AI 到底给人类干过什么正经事？会聊天、会画画、会写代码之外，还有没有一件拿得出手的“最有用”？知识类顶流频道 Veritasium 用一期蛋白质折叠的深度视频给出了自己的答案：AI 最好的作品，不是一段流畅的废话，而是两亿个蛋白质的三维结构。这期视频把一个悬置了半个多世纪的科学难题，讲成了一个完整的破案故事——从 DNA 到氨基酸，从热力学假说到盲测竞赛，再到 2024 年的诺贝尔化学奖。本文带你把这期视频拆开揉碎：它讲了什么、背后的真实研究有哪些、哪些说法是实锤、哪些是修辞，以及你作为非生物专业读者，能从中学到什么可迁移的思维工具。
| 项目 | 内容 |
|---|---|
| 视频标题 | The Most Useful Thing AI Has Ever Done（暂译：AI 做过的最有用的一件事） |
| 频道 | Veritasium（真理元素），主理人 Derek Muller，物理学教育博士 |
| 发布时间 | 2025 年年中（据频道页面；本轮未能实时核验精确日期） |
| 播放量 | 千万级量级，为该频道近年最热门视频之一（据频道页面公开数据；本轮未能实时核验，以页面实时数据为准） |
| 订阅规模 | 频道订阅量上千万量级（据频道页面） |
注：本文的播放量、发布时间等页面数据因本轮抓取受限未能实时核验，均为撰写时依据的公开信息，请以频道页面实时数据为准。文中的科学事实部分（实验、论文、奖项）均来自公开的稳定来源，已在正文和参考来源中注明。
视频的叙事结构非常清晰，本质上是用五幕剧的方式，回答了一个问题：预测一个蛋白质的三维形状，为什么难了五十年，又为什么在 2020 年被 AI 一举拿下。
开场 Derek 先立靶子。这两年 AI 满屏都是聊天机器人、文生图、视频生成，热闹归热闹，但对“人类福祉”的净贡献到底有多大，其实很难说清。视频提出的对照物是：有一个 AI 系统，把生物学家卡了半个多世纪的问题压缩到几分钟，并且把成果免费开放给了全人类——这就是 DeepMind 的 AlphaFold。标题里的“最有用”三个字，就是拿它和一切生成式 AI 对赌。这个开场是修辞策略，也是全文张力所在，后面批判性审查部分我们会回头算这笔账。
这是视频的知识密度最高的部分，讲得极其扎实。蛋白质是生命世界的“万能零件”：消化食物的酶、搬运氧气的血红蛋白、识别病毒的抗体，全是蛋白质。而蛋白质的功能，几乎完全由它的三维形状决定——形状对了才能卡住底物，形状错了就是废铁甚至祸害。
那形状由什么决定？由氨基酸序列决定。人体用的氨基酸大约二十种，可以理解为二十个字母；一条典型的蛋白质就是几十到几百个字母连成的长链。这串字母合成出来之后，并不会保持直链状态，而是会在几毫秒到几秒内自发折叠成一个精确的三维结构。序列决定结构，结构决定功能——这是结构生物学 fifty 年来的中心信条。
难就难在“字母到形状”的映射无法直观推出。视频用了经典的思想实验来解释：如果把折叠过程看成在所有可能的构象里搜索，一条一百个氨基酸的链，每个残基都有多个可旋转的键角，可能的构象总数是个天文数字——就算每个皮秒试一种，穷举完所需的时间也远超宇宙年龄。这就是 1960 年代末 Levinthal 提出的著名悖论。但矛盾在于：现实中的蛋白质明明几毫秒就折好了。随机搜索不可能，那它凭什么折得又快又对？
视频接着交代了两条历史线索，这是很多科普绕开、但恰恰最见功力的部分。
第一条线是“序列即结构”的证据。1972 年诺贝尔化学奖得主 Christian Anfinsen 做过一个教科书级实验：把核糖核酸酶 A 用尿素和还原剂完全变性、拆散结构，功能随之丢失；但去除变性剂后，蛋白质自己折了回去，功能基本恢复。这说明折叠所需的信息全部藏在序列里，天然构象就是自由能最低的状态。既然信息在序列里，理论上就应该能从序列“算”出结构——这给五十年的计算攻关立了理论前提。
