科学网—一个真正用AI”改变了世界"的人
精选
已有 101 次阅读
2026-7-9 16:55
| 个人分类: 科学家研究 | 系统分类: 人物纪事
一个真正用AI ” 改变了世界"的人
叶明
一个39岁、毕业7年的年轻人居然“轻而易举”地就拿到诺贝尔化学奖？这位数理本科、物理硕士、化学博士如何在人工智能领域大放异彩？半个世纪的生物学“圣杯”难题 --- “ 蛋白质折叠”是怎样解开？ 一个农场主的儿子怎么 敲响了三百年来现代科学体系最深沉的一记暮鼓？这样的奇迹是怎样发生的？
AlphaFold 2 总架构师的“离家出走”
2026 年6月19日，Google DeepMind 杰出科学家 江珀在X平台发布了一条简短的帖子，宣布 “离家出走”， 离开效力近九年的“老东家”， 转投“死敌” AI 公司 Anthropic ——Claude开发者的 怀抱！
Google DeepMind 是江珀博士毕业后拿到的第一份正式工作，在9年里， 他与同事共同开发了AlphaFold系列模型； 主导设计AlphaFold2， “利用人工智能成功解决了化学家苦苦思索了50多年的问题：根据氨基酸序列预测蛋白质的三维结构。” 它可以被视为人工智能领域第一个真正的科学突破， 完成了7年从博士毕业到诺贝尔奖得主的跨越 。
Anthropic 不是一个资源不足的小实验室，却也还没有完全变成层级森严的巨型公司。它有资本、有算力、有客户、有模型能力，也仍然保留着某种前沿实验室的紧迫感。Anthropic 的估值、融资能力和未上市股权，对江珀当然有巨大吸引力，但是，他真正关心的的是自己能否接触最前沿的问题，加入之后个人判断是否仍有重量，身边是否聚集足够多真正强的人，以及未来几年会不会被会议、层级和组织惯性慢慢耗掉。江珀选择的是自己认为未来真正会发生变化的地方。
两家公司在气质上有明显差异： Google DeepMind 更接近"AI for Science"（人工智能驱动的科学突破）的学院派路线，而Anthropic则强调"安全前沿模型+可解释性研究"。但是 ， 近年来Anthropic一直在加大对“科学AI”方向的投入，试图将大语言模型的能力延伸至科学发现的实质性工作中。
江珀的加入无疑为Anthropic的“科学AI”方向注入了一种稀缺的东西：他不仅一个会用AI做科学的人，更是一个深刻理解科学问题结构的人，知道哪些地方AI真的能发力，哪些地方AI的置信度不可轻信。这种判断力，在模型能力日益强大的今天，反而越来越值钱。江珀是一个真正用AI”改变了世界"的人。
游离于传统学科边界的成长轨迹
约翰·江珀 （John M.Jumper，1985--） 出生于美国阿肯色州中部的小石城（Little Rock） 的一个小农场主家庭， 少年时期 帮家里养马，做农务， 自学编程，从小他就对宇宙和自然界的奥秘充满了强烈的好奇心。他的 成长轨迹从一开始就带着某种游离于传统学科边界的精神气质。
江珀 本科就读于离家不远的私立名校 范德堡大学 （Vanderbilt University）， 本科主修数学+物理学双学士学位（2003–2007），深耕基础数理，奠定计算建模、算法思维基础，最初志向是理论物理，探索宇宙规律。 严格的数学与物理学的科班训练，使得John在日后研究蛋白质折叠的分子动力学问题时，能够始终关注到模型背后的物理含义，特别是从统计力学方面的角度；而扎实的数学物理基础又使得他能准确、迅速地理解并掌握“深度学习”模型。
江珀最爱的物理学专业
江珀本科毕业后获马歇尔奖学金赴英留学。马歇尔奖学金计划（Marshall Scholarship Program）以美国国务卿乔治·C·马歇尔 (George C. Marshall) 的名字命名，始于 1953 年，是英国政府用以感谢美国人民在二战后根据马歇尔计划获得的援助。从那时起，它的声望和范围一直在国家奖学金中保持独特的地位：为有才华的年轻美国人提供他们选择的英国大学任何学术科目长达 3 年的学习机会。这个奖项产生了众多大学校长、六位普利策奖获得者、一位诺贝尔奖获得者、两位美国最高法院法官和一位美国宇航局宇航员。
