过去几年，只要打开科技新闻，AI的故事几乎都是同一个模板：会聊天、会画画、会写代码，然后人类开始焦虑。但如果你只盯着聊天窗口看AI，你可能会错过一件真正配得上“革命”二字的事。
Veritasium（真理元素）频道主Derek Muller在《The Most Useful Thing AI Has Ever Done》（AI干过的最有用的事）这期视频里，讲了一个完全不同的故事：一个深度学习模型AlphaFold，解决了生物学界悬置五十年的“蛋白质折叠问题”，把原本需要博士生在实验室里熬上几年的工作变成了一次网页点击，并在2024年直接拿下诺贝尔化学奖。这个视频不是一篇“AI吹”，恰恰相反，它用一条清晰的科学叙事线回答了一个更本质的问题：AI到底应该用来做什么？
这期视频自2025年发布以来，长期被视为AI科普的“天花板级”作品，在各大社区的推荐列表里反复出现。本期解读基于视频主线内容，并补充了视频之外的背景资料（如DeepMind官方博客、Nature论文与诺贝尔奖官方材料），帮你把这条主线彻底吃透。
| 项目 | 内容 |
|---|---|
| 视频标题 | The Most Useful Thing AI Has Ever Done |
| 频道 | Veritasium（Derek Muller，物理教育博士，订阅量千万级） |
| 时长 | 约25分钟（以频道页面为准） |
| 播放量 | 超800万（据公开数据，未经实时核实） |
| 发布时间 | 2025年 |
| 核心主题 | AlphaFold如何攻克蛋白质折叠问题，以及它为什么是"AI for Science"的最佳标本 |
视频的起点是一个朴素的事实：你身体里几乎所有重要的事——消化食物、传递神经信号、复制DNA——都是蛋白质在干活。而蛋白质就是一条由氨基酸串起来的链，人体使用的标准氨基酸只有20种。真正决定一个蛋白质能干什么工作的，不是它的“材料清单”，而是这条链折叠出来的三维形状：凹陷能不能恰好卡住某个分子、表面电荷如何分布，全由形状说了算。
“序列决定结构”这件事，早在上世纪50年代就由Christian Anfinsen用核糖核酸酶的复性实验证明了，他因此拿了1972年诺贝尔化学奖。但这里藏着一个残酷的推论：既然物理定律决定了“氨基酸序列→三维结构”是一一对应的，那理论上用序列就能算出结构。问题在于——没有人会算。当时测定一个蛋白质结构，主流手段是X射线晶体学，一个结构动辄数年、成本高达数十万美元（据行业普遍估计）。结构生物学家的一生，可能就耗在几个蛋白上。这是视频埋下的第一个冲突：答案明明写在物理定律里，人类却没有钥匙。
为什么“算出结构”这么难？视频用了经典的Levinthal悖论来解释（这是我的延伸补充：这个思想实验由Cyrus Levinthal在1968年提出）。一个蛋白质链上每个化学键都有多个可旋转角度，100个氨基酸组成的蛋白质，理论上的可能构象是个天文数字——如果蛋白质要在所有构象里随机搜索，哪怕每秒尝试亿万次，所需时间也会远远超过宇宙年龄。
可现实是，蛋白质在细胞里毫秒级就折叠到位了。这个悖论的真正价值在于它指明了方向：蛋白质折叠一定不是穷举，而是沿着某种物理上偏好的路径快速滑落——就像一颗球滚进漏斗。这意味着结构是“可预测”的，但预测它绝不能靠模拟每个原子的受力硬算，那等于重现穷举。必须找到一种聪明得多的数学工具。视频在这部分的动画非常出彩，把一个计算复杂度问题讲成了直觉。
有了方向，怎么验证谁算得好？这就是CASP（Critical Assessment of protein Structure Prediction，蛋白质结构预测关键评估）的意义。它从1994年开始每两年举办一次，规则近乎苛刻：赛前新解析出的蛋白质结构被严格保密，参赛队伍盲测预测，再和实验真值对比打分。说白了，这是一场没法作弊的高考，也是整个领域唯一公认的金标准。
2018年的CASP13，DeepMind的AlphaFold第一次参赛就碾压全场——用的是“深度学习预测残基间距离分布+梯度下降组装结构”的新思路。而真正的原子弹在2020年的CASP14引爆：AlphaFold2把打分指标GDT的中位数推到了约92.4（据DeepMind官方博客），而这个指标90以上就普遍被认为与实验测定结构精度相当。现场评审情绪激动，媒体普遍以“五十年难题基本解决”收尾（据CASP14公开材料与后续报道）。一个1994年设立的目标，被一个“外来物种”——一帮做AI的人——在26年后达成了。
