AlphaFold membuat debutnya pada November 2020, menandai pergeseran signifikan bagi DeepMind, yang sebelumnya dikenal karena pencapaian AI-nya dalam permainan seperti Go. Sistem inovatif ini berfokus pada salah satu tantangan terberat dalam ilmu pengetahuan: memprediksi struktur protein. AlphaFold2 muncul dari upaya ini, menawarkan prediksi yang tepat tentang bentuk protein dan mengarah pada penciptaan basis data komprehensif dengan lebih dari 200 juta struktur yang diprediksi, yang digunakan oleh hampir 3,5 juta peneliti di seluruh dunia. Publikasi Nature 2021 yang merinci algoritma tersebut telah mendapatkan sekitar 40.000 sitasi.

Pada tahun 2022, AlphaFold 3 diperkenalkan, memperluas kemampuannya untuk mencakup interaksi DNA, RNA, dan obat, meskipun menghadapi tantangan seperti 'halusinasi struktural' di daerah protein yang tidak teratur. Untuk mengeksplorasi masa depan AlphaFold, WIRED mewawancarai Pushmeet Kohli, wakil presiden penelitian DeepMind, yang menekankan pentingnya AI dalam mempercepat penemuan ilmiah. Kohli menyoroti transisi dari permainan ke penanganan isu-isu ilmiah fundamental, mencatat bahwa memecahkan pelipatan protein dapat mengarah pada terobosan signifikan dalam biologi dan kedokteran.

Kohli menjelaskan bahwa pendekatan DeepMind berfokus pada 'masalah simpul akar'—tantangan ilmiah kunci yang sulit dipecahkan dengan metode konvensional. Ia mengidentifikasi tiga area utama untuk pengembangan di masa depan: menciptakan model AI yang lebih kuat yang dapat berkolaborasi dengan ilmuwan, memastikan bahwa alat-alat ini dapat diakses oleh semua peneliti, dan menangani proyek ambisius seperti mensimulasikan sel manusia secara lengkap. Kohli juga membahas evolusi arsitektur AlphaFold, menekankan perlunya verifikasi yang ketat bersamaan dengan generasi kreatif untuk menangani kompleksitas interaksi protein.

Pengenalan sistem 'AI co-scientist', yang dibangun di atas Gemini 2.0, bertujuan untuk meningkatkan kolaborasi ilmiah dengan menghasilkan dan mendebat hipotesis. Kohli membayangkan masa depan di mana AI membantu ilmuwan dalam mengidentifikasi celah penelitian dan merumuskan pendekatan eksperimental, memungkinkan peneliti untuk fokus pada pertanyaan yang paling mendesak. Ia menekankan bahwa meskipun AI dapat mempercepat proses penelitian, elemen manusia tetap penting dalam menentukan masalah mana yang harus dikejar.

Kohli memberikan contoh bagaimana sistem AI co-scientist memfasilitasi penelitian tentang evolusi bakteri, menunjukkan kemampuannya untuk menganalisis literatur yang luas dan menghasilkan hipotesis yang sejalan dengan temuan peneliti manusia. Melihat ke depan, Kohli menyatakan antusiasme tentang potensi untuk memahami fungsi seluler dan genom, yang dapat mengarah pada terobosan dalam kedokteran personal dan solusi lingkungan. Namun, ia mengakui bahwa mensimulasikan seluruh sel tetap menjadi tujuan yang kompleks yang akan memerlukan penelitian dan pengembangan lebih lanjut.