在人工智能推动科学进步的浪潮中，AlphaFold无疑是一个里程碑式的存在。它攻克了困扰生物学界超过五十年的蛋白质折叠难题，将原本需要数年才能完成的蛋白质结构分析缩短至几分钟，其核心开发者John Jumper也因这一突破性贡献荣获诺贝尔化学奖。这一成就不仅改变了蛋白质研究的范式，更引发了人们对AI技术发展路径的深刻思考。
传统上，科学家们通过结晶蛋白质并利用同步加速器产生的X射线进行分析，这种方法耗时耗力，往往需要数年时间才能获得一个蛋白质的结构。AlphaFold的出现彻底改变了这一局面。它通过深度学习技术，将预测误差缩小到原子半径级别，精度可与传统实验方法媲美。更令人惊叹的是，AlphaFold团队已经预测了超过两亿个蛋白质的结构，几乎涵盖了地球上所有已知生物的蛋白质，并将这些数据免费向全球开放，为生物学研究开辟了新的可能性。
John Jumper在最近的一次访谈中详细阐述了AlphaFold的成功并非依赖于简单的算力堆砌，而是源于对蛋白质折叠问题的深刻理解和定制化的架构设计。他指出，AlphaFold 1采用了计算机视觉中的现成卷积神经网络（CNN），而AlphaFold 2则从头构建了一个专门针对蛋白质折叠任务的科学架构。这一架构的核心是EvoFormer，它利用了蛋白质在进化过程中缓慢变化的特性，通过分析成百上千条相关序列，在几何认知和演化认知之间建立了桥梁。EvoFormer占据了计算量的90%以上，也贡献了90%以上的准确率。
Jumper特别强调了AlphaFold 2中“框架对齐点误差”（FAPE）这一损失函数的重要性。他通过消融实验证明，尽管等变性和SE(3)不变性对模型性能有一定贡献，但它们并非AlphaFold 2成功的唯一原因。事实上，移除这些特性对模型性能的影响非常有限。Jumper认为，AlphaFold 2的成功在于它在架构和训练中融入了定制化的创新，这些创新带来了数据效率的巨大飞跃。例如，AlQuraishi实验室仅使用1%的PDB数据重新训练AlphaFold 2，其准确率就超过了AlphaFold 1。
AlphaFold 3的发布进一步扩展了AI在生物学领域的应用范围。与前代模型专注于单个蛋白质不同，AlphaFold 3能够预测蛋白质与其他分子（如脂质、药物小分子）的相互作用。Jumper解释说，AlphaFold 3的扩散过程与图像领域的扩散模型有本质区别。在AlphaFold 3中，扩散过程更像是一个“几何化引擎”，它在主干网络已经决定了分子整体结构的基础上，进一步求解微观细节。这种设计使得AlphaFold 3能够更准确地预测药物与蛋白质的结合位置，为药物研发提供了新的工具。
Jumper在访谈中也区分了预测、控制和理解三个概念。他认为，AI可以赋予我们预测和控制的能力，但真正的理解仍然需要人类的参与。AlphaFold生成的蛋白质结构数据可以作为实验对象，帮助科学家们构建对生物学机制的理解，但机器本身无法完成这一过程。他进一步指出，机器学习的本质是代码与数据相互作用形成权重的过程。AlphaFold的迷人之处在于，它学会的算法是一种人类能够理解、能够用简洁语言描述的算法：连续的几何精炼。
在讨论通用人工智能（AGI）时，Jumper表现出了谨慎的态度。他认为，显式设定表征的重要性已经不如过去人们想象的那么大。AlphaFold的例子表明，模型在追求精准预测的过程中，会自发地寻找优质的中间表征。许多曾被认为对智能必不可少的要素，如今发现只需在预测下一个token的过程中做到极致，就会自然涌现。然而，这种涌现的代价是巨大的算力和数据需求，如何以更低的成本获得这些概念和表征，仍是当前面临的核心挑战。
