AI for Science

事件核心据可靠消息，AlphaFold 的核心奠基人、诺贝尔化学奖得主 John Jumper 已正式决定离开 Google DeepMind，加盟其头号竞争对手 Anthropic。这一变动不仅是 Google 顶尖人才流失的又一重创，更标志着全球 AI 竞争的重心正在从单纯的语言模型（LLM）竞赛，转向以“AI for Science”为核心的跨学科突破。Jumper 的加入，预示着 Anthropic 将在生物医药、材料科学等垂直领域向 Google 和 OpenAI 发起正面进攻。技术/商业细节John Jumper 在 DeepMind 期间主导了 AlphaFold 2 和 AlphaFold 3 的开发，彻底改变了蛋白质结构预测的范式，并因此荣获 2024 年诺贝尔化学奖。他的离职并非孤立事件，而是 DeepMind 内部科学研究与 Google 商业化压力之间长期博弈的结果。据悉，Anthropic 为 Jumper 提供了极高的自主权，计划组建一个专门的“科学智能”部门。从技术路径看，Anthropic 擅长的“宪法 AI”（Constitutional AI）和可解释性研究，与 Jumper 追求的科学严谨性高度契合。相比于 Google 庞杂的官僚体系，Anthropic 扁平化的架构和对 Scaling Law 的极致追求，可能是吸引 Jumper 的核心因素。八卦分析：全球影响「八卦洞察」认为，Jumper 的跳槽是 AI 行业“人才通胀”与“愿景错位”的典型缩影。首先，DeepMind 曾经是全球 AI 科学家的“麦加”，但随着其被并入 Google Brain 形成 Google DeepMind，纯粹的科学探索空间被产品化指标挤压。Jumper 的离开意味着 DeepMind 的“科学光环”正在消散。其次，Anthropic 此举意在通过“降维打击”构建护城河。当 OpenAI 还在纠结于 AGI 的定义时，Anthropic 试图通过 Jumper 拿下生物计算的高地，这对于其背后的投资者（如亚马逊、谷歌等）具有极高的战略价值——毕竟，能预测蛋白质结构的 AI，比能写诗的 AI 更有商业变现的确定性。最后，这也反映了硅谷的一种新共识：下一代基础模型的胜负手，在于其处理非结构化科学数据的能力，而非仅仅是互联网文本。战略建议对于科技巨头： 必须重新评估“科学家型人才”的留存机制。高薪已不足以留人，能否提供免受商业KPI干扰的“创新特区”是关键。对于初创公司： 效仿 Anthropic，在通用模型竞争白热化时，通过引入顶级垂直领域科学家，实现“点穴式”突破，在生物、制药等高价值赛道建立技术壁垒。对于投资者： 关注“AI + Science”赛道的估值重构。Jumper 的移动是行业风向标，预示着生物计算将成为下一个万亿级市场的爆发点。

事件核心诺贝尔化学奖得主、AlphaFold 核心架构师 John Jumper 正式宣布离开效力多年的 Google DeepMind，转投 AI 独角兽 Anthropic 出任首席科学官（CSO）。这一重磅人事变动标志着 AI 顶尖人才正从巨头实验室向具备更强商业化落地能力的初创公司流动。技术/商业细节John Jumper 在 DeepMind 的成就不仅限于蛋白质结构预测，他构建的 AlphaFold 生态系统已成为现代生物学的底层基础设施。此次加入 Anthropic，Jumper 将专注于将大语言模型（LLM）的推理能力与物理、生物科学的深度模拟相结合。对于 Anthropic 而言，这是其在“科学 AI”（AI for Science）领域补齐短板的关键一步，旨在通过 Claude 系列模型在药物研发、材料科学等高价值垂直领域建立技术壁垒。八卦分析：全球影响Jumper 的出走折射出 Google 在人才留存策略上的结构性矛盾。尽管 DeepMind 拥有最顶尖的算力和数据，但其内部官僚化倾向和对商业化落地的迟疑，正导致其核心科学家流失。Anthropic 通过引入 Jumper，不仅获得了顶级科学背书，更是在与 OpenAI 的“AGI 竞赛”中，通过差异化竞争——即在科学发现领域建立不可替代的权威性——来锁定高端市场份额。这预示着 AI 竞争已从单纯的“聊天机器人”转向“解决人类核心科学难题”的深水区。战略建议对于科技企业而言，应警惕“人才溢出效应”，建立更灵活的科研与商业联动机制。对于投资机构，应重点关注那些能够将 LLM 推理能力与特定行业科学数据库（如生物、化学、能源）深度融合的初创公司，这类公司极有可能在未来 24 个月内产生颠覆性的商业价值。

