He won a Nobel here for AlphaFold. Then he left. - John Jumper

• AlphaFold 把「一年 + $10万」压缩成「5–10 分钟」：解一个蛋白结构过去要约一年专家工作、约 $10万的结晶与同步辐射 X 射线实验；AlphaFold 用公开实验数据训练的深度学习系统，能在 5–10 分钟内预测到约一个原子半径的精度，并已预测 2 亿个蛋白结构（几乎覆盖所有已测序基因组），被 190+ 国家、300 万人使用。2024 年诺贝尔化学奖一半授予 Demis Hassabis 与 John Jumper（结构预测）、一半给 David Baker（蛋白设计）。
• John 反复强调 AlphaFold 的「谦逊」：它不是细胞模型、不是生命模型，而是「一个你每次都要做、要做一年的特定实验」的精准预测器——「一键产出 nature 级科学，但只在『某个特定蛋白的结构』这一极窄类别里」。正是这种窄而极准，才让它变成改变科学家下一步能做什么的机器。
• 「知道该拧哪颗螺丝」才是药物开发的真难点：他用工厂技师笑话（拧 1/4 圈收一万美元，「拧螺丝 50 美分，知道拧哪颗 9999.5 美元」）点明——结构只是起点，最难的是搞清庞大复杂的细胞「工厂」里到底该动哪里；AlphaFold 提供机理线索（如 Midnolin 蛋白回收的「夹钳」机制），但治病仍需大量湿实验。
• 架构故事被外界讲反了：人们把 AlphaFold 2 的成功归功于 SE3 等变（equivariance），但消融实验显示等变只贡献约 2.5 分（AF2 比 AF1 高约 30 分 GDT），而真正关键的 FAPE 损失函数、EvoFormer 几乎无人提及。John 的概括是「这不是一两支全垒打，而是 18 支二垒安打」——许多中等创意叠加成变革性系统。
• 对「苦涩教训」的明确反对：John 说「我并不喜欢人们套用 bitter lesson 的方式，AlphaFold 2 恰恰相反」——他们做了大量领域专门设计，因为数据是有限的（连互联网都是有限的）；正确的教训不是「别做架构研究」，而是「对哪些东西放进代码、哪些交给数据去推导保持谦逊」。
• 贯穿主线：整场访谈反复回到同一张「地图」——窄而极准的领域机器 vs 通用大模型。AlphaFold 证明前沿科学突破往往来自深度领域工程、混合定制架构与「拼命把一件事预测到极好」，而非简单堆数据或迷信某个高层标签（transformer/diffusion/equivariance）；理解仍需人类自己从这台预测机器里再提炼出来。

核心要点：DNA 测序早已廉价普及，但读懂哪怕一个蛋白的三维结构，过去都是一个博士项目级别的难题。

• 蛋白质从一串氨基酸开始，常在细胞帮助下折叠成三维形状；这个形状决定它结合什么、催化什么化学反应、待在细胞哪里、乃至能不能工作。机器学习的问题是：只给序列，能否预测折叠？
• 实验路径极其昂贵：科学家要先想办法把蛋白「结晶」（耗时数年），再到同步辐射（synchrotron，城镇大小的机器）产生极亮 X 射线，再解一个数学问题，才得到一张蛋白的图。典型一个结构约一年、约 $10万。
• 这件事对生物学极重要：蛋白错误折叠有时就是疾病；即便正常工作，它们也是细胞的所有零件——细胞能运动，就是因为一台巨大的蛋白机器在旋转产生力。人类约有 20,000 种不同蛋白。
• 人类社会为此投入巨大：围绕单个蛋白拿过几乎数不清的诺奖（核糖体等），到 AlphaFold 出现时实验结构库 PDB 已积累约 14 万个结构（现约 20 万），每一个仍极其困难。