江珀在剑桥大学
2007 年，江珀在剑桥大学（University of Cambridge）圣埃德蒙学院攻读理论凝聚态物理博士学位。 凝聚态物理是一门研究物质在低能量尺度下集体行为的学科，需要同时理解量子力学的精密性与复杂系统的涌现性。 江珀主攻方向是微观物质的计算模拟。需要熟练掌握分子、粒子动力学仿真方法， 这是物理学中最难的问题之一，而且直接关系到生命， 为后续蛋白质分子模拟铺路 。 这种训练，悄悄塑造了 江珀 后来面对生物大分子时的独特直觉。
在2008年，江珀主动退出博士项目，获得了理论凝聚态物理硕士（MPhil）学位。江珀放弃了原来规划的纯理论物理的学术路线，进入工业界从事计算生物/蛋白质模拟研究，入职美国一家计算生物公司 （D. E. Shaw Research）——以量化金融起家、后来把大量资源押注在分子动力学模拟上的研究机构。
创始人D. E. Shaw 从斯坦福大学计算机系博士毕业后敏锐地用优化的代码，在彼时还使用着低效代码的股票市场，以高频交易赚取了巨额利润，身家钜万。而后，他出于研究科学问题的理想，创立了 Shaw 研究所，延揽软硬件方面的人才，从最基础的硬件架构开始设计专门用于模拟蛋白质的超级计算机以及程序，一度模拟出世界上最接近真实时间尺度的蛋白质运动轨迹。江珀是 Shaw 研究所的早期员工，主导研究蛋白质折叠的易辛模型(Ising model)，参与了 2010 年其发表的《科学》论文——《蛋白质结构动力学的原子级别刻画》。这篇论文 Shaw 本人是单独的第一作者，而其他所有人则是“共同第二作者”。
Shaw et al., Science 2010.
在D. E. Shaw Research，江珀担任科学助理(2008-2011年)，花了三年时间，从事蛋白质分子动力学计算机模拟，自主开发分子数据提取算法， 不仅积累了丰富的蛋白质折叠相关知识，而且实践了各种计算化学工具。例如，江珀开发了方便的轨迹可视化工具 ——可同时检查轨迹内分子结构、体系能量、结构偏差值（RMSD）等多种分析函数曲线。他用超级计算机模拟蛋白质分子在溶液中如何抖动、扭转、折叠，为日后转向“蛋白质折叠”研究打下基础。
这段经历在江珀的学术简历里看起来像是一个"弯路"，但恰恰是这段"弯路"，让他对蛋白质的物理行为产生了一种近乎直觉的感知。这是他有意识地从"纸笔理论物理"转向"有应用价值的科学计算"，也是他首次深入接触蛋白质折叠问题。在此阶段，江珀真正迷上“蛋白质折叠”难题，意识到物理计算可以解决生命医学问题，决定跨行（此前无化学背景）申请芝加哥大学理论化学博士项目。另一个原因是，因为江珀的爱人来芝加哥大学攻读博士学位，他放弃了年薪20万美金，领取学校提供的年薪3万美金的助教、助研工资。
江珀三年后重返学界，2011年进入芝加哥大学（University of Chicago）攻读博士学位。“ 刚开始的时候，我对化学一无所知。一窍不通，”江珀说。“我不得不速成所有内容，设法在知识储备上比我担任助教的本科生基础化学课提前一周”。 通过自学化学，快速打通物理、化学、生物交叉壁垒。
在芝加哥大学，江珀开始在 托宾·索斯尼克（Tobin R. Sosnick ，1961- ） 和 卡尔·弗里德（Karl F. Freed ，1942- ） 的联合实验室研究蛋白质折叠。这是不寻常的科学家组合，他们从理论和实验两个角度解决问题，研究生物学、化学和物理学交叉领域的问题。“我认为从一个碰巧研究生物学的物理学家，到能够更深入地思考蛋白质折叠问题的人，确实是我的发展中重要的一部分，”江珀说，“我是跨学科科学的忠实信徒。通过与不同的专家群体交流，了解他们的兴奋点和思考问题的方式，你能学到更多东西。”
作为博士项目的一部分，他在实验室轮转，包 括在Steven Meredith教授的实验室短暂停留，制作实际装满蛋白质的烧杯。那段时间足够长，让他知道 “实验室和我最好分开”，他笑着说。“但事实证明，这是一段非常宝贵的经历，让我了解到实验人员什么容易做，什么难做；知道他们最需要回答什么问题；熟悉不确定性的来源。即使我只拿了三个月的移液管，我也受益匪浅。”
