University of California, Los Angeles

2026年初，一则消息在AI与生物医药交叉领域引发不小震动：字节跳动AI4S（AI for Science）团队负责人、UCLA终身副教授顾全全正式离职，投身AI制药创业，且已获得多家头部美元基金的多轮注资。有人将此解读为“大厂留不住顶尖科学家”的又一例证，也有人认为这是AI4S从“实验室阶段”走向“产业化阶段”的必然阵痛。 作为一名长期观察前沿科技与创业生态的分析者，我认为，顾全全的离职并非孤立的个人选择，而是AI4S赛道进入“分水岭时刻”的一个标志性事件。它向所有有志于这一领域的创业者释放了三个清晰的信号：时机已到、壁垒在变、范式转换。 一、顾全全是谁？为什么他的离开值得被认真对待？ 顾全全并非普通的技术高管。他的履历中有两个鲜明的标签： · 学术顶尖：清华本硕、UIUC博士（师从数据挖掘泰斗Jiawei Han）、UCLA终身副教授、斯隆研究奖得主、论文引用超3万——这代表着他拥有从底层理论到前沿算法的深厚功底。 · 工业实战：在字节三年间，他带领团队做出了SeedFold（综合性能超越AlphaFold3）、SeedProteo（全原子级别蛋白质结合剂设计）以及DPLM系列蛋白质语言模型。同时，他还为字节的大语言模型Seed 2.0搭建了高可扩展的预训练技术栈。 换句话说，顾全全是一个同时具备“顶会论文能力”和“千卡集群工程能力”的稀缺复合型人才。这样的人选择离开一家仍在重金押注AI的巨头，本身就是一种强烈的信号。 二、字节的得与失，大厂做AI4S的“天然矛盾” 回顾字节在AI4S上的布局，不可谓不重视：2021年起组建AI Lab，设立“筋斗云人才计划”，内部孵化出AI制药公司Anew Therapeutics，甚至有候选药物进入临床前阶段。顾全全团队的成绩单也相当亮眼。 但问题恰恰出在这里：AI4S本质上是一个“长周期、高风险、重验证”的领域，而字节跳动的核心文化是“快迭代、高产出、重数据”。 这两种节奏在早期可以共存——用算法刷榜、发顶会论文、内部展示SOTA模型。但一旦进入“干湿实验闭环”（即算法预测必须通过真实生物实验验证），周期迅速拉长到以年为单位，失败率陡增，且短期难以产生与抖音、电商业务可比的经济回报。 组织架构的调整也印证了这一点：顾全全离职前，AI4S团队的管理权由豆包大模型负责人项亮划转至技术副总裁杨震原。杨震原的履历与火山引擎、商业变现强相关。这背后的潜台词很明确：AI4S不能再只做“前沿探索”，必须回答“如何与业务结合、如何产生价值”的问题。 这不是字节独有的困境。Google DeepMind的AlphaFold团队同样面临“科学突破”与“商业落地”之间的张力，只不过Google的“耐心资本”属性更强。而字节作为一家未上市的、极度追求效率的超级独角兽，其对AI4S的容忍度天然更低。 从这个角度看，顾全全的离开并非“被放弃”，而是双方战略节奏不再匹配后的理性分手。字节依然会做AI4S，但会更多地指向与火山引擎、医疗健康等可商业化方向；而顾全全想要的是更纯粹的、从分子设计到药物管线的全链条探索。 三、为什么现在是创业的最佳窗口？——三个底层变化 对创业者而言，顾全全选择在这个时间点出来创业，并非偶然。它背后是三个深刻的行业变化： 1. 技术成熟度跨过“可用性阈值” 蛋白质结构预测（AlphaFold2/3）、蛋白质设计（RFdiffusion、SeedProteo）、分子生成（DiffDock）等算法在2023-2025年间实现了质的飞跃。AI不再只能“预测”，更开始能够“创造”。当生成式AI从文本、图像延伸到蛋白质序列和三维结构时，“计算制药”的可信度第一次逼近“实验制药”。 2. 