Meta重组AI实验室 28岁新帅清洗六百人执掌大权

失衡的乌托邦：Meta的开源AI路线是如何遭遇滑铁卢的【硅谷101】 — 硅谷101

硅谷101

Meta因过度追求多模态产品化而忽视推理能力研发，导致LLaMA 4遭遇滑铁卢，迫使扎克伯格通过极限集权并牺牲FAIR实验室的科学乌托邦来挽回开源劣势。

AI-assisted summary of 失衡的乌托邦：Meta的开源AI路线是如何遭遇滑铁卢的【硅谷101】 — original source. Check the original for full context.

Source published:

Detailed notes

## Background 本视频由Bilibili UP主【硅谷101】于2025年11月8日发布。视频围绕Meta AI部门在2025年10月底宣布裁员600人、高管纷纷离职或被边缘化的震荡事件展开，通过采访前FAIR研究总监田渊栋和参与Llama 3后训练的工程师Gavin Wang，深度还原了Meta开源AI路线如何因急于产品化、忽视推理技术、以及在DeepSeek和OpenAI o1的冲击下陷入混乱，最终导致Llama 4项目崩盘并引发大重组的内幕。

## TL;DR Meta的AI路线自2013年Yann LeCun加入组建FAIR实验室起便注入了开源基因，并在Llama 1到Llama 3时代凭借“开放权重”赢得了开源社区的极高赞誉。然而，随着管理层急于将AI转化为产品力，GenAI部门与FAIR实验室之间的天平开始失衡，导致在规划Llama 4时过度追求多模态而忽视了推理能力。当OpenAI o1和DeepSeek相继横空出世，Meta在极限Deadline的压力下临时抽调FAIR团队救火，最终导致Llama 4质量严重下滑、发布受挫。为了挽回败局，扎克伯格采取了极具争议的集权手段，空降Alexandr Wang组建拥有特权的TBD团队并重组为Meta Superintelligence Labs，标志着曾经乌托邦式的FAIR实验室最终向商业化低头。

## Atmosphere & style 视频整体呈现出一种冷静、客观且带有一丝理想主义破灭的悲凉基调。通过两位亲历者的口述，叙事在Llama 3时代的辉煌与自豪，同Llama 4遭遇滑铁卢后的混乱与割裂之间形成强烈对比。它不仅是一部科技巨头的商业竞争史，更像是一首献给AI科学家乌托邦的挽歌，充满了对“外行管内行”和极限KPI压榨下科研失衡的无奈与反思。

## Key takeaways - [00:00](https://www.bilibili.com/video/BV12J2TB1Ex3?t=0s) Meta AI部门在2025年10月底经历大震荡，裁员600人且核心高管流失，折射出其开源路线背后的割裂与危机。 - [00:00](https://www.bilibili.com/video/BV12J2TB1Ex3?t=0s) FAIR实验室由Yann LeCun于2013年组建，其诞生之初便确立了不设限、公开发布和代码开源的乌托邦式科研基因。 - [00:00](https://www.bilibili.com/video/BV12J2TB1Ex3?t=0s) Meta内部存在FAIR（前沿研究）与GenAI（产品化落地）两个平行部门，两者之间的平衡是Llama成功的关键。 - [04:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=299s) Llama系列的“开源”本质上是“开放权重”（Open Weights），虽然不是完全开源，但极大地繁荣了开发者生态。 - [04:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=299s) Llama 3及3.1、3.2版本的发布是Meta开源路线的高光时刻，405B超大版本让开源社区看到了对抗闭源巨头的希望。 - [09:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=599s) Llama 4的发布遭遇滑铁卢，其Maverick版本被质疑在LM Arena排行榜上“刷榜”作弊，引发社区冷遇与信任危机。 - [14:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=899s) 组织架构失衡与“外行管内行”是失败的根源，传统背景的VP和Director在规划Llama 4时忽视了推理（Reasoning）能力。 - [19:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=1199s) OpenAI o1和DeepSeek的相继推出打乱了Meta的阵脚，迫使高层在极限Deadline下临时抽调FAIR团队跨组救火，导致项目管理混乱。 - [19:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=1199s) 扎克伯格通过空降Alexandr Wang并成立拥有特权的TBD团队，对Meta AI进行极度集权的重组，试图通过MSL部门挽回败局。 - [19:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=1199s) 曾经闪耀的FAIR实验室在商业化和产品化压力下逐渐失去独立性，成为科技巨头AI军备竞赛中又一个向商业妥协的牺牲品。

## Detailed walkthrough 以下是根据视频转录内容整理的详细、忠实的文字还原：

[00:00](https://www.bilibili.com/video/BV12J2TB1Ex3?t=0s) Meta AI 部门的震荡与割裂的开源路线

2025年10月底，Meta AI 部门宣布裁员600个职位，甚至波及了核心部门的研究总监。掌管 AI 业务的高管纷纷离职或被边缘化，就连图灵奖得主、AI 巨擘 Yan LeCun（杨立昆）也被外界认为“此生难保”。这一新闻令人震惊：一方面，马克·扎克伯格（Mark Zuckerberg）正用上亿美元的年薪在硅谷疯狂挖角 AI 顶级人才；但另一方面，他又如此决绝地在内部进行大裁员。在这种极度割裂的行为背后，Meta 的 LLaMA 开源路线到底发生了什么？为什么 LLaMA 3 还能让众人惊艳，而仅仅一年之后的 LLaMA 4 就显得如此拉垮？

为了还原真相，节目采访了前 Meta FAIR 研究总监、AI 科学家田渊栋，参与了 LLaMA 3 后训练（Post-training）的前 Meta 员工 Gavin，以及微谷资深 HR 专家和一些秘密知情人士。大家试图探讨：Meta 的开源路线从一开始就注定是个错误吗？在 AI 大模型激烈对战的当下，一个无痛方式的 AI 研究实验室还能够存在吗？正如受访者所言，“不能让不懂的人来做整个 leader 或者说让人来做那个 planning”，在 LLaMA 4 规划阶段，员工们就已经明显感觉到领导层的方向（leadership direction）发生了一些变化。

要理解这一切，首先需要厘清 Meta 布局 AI 的公司架构。2013年年底，扎克伯格开始搭建 Meta 的 AI 团队。当时谷歌收购了 Geoffrey Hinton 的 DNN 团队，将 Hinton 招入麾下；同一时间，Meta 则请来 Yan LeCun 坐镇。至此，图灵奖三巨头中的两位开始步入商业科技巨头，主导 AI 的研发。当时，Yan LeCun 答应加入 Meta 提了三个条件： - 第一，不从纽约搬走； - 第二，不会辞去在纽约大学的工作； - 第三，必须开展开放的研究，公开发布所做的所有工作，并且将代码开源。

