字节 Seed 旗下 AI4S 团队，正在讨论新一轮组织调整，包括从字节分拆的可能性。
据知情人士透露，目前一个方案是，AI4S 团队从项亮体系转到杨震原下面。但该方案仍在讨论中，尚未最终确定；接近字节的人士称，杨震原对这一安排并不积极。如果调整完成，这将是字节过去一年整合 AI 研发资源的又一次延续。
AI4S 的动荡，发生在 Seed 组织持续收拢 AI 研发资源的背景下。
自吴永辉担任字节 AI 研发部门 Seed 负责人后，Seed 组织陆续调整。字节 AI Lab 的三个方向已并入 Seed，分别是探索机器人和具身智能的 Seed Robotics，将 AI 应用于材料、生物等科研探索的 AI for Science，以及负责 AI 公平性、透明性、可解释性和伦理问题的 Responsible AI。
其中，AI4S 的汇报线则更反复。
原本属于 AML（Applied Machine Learning，机器学习系统团队，主要工作之一是 AI Infra）部门的肖文之团队，在去年并入 AI Lab 的 AI for Science 团队。肖文之也从向 AML 负责人项亮汇报，转为向李航汇报。李航退休后，相关汇报线又转回项亮。
现在，AI4S 可能再次调整。
比汇报线更值得关注的是人才外溢。肖文之、顾全全等多位 AI4S 相关成员已经离开或准备离开字节创业，方向集中在 AI 制药、蛋白设计、生物基础模型和药物发现平台。据了解，相关创业项目已经获得头部美元机构多轮加注。
组织在调整，人才在外溢，资本也开始下注。
AI4S 是 Seed 内部最特殊的一支队伍。它不直接服务豆包、抖音、剪映，也不是视频生成、AI 编程或聊天机器人团队。它做的是科学计算、结构生物学、蛋白设计和 AI 制药。
这支队伍不像典型互联网团队，更像放在大厂里的科学实验室。现在，它要回答一个更现实的问题：继续作为内部前沿研究存在，还是走向药物资产生成。
字节为什么要做 AI4S字节进入 AI 制药和 AI for Science，并不算早。
2020 年底，字节 AI Lab 开始招聘 AI 制药人才，进入医疗 AI 业务。2022 年，字节投资 Shuimu BioSciences，继续向结构生物学和药物发现下注。此后，字节又在分子动力学、计算生物学、量子化学等方向招聘科学家，希望把 AI 用到蛋白质结构预测、分子构象分析和计算蛋白设计里。
这和字节过去熟悉的业务逻辑不同。
推荐算法的反馈周期很短。用户是否点击、停留、转化，数据当天就能回来。AI4S 的反馈链条要长得多。模型预测结果再好，也要经过湿实验、药物验证、管线推进，最后才可能形成商业价值。
它慢、贵、不确定，也难被传统互联网指标衡量。
但 AI4S 对字节仍有战略意义。它是少数能够证明“模型能力不只适用于内容和工具”的方向。大模型、生成模型、结构预测、科学计算，都可以在这里进入更硬的验证场景。
Seed 官网目前也将 AI for Science 列为独立方向，称团队聚焦生物基础模型、量子化学和分子动力学。其中 Protenix 被定义为支持高保真复合物结构预测和从头蛋白设计的生物分子基础模型。
这说明，AI4S 不是边缘尝试。至少在 Seed 的战略叙事里，它曾经是核心版图的一部分。
问题在于，它越前沿，越难证明短期业务价值。豆包、Seedance、TRAE 可以用用户、调用、收入或产品增长证明进展。AI4S 的价值要穿过模型、实验、靶点、管线、BD，才能被真正计量。
成果和人才都开始外溢AI4S 团队最重要的公开成果，是 Protenix 和 PXDesign。
肖文之是 Protenix 系列的核心人物。他的个人主页显示，他 2015 年加入字节，早期负责推荐和广告系统里的 AI 模型建设；2021 年起转向 AI for Science，聚焦计算生物学，并主导 Protenix 系列开源项目。
VALSE 2025 公开资料显示，肖文之报告题目为《Protenix——生物分子复合物结构预测与设计》。资料称，Protenix 是“全球领先的 AlphaFold 3 复现开源工作”，团队进一步关注多构象、动态、亲和力预测和分子设计等问题。
更关键的是 PXDesign。
字节 Seed 公开论文页面显示，PXDesign 在 6 个不同蛋白靶点中的 5 个上实现了 20%—73% 的纳摩尔级 binder 命中率，并超过 AlphaProteo 等方法。团队不只做生成模型，也做过滤、排序和实验验证。
这一步把 AI4S 从结构预测推进到蛋白 binder 设计，也从 in silico 推进到实验命中率。
但成果越明确，压力也越具体。
如果 AI4S 只是发论文、做开源模型，它可以继续作为基础研究团队存在。但如果它要做 AI 制药，就必须回答另一组问题：靶点从哪里来，实验体系怎么搭，管线怎么推进，谁负责 BD，谁承担临床前验证风险，最终收入来自哪里。
这些问题不是模型团队单独能解决的。
这也是人才外溢开始出现的背景。顾全全、肖文之等多位成员已经离开或正在离开字节创业，方向集中在 AI 制药、蛋白设计、生物基础模型和药物发现平台。
两个人代表的是 AI4S 的两类能力。
顾全全代表上游算法能力。公开资料显示，顾全全是 UCLA 计算机科学副教授，研究方向包括机器学习、非凸优化、深度学习、强化学习、大语言模型和生成模型。他的 LinkedIn 页面显示，他担任字节 Seed 大模型 Pre-training & Scaling 方向 Co-Lead。
这类能力的价值，不在于单独做一个药物项目，而在于把机器学习理论、生成模型和科学问题连接起来。AI4S 最难的部分，正是跨学科迁移：模型不是生成一个看似合理的答案，而是生成可能被实验验证的分子、蛋白和机制假设。
肖文之代表工程化能力。他从推荐广告系统转向计算生物学，更擅长把模型能力做成可复现、可部署、可迭代的系统。Protenix 和 PXDesign 的开源、benchmark、server 化，都是工程体系的延伸。
据知情人士透露，肖文创业方向是 AIDD，并已经获得头部机构多轮加注。他过去在字节 Seed 科学计算团队带过 Protenix 和 PXDesign，创业基础也来自这套生物分子基础模型能力。
融资不是终点多位 AI4S 成员创业，并获得头部机构多轮加注，说明市场仍愿意为这类能力定价。
但资本市场的耐心已经不同。
过去两年，AI 制药经历过一轮泡沫出清。只讲“AI 可以加速药物发现”，已经很难融资。投资人现在更关心三个问题：有没有真实实验数据，有没有差异化靶点，有没有能交易的资产。
这对字节 AI4S 出来的创业者既是机会，也是压力。
机会在于，他们不是从零开始。他们带走的是在大厂算力、工程体系和模型训练环境里打磨过的能力。顾全全代表算法范式，肖文之代表生物基础模型和工程平台，刘凯代表药物发现的产业接口。
压力在于，市场不会长期为“字节背景”付费。
AI4S 公司最终要证明的不是模型强不强，而是模型能否持续生成可验证资产。药物发现不是 Demo 经济。一个 binder 命中率、一个结构预测 benchmark、一次会议展示，都只是开始。真正的验证来自 wet lab、动物实验、IND、临床和 BD。
下一步要看的，是这些模型能力能否持续进入实验、管线和交易。
