Google DeepMind AlphaFold：諾貝爾獎得主John Jumper談AI如何改變科學研究

2024 年，Google DeepMind 的人工智慧（AI）系統 AlphaFold 首次踏上諾貝爾獎舞台。瑞典皇家科學院將化學獎頒給 Demis Hassabis、John Jumper 與 David Baker，以表揚他們透過 AlphaFold 預測蛋白質 3D 結構，破解了生物學界追尋半世紀的難題。

時隔一年，2025 年 11 月底，諾貝爾得主 John Jumper 在 Podcast 訪談中重新詮釋這場 科學革命的意義，指出：「AlphaFold 在幾分鐘內產出的結果，相當於科學家過去一整年的實驗量。」

AI 解決科學難題

Jumper 指出，AlphaFold 解決的不只是單一蛋白質問題，而是改變了科學研究的方法論。

過去，要看清蛋白質的 3D 結構，需要冷凍電鏡、X 光晶體學、核磁共振等多次實驗，少則半年，多則三年，甚至常常無疾而終。

AlphaFold 2 於 2018 年首次在 CASP 大賽亮相即奪冠，兩年後再度震撼業界。它利用 Transformer 技術學習海量序列資料，推斷氨基酸鏈最可能的折疊方式，並提供置信度評分，讓電腦能「理解」胺基酸最終形狀。

2024 年，AlphaFold 3 更採用擴散模型推算分子結構，如同將模糊影像還原成清晰版本，不僅可還原單一蛋白質，還能模擬複合體的結合行為。

五年之內，AlphaFold 已從新奇工具，變成全球科研的基礎設施。如今，實驗的起點多半不是假說，而是模型給出的結構預測。

換句話說，科學家先看 AI 的推測，再設計實驗進行驗證與擴展。

AI 提出假設：縮短研究時間

以研究人類受精機制為例，精子表面約有 2000 個候選蛋白，逐一驗證理論上需數十年。

但科學家利用 AlphaFold 模擬蛋白結合可能性後，兩個團隊都指向同一個此前被忽略的分子 TMEM，實驗最終證實其為關鍵角色。

從數千種可能性篩選出唯一答案，研究時間從十年縮短到幾個月。更重要的是，AI 不僅加速既有研究路徑，更幫助科學家提出新的假設。

AI 讀懂模糊影像

不只如此，AI 還能幫助科學家看清實驗數據。

例如在膽固醇代謝研究中，一張模糊冷凍電鏡影像無法辨識，但 AlphaFold 預測結果與影像高度吻合，使研究者首次確認蛋白結構，推動後續藥物設計。

Jumper 表示：「當科學家不確定該找什麼時，AlphaFold 能把模糊線索轉化為明確方向。」

AI 從工具變合作夥伴

時至今日，全球許多科學家都已經開始使用 AlphaFold，讓 AI 已成為研究夥伴，而非單純參考書。

Jumper 坦言，他現在不再看論文標題，而是在 X 上關注「AlphaFold」的新用途。

他總結道：「AlphaFold 不是終點，它只是給科學家一套工具，讓他們能看懂細胞每個部件在做什麼。」

從預測到設計：AI 參與科學發明

過去，AI 主要用於預測蛋白質結構；如今，它能設計全新分子。

2024 年，DeepMind 推出 AlphaProteo，可反向構造自然界不存在但具特定功能的蛋白質。

Jumper 認為，我們可以把 AlphaFold 當作自然篩選模擬，提前知道哪些結構更可能成功。

這改變了科學實驗方式：過去憑經驗挑選五種蛋白質進行實驗；現在可先生成五百種候選結構，再預選出十個最可能成功的。

這使效率提升數十倍，設計邊界不再侷限於已知蛋白質家族，可探索全新功能分子。

AlphaFold 雖非物理模型，但透過大量數據學會判斷結構穩定性，提供置信度和可視化功能，成為科研流程核心工具。

AI 不再只是加速研發，更能參與科學發明，從抗體、疫苗到材料設計，都探索未知可能。

Jumper 強調，AlphaFold 不會思考也沒有意識，重點不在 AI 有多聰明，而是它能解決什麼問題。