Quanquan Gu

wiki
, ,
1

Teórico del aprendizaje automático y líder de investigación en IA que simultáneamente avanzó en la predicción de estructuras de proteínas en la frontera de la IA para la Ciencia y co-dirigió el preentrenamiento y escalado de LLM en ByteDance Seed.
Nacimiento c. 1984, China
Nacionalidad Chino-estadounidense
Institución(es) actual(es) Universidad de California, Los Ángeles — Departamento de Ciencias de la Computación (Profesor Asociado con Tenencia, en licencia); ByteDance Research (Investigador Científico, julio de 2023–junio de 2026, partió)
Áreas de investigación Optimización no convexa, Teoría del aprendizaje profundo, Aprendizaje por refuerzo, Modelos de lenguaje grandes, IA para la ciencia (Diseño y predicción de estructuras de proteínas), Modelos de difusión
Asesor doctoral Jiawei Han
Tesis doctoral Online and Active Learning of Big Networks: Theory and Algorithms (Universidad de Illinois en Urbana-Champaign, 2014)
Sitio web web.cs.ucla.edu/~qgu
X / Twitter @QuanquanGu
Google Scholar Quanquan Gu

Resumen

Quanquan Gu es un investigador chino-estadounidense de aprendizaje automático y Profesor Asociado con tenencia en Ciencias de la Computación en UCLA, conocido por sus rigurosas contribuciones teóricas al aprendizaje profundo, la optimización no convexa y el aprendizaje por refuerzo. De julio de 2023 a junio de 2026 ocupó un rol concurrente de investigador científico en ByteDance Seed, donde lideró dos frentes de investigación distintos: primero construyó uno de los paquetes de IA para ciencia de proteínas más competitivos de la industria, y luego giró para cofundar el equipo de optimización y escalado de LLM que apuntaló el desarrollo de Seed 2.0. Su dominio paralelo de la teoría del ML, la IA biológica y el preentrenamiento a gran escala —campos que rara vez se superponen en un solo investigador— ha atraído atención sostenida tanto en el ámbito académico como en la industria. Dejó ByteDance en junio de 2026, despidiéndose con la frase «El mejor modelo está por llegar. El escalado continúa», sin revelar su próximo destino.

Primeros años y educación

Gu completó sus estudios universitarios en la Universidad de Tsinghua, obteniendo un título de Ingeniero en Automatización (2003–2007), seguido de una Maestría en Ciencias en Ingeniería de Control y Ciencia de la misma institución (2007–2010). Luego se mudó a los Estados Unidos para realizar un doctorado en la Universidad de Illinois en Urbana-Champaign (UIUC) bajo la supervisión de Jiawei Han, uno de los investigadores más citados en minería de datos y descubrimiento de conocimiento. Su disertación, Online and Active Learning of Big Networks: Theory and Algorithms, abordó el desafío de aprender eficientemente de redes de información masivas y en rápida evolución, combinando algoritmos de aprendizaje en línea con estrategias de aprendizaje activo. Completó su doctorado en 2014 y recibió tanto la Beca del Departamento de Ciencias de la Computación de UIUC (2010) como la Beca de Doctorado de IBM (2013–2014) durante sus estudios de doctorado. Después de graduarse, pasó un año como Asociado de Investigación Postdoctoral en el Departamento de Investigación de Operaciones e Ingeniería Financiera de la Universidad de Princeton (2014–2015).

Carrera

Universidad de Virginia (2015–2018)

Gu se unió a UVa como Profesor Asistente en vías de titularidad, inicialmente en el Departamento de Ingeniería de Sistemas y de la Información (2015–2017), con un nombramiento concurrente en el Departamento de Ciencias de la Computación agregado desde 2016 hasta su partida en 2018. Durante este período estableció su agenda de investigación en optimización no convexa y los fundamentos teóricos del aprendizaje profundo, publicando trabajos tempranos sobre métodos de reducción de varianza estocástica y teoría del aprendizaje estadístico para modelos sobreparametrizados. Recibió el Premio CAREER de la NSF (2017) y el Premio a la Innovación en Investigación de UVa SEAS (2017) mientras estuvo en UVa, y consiguió múltiples subvenciones de la NSF sobre aprendizaje automático con privacidad y datos de alta dimensión.