"我们比之前任何文明都更了解这个世界，但我们一直卡在这一个问题上：蛋白质是怎么折叠起来的？" —— 旁白

核心要点：在 CASP 盲测竞赛里，AlphaFold 2020 年的结果好到组织方宣布问题「基本解决」，四年后兑现为诺贝尔化学奖。

• CASP 是每两年一次的盲测：全球团队基于「已做但尚未公开」的实验来预测结构，几十年里进展都是渐进式的——直到 2020 年 AlphaFold 显著甩开对手，许多单链目标的预测与真值近到组织方称该问题「本质上已解决」。
• DeepMind 选择开放而非藏私：发布了含 2 亿+ 预测结构的数据库（旁白特别强调「预测」二字——这些不是实验，而是新研究的起点）。今天 AlphaFold 被 190+ 国家、300 万人使用。
• 2024 诺贝尔化学奖正式裁定：一半给 David Baker（计算蛋白设计），一半给 Demis Hassabis 与 John Jumper（结构预测）——AI 成了化学家的新工具，一种以前结构生物学家做梦都达不到的分辨率「看见」分子结构的方式。
• John 回忆得奖那天：约 10:30 他对妻子说「看来今年没戏了」，妻子让他再等等——正说着，手机亮起一通来自瑞典的电话。「谢天谢地，那不是世界上最坏的恶作剧电话。」

"这是一个解。我们解决了这个问题。" —— John 回忆 AlphaFold 成功那一刻（在多年走走停停、怀疑「这事到底能不能成」之后）

核心要点：三个 DNA 字母编码一个氨基酸，串成「绳子」后自己折叠成精巧形状——就像打开宜家箱子，书架自己装好了。

• DNA 是生命的说明书，它告诉你怎么造蛋白：三个字母对应往蛋白上加一块；细胞里有一台同样由蛋白和 RNA 构成的小机器，一块一块地造出这条由 20 种化学基团（像 20 种字母）组成的绳子。
• 造好后它自己扭、卷、折叠成紧凑而有趣的形状，带螺旋、折叠片等结构——「就像你打开一个宜家书架的箱子，它自己把自己装起来。」
• AlphaFold 做的事：用全公开的实验数据训练一个新的深度学习系统，预测精度远超以往，达到约一个原子半径，开始能与某些实验方法比肩，但关键是极快（5–10 分钟 vs 一年）且极可扩展（已预测 2 亿个）。

"就像你有一个宜家书架，打开箱子，它自己把自己组装起来。" —— John

核心要点：AlphaFold 的结构是生物学研究的起点；科学家常把它与实验方法结合，从模糊实验图里「拼出」原子级真相。

• 胆固醇转运案例：科学家想搞清胆固醇在体内如何被搬运、相关突变如何影响高胆固醇/心脏病。他们用 cryo-EM（冷冻电镜，曾被戏称「blobology / 团块学」）拍出极模糊的图，再跑 AlphaFold，发现 AF 的形状几乎严丝合缝地嵌进那个团块——既得到确认又得到细节，于是有了可推理突变影响的原子模型。
• Midnolin 案例（完整叙事）：体内有回收机制清除不再需要的蛋白。人们发现细胞发育某阶段有数百个基因被关闭，却不知涉及哪个蛋白；遗传学指向一个几乎从未被研究过的人类蛋白 Midnolin，敲低它这些蛋白就不被回收。他们把约 500 个响应蛋白与 Midnolin 一起跑 AlphaFold，在约 40% 里发现同一种极特异的模式——目标蛋白的一段被夹在 Midnolin 两部分之间，像夹钳。随后做实验验证：约 10 个例子里 9 个完全符合「去掉被夹位点、蛋白就不再被降解」；剩下 1 个只部分降低，再看 AF 预测发现它被夹在两处，去掉第二处后降解被完全消除。于是获得了一个全新蛋白的机理理解。
• 药物开发的真正难点不是「缺一个结构」：以自闭症为例，并非「知道某一个蛋白结构病就治好了」——它是涉及全身的复杂疾病。AlphaFold 的贡献是指出「这个你原本都不知道重要的蛋白」，帮助一层层拆解生物学。