因此，Meta 的 AI 路线从一开始就注入了开源的基因。Yan LeCun 进入 Meta 后，着手组建了 Fundamental AI Research 实验室（即大名鼎鼎的 FAIR 实验室），主导人工智能的前沿研究。FAIR 的定位是探索那些“现在目前看起来没有特别大的能力用，但是新的想法、新的思路、新的算法、新的框架、新的 architecture”的前沿课题，以期在未来获得重大突破。

然而，对于 Meta 而言，最终还是要看到 AI 在自身产品上的进展。于是，公司设立了一个与 FAIR 平行的部门——Generative AI（简称 GenAI）组。GenAI 组旗下有不同的功能团队，包括 LLaMA 开源模型的研发团队、将 AI 能力应用在产品上的 Meta AI 团队、负责 AI 算力基础设施的数据中心团队，以及搜索（Search）、企业服务（Enterprise）、纹身视频模型（Video Gen）等小部门。

GenAI 与 FAIR 的平行关系就像一个天平：一边是前沿科研，一边是产品化。理想情况下，前沿研究能带来更好的产品力，而产品赚钱了，管理层就有更大的动力拨款给 FAIR 做研发。许多研究员的初心是想做一些不一样的、能真正实现 AGI（通用人工智能）的工作。但 GenAI 的目的更偏向于实用主义，即如何把 AI 放在 Meta 现有的产品中发挥效应，以及如何研发像 LLaMA 这样的大模型并落地到具体应用中。

这种天平的平衡是一个非常理想化的乌托邦状态，其前提是 Meta 的 AI 模型水平必须一直保持最领先，或者至少在开源赛道上绝对领先。田渊栋回忆起在 FAIR 最快乐的时光，认为是从他入职一直到 2022 年。大模型时代到来后，整个学术生态和研究者之间的关系发生了变化。算力成为了最关键的制约因素，由于算力有限，大家为了训练大模型，在内部开始产生各种关于“抢卡”的矛盾。

---

[04:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=299s) LLaMA 1 到 LLaMA 3 的辉煌与“开放权重”的定义

Meta 的 AI 天平是如何失衡的，可以从 LLaMA 四代模型的发布轨迹中找到端倪。顺便一提，Meta 之所以给自家大语言模型取名 LLaMA，据说是因为 Large Language Model 的缩写 “LLM” 不太好发音，于是补上了元音字母，使其念起来朗朗上口，也因此让大模型和“羊驼”扯上了关系。

2023年2月24日，Meta 发布了 LLaMA 1，主打“更小参数、更好效果”，推出了 7B、13B、33B、65B 等多个版本。Meta 强调，当时的 13B 模型在多项基准上就能超过拥有 175B 参数的 GPT-3。官宣一周后，LLaMA 1 的权重在 4chan 论坛上以种子形式被泄露，引发了 AI 社区对开源模型的广泛讨论，甚至引发了国会参议员的写信质询。尽管伴随着质疑，但业界对这次意外泄露表现出了出人意料的支持，这被视为重塑了大模型开源格局的事件，并迅速催生了诸多民间的微调项目。

这里需要解释一下大模型“开源”的定义。实际上，Meta 的做法并不是完全的开源，业内称之为“开放权重”（Open Weights）。在机器学习中，模型包含三个部分：结构（Architecture）、权重（Weights）和代码（Code）。 - **权重（Weights）**：指模型学习到的所有参数数值。模型训练完成后，这些参数会存在几个巨大的二进制文件中，保存着每一层神经网络的矩阵数值。 - **推理过程**：在推理时，模型代码会加载这些权重文件，利用 GPU 进行矩阵运算并生成文本。 - **开放权重的意义**：意味着向公众提供训练好的参数文件，外界可以在本地加载、部署和微调。但这不等于完全开源，因为真正的开源需要公开训练数据、训练代码和无限制的许可。Meta 并没有公开这些核心信息，后续的 LLaMA 2、3、4 代也仅仅是开放权重，只是在许可证政策上有所松动。

尽管属于“半开源”，但相比于 OpenAI、Anthropic 和谷歌等完全闭源、仅通过 API 接口提供服务的公司，LLaMA 已经给开源社区带来了极其旺盛的生命力。

2023年7月28日，Meta 联合微软发布了 LLaMA 2，包含 7B、13B 和 70B 三种参数变体。相比 LLaMA 1 仅限研究用途、不可商用的限制，LLaMA 2 变成了一个免费可商用的版本，放宽了许可证权限。《连线》（Wired）等杂志指出，LLaMA 2 让开放路线对抗封闭模型巨头成为了现实。LLaMA 2 很快在开发者社区风靡起来，其可得性显著放大了生态。Meta 和微软的这一举动改变了游戏规则，迫使其他竞争对手不得不走向更加开放，并为优秀模型的授权许可树立了新标准。

接着是 LLaMA 3 的高光时刻。2024年4月9日，Meta 开启了 LLaMA 3 的发布。2024年4月18日，Meta 发布了 LLaMA 3 的 8B 和 70B 版本，并将其整合进 Meta AI 助手。2024年7月，Meta 推出了 LLaMA 3.1，其中包括备受瞩目的 405B 超大版本。Meta 宣称 405B 是世界上最强大且开放的模型，并同步登陆了 AWS Bedrock、IBM WatsonX 等云平台。两个月后的 2024年9月，Meta 又发布了 LLaMA 3.2，推出了针对终端和边缘场景的 1B 和 3B 轻量化模型，以及 11B 和 90B 的多模态模型。

---

[09:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=599s) LLaMA 3 的骄傲与 LLaMA 4 的滑铁卢灾难

在 LLaMA 3 时代，AWS 等平台同步接入，开源框架 Olama 也支持了本地运行。曾负责 LLaMA 3 后训练工作的 Gavin 表示，当时整个 GenAI 团队真的在以光速前进，有一种“AI 一天，人间一年”的感觉。在 3.1 和 3.2 阶段，多模态（Multi-Modal）和轻量化模型的发布，都是为了产品化和生态落地提供支持。当时还有专门的 LLaMA Stack 团队，去支持整个 LLaMA 生态在企业级或小企业级的落地。

LLaMA 3 的强势出击，特别是 405B 版本在能力上逼近闭源阵营，极大地推动了 AI 应用的落地。对于 Meta 内部的 AI 工程师来说，这是一件非常值得骄傲的事情。Gavin 回忆道： > “当时的那个 narrative 就觉得 Meta 是大厂里唯一一个剩下 open source 的一个 model，而且还对整个 community 的生态很有贡献。当时我觉得很多人都会觉得就不仅仅是在做一份工作，而是说我们真的就是在 support 整个 AI 的 frontier 的一个发展，然后就是你做的每一件事情都感觉非常的 meaningful。”

