本月行业协会披露重大成果,一久久：岁月流转中的永恒记忆

本月行业报告传递新动态,MetaAI人才动荡，上亿美元为何留不住人？,很高兴为您解答这个问题，让我来帮您详细说明一下。智能化工单系统，自动派发维修任务

鸡西市梨树区、上海市静安区 ，黄冈市浠水县、万宁市南桥镇、乐山市市中区、龙岩市新罗区、昆明市寻甸回族彝族自治县、三门峡市渑池县、芜湖市镜湖区、广元市青川县、丹东市宽甸满族自治县、苏州市相城区、济南市章丘区、巴中市南江县、汉中市佛坪县、内蒙古兴安盟科尔沁右翼前旗、永州市冷水滩区 、沈阳市新民市、巴中市巴州区、丽江市玉龙纳西族自治县、永州市江华瑶族自治县、怒江傈僳族自治州福贡县、江门市开平市、咸阳市乾县、广元市利州区、宁波市镇海区、武汉市黄陂区、晋中市祁县、庆阳市环县

近日监测小组公开最新参数,本周行业报告披露政策新动向,一久久：岁月流转中的永恒记忆，很高兴为您解答这个问题，让我来帮您详细说明一下：家电使用咨询专线，专业指导日常维护

凉山布拖县、鹤岗市南山区 ，延安市安塞区、牡丹江市海林市、宜昌市当阳市、郴州市临武县、临汾市洪洞县、焦作市温县、中山市神湾镇、玉溪市易门县、陇南市宕昌县、酒泉市敦煌市、九江市永修县、扬州市邗江区、绵阳市平武县、内蒙古呼和浩特市武川县、三沙市南沙区 、大兴安岭地区漠河市、南阳市淅川县、直辖县天门市、长沙市宁乡市、商丘市民权县、广西柳州市城中区、齐齐哈尔市铁锋区、吉林市桦甸市、重庆市巫溪县、重庆市万州区、毕节市金沙县、内蒙古呼和浩特市回民区、滨州市滨城区、朔州市山阴县

全球服务区域: 南充市蓬安县、洛阳市西工区 、武汉市江汉区、琼海市长坡镇、雅安市雨城区、保亭黎族苗族自治县什玲、琼海市塔洋镇、内蒙古呼和浩特市赛罕区、定安县黄竹镇、漳州市长泰区、陵水黎族自治县文罗镇、黑河市孙吴县、哈尔滨市延寿县、北京市海淀区、楚雄大姚县、驻马店市上蔡县、曲靖市陆良县 、绵阳市梓潼县、内蒙古赤峰市翁牛特旗、深圳市龙华区、晋中市祁县、内蒙古乌兰察布市丰镇市

本周数据平台最新相关部门透露权威通报,今日行业报告传达重要政策,一久久：岁月流转中的永恒记忆，很高兴为您解答这个问题，让我来帮您详细说明一下：家电客服电话，系统自动派单处理

全国服务区域: 常州市新北区、广安市广安区 、洛阳市伊川县、南通市海安市、平顶山市宝丰县、临高县波莲镇、曲靖市麒麟区、南充市营山县、宁夏石嘴山市大武口区、抚州市黎川县、三明市大田县、东方市板桥镇、沈阳市于洪区、嘉峪关市新城镇、南京市栖霞区、重庆市巫溪县、惠州市惠城区 、昭通市威信县、陵水黎族自治县隆广镇、曲靖市陆良县、太原市晋源区、六盘水市钟山区、昆明市禄劝彝族苗族自治县、中山市古镇镇、中山市石岐街道、临汾市乡宁县、天水市张家川回族自治县、宜春市万载县、惠州市惠城区、宝鸡市千阳县、文昌市公坡镇、延安市安塞区、武汉市东西湖区、吉安市永丰县、眉山市丹棱县、四平市伊通满族自治县、黔东南雷山县、鹤壁市淇县、中山市古镇镇、自贡市沿滩区、邵阳市绥宁县

