文 | 硅谷101

2025年10月底，Meta AI部門宣布裁員600個職位，甚至核心部門的研究總監(jiān)，同時掌管AI業(yè)務(wù)的高管紛紛離職、被邊緣化，就連圖靈獎得主Yann LeCun也被認為自身難保。

圖片來源：CNBC

一方面扎克伯格在用上億美元的年薪挖AI人才，但同時又如此決絕的裁員，這樣割裂的行為背后是因為什么？

于是我們采訪了Meta的前FAIR研究總監(jiān)AI科學家田淵棟、參與了Llama 3后訓練的前Meta員工Gavin Wang、硅谷資深HR專家以及一些匿名人士，試圖還原一下Meta的Llama開源路線到底發(fā)生了什么：

為什么Llama 3還讓眾人驚艷，而僅一年之后的Llama 4就如此拉胯？中間發(fā)生了什么？Meta的開源路線從一開始就注定是個錯誤嗎？AI大模型激烈對戰(zhàn)的當下，一個烏托邦式的AI研究實驗室還能夠存在嗎？

01 FAIR與GenAI的誕生：Meta的AI十年布局與架構(gòu)搭建

首先來看看Meta對AI布局的整個公司架構(gòu)。

2013年年底，扎克伯格開始搭建Meta的AI團隊。當時，谷歌收購了Geoffrey Hinton的DNN團隊，將Hinton招入麾下，同一時間，Meta將Yann Lecun請來坐鎮(zhèn)AI的發(fā)展。至此，圖靈獎三巨頭的兩位開始步入商業(yè)科技來主導(dǎo)AI研發(fā)。

在扎克伯格邀請Yann LeCun加入Meta的時候，后者提過三個條件：

1.不從紐約搬走；

2.不會辭去在紐約大學的工作；

3.必須開展開放的研究，公開發(fā)布所做的所有工作，并將代碼開源。

所以，一開始Meta的路線就是開源的。Yann LeCun進入Meta之后，開始著手前沿的AI研發(fā)，組建了Fundamental AI Research實驗室，也就是大名鼎鼎的FAIR實驗室，主導(dǎo)人工智能的前沿研究。

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： FAIR是負責前沿研究的，就是做一些現(xiàn)在目前看起來沒有特別大的應(yīng)用，但是新的想法、新的思路、新的算法、新的框架、新的模型架構(gòu)。這樣的探索之后可能會有一些大的突破，大概是這樣的一個邏輯。

但是對于Meta來說，最終還是要看到AI在自身產(chǎn)品上的進展。于是和FAIR組平行設(shè)置了一個組叫“Generative AI”，簡稱“GenAI”組。

這個組里面分別有不同的功能團隊，包括了Llama開源模型的研發(fā)，將AI能力運用到產(chǎn)品上的Meta AI團隊，還有AI算力基建的數(shù)據(jù)中心團隊，其它的還有一些小部門，比如說Search（搜索），Enterprise（企業(yè)服務(wù)），Video-gen（文生視頻）模型等等。

GenAI和FAIR是平行關(guān)系，這像是一個天平，一邊是前沿科研，一邊是產(chǎn)品化。理想情況下，前沿研究能帶來更好的產(chǎn)品力，而產(chǎn)品賺錢了能讓管理層有更大的動力撥款給FAIR去做研發(fā)。

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 比如FAIR會提供一些很好的想法和工作給GenAI去用，讓GenAI把這些想法和工作放進生產(chǎn)，然后在下一代模型中使用出來。 很多人的初心就是說想做一些不一樣的東西，或者是與眾不同的方向、工作。能不能真正地實現(xiàn)AGI（通用人工智能）？這其實是個比較大的問題。

陳茜 硅谷101聯(lián)合創(chuàng)始人： 所以FAIR的目的是AGI，但是GenAI它的目的是怎么把AI放在Meta現(xiàn)有的產(chǎn)品中，讓AI發(fā)生效應(yīng)。

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 對，應(yīng)該說主要一方面是Llama，Llama是一個很大的模型。還有就是怎么樣把AI比較好地用在一些具體的應(yīng)用上。