当时，Gavin 出去跟初创公司创始人交流，对方都会对他说“Thank you so much for your effort”，整个 AI 创业社区都在指望着 LLaMA。

Meta 乘着这股东风，期望 LLaMA 4 的发布能进一步扩大自身在开发社区的影响力。扎克伯格在 2025 年 1 月底的财报会后发帖表示：“我们对 LLaMA 3 的目标是使开源与闭源模型具有竞争力，而我们对 LLaMA 4 的目标是领先。”

然而，仅仅三个月后，LLaMA 4 的发布却成了一场彻底的灾难和滑铁卢。2025年4月5日，Meta 推出了 LLaMA 4 的两个版本：Skull 和 Maverick，宣称其多模态与长上下文能力大幅跃升，并在宣传中高调引用了 LM Arena 排行榜上的领先成绩（Maverick 版本仅次于 Gemini 2.5 Pro，与 GPT-4o、Grok 2 等并列第二）。

然而，开发者社区的反馈却非常冷淡，普遍认为 LLaMA 4 的实际效果不及预期。市面上很快出现传言，质疑 Meta 在 LM Arena 上冲到第二名的版本有“作弊”嫌疑——怀疑该版本是经过特殊对话强化训练、专门针对 LM Arena 排名进行优化的变体，存在误导和过拟合现象。尽管 Meta 高层迅速否认了作弊，但负面影响迅速发酵。媒体纷纷将其视为用特调版本刷榜的“挂羊头卖狗肉”（Bait and Switch）行为，行业对基准测试（Benchmark）的工程化和可复现性展开了激烈讨论。

与此同时，Meta 更高端的 Behemoth 版本推迟发布，公关与节奏严重受挫。在本文撰写时，Behemoth 版本仍未发布，Meta 似乎已经放弃了它。

随后，扎克伯格开始孤注一掷，展开大手笔收购。他收购了 Scale AI，将 Alexandr Wang（亚历山大·王）挖来领导新的 AI 架构，并用上亿美元的支票在硅谷疯狂搅局 AI 人才市场。紧接着，Alexandr Wang 开始重组整个 Meta 的 AI 架构，裁员 600 人。这一连串的时间线显得极其割裂，而答案就藏在 Meta 内部 AI 天平的失衡中。

---

[14:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=899s) 组织架构的失衡与“外行管内行”的困境

在 Meta 的 AI 架构中，FAIR 和 GenAI 是平行的两个组。Yan LeCun 管理 FAIR，但他很多时候沉浸在自己的前沿研发中，甚至在网上与马斯克对战，并经常公开表示不看好 LLM（大语言模型）路线，这让 Meta 高层颇为头疼。于是，2023年2月，Meta 高层将 Meta AI 的研究负责人 Joelle Pineau 调到 FAIR 担任全球负责人，与 Yan LeCun 共同领导 FAIR。而 GenAI 部门的负责人是 Ahmad Al-Dahle，他此前在苹果工作了快 17 年，扎克伯格挖他过来的核心目的就是为了将 AI 与 Meta 的各种产品（如元宇宙、智能眼镜的 AI 整合、Meta.ai 聊天工具等）结合起来。

经历了 LLaMA 2 的成功后，在研发 LLaMA 3 的过程中，Meta 高层越来越强调 AI 的产品属性。2024年1月份，Meta 的 AI 团队进行了一次重组，FAIR 的两名负责人开始直接汇报给 Meta 的 CPO（首席产品官）Chris Cox。

从 LLaMA 1 到 LLaMA 3 算是一个时代，整个行业都在疯狂卷 Scaling Law，探索基础模型能力的边界。但扎克伯格和 Chris Cox 很早就意识到，LLM 的能力要落地产生价值，必须从产品力出发。因此，在 LLaMA 2 和 LLaMA 3 阶段，整个 GenAI 的重心都在工程和产品上。这也导致公司中高层（VP、Senior Director 级别）基本上是由具有传统产品和工程背景的人来领导。

在制定 LLaMA 4 路线时，高层的注意力全部放在了与产品结合的多模态能力上，从而忽视了对推理（Reasoning）能力的重视。然而，就在 LLaMA 3 到 LLaMA 4 研发的这一年里，外部环境发生了巨变： - 2024年9月12日，OpenAI 推出了基于思维链（Chain of Thought, CoT）的 o1 系列模型； - 2024年12月，中国的 DeepSeek 横空出世，采用 MoE（混合专家）架构，在保证推理能力的同时大幅降低了模型成本。

其实在 OpenAI 的 o1 发布之前，田渊栋等 FAIR 的研究员已经在着手思维链（CoT）的研究，并注意到非常长的思维链对模型 Scaling Law 的影响。然而，这种前沿探索并没有及时传达到 LLaMA 的工程团队中。

Gavin 透露，在 LLaMA 4 规划时，领导层的方向更倾向于支持 Meta 重点推的产品生态，多模态是重中之重。当 DeepSeek 在 2025 年 1 月横空出世并展现出极强的推理能力后，Meta 内部才开始紧急讨论是否要重新把推理能力捡起来。由于当时 Gavin 已经离开了 LLaMA 团队，他了解到团队内部在优先级上产生了严重冲突，时间又非常有限，导致大家只能加班加点地做各种尝试，资源和优先级管理陷入混乱。

此外，从组织架构上看，LLaMA 4 试图承载更大的工程，但高层（VP、Senior Director 级别）很多是传统的红外、计算机视觉（CV）或传统自然语言处理（NLP）背景，缺乏对 AI Native 或大语言模型的深度理解。真正懂行、技术过硬的底层员工（尤其是许多优秀的华人 PhD）在公司内部的话语权和资源并不多，从而在某种程度上造成了“外行管理内行”的局面。

---

[19:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=1199s) 极限 Deadline 下的救火与 Superintelligence Labs 的诞生

由于 OpenAI o1 和 DeepSeek 的出现，Meta 在 2025 年年初乱了阵脚，高层临时抽调 FAIR 的研究团队去支援 LLaMA 4 的研发，由田渊栋带队前去“救火”。

田渊栋指出，这次失败的一个重大教训就是“不能让不懂的人来做整个 leader 或者说让人来做 planning”。在项目管理中，如果出了问题，理应推迟发布，直到模型真正 Work。但当时高层定死了 Deadline，团队只能从 Deadline 倒推时间节点（Back-propagate）。在极强的上线压力下，即使研究人员发现数据有问题、需要时间调整，也无法推迟进度，最终导致模型质量严重下滑。

为什么 Meta 会有如此迫切的 Deadline 压力？虽然有 DeepSeek 年初突袭的外部因素，但更核心的压力来自于“上面老板”定下的死命令。

在 LLaMA 3 之后，Meta 确立了产品化路线，模型注重多模态和应用整合，却忽略了推理等前沿技术的研发。这迫使天平另一端的 FAIR 团队不得不跨组救火。然而，前沿模型的竞争太激烈，GenAI 团队的工作节奏极快，研究员半小时不看手机就会堆积几十条消息，根本没有空间进行长期的思考（thinking process），导致前沿研究与工程落地之间存在严重的沟通壁垒。