Universidad de California, Los Ángeles, Departamento de Ciencias de la Computación (2018–presente)

Gu se unió a UCLA como Profesor Asistente en vías de titularidad en julio de 2018, fue promovido a Profesor Asociado con Tenencia en julio de 2022, y dirige el Laboratorio de Inteligencia General Artificial de UCLA. Su grupo de investigación ha producido un cuerpo de trabajo sustancial en cuatro áreas interconectadas.

En optimización y teoría del aprendizaje profundo, el laboratorio obtuvo límites de generalización ajustados para el descenso de gradiente estocástico en redes sobreparametrizadas, caracterizó el sobreajuste benigno en redes neuronales convolucionales de dos capas (NeurIPS 2022, Oral), y analizó la regularización implícita de SGD a través de una serie de artículos. El optimizador MARS (ICML 2025) introdujo un nuevo marco de reducción de varianza para entrenar modelos grandes, y la Atención de Producto Tensorial (NeurIPS 2025, Spotlight) propuso una nueva arquitectura de mecanismo de atención.

En aprendizaje por refuerzo, el grupo estableció resultados de complejidad muestral casi-minimax óptimos para procesos de decisión de Markov lineales y MDP de mezcla lineal (COLT 2021, ICML 2021, ICML 2023), contribuyendo a una teoría rigurosa de RL demostrablemente eficiente con aproximación de funciones.

En alineación y ajuste fino de modelos de lenguaje, Gu co-desarrolló Self-Play Fine-Tuning (SPIN, ICML 2024), un método que permite que un modelo de lenguaje mejore iterativamente al jugar contra sus propias salidas de iteraciones anteriores sin requerir anotaciones humanas adicionales, y extendió el marco a modelos de difusión para generación de texto a imagen (NeurIPS 2024). Self-Play Preference Optimization (SPPO, ICLR 2025) refinó esto en un enfoque de alineación fundamentado.

En IA para la ciencia, el trabajo basado en UCLA sobre diseño de fármacos basado en estructuras (DecompDiff, ICLR 2024; DecompOpt, ICLR 2024) y modelado de conformación de proteínas (ICML 2024) prefiguró e informó directamente la investigación biológica a escala industrial que Gu lideraría más tarde en ByteDance.

Durante la pandemia de COVID-19 (2020–2021), su equipo desarrolló el modelo epidemiológico UCLA SuEIR, que fue utilizado por los Centros para el Control y la Prevención de Enfermedades de EE. UU. para pronósticos semanales de muertes y hospitalizaciones acumuladas, con resultados publicados en PNAS (2022, 2023).

Gu también realizó dos residencias de investigación extendidas en el Instituto Simons para la Teoría de la Computación: como Investigador Residente en el Programa de Verano de Fundamentos del Aprendizaje Profundo en Berkeley (mayo–agosto de 2019), y como Participante a Largo Plazo en el Programa de Teoría del Aprendizaje por Refuerzo (agosto–diciembre de 2020). Además, fue Visitante de Corta Duración en el Instituto de Estudios Avanzados de Princeton durante el Año Especial sobre Optimización, Estadística y Aprendizaje Automático Teórico (octubre–noviembre de 2019).

ByteDance Research (julio de 2023–junio de 2026)

Gu se unió a ByteDance Research en julio de 2023 para liderar la iniciativa de IA para Descubrimiento de Fármacos de la compañía, manteniendo concurrentemente su puesto de profesor en UCLA en licencia. En aproximadamente dieciocho meses, su equipo produjo tres resultados principales en biología computacional.

SeedFold (arXiv: 2512.24354, diciembre de 2025) es un sistema de predicción de estructuras biomoleculares que escala la arquitectura AlphaFold 3 a lo largo de tres ejes —anchura del modelo, eficiencia arquitectónica mediante atención triangular lineal y volumen de datos a través de destilación a gran escala hasta 26.5 millones de muestras de entrenamiento. Evaluado en FoldBench, SeedFold superó a AlphaFold 3 en la mayoría de las tareas relacionadas con proteínas, incluyendo predicción de monómeros, acoplamiento proteína-proteína, complejos anticuerpo-antígeno y unión proteína-ligando.

SeedProteo (arXiv: 2512.24192, febrero de 2026) es un sistema de diseño de novo de uniones de proteínas de todos los átomos basado en difusión que reutiliza la arquitectura de plegamiento SeedFold como un marco generativo, integrando características de auto-condicionamiento para guiar el proceso de diseño. En generación incondicional maneja secuencias de hasta 1000 residuos, y en evaluaciones de diseño de uniones superó a AlphaProteo, RFDiffusion, Chai-2, BinderCraft y BoltzGen. La validación in vitro en los objetivos PD-L1 y SC2RBD confirmó uniones expresadas experimentalmente y de unión.

