從破解蛋白質折疊難題的AlphaFold，到優化谷歌計算集群的AlphaEvolve，再到在國際數學奧林匹克競賽中取得突破性進展的通用模型DeepThink——這些成果背后，是Google DeepMind團隊對科學問題篩選的獨特邏輯。科學負責人Pushmeet Kohli首次披露，團隊始終聚焦三類挑戰：具有變革潛力、被業界視為5-10年內不可解、但DeepMind有信心在更短時間內突破的難題。

在Kohli構建的智能能力分層框架中，AI發展被劃分為三個階段：基礎人類智能（如圖像識別）、專家級智能（如醫療診斷）和超人類智能（如蛋白質結構預測）。AlphaFold的突破正是第三階段的典型案例——過去需要數年實驗和百萬美元成本才能完成的蛋白質結構預測，如今被壓縮至幾秒內完成，成本降至美分級別。這項成果不僅登上《自然》封面，其核心貢獻者更因此獲得諾貝爾獎，全球科研人員通過公開數據庫已下載超2億次預測結果。

商業領域的突破同樣顯著。AlphaEvolve通過優化谷歌數據中心作業調度算法，為整個計算集群節省0.7%的算力。在谷歌的龐大算力規模下，這一比例意味著每年數億美元的成本節約。更令人矚目的是，該系統在解決公開數學難題時，對75%的問題達到最優解，其中20%的解法超越了人類數學家。

技術路徑的進化彰顯了DeepMind的獨特策略。去年，團隊依賴AlphaGeometry（幾何專用模型）和AlphaProof（形式化證明模型）在IMO競賽中取得進展。前者專注幾何問題，后者通過將數學題轉換為可機器驗證的Lean語言，在證明空間中智能搜索正確路徑。但今年，基于Gemini 2.5 Pro的通用模型DeepThink徹底改變了這一模式——它不再需要形式化語言轉換，可直接理解自然語言描述的數學題并給出解答。

這一轉變源于數據反哺機制：AlphaProof生成的數百萬個“問題-證明”數據對被用于訓練Gemini模型，使其數學推理能力獲得指數級提升。Kohli比喻，這相當于讓通用模型學習了數學大師的全部解題思路。實驗顯示，當訓練數據中包含這些數學證明時，模型在非數學任務上的表現也顯著提升，但具體關聯仍需通過消融實驗進一步驗證。

在技術普惠層面，DeepMind堅持“開放科學”理念。AlphaFold數據庫免費公開了2億個蛋白質結構預測，巴西和非洲的研究者現在只需點擊網頁，就能在幾秒內獲得熱帶病靶點蛋白的結構。AlphaGenome項目則通過定制界面，讓生物學家直觀探索基因變異對功能的影響。這種將復雜模型封裝為易用工具的策略，正在拉平全球科研資源的差距。

AI協同科學家（AI Co-scientist）項目將這一理念推向新高度。該多智能體系統模擬科研團隊運作：Gemini模型同時扮演假設生成者、審稿人和批判者，通過內部思想碰撞產生創新想法。倫敦帝國理工學院教授的親身經歷印證了其威力——當團隊反饋AI生成的假設時，教授發現排名首位的方案竟是其團隊耗時數年、剛投稿至頂級期刊的成果。這表明AI已能獨立觸及人類科研前沿。

對于“科學API”的未來構想，Kohli認為核心挑戰在于“歸約問題”——如何將人類模糊的高層次意圖轉化為AI可執行的精確步驟。這需要構建自然交互界面，讓非專業用戶也能與通用人工智能高效溝通。開發者關系專家的角色因此凸顯，他們作為技術與應用者的橋梁，將決定AI能否真正降低科研門檻。

從專用模型到通用智能，從技術突破到科學普惠，DeepMind的實踐正在重塑科研范式。當AI工具成為全球研究者的標準配置，下一個諾貝爾獎級發現或許將誕生于某個普通實驗室——這正是技術民主化帶來的變革力量。