獲得諾貝爾獎兩年後，Google AlphaFold 團隊的核心成員中近四分之一已離開 Google，諾貝爾獎得主 John Jumper 等人轉投 Anthropic。AI 行業正大規模吸納學術界人才，2022 年 70.7% 的 AI 博士進入企業，僅 20% 留在學術界。企業頂尖研究者的年收入已達 194 萬美元，是學術界的 5 倍。AI 公司雖能加速科研突破、產生改變科學史的成果，但長期轉入企業後，論文產量平均減少 65%，成果從論文流向專利和商業機密。更嚴峻的是，企業缺乏培養新一代科學家的動力，基礎研究正被邊緣化。科學正在加速逃离大學。文章作者、來源：APPSO
獲得諾貝爾獎兩年後，Google AlphaFold 的原班人馬已被拆分。
，過去一年中，AlphaFold 論文的大部分原始作者已被重新分配，其中全職核心作者近四分之一已完全離開 Google。
留下的人也轉向 Gemini 科研 Agent、酶設計、基因組學和核聚變等領域，還有人直接去了 Alphabet 旗下的藥物研發公司 Isomorphic Labs。
就連諾貝爾獎得主 John Jumper 與 Jonas Adler 也曾一度被調入 Code Strike 團隊，負責專攻 AI 編碼能力。但後面的故事我們都知道了，這兩位大佬最終還是轉投了 Anthropic。
左為 Google DeepMind 執行長 Demis Hassabis，右為 John Jumper，原報導連結 https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1
針對這次報導，Google 負責 AI for Science 的研究副總裁 Pushmeet Kohli 回應稱，DeepMind 的科學團隊沒有改變方向，只是擴大了工作範圍，仍在推進蛋白質、基因組與酶設計，並借助 Gemini 加速科研。
AlphaFold 曾代表一種相對傳統的科研組織方式。圍繞一個清晰問題組建團隊，長期投入，集中資源，最終交付成果。
如今，類似團隊正逐漸被更通用的模型平台所取代。蛋白質、數學、基因組、核聚變和代碼，看似分屬不同學科，但進入 AI 公司後，均可成為 Gemini 的一組能力模組。
Meanwhile, scientific talent, computing resources, and control over key issues are also becoming increasingly concentrated in the hands of a few AI companies.
我要加入 Anthropic
過去幾年，越來越多數學家、物理學家、生物學家和計算機科學教授進入 AI 行業。
例如，Anthropic 一直招聘物理學家、經濟學家和哲學家；OpenAI 網羅研究黑洞、弦理論和純數學的人才；DeepMind 也聚集了生物學與核聚變專家。
不久前，亞利桑那州立大學教授 Subbarao Kambhampati 調侃道，學術圈最近多了一個梗：「我要加入 Anthropic。」
根據《大西洋月刊》的粗略統計，僅四家頂尖 AI 公司就聚集了至少 80 多名現任或前任教授。
人才流動的方向也越來越單一。
斯坦福大學《AI 指數報告》顯示，2011 年，AI 博士畢業後進入企業和學術界的比例大致相當，分別為 40.9% 和 41.6%。到 2022 年，進入企業的比例升至 70.7%，進入學術界的比例降至 20%。
一篇 2026 年 NBER 工作論文追蹤了約 42,000 名美國 AI 研究者。40 歲以下的研究者離開大學的機率，約為 40 歲以上人群的六倍；約 70% 的轉職者五年後仍留在公司。
錢當然很重要。企業頂尖 1% AI 研究者的年收入，從 59.5 萬美元漲到 194 萬美元；大學同一梯隊只從 30.1 萬美元漲到 39.2 萬美元。雙方差距擴大到約 150 萬美元。
更難拒絕的是科研條件。
在 2010 年代初，約 65% 的大規模機器學習模型由學術實驗室獨立開發。進入 2020 年代後，這一比例降至不足 10%。到 2022 年，約 81% 的前沿模型已由企業獨立完成。
UC Berkeley 教授 Anca Dragan 在加入 DeepMind 時就明確了自己的需求：她需要前沿安全研究所必需的「數據、算力和預算」。
相比之下，在大學裡，一項研究可能需要先申請經費、採購設備、招聘工程人員，再等待計算資源排期；而進入 AI 公司後，同一研究者可直接調用大型模型、專有數據、分布式算力和數百人的工程體系。
但一名頂尖教授離開大學，損失遠不止幾篇論文。大學同時失去了一名導師、一個課題組、一條博士生培養鏈，以及未來十幾年可能形成的研究方向。
過去，科技公司從大學購買研究成果；現在，它們開始直接購買生產研究成果的人。企業獲得的是一個人，大學失去的可能是整整一代人。
Of course, attributing all talent mobility to the decline of academia also underestimates the value being created by corporate research.