DPLM / DPLM-2 es una familia de modelos de lenguaje de proteínas de difusión (ICML 2024; ICLR 2025; extendido en ICML 2025) que unifican el aprendizaje de representaciones de proteínas, la generación incondicional y la generación condicional de cualquier-a-cualquier —incluyendo plegamiento, plegamiento inverso y andamiaje de motivos— bajo un único objetivo de preentrenamiento de difusión discreta. DPLM-2 extiende el marco para modelar conjuntamente la secuencia y la estructura 3D dentro de una única red troncal preentrenada.

A principios de 2025, tras los lanzamientos de alto perfil de DeepSeek que catalizaron una competencia intensificada de LLM en China, Gu giró para unirse al esfuerzo de modelo frontera de ByteDance, fundando el equipo de optimización y escalado de LLM dentro del grupo de preentrenamiento Seed. Este equipo construyó un paquete de preentrenamiento escalable desde cero y contribuyó directamente al desarrollo y lanzamiento de Seed 2.0 —el modelo frontera insignia de ByteDance— aproximadamente cuatro meses antes de la partida de Gu. El asistente de IA Doubao de ByteDance, que integra las capacidades de Seed 2.0, había alcanzado aproximadamente 336 millones de usuarios activos mensuales para mediados de 2026.

Gu anunció su partida de ByteDance Seed el 3 de junio de 2026, agradeciendo a sus colegas por «un viaje increíblemente gratificante» sin revelar su próximo movimiento.

Contribuciones clave

  • SeedFold — El primer sistema de predicción de estructuras biomoleculares implementado industrialmente en superar a AlphaFold 3 en una amplia gama de tareas de FoldBench, combinando escalado de arquitectura, atención lineal y destilación de datos a gran escala hasta 26.5 millones de muestras.
  • SeedProteo — Modelo de diseño de novo de uniones de proteínas de todos los átomos de última generación, superando a todos los principales competidores de código abierto en evaluaciones in silico con validación experimental in vitro; implementado públicamente en seedfold.io.
  • Serie DPLM — Una familia de modelos de lenguaje de proteínas de difusión (ICML 2024, ICLR 2025) que unifican el aprendizaje de representaciones y la generación condicional/incondicional; DPLM-2 modela conjuntamente la secuencia y la estructura 3D dentro de una única red troncal preentrenada.
  • Paquete de preentrenamiento Seed 2.0 — Co-dirigió el equipo de optimización y escalado de LLM que construyó la infraestructura de preentrenamiento frontera escalable de ByteDance, impulsando directamente Seed 2.0 y modelos posteriores.
  • Self-Play Fine-Tuning (SPIN) — Un marco de auto-mejora de modelos de lenguaje (ICML 2024) que permite la mejora iterativa sin anotación humana adicional; extendido a modelos de difusión (NeurIPS 2024) y optimización de preferencias (SPPO, ICLR 2025).
  • Teoría del sobreajuste benigno — Una serie de artículos que caracterizan cuándo las redes neuronales sobreparametrizadas entrenadas con SGD generalizan a pesar de interpolar los datos de entrenamiento (NeurIPS 2022 Oral; COLT 2021; JMLR 2024), proporcionando una base rigurosa para un fenómeno empírico generalizado en el aprendizaje profundo moderno.
  • Aprendizaje por refuerzo demostrablemente eficiente — Estableció límites de complejidad muestral casi-minimax óptimos para MDP lineales y MDP de mezcla lineal (COLT 2021, ICML 2021, ICML 2023), colocando los algoritmos de RL sobre fundamentos teóricos rigurosos.
  • Modelo UCLA SuEIR — Modelo epidemiológico de COVID-19 utilizado por los CDC para pronósticos nacionales de muertes y hospitalizaciones (2020–2021), con resultados que contribuyeron a dos publicaciones en PNAS (2022, 2023).
  • EurekaClaw — Un agente de investigación de IA local-primero (eurekaclaw.ai) que automatiza el proceso desde la ideación hasta la prueba, el experimento y la generación de artículos, encarnando la visión más amplia de Gu del descubrimiento científico aumentado por IA.