但是，讓這樣的天平始終保持平衡，是一個很理想化的烏托邦狀態(tài)。而這個烏托邦狀態(tài)的前提是，Meta的AI模型水平一直是要保持最領(lǐng)先的，或者說，至少是在開源賽道最領(lǐng)先，且不落后閉源模型太多的。

圖片來源：Meta AI

陳茜 硅谷101聯(lián)合創(chuàng)始人: 你覺得在FAIR最快樂的一段時光是什么時候？

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 我覺得從我入職FAIR之后一直到2022年，這段時間是很開心的。因為大語言模型來了之后，整個生態(tài)或者說研究者之間的關(guān)系發(fā)生了一些變化。因為大語言模型來了之后，算力成了很重要的一個因素。 因為算力是有限的，所以就會產(chǎn)生各種問題、各種矛盾。大家都要訓練一個很大的模型，如果是這樣的話，相互之間就開始有一些問題，比如說如果我卡多了，你卡就少了。因為卡不多就沒辦法訓練出很好的模型，所以在2023年之后這段時間之內(nèi)，狀態(tài)肯定不會像以前那么好。

而Meta的AI天平是如何失衡的呢？我們可以從Llama的四代發(fā)布中，看到一些端倪和痕跡。

02 “開源之光”：Llama的昔日驕傲與滑鐵盧？

之所以Meta給自家大語言模型取名“Llama”，據(jù)說是因為考慮到Large Language Model的縮寫“LLM”不太好發(fā)音，所以就補上了元音字母。“Llama”朗朗上口也便于記憶傳播。也正是這樣，大語言模型命名自此才和“羊駝”扯上了關(guān)系。

Chapter 2.1 Llama 1：開源的“種子”

我們先來看看Llama 1，這也為Meta的大模型“開源”路線奠定了基礎(chǔ)。

2023年2月24日，Meta發(fā)布Llama模型，主打“更小參數(shù)更好效果”（多規(guī)模：7B/13B/33B/65B），強調(diào)當時的13B模型可以在多項基準上超過175B參數(shù)的GPT-3。

而Llama在官宣之后的一周，權(quán)重在4chan上以種子形式被“泄露”，引發(fā)了AI社區(qū)對開源模型的廣泛討論，甚至還引發(fā)國會參議員致信質(zhì)詢Meta。

雖然有不少質(zhì)疑的聲音，但業(yè)界對Llama的“意外泄露”出人意料的支持，而這也被視為“大模型開源”的格局重塑，并且很快催生出了諸多的民間微調(diào)項目。

我們在這里稍微解釋一下大模型的“開源”定義。其實Meta也不是完全的開源。Meta稱之為“開放權(quán)重”（Open weights）。

在機器學習中，有三個部分：結(jié)構(gòu)（architecture），權(quán)重（weights）和代碼（code）。所謂“權(quán)重”，就是模型學習到的所有參數(shù)數(shù)值。模型訓練完成后，所有參數(shù)會存成幾個巨大的二進制文件。每個文件里保存著每一層神經(jīng)網(wǎng)絡(luò)的矩陣數(shù)值。而在推理時，模型代碼會加載這些權(quán)重文件，用GPU進行矩陣運算生成文本。

所以“開放權(quán)重”就意味著向公眾提供訓練好的參數(shù)文件，外界可以本地加載、部署和微調(diào)，但還不是完全的“開源”，因為真正的開源意味著公開訓練數(shù)據(jù)、代碼和許可等等。但Meta并沒有公開這些信息，甚至之后的Llama2、3、4代都僅僅是開放權(quán)重，只是在許可證的政策上有些松動。

雖然Llama屬于“半開源”，但比起OpenAI，Anthropic和谷歌完全閉源、只通過API接口來提供模型能力服務(wù)的公司來說，已經(jīng)算給開源社區(qū)帶來非常旺盛的生命力了。

Chapter 2.2 Llama 2: 開放“可商用”

2023年7月28日，Meta聯(lián)合微軟發(fā)布了大模型Llama 2，包含7B、13B和70B參數(shù)的三種參數(shù)變體。

新一代模型的“開源”雖然也是“開放權(quán)重”，但對比Llama 1的不可商用、只能申請研究用途而言，Llama 2是一個免費可商用的版本，更放寬了許可證的權(quán)限，而Wired等雜志更是指出，Llama 2 讓“開放路線”對抗封閉模型巨頭成為現(xiàn)實。