为了修复这个失衡的天平，扎克伯格采取了极为激进的手段：直接空降了一支由 Alexandr Wang 带队的“特种部队”——TBD 团队。

在最新的重组中，Alexandr Wang 带领几十位高薪聘请的顶级研究员成立了特别小组 TBD。在 Meta 内部，TBD 拥有无限的特权和最高优先级。TBD、FAIR 和 GenAI 共同组成了 Meta Superintelligence Labs（简称 MSL）部门，直接汇报给 Alexandr Wang，而 Alexandr 则是直接汇报给扎克伯格。

这意味着： - FAIR 的 Yan LeCun 如今需要向 Alexandr Wang 汇报； - 此前被要求向 GenAI 负责人 Ahmad 汇报的 Joelle Pineau，已于 2025 年 5 月离职加入 Cohere 担任首席 AI 官； - GenAI 负责人 Ahmad 逐渐失去声音，未被任命负责任何重要项目； - CPO Chris Cox 也被排除在 AI 团队的直接领导层之外。

目前，Meta 的 AI 架构呈现出 28 岁的 Alexandr Wang 一人独大的局面。这种极度集权的模式在 Meta 内部引发了诸多不满。例如，TBD 团队成员可以三年不用做绩效考评，可以不回复任何 VP 的消息，且 Meta AI 发表的所有论文都必须先经过 TBD 成员的审核。由于 TBD 内部不少人非常年轻，这让许多资深研究员感到极度不公，内部政治斗争隐隐有抬头之势。

但对扎克伯格来说，特权背后要的是绝对的成绩。他不仅要“Make LLaMA Great Again”，更要赢得这场 AI 战争。Alexandr Wang 在内部邮件中提出了三个关键改变： - **第一，集中化（Centralize）**：将 TBD Lab 和 FAIR 的核心基础研究力量紧密结合，精简掉一些与工程脱节、高度抽象的数学或理论研究项目（这也是本次裁员的原因）； - **第二，产品与模型紧密融合**：继续以产品为模型聚焦点。与 Alexandr 一起加入的还有 GitHub 前 CEO Nat Friedman，由 Nat 偏向产品端，通过产品使用为模型提供反馈，形成飞轮效应； - **第三，统一基础设施（Unified Core Infrastructure）**：成立核心基建团队统一管理 GPU 算力和数据中心，改变过去各部门分散申请卡的混乱局面。

回顾历史，贝尔实验室、IBM Watson 研究院、HP 实验室等闪耀一时的前沿实验室，最终大多因为无法平衡前沿科研与商业化而日益衰落。拥有十多年历史的 FAIR 曾经是一群理想化 AI 科学家的乌托邦，如今似乎也成了商业化浪潮下的又一个牺牲品。

## Notable quotes > [00:00](https://www.bilibili.com/video/BV12J2TB1Ex3?t=0s) 不能让不懂的人来做整个 leader 或者说让人来做那个 planning。 — 受访员工

> [09:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=599s) 当时的那个 narrative 就觉得 Meta 是大厂里唯一一个剩下 open source 的一个 model，而且还对整个 community 的生态很有贡献。 — Gavin

> [09:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=599s) 不仅是在做一份工作，而是说我们真的就是在 support 整个 AI 的 frontier 的一个发展，然后就是你做的每一件事情都感觉非常的 meaningful。 — Gavin

> [09:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=599s) 我们对 LLaMA 3 的目标是使开源与闭源模型具有竞争力，而我们对 LLaMA 4 的目标是领先。 — 马克·扎克伯格

> [19:59](https://www.bilibili.com/video/BV12J2TB1Ex3?t=1199s) 不能让不懂的人来做整个 leader 或者说让人来做 planning。 — 田渊栋

## Mentioned Meta, 硅谷101, Yann LeCun, 田渊栋, Gavin Wang, Mark Zuckerberg, FAIR, GenAI, Llama 1, Llama 2, Llama 3, Llama 4, DeepSeek, OpenAI o1, Alexandr Wang, Chris Cox, Joelle Pineau, Ahmad Al-Dahle, TBD, Meta Superintelligence Labs

[Source](https://www.bilibili.com/video/BV12J2TB1Ex3)

中文简报

Meta重组AI实验室 28岁新帅清洗六百人执掌大权 Meta因过度追求多模态产品化而忽视推理能力研发，导致LLaMA 4遭遇滑铁卢，迫使扎克伯格通过极限集权并牺牲FAIR实验室的科学乌托邦来挽回开源劣势。 Meta的AI路线自2013年Yann LeCun加入组建FAIR实验室起便注入了开源基因，并在Llama 1到Llama 3时代凭借“开放权重”赢得了开源社区的极高赞誉。然而，随着管理层急于将AI转化为产品力，GenAI部门与FAIR实验室之间的天平开始失衡，导致在规划Llama 4时过度追求多模态而忽视了推理能力。当OpenAI o1和DeepSeek相继横空出世，Meta在极限Deadline的压力下临时抽调FAIR团队救火，最终导致Llama 4质量严重下滑、发布受挫。为了挽回败局，扎克伯格采取了极具争议的集权手段，空降Alexandr Wang组建拥有特权的TBD团队并重组为Meta Superintelligence Labs，标志着曾经乌托邦式的FAIR实验室最终向商业化低头。 Meta AI部门在2025年10月底经历大震荡，裁员600人且核心高管流失，折射出其开源路线背后的割裂与危机。 (0:00) FAIR实验室由Yann LeCun于2013年组建，其诞生之初便确立了不设限、公开发布和代码开源的乌托邦式科研基因。 (0:00) Meta内部存在FAIR（前沿研究）与GenAI（产品化落地）两个平行部门，两者之间的平衡是Llama成功的关键。 (0:00) Llama系列的“开源”本质上是“开放权重”（Open Weights），虽然不是完全开源，但极大地繁荣了开发者生态。 (4:59) Llama 3及3.1、3.2版本的发布是Meta开源路线的高光时刻，405B超大版本让开源社区看到了对抗闭源巨头的希望。 (4:59)

