He won a 深度访谈

开场先点明 Jumper 对“bitter lesson”式泛化叙事并不完全认同，他认为 AlphaFold 2 的价值恰恰在于反其道而行之：它不是试图描述整个细胞或生命系统，而是专注解决蛋白质结构预测这一极窄却极难的科学问题。旁白随后交代蛋白折叠是生物学的“圣杯”级难题，CASP 比赛长期进展缓慢，直到 AlphaFold 在 2020 年显著超越其他团队，才让“从序列推结构”成为可用能力。

这一段把 AlphaFold 的历史影响讲清楚：它在 CASP 中的结果被认为几乎“解决了问题”，原本需要一年才能得到的单个蛋白结构，现在几分钟就能预测并投入使用。随后叙述团队没有封闭成果，而是公开了包含两亿多条预测结构的数据库，供全球科研界检索和复用。到 2024 年，诺贝尔化学奖一半授予 David Baker，另一半授予 Hassabis 与 Jumper，标志着 AI 已成为化学与结构生物学中的新工具。

这一段转向 Jumper 的个人去向与方法论定位。旁白提到他刚宣布离开 Google、加入 Anthropic，并指出 AlphaFold 不是像通用大模型那样的泛化架构，而是围绕一个明确目标精心设计的系统。Jumper 自己也反复强调，AlphaFold 只是在一个非常具体的结构生物学测量上做得足够好，从而改变科学家下一步能做什么；访谈因此把它定位为 AI for science 的代表性案例，而非“理解一切”的终点。

Jumper 用通俗比喻解释蛋白质：DNA 像生命说明书，而蛋白质才是细胞真正干活的纳米机器；三联体密码控制氨基酸的连接，链条随后折叠成螺旋、折叠片等复杂结构。访谈进一步回顾，传统结构解析依赖大型同步辐射装置、结晶和复杂数学求解，常常要花一年甚至更久，成本也很高。AlphaFold 的贡献在于使用公开实验数据训练深度学习系统，把预测精度推进到接近原子尺度，并把单个结构的等待时间压缩到 5-10 分钟，同时还能规模化预测 2 亿个蛋白。

Jumper 说，拿到结构并不等于解决疾病，而是给生物学研究提供一个起点。以胆固醇转运为例，他说明科研人员常把 AlphaFold 与冷冻电镜等实验手段结合：实验图像给出模糊轮廓，AlphaFold 则补上原子级细节，两者拼起来才能提出更稳固的机制假说。随后他把这一模式放到药物研发中，强调真正的难点不是“缺少某个结构”这么简单，而是我们对生物学整体运作仍然认识不足，因此 AlphaFold 的作用是帮助定位关键蛋白、生成可检验假设。

这一段用 Midnolin 的案例展示 AlphaFold 如何直接促成机制发现。研究者先从遗传学线索锁定一个此前几乎没被研究过的人类蛋白，再利用 AlphaFold 对相关蛋白集合进行建模，发现其中一个结构片段会被 Midnolin 两侧像“夹子”一样夹住。随后实验验证了这一假设：删除被夹住的区域后，蛋白不再被正常降解；在另一例不完全吻合的情况里，AlphaFold 还提示了第二个结合位点，最终也被实验确认。Jumper 借此说明，AI 不只是给答案，更是在构建新的可验证机制。

结尾转向 AlphaFold 3 的扩展能力。Jumper 说，新版本不再只处理蛋白本身，而是把蛋白、胆固醇、药物等小分子一并纳入，扩展到更接近真实细胞环境的“全宇宙”建模。这样一来，研究者可以直接问“某个药物到底粘在哪里”，这在 AlphaFold 2 时代还无法回答。旁白进一步提到 Isomorphic Labs 正在把这类能力用于药物设计，显示 AlphaFold 的后续价值正在从结构预测走向更直接的分子设计。