2024 年 5 月，DeepMind 在《Nature》上发表了 AlphaFold 3（AF3），宣称其不仅能预测蛋白质，还能预测 DNA、RNA 以及化学小分子配体的复合物结构。然而，伴随这项里程碑式成果而来的，不是欢呼，而是一场结构生物学界与计算化学界的集体震怒。
原因很简单：DeepMind 违背了现代科学的基本契约——它发表了论文，却扣留了源代码和模型权重。
取而代之的，是一个功能被严重阉割的“AlphaFold Server”网页端。研究人员每天只能提交有限的预测任务，更致命的是，用户无法输入自定义的化学小分子。这无异于告诉全世界的药企和学术界：“我们做出了最棒的药物发现工具，但你们只能看，不能拿它来筛药，除非找我们的商业子公司 Isomorphic Labs 合作。”
半年过去，这场“半开源”的拉锯战在 2024 年 11 月迎来了戏剧性的转折：DeepMind 顶不住压力，正式在 GitHub 上开源了 AlphaFold 3 的学术源代码和模型参数。
从最初的“高傲闭源”到最终的“被迫开源”，AlphaFold 3 这半年的风波，几乎是现代 AI 科研生态中“商业利益、学术伦理与开源社区”三方博弈的最典型样本。
逼仄的“半开源”：为什么学术界不买账？
在 AF3 发布之初，DeepMind 给出不开源代码的理由是“出于安全和商业平衡的考量”。但学术界对此嗤之以鼻。
对于干实验（计算生物学）和湿实验（台前实验）的研究者来说，一个只能通过网页版交互的 AI 模型，其科研价值会缩水 80% 以上。
- 无法本地部署与管线整合： 现代生物信息学研究是高度自动化的。科学家需要将结构预测模型嵌入到自己的高通量筛选管线、分子动力学模拟或突变设计流程中。网页端那点每天限制次数的 API，根本无法支撑大规模的计算筛药。
- 关键功能的“物理隔离”： 最初的 AlphaFold Server 禁用了自定义配体（Ligands）的输入。这意味着，如果你设计了一个全新的抗癌候选小分子，想用 AF3 看看它与靶点蛋白的结合模式，系统会直接报错拒绝。这无异于断了小分子药物研发的核心链路。
- 科学的可重复性危机： 《Nature》等顶刊一直倡导“同行评议与结果可重复”。DeepMind 发表了成果却不给代码，相当于“我证明了哥德巴赫猜想，但步骤保密，你们信我就行”。这直接引发了包括 2024 年诺贝尔化学奖得主 David Baker 在内的数十位顶尖学者联名抗议，指责《Nature》为巨头大开绿灯，破坏了学术规范。
社区的自救：竞品倒逼与去中心化生态的胜利
如果故事只停留在学术界的口水战中，DeepMind 或许不会这么快妥协。真正逼迫巨头低头的，是开源社区极其强悍的**“平替能力”**。
在 DeepMind 拒绝开源的这半年里，全球的计算生物学团队和 AI 创业公司没有干等着，而是掀起了一场轰轰烈烈的“反向工程”运动。
- Chai-1 的奇袭： 2024 年 9 月，AI 制药新星 Chai Discovery 发布了多模态分子结构预测模型 Chai-1。该模型在不依赖多序列比对（MSA）的情况下，依然在多项基准测试中达到了媲美甚至超越 AF3 的水平。最重要的是，他们直接提供了免费的本地推理代码，且允许商业用途。
- Boltz-1 的补刀： 紧接着，由 MIT、麦吉尔大学等多家机构联合成立的非营利组织 Genesis Therapeutics 团队推出了 Boltz-1。这是一个完全开源（MIT 协议）的 AF3 复刻版本。任何人都可以自由下载、训练、修改并将其用于商业药物理论验证。
Chai-1 和 Boltz-1 的出现，直接瓦解了 DeepMind 的技术垄断。
科学家们发现，即使没有 Google 施舍的网页端，社区自己造的轮子也足够好用，甚至在商业限制上更宽松。如果 DeepMind 继续死守 AF3，它的学术影响力将被迅速边缘化，未来所有基于 AF3 生态的二次开发（如蛋白质设计、结合能预测等）都将转移到开源竞品之上。
开源不是因为高尚，而是因为闭源的代价超出了承受范围。 在社区力量的逼迫下，DeepMind 最终选择在 11 月交出代码，以保住其在生命科学领域的学术盟主地位。
重新定义的科研生态：阵痛与新常态
AlphaFold 3 的这段曲折历程，给未来的科研生态留下了深远的影响，也揭示了 AI 时代科学研究的几个残酷真相。
1. 顶刊学术规范的失守与重构
AF3 事件撕开了顶刊在科技巨头面前的软肋。《Nature》为了抢先发表重磅成果，不惜妥协其一贯坚持的“开源可重复”原则。这种“特权”引发了学术界的警惕。未来，科学界对于“无代码、无权重”的 AI 论文，容忍度将会降到极低。社区自发的抵制和倒逼，正在重新确立“无开源，不科学”的底层共识。
2. 学术界与商业巨头的“算力与数据”不对等
AlphaFold 1 和 2 的成功，本质上是 DeepMind 利用巨量算力和工程能力，对学术界几十年积累的 PDB（蛋白质结构数据库）数据进行了一次高效率的“收割”。
到了第三代，巨头开始考虑商业变现，试图将公共数据训练出来的模型转化为商业护城河。这种“用学术界的数据喂饱自己，再对学术界收费/限流”的模式，让科学界产生了强烈的幻灭感。这也促使学术界在未来进行数据共享时，可能会探索更加复杂的授权协议（例如，要求使用该数据开发的商业模型必须开源）。
3. 多极化的“Bio-AI”新格局
如果 DeepMind 在 5 月就完全开源了 AF3，那么 Chai-1、Boltz-1 以及国内众多优秀的复刻模型可能根本没有出头的机会。正因为这半年的“真空期”，客观上刺激了整个生命科学 AI 社区的多样性。
现在，我们不再仅仅依赖 DeepMind 一家。我们拥有了基于不同架构（如 ESM 语言模型路线、Diffusion 扩散模型路线）的多元化工具库。这种去中心化的格局，比“一家独大”的生态要健康得多。
结语：不可逆转的开源大势
虽然 DeepMind 最终开源了 AF3，但其协议依然是 非商业用途（Non-commercial Use Only）。对于药企来说，想要合法地将 AF3 用于管线，依然面临合规风险。这也给 Boltz-1 等采用 MIT/Apache 2.0 协议的真·完全开源模型留下了巨大的商业化空间。
AlphaFold 3 的风波证明了一件事：在生物医药这样一个关乎人类生命福祉的底层领域，科学共同体对“开放与共享”的执念，远远超出了单一商业巨头的掌控力。
巨头或许可以凭借算力优势领先一步，但只要它试图垄断通往真理的道路，开源社区就会用最快的速度，在旁边重新开辟出一条宽敞的大道。