Reading summary

节目通过前Meta研究员与知情人士的访谈指出，Meta此前依赖的前沿科研与产品工程并行的“天平模式”在算力与竞争压力下失衡，导致LLaMA 4在研发方向误判与组织管理脱节中遭遇严重滑铁卢，进而引发扎克伯格对AI架构的激进化重组。 FAIR与GenAI的平行天平与算力困境 (0:00) 自2013年底Yan LeCun加入并创立FAIR以来，Meta便确立了代码开源与开放前沿探索的基因。为推动商业落地，Meta后来设立了与FAIR平行的GenAI部门，负责大模型工程化及与现有产品整合。这种“一边做长期前沿科研、一边做产品变现”的双轨制被形容为一种乌托邦式的平衡，其维持前提是Meta在技术和开源生态上持续领先。然而进入大模型时代后，算力成为核心制约，内部围绕GPU资源的竞争加剧，研究者之间的合作关系逐步承压。 从开源生态标杆到LLaMA 4的严重滑铁卢 (4:59) Meta的“开源”实质上属于开放权重（Open Weights），即公开参数文件允许外界部署和微调，但未公开核心训练数据与代码。从以小打大的LLaMA 1，到放宽商业许可的LLaMA 2，再到推出405B大参数并在云端生态全面铺开的LLaMA 3，Meta曾被开发者社区视为对抗闭源巨头的核心支柱。但2025年4月发布的LLaMA 4（Skull与Maverick版本）却引发社区冷遇，更因涉嫌为冲刺LM Arena排行榜进行特殊微调而陷入作弊与“挂羊头卖狗肉”的舆论质疑，高端的Behemoth版本也被迫推迟并疑似被放弃。 外行领导内行与战略误判的工程代价 (14:59) 从组织与技术战略来看，LLaMA 3之后高层过度倾斜于产品落地，导致中高层多由传统工程或CV/NLP背景人士主导，缺乏对AI Native的理解。在制定LLaMA 4规划时，高层押注多模态以适配硬件生态，完全忽视了推理（Reasoning）能力。当OpenAI o1与DeepSeek先后以思维链和低成本MoE架构冲击市场后，Meta内部被迫从FAIR抽调田渊栋等团队紧急救火。田渊栋等受访者指出，缺乏专业理解的管理层定死了上线Deadline，导致团队只能倒推工期，即便发现数据问题也无法推迟发布，最终造成模型质量全面崩塌。 集权架构空降与科研乌托邦的退场 (19:59) 为扭转溃局，扎克伯格收购Scale AI并将28岁的Alexandr Wang推上AI核心领导地位，成立由其统领的Meta Superintelligence Labs（MSL），同时裁员600人。新的架构中，Alexandr率领的特权小组TBD拥有极高权限，FAIR与GenAI均需向其汇报，致使Yan LeCun汇报线降级、Joelle Pineau离职。Alexandr Wang推行核心研究集中化、模型与产品闭环绑定、统一GPU基建三大变革，精简与工程脱节的高度抽象理论课题。节目认为，曾经象征纯粹科研理想的FAIR，在激烈的商业化洗牌中也步入了类似贝尔实验室、IBM Watson的衰落宿命。 Meta通过大刀阔斧的裁员与高度集权试图在短时间内扭转大模型竞争的颓势，但内部特权机制带来的政治摩擦以及基础研究与短期工程落地之间的根本矛盾，仍是其未来难以回避的治理挑战。

Source quotes

[0:00] 受访员工: 不能让不懂的人来做整个 leader 或者说让人来做那个 planning。 [9:59] Gavin: 当时的那个 narrative 就觉得 Meta 是大厂里唯一一个剩下 open source 的一个 model，而且还对整个 community 的生态很有贡献。 [9:59] Gavin: 不仅是在做一份工作，而是说我们真的就是在 support 整个 AI 的 frontier 的一个发展，然后就是你做的每一件事情都感觉非常的 meaningful。 [9:59] 马克·扎克伯格: 我们对 LLaMA 3 的目标是使开源与闭源模型具有竞争力，而我们对 LLaMA 4 的目标是领先。 [19:59] 田渊栋: 不能让不懂的人来做整个 leader 或者说让人来做 planning。