资本从“投大模型”转向“投垂直应用” 2023-2024年，几乎所有的热钱都涌向了通用大模型。但到了2025年底，市场开始意识到：大模型的终局可能是少数巨头的游戏，而真正的高回报机会在于“模型+垂直行业深度know-how”。AI4S恰好符合这一特征：技术壁垒高、数据壁垒高、监管壁垒高，一旦形成闭环，护城河极深。这也是为什么顾全全的创业项目能迅速获得多家头部美元基金注资。 3. 人才供应链开始“外溢” 过去三年，各大厂和顶尖高校实验室培养了一批既懂AI又懂生物、化学、材料的“T型人才”。这些人中的一部分，在大厂内部受限于业务导向，无法充分释放创造力；在高校受限于经费和团队规模，无法做大规模湿实验验证。创业成为他们实现“技术-产品-商业”全链条掌控的唯一路径。 四、给创业者的四点深度启示 基于上述分析，我认为对有志于AI4S或类似硬科技赛道的创业者，可以提炼出四条具有操作性的策略： 启示一：把“大厂人才溢出的时间窗口”变成你的起跑线 顾全全的离职不是孤例。OpenAI、DeepMind、Meta FAIR、字节豆包、腾讯AI Lab……每一家顶尖AI机构的核心科学家，都在未来12-24个月内面临“继续打工”与“出来创业”的抉择。他们的离职决策，往往伴随着一批骨干成员的流动。 作为创业者，你需要做的是： · 建立与这些顶级实验室的“弱连接”（学术会议、论文审稿、开源项目贡献）； · 提前打磨你的创业命题，确保当某个关键人物决定离开时，你能成为他/她最先想到的合作伙伴或竞争对手。 启示二：认清AI4S的真正壁垒不是算法，而是“干湿闭环”的工程能力 很多AI背景的创业者容易陷入一个误区：认为只要模型SOTA，就能碾压一切。但顾全全团队在字节期间积累的最核心能力，恰恰不是某个模型的精度，而是如何高效地将计算设计转化为湿实验验证，并根据实验结果快速迭代模型的工程体系。 因此，如果你要创业，不要只招算法人才。你需要： · 一个能管理自动化生物实验平台的运营负责人； · 一个懂药物化学和ADMET（药物代谢、毒性等）的合伙人； · 一套从分子设计到湿实验反馈的数据闭环系统。 这才是真正的护城河，比领先几个百分点的精度重要得多。 启示三：用“大厂技术栈”降低早期成本，用“垂直数据”构建长期壁垒 大厂的优势是算力和工程基建。顾全全在字节搭建的预训练技术栈，本质上是巨头的“公共品”。创业者无法复制千卡集群，但可以利用开源生态和云上算力，站在巨人的肩膀上。 真正的差异化在于数据： · 你能否拿到公开数据库中没有的“负结果”数据（失败的实验）？ · 你能否与特定疾病领域的医院或CRO建立独家合作，获取高质量临床前数据？ · 你能否自建高通量湿实验平台，产生属于自己的专有数据集？ 大厂的通用模型很强，但在任何一个具体疾病或靶点上，专有数据的价值都远远大于通用模型的能力。这是创业者可以而且必须做的。 启示四：主动拥抱“科学家创始人”身份，但尽早引入商业合伙人 顾全全的路径很典型：学术大牛 -> 大厂研究负责人 -> 创业者。这类创始人有一个共同弱点：对商业、融资、组织管理缺乏经验。 这不是缺点，而是客观存在的短板。聪明的做法是：从创业第一天起，就找到一位能与你互补的商业合伙人，最好是来自制药行业BD或C-level的人。他/她能帮你： · 设计合理的管线推进节奏，而不是一味追求“发顶刊”； · 在融资时讲好“技术+商业”的双重故事； · 提前布局IP和专利，防止大公司的专利围剿。 五、结语：AI4S的“狂飙时代”才刚刚开始 很多人把2024年称为“AI4S元年”，因为AlphaFold3和一系列生成式蛋白质模型的出现。但我认为，2026年才是真正意义上的“创业元年”。