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，同时掌管AI业务的高管纷纷离职、被边缘化，就连图灵奖得主Yann LeCun也被认为自身难保。
图片来源：CNBC
一方面扎克伯格在用上亿美元的年薪挖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FAIR研究总监AI科学家田渊栋、参与了Llama 3后训练的前Meta员工Gavin Wang、硅谷资深HR专家以及一些匿名人士，试图还原一下Meta的Llama开源路线到底发生了什么：
为什么Llama 3还让众人惊艳，而仅一年之后的Llama 4就如此拉胯？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，一个乌托邦式的AI研究实验室还能够存在吗？
首先来看看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Geoffrey Hinton的DNN团队，将Hinton招入麾下，同一时间，Meta将Yann Lecun请来坐镇AI的发展。至此，图灵奖三巨头的两位开始步入商业科技来主导AI研发。
在扎克伯格邀请Yann LeCun加入Meta的时候，后者提过三个条件：
1.不从纽约搬走；
2.不会辞去在纽约大学的工作；
3.必须开展开放的研究，公开发布所做的所有工作，并将代码开源。
所以，一开始Meta的路线就是开源的。Yann LeCun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，主导人工智能的前沿研究。
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
FAIR是负责前沿研究的，就是做一些现在目前看起来没有特别大的应用，但是新的想法、新的思路、新的算法、新的框架、新的模型架构。这样的探索之后可能会有一些大的突破，大概是这样的一个逻辑。
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“Generative AI”，简称“GenAI”组。
这个组里面分别有不同的功能团队，包括了Llama开源模型的研发，将AI能力运用到产品上的Meta AI团队，还有AI算力基建的数据中心团队，其它的还有一些小部门，比如说Search（搜索），Enterprise（企业服务），Video-gen（文生视频）模型等等。
GenAI和FAIR是平行关系，这像是一个天平，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，而产品赚钱了能让管理层有更大的动力拨款给FAIR去做研发。
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
比如FAIR会提供一些很好的想法和工作给GenAI去用，让GenAI把这些想法和工作放进生产，然后在下一代模型中使用出来。
很多人的初心就是说想做一些不一样的东西，或者是与众不同的方向、工作。能不能真正地实现AGI（通用人工智能）？这其实是个比较大的问题。
陈茜
硅谷101联合创始人：
所以FAIR的目的是AGI，但是GenAI它的目的是怎么把AI放在Meta现有的产品中，让AI发生效应。
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
对，应该说主要一方面是Llama，Llama是一个很大的模型。还有就是怎么样把AI比较好地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，至少是在开源赛道最领先，且不落后闭源模型太多的。
图片来源：Meta AI
陈茜
硅谷101联合创始人:
你觉得在FAIR最快乐的一段时光是什么时候？
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
我觉得从我入职FAIR之后一直到2022年，这段时间是很开心的。因为大语言模型来了之后，整个生态或者说研究者之间的关系发生了一些变化。因为大语言模型来了之后，算力成了很重要的一个因素。
因为算力是有限的，所以就会产生各种问题、各种矛盾。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，比如说如果我卡多了，你卡就少了。因为卡不多就没办法训练出很好的模型，所以在2023年之后这段时间之内，状态肯定不会像以前那么好。
而Meta的AI天平是如何失衡的呢？我们可以从Llama的四代发布中，看到一些端倪和痕迹。
之所以Meta给自家大语言模型取名“Llama”，据说是因为考虑到Large Language Model的缩写“LLM”不太好发音，所以就补上了元音字母。“Llama”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。
我们先来看看Llama 1，这也为Meta的大模型“开源”路线奠定了基础。
