Dlaczego Google DeepMind rozwiązał zespół AlphaFold?

Kiedy słyszysz, że firma rozwiązuje swój najbardziej znany zespół badawczy, pierwsza myśl bywa oczywista: coś poszło nie tak. W przypadku AlphaFold jest dokładnie odwrotnie.

Doniesienia z końca lipca 2026 roku obiegły branżę technologiczną z prędkością, która rzadko towarzyszy decyzjom organizacyjnym w laboratoriach badawczych. Słowa „disbanding” i „dismantling” pojawiały się w nagłówkach obok nazwy projektu, który zmienił biologię strukturalną. Tymczasem za tą reorganizacją stoi logika, którą warto zrozumieć, zanim wyciągnie się pochopne wnioski.

AlphaFold: projekt, który wykonał swoje zadanie

Sztuczna inteligencja rzadko bywa oceniana w kategoriach „ukończonego zadania” – AlphaFold 2 jest jednym z nielicznych wyjątków. W 2020 roku system wziął udział w konkursie CASP14, który od dekad służy jako obiektywna miara postępu w przewidywaniu struktur białek. Wynik był jednoznaczny: mediana błędu RMSD poniżej 1 angstrema, co oznaczało dokładność około trzykrotnie wyższą niż u drugiego w kolejności systemu. Badacze, którzy przez lata pracowali nad przewidywaniem struktury białek metodami eksperymentalnymi, mówili wprost o rozwiązaniu 50-letniego problemu.

Rok później, w 2021 roku, uruchomiono bazę danych AlphaFold z blisko 200 milionami prognoz struktur białkowych, dostępnych bezpłatnie dla naukowców na całym świecie. Skala tego zasobu trudna jest do przecenienia. Wcześniej wyznaczenie jednej struktury białka metodą krystalografii rentgenowskiej mogło zajmować miesiące i pochłaniać znaczne środki finansowe – AlphaFold zredukował ten czas do sekund. Dla laboratoriów akademickich o ograniczonych budżetach oznaczało to dostęp do danych, który wcześniej był zarezerwowany wyłącznie dla dużych ośrodków badawczych dysponujących kosztowną infrastrukturą.

Właśnie dlatego Google DeepMind zdecydował się na reorganizację – nie z powodu porażki, lecz dlatego, że projekt osiągnął cel, do którego został powołany. Oficjalne uzasadnienie brzmi: AlphaFold „largely accomplished the task it was built to solve”. Dedykowany zespół AlphaFold działał jako wyspecjalizowana jednostka od 2018 roku, a po wydaniu AlphaFold 3 jego struktura przestała odpowiadać nowym priorytetom organizacji.

Co stało się z badaczami i dokąd zmierza DeepMind?

Rozwiązanie zespołu nie oznacza zwolnień. Badaczy przeniesiono do kilku różnych obszarów badawczych, które Google DeepMind traktuje jako priorytety na najbliższe lata:

• Gemini – praca nad ogólnymi systemami AI, które mają wspierać procesy naukowe;
• projektowanie enzymów – tworzenie nowych enzymów z pomocą modeli uczenia maszynowego;
• genomika – zastosowanie metod AI do analizy danych genetycznych;
• badania nad fuzją – wsparcie projektów energetycznych wymagających zaawansowanego modelowania;
• Isomorphic Labs – spółka zależna skupiona na odkrywaniu leków przy użyciu AI.

Przesunięcie badaczy z zespołu AlphaFold do Gemini i pokrewnych projektów odzwierciedla szerszą zmianę strategiczną w DeepMind: od pracy nad pojedynczymi „big challenges” do budowania systemów ogólnych, zdolnych do częściowej automatyzacji badań naukowych. To istotna różnica. AlphaFold był narzędziem precyzyjnym, zaprojektowanym z myślą o konkretnym problemie w biologii strukturalnej. Gemini ma być platformą, na której powstaną dziesiątki takich narzędzi – i to właśnie ta zmiana skali tłumaczy, dlaczego utrzymywanie odrębnego, wąsko wyspecjalizowanego zespołu przestało mieć sens organizacyjny.

Platforma AlphaFold jako taka nadal działa. Baza danych pozostaje dostępna, a naukowcy spoza DeepMind od miesięcy rozwijają metody oparte na jej wynikach. Technologia żyje własnym życiem niezależnie od struktury organizacyjnej, która ją stworzyła.

Czy to koniec badań nad fałdowaniem białek w DeepMind?

Krótka odpowiedź: nie. Dłuższa wymaga rozróżnienia między zespołem a projektem.

Rozwiązanie dedykowanego zespołu AlphaFold nie wstrzymuje badań naukowych – przenosi je do kontekstu, w którym technologia może działać szerzej. Projektowanie enzymów i genomika to obszary, które bezpośrednio korzystają z dorobku AlphaFold. Badacze, którzy przez lata pracowali nad przewidywaniem struktury białek, teraz stosują te same metody do projektowania nowych cząsteczek i analizy wariantów genetycznych. W praktyce oznacza to, że wiedza wypracowana w ciągu ośmiu lat pracy nad AlphaFold nie znika – zostaje wbudowana w nowe projekty, które mają szerszy zasięg zastosowań.

AlphaFold 3, wydany przed reorganizacją, rozszerzył możliwości modelu poza białka, obejmując DNA, RNA i małe cząsteczki. To oznacza, że narzędzie jest dziś bardziej wszechstronne niż w momencie, gdy zdobywało nagrody. Badania naukowe nad fałdowaniem białek toczą się też w innych instytucjach: modele oparte na architekturze AlphaFold rozwijają laboratoria akademickie i firmy biotechnologiczne na całym świecie. DeepMind stworzył standard, który branża przejęła i kontynuuje – co samo w sobie jest miarą sukcesu rzadko osiąganą przez projekty badawcze.

Reorganizacja w Google DeepMind pokazuje, jak dojrzała technologia zmienia charakter pracy badawczej: sukces nie zawsze oznacza kontynuację w tej samej formie, lecz często – rozproszenie wiedzy tam, gdzie może przynieść kolejne efekty.

AlphaFold wykonał swoje zadanie – i to jest właściwa miara sukcesu

Rozwiązanie zespołu AlphaFold to jeden z rzadkich przypadków, gdy reorganizacja badawcza wynika z osiągnięcia celu, a nie z jego porzucenia.

Jeśli śledzisz rozwój AI w nauce, zwróć uwagę na projekty z obszaru projektowania enzymów i genomiki – to tam trafiła część wiedzy i ludzi z AlphaFold, i tam najprawdopodobniej pojawią się kolejne wyniki, które zmienią sposób prowadzenia badań naukowych.