因为只有当第一代大厂内部的顶尖人才开始大规模外溢，只有当资本意识到垂直应用比通用模型更值得下注，只有当“干湿闭环”的工程范式初步确立——这个赛道才算真正具备了创新创业的土壤。 顾全全的离职，不是一个故事的结束，而是一个新故事的开篇。对于所有想要在这个时代留下印记的创业者而言，最重要的不是焦虑“大厂会不会把我碾压”，而是问自己： 我的团队，能否在未来的18个月内，建立起比大厂更深的垂直数据壁垒？能否跑通一个从AI设计到湿实验验证再到候选化合物确定的完整闭环？ 如果你对这两个问题有清晰的答案，那么现在就是最好的时刻。AI4S的牌桌上，还有足够多的座位。 而那些只会在论文里刷SOTA、在PPT上画大饼、却从未亲手做过一次湿实验验证的人——抱歉，这个窗口不会等你们太久。 别了，纯聊天AI：ChatGPT与Codex合并后的执行革命 重新发明PC：黄仁勋的Agent原生电脑如何重构英特尔时代 世界杯能否成为小红书的成年礼？ 从“炫参数”到“解难题”：2026世界智能产业博览会释放的产业变革信号

6月3日，英矽智能正式宣布，任命王珏博士为全球业务拓展负责人，这位女博主仅用4年多时间，实现了职业生涯的巨大跃迁。 资料显示，王珏博士在中国科学院上海有机化学研究所取得博士学位，随后在加州大学洛杉矶分校（UCLA）药理学系完成博士后研究，并取得香港大学工商管理硕士（MBA）学位 。 先后任职于上海恒瑞医药和葛兰素史克（GSK），在小分子新药研发领域积累了十余年专业经验，主要聚焦肿瘤和中枢神经系统疾病方向  2021年9月加入英矽智能，担任业务拓展总监。 2025年2月，晋升为业务拓展副总裁。 2026年6月，被任命为全球业务拓展负责人。 官方披露，王珏博士在英矽智能的四年半时间里，主导了近80亿美元交易。 2022年11月，与赛诺菲达成多年战略研究合作，预付款和靶点提名费用不超过2150万美元，里程碑总额最高可达12亿美元。这一交易创下当时AI制药领域亚太区最高首付款纪录 。 2023年9月，与Exelixis签署独家许可协议，Exelixis获得一款潜在同类最优小分子抑制剂的全球开发和商业化权利。英矽智能获得8000万美元首付款，以及后续里程碑付款和销售分成，总交易金额超过10亿美元。 2024年1月，与意大利药企美纳里尼（Menarini）达成项目对外授权许可协议，涉及项目总额5亿美元 。 2026年3月，主导与礼来制药的重磅交易，交易总金额最高可达27.5 美元，其中首付款达1.15亿美元。 2026年初至今，主导了多项里程碑式的对外授权与战略研发合作，合作伙伴包括Human Longevity、元羿生物、ASKA制药、康哲药业、齐鲁制药、衡泰生物以及施维雅等，潜在交易总额高达近40亿美元 。 截至2026年6月，王珏博士主导和深度参与的交易潜在总金额已接近80亿美元。 其基本年薪，预估超300万。

实验室里，显卡风扇的噪音一层叠一层，屏幕上最后一组蛋白折叠结果刚刚跑完，曲线收束得很干净，像一把刀合上了刃口，SeedFold的综合表现，已经被内部视作足以压过AlphaFold3的那一类模型, 但真正的变化，不在这一次命中，而在顾全全的路径突然转向, 这个从清华自动化一路走到UCLA AGI实验室，再进入字节Seed研究院的科学家，最终在六月正式离职创业，把自己从大厂底座里抽了出来。赛道也很清楚，AI新药研发，蛋白质设计，AIDD计算制药，钱已经跟上了，一线美元基金进场了, 这不是一次普通跳槽，这是一次技术产权和产业控制权的重新分配。 顾全全的履历，几乎是一条标准的硬科学上升曲线, 清华自动化本科，控制工程硕士，伊利诺伊香槟计算机博士，普林斯顿博士后，再到弗吉尼亚大学助理教授，最后落在UCLA, 2018年，他从助理教授一路做到2022年终身副教授，亲手创办UCLA AGI实验室, 斯隆研究奖，美国NSF CAREER杰出青年奖，这些头衔不是装饰，它们意味着他在北美计算机学术体系里，已经拿到过最稀缺的早期信用额度。