"九次里你有十次发现自己错了——如果你十次里错九次，你就是个非常成功的机器学习研究者，效率高得惊人。" —— John（谈生物学/机器学习的试错本质）

核心要点：AF2 只能处理蛋白，AF3 扩展到配体、药物等 PDB 里的整个分子宇宙，能回答「这个药粘在哪里」。

• AF2 是 5 年前的成果；约一年前的 AlphaFold 3 说「别只做蛋白，做整个蛋白质电影宇宙」。蛋白会结合胆固醇这类非蛋白脂肪分子，更重要的是会结合药物——药物是约 20–50 个原子的小分子，粘在蛋白上改变其行为。
• 这个问题 AF2 根本无法回答：你没法问「这个药怎么粘上去」，除非药本身是蛋白。AF3 扩展到 PDB 全谱，现在能说出「这个药精确粘在哪里」。
• 全球在此基础上继续建设：Alphabet 内部的 Isomorphic Labs 受 AlphaFold 突破启发，试图真正用这些「终于能用、终于有预测力」的技术做药物设计——设计能结合、能改变蛋白机器行为、并最终让人康复的小分子。

核心要点：结构与机理是「拧螺丝」的前提，但真正值钱、真正难的是在庞大复杂的细胞工厂里知道该拧哪一颗。

• 老笑话：一座大工厂最重要的机器停了，技师来看了看，对某颗螺丝拧了 1/4 圈，工厂复活。开账单 $10,000。对方质疑，技师答：拧螺丝 50 美分，知道该拧哪颗 9,999.5 美元。
• John 认为这正是恰当类比：我们既在学「怎么拧」（怎么造药），也在这座庞大复杂的细胞工厂里学「该拧哪里才能治病」。
• 主持人追问：人体是活的，有一整套复杂自适应的代偿机制，会不会像打地鼠——动一处、别处补偿？机器学习的教训恰恰是「我们关于事物如何运作的直觉往往不靠谱，需要大量数据和试验」。

核心要点：AlphaFold 的有效性来自它的窄——它只声称能复现某个特定实验，而非解释整个细胞，这种诚实反而更激进。

• John 强调 AlphaFold 的「谦逊」：「我们是在预测这个实验会给你什么结果。我们不是要告诉你一切，不是整个细胞的模型，而是你过去每次都要花一年去做的那个实验的预测器。」
• 正因如此它有明确的有效性边界：可以很好地刻画「我们能多准地复现那个实验」；而人们再在此基础上把这台机器用到意想不到的地方——跑上千个 AF 预测去找两个会粘在一起的蛋白，发现复杂系统里未知的组分。
• 他给出对机器学习的一个深层判断：「把事情预测得还行」是一回事，「把事情预测得极好」才开始产生惊人的机器——语言模型、图像生成、蛋白皆如此。我们不是在造一台通用生物学机器；若真要造，它会更像语言模型，而不是窄域预测器。

"我们用一键产出 nature 级的科学——但只在『某个特定蛋白的结构』这一极窄类别的 nature 级科学里。" —— John

核心要点：AF1 套用现成视觉 CNN；AF2 转向「构建科学本身」，核心是占 90% 算力与精度的 EvoFormer，加一个把 N² 预测「几何化」的 structure module。

• John 反对把架构塞进高层标签：「AF1 真正做的是预测问题的一个子部分」——从生物数据（进化相关性）出发，中间是一块别人做好的、现成的计算机视觉 CNN，最后输出几何性的原子间距离。
• AF2 的转向是「构建蛋白科学本身，而不是先建图像识别的科学再套到蛋白上」——毕竟人类视觉系统并不是折叠蛋白所需的东西，人类本来就不擅长预测蛋白结构。
• AF2 末端的核心是巨大的 EvoFormer 主干（轴向注意力 axial attention + 一堆东西），占 90%+ 的算力和精度。输入是两份数据：蛋白序列 + 所有进化相关蛋白的序列（蛋白结构演化缓慢，人的蛋白结构常与酵母甚至大肠杆菌相似），常有成百上千条。EvoFormer 让「几何信念」与「进化信念」两种表征互相「对话」。
• 之后交给 structure module（最好理解为「几何化引擎」）：你对 N 个位置有 N² 个距离预测，总得有东西来调和它们。这里用了 SE3 不变的 invariant point attention（IPA）——把每个残基的刚性骨架对齐到参考系，在局部参考系里投影点、用点间距离来偏置注意力。

