“AI到底有什么用？”这个问题在社交媒体上被问烂了。而Veritasium（真理元素）在2024年9月发布的这条视频，给出了一个几乎所有反驳者都无法否认的答案：破解蛋白质折叠——一个困扰生物学界五十年的难题，被一个神经网络在两年内基本拿下，并直接促成2024年诺贝尔化学奖。这条视频被大量观众称为“了解AI for Science最好的入门材料”。本文按视频叙事顺序逐层拆解：蛋白质为什么难、CASP竞赛如何逼出突破、AlphaFold的机理与边界、以及哪些地方视频话锋偏乐观。看完这篇，你等于看完了视频，还多知道一层它的证据边界。
| 项目 | 内容 |
|---|---|
| 视频标题 | The Most Useful Thing AI Has Ever Done（AI干过的最有用的一件事） |
| 频道 | Veritasium（主持人：Derek Muller，物理学科普博士） |
| 发布时间 | 2024年9月（据频道页面） |
| 播放量 | 千万量级（据频道页面，请以实时数据为准） |
| 时长 | 30分钟以上（据频道页面） |
| 观看方式 | YouTube搜索标题"Veritasium The Most Useful Thing AI Has Ever Done"即可直达 |
注：本文写作环境未能直连YouTube核对实时数据，以上热度信息按“据频道页面”口径给出；文中涉及的研究、奖项、论文均为公开可查的真实资料，参考来源附于文末。
视频的开场结构值得单独说一句，因为它是全片论证的“地基”。
Derek Muller没有上来就吹AI，反而先复述了这几年公众对AI的三大不满：训练大模型耗电惊人、加密货币与投机泡沫消耗算力、生成式AI批量制造假图假视频。这个开场是一个标准的“ steelman 对手”策略——先把反对意见摆到最强状态，再给出反例。他提出的反例就是本片主角：用AI预测蛋白质的三维结构。
这个叙事选择很聪明。chatbot会写诗、AI会画图，你都可以争辩“这些事人类也能做”；但蛋白质结构预测不同——在AlphaFold出现之前，测定一个蛋白质结构动辄花费博士整个研究生涯，而神经网络做到了，且结果通过了国际盲测竞赛的检验。这不是观点，是可复验的成绩单。2024年10月，诺贝尔化学奖一半授予David Baker（计算蛋白质设计），另一半共同授予Demis Hassabis与John Jumper（蛋白质结构预测），把这个成绩单盖了官方印章（据诺贝尔奖官网）。
视频用相当流畅的动画交代了背景知识，这部分是零基础观众的理解门槛所在，这里拆开讲透。
蛋白质是一串氨基酸。人体用来合成蛋白质的氨基酸共20种，你可以把它们想象成20个字母；氨基酸手拉手连成长链，这条链叫多肽链。链条中的氨基酸序列，由DNA上的基因编码——这就是分子生物学中心法则的核心：DNA转录成RNA，RNA翻译成蛋白质。
但关键在于：一条线性的氨基酸链，会在细胞里自发地扭曲、缠绕、折叠成特定的三维形状——α螺旋、β折叠片，再组装成更复杂的球状结构。而形状决定功能：
人体内有数以万计种蛋白质，各自形状不同。所以视频里那句反复出现的话并不夸张：“形状就是功能”。想知道一个蛋白能干什么、药物该往哪里设计，第一步就是拿到它的三维结构。
视频把“为什么难”拆成了三层，层层递进。这是全片知识密度最高的部分。
第一层：结构测定本身极难。 第一个被解析出结构的蛋白质是肌红蛋白，John Kendrew团队从上世纪50年代做到1958年才成功，靠的是X射线晶体学——先让蛋白质长出规则晶体，再用X射线衍射反推电子密度，计算量在当年大得惊人。他因此拿了1962年诺贝尔化学奖（同期还有Max Perutz解析血红蛋白）。此后几十年，晶体学虽有进步（多萝西·霍奇金甚至用它与胰岛素缠斗多年），但平均下来，测定一个新蛋白结构仍常以“年”为单位计价。冷冻电镜降低了部分门槛，但离“随便查一个蛋白就有结构”还差得远。截至AlphaFold问世前，全世界实验测定的结构只有近20万条（存于蛋白质结构数据库PDB），而已知蛋白序列有几亿条——结构缺口是天文数字。
第二层：Anfinsen定律——序列决定结构。 上世纪50-60年代，Christian Anfinsen做了一个里程碑实验：把核糖核酸酶A用尿素和还原剂完全打散变性，然后撤掉变性剂，发现它能自己重新折叠回原本的形状并恢复活性。这说明折叠的信息全部藏在氨基酸序列本身，不需要额外的“折叠师傅”。他因此获得1972年诺贝尔化学奖。这个定律既是希望也是诅咒：希望是——理论上，只看序列就能推出结构；诅咒是——怎么推，没人知道。