Original transcript

[0:00] 2025年10月底,Meta AI部门宣布裁员600个职位甚至核心部门的研究总监,掌管AI业务的高管纷纷离职,被边缘化就连图令奖阁主Yan Lecun也被认为此生难保但看到新闻的时候,我很震惊一方面的扎克伯格在用上亿美元的年薪去挖AI人才但同时又如此决绝的裁员,这样割裂的行为背后是因为什么于是我们采访了Meta的前费尔研究总监,AI科学家田园栋参与了LAMA3后训练的前META员工Gavin微谷资深HR专家以及一些秘密人士试图还原一下META的LAMA开源路线到底发生了什么为什么LAMA3还让众人惊艳而仅一年之后的LAMA4就如此拉垮中间发生了什么META的开源路线从一开始就注定是个错误吗AI大模型激烈对战的当下一个无通方式的AI研究实验室还能够存在吗不能让不懂的人来做整个leader或者说让人来做那个planning的他妈付planning的时候其实就会感觉到这个地方可能leadership的direction有一些变化有钱 有卡 有人 有数据这四个的话Facebook几乎什么都有他为什么现在做的不够好那我们就进入今天的视频来看看Meta的开源AI路线是如何碰壁的那首先呢我们要来说一下Meta对AI布局的整个公司架构2013年年底扎克伯格开始搭建Meta的AI团队当时谷歌收购了Jeffrey Hinton的DNN团队将Hinton招入会下同一时间Meta将Yan Loquen请来坐证AI的发展至此图领奖三巨头的两位开始步入商业科技来主导AI研发那么在Jack Berger邀请Yan Loquen加入Meta的时候后者是提过三个条件第一是不从纽约搬走第二不会辞去在纽约大学的工作第三必须开展开放的研究公开发布所做的所有工作并且将代码开源所以我们看到一开始Meta的路线就是开源的杨洛困进入Meta之后开始着手前沿的AI研发组建了Fundamental AI Research实验室也就是大名鼎鼎的Fair实验室主导人工技能的前沿研究Fair是负责前沿研究的就是说做一些现在目前看起来你没有特别大的能力用但是新的想法新的思路新的算法新的框架新的architecture所以这样的探索之后可能会有一些有些大的突破它也是这样的一个逻辑但是对于Meta来说最终还是要看到AI在自身产品上的进展于是和Fair组平行设置了一个组叫Generators AI简称Gen AI组这个组里面分别有不同的功能团队包括了Lama开源模型的研发将AI能力运用在产品上的Nata AI团队还有AI算力基建的数据中心团队其他的呢还有一些小部门比如说Search搜索Enterprise企业服务Video Jam纹身视频模型等等Gen AI和Fair呢是平行关系这像一个天平一边是前沿科研一边是产品化理想情况下前沿研究能够带来更好的产品力而产品赚钱了就能够让管理层有更大的动力去拨款给Fair做研发Fair提供一些很好的想法和工作然后像把工作会给那个比如说给让GNI去用然后让GNI去把它放进projection然后在下一代模型中使用出来很多人的初心嘛就是说想做一些不一样的东西嘛一种不同的方向一种不同的那个工作然后能不能真正的achieve AGI这个其实是这个比较大的问题所以Fair的目的是AGI但是GNAI它的目的是怎么把AI放在Meta现有的产品中然后让AI发挥效应主要一个是LAMALAMA是一个很大的model然后还有就是说怎么样让AI怎么样做一个比较好的就是把它用在一些具体的应用上但是让这样的天平始终保持平衡是一个很理想化的乌托邦状态而这个乌托邦状态的前提是Meta的AI模型水平一直是要保持最领先的或者说呢至少是要在开元赛到最领先而且不落后避免模型太多的你觉得在Fair最快乐的一段时光是什么时候我觉得Fair应该说从我入职之后到2022年都很快乐我觉得对我觉得这段时间应该是很开心的因为大约模型来之后呢大家开始就是整个生态或者说研究者之间的关系发生了一些变化对因为大运模型来之后算力成很重要的一个因素算力是有限的所以就会产生各种问题有点矛盾大家都要训练一个很大的模型如果是这样的话相互之间就开始有一些问题相互之间比如说我因为我卡 [4:59] 而Meta的AI天平是如何失衡的呢我们可以从LAMA的四代发布当中看到一些端倪和痕迹那顺便说一句之所以Meta给自家大语言模型取名为LAMA据说是因为考虑到Large Language Model的缩写LLM不太好发音所以就补上了原音字母那么LAMA念起来朗朗上口也便于记忆传播也正是这样大语言模型命名自此才和羊驼扯上了关系那我们先来看一下LAMA1这一位META的大模型开语言路线奠定了基础2023年2月24号META发布了LAMA模型主打更小参数更好效果发布了7B 13B 33B 65B的多规模版本强调当时的13B模型可以在多项基准上超过175B参数的GBT3而LAMA在官宣之后的一周权重在4chan上以种子形式被泄露是引发了AI社区对开源模型的广泛讨论甚至还引发国会参议员自信质询NATA虽然有不少质疑的声音但是业界对LAMA的意外泄露出人意料的支持而这也被视为是大模型开源的格局重塑并且很快催生出了诸多的民间微调项目我们在这里稍微解释一下大模型的开源的这个定义哈其实Meta也不是完全的开源Meta称之为开放权重OpenWeights那么这个Weights是什么东西呢在机器学习中有三个部分结构Architecture权重Weights和代码Code那么所谓权重就是模型学习到的所有参数数值模型训练完成之后所有的参数会存在几个巨大的二进制文件每个文件里面保存着每一层神经网络的矩阵数值而在推理的时候模型代码会加载这些权重文件用GPU进行矩阵运算生成文本所以开放权重就意味着向公众提供训练好的参数文件外界可以本地加载部署和微调但是还不是完全的开源因为真正的开源意味着公开训练数据代码和许可等等但是Meta并没有公开这些信息甚至之后的Lama二三四代都仅仅是开放权重只是在许可证的政策上有些许的松动那么结论就是虽然Lama属于半开源但是比起比如说OpenAI,Androbic和谷歌的完全避原只通过API接口来提供模型能力服务的这些公司来说Lama已经算是给开源社区带来了非常旺盛的生命力了2013年7月28号Meta联合微软发布了大模型LAMA 2包含7B、13B和70B参数的三种参数变体新一代模型的开源虽然也是开放权重但是对比LAMA 1的不可商用只能申请研究用途而言LAMA 2是一个免费可商用的版本更放宽了许可证的权限而Wired等杂志更是指出Lama 2让开放路线对抗封闭模型巨头成为现实而我们看到Lama 2很快在开发者社区是风鸣起来它的可得性显著放大了生态还有AI开发这将来是一个最好的模式没有开放AI的API没有人们的开放空间和购买的购买那些购买的购买有几个多元的购买这就是一个大差异的不同因为在这个购买的动作Meta和Microso explain to the clients that there's a few dollars of extra cost depending on the usage. And that's the big difference here. Because in this ballsy move by Meta and Microsoft, they really changed the game and forced a lot of other players to act more openly. Because they just set the standard for what a good model is supposed to look like and what the licensing around it is supposed to look like. Then we're back to Lama 3. This is the time of Lama series' most famous and famous. In the Lama 3, Meta has become the AI community of the world's main world. In 2024, 4 to 9, Meta has launched three different types of models. In 2024, 4 to 8, Meta released the two-day Lama 3, which is called the Lama 3. The Lama 2 is the Lama 2, and will be the meta AI leader of the one. In 2024, Meta released the Lama 3, the Lama 3, 70, 8, 3, and Lama 3.1, and also said that 405B is the world's most powerful and open-minded and also wrote the AWS Bedrock, IBM, WatsonX, and the internet. 