AlphaFold 已經證明，企業可以做出改變科學史的成果。超過兩億個蛋白質結構預測，讓大量生物學家節省了過去數月甚至數年的時間。
貝爾實驗室早已證明企業研究院也能改變科學。在巔峰時期，它擁有約 1200 名博士，產出至少 10 項諾貝爾獎。Demis Hassabis 多次將其作為 DeepMind 的參照物。
AI companies are indeed becoming increasingly like new-type research institutes that span multiple disciplines, with strong engineering capabilities and commercial outlets.
DeepMind 將 Gemini 接入數學、基因組和核聚變；Isomorphic Labs 與藥企合作研發新藥；Anthropic 推出 Claude Science；OpenAI 則將 ChatGPT 和 Codex 整合至科研流程中。
相關的成果已經出現。物理學家 Rogerio Jorge 使用 AI 開發了開源核聚變軟體，理論計算機科學家 Barna Saha 等人則使用 GPT-5.5 Pro 輔助高維幾何證明。
OpenAI 表示，每周約有 130 萬人使用 ChatGPT 處理高階科學和數學任務，並計劃向 10 萬名高校研究者免費開放前沿模型和 Codex。
從個人影響力來看，一名科學家進入企業後，作用甚至可能被放大。如上所述，他在大學裡可能帶領十幾名學生，在 AI 公司則可以調動數百名工程師、海量計算資源和全球性數據平台。原本停留在論文中的方法，也更容易進入藥物、軟體、實驗設備和產業系統。
但代價也是不言而喻的。
NBER 研究發現，AI 學者長期轉入企業後，論文產量平均減少 65%。2000 年至 2019 年，企業雇用的 AI 研究者占比從 48% 升至 68%，論文占比只從 27% 升到 32%，專利占比卻從 86% 升至 95%。
人們仍在研究，但成果卻已從論文流向專利、內部模型和商業機密。當年 Google 公開 Transformer，培育了整個行業。如今，訓練數據、模型權重和失敗記錄，越來越難離開企業的伺服器。
科學仍在加速，開放科學卻可能踩下剎車。
科學家沒有離開科學，科學正在離開大學
AI companies can become research institutes, but it is very difficult for them to become universities.
大學承擔著一項經常被忽略的工作。它需要訓練大量尚未證明自己的學生，也要長期保存暫時沒有應用、無法定價、甚至幾十年後才可能顯現價值的問題。
然而，AI 公司更喜歡已證明自己的教授和資深研究者，對培養新人較缺乏耐心。SignalFire 數據顯示，2024 年新畢業生僅占大型科技公司招聘人數的 7%，較 2019 年下降超過一半。
🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025
企業一邊從大學吸收頂尖教授和成熟研究者，一邊減少初級崗位和培訓投入。它們可以聚集一批頂尖科學家，卻未必會承擔大規模培養下一代科學家的責任。
相關影響已出現在大學課堂裡。《大西洋月刊》採訪的學生發現，一些課程突然停開，理由很現實：教授去 AI 公司「休假」了。
Meanwhile, after the renowned professor left, the PhD student lost not only a course but also access to recommended resources, research networks, project organization skills, and opportunities to engage with cutting-edge issues.
更潛移默化的變化發生在研究課題上。
藥物設計、編程、數學推理、材料發現能增強模型，也能形成產品，自然更容易獲得資源支持。長期野外研究、生態保護等選題，往往處於尷尬的處境。
然而，歷史偏偏喜歡和短期回報開玩笑。
數論長期被視為最純粹、最缺乏實用價值的數學，後來成為現代密碼學的基礎。激光剛出現時，也曾被稱作「一個正在尋找問題的解決方案」。互聯網早期同樣難以用商業模型衡量。
公共科研體系的意義，正在於它能夠允許人類研究那些暫時無法解釋價值的問題。
而今天的 AI 公司由於處於模型性能、產品發布和資本投入的高強度競爭中。即使它們願意投資基礎科學，資源也更可能流向能夠增強模型、支撐產品或形成專利的方向。
未來很可能出現一種別扭的繁榮。
人類能更快地找到新藥、證明定理、發現材料，最強的科學家也擁有歷史上最強大的工具。然而，誰來決定研究什麼、誰來培養下一代科學家、誰願意繼續從事無人付費的研究，都成了問題。
科學家並未離開科學。只是科學，正加速遠離大學。
有時我會把大學和 AI 公司想像成一條河的兩端。大學更像上游。水流緩慢，泥沙眾多，大量支流看似毫無用途。有人在那裡測量、記錄、爭論，也有人花一輩子研究一條最終沒有流向城市的溪流。
AI 公司更像下游的水電站。它們能集中水流，驅動機器，產生巨大的能量，把科學迅速送進藥物、軟體和產業。
水力發電站當然重要。沒有它，河水只是流過去。
但如果所有人都跑去下游發電，上游的水源逐漸乾涸，幾年以後，大家只能坐在機房裡等待一條已經不再流來的河。
當數學家忙於改進模型，生物學家忙於訓練 Agent，物理學家忙於擴大算力邊界時，人類或許會獲得更強大的 AI。那些被拋在背後的問題，沒有產品路線圖，沒有投資回報，也暫時無法解釋其用途。
它們很安靜。安靜到很容易讓人誤以為，它們並不重要。