字節跳動AI領域近日迎來重要人事變動：深耕AI制藥與大模型預訓練的頂尖學者顧全全正式宣布離職，其下一步動向引發業界高度關注。這位兼具學術深度與工程實踐能力的科學家，在字節的三年間完成了從AI制藥到通用大模型訓練的雙重跨越，其主導的多項研究成果均達到國際領先水平。

顧全全的學術履歷堪稱璀璨：清華大學本碩畢業后赴美深造，在伊利諾伊大學香檳分校師從數據挖掘泰斗韓家煒教授，2014年獲得計算機博士學位。其研究軌跡橫跨學術界與工業界，先后在普林斯頓大學、弗吉尼亞大學從事博士后研究，2018年加入加州大學洛杉磯分校（UCLA）任教，2022年同時斬獲斯隆研究獎與美國國家科學基金會職業成就獎，同年晉升副教授并創立AGI實驗室。他的研究方向覆蓋非凸優化、深度學習理論及強化學習，在Google Scholar的引用量已突破3萬次。

2023年加入字節Seed團隊后，顧全全首先在AI制藥領域掀起風暴。其團隊開發的SeedFold模型在FoldBench綜合評測中全面超越AlphaFold 3：蛋白質單體預測lDDT指標達0.8889，抗體-抗原界面DockQ得分53.21%，蛋白質-RNA界面DockQ得分65.31%。這項成果直接挑戰了DeepMind的王牌項目——AlphaFold系列曾因預測蛋白質結構獲得諾貝爾化學獎，第三代更將預測范圍擴展至DNA、RNA等生物分子。SeedFold的成功源于其創新的架構設計，團隊通過優化能量函數與結構采樣策略，顯著提升了復雜分子體系的預測精度。

在蛋白質設計領域，顧全全團隊推出的SeedProteo模型同樣表現卓越。該模型突破傳統方法僅設計蛋白質骨架的局限，在全原子級別直接生成蛋白質結構。其獨創的"Design View"模塊通過引入空間約束引導生成過程，在10個基準靶標測試中，成功率與多樣性均超越AlphaProteo、RFdiffusion等主流開源方法。這項技術為新型藥物開發提供了更高效的工具鏈。

2025年初，顧全全完成職業生涯的重要轉向：從AI制藥領域抽身，全身心投入大模型預訓練研究。他組建的LLM優化與擴展團隊專注于解決前沿規模模型訓練的穩定性問題，其搭建的預訓練棧為Seed 2.0的成功訓練奠定關鍵基礎。這種轉型并非偶然——他在學術界提出的SPIN（Self-Play Fine-Tuning）方法，通過讓大模型與歷史版本對弈實現自我進化，無需人工標注數據即可提升模型能力，該論文已被ICML 2024收錄。這種"用模型訓練模型"的思路，與其后續在工業界的實踐形成完美呼應。

在蛋白質語言模型領域，顧全全團隊持續推進通用基礎模型研發。DPLM系列模型已迭代至第三代：初代模型首次將離散擴散應用于蛋白質序列預訓練；DPLM-2引入多模態能力，可同步生成氨基酸序列與3D結構；最新的DPLM-Evo則在擴散過程中顯式建模蛋白質進化中的替換、插入和刪除操作。三代模型逐步構建起覆蓋表征學習、結構預測與進化模擬的完整技術體系，相關成果分別被ICML 2024、ICLR 2025及ICML 2026接收。

這位始終站在技術變革前沿的學者，在離職推文中留下意味深長的注腳："最好的模型還沒來，Scaling不會停。"這句話既是對過往研究的總結，也暗含著對未來技術突破的期待。隨著其動向逐漸明朗，AI領域正屏息以待這位跨界科學家的新征程。