AlphaFold 和 AlphaGo 差在哪？两种突破

AI 的两次高光时刻常被放在一起讲：2016 年 AlphaGo 在首尔赢下围棋公开赛（见Move 37一篇），2020 年 AlphaFold 在 CASP14 上把蛋白结构预测的精度抬到公开评估认可的水平（见AlphaFold 与 CASP14一篇）。两个「Alpha」开头，突破的性质却很不一样。这篇把两类问题的公开结构并排摆出来，只对照公开事实，不做高下结论。

两种问题结构从哪分岔

分岔点在问题本身。围棋是博弈问题：棋盘上两个对手，规则完全给定，每一局结束后胜负清清楚楚。蛋白质折叠是预测问题：给一串氨基酸序列，问它折叠成的三维结构长什么样，没有对手，也没有「赢了」这一说，只有预测结果与实验测定结构的接近程度。一个问题里藏着对抗，一个问题里只有求真——方法上的所有差异，几乎都从这一点长出来。

AlphaGo 这一侧：有对手、有胜负

AlphaGo 的公开方法分三层：监督学习先从人类棋谱起步，强化学习让机器与自己反复对弈，最后用树搜索在每一步挑选落点。这套方法运转的前提正是围棋的结构——规则完全给定，机器可以自己生成对局，赢棋就是明确的奖励信号。2017 年公开的 AlphaZero 把这套自我对弈框架推广到国际象棋与将棋（见AlphaZero一篇），证明同一类「规则封闭、胜负分明」的问题都能这样处理。换句话说，它的方法吃的是「有对手」这个结构红利。

AlphaFold 那一侧：没有对手的预测题

蛋白质折叠没有对手，机器也没法靠自我对弈生成训练数据。它的学习材料是公开数据库里几十年积累的实验测定结构——约十几万条经过实验确认的序列与结构对应记录，物理规律本身只能从这些数据里近似。评估也不靠输赢：CASP 竞赛用公开的量化指标衡量预测结构与实验结构的接近程度，AlphaFold 在 2020 年 CASP14 上的成绩被公开评审视为达到与实验方法相当的精度区间。此后公开机构把预测结构扩到数亿条并建立公开数据库（相关奖项的公开记录见2024 诺贝尔奖一篇），成果形态从「一局棋的胜负」换成了「一份可查的预测库」。

两种问题结构对照速查

• 对手：围棋有明确对手，折叠问题没有对手
• 规则：棋规完全给定，物理规律只能从数据近似
• 判分：一局一胜负，预测按公开指标与实验结构比对
• 数据：自我对弈可自产，折叠依赖实验测定的公开数据库
• 产出：每一步走子，或一份三维坐标预测

两种突破快问快答

• AlphaGo 的自我对弈方法能直接搬去预测蛋白结构吗？：搬不动。自我对弈的前提是规则封闭、胜负可判，折叠问题两条都不满足，AlphaFold 走的是从实验数据学习这条公开路线，方法差异来自问题差异。
• 两种突破哪个更了不起？：这不在本文的回答范围。两者对应不同的问题结构，公开文献各自给出了可查的成绩单，评价维度不通用，本文只对照公开事实，不做高下结论。
• 想快速理清两者的方法脉络怎么办？：让通义千问分别概括两篇公开方法论文的输入、输出与训练信号，再用 Kimi 核对概括里的关键数字，对照本文的速查表看两条线是否分得清。