看到幾個「中文頂刊」在這問題下一頓雲山霧罩，讀者就可以定性地得出結論：
AlphaFold 3 會和此前兩代一樣耗費大量硬件和電力、輸出一些幾乎無法使用的「結果」。誠然，「擴充套件到蛋白質之外的分子、預測藥物分子與蛋白質的相互作用」聽起來很美且確實能覆蓋此前兩代做不到的一些任務，但是地球生物會教他們什麽是混沌。
這類人工智能依賴的數據集往往有些更基本的問題：
看到這個問題，有印象的讀者會回想起 Demis Hassabis 釋出 AlphaFold 的日子。他吹噓說這將導致各種生物套用的「瘋狂」進步、讓研究人員的工作速度快上十倍。兌現了嗎？
那之後，AlphaFold 2 也曾吸引大量炒作。兌現了之前的承諾嗎？
2021 年，Hassabis 創立了 Isomorphic Labs：一家「專註於人工智能的藥物發現公司」，號稱要「利用人工智能的力量重新定義藥物發現」。截止 2024 年 5 月 9 日，他們沒有推出任何藥物。大概這就是重新定義了重新定義吧。
有興趣的讀者可以看看對 AlphaFold 2 的預測能力提出負面意見的預印本文章 [1] 。可以預期，這裏面的問題未被 AlphaFold 3 完全解決。
不限於生物，材料、化學也能教各種「中文頂刊」什麽是物質世界。可以看看：
谷歌 DeepMind 透過 AI 工具 GNoME 發現 220萬種新材料，具體情況如何？有何影響？
Nature 新研究釋出，GPT 驅動的機器人化學家能夠自行設計和進行實驗，這對科研意味著什麽？
參考
- ^ https://doi.org/10.1101/2023.12.12.571380