而我們看到，Llama 2很快在開發(fā)者社區(qū)風靡起來，它的可得性顯著放大了生態(tài)和AI開發(fā)。

之后，就到了2024年的Llama 3，這也是Llama系列最為輝煌的時刻。

Chapter 2.3 Llama 3系列: 逼近閉源陣營

步入Llama3的時代，Meta已經(jīng)成為AI開源社區(qū)的頂流存在。2024年的4月到9月，Meta連發(fā)三個版本的模型迭代。

2024年4月18日，Meta發(fā)布8B、70B兩個規(guī)格的Llama 3版本，稱同等規(guī)模“顯著超越Llama 2”，并將其作為Meta AI助手的底座之一。

之后的7月23日，Meta推出405B、70B、8B三檔Llama 3.1模型，并宣稱405B是“全球最強的開放可得基礎(chǔ)模型”之一；同時登陸AWS Bedrock、IBM watsonx等平臺。

僅兩個月之后的2024年9月25日，Meta推出Llama 3.2，主打小而全的多模態(tài)，新增1B與3B輕量文本模型與1B與90B的視覺多模態(tài)模型，面向終端/邊緣場景；AWS等平臺同步接入，開源框架平臺OLlama亦可本地運行。

我們采訪到了Llama 3團隊的Gavin Wang，他負責Llama 3的后訓練工作，對我們表示當時整個Meta，GenAI團隊是在以“光速”前進，真的有種“AI一天，人間一年”的感覺。

Gavin Wang 前Meta AI工程師，從事Llama 3后訓練： 當時Llama3.1/3.2確實是有很多很好的進展，比如多模態(tài)是在這個階段里面發(fā)布的，包括后面他們做Lightweight model（輕量化模型）1B/3B的。我覺得這時候產(chǎn)品化生態(tài)取得了很大進展，很多的社群都有支持，包括我有朋友在Llama Stack團隊，他們就是專門支持整個Llama的生態(tài)在企業(yè)級或者說小企業(yè)級的落地。

Llama 3的強勢出擊，特別是450B版本被認為是在模型能力上對閉源陣營的逼近，也被認為將快速推動AI應(yīng)用的落地。而對于Meta內(nèi)部員工來說，特別是在Llama組的AI工程師們，這是一件非常讓他們值得驕傲的項目。

Gavin Wang 前Meta AI工程師，從事Llama 3后訓練： 當時的敘事是說，Meta是大廠里面唯一一個剩下開源的模型，而且還對整個開源生態(tài)很有貢獻。當時我覺得很多人都會覺得，這不僅僅是在做一份工作，而是我們真的就是在支持整個AI的前沿的發(fā)展，你做的每一件事情都感覺非常有意義，我當時是非常自豪的感覺。我出去跟別人說，我是在做Llama 3的團隊，一些創(chuàng)業(yè)公司的創(chuàng)始人他們都會說：非常感謝你的努力。感覺整個技術(shù)圈，尤其是AI創(chuàng)業(yè)圈，都在指望Llama。

Meta乘著東風，期望Llama 4的發(fā)布，能進一步的擴大自身在AI開發(fā)社區(qū)的影響力，保持“頂尖大模型中的唯一開源存在”。

扎克伯格在2025年1月底財報會議后發(fā)帖說，“我們對Llama 3的目標是使開源與封閉模型具有競爭力，而我們對Llama 4的目標是領(lǐng)先?！?/p>

然而，三個月之后的Llama 4發(fā)布，卻是一場徹底的災(zāi)難和滑鐵盧。

Chapter 2.4 Llama 4: 滑鐵盧

2025年4月5日，Meta推出Llama 4的兩個版本（Scout與Maverick），宣稱多模態(tài)與長上下文能力大幅躍進，并在宣傳中高調(diào)引用LMArena排行榜上的領(lǐng)先成績：Maverick版本僅次于Gemini 2.5 Pro，與ChatGPT 4o和Grok 3 Pro并列第二。

