2017年，刚完成理论化学博士学业的约翰·詹珀（John Jumper）加入谷歌DeepMind，投身于一项秘密项目——利用人工智能预测蛋白质三维结构。三年后，他与首席执行官德米斯·哈萨比斯（Demis Hassabis）共同开发的AlphaFold2横空出世，以接近原子精度预测蛋白质结构，速度比传统实验方法快数千倍。这一突破解决了生物学界持续50年的“蛋白质折叠难题”，并使詹珀与哈萨比斯在2024年共同获得诺贝尔化学奖。如今，AlphaFold已演进至AlphaFold3，不仅能预测单体和多蛋白复合体结构，还被应用于UniProt数据库，成功预测了约2亿种蛋白质结构，覆盖科学界已知的绝大多数蛋白。 尽管影响深远，詹珀始终保持科学审慎：AlphaFold输出的是高置信度预测，而非绝对真理。其核心原理基于Transformer神经网络，通过捕捉氨基酸序列中的远距离演化关联，结合大规模数据训练实现精准推断。真正推动突破的，是团队极高的迭代速度——快速试错使他们能不断优化模型架构与输入信息。詹珀坦言，他未曾预料到科研界会如此迅速地将AlphaFold用于广泛领域，包括蜜蜂抗病研究、受精机制探索等“超出原设计用途”的创新应用。 其中最令人瞩目的应用之一是“结构搜索引擎”：研究人员利用AlphaFold3快速预测某蛋白与全部候选分子的结合构象，从而在数小时内锁定关键靶点。例如，人类精子与卵子结合蛋白的发现，正是通过这种高通量筛选实现，且后续实验验证成功。此外，华盛顿大学大卫·贝克（David Baker）团队借助AlphaFold能力加速合成蛋白设计，实现“预测即决策”——若模型自信，便投入实验；若犹豫，则放弃，效率提升十倍。 然而，AlphaFold仍存在局限。当涉及蛋白-蛋白互作或蛋白-小分子相互作用时，预测准确率下降，结果常处于“模糊边界”。加州大学旧金山分校的分子生物学家克利门特·维尔巴（Kliment Verba）形容其像“ChatGPT：说得同样自信，真假难辨”。因此，它并未取代实验，而是作为“虚拟筛选工具”大幅提高科研效率。 当前，新一代AI模型正从AlphaFold出发，向药物发现深化。MIT与Recursion合作推出的Boltz-2不仅能预测结构，还能评估药物分子结合潜力；初创公司Genesis Molecular AI的Pearl模型则支持交互式输入，允许用户注入实验数据以引导预测，声称在特定药物相关任务上优于AlphaFold3。 詹珀对这些进展持开放但审慎态度。他认为，结构预测只是生物研究的一步，不能“一锤定音”解决疾病。真正的问题往往远比“确定一个结构”复杂。他正探索将AlphaFold的“垂直深能力”与大语言模型的“横向理解能力”结合，让AI不仅能预测，还能生成假设、阅读文献、进行科学推理。DeepMind的AlphaEvolve系统已在数学和计算机科学中实现实际发现，暗示未来AI将深度参与科学发现流程。 对于个人未来，詹珀表示不追求“第二个诺奖”，而是从微小想法出发，循序渐进。他坦言：“我可能是75年来最年轻的化学奖得主，这让我有些不安。”但正是这种谦逊与远见，让AlphaFold的下一步，不再只是技术升级，而是一场科学范式变革的开端。