核心要点：定义参考系让他们写出 FAPE 损失函数，这才是早期真正的突破之一；AlphaFold 是众多中等创意的叠加，而非单一神来之笔。

• 比 IPA 更重要的几乎可以肯定是「定义参考系」本身——它让他们写出一个有趣的损失函数 FAPE（frame aligned point error）：在第 i 个残基的参考系里看其他所有残基在哪，局部配准后得到 N² 个误差再平均。这是早期关键突破之一。
• 几何从「无中生有」：他们不从几何数据出发，而只用非几何数据，几何在中间涌现；用「黑洞初始化」（把所有残基堆在一起，世界上最不物理的结构）开局，还故意「不尊重」蛋白已知对称性。
• residue gas（残基气体）技巧：把约 300 个残基的扭转优化看作「900 关节的机械臂」会很糟、需要很多步；干脆把残基当成气体打散，让优化只需四步、八步。
• 审稿人的评价点破本质：「这是六七篇论文的想法量。」John 的棒球类比：「不是一两支全垒打，而是 18 支二垒安打」——这些中等胜利叠加起来才成为变革性系统。

"他们从不谈 FAPE。他们谈的是一个他们以为来自别人的等变 transformer——而其实我们 2018 年 10 月就做过那个等变 transformer。" —— John

核心要点：外界把 AF2 当成「等变的伟大胜利」，但消融显示等变只值约 2.5/30 分；团队用消融而非信仰来决定架构。

• AF2 比 AF1 在 GDT 上高约 30 分。移除等变（equivariance）只损失约 2 到 2.5 分——论文消融表第五行 no IPA 就写着。John 本以为这能让争论尘埃落定，结果人们仍把 AF2 当作「等变的伟大胜利」。
• 他的解释：单一的全局 SE3 对称并不是强对称，远不如「所有残基排列不变（permutation invariant）」那种又大又强的对称——后者才是 AlphaFold 真正的大对称。这不像物理里写下对称群就能推出标准模型；这是一个混乱真实问题的对称，约束力没那么强。「好东西不止一个，别迷信其中某一个、别神化它。」
• 消融才是指南针：双消融（no recycling + no IPA）会让性能崩盘（约 12–15 分，最大的一次消融，但仍只是到 AF1 差距的一半）——很多问题他们用两种方式同时解决，敲掉一种还撑得住，敲掉两种楼就塌。许多这类消融后来都进了 AF3。
• 一个反直觉实验：有人把 pairwise 处理里的卷积层直接删掉（不加注意力、参数更少），模型反而更准、验证损失下降——「这在机器学习里通常不会发生」，卷积可能对学习他们想学的东西有害。这些探索都是在搞清「深度学习在蛋白上如何泛化」，需要靠经验积累出领域直觉。

"做一个机器学习研究者，就是看数据、提假设（也许等变很重要）、去试、去测，十次里九次发现自己错了；如果你十次错九次，你就是个极高产的机器学习研究者。" —— John

核心要点：AlQuraishi 实验室证明 AF2 用 1% 数据就超过 AF1，量化了架构创意的价值；而 AF3 虽是扩散模型，本质更接近 AF2。

• 数据对照：AF1 和 AF2 用完全相同的数据（只增加评测数据、完全不加训练数据）。AlQuraishi 实验室用 1% 的 PDB（约 15,000 而非约 15万个结构）重训 AF2，结果比 AF1 还准——可以说 AF2 的架构与训练创意「干净地值 100 倍数据」。
• John 反对「AF3 是扩散模型」这个标签式概括：它和图像扩散不同——前面有一个只跑一次、完全不是扩散的巨大主干，结构很可能就是在那里被决定的，扩散只像 structure module 那样在很好的约束内把细节解出来。
• 一个深刻的差异：图像扩散先生成彩色团块、再逐步决定团块含义（局部细节先定）；而 AlphaFold 2 是凝聚式的——先解局部、再拼大尺度，最难的是大尺度结构。AF3 的扩散从加了大量噪声的坐标出发，必须先解决「两个蛋白如何相对摆放」这个 AF2 最后才解的问题。所以它技术上是扩散，但更靠近 AF2；选扩散是出于处理配体、键长等局部几何的「偷懒」式技术原因，而非「画团块再赋义」那套逻辑。

