Meta AI裁员风波深度解析：前FAIR研究总监田渊栋专访探讨行业未来

2025年10月22日，Meta公司首席执行官马克·扎克伯格正式批准了一项裁员计划，目标直指人工智能部门，约600名员工受到影响。这成为Meta本年度在AI领域规模最大的一次人员调整，主要针对核心研发部门“超智能实验室”。

本篇文章中，我们专访了此次裁员事件的核心人物之一：前FAIR团队研究总监田渊栋。采访不仅涉及Meta内部情况，还深入探讨了资深AI科学家对AI技术路线、未来前沿研究的思考，包括大语言模型发展、开源与闭源策略、研究实验室的定位，以及AI人才在研发与工程之间的选择等话题，旨在为读者提供启发。

关于Meta此次裁员的原因、公司AI开源路线面临的挑战，以及新AI负责人Alex Wang将如何重塑Meta的AI策略等内容，我们在上一篇文章中已详细阐述，欢迎读者延伸阅读。

01 被裁并不意外，只是一次被加速的个人选择

陈茜：

我看到您还穿着FAIR的服装。

田渊栋：

哈哈，像我这样的人通常不太在意穿着，公司发什么就穿什么。

陈茜:

过去几天您经历了什么？我知道很多人联系您，包括媒体和多家公司，您的心态如何？

田渊栋：

因为在裁员前我已经拿到了其他offer，我提前向上级表达过对现状的不满，并考虑寻找新机会，所以他们知情。因此，被裁我并不惊讶。

我觉得无所谓，反正已有offer。原本计划在Meta多待一段时间，利用GPU算力继续做些工作，但既然被裁，那就顺其自然。

过去两天很多人联系我，探讨合作机会，包括各大公司的高层和小公司的联合创始邀请。

总体机会很多，我还在考虑中。裁员发生不到一周，需要时间思考。

陈茜:

裁员在您意料之中吗？您之前是否预感到了？

田渊栋：

当然在意料之中，否则我不会提前找工作。在Meta工作十年多，这可能正是一个时机，让我出来看看新机会。裁员加速了我的个人选择，原本可能再待半年，现在提前了。

02 AI行业趋势：未来“执行层”的人会变少

陈茜：

裁员600人，这个数字让我震惊。虽然并非全部裁撤，部分员工可能转组，但AI部门被认为无需这么多岗位，需要重组。

田渊栋：

是的，这反映了行业趋势。AI自动化程度高，随着模型增强，数据标注、系统维护等重复性工作需求减少，自动化工具成熟后，所需人力自然下降。

大趋势是传统工作模式可能消失。例如，创业或领导团队时，AI工具能自动化许多任务，原本需要数百人的工作，现在可能只需少量人员或智能体完成。

因此，从事AI基础执行的人会减少，但探索AI工具应用和垂直领域创新的人会增加。

陈茜：

基础模型研究会减少吗？

田渊栋：

基础模型的探索性研究将增加，但工程化训练的人会减少，因为流程标准化后效率提升。更多精力将转向研究或特定应用创新。

陈茜：

应用层人才也会增长。

田渊栋：

对，但应用需聚焦垂直领域或个性化需求，而非泛化工具。执行层人员因自动化而缩减。

陈茜：

裁员前您在FAIR研究什么？

田渊栋：

今年1月我们协助GenAI团队，主要处理应急工作，如Llama 4相关任务。我个人同时进行外部合作研究，例如分析连续思维链的理论优势，相关论文影响力较大，推动了该领域发展。

03 开源仍会继续，模型的“用途”才是核心问题

陈茜：

开源与闭源未来如何发展？有人认为大公司开源不可行，因为前沿竞争激烈。开源模型会落后吗？

田渊栋：

开源仍会持续，如Reflection AI等公司在推进。关键问题是模型的实际用途。

模型可用于聊天、搜索、科学研发等，大公司可能泛化应用，但小公司可专注垂直领域。模型无需在所有领域都强，只需在特定方向优秀，这导致策略分化。

开源适合构建社区或平台，闭源适合个性化服务。最终取决于公司目标而非泛化优劣。

陈茜：

所以最前沿模型开源竞争较难，但垂直领域开源机会多。

田渊栋：

是的。

04 LLM的最大问题：需海量数据

陈茜：

LLM是正确的技术路线吗？

田渊栋：

LLM是有趣的路线，但不一定最终正确。科学家总寻求更优方案，而非局限于现有框架。

陈茜：

LLM最大问题是什么？

田渊栋：

最大问题是需要海量数据。人类学习效率远高于模型，人一生处理文本token约百亿级，而模型训练数据达数万亿，差距千倍。人类科学家能以有限数据实现突破，模型却依赖大量样本。