本周数据平台本月官方渠道披露重要进展:本月行业报告披露新进展,一久久：岁月流转中的永恒记忆

在时间的长河中，有些记忆如同璀璨的星辰，永远熠熠生辉。而“一久久”这三个字，便是我心中永恒的记忆。它不仅代表了一段美好的时光，更承载了亲情、友情和爱情的重量。 一，是岁月的起点。人生如梦，岁月如歌。回首过去，我们总会发现，那些曾经陪伴我们走过岁月的人，那些曾经让我们为之动容的事，都已成为我们生命中最宝贵的财富。而“一”这个数字，正是我们人生旅程的起始。从出生的那一刻起，我们就开始了这段漫长而又短暂的旅程。 久，是岁月的延续。岁月如梭，时光荏苒。在漫长的岁月里，我们经历了无数的风雨，品尝了生活的酸甜苦辣。而“久”这个字，正是对这段岁月的最好诠释。它让我们懂得，人生没有一帆风顺，只有勇敢面对，才能在岁月的长河中留下浓墨重彩的一笔。 一久，是岁月的见证。岁月如歌，人生如戏。在这漫长的岁月里，我们见证了无数人的悲欢离合，也经历了自己的喜怒哀乐。而“一久”这个词语，正是对这段岁月的最好总结。它让我们明白，人生的意义在于不断前行，不断追求，不断超越。 一久久，是岁月的永恒。岁月如梦，人生如戏。在这漫长的岁月里，我们经历了无数的风雨，品尝了生活的酸甜苦辣。而“一久久”这个词语，正是对这段岁月的最好诠释。它让我们明白，人生没有永恒，但我们可以用我们的信念、勇气和智慧，去创造属于自己的永恒。 一久久的记忆，是我心中永恒的宝藏。它让我在人生的道路上，始终保持一颗热爱生活、勇敢前行的初心。以下是我心中一久久的记忆： 1. 亲情：在我成长的道路上，父母是我最坚实的后盾。他们用无私的爱，为我撑起一片蓝天。每当我遇到困难，他们总是第一个站出来，为我排忧解难。这份亲情，让我在岁月的长河中，感受到了无尽的温暖。 2. 友情：在我人生的道路上，朋友是我最宝贵的财富。他们用真诚的心，陪伴我度过了无数个难忘的时光。每当我感到孤独，他们总是第一个出现在我的身边，给我力量。这份友情，让我在岁月的长河中，感受到了无尽的快乐。 3. 爱情：在我人生的道路上，爱情是我最美好的期待。它让我在岁月的长河中，感受到了无尽的浪漫。每当我遇到挫折，爱情总是给我力量，让我勇敢地面对生活的风雨。 一久久，是岁月的永恒。让我们珍惜眼前的时光，用我们的信念、勇气和智慧，去创造属于自己的永恒。在岁月的长河中，让“一久久”这三个字，成为我们永恒的记忆。

