AI公司为什么都在抢生物学家？

讲真，这条新闻出来的时候，整个科技圈都炸了——

AlphaFold的核心缔造者、2024年诺贝尔化学奖得主John Jumper，官宣离开待了近9年的Google DeepMind，加入Anthropic。

一个用AI改写了整个结构生物学的诺奖得主，转身走了。

更刺激的是，就在两天前，Transformer论文的核心作者、Gemini联合负责人Noam Shazeer也宣布离开谷歌，加入OpenAI。谷歌花27亿美元买回来的人，两年没留住；9年感情培养出来的诺奖搭档，也没留住。

72小时，谷歌连丢两张王牌。

但你有没有注意到一个细节：这两个人走的不是同一个方向。Shazeer去了OpenAI搞通用大模型的底层架构，Jumper去了Anthropic——去做生物。

这不是一次普通的跳槽。这是一场AI行业重心转移的信号：AI公司们，正在疯狂抢生物学家。

一个不懂深度学习的博士，怎么就改写了生物学？

2017年，John Jumper刚从芝加哥大学拿到理论化学博士学位，加入了DeepMind。

彼时的他，几乎没有深度学习经验。简历上最亮眼的部分，不是对神经网络的掌握，而是对蛋白质物理的理解——他博士期间做的，就是用计算方法模拟蛋白质的动力学行为。

数学给了他建模的直觉，物理给了他对复杂系统的理解，理论化学让他比任何纯AI研究者都更懂蛋白质本身。这三样加在一起，恰恰是解蛋白质折叠问题最稀缺的知识组合。

然后DeepMind创始人Hassabis做了一个谁都没想到的决定：让这个毕业才6个月、连深度学习都要边干边学的新人，直接领导AlphaFold团队。

这个赌注的回报率，怕是人类科学史上都排得上号。

2018年，AlphaFold在CASP竞赛上首次亮相，碾压传统方法。2020年，AlphaFold 2横空出世，困扰生物学家50年的蛋白质折叠问题，被一个AI模型直接"解了"。2021年，Jumper带队算出了几乎所有人类蛋白质的3D结构，最终实现了约100万个物种、近2亿种蛋白质的结构预测。

毫不夸张地说，生物学家过去一百年没干完的活，AlphaFold几个月就干完了。

2024年，AlphaFold 3发布，不只预测蛋白质了，DNA、RNA、小分子药物之间的相互作用，全能算。蛋白质-配体对接准确率76.4%，比前代方法提升1.8倍。5个月后，Jumper和Hassabis一起站上了诺贝尔化学奖的领奖台。Jumper那年39岁，是70年来最年轻的化学诺奖得主。

AI与生命科学的交汇，正在催生前所未有的科研范式

三巨头同时下注：生命科学是AI的下一个主战场

Jumper选择Anthropic，不是一时冲动。Anthropic在这条赛道上已经布局了很久。

2025年，Anthropic推出AI for Science项目，为高影响力生物研究提供免费API额度。同年设立医疗健康与生命科学独立部门，单独配置预算、算力和招聘通道。10月推出Claude for Life Sciences，2026年1月又上线Claude for Healthcare。

2026年4月，Anthropic以约4亿美元全股票收购生物科技公司Coefficient Bio——团队不到10人，但已经在AI驱动的抗体设计领域做出了业内顶尖成果。同时，Anthropic还在自建湿实验室，打通算法和实体实验的闭环。

他们的目标很明确：把生命科学的研发周期压缩10倍。现在，一个诺奖级别的蛋白质科学家来领这件事了。

但Anthropic不是唯一一个。

OpenAI今年4月发布了专门面向生物医学的推理模型GPT-Rosalind，主攻药物发现、基因组分析和蛋白质工程，已经和Amgen、Moderna、Thermo Fisher等头部药企达成合作。OpenAI基金会更是直接表态：未来一年在生命科学方向的投入不低于10亿美元。

Google DeepMind这边，Hassabis旗下的Isomorphic Labs去年融了6亿美元，和礼来、诺华签下了总里程碑价值高达30亿美元的合作协议，AlphaFold的技术底座依然是行业标杆。

