Google DeepMind opløser Nobelprisvindende AlphaFold-hold: Strategisk skift til Gemini-kraft

Google DeepMind har nedlagt det dedikerede AlphaFold-hold – gruppen bag den Nobelprisvindende AI til prædiktion af proteinstrukturer – som led i en strategisk omlægning mod Gemini store sprogmodeller og generelle AI-agenter. I løbet af det seneste år er de fleste af de oprindelige AlphaFold-forskere blevet omplaceret, et mindre antal er flyttet til andre videnskabelige projekter, og nøglepersoner, herunder Nobelpristager John Jumper, er rejst til konkurrenter som Anthropic. Omstruktureringen afspejler en bredere industri-tendens, hvor et intenst konkurrencepres for at bygge generelle AI-agenter trækker ressourcer og talent væk fra domænespecifikke videnskabelige værktøjer.

Hvorfor AlphaFold-holdet blev nedlagt

• Strategisk omstilling. DeepMinds forskningsvicepræsident Pushmeet Kohli har sagt, at laboratoriet ikke længere organiserer sig om specialiserede hold med en enkelt mission. I stedet koncentrerer det sig om Gemini-drevne AI-systemer, der kan assistere forskere på tværs af mange domæner på én gang .
• Fremkomsten af LLM'er og AI-agenter. Financial Times rapporterede, at fremkomsten af store sprogmodeller og AI-agenter drev DeepMind til at omorganisere sin forskningsorganisation og strategi . Troen er, at en generel AI kan levere bredere videnskabelig effekt end dedikerede værktøjer som AlphaFold.

Hvordan nedlæggelsen blev gennemført (det seneste år)

• Omplacering af de fleste forskere. Størstedelen af de oprindelige forfattere til AlphaFold-artiklerne blev omplaceret til andre afdelinger i løbet af det sidste år . De blev flyttet til projekter bygget omkring Gemini LLM, samt til arbejde inden for enzymdesign, nuklear fusion, genomik og AI-kodning .
• Overførsler inden for Alphabet. Nogle teammedlemmer blev flyttet til Isomorphic Labs, Alphabets lægemiddelopdagelsesvirksomhed .
• Højt profilerede afgange. I juni 2026 annoncerede John Jumper – som vandt Nobelprisen i kemi i 2024 for AlphaFold – at han forlod DeepMind efter næsten ni år for at slutte sig til Anthropic . Kort efter fulgte to andre AlphaFold-medforfattere, Jonas Adler og Alexander Pritzel, efter til Anthropic . I alt er næsten en fjerdedel af de oprindelige fuldtidsansatte DeepMind-forfattere til AlphaFold-artiklen nu helt forladt virksomheden .

Hvad Gemini-skiftet betyder for DeepMinds videnskabelige mission

• Fra specialiseret til generel. DeepMind satser på, at Gemini-drevne AI-agenter kan automatisere og accelerere videnskabelig opdagelse på tværs af biologi, kemi, fysik og materialevidenskab mere effektivt end enkeltstående modeller som AlphaFold .
• AlphaFold i sig selv fortsætter. AlphaFold-proteinstrukturdatabasen (der dækker over 200 millioner proteiner) og selve teknologien forbliver tilgængelige. Flytningen afslutter ikke produktet – den afslutter det dedikerede hold, der byggede det .
• Risiko for dyb domæne-ekspertise. Kritikere argumenterer for, at nedlæggelsen af et Nobelprisvindende hold signalerer en villighed til at ofre dyb videnskabelig specialisering i kapløbet om at bygge det mest kapable generelle AI-system, hvilket potentielt kan bremse fremskridt inden for områder som lægemiddelopdagelse, der var afhængige af AlphaFolds fokuserede ekspertise .

Bredere industri-tendens

• Talent strømmer til frontlinje-AI-laboratorier. Afgangen af topforskere fra AlphaFold til Anthropic – og det parallelle tab af Gemini-medleder Noam Shazeer til OpenAI – illustrerer et bredere mønster. Den mest intense konkurrence i AI i dag handler om generelle agenter og fundamentmodeller, og forskere med dyb ekspertise inden for ethvert underområde bliver lokket til at arbejde på disse kerneudfordringer.
• Ressourceomfordeling på tværs af sektoren. DeepMinds træk afspejler beslutninger hos andre laboratorier: domænespecifikke værktøjer (proteinfoldning, vejrudsigt, spil-AI'er) bliver nedprioriteret, efterhånden som virksomheder koncentrerer beregningskraft, talent og finansiering om kapløbet om at bygge de mest kapable generelle AI-agenter. En enkelt generel "forsker-AI" ses som at give et større konkurrencemæssigt afkast end at vedligeholde mange snævre ekspertsystemer.