Premios y reconocimiento

  • Premio WSDM Test of Time Paper (2024) — Reconociendo el impacto a largo plazo de la investigación temprana sobre redes de información y aprendizaje.
  • Beca de Investigación Alfred P. Sloan (2022) — Otorgada por la Fundación Alfred P. Sloan por contribuciones sobresalientes de carrera temprana al aprendizaje automático y la IA.
  • Premio de Investigación de Facultad JP Morgan (2022) — Reconocimiento corporativo del impacto de la investigación aplicada en ML.
  • Premio de Investigación en Aprendizaje Automático de AWS (2020) — Reconocimiento de Amazon Web Services por contribuciones a la investigación en aprendizaje automático.
  • Charla de Carrera Temprana IJCAI (2020) — Seleccionado para dar una charla invitada de carrera temprana en la Conferencia Internacional Conjunta sobre Inteligencia Artificial.
  • Beca de Investigación Simons Berkeley (2019) — Beca en el Instituto Simons para la Teoría de la Computación, Programa de Verano de Fundamentos del Aprendizaje Profundo.
  • Premio de Investigación en Ciencia de Datos de Adobe (2018) y Premio de Investigación en Aprendizaje Profundo de Salesforce (2018) — Reconocimiento dual de la industria en el mismo año.
  • Premio CAREER de la NSF (2017) — El principal premio de carrera temprana de la Fundación Nacional de Ciencias de EE. UU., apoyando su programa de investigación sobre optimización estadística no convexa.
  • Premio a la Innovación en Investigación de UVa SEAS (2017) — Reconocimiento de la Escuela de Ingeniería de la Universidad de Virginia por innovación en investigación.
  • Premio de Mejora de Carrera Académica de Yahoo! (2015) — Otorgado al inicio de su carrera docente.
  • Beca de Doctorado de IBM (2013–2014) — Beca competitiva de IBM que apoya la investigación doctoral.
  • Premio a la Mejor Tesis de Maestría, Universidad de Tsinghua (2010) — Reconocimiento departamental por trabajo sobresaliente de tesis de maestría.
  • Beca del Departamento de Ciencias de la Computación de UIUC (2010) — Beca que apoya la entrada al programa de doctorado en UIUC.

Relaciones clave

  • Jiawei Han — Asesor de doctorado en UIUC; una de las figuras más influyentes en minería de datos, cuyo trabajo sobre descubrimiento de conocimiento a partir de redes moldeó directamente la disertación y la agenda de investigación temprana de Gu.
  • Zaixiang Zheng — Colaborador principal en ByteDance Seed; líder del proyecto en DPLM, DPLM-2, SeedProteo y sistemas de modelado de proteínas relacionados.
  • Xinyou Wang — Coautor clave en los artículos DPLM y DPLM-2 (ICML 2024, ICLR 2025), central en la construcción de la serie de modelos de lenguaje de proteínas.
  • Huizhuo Yuan — Coautor frecuente tanto en el trabajo de UCLA (optimizador MARS, SPPO) como en ByteDance; una figura clave en el hilo de investigación de LLM y optimización de Gu.
  • Dongruo Zhou — Coautor prolífico sobre teoría del aprendizaje por refuerzo (múltiples artículos ICML y NeurIPS) y optimización no convexa; ahora investigador independiente.
  • Difan Zou — Coautor en una serie de artículos influyentes que analizan la regularización implícita de SGD y el sobreajuste benigno en modelos sobreparametrizados.
  • Zixiang Chen — Coautor sobre teoría del aprendizaje profundo y la línea de trabajo Self-Play Fine-Tuning (SPIN, ICML 2024).

Estilo personal

Gu es inusual entre los investigadores de ML por mantener un trabajo teórico riguroso y de alta productividad en el ámbito académico mientras simultáneamente impulsa la ingeniería aplicada en la frontera de la IA industrial —un modo de operación que típicamente requiere compensaciones que él ha parecido resistir. Su estilo de investigación en ambos entornos se caracteriza por una preferencia por garantías estadísticas casi-minimax óptimas en lugar de mejoras de rendimiento heurísticas, incluso en entornos motivados prácticamente. Públicamente, ha sido un defensor vocal de la opinión de que la IA no es meramente una herramienta para la investigación sino que está reestructurando activamente el propio proceso de investigación —su proyecto EurekaClaw y sus comentarios en X reflejan la convicción de que el «descubrimiento a nivel de sistema», donde humanos, modelos y herramientas co-evolucionan, ya está en marcha. Su partida de ByteDance con el lacónico mensaje de despedida «El mejor modelo está por llegar. El escalado continúa» fue ampliamente leída como una declaración de intención más que de retrospección.

Referencias