三家AI实验室，同时把筹码压向了同一个方向——用AI重写生命科学。这不是巧合。这是行业对"AI的下一个金矿在哪"这个问题的集体回答。

为什么偏偏是生物学？

你可能会问：AI能干的事多了，为什么偏偏是生物学？

答案其实藏在Hassabis那个赌注里——有些问题，AI只是工具，真正值钱的是对问题本身的理解。

语言、图像、代码，这些AI已经碾压的领域有一个共同特征：数据本身就带着答案。互联网上有无穷无尽的文本、图片和开源代码，模型只需要"看"就够了。

但生物学不一样。蛋白质怎么折叠、药物分子怎么和靶点结合、基因变异怎么导致疾病——这些问题的答案不在公开数据里，而是藏在分子级别的物理相互作用中。你不懂蛋白质的物理，就没法把问题翻译成AI能理解的形式。

这就是为什么Hassabis让一个"不懂AI"的人来领导AlphaFold。因为反过来更难——让一个纯AI专家去理解蛋白质折叠的物理约束，要花的时间远比让一个生物学家学深度学习多得多。

而且，生物学的商业天花板极其惊人。

传统药物研发遵循"双十定律"：耗时10年，投入10亿美元，成功率不到10%。AI能把早期筛选效率提高10倍，把失败率降低30%。全球AI制药市场规模在2025年约为24.1亿美元，预计2026年将达29.9亿美元。而整个全球制药市场的规模是1.6万亿美元。

换句话说，AI在聊天、画画、写代码上的商业空间，和制药比起来，只是冰山一角。

AI驱动的药物发现，正在从概念走向临床落地

更关键的是，生物AI的护城河极深。AlphaFold开源了代码，但你没有Jumper那种对蛋白质物理的直觉，就很难做下一代突破。数据也极度稀缺——生物实验数据的获取周期以月甚至年计，不像互联网文本可以随时抓取。谁先积累了专有数据集和跨学科人才，谁就建立了长期壁垒。

所以AI公司抢的不是一个"生物学家"，而是一个"能把生物问题翻译成AI语言"的人。这种人，全球可能不超过几百个。

中国这边呢？

中国也没闲着。

据长江证券报告，2026年Q1中国生物医药投融资金额达25亿美元，同比增长117.1%。猎聘数据显示，AI制药、计算生物学等新赛道与互联网、IT行业正在争抢算法与数据人才，AI药物研发算法+生物学复合型人才的平均跳槽周期仅1.8年——抢手到这种程度。

字节跳动的AI制药团队也在加速产业化。他们的AI制药平台Anew Labs已经发布分子结构预测模型Protenix，并在今年4月首次披露：全球第一个用小分子同时阻断了IL-17家族的三个二聚体，攻克了一个被制药行业几十年来称为"不可成药"的靶点。

但字节的经历也说明了这个赛道的特殊之处：互联网擅长"高举高打、快速迭代"，但医药研发的验证周期以年为单位。核心成员顾全全、萧文之等相继离职创业，本质上反映了一个深层矛盾——大厂的组织架构里，很难长出一支能打通AI和生物所有环节的队伍。

复旦大学联合Springer Nature发布的AI for Science报告指出，2020年后AI4S的年增长率达到19.3%，远高于Core AI的10.5%。中国占全球AI4S出版物的28.7%，应用创新领先，但跨学科融合的深度仍然是瓶颈。

说白了，会写AI代码的人一抓一把，懂蛋白质的人也不少，但同时会这两样的人，才是AI公司愿意砸天价去抢的稀缺物种。

一个更深层的问题

Jumper离开谷歌这件事，还暴露了一个更深层的问题。

据彭博社报道，Jumper近期的工作和AI编程绑定很深，而DeepMind内部近几个月有员工担忧，公司在面向企业的AI编程工具上拿不出清晰方案——这恰恰是Anthropic和OpenAI领先的领域。

SignalFire的行业统计更扎心：DeepMind人才流向Anthropic与反向回流的比例达到10.8:1。过去8年，超过20位在里程碑论文上署名的顶级研究者陆续离开DeepMind/Brain。

有人在X上问："为什么总是谷歌在失去最优秀的人才？"

投资人Lior Alexander的回答可能是目前最接近真相的——"前沿AI实验室在兜售一种Google给不了的东西：一个人就能改变公司轨迹的感觉。"

Jumper在DeepMind时，一个人改写了整个结构生物学。现在他去Anthropic，大概率是想再干一次同样的事——只不过这次，不是预测蛋白质，而是用AI重新定义药物发现的全流程。

Anthropic已经铺好了路：Claude for Life Sciences、Claude for Healthcare、Coefficient Bio的抗体设计能力、自建湿实验室。缺的就是一个能把所有这些串起来的灵魂人物。

Jumper就是那个人。