獲得諾貝爾獎兩年後，Google AlphaFold 的原班人馬已被拆分。
據《金融時報》報道，AlphaFold 論文的大部分原始作者在過去一年裡已被重新分配，其中全職核心作者中有近四分之一已徹底離開 Google。
留下的人也轉向 Gemini 科研 Agent、酶設計、基因組學和核聚變等領域，還有人乾脆去了 Alphabet 旗下的藥物研發公司 Isomorphic Labs。
就連諾獎得主 John Jumper 與 Jonas Adler 也一度被調入 Code Strike 團隊，負責主攻 AI coding 能力。但後面的故事我們都知道了，這兩位大佬最終還是轉投了 Anthropic。
針對這次報道，Google 負責 AI for Science 的研究副總裁 Pushmeet Kohli 回應稱，DeepMind 的科學團隊沒有改變方向，只是擴大了工作範圍，仍在推進蛋白質、基因組與酶設計，並藉助 Gemini 加速科研。
AlphaFold 曾經代表一種相對傳統的科研組織方式。圍繞一個清晰問題組建團隊，長期投入，集中資源，最終交付成果。
如今，類似團隊正在逐漸讓位於更通用的模型平台。蛋白質、數學、基因組、核聚變和代碼，看起來分屬不同學科，進入 AI 公司之後，卻都可以成為 Gemini 的一組能力模組。
與此同時，科研人才、算力資源以及議題的主導權，也越來越集中到少數 AI 公司手中。
「我要加入 Anthropic」
過去幾年，越來越多數學家、物理學家、生物學家和電腦科學教授進入 AI 行業。
比如 Anthropic 就一直在招物理學家、經濟學家和哲學家；OpenAI 網羅研究黑洞、弦理論和純數學的人；DeepMind 也聚集了生物學與核聚變專家。
前不久，亞利桑那州立大學教授 Subbarao Kambhampati 調侃，學術圈最近多了一個梗：「我要加入 Anthropic。」
據《大西洋月刊》粗略統計，僅四家頭部 AI 公司就聚集了至少 80 多名現任或前任教授。
人才流動的方向也越來越單一。
斯坦福大學《AI Index Report》顯示，2011 年，AI 博士畢業後進入企業和學術界的比例大致相當，分別為 40.9% 和 41.6%。到 2022 年，進入企業的比例升至 70.7%，進入學術界的比例降至 20%。
一篇 2026 年 NBER 工作論文追蹤了約 4.2 萬名美國 AI 研究者。40 歲以下研究者離開大學的概率，大約是 40 歲以上人群的六倍；約 70% 的轉職者五年後仍留在公司。
錢當然很重要。企業頂尖 1% AI 研究者的年收入，從 59.5 萬美元漲到 194 萬美元；大學同一梯隊只從 30.1 萬美元漲到 39.2 萬美元。雙方差距擴大到約 150 萬美元。
更難拒絕的是科研條件。
2010 年代初，約 65% 的大規模機器學習模型由學術實驗室獨立開發。進入 2020 年代後，這一比例跌到不足 10%。到 2022 年，約 81% 的前沿模型已經由企業獨立完成。
UC Berkeley 教授 Anca Dragan 加入 DeepMind 時就明確自己的訴求，她需要前沿安全研究所必需的「數據、算力和預算」。
對比之下，一項研究在大學裡可能要先申請經費、採購設備、招聘工程人員，再等待計算資源排期。進入 AI 公司後，同一個研究者可以直接調用大型模型、專有數據、分布式算力和數百人的工程體系。
只是，一名頂尖教授離開大學，損失遠不止幾篇論文。大學同時失去一名導師、一個課題組、一條博士生培養鏈，以及未來十幾年可能形成的研究方向。
過去，科技公司從大學購買研究成果。現在，它們開始直接購買生產研究成果的人。企業獲得的是一個人，大學失去的可能是一代人。
當然，把所有人才流動都歸結為學術界衰落，也會低估企業科研正在創造的價值。
AlphaFold 已經證明，企業可以做出改變科學史的成果。兩億多個蛋白質結構預測，讓大量生物學家省下過去數月甚至數年的工作。
貝爾實驗室早已證明企業研究院也能改變科學。鼎盛時期，它擁有約 1200 名博士，產出至少 10 項諾貝爾獎。Demis Hassabis 多次把它當作 DeepMind 的參照物。
AI 公司確實越來越像一種覆蓋多個學科、擁有強大工程能力和商業出口的新型研究院。
DeepMind 把 Gemini 接入數學、基因組和核聚變；Isomorphic Labs 聯手藥企研發新藥；Anthropic 推出 Claude Science；OpenAI 則把 ChatGPT 和 Codex 塞進科研流程。
相關的成果已經出現。物理學家 Rogerio Jorge 用 AI 開發開源核聚變軟體，理論電腦科學家 Barna Saha 等人則用 GPT-5.5 Pro 輔助高維幾何證明。OpenAI 稱，每周約有 130 萬人用 ChatGPT 處理高階科學和數學任務，並計劃向 10 萬名高校研究者免費開放前沿模型和 Codex。
We’re giving scientists, mathematicians, and engineers free access to our frontier models—starting with 10,000 researchers and expanding to 100,000 through 2027. ChatGPT for Academic Researchers is built to accelerate discovery across disciplines.
