提到DeepMind，很多人第一反应就是当年打败李世石的AlphaGo。那时候围棋还被认为是AI没办法攻克的人类智力堡垒，结果DeepMind直接把这块堡垒给攻破了，一下子让全世界都记住了这个谷歌旗下的AI研究团队。
后来这些年DeepMind没停下，又推出了AlphaFold，解决了困扰生物学界几十年的蛋白质结构预测难题。从下围棋到解决生命科学难题，DeepMind的这两个AI工具，其实已经改变了两个完全不同领域的游戏规则。今天我们就聊聊，普通人还有各个行业的研究者，到底该怎么用好DeepMind出来的这些AI工具，不会拿着好工具却不知道从哪儿下手。
先说说AlphaGo，现在很多人觉得AlphaGo就是用来下棋的，职业棋手用来练手而已，其实不是。AlphaGo背后的强化学习框架，才是它真正值钱的东西，下棋只是它练手的第一个场景而已。
对于普通围棋爱好者来说，不用逼着自己用AlphaGo去打职业对局，其实最好的用法就是复盘。你下完一盘棋之后，把棋谱导进去，让AI给你标出来哪里走差了，哪里有更好的选择。很多新手其实看不出自己的问题，对着棋谱想半天也想不明白，AlphaGo几秒钟就能给你指出来，比找教练复盘便宜还方便。不过这里要提醒一句，别完全依赖AI给的答案，很多职业棋手都說，要是完全跟着AI的走法学，自己的棋感反而会变僵，毕竟普通人没有AI那种计算量，很多走法你根本理解不了，硬学反而会出错。
对于做AI研究的人来说，AlphaGo的强化学习思路才是真的宝贝。现在很多做机器人控制、做游戏AI、做供应链优化的团队，都在借用AlphaGo的蒙特卡洛树搜索加神经网络的组合框架。你不用自己从零写一个AlphaGo出来，DeepMind早就把相关的论文和基础代码开源了，你只要根据自己的场景改一改参数，调整一下训练逻辑就行。比如说做物流路径优化的，你可以把每一个配送点当成棋盘上的一个落子点，用AlphaGo的思路去搜索最优路径，比传统的算法效率高很多。
再来说说现在更火的AlphaFold，这个工具出来之后，直接把蛋白质结构预测的准确率拉到了和实验差不多的水平，之前科学家做一个蛋白质结构，花个三五年几百万都是常事，现在AlphaFold几个小时就能出结果，准确率还不低。
很多人觉得AlphaFold是给生物学家用的，普通人碰不着，其实现在已经有很多面向非专业用户的平台了，很多高校和公司都做了可视化的界面，你只要输入氨基酸序列，就能直接拿到预测好的3D结构，不用自己搭环境跑模型。对于学生物的学生来说，最好的用法就是用它来做课题预习和初步研究。比如说你毕业设计要研究某个新蛋白，不用一开始就花大价钱去做冷冻电镜，先拿AlphaFold预测一个结构出来，看看大概的折叠情况，提前找好可能的结合位点，再去做实验，能省好多时间和经费。
对于做药物研发的团队来说，AlphaFold的正确打开方式其实是辅助筛选，不是完全替代实验。现在很多创新药研发的第一步就是找靶点，靶点就是蛋白质，之前找靶点筛结构要花好几年，现在你可以用AlphaFold先批量预测一堆候选蛋白的结构，然后用分子对接软件筛选出可能和药物分子结合的靶点，再挑最有可能的几个去做实验验证。这样一来，研发周期能缩短一半还多，成本也能降下来。不过这里也要说，AlphaFold的预测结果不是百分百准确的，尤其是对于那种会变形的动态蛋白，预测结果只能当参考，最后还是要实验来验证，不能直接拿着预测结果就往下做，容易走歪路。
其实不管是AlphaGo还是AlphaFold，DeepMind这些AI工具，本质上都是降低行业门槛的工具，不是来抢普通人饭碗的。很多人担心AI会取代棋手，取代生物学家，其实不对，AI只是把那些重复的、需要大量计算的工作帮你做了，你就能把时间花在更需要创意的地方。比如说棋手不用再花大量时间背棋谱记套路，可以花更多时间琢磨适合自己的风格；生物学家不用花几年时间测一个蛋白质结构，可以花更多时间思考这个蛋白到底有什么用，能开发成什么药。