然而很快，開發(fā)者社區(qū)的反饋并不正面，認為Llama 4的效果不及預(yù)期。市面上開始有流言質(zhì)疑Meta在LMArena上沖到第二名的版本有作弊嫌疑，懷疑Llama 4給LMArena排名的是經(jīng)過了優(yōu)化的變體，而這個變體經(jīng)過了對話強化的訓練，存在誤導(dǎo)LMArena、導(dǎo)致過擬合的現(xiàn)象。

雖然Meta高層迅速否認了作弊，但影響迅速發(fā)酵，一方面，媒體紛紛將此視為“用特調(diào)版本刷榜”的“誘餌換包”（bait-and-switch），行業(yè)對基準公信力與可復(fù)現(xiàn)性的討論升溫；另一方面，Meta更高端的Behemoth版本推遲發(fā)布，公關(guān)與節(jié)奏嚴重受挫。

截至目前，Behemoth還沒有發(fā)布，Meta應(yīng)該是放棄了。

接下來就是大家所知道的，扎克伯格開始孤注一擲的大手筆收購Scale AI，把Alexander Wang挖過來領(lǐng)導(dǎo)新的AI架構(gòu)，之后用上億美元的支票開始挖人，瘋狂攪局硅谷AI人才市場。

再之后就是最近的新聞，Alex開始重組整個Meta的AI架構(gòu)，裁掉600人。

但大家看看這個時間線，是不是還是覺得很割裂，在Llama 3和Llama 4的這一年中，發(fā)生了什么？怎么Llama 4一下子就不行了？這是不是也太快了。

我們通過復(fù)盤，也許找到了一些答案。還記得我們在前文提到，Meta內(nèi)部的AI架構(gòu)是一架天平嗎？Llama 4失敗的原因就是：這架天平失衡了。

03 失衡天平：前沿研究與商業(yè)化的路線之爭

在Meta的AI架構(gòu)中，F(xiàn)AIR和GenAI是并行的兩個組，Yann Lecun管FAIR，但Yann LeCun很多時候沉浸在自己的研發(fā)中，有時候還在網(wǎng)上跟人，比如說馬斯克對戰(zhàn)，還經(jīng)常說不看好LLM路線，讓Meta很頭疼。

于是，2023年2月，Meta高層把Meta AI的研究負責人Joelle Pineau調(diào)到FAIR，擔任FAIR的全球負責人，與Yann LeCun兩人一起領(lǐng)導(dǎo)FAIR。

圖片來源：Bussiness Insider

而GenAI的負責人是Ahmad Al-Dahle，這個哥們兒之前在蘋果工作了快17年，而扎克伯格把他挖過來的原因，就是想把AI和Meta的各種產(chǎn)品結(jié)合起來，包括元宇宙，智能眼鏡的AI整合，以及聊天工具meta.ai等等。

而就在經(jīng)歷了Llama 2的成功，公司開始研發(fā)Llama 3的過程中，Meta高層越來越強調(diào)“要將AI用于自家產(chǎn)品”的屬性。

于是我們看到，2024年1月，Meta的AI團隊進行了一次重組，F(xiàn)AIR的兩名負責人開始直接匯報給Meta的CPO（首席產(chǎn)品官）Chris Cox。

Gavin Wang 前Meta AI工程師，從事Llama 3后訓練： 整個Llama 1 ~ 3算是一個時代，大家很瘋狂地在卷scaling law（縮放法則），當時整個行業(yè)里都在追隨基礎(chǔ)模型的能力的提升。大家在探索基礎(chǔ)模型、大語言模型本身的能力的邊界。但是Meta的領(lǐng)導(dǎo)層， 像扎克伯格和CPO Chris Cox，他們其實很早就意識到大語言模型的能力能夠落地，能真正為社會產(chǎn)生價值，他們肯定是從產(chǎn)品力上去出發(fā)的。

所以說當時Llama 2和Llama 3的階段，整個GenAI的核心目標是讓研究成果真正產(chǎn)品化、工程化。也因此就是在最高管理層層面，包括副總裁、高級總監(jiān)的高層，是由一些之前更多的是產(chǎn)品背景和工程背景的人來領(lǐng)導(dǎo)的。

在Llama 3成功推出，Meta高層開始制定Llama 4的路線之際，所有的注意力都放在了與產(chǎn)品結(jié)合上，也就是多模態(tài)能力，因此忽視了對模型推理能力上的重視。