從個人影響力看，一名科學家進入企業後，作用甚至可能被放大。如上所述，他在大學裡可能帶領十幾名學生，在 AI 公司則可以調動數百名工程師、海量計算資源和全球性數據平台。原本停留在論文中的方法，也更容易進入藥物、軟體、實驗設備和產業系統。
但代價也是不言而喻的。
NBER 研究發現，AI 學者長期轉入企業後，論文產量平均減少 65%。2000 年至 2019 年，企業雇用的 AI 研究者占比從 48% 升至 68%，論文占比只從 27% 升到 32%，專利占比卻從 86% 升至 95%。
人還在研究，成果卻從論文流向專利、內部模型和商業機密。Google 當年公開 Transformer，養大了整個行業。今天，訓練數據、模型權重和失敗記錄，越來越難離開企業的伺服器。
科學仍在加速，開放科學卻可能踩下剎車。
科學家沒有離開科學，科學正在離開大學
AI 公司可以成為研究院，卻很難成為大學。
大學承擔著一項經常被忽略的工作。它需要訓練大量尚未證明自己的學生，也要長期保存暫時沒有應用、無法定價、甚至幾十年後才可能顯現價值的問題。
然而，AI 公司喜歡已經證明自己的教授和資深研究者，對培養新人沒那麼有耐心。SignalFire 數據顯示，2024 年新畢業生只占大型科技公司招聘人數的 7%，相比 2019 年下降超過一半。
企業一邊從大學吸收頂尖教授和成熟研究者，一邊減少初級崗位和培訓投入。它們可以聚集一批頂尖科學家，卻未必會承擔大規模培養下一代科學家的責任。
相關影響已經出現在大學課堂里。《大西洋月刊》採訪的學生發現，一些課程突然停開，理由很現實，教授去 AI 公司「休假」了。
與此同時，明星教授離開後，博士生失去的不只有一門課，也包括推薦資源、研究網路、課題組織能力，以及接觸前沿問題的機會。
更潛移默化的變化發生在研究課題上。
藥物設計、編程、數學推理、材料發現能增強模型，也能形成產品，自然更容易拿到資源支持。長期野外研究、生態保護等選題，往往處於尷尬的處境。
然而，歷史偏偏喜歡和短期回報開玩笑。
數論長期被視為最純粹、最缺乏實用價值的數學，後來成為現代密碼學的基礎。雷射剛出現時，也曾被稱作「一個正在尋找問題的解決方案」。網際網路早期同樣難以用商業模型衡量。
公共科研體系的意義，正在於它能夠允許人類研究那些暫時無法解釋價值的問題。
而今天的 AI 公司由於處於模型性能、產品發布和資本投入的高強度競爭中。即使它們願意投資基礎科學，資源也更可能流向能夠增強模型、支撐產品或形成專利的方向。
未來很可能出現一種彆扭的繁榮。
人類更快找到新藥、證明定理、發現材料，最強的科學家也擁有歷史上最強的工具。同時，誰來決定研究什麼，誰來培養下一代科學家，誰又願意繼續做那些無人付費的研究，都成了問題。
科學家沒有離開科學。只是科學，正在加速逃離大學。
我有時候會把大學和 AI 公司想成一條河的兩端。大學更像上游。水流很慢，泥沙很多，大量支流看起來毫無用途。有人在那裡測量、記錄、爭論，也有人花一輩子研究一條最終沒有流向城市的小溪。
AI 公司更像下游的水電站。它們能集中水流，驅動機器，產生巨大的能量，把科學迅速送進藥物、軟體和產業。
水電站當然重要。沒有它，河水只是流過去。
可要是所有人都跑去下游發電，上游的水源漸漸乾涸，幾年以後，大家只能坐在機房裡等待一條已經不再流來的河。
當數學家忙著改進模型，生物學家忙著訓練 Agent，物理學家忙著擴大算力邊界，人類或許會得到更強的 AI。留在身後的那些問題，沒有產品路線，沒有投資回報，也暫時無法解釋用途。
它們很安靜。安靜到很容易讓人誤以為，它們並不重要。