" 一个亿的小目标，和 AGI 的大目标。"采访丨程曼祺整理丨姚一楠2025 年 6 月，Meta 以 143 亿美元收购 Scale AI 49% 股权，招募 28 岁的 Scale AI 创始人亚历山大 · 王（Alexander Wang）；这之后，Meta 天价招募顶尖 AI 研究员，开出了最高 4 年 3 亿美元惊人薪资。这些新血液和 Meta 原本的部分 AI 团队在 6 月底正式组成 Meta " 超级智能实验室 "（Meta Superintelligence Labs，MSL），由亚历山大 · 王和前 GitHub CEO 奈特 · 弗里德曼（Nat Friedman）共同担任负责人。就在大家期待 Meta 一雪 Llama 4 的失利时，9 月，Meta AI 团队离职潮爆发：既有已在 Meta 工作了 12 年、参与 PyTorch 构建的 Bert Maher（加入了 Anthropic）等老员工离开；也有两位加入不足 2 个月的 OpenAI 研究员又重返 OpenAI（Avi Verma 和 Ethan Knight）。本期节目，我们邀请了 Pokee AI 创始人朱哲清（Bill Zhu），他曾在 Meta 工作 7 年多，担任 Meta " 应用强化学习 " 部门的负责人，去年 10 月开始创业，做以强化学习为内核的 Agent。Pokee AI 在今年 7 月完成了 1200 万美元的种子轮融资，前不久被美国知名科技投资机构 a16z 列入智能体工作流的标杆企业目录。朱哲清分享了他观察到的 / 硅谷顶尖 AI 人才的流动趋势，Meta、Google、OpenAI、Anthropic 等美国核心 AI 公司的组织特点，和由此延伸的业务策略；以及，作为一个 AI 创始人，如何在今天打造原生于 AI（AI-Native） 的新组织。以下是播客的文字整理，有部分精简。Meta 曾是创业氛围最浓厚的硅谷大厂，但疫情期间变臃肿晚点：Meta 近期经历了天价挖人到人才流失的戏剧性转折，甚至有 2 名刚被挖来不久的 OpenAI 研究员又回了 OpenAI 。你认为这是怎么发生的？朱哲清：硅谷人员流动频繁，但三个月内就跳槽的不多，更何况他们在 Meta 拿到的薪资包比在 OpenAI 等公司更优厚。这次有人快速离开，可能是不习惯 Meta 的环境。我 2017 年加入的前两年，Meta 是美国最有创业氛围的大公司：写代码、审批、上线到生产环境，整个流程只要几小时，非常高效。疫情后，流程没变，但 Meta 组织更臃肿了，VP 层级变多，每次迭代都要经过多个 VP 审批，可他们往往既不懂项目也没时间，只是形式化地审核一遍，留下一堆批示，搞得大家都很不爽，很多人因此离职。同时，Meta 的内部 " 政治斗争 " 比较多。这次离职的员工很多来自 OpenAI 或 Google，他们往往不擅长在有政治斗争的环境里工作，会觉得在浪费时间。而这类高层级人才的选择很多，往往被十几家公司同时抢，他们会快速离开就不意外了。晚点：扎克伯格现在让 28 岁的亚历山大 · 王来负责超级智能实验室，是不是在尝试改变，试图重新打造一个更扁平、更接近创业文化的组织？朱哲清：我认为这是他的初心。但 Super Intelligence Lab 已有 5000 人，而现在一个 SOTA 模型（State Of The Art 模型，指在某一任务 / 数据集上，当前公开评测中表现最好的模型）的核心训练团队其实不超过 50 人，其中二十多人做模型设计和调优，二十多人负责基础设施和工程支持，还有一些产品经理思考功能方向，比如模型哪些部分重要、哪些不重要。剩下的组织都在做相对边缘化、不是主线的产品。所以，如果 Meta 的目标是让 Llama 超过 GPT-5，它可能需要的是一个 150 到 250 人的核心团队，把事情做到极致，而不是一个 5000 人的大团队，那反而会互相掣肘。我还怀疑内部存在 " 赛马 " 现象——不是被动，而是主动的。Meta 的文化非常 bottom-up，会启动类似的方向。产品有明确的 ownership，但模型训练没有。谁都能尝试，只要训练结果好就行。这种缺乏 ownership 的情况让管理和协调更难，因为多个团队可能同时做同样的事。亚马逊就没有太多这种问题，因为他们的每个事业部都有自己的研究团队，资源和目标都绑定在具体产品上。即使两个团队做出类似模型，也能落到各自的产品里。Google 更依赖在研究上公认有权威的人来定方向，其他人配合执行，相对 top-down。这减少了内部不服气、各自开工的问题。OpenAI 和 Anthropic 则是使命驱动。他们会先设定清晰目标：模型需要达到什么能力，对哪些 benchmark 负责。然后全公司都围绕这个目标努力，不会出现多个团队重复做同样的事情。而且他们团队规模本来也不大，更需要集中力量。晚点： Meta 也有很多产品，为什么它不能和亚马逊一样，每个产品线的研发落到自己的场景里？朱哲清：核心原因在 Meta 的组织架构里，部门对产品掌控力不强。组织内所有代码库和基础设施完全开放，任何团队都能修改别人的代码，这导致团队对产品缺乏处置权。其次，部门的财务自主权很弱。 VP 的预算很有限，无法做大规模的资源配置。例如他没法独立决定给谁多少奖金，花多少钱在数据中心，也没法裁掉部门一半人然后集中资源到算力。这导致 Meta 的团队只能在现有框架下行事，很难像创业公司那样做出战略性改变。晚点：这种组织形态给 Meta 带来的好处是什么？朱哲清：好处是速度很快。举个例子，我训模型时发现 Facebook Feed 的推荐模型有问题，可以直接找团队沟通，甚至自己改，最后不到半年就把模型完全替换了。在正常流程里，跨团队改模型早被 VP 卡死了。它的缺点也很明显：2017 年到现在公司人数翻了数倍，扩张到七八万人。一件事原本一个人做，现在五个人做。