从破解蛋白质折叠难题的AlphaFold，到优化谷歌计算集群的AlphaEvolve，再到在国际数学奥林匹克竞赛中取得突破性进展的通用模型DeepThink——这些成果背后，是Google DeepMind团队对科学问题筛选的独特逻辑。科学负责人Pushmeet Kohli首次披露，团队始终聚焦三类挑战：具有变革潜力、被业界视为5-10年内不可解、但DeepMind有信心在更短时间内突破的难题。

在Kohli构建的智能能力分层框架中，AI发展被划分为三个阶段：基础人类智能（如图像识别）、专家级智能（如医疗诊断）和超人类智能（如蛋白质结构预测）。AlphaFold的突破正是第三阶段的典型案例——过去需要数年实验和百万美元成本才能完成的蛋白质结构预测，如今被压缩至几秒内完成，成本降至美分级别。这项成果不仅登上《自然》封面，其核心贡献者更因此获得诺贝尔奖，全球科研人员通过公开数据库已下载超2亿次预测结果。

商业领域的突破同样显著。AlphaEvolve通过优化谷歌数据中心作业调度算法，为整个计算集群节省0.7%的算力。在谷歌的庞大算力规模下，这一比例意味着每年数亿美元的成本节约。更令人瞩目的是，该系统在解决公开数学难题时，对75%的问题达到最优解，其中20%的解法超越了人类数学家。

技术路径的进化彰显了DeepMind的独特策略。去年，团队依赖AlphaGeometry（几何专用模型）和AlphaProof（形式化证明模型）在IMO竞赛中取得进展。前者专注几何问题，后者通过将数学题转换为可机器验证的Lean语言，在证明空间中智能搜索正确路径。但今年，基于Gemini 2.5 Pro的通用模型DeepThink彻底改变了这一模式——它不再需要形式化语言转换，可直接理解自然语言描述的数学题并给出解答。

这一转变源于数据反哺机制：AlphaProof生成的数百万个“问题-证明”数据对被用于训练Gemini模型，使其数学推理能力获得指数级提升。Kohli比喻，这相当于让通用模型学习了数学大师的全部解题思路。实验显示，当训练数据中包含这些数学证明时，模型在非数学任务上的表现也显著提升，但具体关联仍需通过消融实验进一步验证。

在技术普惠层面，DeepMind坚持“开放科学”理念。AlphaFold数据库免费公开了2亿个蛋白质结构预测，巴西和非洲的研究者现在只需点击网页，就能在几秒内获得热带病靶点蛋白的结构。AlphaGenome项目则通过定制界面，让生物学家直观探索基因变异对功能的影响。这种将复杂模型封装为易用工具的策略，正在拉平全球科研资源的差距。

AI协同科学家（AI Co-scientist）项目将这一理念推向新高度。该多智能体系统模拟科研团队运作：Gemini模型同时扮演假设生成者、审稿人和批判者，通过内部思想碰撞产生创新想法。伦敦帝国理工学院教授的亲身经历印证了其威力——当团队反馈AI生成的假设时，教授发现排名首位的方案竟是其团队耗时数年、刚投稿至顶级期刊的成果。这表明AI已能独立触及人类科研前沿。

对于“科学API”的未来构想，Kohli认为核心挑战在于“归约问题”——如何将人类模糊的高层次意图转化为AI可执行的精确步骤。这需要构建自然交互界面，让非专业用户也能与通用人工智能高效沟通。开发者关系专家的角色因此凸显，他们作为技术与应用者的桥梁，将决定AI能否真正降低科研门槛。

从专用模型到通用智能，从技术突破到科学普惠，DeepMind的实践正在重塑科研范式。当AI工具成为全球研究者的标准配置，下一个诺贝尔奖级发现或许将诞生于某个普通实验室——这正是技术民主化带来的变革力量。