那对于普通的中小企业或者个人研究者，没那么多算力，怎么用好DeepMind的工具呢？其实不用自己本地部署大模型，现在很多云服务平台都有现成的镜像，还有免费的试用额度，你只要会点基础的Python操作，就能直接跑。要是连代码都不会写，也有很多第三方的在线平台，直接上传序列或者棋谱就能拿到结果，完全够用。
我身边就有个做小型药物研发创业的朋友，之前他们团队三个人，要测三个候选蛋白的结构，预算不够，一直卡着进度，后来他们用AlphaFold在线平台预测了结构，又根据预测结果筛了靶点，只花了不到十分之一的钱就拿到了初步结果，很快就拿到了第一笔融资。他们说，要是放在AlphaFold出来之前，他们根本没本钱做这个项目，Small startup根本抢不过大公司，现在有了AI工具，小团队也能做前沿研究了。
还有不少围棋教练，现在都用AlphaGo来辅助教学，给学生复盘的时候，先用AI把问题找出来，再给学生讲解为什么这么走不对，原来一节课只能讲一两盘棋，现在一节课能讲三四盘，学生进步也快了很多，教练也能省不少力气。
当然，用好这些工具也有坑要避。第一个坑就是过度迷信AI的结果，不管什么都信AI的，AlphaGo的走法很多都是人类无法理解的，你一个业余棋手硬学，最后肯定输得更惨；AlphaFold的预测也有误差，直接拿着结果做药物设计，很可能最后做出来的药根本没用。第二个坑就是为了用AI而用AI，明明传统方法就能解决的问题，非要硬上DeepMind的工具，结果花了好多时间搭环境调参数，最后出来的结果还不如传统方法好，完全是浪费时间。
其实从AlphaGo到AlphaFold，DeepMind给我们最大的礼物，不是这两个现成的工具，而是告诉我们，AI原来可以这么用，可以攻克这么难的问题。不管你是下棋的，做研究的，还是创业的，只要找对自己场景的结合点，不用追求最复杂最前沿的部署，能用它解决你自己的问题，就是最好的使用方法。

AlphaGo, AlphaFold, DeepMind, DeepMind团队, AI工具, 强化学习, 蛋白质结构预测, AI使用方法, 药物研发, 围棋AI

[Q]：AlphaGo除了下围棋还有什么用途？
[A]：AlphaGo核心价值是其背后的强化学习框架，除了围棋对弈复盘，它的算法框架还可以被借用在机器人控制、供应链优化、物流路径规划等多个领域的问题解决中。
[Q]：普通围棋爱好者怎么用好AlphaGo？
[A]：最适合普通爱好者的用法是对局后导入棋谱做复盘，让AlphaGo快速指出问题走法和更优选择，比自行琢磨效率高很多，但不要完全照搬AI走法硬学，避免破坏自身棋感。
[Q]：AlphaFold主要是做什么的？
[A]：AlphaFold是DeepMind开发的AI工具，主要用来预测蛋白质的3D折叠结构，能将原本需要数年的结构预测工作缩短到几小时，准确率接近实验检测水平。
[Q]：非生物学专业人士能用上AlphaFold吗？
[A]：可以，现在已经有很多面向非专业用户的可视化在线平台，只需要输入氨基酸序列就能获得预测好的3D结构，不需要自行部署模型、编写代码，普通学生和爱好者都能使用。
[Q]：药物研发领域怎么正确使用AlphaFold？
[A]：AlphaFold适合做早期的辅助筛选，先批量预测候选蛋白靶点的结构，再筛选出潜在可结合药物分子的靶点，后续再做实验验证，能大幅缩短研发周期降低成本，但不能完全替代实验验证。
[Q]：没有足够算力的小团队能用DeepMind的AI工具吗？
[A]：完全可以，不需要本地部署大模型，很多云平台提供现成镜像和免费试用额度，也有第三方在线平台可以直接使用，满足中小团队和个人的使用需求，成本很低。
[Q]：使用DeepMind的AI工具有哪些需要避开的坑？
[A]：主要需要避开两个坑，一是过度迷信AI结果，AlphaGo的走法和AlphaFold的预测都存在局限性，结果只能做参考不能完全采信；二是为了用AI而用AI，不需要硬上AI工具解决传统方法就能处理好的问题，避免浪费时间。
[Q]：DeepMind的AI工具会取代相关领域的从业者吗？
[A]：不会，这些AI工具本质是降低行业门槛、替代重复计算工作的辅助工具，能帮从业者节省时间精力，让大家把时间花在更需要创意思考的核心工作上，反而能帮助中小团队和个人参与前沿研究。