繁荣。

人类更快找到新药、证明定理、发现材料，最强的科学家也拥有历史上最强的工具。同时，谁来决定研究什么，谁来培养下一代科学家，谁又愿意继续做那些无人付费的研究，都成了问题。

科学家没有离开科学。只是科学，正在加速逃离大学。

我有时候会把大学和 AI 公司想成一条河的两端。大学更像上游。水流很慢，泥沙很多，大量支流看起来毫无用途。有人在那里测量、记录、争论，也有人花一辈子研究一条最终没有流向城市的小溪。

AI 公司更像下游的水电站。它们能集中水流，驱动机器，产生巨大的能量，把科学迅速送进药物、软件和产业。

水电站当然重要。没有它，河水只是流过去。

可要是所有人都跑去下游发电，上游的水源渐渐干涸，几年以后，大家只能坐在机房里等待一条已经不再流来的河。

当数学家忙着改进模型，生物学家忙着训练 Agent，物理学家忙着扩大算力边界，人类或许会得到更强的 AI。留在身后的那些问题，没有产品路线，没有投资回报，也暂时无法解释用途。

它们很安静。安静到很容易让人误以为，它们并不重要。

本文转自：凤凰网科技

原文地址： https://tech.ifeng.com/c/8v9wZcXmW5I