2 months later, in 2024, Meta has released Lama 3.2, a small and small number of more time, a 1B and 3B of the new model with 11B and 90B of the more time. [9:59] 面向终端和边缘场景AWS等平台同步接触开源框架平台Olama一可本地运行我们采访到了Llama3团队的Gavin Wain他负责Llama3的后续人工作对我们表示当时整个Meta当中GEN AI团队真的是以光速前进真的有一种AI一天人间一年的感觉当时3.1 3.2确实是有很多很好的进展比如说是多模态Multi Model是在这个阶段里面发布的然后包括后面他们做Lightweight Model1B 3B的就是非常轻量化的模型我觉得在这个地方都是为了就是产品化生态做出了很多的Progress很多的SupportCommunity Support包括我有朋友在Lama Stack那个团队他们就是专门Support整个Lama的生态在就是企业级或者说小企业级的落地Lama 3的强势初级特别是450B版本被认为是在模型能力上对B缘阵营的逼近也被认为是将快速推动AI应用的落地而对于Meta内部员工来说特别是在Lama组的AI工程师们这是一件非常让他们值得骄傲的项目当时的那个narrative就觉得Meta是大厂里唯一一个剩下open source的一个model而且还对整个community的生态很有贡献当时我觉得很多人都会觉得就不仅仅是在做一份工作而是说我们真的就是在support整个AI的frontier的一个发展然后就是你做的每一件事情都感觉非常的minifull我当时其实是就是非常proud的感觉我出去跟别人说就是我是那个就是在座LamaLama 3团队他们是一些startup founder而他们都会说就是thank you so much for effort就感觉整个community尤其是AI startup community就是counting on LamaMeta乘者东风期望Lama 4的发布能够进一步扩大自身在AI开发社区的影响力保持顶尖大模型中唯一开源存在扎克伯格在2025年1月底的财报会之后发帖说我们对Lama 3的目标是使开源与B元模型具有竞争力而我们对LAMA4的目标是领先然而三个月之后的LAMA4发布却是一场彻底的灾难和花铁路2025年4月5号META推出LAMA4的两个版本Skull和Maverick宣称多魔态与长上下文能力大幅越近并在宣传中高调引用LM Arena排行榜上的领先成绩Maverick版本仅次于Gemini 2.5 Pro与XGBT4O和Groxen Pro并列第二然而很快开发者社区的反馈并不正面认为Lamas的效果不及于其市面上开始有留言质疑Meta在LM Arena上面冲到第二名的版本有作弊嫌疑怀疑LAMAS给LM Arena排名的是经过了优化的变体而这个变体是经过了对话强化的训练存在误导LM Arena导致过拧河的现象虽然META高层迅速否认了作弊但是影响是迅速的发酵一方面媒体纷纷将此视为用特调版本刷绑的UAR掉包Bait and Switch行业对机枕工程力和可复现性的讨论迅速的神温另一方面META更高端的Bahima版本推迟发布公关与节奏严重的收挫在我写稿的时候Bahima版本还没有发布的Meta应该释放期了接下来就是大家所知道的扎克伯格开始孤注一致的大手笔收购Scale AI把Alexander Vann挖来领导新的AI架构之后用上亿美元的支票开始挖成疯狂搅局硅谷AI人才市场再之后就是最近的新闻Alex开始重组整个Meta的AI架构裁掉600人但是大家来看看这个时间线是不是还是觉得很割烈那么在Lama3和Lama4的这一年当中发生了什么怎么Lama4一下子就不行了这是不是也太快了那我们通过复盘也许是找到了一些答案还记得我们在前面说的Meta内部的AI架构是一架天平吗那么Lama 4失败的原因很可能就是这架天平失衡了那我们再回到Meta的AI架构上Fair和GNI是并行的两个组Yan Lapun管Fair但是Yan Lapun很多时候都沉浸在自己的研发当中有时候还在网上跟人比如说马斯克对战还经常说不看好LLM路线让Mepa很是头疼了于是2023年2月Mepa高层就把Mepa AI的研究负责人Joel Pindol调到Fair担任Fair的全球负责人与Yen Lohun两个人一起领导Fair而Gen AI部门的负责人是阿玛Dell Dely这个哥们儿之前在苹果工作了快17年而扎克伯格把他挖过来的原因就是想把AI [14:59] 和Meta的各种产品结合起来包括元宇宙智能眼镜的AI整合以及聊天工具Meta.AI等等而就在经历了Lama2的成功公司开始研发Lama3的过程当中Meta高层是越来越强调要将AI用于自家产品的属性于是我们看到2024年1月份Meta的AI团队进行了一次重组Fair的两名负责人开始直接汇报给Meta的CPU首席产品官Chris Cox整个LAMA一到三算是一个时代就是说大家很疯狂的在卷那个scaling law当时整个industry里面就是说是基础模型的一个能力的提升就是大家在探索foundation modellarge language model本身的一个能力的边界但是Meta的leadership像ZAC还有CPU Chris Cox他们其实很早就意识到LLM的能力要能够落地就是真正为社会产生价值它肯定是从产品力上去出发的所以说当时Lama 2和Lama 3阶段整个Gen AI的focus是engineering and product也因此就是在top leadership层面VP Senior Director这个层面公司的中高层可以算是基本上是高层是由一些之前是更多的是产品背景和工程背景的人来领导在Lama 3成功推出Meta高层开始制定Lama 4的路线之际所有的注意力都放在了与产品结合上也就是多模态的能力因此忽视了对Resonning上的重视而就在LAMA3到LAMA4的这一年研发过程中2024年9月12号OpenAI推出了基于思维链的O1系列模型之后的2024年12月中国的DeepSeek开源模型横空出世用MO1混合专家架构在保证Resoning能力的情况下大幅度降低了模型成本你在就是被拉去救火LAMA4之前你手上在研究什么东西我们这边在做一些关于Resoning的研究主要是关于思维链关于思维链的形态和训练的方式其实我们在O1出来之前O1是去年9月份出来的我们出来之前其实我们就注意到非常长的思维链它会对整个模型的Skin落成的影响其实在菲尔祖当中天原洞等研究员已经在着手思维链的研究了但是这样对Rislin的前沿探索并没有及时的传达到Lama模型的工程上Lama for Planning的时候其实就会感觉到这个地方可能Leadership的direction有一些变化就是我认为overall他们还是想要supportMeta本身重点去推的一些产品就是Lama本身的生态那多莫泰肯定是其中的一个重点但是Deep Seek因为是一年一月份的时候横空出世他们的 reasoning capability非常的强那这个 reasoning的 capability是就当时也是讨论的其中一个方向但是因为Meta本身的生态他们prioritize了多莫泰没有重点去做那个 reasoning但是当那个Deep Seek出现了以后当时据说是有在讨论因为那个时候我实际上已经离开了离开了Lama的team就当时他们有在讨论说是不是要重新把这个resin的地方捡起来然后这个地方可能priority上有一些conflict然后时间也非常的有限就导致大家加班加点的做了很多的尝试非常的忙我觉得就是deep seek的出现肯定是造成了就是公司里面资源还有priority上面的一些管理上的混乱吧还有一点就是我觉得就是LAMA1到3的话整个模型的架构和组织的架构就是它其实延续了一开始的一个设计但是LAMA4的话因为LAMA3的成功本身就大家希望把它能够更进一步能够做一些更大的工程那这个时候可能出现了一些我的观察就是公司比较高层的像VP啊Sinear