博士期间， 江珀 研究方向为用机器学习方法模拟蛋白质折叠与动力学，展现了他在交叉学科领域的深厚功底。博士课题核心是用“深度学习” （deep learning） 搭建模型预测蛋白质空间结构，是AlphaFold系列技术源头。
江珀在芝加哥大学的Gordon综合科学中心楼（2017年）
2017 年，江珀从芝加哥大学获得博士学位 ，博士论文题为《用严格的机器学习方法研究粗粒化蛋白质折叠与动力学》，专注将“深度学习”引入蛋白质粗粒化模型和分子动力学模拟，为后续AI驱动的结构预测奠定理论基础。
2017 年， 江珀 正式取得博士学位，随后在芝加哥大学完成短期博士后研究，继续探索“深度学习”用于蛋白质预测，打磨蛋白质AI预测模型。
江珀 在剑桥大学退出博士项目后，先去顶尖计算生物公司积累蛋白质模拟实战经验 ，再带着明确的应用问题回学界读化学博士，最后进入人工智能公司。这条"理论物理→工业界蛋白质模拟→交叉学科博士→DeepMind"的非线性路径最终导向了 AlphaFold。数学建模的直觉、物理复杂系统的理解、化学蛋白质的专业知识——这三种能力的罕见组合，让 江珀 成为我们这个时代解决“蛋白质折叠”问题最稀缺的人。
主导开发 AlphaFold2
2017 年，江珀获悉英国伦敦谷歌旗下的人工智能公司DeepMind，正在开展蛋白质结构预测方面的研究，他投递申请后很快成为这个团队小组的重要成员，担任担任高级研究员。
2010 年，伦敦大学学院UCL0神经科学博士哈萨比斯（Demis Hassabis，1976年--）在伦敦创办了一家AI公司，名字叫DeepMind （深层思维） 。公司的使命十分伟大：用人工智能解决智能本身的问题。2014年，DeepMind被谷歌以4亿英镑收购。同年，他们开发的AlphaGo开始挑战人类围棋冠军。2016年，AlphaGo 4:1 击败李世石。全世界震惊。但哈萨比斯心里还有一个更大的目标："围棋是完美的信息博弈，但现实世界是混乱的、复杂的。我想让AI解决真正重要的问题。"他盯上了“蛋白质折叠”。
2018 年，DeepMind带着AlphaFold（ 一款人工智能蛋白质结构预测系统 ） 参加第12届CASP 竞赛（CASP12， Critical Assessment of protein Structure Prediction ，蛋白质结构预测的关键评估 ），首次用深度学习大幅超越传统方法。CASP 是1994年生物学家们创办了一个竞赛。每两年举办一次，参赛者用计算机预测蛋白质结构，然后与实验结果对比评分。 AlphaFold 的核心能力是仅输入蛋白质的氨基酸序列，即可高精度预测蛋白质的三维空间折叠结构。比赛的 结果获得第一名，但分数只有60多分，远不够实用。
哈萨比斯给江珀看了AlphaFold的架构。江珀直摇头："这不对。你们在用卷积神经网络，但蛋白质序列是长程依赖的，需要注意力机制。"注意力机制是Transformer架构的核心，也是ChatGPT的基础。它能让模型关注序列中任意位置的关联，而不只是局部。
为了取得进一步突破，江珀提出了采用新思路改进原有设计。加入 DeepMind仅约6个月， 哈萨比斯 大胆任命他直接领导 AlphaFold 项目组，和哈萨比斯共同领导开发AlphaFold 2的工作。
2020 年，在江珀带领下，一个年轻团队对AlphaFold最初版本进行了重新梳理，在此基础上全面调整和改进。比如，他们引入空间立体结构和进化理念；整合已有蛋白质结构的详细信息如原子半径和键角等；完善机器有效学习策略以利于从有限数据中提取最大信息；特别是抛弃传统算法的束缚，更强调空间靠近而非线性相邻等。
江珀主导了AlphaFold2重构架构——引入 Evoformer（进化注意力模块）、多重序列比对（MSA）与配对表示（pair representation），对每个细节给予挖掘以期达到尽善尽美，从氨基酸序列直接预测三维结构。 它预测蛋白质三维结构的精度， 平均精度达原子级（GDT_TS≈90+）（ 实验级精度） ， 首次达到了与X射线晶体学、冷冻电镜等实验方法相当的水平， 基本解决50年未解的“蛋白质折叠” 难题。