说白了，这类人最值钱的地方，不是论文数量，而是能把理论、工程和组织能力，压成一条可运行的技术路径。 再往前看，AI制药这条路，本来就不是近几年才冒出来的热闹概念, 早期的产业逻辑很残酷，药物发现像大海捞针，湿实验成本高，周期长，失败率更高, 传统药企靠的是经验、筛选、偶然命中，后来机器学习开始进入化学空间，先是做分子性质预测，再是做蛋白结构推断，最后才碰到真正难啃的药物设计。蛋白结构问题曾经长期被视作计算生物学里的硬骨头，原因很简单，氨基酸序列到三维构象，中间隔着巨大的自由能景观和组合爆炸, 这也是为什么AlphaFold时代会被看成分水岭，行业第一次意识到，算法可以直接把一部分实验室时间折叠掉。 顾全全在字节负责AI4S，带队做SeedFold，本质上就是站在这个分水岭上继续往前推, 当模型综合性能超越AlphaFold3，意义已经超出了单点指标, 它说明大模型开始从“能看懂蛋白”，转向“能参与药物研发流程”，也说明字节一度想把AI能力从通用预训练外溢到生命科学这个高壁垒领域。结果呢，路线又变了, 2025到2026，他转去通用大模型预训练，自己搭建Seed2.0大模型底层预训练技术底座，这一刀下去，字节的优先级已经写得很明白，基础模型才是核心战场，AI制药更像一次高风险外延试验。 这背后其实是两本账, 一本是研发成本账，一本是产业控制账, AI制药看似光鲜，真正烧钱的地方在算力、数据治理、实验验证和组织协同, 模型再强，落不到湿实验和临床前验证，就只是更快地产生候选分子, 但一旦模型能显著缩短筛选周期，减少无效实验，单体经济模型就会立刻变得有吸引力, 哪怕只提高一小段命中率，背后节省的都是百万级、千万级的试错成本。你想想看，对一家大厂来说，这类业务的价值不只在未来现金流，更在于它能把算法能力嵌进真实工业流程里，形成壁垒, 只不过，壁垒越深，组织越重，权衡也越残酷。 更有意思的是，顾全全从学术界走到字节，再从字节走向创业，像极了一个典型的技术人被产业链重新定价的过程, 学术体系给他方法论，大厂给他算力和组织，创业则把一切重新压回市场, 一旦出来做AI新药研发、蛋白质设计、AIDD计算制药，真正面对的就不再是论文审稿，而是靶点选择、融资节奏、药物管线和临床失败率, 这和生物学里的进化很像，最擅长的并不是“最强个体”，而是“最能穿越环境变化的变体”, 资本也是如此，资金不会永远供养纯技术理想，它只会押注最有机会穿透监管、实验和商业三重筛网的那条路径。 从地缘产业的角度看，这种转身还带着另一层味道, AI大模型是算力和芯片的战争，AI制药则是数据、算法和生物主权的战争, 前者决定谁掌握基础设施，后者决定谁掌握健康产业的上游入口, 一旦模型能持续生成高质量蛋白设计、药物候选和优化方案，价值链就会向掌握模型和算力的一方倾斜, 这也是为什么一线美元基金愿意下注，他们赌的不是某一篇论文，而是未来十年药物研发链条里，谁能把时间压缩，谁就能把估值抬高。 顾全全的故事，到这里其实很冷静, 他不是从一个赛道逃离，而是把自己从“应用层英雄”推回到“底层规则制定者”的位置, 字节需要Seed2.0的预训练底座，需要更大范围的通用模型能力，创业公司则押注AI制药和蛋白设计的窄而深，两个方向都没错，只是产业分工正在越来越清晰, 有人负责建造算力帝国，有人负责在生命科学的缝隙里收割高价值样本。 未来几年，最先被验证的，可能不是谁的口号更响，而是谁能把模型真正变成药、变成管线、变成现金流, 科技行业的宿命一直都很简单，能把算法送进现实工厂的人，才有资格谈改变世界，剩下的人，只是在更昂贵的试验台上重复历史。