而就在Llama 3到Llama 4的這一年研發(fā)過程中，2024年9月12日，OpenAI推出了基于思維鏈的o1系列模型，之后的2024年12月，中國的deepseek開源模型橫空出世，用MOE混合專家架構(gòu)在保證推理能力的情況下大幅度降低了模型成本。

陳茜 硅谷101聯(lián)合創(chuàng)始人： 你在被拉去救火Llama 4之前，手上在研究什么？

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 我們這邊在做一些關(guān)于推理的一些研究。主要是關(guān)于思維鏈，包括思維鏈的形態(tài)和訓練的方式做了一些研究。o1是去年9月份出來的，其實我們在o1出來之前，就注意到非常長的思維鏈會對整個模型的scaling law（縮放法則）產(chǎn)生影響。

圖片來源：arxiv

其實FAIR組中，田淵棟等研究員已經(jīng)在著手思維鏈的研究，但這樣對推理能力的前沿探索并沒有及時傳達到Llama模型的工程上。

Gavin Wang 前Meta AI工程師，從事Llama 3后訓練： Llama 4規(guī)劃的時候，就會感覺到這個地方可能領(lǐng)導(dǎo)層的方向有一些變化。我認為總體來說他們還是想要支持Meta本身重點去推的一些產(chǎn)品，就是Llama本身的生態(tài)，多模態(tài)肯定是其中的一個重點。但是DeepSeek在1月份的時候橫空出世，它們的推理能力非常的強。

推理能力在當時也是討論的其中一個方向，但是因為Meta本身的生態(tài)，它們更看重多模態(tài)，沒有重點去做推理。但是當DeepSeek出現(xiàn)了以后，那時我實際上已經(jīng)離開了Llama的團隊，不過據(jù)說當時他們有在討論說是不是要重新把推理的地方撿起來，但這個地方可能優(yōu)先級上有一些沖突，加上時間也非常的有限，就導(dǎo)致大家加班加點地做了很多的嘗試，非常得忙。我覺得DeepSeek的出現(xiàn)肯定是造成了公司里面資源還有優(yōu)先級管理上的一些混亂。

還有一點，我覺得Llama 1～3整個模型的架構(gòu)和組織的架構(gòu)，是延續(xù)了一開始的設(shè)計。但是因為Llama 3的成功，大家就希望Llama 4能夠更進一步，能夠做一些更大的工程。那這個時候可能出現(xiàn)了一些問題，我的觀察就是公司比較高層的，像副總裁、資深總監(jiān)這個層面，他們很多人是比較傳統(tǒng)的基礎(chǔ)架構(gòu)、計算機視覺背景，可能自然語言處理背景的都比較少。

所以可能他們技術(shù)層面對于AI原生技術(shù)或者是大語言模型這些東西就沒有一個深度的理解和認識。真正懂行的，可能是下面具體做事的一些博士，尤其是我們非常驕傲的是，華人的博士都是技術(shù)非常扎實的。但是他們獲得的話語權(quán)，或者說在公司內(nèi)部的資源沒有那么多。所以說可能不知什么緣故就造成一種外行管理內(nèi)行的一些局面出現(xiàn)。

圖片來源：DeepSeek

因為OpenAI的o1系列和DeepSeek的出現(xiàn)，讓Meta在2025年年初亂了陣腳。于是，高層臨時讓FAIR的研究團隊去支援Llama 4的研發(fā)，或者可以直接說是去“救火”，而這個“救火團隊”就是田淵棟帶隊的。

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 我覺得現(xiàn)在很大的一個教訓就是，做這樣的項目不能讓不懂的人來做整個的領(lǐng)導(dǎo)者或者做整個的規(guī)劃。如果有些東西出了問題的話，應(yīng)該是大家說：ok，我們不能在這個時候發(fā)布，我們再往后拖。應(yīng)該是采用一種，我拖到什么時候結(jié)束能夠正常運作才發(fā)布的階段。而不能說把deadline先定好，不然的話有很多事情是做不好的。