第三层：Levinthal悖论。 1969年前后，Cyrus Levinthal算了一笔账：一条300个氨基酸的链，如果每个残基只有3种构象可选，随机穷举所有可能形状的次数是3的300次方——即便每个构象只试一皮秒，穷举所需时间也远超宇宙年龄。可现实中，蛋白质在细胞里毫秒到秒级就折叠完成。这个“悖论”（今天用能量漏斗理论解释：折叠并非随机游走，而是沿能量坡道快速下滑）给结构预测判了“死刑”般的直觉：暴力搜索没有出路，你必须真的理解物理。
如果视频前半段是物理学，这一段就是全片的“制度创新”看点，也是我认为最容易被普通观众忽略、但最值得带走的内容。
1994年，John Moult等人发起了CASP（Critical Assessment of protein Structure Prediction，蛋白质结构预测关键评估）：机制是——先把刚被实验测定、但尚未发表结构的一些蛋白质序列发给全球预测团队，各队盲猜结构，再由评委用统一分数公开排名。核心指标GDT（全局距离检验）大致可以理解为：预测的主链与真实结构有多重合，0到100分，90分以上意味着与实验结构基本难以区分。
这个设计有两个魔鬼细节。其一，盲测：没人能拿旧数据作弊，分数就是真本事。其二，延迟公开：实验结构在评测结束后才发表，预测与真相的差距赤裸裸摆在阳光下。于是CASP成了结构生物学的“奥运会”，每两年一届，办了25年。
结果如何？惨淡。从1994年到2016年，这个项目的最好成绩长期徘徊在40-60分——预测能看出“大概像”，但药物设计需要的精度完全不够。视频中有一句被大量观众引用的总结：一代研究者在这个分数段里熬白了头发。
转折发生在2018年和2020年，视频把这段讲出了体育赛事的张力。
第一跳（CASP13，2018年）：DeepMind带着AlphaFold初版参赛。他们把结构预测当作机器学习问题，用海量已知“序列-结构”配对数据训练，拿到约60分——刷新纪录，但离“解决”还远。
第二跳（CASP14，2020年11-12月）：AlphaFold2登场。这次它不仅刷新纪录，而是把中位GDT分数推到了92.4（据CASP14官方评测）——大多数目标蛋白的预测与实验结构误差不超过一个原子的宽度。评委和参赛者的反应在当年刷屏科学圈；片中受访的结构生物学家Andrei Lupas说了大意如此的话：AlphaFold2直接解决了他实验室用晶体学折腾了十年都没搞定的结构（据视频内访谈）。
AlphaFold2为什么这么强？视频做了克制但准确的科普：它用深度学习架构（内部核心叫Evoformer）让序列信息与结构信息反复互相“对话”，再用迭代精修模块反复打磨预测——网络学到的不是查表，而是对折叠物理的统计直觉，某种意义上是把Anfinsen定律和几十年的实验数据压缩进了几千万参数。2021年7月，DeepMind与欧洲生物信息学研究所（EMBL-EBI）合作，公开了AlphaFold2源代码，并上线了预测结构数据库；2022年，数据库扩展到超过2亿个结构，几乎覆盖所有已被编目的蛋白（据DeepMind与EMBL-EBI公开资料，及Tunyasuvunakool等人在Nature发表的论文）。一个博士生今天打开网页就能查到的结构，十年前够写一篇博士论文。
视频后半段切换视角，讲2024年诺奖的另一半：David Baker。如果说AlphaFold回答的是“给定序列，结构是什么”，那Baker实验室回答的是反问题——“给定想要的形状，序列怎么写”。
这条路他们走了二十年。早年用Rosetta软件设计出自然界不存在的蛋白Top7（2003年），之后陆续设计出全新酶、自组装纳米笼；近年结合扩散模型（RFdiffusion，2023年发表于Science），可以像AI画图“去噪”一样，从随机噪声中“生成”出目标蛋白结构，再反推氨基酸序列。这项技术的落点包括：定制酶、疫苗支架、药物递送载体、结合特定靶点的全新蛋白——Baker团队甚至设计过能对抗流感和新冠的候选疫苗骨架（据其团队公开发表的论文与媒体报道）。