第二条线是实验测结构的痛苦。X 射线晶体学从 1950 年代解出肌红蛋白结构开始，一直是主力：提纯、结晶、收衍射数据、解相位，一个结构动辄数年。维持全球结构存档的蛋白质数据库（PDB）1971 年建立，攒到今天实验结构也只有二十多万条，而已知存在的蛋白质序列数以亿计。缺口巨大，计算预测成了刚需。
但预测方法好坏怎么评？视频强调了 1994 年 John Moult 和 Krzysztof Fidelis 创办的 CASP 竞赛：每两年一届，组织方拿刚测出、尚未发表的结构当考卷，参赛队伍盲测打分，用统一的 GDT 分数衡量预测与真实结构的重合度，满分一百。这个“统一考卷 + 盲测 + 统一评分”的机制，是后来一切讨论的裁判。此后的二十多年里，各种物理建模方法（Baker 实验室的 Rosetta 是代表）把分数从二三十分磨到五六十分，进步缓慢，始终离实验精度隔着一条鸿沟。
2018 年 CASP13，DeepMind 的第一代 AlphaFold 拿下第一，中位分数约六十分，但更多是“深度学习+物理约束”的混合产物。真正的风暴在 2020 年底的 CASP14：AlphaFold2 的中位 GDT 分数冲到九十二分上下——这意味着预测结果和实验测出的结构，在大多数原子上基本重合。评委和参赛者的反应在科学史上都罕见：有人当场说这个领域“某种意义上被解决了”。
视频对技术原理做了取巧但准确的类比讲解，可以概括为两句话：
第一句：进化是最强的先验。 数亿年的演化里，一条序列上相距很远的两个位点，只要在空间上必须互相撑住，它们就会“共同变异”——一个位点突变，另一位点必须跟着补偿突变，否则蛋白质报废。把这些跨物种序列排成多序列比对（MSA），共同进化的模式就暴露了哪些残基在三维空间里相邻。这等于让四十亿年的自然实验替你做了约束标注。
第二句：让神经网络自己做物理题。 AlphaFold2 用注意力机制（视频里的 Evoformer 结构）在序列信息和残基两两关系之间反复交换信息，再用一个直接输出三维坐标的结构模块端到端训练，整个过程可微、可迭代修正。它没有硬编码能量公式，而是让模型在数据里学会“折叠的物理”。
如果故事停在 CASP14 的金牌，它只是一场竞赛的胜利。视频真正的落点是兑现：2021 年 7 月，DeepMind 在《自然》发表论文并开源了代码和模型权重；同与欧洲生物信息学研究所（EMBL-EBI）合作上线 AlphaFold 数据库，先放出人类全蛋白质组和二十余个模式生物的三十多万个结构预测，2022 年扩容到约两亿条——几乎覆盖了所有已知蛋白序列，任何人免费可查。2024 年 5 月的 AlphaFold3 进一步把配体、DNA、RNA、离子纳入预测范围（这部分伴随争议，见下节）。2024 年 10 月 9 日，诺贝尔化学奖一半授予 DeepMind 的 Demis Hassabis 和 John Jumper，表彰蛋白质结构预测；另一半授予华盛顿大学的 David Baker，表彰计算蛋白质设计——预测与设计，正好是一体两面。视频到这里收束：从“序列即结构”的理论预言，到 AI 补上计算这一环，再到结构成为人人可用的公共品，一条五十年悬案闭环。
把这期视频涉及的真实学术脉络列清楚，方便你想深挖时按图索骥：
值得说一句：视频选择的所有节点都是可验证的公共事实，没有依赖独家信源。这正是它在科学传播上站得住的原因之一。
站得住的部分。 “AlphaFold2 在盲测中达到接近实验精度的预测”有 CASP14 公开数据背书；方法可复现——学术界很快出现了 OpenFold、ColabFold 等开源复现与封装，独立训练也能逼近主要指标；“两亿结构免费开放”是任何人都可上网验证的公共品。这三件事构成视频的硬核底座，争议空间很小。