2021 年7月15日，详细描述AlphaFold2内容的论文在《自然》期刊在线发表， 并开源预测超2亿种蛋白质结构数据库。AlphaFold2模型在蛋白质结构预测方面取得了革命性的突破，准确率超过90%，极大地推动了蛋白质科学的发展。这项成就被《科学》期刊评选为2021年度十大科学突破之首，当年全世界各种“十大科学进展”评选也不约而同将AlphaFold列为榜首，这也是多年来少有的。
《自然》论文并开源了AlphaFold 2模型（2021年）
2022 年9月23日，江珀因其在蛋白质结构预测方面的杰出贡献，与哈萨比斯共同荣获“2023年科学突破奖”（生命科学领域）。
2024 年10月， 江珀与哈萨比斯共同荣获 诺贝尔化学奖。 诺贝尔奖委员会写道，他们“利用人工智能成功解决了化学家苦苦思索了50多年的问题：根据氨基酸序列预测蛋白质的三维结构。”
江珀成为第100位获得诺贝尔奖的芝加哥大学校友。 第19位获得诺贝尔化学奖的芝加哥大学 校友。
半个世纪的生物学“圣杯”难题
为什么“ 蛋白质折叠”是一个诺贝尔奖级别的科学问题？这需要理解蛋白质结构在生命中的地位与作用以及研究道路上的 困局与艰辛。
生命科学的研究目标是了解生命如何运作，那么，首先就需要了解蛋白质的形状和结构。蛋白质是生命的基石，是维持生命的重要大分子。它们是构成骨骼、皮肤、头发等组织的基石，是驱动肌肉的马达，是读取、复制和修复脱氧核糖核酸（DNA）的“机器”，是让大脑中神经元随时准备运转的“泵”，是促进机体免疫反应的抗体，是细胞向外界传递信息的传感器，是调节人体内所有细胞的激素。
蛋白质通常由20种不同的氨基酸组成。在蛋白质中，氨基酸以长链连接在一起，折叠起来形成独特的三维结构，这对蛋白质的功能至关重要。自19世纪以来，化学家就已了解蛋白质对生命过程的重要性。但直到20世纪50年代，随着研究工具精度的提高，研究人员才开始借助仪器解析蛋白质三维结构。
第一个成功确定一种蛋白质（胰岛素）完整氨基酸序列的科学家是英国生物化学家弗雷德里克·桑格（Frederick Sanger，1958年诺贝尔化学奖），证实了蛋白质是由精确定义的氨基酸序列构成的。他通过化学方法分解胰岛素，并利用色谱技术分析了胰岛素的多肽链，确定了胰岛素由两条多肽链组成，分别由21个和30个氨基酸残基构成。 桑格的研究证明，蛋白质的序列由基因控制。
利用X射线晶体学技术首次解出了血红蛋白的三维结构的科学家是马克斯·佩鲁茨（Max Perutz，1962年诺贝尔化学奖），他开发了新的X射线衍射方法，用于分析复杂的蛋白质分子。 肯德鲁（1962年诺贝尔化学奖）通过X射线衍射技术分析了肌红蛋白的晶体结构，并利用电子密度图和计算方法首次绘制出其精确的三维结构图。 他们的工作奠定了现代结构生物学的基础，为理解蛋白质的三维结构及其生物功能提供了新的途径。
“蛋白质的氨基酸序列，决定了它的三维结构”（ 美国科学家克里斯蒂安·B·阿尼芬森，1972年诺贝尔化学奖）。 蛋白质是生命活动的执行者——它催化化学反应、传递信号、构建细胞骨架、抵御病原体。蛋白质的功能，几乎完全由它的三维立体结构决定。
精确的三维结构决定了蛋白质的功能——是分解糖分，还是对抗病毒，或是传递信号。理解蛋白质结构，就等于理解生命的运作机制。
而这个结构，是由氨基酸序列通过折叠过程形成的。如果结构由序列决定，那原则上就可以从序列预测结构。但从“原则上可以”到“工程上实现”，中间隔着一道近乎不可逾越的鸿沟。问题在于：给你一串氨基酸序列，你能不能预测出它折叠后的形状？
几十年来，生物学家用两种主要方法研究蛋白质结构：一种是X射线晶体学方法--- 把蛋白质培养成晶体，用X射线照射，通过衍射图案反推结构。它的特点是：耗时需要数月到数年，成本高达数万美元，很多蛋白质无法结晶。另一种是冷冻电镜方法---把蛋白质快速冷冻，用电子显微镜观察。它的特点是：耗时数周，成本需要数百万美元（设备），分辨率有限，小型蛋白质看不清。到2020年，人类用这些方法解析了约20万个蛋白质结构，但已知蛋白质序列超过2亿个。我们知道，一个普通蛋白质有100-1000个氨基酸，每个氨基酸可以折叠成多种形状。理论上，一个蛋白质可能的折叠方式有10的300次方种。 宇宙中的原子总数，大约是10的80次方。用传统研究蛋白质结构的X射线晶体学方法与冷冻电镜方法，将20个万（已解析的）提升到2亿（已知的），人力是很难完成的。