核心摘要上海人工智能实验室（Shanghai AI Lab）正式发布 Intern-S2-Preview，这是一个拥有 35B 参数的科学多模态基础模型。该模型不仅在参数和数据规模上进行常规扩张，更核心的突破在于引入了“任务缩放”（Task Scaling）理念：通过显著提升科学任务的难度、多样性和覆盖面，从预训练阶段起就深度整合专业科学任务，全面释放模型在复杂科研场景下的潜力。▶ 范式转移：告别单纯依赖算力和数据量的“暴力美学”，转向以“任务复杂度”为核心的精准缩放，标志着 AI for Science 进入精细化作业阶段。▶ 全链条集成：科学逻辑不再是微调阶段的“补丁”，而是从预训练开始就植入模型的底层基因，确保了多模态理解与科学推理的深度耦合。八卦洞察在当前大模型竞争中，35B 是一个极具战略意义的“甜点位”参数量。它既能承载足够的逻辑推理深度，又能在企业级显存（如单机多卡 A800/H800）上实现高效部署。Intern-S2-Preview 的出现，实际上是在挑战“只有千亿参数才能做科学前沿推理”的固有认知。通过“任务缩放”而非单纯的“数据缩放”，InternLM 团队正在试图定义一种更高熵、更高效的训练路径，这对于资源受限但追求专业深度的科研机构极具参考价值。行动建议对于垂直领域开发者，建议重点研究其“任务缩放”的方法论，而非盲目追求数据堆砌；对于科研机构，35B 级别的模型是目前平衡推理精度与私有化部署成本的最优选，应优先考虑将其作为垂直领域科研助手的底座进行适配。

核心事件 开发者开源了 TritonSigmoid，这是一款基于 Triton 编写的、感知填充（Padding-aware）的高性能 Sigmoid 注意力 GPU 算子。该算子专门针对单细胞基础模型（Single-cell Foundation Models）进行了优化，旨在解决传统 Softmax 注意力机制在处理基因调控网络时存在的“竞争性抑制”问题。 ▶ 打破 Softmax 的零和博弈： 在生物学场景中，一个基因往往受到多个转录因子的共同调节。传统的 Softmax 注意力会强制所有 Token 的权重总和为 1，导致模型在关注一个基因时必须削弱对另一个基因的关注。Sigmoid 注意力允许模型对多个基因同时保持强关注，更贴合真实的生物调控逻辑。 ▶ 感知填充的高效计算： 针对基因序列长度不一的特点，TritonSigmoid 实现了感知填充的内核设计，避免了对填充位（Padding）的无效计算，显著提升了 GPU 在处理变长序列时的吞吐量。 八卦洞察 从技术底层来看，TritonSigmoid 的出现标志着 AI 基础设施正从“通用 LLM”向“垂直领域专用内核”演进。长期以来，Transformer 架构几乎与 Softmax 绑定，但在 AI for Science (AI4S) 领域，这种归一化假设往往成为瓶颈。Sigmoid 注意力的引入本质上是将“分类问题”转化为“多标签关联问题”，这对于蛋白质结构预测、基因表达建模等非竞争性关联场景具有降维打击的潜力。此外，选择 Triton 而非 CUDA 进行开发，也反映了当前开发者社区追求“开发效率与极致性能平衡”的趋势。 行动建议 算法研发团队： 如果你的模型涉及多标签分类、多目标追踪或非竞争性特征提取（如生物信息、多模态融合），建议立即评估从 Softmax 迁移至 Sigmoid 注意力的增益。 AI4S 基础设施团队： 应关注 Triton 算子库的领域化定制。随着通用算子进入瓶颈期，针对特定科学数据的底层优化将成为模型表现差异化的核心竞争力。