AlphaFold 只是第一步：DeepMind 要设计生命，还要亲自定规则

第二个预告更激进："控制和设计生物本身的新系统"。这是 DeepMind 第一次把"设计"放到与"预测"平级的战略位置。但新系统是模型、数据库还是设计平台，全文未置一词。

Kohli 给这个转向起过一个朴素的比喻：AlphaFold 之后，DeepMind 还需要一本"生命的完整食谱"。但食谱只记录原料和步骤——新预告里的设计系统，想做的是厨师。

第三个预告最少人注意，却可能最值钱：追踪和认证 AI 设计的分子。Kohli 提到要帮 DNA 合成商筛查风险、用 AlphaGenome 加速病原体检测。但"溯源认证"四个字指向的是标准——谁来给 AI 设计的分子盖章？

命名本身就暴露了路径：Fold（折叠）、Missense（错义突变）、Genome（基因组），从蛋白的三维形状一路读到基因组的调控语法。输入尺度也在膨胀：AlphaFold 读几百个氨基酸，AlphaGenome 读 100 万个碱基对。但尺度膨胀的目的始终一致——把生命翻译成模型可计算的符号。

AlphaGenome 补上了"读"的最后一块拼图：基因组调控。官方数据显示，它在 24 项序列任务评测中赢了 22 项，26 项变异效应评测中 24 项持平或领先；RNA 表达预测相对最优外部模型提升 17.4%，变异方向判断提升 25.5%。训练单个模型只用 4 小时，算力预算是前代 Enformer 的一半。但比性能更值得细看的是官方博客自己点破的用途：指导设计合成 DNA，比如让一个基因只在神经细胞里激活。

一个案例能说明它"读"到了什么深度。DeepMind 用 AlphaGenome 分析 T 细胞急性淋巴细胞白血病（T-ALL）患者的突变，模型预测这些突变会引入一个 MYB 结合位点、激活附近的 TAL1 基因，完整复现了已知的致病机制。但复现已知机制和发现未知机制之间，还差一次前瞻性的检验。

第三个预告遵循同一逻辑。DeepMind 的 SynthID 水印技术已被 OpenAI 和 ElevenLabs 采用于音频内容，Kohli 本人 8 月刚在 LinkedIn 上为此站台。把同样的溯源思路搬到 DNA 和蛋白分子上，等于给合成生物学建一套"正品认证"。但认证体系一旦由设计者自建，闸门就握在一家公司手里。

商业层面的拼图也早就就位。AlphaFold 的成功催生了 DeepMind 的制药分拆公司 Isomorphic Labs，专门把结构预测能力变成药物管线。但 Kohli 在长文中对 Isomorphic 只字未提——设计系统发布后，研究工具和商业管线之间如何划界，是一个被刻意留白的问题。

AlphaProteo 的先例也值得记住。它的漂亮数据全部来自 DeepMind 自己的湿实验验证，模型架构至今未完全公开，外部实验室无法独立复现。但 Kohli 在长文里倒是诚实：低估生命的复杂性是愚蠢的，实验验证不可替代。

三个预告都没有时间表。设计系统的能力边界在哪？溯源标准由谁治理？都要等正式发布才能评估。但这不妨碍现在就看清水流的方向。

读懂生命的公司开始写生命，这本身值得欢迎。但当同一家公司既能设计分子、又能签发"正品认证"，规则由谁来写，会比模型精度更值得盯。