绩效要分摊，利益分配不均，容易变成政治斗争，这在大公司很常见。举个例子：假设 A 团队目标是把某模型推广到全公司所有产品线，B 团队目标是让某产品 DAU 提升 2%。如果 B 团队产品用了 A 团队的模型，结果 DAU 确实涨了 2%，那功劳算谁的？双方就会为 credit 争夺。因此 B 团队可能会自己重做模型，而不是直接用 A 团队的成果。晚点：其实 OpenAI 和 Anthropic 都是上千人的团队，就不存在团队分工矛盾吗？朱哲清：他们是所有人有一致目标，这是初创公司的关键。哪怕团队有几千人了，只要大家不在乎功劳分配，政治斗争就不存在。晚点：怎么在千人规模的团队做到目标一致的？朱哲清：有一个临界点，即是否所有员工都在做真正重要的工作。所有公司事件中大致可以分为重要的 20% 和不重要的 80% 。如果所有人都在做重要的 20% ，还很忙，那没问题；但一旦有人在做 80% 的次要工作，他们就想变得重要。大公司为了维持财报、营收和股价，会招人来做只能带来 1% 增长的事情，因为即使极小的营收增长也能覆盖人力成本。这些人也想做重要的事情，政治斗争就产生了。晚点：以 " 使命驱动 " 看，怎么理解 Ilya 和 Sam Altman 的分裂？朱哲清：当重要成员的个人使命出现差异时，使命驱动的公司容易分崩离析。因为唯一的纽带不是金钱，而是使命。成员使命不同，公司自然分裂；夸张点说利益绑定才最牢靠。OpenAI 里 Sam Altman 和 Ilya 的根本分歧在于：Sam 关注用户增长；Ilya 则更关注模型安全性和可靠性。两条路都需要投入大量人力和资源，公司只能选一条，于是最后有人要离开。晚点：关于 Meta 的人事动荡，除了刚才的深层原因，也有人提到亚历山大 · 王的风格过于强势。朱哲清：我倒觉得不是个人风格，而是架构错配。在 AI 领域，CEO 不直接负责研究。比如在 OpenAI，Sam Altman 是 CEO，Mira 曾是 CTO，但也有其他人带研究团队—— Greg Brockman、John Schulman、Noam Brown 等，他们知道研究方向往哪里走。而现在 Meta 的情况像是让 Sam Altman 直接管研究团队。还有个细节，这轮热潮之后才成长的年轻研究者很难真正服众；你需要的是德高望重又和公司路线一致的人才。但这种人很难找。晚点：Ilya 离开之后，OpenAI 由谁来扮演这样的技术领军角色？朱哲清：其实有好几个人。比如 Noam Brown 带多智能体方向；还有 Schulman ，他主要带 RLHF （ Reinforcement Learning with Human Feedback，人类反馈强化学习）以及 RL（ Reinforcement Learning，强化学习）；还有 Jan Leike 。他们过去做出重要成果，而且和公司的研究方向一致，所以大家愿意跟随；但如果让新人直接带大方向，就难服众。不过除了 Noam Brown，刚才提到的人都离开了。科学家型 vs 工程型人才：工程型人才会决定公司未来 2-3 年的发展，科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 2-3 年晚点：那些在 ChatGPT 有重要研究成果的人，他们普遍多少岁？朱哲清：一般在 35-40 岁。常见情况是，这个人做了几个奠基性的研究，于是成了这个方向的领军人物。比如 David Silver 是 AlphaGo 第一篇论文的一作； Schulman 提出了 PPO 算法（Proximal Policy Optimization，强化学习中的策略优化算法，被广泛用在包括机器人控制、对话系统训练等任务中）。现在 AI 研究很难有根本性的突破性研究，因为这需要算力，而算力掌握在大公司手里。博士只能找大公司没做的小方向发论文；或者进入大公司跟着公司的战船往 LLM（大语言模型）走。结果是，过去三四年毕业的博士生没人再写出像 PPO 这种影响深远的算法。问题是，如果 LLM 碰到瓶颈，要怎么突破？目前没人真正开辟出这条新路径。晚点：这里有个错配，顶尖人才更有野心做原创性工作，但大公司更希望在收益明确的主线上取得进展。朱哲清：我自己也想做开创性的研究，但过去 7-8 年更多专注在技术落地上。很多研究者一旦方向基本定型，剩下的就不做了，让别人跟进；但大公司真正需要把成果落地的人，纯研究五六个人就够。比较理想的领导架构是：5-6 个顶尖研究者，配上 5-6 个强执行力的落地型人才。晚点：你刚才盘点硅谷重要的 AI 公司时没提到 xAI。这是为什么？朱哲清：讨论顶尖研究科学家的去向时，我一般不会把 xAI 算进来。马斯克是工程师型人物的代表——用现有技术把落地做到极致，做出极其复杂、别人无法复制的工程项目，从而形成壁垒。这在 AI 上表现为扩大模型规模、叠加算力，把模型能力不断往上推。之前马斯克和杨立昆（Yann LeCun，图灵奖得主 ）在推特上吵架时，还说 " 根本不存在 research，一切都是 engineering"。xAI 更偏工程驱动，Google 更偏科学驱动——通过科学飞跃带来革命性突破。晚点：这是不是有点像中美差异？朱哲清：我觉得不完全恰当，中美都有科学家型和工程型人才。我更倾向这样理解：工程型人才一般决定公司接下来 2-3 年的发展，而科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 3 年。晚点：和国内技术人员交流时，大家普遍觉得中国难有最原创性的突破。朱哲清：确实， ChatGPT 出现后，大家蜂拥做 LLM ，很少有中国研究机构或公司尝试挑战这条技术路径。中国研究者一直面临指标压力，高校、企业都去追逐最容易拿指标、出业绩、发表论文的方向。很多美国和欧洲高校团队会挑战 Transformer （Transformer：一种以自注意力为核心的神经网络架构，已成