于是视频的论证闭环完成：预测（AlphaFold）+ 设计（Baker路线）= 人类第一次把蛋白质从“读”的时代带进“写”的时代。2024年诺贝尔化学委员会的授奖分配，正是对这两半的各打五十大板。
深度解读不能只当复读机。以下是这条视频叙事中需要打折或补注的地方。
其一，“解决蛋白质折叠”是有严格限定的。 AlphaFold2解决的主要是静态、单链主链的预测。蛋白质的真实生命在于动态：它们会变构、会摆动、会与药物小分子和别的蛋白相互作用；还有一类内在无序蛋白压根不折叠成固定形状。GDT分数衡量的是主链原子重合度，不含侧链精细取向与动态行为。AlphaFold3（2024年5月发表于Nature）扩展到了蛋白-核酸-配体复合物，但学界对其只提供在线服务器、不完全开放代码提出了相当多的批评（据Nature新闻版与学术社区的公开讨论）——这与AF2“代码全开源”的姿态形成对比，也提醒我们：开放性在AI for Science中不是赠品，是科学生产力本身。
其二，“AI干过的最有用的事”是修辞框架，不是排名结论。 抗生素、疫苗的历史地位无可撼动；视频自己也用“最有用”设置了一个吸引眼球的相对论断。更准确的表述是：这是AI第一次在基础科学的核心难题上拿出可盲测、可复验、拿诺奖背书的成果——它作为“AI for Science”的开山案例成立，作为全局排名则是流量话术。观众应区分这两层。
其三，结构预测没有让实验结构生物学失业。 预测结构是模型推断，关键药物靶点、突变效应、膜蛋白在不同环境下的状态，仍需实验验证；事实上PDB每年新增的实验结构仍在增长。AlphaFold的最佳用法是“先猜后验”，把实验从大海捞针变成有的放矢——省的是时间，不是验证。视频中Lupas等一线科学家的表述其实相当克制，是部分二传解读把它夸成了“结构生物学终结”。
其四，叙事视角偏向DeepMind。 有观众在社区讨论中指出，全片对DeepMind的高光着墨较多，而对学术社区（CASP评委二十余年的志愿坚持、Rosetta二十年积累）的篇幅相对薄——这属于叙事取舍层面的观感争议，并无事实性错误，但阅读时值得自带这层滤镜。
1. 重校“AI有什么用”的坐标系。 下次有人争论AI只会聊天画画时，把坐标系从“消费级应用”换到“AI for Science”：蛋白质折叠之后，材料发现、核聚变控制、天气预报、数学猜想辅助证明是同一条主线的延伸。一个低成本习惯：每月扫一眼Nature和Science官网的“AI applications”栏目，比刷社交媒体的AI焦虑有用得多。
2. 学CASP的“可评分竞赛”方法论。 一个难题二十五年没进展，靠的不是灵感，而是：公开基准、盲测打分、两年一赛、不许作弊。这套机制任何团队都能移植——做产品、学技能，先给自己建一个“没法骗自己的评分表”，进步速度会完全不同。AlphaFold的天才固然重要，但没有CASP搭好的跑道，它连被证明的机会都没有。
3. 真的去用AlphaFold数据库。 这是普通人少有的“零门槛接触顶尖科研成果”的机会：打开 alphafold.ebi.ac.uk，搜任何感兴趣的蛋白（胰岛素、血红蛋白、p53），三维结构免费可查、可旋转、可下载。生物老师可以拿它做课件，程序员可以拿它的开源代码学习机器学习工程，学生可以直接问“这个突变位点在结构上离活性中心多远”——把看客变成用户，是这篇解读最想推动的一步。
flowchart TD
A[开场泼冷水<br/>AI耗电与泡沫三宗罪] --> B[反例登场<br/>蛋白质结构预测]
B --> C[蛋白质是生命机器<br/>形状决定功能]
C --> D[难题一<br/>测结构动辄十年]
C --> E[难题二<br/>Anfinsen: 序列定结构]
C --> F[难题三<br/>Levinthal悖论]
D --> G[CASP盲测竞赛<br/>1994年起公开打分]
E --> G
F --> G
G --> H[25年困在60分以下]
H --> I[AlphaFold2<br/>2020年冲上92分]
I --> J[开源代码<br/>2亿结构免费开放]
J --> K[反问题<br/>Baker设计全新蛋白]
K --> L[2024诺贝尔化学奖<br/>三方分享盖章]
L --> M[结论<br/>AI for Science元年]
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。