我覺得我們組里面當時很多人非常累，比如說像我是在加州，因為我有幾個團隊成員在東部時區(qū)，他們晚上12點給我打電話，他們那邊已經(jīng)3點鐘了，還在干活，所以非常的辛苦。為什么他們那么辛苦呢？是因為deadline壓得很緊。比如說我們的deadline就是要計劃在某一天要發(fā)布，項目管理就需要從后往前倒退，然后看2月底或者3月初一定要做什么事情、3月底要做什么事情。

但如果你在做這些事情的時候，你發(fā)現(xiàn)這個模型這方面不行，或者說數(shù)據(jù)有什么問題，在這種情況下，我覺得有一個很大的問題就是，你怎么樣能夠讓大家因為你這句話停下來。就比如說，我說這個數(shù)據(jù)有問題，不行，我這個數(shù)據(jù)不能用，我們得換一個數(shù)據(jù)。那這樣的話就多出事了，我們得把整個事情往后延一個星期、兩個星期。但這個事情能不能做到是一個很大的問題。如果在很強的deadline壓力之下，最后結(jié)果就是這事情做不了，或者說大家沒有辦法去提出異議，那這樣的話最后的質(zhì)量就會變得很差。這是一個比較大的問題。

陳茜 硅谷101聯(lián)合創(chuàng)始人： 為什么Meta會有那么強的壓力在deadline上面呢？因為開源模型，其實它已經(jīng)是第一了。當然，DeepSeek在年初的時候出來，大家都沒有意料的到。但是為什么它有那么強的deadline說我一定要在這個時候把這個東西推出來？

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 應(yīng)該說有個上面高層定下的deadline，但這個我就不方便說了，可能能你要去問一下相關(guān)的人，懂的都懂。

圖片來源：Meta

我們在這里基本上能有一些答案了，從Llama 3開始，“將AI產(chǎn)品化”這樣的路線就已經(jīng)制定，整個模型注重多模態(tài)和應(yīng)用、忙于整合應(yīng)用和業(yè)務(wù)，但卻忽略了推理和更前沿的技術(shù)研發(fā)。這讓天平另一邊的FAIR團隊不得不跨組來“救火”，就這樣，天平失衡了。

田淵棟 前Meta基礎(chǔ)AI研究（FAIR）團隊研究總監(jiān)： 但實際情況其實是因為前沿模型的競爭太激烈了，所以基本上很難真的去用FAIR這邊的一些文章。雖然有些文章是被用到了，但是我們在交流的過程中還是會存在一些問題。我當時就是在FAIR的時候，我有時候Ping（發(fā)信息給）GenAI的人，他們都不理我，這是什么情況？但是真的我去了GenAI之后我會覺得，確實我也沒法理他們（FAIR研究員們）。

因為太忙了，比如說我半小時不看手機，可能就有20條、30條的消息要去看，有很多的人要找，有很多的事情要決定。所以我也能理解了，在GenAI這樣的環(huán)境下，很難有比較長期的思考過程。

而扎克伯格是如何修復(fù)這個失衡的天平呢？他直接空降了一個特種部隊：由Alex Wang帶隊的TBD團隊。

04 空降“新王”：28歲Alex Wang獲“無限特權(quán)”

Meta的AI業(yè)務(wù)架構(gòu)如今再一次重組之后，高層也經(jīng)歷了一系列的動蕩。

Alex Wang帶領(lǐng)幾十位高薪聘請來的頂級研究員，單獨成立了這個在Meta內(nèi)部擁有無限特權(quán)和優(yōu)先級別的特別小組TBD。TBD，F(xiàn)AIR和GenAI一起組成Meta Superintelligence Labs（MSL部門），直接匯報給Alex，而Alex直接匯報給扎克伯格。

這也意味著，F(xiàn)AIR的Yann LeCun如今也匯報給Alex，而Joelle Pineau此前被要求匯報給GenAI組的負責人Ahmad。

我們看到，Joelle已經(jīng)在今年5月離職，去了Cohere做首席AI官；而Ahmad說實話已經(jīng)很久沒有什么聲音了，也沒有被任命負責任何重要的項目；而CPO Chris Cox也被Alex搶了風頭，排除在了AI團隊的直接領(lǐng)導(dǎo)者之外。