AlphaFold2为什么能成？视频的核心洞见是：它不是在模拟物理，而是在读取生命40亿年积累的“大数据”。这里是我认为最值得细品的部分（视频有演示，论述角度是我的延伸）：基因组测序几十年来留下了海量同源蛋白的序列，这些序列里藏着“共进化”的线索——两个原本互相作用的残基，如果一个突变了，另一个往往也得跟着变，否则蛋白质就废了。于是“在亿万条序列里总是同步突变的一对位置”，大概率在三维空间里是贴在一起的。
AlphaFold2用多序列比对（MSA）提取这些共进化信号，再用Transformer式的注意力机制把它们和序列本身的化学性质融合，最后通过一个保持三维几何一致性的结构模块反复迭代精修。你可以把它理解成：进化已经替人类做了几十亿年的“实验”，AlphaFold只是学会了读实验记录。这也解释了为什么是2020年而不是2010年——没有2017年的Transformer架构革命和测序数据的爆炸式积累，一切无从谈起。
拿下一项预测只是论文，DeepMind接下来做的事才是视频标题的答案。2021年，DeepMind与欧洲生物信息学研究所（EMBL-EBI）合作，公开了约35万个蛋白质的预测结构；2022年7月，数据库一举扩展到约2亿个结构——几乎覆盖了科学界已编目的全部已知蛋白质——并全部免费开放（以上均为DeepMind与EMBL的公开公告内容）。据DeepMind公布的数据，迄今已有超过200万来自190个国家的研究者使用过这个数据库。
这个动作的意义怎么强调都不过分：它相当于把全世界结构生物学家未来几十年的工作量，压缩成了一次网页下载。以前你要先有结构才能开始研究功能、设计药物；现在结构是起点而不是终点。DeepMind随后把这部分业务拆成制药公司Isomorphic Labs（2021年成立），AI预测结构正式变成了一条产业赛道的地基。
2024年10月，诺贝尔化学奖揭晓：一半授予华盛顿大学的David Baker，表彰他在计算蛋白质设计上的贡献（用AI从头设计自然界不存在的蛋白质）；另一半共同授予DeepMind的Demis Hassabis和John Jumper，表彰AlphaFold2在蛋白质结构预测上的突破（诺贝尔奖官方公告内容）。预测+设计，一奖打包，等于官方盖章：“AI for Science”时代正式成立。片中出现的John Jumper访谈也印证了这一点——一位80后研究者，因为一个模型登上了科学界的最高领奖台。
但视频没有回避争议，这也是我欣赏它的地方：AlphaFold2的代码和参数当时完整开源了，可2024年5月发布的AlphaFold3（能预测蛋白质与DNA、RNA、药物小分子的相互作用）却不再开放代码，只提供受限的网页服务器。《自然》同期发表的论文因代码不公开在学界引发广泛批评（据Nature News当时的报道）。开源让AlphaFold2成为全人类的公共品，闭源则让AlphaFold3变成商业护城河——同一家公司，前后两种哲学，值得每个技术从业者琢磨。
回到视频标题：为什么说这是“AI干过的最有用的事”？Derek的逻辑链是这样的（复述+我的延伸）：GPT们改变了我们消遣和办公的方式，而AlphaFold改变了科学发现本身的速度。疟疾、抗生素耐药、罕见病……这些领域卡住的原因往往不是没人努力，而是“不知道目标蛋白长什么样”。当结构预测的成本趋近于零，下游所有研究的启动成本一起归零。据DeepMind公开的案例，已有团队用它加速核孔复合物等大型分子机器的结构解析，也有制药公司把预测结构直接纳入研发管线。
更重要的是方法论层面的范式转移：以前的科学是“提出假设→设计实验→验证”，现在多了一条新通路——“先让AI预测→再针对性实验”。这不是替代实验，而是让每一场实验都打在 ten环上。这就是我认为这条视频最值得转发的理由：它给了普通人一个判断AI新闻的标尺——别问“像不像人”，问“它把什么稀缺资源的成本打下来了”。