核心要点：这些机器能预测、能控制，但「理解」仍要人类自己完成；而 AlphaFold 2 恰恰是对 bitter lesson 的反例。

• John 区分三件事：预测=说出未来屏幕上会出现什么值；控制=我要这个未来测量值正好是 17；理解像预测但有人在环——理解意味着我能用一小撮、能写在索引卡上、能讲给另一个人听的紧凑事实，去做出预测。
• 这些机器替我们做了预测、也许还有控制，但「理解」这个动作还得我们自己来：我们现在能在 2 亿预测结构（而非仅 20 万实验结构）这个「人造物」上做实验、帮助自己理解，但机器不替我们完成理解本身。
• 对「苦涩教训」的明确反对：「我并不喜欢人们套用 bitter lesson 的方式——AlphaFold 2 恰恰相反。我们做了一大堆专门设计，因为我们的数据不是无限的。」而且转到语言模型后发现数据仍然有限——互联网是有限的。正确的教训不是「别做架构研究」，而是「对哪些东西放进代码、哪些会从数据里推导出来，保持谦逊」——看缺什么、理解深度学习想学的算法、想办法加速它、在合适处加入假设（最重要的架构动作是「修改哪些单元彼此通信、以及如何通信」）。
• 一个例子：他们从没告诉 AlphaFold 相邻残基原子相距 1.3 埃 ± 0.015——因为他们知道「数据会对它吼出这件事」。该交给数据的就交给数据，该写进代码的才写进代码。

"别做架构研究，是从中得出的错误结论；但要对哪些东西放进代码、哪些交给数据，保有一份谦逊。" —— John

核心要点：很多被认为「智能必需」的表征，不是因为你预测 next token 才出现，而是因为你把它预测得极好才被缓慢逼出来。

• 表征问题非常重要，但远不像 5 年前人们以为的那样要靠「显式」方式。机器学习里最诱人的想法，是「我知道最终一定要有某个东西，于是在代码里硬塞一个叫『高层概念构建器』的模块、用损失强制解耦表征」——这值得一试，但往往不是答案。
• 真实情况是：很多你以为智能所需的东西，是在「拼命把 next token 预测到极好」的过程中发展出来的——不是因为你在预测 token，而是因为你做得极好。这些泛化的表征、对概念的理解，是被数据缓慢逼出来的（到处是 log-linear——随投入指数上升而线性增长，正是 scaling law 里反复看到的）。
• 尚未解决的问题是「如何更便宜地得到它们」：有时能靠编程得到类记忆能力——让语言模型给自己写笔记再检索、不断提醒 agent 在做什么以免长轨迹中遗忘。我们用软件 harness 给这些缺陷打补丁，但还不知道如何把「带外部记忆的 harness」蒸馏回网络、让它拥有不再需要 harness 的惊人记忆能力——「这个我们还没搞清楚怎么做。」

核心要点：AlphaFold 把昂贵的结构生物学带到资源稀缺地区，也成为「前沿科学需要混合定制模型 + 领域工程」的存在性证明。

• Emmanuel Nee（非洲结构生物学家）的对照：他研究疟疾与肠道菌的药物发现，过去为给一个蛋白定相（phasing）试了近 4–5 年都没成功；用 AlphaFold 后，只做一次蛋白纯化、采一次数据，2–3 个月就拿到结构。
• 他不只给人 AlphaFold，还教人怎么用、怎么解读结果、怎么基于数据库设计实验。今年在 Google DeepMind 与瑞典研究理事会资助下扩到 100 人，且培训质量不降反升；目标是未来十年每年培训 100 人、累计近 1,000 名非洲科学家，形成一个针对非洲高发疾病（疟疾、HIV、抗生素耐药感染等）的结构生物学实践者社群。
• 主持人的收尾判断：尽管我们大谈通用基础模型，但要真正推进科学前沿、做出尖端应用，仍需大量工程、领域知识与硬核专长；许多模型会是混合的、定制的。AlphaFold 正是这类可部署混合模型的存在性证明。John 即将赴 Anthropic 履新。

"AlphaFold 是一种存在性证明，证明了我们能用怎样的混合模型去推进科学。" —— 主持人收尾