Director这个层面就是他们很多人是是infra背景比较传统的或者说他们可能有一些比较传统的computer vision可能natural language processing的背景都比较少就是他们technical wise对于AInative或者说是large language model这些东西就没有一个深度的理解和认识然后其实真正就是懂行的可能是下面具体做事的一些一些PhD尤其是我们非常骄傲的就是华人的PhD其实都是technically very solid但是他们获得的话语权或者说在公司内部的资源没有那么多所以说可能 somehow就造成了一种外行管理内行的一些局面出现因为OpenAI的O1系列和DeepSeek的出现让Meta在2025年年初是乱了阵脚于是高层临时 [19:59] 菲尔的研究团队去支援拉玛斯的研发或者可以说是去救火而这个救火团队就是由天元洞带队的我觉得现在一个很大的教训就是说做这样的project这种project其实是不能让不懂的人来做整个leader或者说让人来做planning对就是说如果有些人会出了问题的话应该是大家说OK我们不能在这个时候release我们再往后拖就是应该是采用一种就是我拖到什么时候能够walk才release这样的一个阶段对而不能说把这个那个dayline先定好dayline先定好的话其实有很多事情是做不好的对我觉得其实我们就我们组里面当时很多人非常累对吧比如说像我是在加州因为我有几个reports在东部市区然后他们晚上上了给我打电话对吧然后他们那边已经三个钟了还在干活所以非常的辛苦对所以这样的话呢我觉得这个是一个很大的就是为什么他们那么辛苦呢是因为deadline要很紧比如说我们要在某一天我们要deadline我们release那么就会就一般是你做项目管理的话你就从后面开始往前那个backproprogate对吧然后看啊两月底或者三月初一定要做什么事情三月底要做什么事情但如果你在做这些事情的时候你发现这个模型这方面不行或者说数据有什么问题在这种情况下其实我觉得就有一个很大的一个一个问题就是你怎么样能够让大家我已经问你这句话停下来就比如说我说这个数据有问题不行我这个数据不能用我们得换个数据那么这样的话就多出事了就是我们得把这个事情往后延一个星期就两个星期这样子对但这个事情能不能做到是一个很大的问题对吧那如果在很强的打断压力之下最后结果就是这事情做不了或者说大家没有办法去就是push back那这样的话最后的质量就会变得很差这个就是一个比较大的问题对为什么Meta会有那么强的压力在Dealline上面呢因为就是开心模型它其实它也一定是那么弯了但是of courseDeepSick在年车的时候出来大家都没有意料得到但是就是为什么它有那么强的Dealline说我一定要在这个时候把这个东西推出来呢应该说有个上面L离的时候不得来嘛对吧对但这个我就不方便说了吧就是应该说这个可能你要去问一下相关的人是懂都懂那我们在这里基本上就能够有一些答案了从LAMA3开始将AI产品化这样的路线呢就已定制定那么整个模型注重多模态和应用忙于整合应用和业务但是却忽略了Resonings和更加前沿的技术研发那这是让天平另一面的菲尔团队不得不跨组来揪火那就这样天平是狠了但实际情况其实是因为前沿模型的这个竞争太激烈了所以基本上很难真的是比如说用就是菲尔这边的一些文章其实有些文章是被用到但是呢就是说我们在这个交流的过程中其实还是会存在一些问题我当时就是在菲尔的时候我觉得我有时候聘这家人他们都不理我什么情况但是等到我去Genial AI之后我会觉得确实我也没办理为什么因为太忙了因为你想你比如说应该这么说吧比如说我半小时不看手机可能就有20秒消息三秒消息在那里然后你要去看对所以有很多的这样的一个有很多的人要找有很多的事情要情要决定啊,这样子,对。所以这个我也能理解了,就是Zenia这样的一个环境下很难去有比较长期的一个thinking process。而扎克伯格是如何修复这个适合的天平呢?他直接空降了一个特种部队,由Alex Wang带队的TBD团队。我们再回到Meta的AI业务架构上如今再一次重组之后高层也是经历了一系列的动荡Alex Wann带领几十位高薪聘请来的顶级研究员单独成立了这个在Meta内部拥有无限特权和优先级别的特别小组TBD那TBD, Thayer和GenAI一起组成了Meta Superintelligence LabsMSL部门直接汇报给Alex而Alex直接汇报给扎克伯格那这也就意味着Fair的盐老困如今也要汇报给Alex而Joel Pino此前被要求要汇报给JNAI组的负责人Ahmad那我们看到Joel已经在今年5月离职去了Cohere做首席AI官而Ahmad也说实话很久没有什么声音了也没有被任命负责如今任何重要的项目而CPU Chris Cox也被Alex抢了 [24:59] 排除在AI团队的直接领导者之外所以现在的架构就是28岁的Alex一人独大的局面反正我已经听到Meta内部各种对Alex和他领导的这只极度有特权小组的不满了包括TPD团队里面的人可以三年不用做绩效考评了可以不回不领任何VP的信息了Meta AI里面的所有paper都要给TPD里面的人去审核才能够发表了要知道TPD里面的不少人还比较年轻这是让很多资认的研究员是非常的不满反正就是各种内部政治头症感觉又要起来一波但是不可否认的是这个特权的等号后面是成绩那么这个成绩对于扎克伯格来说不仅仅是要make llama great again而是meta has to win那么在这场AI竞赛当中目前的这场重组也许对于扎克伯格来说是最后的一次也是最重要的机会而Alex在团队内部邮件中就写到它将做出的三个改变第一集中TPT和Fair团队的核心基础研究力量第二提升产品和应用研发的融合并且继续以产品为模型聚焦点第三成立一个核心基建团队来支持研究压注你看第一条就是把这个基础研究TPD Lab和Fair更centralize就让它两个更紧密的去结合所以这回材教的一些研究人员呢邮件上也说他们的可能项目没有那么多high impact就你在做一些前沿的研究但和我们现在没有关系因为很多前沿就是高度抽象是从数学的角度从很多理论的角度它其实和工程离得比较远所以你看第一条就是centralize然后第二个就是把产品和模型更紧密的结合就是和Alex王一起进来的人有一个就是GateHub的原来CEO他们两个等于Facebook和加克伯同时引进了两个高端人才一个是Alex王管模型的我统一来说来管模型的一个就是那个叫Nade是原来GateHub CEO它是偏产品因为产品才能给这个模型更好的反馈在用的过程中进行飞轮效应第三条你看establish a unified core infrastructure team就把这个管这个卡数据中心这个团队更集中化过去很可能是很散的好几个领导都在是吧你要卡你来申请现在这个卡这个事也是也是unifyGPU统一来管理所以这个邮件写的还是挺清楚的而Alex能否撑得起扎克伯格的压助呢也许很快我们就会有答案那总结一下Meta在Lama的前三代都还是领先的开源模型引领着开元派去对抗OpenAI和Google Gemini这样的B元派然而在Lama3大获成功之后公司高层急于将AI结合产品化在规划路线的时候用产品驱动研发的思维将Lama4的升级聚焦在多模态等工程性能上但却错失了思维链COT等Visorning上的前沿技术时间优势虽然当时田园洞的Fair的AI科学家们已经在研究COT了等DeepSafe引发互动之后又将Fair的田园洞团队临时救火去优化拉瓦斯上面的MOE架构反而又中断了COT和Resening上面的研发导致AI前沿技术研究和产品工程这家天品彻底的失衡在采访过程中我脑中不止一次闪现过历史上那些闪耀一时的前沿实验室贝尔实验室IBM Watson ResearchHP实验室等等但基本上都因为无法平衡前沿科研和商业化而日益衰落十多年历史的菲尔曾经是一群理想化AI科学家的乌托邦之地而如今又成了另一个商业化的牺牲品那我们与田园栋的采访其实还有更多精彩的部分我们放在了下一个视频以对话的形式上线他跟我聊了很多与Meta无关但是与一个资深AI研究员的信仰兴趣以及对AI发展的前沿思考有关的内容我觉得很有价值也希望能够对大家来说有所收获所以大家不要忘记订阅我们的频道不要错过更新哦我是硅谷101的联合创始人陈建你的留言点赞和转发是支持我们做好深度科技和商业内容的最佳动力那我们就下期视频再见了Bye