需要打折扣的部分。
第一，“解决了蛋白质折叠问题”是修辞，不是事实。AlphaFold 预测的是最终结构，而不是折叠过程。Levinthal 悖论问的是“它怎么在极短时间内找到正确路径”，这个问题——折叠动力学、折叠中间态——AlphaFold 完全没有回答。它替你抄了答案，但没有演示解题过程。结构生物学界对此心知肚明，所以更严谨的说法是“结构预测问题被基本解决”。
第二，“最有用的 AI”这个头衔有边界。预测的是静态快照，而蛋白质在细胞里是动态的分子机器：构象系综、变构、与配体结合后的形变，都是单一静态结构覆盖不了的。固有无序蛋白（本来就折叠成“不确定形状”的一大类蛋白）它处理得很差；点突变对稳定性的影响（ΔΔG）预测依然不可靠；孤儿序列（没有足够同源序列可对比）容易“一本正经地胡编”。这些都是论文摘要里写得清清楚楚的已知局限。
第三，AlphaFold3 的开源争议值得单独记住。2024 年 5 月 AF3 论文发表时，DeepMind 没有按惯例放出代码，数百名研究者联署公开信抗议，第三方团队 PixelFold 等随后独立复现了方法。同年晚些时候代码和权重才对学术用途开放。这件事提醒我们：即便是最“开放”的 AI 科学项目，商业化诱惑（DeepMind 姊妹公司 Isomorphic Labs 要用它做药）也在时刻拉扯开放性。
第四，标题的赌注本身。把“写文案的 AI”和“预测结构的 AI”放在一张天平上比“有用”，这个比较其实无法公允量化——但作为一种价值倡导，它把公众注意力从生成式 AI 的喧哗拉回到 AI for Science，视频的传播学选择可以理解，读者需要的是知道这是修辞而非结论。
启示一：统一考卷加盲测，是加速一切的裁判机制。 蛋白质折叠五十年progress缓慢、两年封神，差别不在聪明程度，而在 CASP 这个机制：统一数据集、盲测、统一指标、公开排名。反观很多领域，“突破”靠发布会 PPT。你做技术选型、团队考核、甚至自学验收时，都可以自建 CASP：先出考卷，后交答案，成绩说话。这也是判断任何“AI 攻克了 X”新闻的第一过滤器——有没有公开基准上的盲测成绩？
启示二：领域先验加深度学习，往往强于纯端到端。 AlphaFold2 不是靠算力硬砸，而是把四十亿年的共同进化信息（MSA）编码进输入，再让神经网络学物理。这个配方在其他领域反复应验：把领域知识结构化地喂给模型，比指望模型从零悟出规律便宜得多、可靠得多。做任何 AI 应用时，先问一句：这个领域有没有类似“MSA”的免费先验？
启示三：判断科学突破，看三样东西——盲测成绩、独立复现、开放可得。 AlphaFold 三条全占，所以它配得上诺贝尔奖；很多热度新闻三条全无。以后再看到“AI 破解了百年难题”，先查有没有第二支团队独立复现、工具有没有公开，再决定要不要信。
flowchart TD
A[氨基酸序列<br/>二十个字母的长链] --> B[三维结构<br/>序列即结构]
B --> C[生物学功能<br/>结构即功能]
A --> D[折叠难题<br/>穷举慢过宇宙年龄]
D --> E[CASP双年盲测<br/>统一考卷与评分]
E --> F[AlphaFold2<br/>中位92分近实验精度]
F --> G[两亿结构公开库<br/>人人可查]
G --> H[药物靶点<br/>与酶设计]
G --> I[2024诺贝尔化学奖]
F --> J[边界仍在<br/>动态快照与无序区]
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。