视频的结尾保持了可贵的克制（我的延伸补充如下）：AlphaFold“解决”的是蛋白质的静态结构预测，离“理解生命”还很远。它对固有无序区（没有固定形状的区段）的预测可信度低；对蛋白质动态变构过程的描述力不从心；CASP15（2022年）也显示，多蛋白复合物的预测难度依然显著（相关评估结果为公开材料）。换句话说，预测出了形状，不等于理解了机制——就像你拿到了一张精确的城市地图，不代表你知道这座城市为什么长成这样。
另外别忘了，AlphaFold的能力边界恰好是下一个金矿：Baker实验室的RFdiffusion等工具正在把“预测”反转为“设计”，去造自然界没有的酶、药物和材料。五十年来人类第一次从“读取蛋白质”走向“书写蛋白质”，这个方向的产业和社会影响，可能比预测本身更大。
graph TD
A["蛋白质折叠问题<br/>50年悬案"] --> B["理论基石"]
A --> C["为什么难"]
A --> D["怎么验证"]
B --> B1["Anfinsen 1972诺奖<br/>序列决定结构"]
C --> C1["Levinthal悖论<br/>穷举不可行"]
C --> C2["X射线晶体学<br/>数年/数十万美元一个结构"]
D --> D1["CASP盲测竞赛<br/>1994年起两年一届"]
D1 --> E["2018 CASP13<br/>AlphaFold1 首次夺冠"]
E --> F["2020 CASP14<br/>AlphaFold2 中位GDT约92<br/>≈实验精度"]
F --> G["技术内核"]
G --> G1["MSA共进化信号<br/>同步突变=空间相邻"]
G --> G2["注意力机制<br/>融合序列与配对信息"]
G --> G3["等变结构模块<br/>迭代精修"]
F --> H["成果外溢"]
H --> H1["AlphaFold DB<br/>约2亿结构免费开放<br/>200万+研究者使用"]
H --> H2["2024诺贝尔化学奖<br/>Hassabis & Jumper + Baker"]
H --> H3["Isomorphic Labs<br/>AI制药产业化"]
H1 --> I["AI for Science范式<br/>先预测→再实验"]
H3 --> I
I --> J["下一步：从头设计蛋白质<br/>预测≠理解，争议仍在"]
如果你是学生命科学或相关交叉学科：第一件事就是把 AlphaFold DB（alphafold.ebi.ac.uk）加进工具箱——输入UniProt编号就能查结构，把它当作你的“假设生成器”。需要本地运行或定制预测的，可以看开源社区维护的ColabFold（发表于Nature Biotechnology，2022），在免费算力上就能跑。但请记住视频传递的方法论：预测结构是研究的起点，用它设计实验去验证功能，才是科学。
如果你是AI从业者：AlphaFold2是最值得精读的工程案例之一。它教会我们三件事：一是领域知识（共进化信号）与通用架构（注意力机制）结合才有质变；二是评价体系先于模型——没有CASP这种三十年盲测机制，再惊艳的演示也难以服众；三是“开放”本身就是战略，AlphaFold2的开源换来了整个学术生态的迁移成本归零。
如果你只是关心AI的普通人：下次再看到“AI又要颠覆XX”的新闻，用这把标尺量一量——它有没有一个CASP式的可验证基准？它把什么稀缺资源的成本打下来了？答案是“没有”的，多半是营销。另外，AI for Science的风口远不止蛋白质：DeepMind的GraphCast天气预报模型（2023年发表于Science）、用强化学习控制托卡马克等离子体（2022年发表于Nature）都是同一条路线上被验证过的站点，值得持续关注。
AlphaFold证明了AI最伟大的用途不是替人类写段子，而是把科学发现的边际成本打到接近于零——这才是“有用”的最高标准。
说明：因本轮网络抓取受限，文中播放量、时长等动态数据为据公开信息的近似表述，以视频页面实时数据为准；核心科学事实（CASP14结果、诺奖归属、数据库规模）均出自DeepMind官方博客、Nature与诺贝尔奖官方等公开文献。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生（微信ID: gprshome201101）维护，聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。