在斩获诺贝尔奖两年后，Google AlphaFold 的核心团队经历了大规模的重组。据《金融时报》披露，过去一年间，该论文的大部分原始作者已被重新分配岗位，其中全职核心成员中近四分之一已彻底离开谷歌。留守人员则转向了 Gemini 科研代理、酶设计、基因组学和核聚变等领域，甚至直接加入了 Alphabet 旗下的药物研发公司 Isomorphic Labs。就连诺奖得主 John Jumper 与 Jonas Adler，起初也曾被调往负责 AI 编程能力的 Code Strike 团队，但最终两人都转投了 Anthropic。
针对这一报道，Google DeepMind 负责 AI for Science 的副总裁 Pushmeet Kohli 表示，科学团队并未改变方向，只是扩大了工作范畴，仍在推进蛋白质、基因组及酶设计，并借助 Gemini 加速科研进程。AlphaFold 曾象征着一种相对传统的科研组织模式：围绕单一清晰问题组建团队，长期投入资源，最终交付成果。然而，如今这种模式正逐渐被通用的模型平台所取代。蛋白质、数学、基因组、核聚变和代码，看似分属不同学科，但在进入 AI 公司后，都成了 Gemini 的一组能力模块。与此同时，科研人才、算力资源以及议题的主导权，正日益集中到少数 AI 公司手中。
“我要加入 Anthropic” 成为了学术界最近的一个流行梗。过去几年，越来越多的数学家、物理学家、生物学家和计算机科学教授涌入 AI 行业。例如，Anthropic 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 也聚集了生物学与核聚变专家。亚利桑那州立大学教授 Subbarao Kambhampati 曾调侃这一现象。据《大西洋月刊》粗略统计，仅四家头部 AI 公司就聚集了至少 80 多名现任或前任教授。
人才流动的方向正变得愈发单一。斯坦福大学《AI Index Report》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%。而到了 2022 年，这一比例发生了剧变：进入企业的比例升至 70.7%，进入学术界的比例降至 20%。一篇发表于 2026 年的 NBER 工作论文追踪了约 4.2 万名美国 AI 研究者。数据显示，40 岁以下的研究者离开大学的概率是 40 岁以上人群的六倍，且约 70% 的转职者在五年后仍留在公司。
薪酬差距无疑是关键因素。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，而大学同一梯队的收入仅从 30.1 万美元涨到 39.2 万美元，两者差距拉大至约 150 万美元。更难拒绝的还有科研条件的差异。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，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。加州大学伯克利分校教授 Anca Dragan 加入 DeepMind 时，明确表示需要研究所需的“数据、算力和预算”。相比之下，大学里的研究往往要先申请经费、采购设备、等待计算资源排期，而企业则能直接调用大型模型、专有数据和分布式算力。
然而，顶尖教授离开大学，其损失远不止几篇论文。大学同时失去了一名导师、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，科技公司向大学购买研究成果；如今，它们开始直接购买生产这些成果的人。企业获得的是一个人，大学失去的却可能是一代人。
当然，将所有人才流动归咎于学术界衰落，或许低估了企业科研创造的价值。AlphaFold 已证明企业能做出改变科学史的成果，两亿多个蛋白质结构的预测为生物学家节省了数月甚至数年的工作。贝尔实验室也曾证明企业研究院能改变科学，鼎盛时期拥有约 1200 名博士，产出至少 10 项诺贝尔奖。Demis Hassabis 多次将 DeepMind 视为贝尔实验室的参照。AI 公司确实越来越像一种覆盖多学科、拥有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 塞进科研流程。物理学家 Rogerio Jorge 用 AI 开发开源核聚变软件，理论计算机科学家 Barna Saha 等人利用 GPT-5.5 Pro 辅助高维几何证明。OpenAI 称，每周约有 130 万人使用 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，作用甚至可能被放大。在大学里，他可能只带领十几名学生，而在 AI 公司，他可以调动数百名工程师、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，也更容易进入药物、软件和产业系统。但代价同样不言而喻。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% 升到 32%，专利占比却从 86% 升至 95%。研究仍在继续，但成果正从论文流向专利、内部模型和商业机密。Google 当年公开 Transformer 养大了整个行业，如今训练数据、模型权重和失败记录，却越来越难离开企业服务器。科学在加速，开放科学却可能踩下刹车。
科学家没有离开科学，科学正在加速逃离大学。我有时会将大学和 AI 公司想象成一条河的两端。大学更像上游，水流缓慢，泥沙众多，大量支流看似毫无用处。有人在那里测量、记录、争论，也有人花一辈子研究一条最终没有流向城市的小溪。AI 公司则像下游的水电站，能集中水流，驱动机器，产生巨大能量，将科学迅速送进药物、软件和产业。水电站当然重要，没有它，河水只是白白流过。但若所有人都跑去下游发电，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。但留在身后的那些问题——没有产品路线，没有投资回报，暂时无法解释用途——它们很安静，安静到很容易让人误以为它们并不重要。