诺奖光环尚未散去，Google AlphaFold 背后的核心团队已现裂痕。
《金融时报》披露，过去一年间，AlphaFold 论文的主要作者大多被重新调配。在近四分之一的全职核心成员中，有人已彻底告别 Google。
留守者多转向 Gemini 科研 Agent、酶设计、基因组学及核聚变等前沿领域，部分人则直接跳槽至 Alphabet 旗下的药物研发公司 Isomorphic Labs。
就连 John Jumper 与 Jonas Adler 这两位诺奖得主，也曾短暂调入 Code Strike 团队，主攻 AI 编程能力。但后续剧情众所周知：二人最终选择加入 Anthropic。
▲ 左为 Google DeepMind CEO Demis Hassabis，右为 John Jumper，原报道链接 https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1
面对质疑，负责 AI for Science 的研究副总裁 Pushmeet Kohli 回应称，DeepMind 的科学团队并未改变方向，仅是拓宽了工作边界。目前仍在推进蛋白质、基因组与酶设计，并依托 Gemini 加速科研进程。
曾几何时，AlphaFold 象征着一种传统的科研组织范式：围绕明确问题组建团队，长期投入资源，集中力量攻坚，最终交付成果。
如今，这类专注型团队正逐渐让位于通用模型平台。蛋白质、数学、基因组、核聚变和代码，看似分属不同学科，进入 AI 公司后，却均可转化为 Gemini 的一组能力模块。
随之而来的是，科研人才、算力资源以及议题主导权，日益向少数几家 AI 巨头集中。
「我要加入 Anthropic」
近年来，越来越多数学家、物理学家、生物学家及计算机科学教授涌入 AI 行业。
Anthropic 持续招募物理学家、经济学家和哲学家；OpenAI 网罗研究黑洞、弦理论和纯数学的人才；DeepMind 则汇聚了生物学与核聚变专家。
近期，亚利桑那州立大学教授 Subbarao Kambhampati 调侃道，学术圈流行起一个新梗：「我要加入 Anthropic。」
据《大西洋月刊》粗略统计，仅四家头部 AI 公司便聚集了至少 80 多名现任或前任教授。
人才流动的方向愈发单一。
斯坦福大学《AI Index Report》数据显示，2011 年，AI 博士毕业后进入企业和学术界的比例大致相当，分别为 40.9% 和 41.6%。至 2022 年，进入企业的比例升至 70.7%，而学术界降至 20%。
一篇 2026 年 NBER 工作论文追踪了约 4.2 万名美国 AI 研究者。结果显示，40 岁以下研究者离开大学的概率约为 40 岁以上人群的六倍；约 70% 的转职者在五年后仍留在企业。
薪资差距是重要诱因。企业顶尖 1% AI 研究者的年收入从 59.5 万美元飙升至 194 万美元；大学同一梯队仅从 30.1 万美元涨至 39.2 万美元。双方收入差距扩大至约 150 万美元。
更难以抗拒的是科研条件。
2010 年代初，约 65% 的大规模机器学习模型由学术实验室独立开发。进入 2020 年代后，这一比例跌至不足 10%。到 2022 年，约 81% 的前沿模型已由企业独立完成。
UC Berkeley 教授 Anca Dragan 加入 DeepMind 时明确表示诉求：她需要前沿安全研究所必需的「数据、算力和预算」。
相比之下，大学里的研究往往需先申请经费、采购设备、招聘工程人员，再等待计算资源排期。而在 AI 公司，研究者可直接调用大型模型、专有数据、分布式算力及数百人的工程体系。
然而，一名顶尖教授离开大学，损失远不止几篇论文。大学同时失去的是一名导师、一个课题组、一条博士生培养链，以及未来十几年可能形成的研究方向。
过去，科技公司从大学购买研究成果。现在，它们开始直接购买生产研究成果的人。企业获得的是个体，大学失去的可能是整整一代人。
当然，将所有人才流动归结为学术界衰落，亦低估了企业科研正在创造的价值。
AlphaFold 已证明，企业能产出改变科学史的成果。两亿多个蛋白质结构预测，让大量生物学家节省了过去数月甚至数年的工作量。
贝尔实验室早已证实企业研究院也能推动科学进步。鼎盛时期，它拥有约 1200 名博士，产出至少 10 项诺贝尔奖。Demis Hassabis 多次将其视为 DeepMind 的参照物。
