教科書沒教的事，AI 自己學會了！AlphaFold 揭開生物學的隱藏規則

「這太容易了，我們是不是作弊了？」

這是 DeepMind 的 AlphaFold 團隊在看到初步結果時的第一反應。他們甚至打電話給工程主管，懷疑自己是不是不小心把答案洩漏給了 AI。因為在科學研究中，進展通常是緩慢而痛苦的，像這樣勢如破竹的突破，感覺太不真實。

但這不是作弊，這是 AI 展現出的一種全新智慧。

在 Two Minute Papers 最新一集的訪談中，諾貝爾化學獎得主 John Jumper 揭示了 AlphaFold 最令人震驚的一面：它不僅僅是一個預測蛋白質結構的計算工具，它似乎通過「無監督學習」（Unsupervised Learning），掌握了生物學中連人類都尚未完全理解的深層語法。

這場訪談讓我們看到，我們正處於一個科學典範轉移的時刻——從「實驗驗證」走向「AI 預測」，生物學正在被重寫為一門資訊科學。

當 AI 學會了人類沒教的事

我們常認為 AI 只是在模仿人類餵給它的數據。如果教科書上沒寫，AI 就不會知道。但 AlphaFold 打破了這個迷思。

John Jumper 分享了一個讓他困惑許久的時刻：當他們把 AlphaFold 應用於人體內的所有蛋白質時，發現有些預測結果看起來非常糟糕——長長的、像絲帶一樣亂七八糟的結構，完全不像教科書裡那些摺疊完美的蛋白質機器。

「這一定是錯的，」這是直覺反應。

但當團隊深入研究後，他們驚訝地發現，這些「亂七八糟」的區域，精準對應了生物學中的「無序蛋白」（Disordered Proteins）。這些蛋白質在自然狀態下本來就沒有固定結構。

重點是，DeepMind 並沒有教 AlphaFold 什麼是無序蛋白，訓練數據裡也沒有標註這些區域。AlphaFold 是通過觀察數十萬個蛋白質結構，自己「領悟」到了這個規則：如果這裡沒有穩定的結構，那就應該預測出低信賴度的長條狀。

這就像一個沒學過文法的孩子，讀了幾萬本書後，不僅學會了寫作，還自己發現了某些修辭技巧。AI 正在展現出超越人類經驗的泛化能力。

核心案例：AI 的「意外發現」

AlphaFold 的智慧還體現在它留下的「空白」中。

那些「錯誤」的空洞

在某些預測中，AlphaFold 會在蛋白質中間留下巨大的、看似不合理的空洞，或者將蛋白質彎曲成奇怪的 C 型。從單一蛋白質的角度看，這完全不符合物理規則（蛋白質通常是緊密堆疊的）。

但當科學家將這些預測與真實的生物環境比對時，真相大白：這些蛋白質在體內並不是單獨存在的。它們往往是三個、四個聚在一起（例如三聚體 Trimer），或者是包裹著另一個蛋白質。

AlphaFold 雖然只被要求預測單個蛋白質，但它「隱約知道」這裡應該有別的東西。它預留的空洞，剛好能完美塞進另一個蛋白質。這意味著 AI 學習到了蛋白質之間的「社交規則」（幾何互補性），即使沒有人明確教過它複合物的概念。

蛋白質設計的「數位風洞」

這種對生物物理規則的深刻理解，讓 AlphaFold 意外地成為了蛋白質設計的強力工具。

過去，科學家設計一個新蛋白質，必須先在實驗室合成，失敗了再重來，過程耗時耗資。現在，他們發現了一個新用法：把你設計的序列丟給 AlphaFold。如果 AlphaFold 預測不出你想要的結構，或者給出很低的信心分數，那你最好相信它——這個設計在現實中大概率會失敗。

研究顯示，使用 AlphaFold 作為過濾器，蛋白質設計的成功率提升了整整 10 倍。它就像是航空工業的「數位風洞」（Digital Wind Tunnel），在造出飛機之前，先在電腦裡吹一吹，看看會不會解體。