我们对绝大多数蛋白质一无所知。更麻烦的是，新药研发需要知道靶点蛋白质的结构。传统方法太慢，成本太高，很多疾病因此无药可治。我们需要一种更快、更便宜的方法。
AlphaFold 是人工智能与科学领域的一座里程碑，但其核心意义在于如何利用人工智能去解决人类无法解决的难题“ 蛋白质折叠” ——那些极其艰巨、需要耗费多年进行实验的挑战。
AlphaFold2 的突破，正是把这个数字从2万推向了两亿。它的核心创新在于将进化信息、物理约束与“深度学习”的表示能力融合在一起。简单说，同一种蛋白质在不同物种中往往存在"同源序列"——亿万年的进化历史留下了蛋白质折叠的痕迹：那些在折叠中彼此靠近的氨基酸位置，往往在进化中会协同突变。AlphaFold2学会了从这些协同突变模式中读出空间距离信息，再结合物理化学的约束，生成高精度的三维结构预测。用一个不太严格的类比来说：它像是一位读过所有物种"蛋白质方言"的翻译家，从语言的演变规律中，反推出蛋白质折叠的"语法"。整个预测过程，从数月缩短至数小时，有时甚至是数分钟。
目前，AlphaFold数据库已经公开释放超过两亿种蛋白质的预测结构，覆盖190个国家、超过200万名科研人员。从疟疾疫苗的靶点筛查，到帕金森病的致病机制研究，从新型抗生素的设计，到合成生物学的工程化路径，AlphaFold2正在以一种科学界从未见过的速度，加速着整个生命科学领域的进程。
列在诺贝尔奖名单上的人工智能专家
江珀等 人工智能专家 获得诺贝尔奖在科学史上是一个具有历史意义的重要事件。 当人工智能专家与爱因斯坦、玻尔、居里夫人、鲍林并列在诺贝尔奖的名单上，敲响了三百年来现代科学体系最深沉的一记暮鼓。 自伽利略、牛顿以来统治人类知识生产长达三百余年的科学范式，正在经历一场托马斯·库恩（Thomas Kuhn）意义上的"范式崩塌"（paradigm collapse）。
AI 正在终结的不是科学研究本身，而是一种延续了三百年、我们早已习以为常的"科研流水线"。传统科研流水线是一个线性的、以人类为中心的认知链条： 观察现象→提出假设→设计实验→收集数据→分析结果→发表论文→同行评审→知识积累。 这个过程平均需要三到五年，耗费数十万到数百万美元，且失败率极高。人类科学家在这条流水线上充当着几乎所有环节的核心执行者——从文献综述到实验操作，从数据分析到论文撰写。
在这套流水线上，科学家被训练成高度专业化的"知识技工"，在越来越窄的学科缝隙中挖掘越来越小的增量真理。AI的崛起将迫使科学回归到它最初的面貌——一种人类认知与宇宙对话的最高形式，即科学发现，将不再仅仅来自对基本组成部分的深入分析，而来自对复杂系统中涌现规律的把握。AI正在从方法论、组织形态、学科边界乃至本体论层面，改变了科学研究的根本逻辑----以人类心智为中心的发现模式、以还原论为基础的分析方法、以论文和实验室为载体的生产流程。
AI 预测蛋白质结构的团队获得2024年诺贝尔化学奖与AI奠基人获得2024年诺贝尔物理学奖， 是诺贝尔奖历史上第一次的里程碑，物理学和化学两大奖项在同一个年份同时指向人工智能——一门甚至不被传统学术界视为"真正科学"的领域。
作为全球活着的、在“AI 改变传统科学”领域最具含金量的符号图腾， 江珀 是探索生命科学边界的人工智能专家 ， 承载的“学术神圣资本”，在纯粹的科学正统性上，实现了用硅基智能改写人类生命科学与制药的未来，展现出“用科学改变世界”这一神圣叙事的信仰。
转载本文请联系原作者获取授权，同时请注明本文来自叶明科学网博客。 链接地址： https://blog.sciencenet.cn/blog-3426423-1542930.html
上一篇： 1977年的“破季高考”究竟是哪一天？ 欢迎参加科学网十佳博文评选活动！ 主办单位： 
支持单位： 