当前训练算法可能非最优，梯度下降或许不是最佳方案。未来可能有新方法改变训练框架，提升数据利用效率。

05 强化学习与高级智能

陈茜：

近期业界对强化学习有争议，如Andrej Karpathy的负面观点，您如何看待？

Andrej Karpathy，图片来源：The Information

田渊栋：

RL本质是搜索过程，能主动生成高质量数据，优于被动学习的监督式微调。在推理问题上，RL能真正学会推理，而SFT可能仅记忆模式。

RL和SFT最终都调整权重，但数据采集方式不同：RL是主动学习，影响数据分布，解决难题更有效。

RL的核心优势是主动学习。Karpathy关于AGI需十年以上的观点我赞同。例如，我用GPT-5通过自我博弈合作研究，但模型缺乏高层人类洞察力，需人类引导才能深入。

陈茜：

模型能否获得顶尖洞察力？

田渊栋：

很难。人类的数据挖掘和洞察能力仍远超模型。专家经验难以量化，AI需人类输入洞察才能进步，目前处于跟随状态。

06 计算量不是全部，Scaling Law是悲观的未来

田渊栋：

Scaling Law预示悲观未来：需指数级资源换取线性提升，最终地球资源可能耗尽。我们应追求更高效的模型，而非依赖计算量。

计算量不是全部，需深化模型理解。行业将逐渐意识这一点。

陈茜：

找到高效智能解法需长时间吗？

田渊栋：

业界在努力。即使模型进展放缓，AI已能自动化大量任务，提升个人能力。未来几年仍有很多机会。

陈茜：

您接下来专注前沿研究还是应用？

田渊栋：

最好结合两者。AI可自动化日常任务，但高级活动如科学问题解决仍需人类洞察。成为“超级研究员”需AI赋能研究，同时工具造福社会。

陈茜：

协助Llama 4前，您在研究什么？

田渊栋：

我们研究推理和思维链，发现长思维链能改善Scaling Law，用更少样本和参数获更好效果。例如，连续空间隐空间推理工作受关注，Dualformer文章提出混合思维模型，现已成为标准。

07 回顾FAIR十年生涯，遗憾与收获

陈茜：

在FAIR有遗憾吗？

田渊栋：

遗憾是工程工作可做更多。早期我偏工程，如围棋项目，后被批为研究科学家却专注代码。后期转向研究，但当前时代工程能力更受欢迎。

理想是兼具工程与研究能力，我可重新加强工程方面。

最大收获是2018年后培养的科研品位，助我自主设定研究方向，对人生有益。

08 谈AI人才战：不要追逐“稀缺性”

陈茜：

AI竞争激烈，人才抢夺白热化，如Meta高薪聘人。您认为当前最稀缺的AI人才是什么？

田渊栋：

勿追逐“稀缺性”，因为定义变化快。应聚焦个人兴趣而非市场信号。行业周期缩短，跟随市场可能落后。

结合个人判断与爱好，探索有前景的方向。例如，Yann LeCun曾坐冷板凳后获图灵奖，说明坚持价值。

陈茜：

理想化研究实验室还存在吗？如Ilya Sutskever团队与Sam Altman的商业化对比。

田渊栋：

大厂非铁板一块，内部仍有研究自由。即使FAIR变化，其他组或初创公司可继续探索。研究永续，形式可能如游击战，由小团队推动。

陈茜：

您的下一步计划？

田渊栋：

尚未决定，裁员不到一周，正在考虑。目标是将前沿研究与工程应用结合，先设定高远目标再寻找支撑路径。

陈茜：

期待您的动向。采访至此，祝田渊栋找到平衡角色，也祝AI探索者前行顺利。您认为这样的工作存在吗？欢迎评论。