AI 公司确正演变为一种覆盖多学科、具备强大工程能力和商业出口的新型研究院。
DeepMind 将 Gemini 接入数学、基因组和核聚变；Isomorphic Labs 联手药企研发新药；Anthropic 推出 Claude Science；OpenAI 则将 ChatGPT 和 Codex 嵌入科研流程。
相关成果已见端倪。物理学家 Rogerio Jorge 利用 AI 开发开源核聚变软件，理论计算机科学家 Barna Saha 等人借助 GPT-5.5 Pro 辅助高维几何证明。OpenAI 称，每周约有 130 万人用 ChatGPT 处理高阶科学和数学任务，并计划向 10 万名高校研究者免费开放前沿模型和 Codex。
从个人影响力看，科学家进入企业后，作用或许会被放大。在大学，他可能带领十几名学生；在 AI 公司，则可调动数百名工程师、海量计算资源和全球性数据平台。原本停留在论文中的方法，更易转化为药物、软件、实验设备和产业系统。
但代价同样显而易见。
NBER 研究发现，AI 学者长期转入企业后，论文产量平均减少 65%。2000 年至 2019 年，企业雇用的 AI 研究者占比从 48% 升至 68%，论文占比仅从 27% 升至 32%，专利占比却从 86% 升至 95%。
人仍在研究，成果却从论文流向专利、内部模型和商业机密。当年 Google 公开 Transformer，养活了整个行业。如今，训练数据、模型权重和失败记录，越来越难脱离企业服务器。
科学仍在加速，开放科学却可能踩下刹车。
科学家没有离开科学，科学正在离开大学
AI 公司可以成为研究院，却很难替代大学。
大学承担着一项常被忽略的功能：训练大量尚未证明自己价值的学生，长期保存暂无应用、无法定价，甚至几十年后才显现价值的问题。
AI 公司偏好已证明自己的教授和资深研究者，对培养新人缺乏耐心。SignalFire 数据显示，2024 年新毕业生仅占大型科技公司招聘人数的 7%，较 2019 年下降超过一半。
▲
https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025
企业一边从大学吸纳顶尖教授和成熟研究者，一边削减初级岗位和培训投入。它们能聚集一批顶尖科学家，却未必承担大规模培养下一代科学家的责任。
这种影响已渗透至大学课堂。《大西洋月刊》采访的学生发现，部分课程突然停开，理由现实：教授去 AI 公司「休假」了。
明星教授离开后，博士生失去的不只是一门课，还包括推荐资源、研究网络、课题组织能力，以及接触前沿问题的机会。
更潜移默化的变化发生在研究选题上。
药物设计、编程、数学推理、材料发现既能增强模型，又能形成产品，自然更易获资源支持。长期野外研究、生态保护等选题，往往处境尴尬。
历史却常与短期回报开玩笑。
数论长期被视为最纯粹、最缺乏实用价值的数学，后来成为现代密码学的基础。激光刚出现时，曾被称作「一个正在寻找问题的解决方案」。互联网早期同样难以用商业模型衡量。
公共科研体系的意义，正在于允许人类研究那些暂时无法解释价值的问题。
今天的 AI 公司处于模型性能、产品发布和资本投入的高强度竞争中。即便愿意投资基础科学，资源也更可能流向能增强模型、支撑产品或形成专利的方向。
未来可能出现一种别扭的繁荣。
人类更快找到新药、证明定理、发现材料，最强科学家拥有史上最强工具。同时，谁来决定研究什么？谁来培养下一代科学家？谁又愿继续做无人付费的研究？这些问题悬而未决。
科学家未离开科学。只是科学，正加速逃离大学。
我常将大学和 AI 公司比作河流的两端。大学更像上游。水流缓慢，泥沙俱下，大量支流看似无用。有人在那里测量、记录、争论，也有人花一辈子研究一条最终未流向城市的小溪。
AI 公司更像下游水电站。它们集中水流，驱动机器，产生巨大能量，将科学迅速输送至药物、软件和产业。
水电站固然重要。没有它，河水仅是流过。
但若所有人都涌向下游发电，上游水源渐渐干涸，几年后，大家只能坐在机房里，等待一条不再流来的河。
当数学家忙着改进模型，生物学家忙着训练 Agent，物理学家忙着扩大算力边界，人类或许会得到更强的 AI。留在身后的那些问题，没有产品路线，没有投资回报，也暂无法解释用途。
它们很安静。安静到易让人误以为，它们并不重要。
作者；莫崇宇
