谷歌旗下DeepMind团队曾凭借AlphaFold项目震动科学界，但如今其核心成员正经历重大调整。据《金融时报》披露，该团队近四分之一的原始论文作者已彻底离职，其余成员则转向基因组学、核聚变、AI编程助手等新兴领域，甚至有人加入谷歌母公司Alphabet旗下的药物研发公司Isomorphic Labs。就连诺贝尔奖得主John Jumper与Jonas Adler也一度被调入AI编程团队，最终选择转投Anthropic公司。
针对团队重组传闻，谷歌AI for Science研究副总裁Pushmeet Kohli回应称，DeepMind的科学研究方向并未改变，只是将工作范围扩展至更多领域。他强调，团队仍在推进蛋白质结构预测、基因组设计等核心项目，并借助Gemini大模型加速科研进程。这种转变折射出AI科研范式的深层变革——传统以单一问题为导向的垂直团队，正逐步被跨学科、通用化的平台型研究取代。蛋白质、数学、核聚变等领域的研究，在AI公司框架下被整合为模型能力模块。
科研人才向企业聚集的趋势愈发明显。Anthropic持续招募物理学家、经济学家和哲学家，OpenAI网罗黑洞研究、弦理论专家，DeepMind则汇聚生物学与核聚变领域人才。据《大西洋月刊》统计，仅四家头部AI企业就聚集了超过80名现任或前任教授。斯坦福大学《AI指数报告》显示，2022年AI领域博士毕业生进入企业的比例达70.7%，较2011年的40.9%近乎翻倍。美国国家经济研究局2026年工作论文进一步揭示，40岁以下研究者离开高校的概率是40岁以上群体的六倍，且70%的转职者五年后仍留在企业。
驱动人才流动的不仅是薪酬差距。企业顶尖AI研究者年薪已从59.5万美元飙升至194万美元，而高校同层级学者收入仅从30.1万美元增至39.2万美元。更关键的是科研条件的质变：2010年代初，65%的大规模机器学习模型由学术机构独立开发，到2022年这一比例已不足10%，同期81%的前沿模型由企业独立完成。UC Berkeley教授Anca Dragan加入DeepMind时明确表示，她需要企业提供的数据、算力和预算支持前沿安全研究，这些资源在高校体系中难以快速获取。
这种转变带来双重效应。企业科研实力显著增强：AlphaFold预测两亿多个蛋白质结构，为生物学家节省数年工作时间；OpenAI每周吸引130万人使用ChatGPT处理科学任务，并计划向高校研究者免费开放前沿模型。但代价同样显著：NBER研究发现，学者转入企业后论文产量平均下降65%，2000-2019年间企业AI研究者占比从48%升至68%，但论文贡献率仅从27%增至32%，专利占比却从86%跃升至95%。训练数据、模型权重等核心资源日益封闭，开放科学进程面临挑战。
高校科研生态遭受系统性冲击。SignalFire数据显示，2024年科技巨头招聘的新毕业生占比仅7%，较2019年下降超半数。企业更倾向招聘成熟研究者而非培养新人，导致博士生失去导师指导、研究网络和前沿课题接触机会。《大西洋月刊》采访发现，部分高校课程因教授离职而停办，长期野外研究、生态保护等基础学科面临资源枯竭风险。历史上，数论曾被视为"无用之学"，却成为现代密码学基石；激光技术初期也被质疑"寻找问题"，最终催生万亿级产业。这些案例凸显公共科研体系保存"无用知识"的战略价值。
当前科研格局呈现矛盾图景：人类在药物发现、定理证明等领域取得突破性进展，最强科学家掌握前所未有的工具；但研究议题主导权、下一代科学家培养责任，以及基础研究的资金支持，正加速向企业集中。这种转变可能催生短期繁荣，却蕴含长期风险——当所有科研力量聚焦模型优化与产品开发，那些需要数十年沉淀、无法立即变现的基础问题，或将面临无人问津的困境。正如某学者比喻："若所有人都奔向下游发电，上游水源终将枯竭，届时机房里等待的，将是一条不再流动的河。"