所以現(xiàn)在的架構(gòu)就是，28歲的Alex一人獨大的局面。

我們聽到過Meta內(nèi)部各種對Alex和他領(lǐng)導(dǎo)的這支極度有特權(quán)小組的不滿，包括TBD團隊里的人可以三年不用做績效考評、可以不理不回其它任何VP的信息、Meta AI的所有paper都要給TBD里面的人去審核才能給發(fā)表。

要知道，TBD里面不少人比較年輕，這是讓很多資深的研究員非常不滿， 反正就是各種內(nèi)部政治斗爭感覺又要起來一波。

但不可否認的是，特權(quán)的等號后面是成績。這個成績對于扎克伯格來說，不僅僅是Make Llama Great Again（讓Meta再次偉大），而是“Meta has to win”（Meta必須贏）。

在這場AI競賽中，目前的這場重組，也許對于扎克伯格來說是最后的一次，也是最重要的機會。而Alex在團隊內(nèi)部郵件中就寫到他將做出的三個改變：

1.集中TBD和FAIR團隊的核心基礎(chǔ)研究力量；

2.提升產(chǎn)品和應(yīng)用研發(fā)的融合、且繼續(xù)以產(chǎn)品為模型聚焦點；

3.成立一個核心基建團隊來支持研究押注。

Tom Zhang 硅谷資深人才專家： 第一條就是把基礎(chǔ)研究、TBD Lab和FAIR更集中化，就讓它兩個更緊密的去結(jié)合。所以這回裁掉的一些研究人員，郵件上也說，可能他們的項目沒有那么高的影響力。你再做一些前沿的研究，但和我們現(xiàn)在沒有關(guān)系，因為很多前沿研究是高度抽象的，是從數(shù)學的角度，從很多理論的角度，它其實和工程的離得比較遠。

第二個就是把產(chǎn)品和模型更緊密地結(jié)合，和Alex Wang一起進來的人，有一個就是GitHub的原來CEO。等于扎克伯格同時引進了兩個高端人才，一個是Alex Wang，統(tǒng)一來說就是管模型的；一個GitHub前CEO Nat Friedman，他是偏產(chǎn)品的，因為產(chǎn)品才能給這個模型更好的反饋，在用的過程中進行飛輪效應(yīng)。 第三條是組建一個統(tǒng)一的核心基礎(chǔ)設(shè)施（Infra）團隊，就把管卡的數(shù)據(jù)中心團隊更集中化。過去很可能是很散的，好幾個領(lǐng)導(dǎo)都在，你要卡你得來申請?，F(xiàn)在卡這個事也是統(tǒng)一來管理。所以這個郵件寫得還是挺清楚的。

而Alex能否撐得起扎克伯格的押注呢，也許很快我們就會有答案。

圖片來源：Bussiness Insider

總結(jié)一下，Meta在Llama前三代都還是領(lǐng)先的開源模型，引領(lǐng)著開源派去對抗OpenAI和谷歌Gemini這樣的閉源派。

然而，在Llama 3大獲成功之后，公司高層急于將AI結(jié)合產(chǎn)品化，在規(guī)劃路線的時候用“產(chǎn)品驅(qū)動研發(fā)”的思維，將Llama 4的升級聚焦在多模態(tài)等工程性能上，但卻錯失了思維鏈（CoT）等推理上的前沿技術(shù)時間優(yōu)勢。

雖然當時田淵棟等FAIR的AI科學家已經(jīng)在研究CoT了，等DeepSeek引發(fā)轟動之后，又將FAIR的田淵棟團隊臨時救火優(yōu)化Llama 4上的MoE架構(gòu)，反而又中斷了CoT和推理上的研發(fā)，導(dǎo)致AI前沿技術(shù)研究和產(chǎn)品工程這架天平徹底失衡。

在采訪過程中，我腦中不止一次閃過歷史上那些閃耀一時的前沿實驗室：貝爾實驗室、IBM Watson Research、HP實驗室等等，但基本都因為無法平衡前沿科研和商業(yè)化而日益衰落，十多年歷史的FAIR，曾經(jīng)是一群理想化AI科學家的烏托邦之地，而如今又成了另一個商業(yè)化的犧牲品。

你認為這場由Llama 4失敗引發(fā)的大重組，是Meta AI的最后機會嗎？歡迎在評論區(qū)留言告訴我們。