典範轉移：從實驗驗證到 AI 預測

AlphaFold 帶來的最大改變，不在於它解決了某個具體問題，而在於它徹底改變了科學研究的流程。

速度與規模的革命

在 AlphaFold 出現之前，解析一個蛋白質結構通常需要一位博士生花費數年時間，成本高達 10 萬美元。這是一項昂貴且充滿不確定性的手工藝。

現在，AlphaFold 可以在 10 分鐘內完成同樣的工作。DeepMind 已經釋出了 2 億個蛋白質結構預測，覆蓋了地球上幾乎所有已知的生物。這不僅僅是數量的增加，這是質的飛躍。當數據獲取的成本趨近於零，科學家就可以問以前「不敢問」的問題。

新的科學方法論

John Jumper 舉了一個受精卵研究的例子。科學家想知道精子表面的哪一個蛋白質與卵子結合。精子表面有 2000 多個蛋白質，用傳統實驗方法一個個測試是不可能的任務。

但現在，研究團隊可以讓 AI 跑 2000 次預測，看看哪個蛋白質能與卵子表面的受體完美契合。結果，AlphaFold 真的找出了一個候選者，隨後的實驗也證實了這一點。

這就是新的科學方法論：AI 預測篩選 → 鎖定目標 → 實驗驗證。AI 讓科學家從大海撈針，變成了在幾個候選者中做選擇題。

商業戰略：開源與商業的雙軌並行

AlphaFold 的影響力不僅止於學術界，它也正在重塑製藥產業的商業模式。這裡存在著一個有趣的「雙軌戰略」。

一方面，DeepMind 堅持「開源精神」，將 AlphaFold 2 的原始碼和 2 億個蛋白質結構預測免費公開給全球科學界。這是一種「廣度」的戰略，旨在最大化科學影響力，讓 AlphaFold 成為生物學的基礎設施（Infrastructure）。

另一方面，Alphabet 成立了一家新公司 Isomorphic Labs，由 Demis Hassabis 親自領軍，專注於將這些 AI 技術轉化為實際的藥物開發。這是一種「深度」的商業戰略。

價值 17 億美元的豪賭

這一戰略的價值在近期得到了驗證。Isomorphic Labs 宣布與製藥巨頭禮來（Eli Lilly）達成戰略合作。禮來支付了 4500 萬美元的預付款，並承諾如果研發順利，後續的里程碑付款將高達 17 億美元。

為什麼製藥廠願意買單？

因為開源的 AlphaFold 雖然強大，但藥物研發需要更精細的「客製化」能力。Isomorphic Labs 使用的是更先進、未完全開源的下一代模型（如 AlphaFold 3 的商業版），能夠針對特定疾病靶點進行微調，甚至預測小分子藥物與蛋白質的結合（而不僅僅是蛋白質本身的結構）。

這揭示了 AI 在生技領域的商業邏輯：通用模型（General Model）做開源基建，垂直應用（Vertical Application）做商業變現。 開源是為了建立生態系與標準，而真正的商業護城河，在於如何用 AI 解決那些「最昂貴」的問題——比如縮短新藥開發週期。

John Jumper 的願景：第二階諾貝爾獎

儘管獲得了諾貝爾獎的殊榮，John Jumper 在訪談中表現得非常謙遜。他多次強調，AlphaFold 是一個「工具」。

「我在等那個『第二階諾貝爾獎』（Second Order Nobel），」他說，「也就是那個使用 AlphaFold，並結合自己的創造力，做出重大生物學發現的人。」

這是一個偉大的願景。他不想只當舞台上的主角，他更想當「造王者」。他希望 AlphaFold 能成為全人類科學家的賦能者（Enabler），降低科學探索的門檻。

未來的生物學家，或許不需要懂複雜的晶體繞射實驗，但必須懂得如何與 AI 協作。生物學正在變成一門資訊科學，而 AI 是解碼這套作業系統的關鍵鑰匙。

結論：解碼生命的作業系統

AlphaFold 的成功證明了一件事：生命現象雖然複雜，但其背後有一套可被計算、可被預測的邏輯。

我們正站在「數位生物學」的起點。AI 不再只是輔助工具，它正在幫助我們理解生命的深層語法，發現人類智力未及的規則。這不僅是 AI 技術的勝利，更是人類理解自身奧秘的一大步。

正如 John Jumper 所言，這場變革才剛剛開始。當我們擁有了解碼生命作業系統的能力，未來的醫療、藥物開發、甚至對生命本身的定義，都將被重新改寫。

敬請免費訂閱、贊助本電子報

Mosky 從零開始 AI 寫程式

折扣碼：FOXAI

課程連結和限時優惠網址：https://pse.is/8dqy89

折扣金額：$250