2023年2月24日，Meta发布Llama模型，主打“更小参数更好效果”（多规模：7B/13B/33B/65B），强调当时的13B模型可以在多项基准上超过175B参数的GPT-3。
而Llama在官宣之后的一周，权重在4chan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，甚至还引发国会参议员致信质询Meta。
虽然有不少质疑的声音，但业界对Llama的“意外泄露”出人意料的支持，而这也被视为“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”定义。其实Meta也不是完全的开源。Meta称之为“开放权重”（Open weights）。
在机器学习中，有三个部分：结构（architecture），权重（weights）和代码（code）。所谓“权重”，就是模型学习到的所有参数数值。模型训练完成后，所有参数会存成几个巨大的二进制文件。每个文件里保存着每一层神经网络的矩阵数值。而在推理时，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Meta并没有公开这些信息，甚至之后的Llama2、3、4代都仅仅是开放权重，只是在许可证的政策上有些松动。
虽然Llama属于“半开源”，但比起OpenAI，Anthropic和谷歌完全闭源、只通过API接口来提供模型能力服务的公司来说，已经算给开源社区带来非常旺盛的生命力了。
2023年7月28日，Meta联合微软发布了大模型Llama 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”，但对比Llama 1的不可商用、只能申请研究用途而言，Llama 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，Llama 2 让“开放路线”对抗封闭模型巨头成为现实。
而我们看到，Llama 2很快在开发者社区风靡起来，它的可得性显著放大了生态和AI开发。
之后，就到了2024年的Llama 3，这也是Llama系列最为辉煌的时刻。
步入Llama3的时代，Meta已经成为AI开源社区的顶流存在。2024年的4月到9月，Meta连发三个版本的模型迭代。
2024年4月18日，Meta发布8B、70B两个规格的Llama 3版本，称同等规模“显著超越Llama 2”，并将其作为Meta AI助手的底座之一。
之后的7月23日，Meta推出405B、70B、8B三档Llama 3.1模型，并宣称405B是“全球最强的开放可得基础模型”之一；同时登陆AWS Bedrock、IBM watsonx等平台。
仅两个月之后的2024年9月25日，Meta推出Llama 3.2，主打小而全的多模态，新增1B与3B轻量文本模型与1B与90B的视觉多模态模型，面向终端/边缘场景；AWS等平台同步接入，开源框架平台OLlama亦可本地运行。
我们采访到了Llama 3团队的Gavin Wang，他负责Llama 3的后训练工作，对我们表示当时整个Meta，GenAI团队是在以“光速”前进，真的有种“AI一天，人间一年”的感觉。
Gavin Wang
前Meta AI工程师，从事Llama 3后训练：
当时Llama3.1/3.2确实是有很多很好的进展，比如多模态是在这个阶段里面发布的，包括后面他们做Lightweight model（轻量化模型）1B/3B的。我觉得这时候产品化生态取得了很大进展，很多的社群都有支持，包括我有朋友在Llama Stack团队，他们就是专门支持整个Llama的生态在企业级或者说小企业级的落地。
Llama 3的强势出击，特别是450B版本被认为是在模型能力上对闭源阵营的逼近，也被认为将快速推动AI应用的落地。而对于Meta内部员工来说，特别是在Llama组的AI工程师们，这是一件非常让他们值得骄傲的项目。
Gavin Wang
前Meta AI工程师，从事Llama 3后训练：
当时的叙事是说，Meta是大厂里面唯一一个剩下开源的模型，而且还对整个开源生态很有贡献。当时我觉得很多人都会觉得，这不仅仅是在做一份工作，而是我们真的就是在支持整个AI的前沿的发展，你做的每一件事情都感觉非常有意义，我当时是非常自豪的感觉。我出去跟别人说，我是在做Llama 3的团队，一些创业公司的创始人他们都会说：非常感谢你的努力。感觉整个技术圈，尤其是AI创业圈，都在指望Llama。
Meta乘着东风，期望Llama 4的发布，能进一步的扩大自身在AI开发社区的影响力，保持“顶尖大模型中的唯一开源存在”。
扎克伯格在2025年1月底财报会议后发帖说，“我们对Llama 3的目标是使开源与封闭模型具有竞争力，而我们对Llama 4的目标是领先。”
然而，三个月之后的Llama 4发布，却是一场彻底的灾难和滑铁卢。
2025年4月5日，Meta推出Llama 4的两个版本（Scout与Maverick），宣称多模态与长上下文能力大幅跃进，并在宣传中高调引用LMArena排行榜上的领先成绩：Maverick版本仅次于Gemini 2.5 Pro，与ChatGPT 4o和Grok 3 Pro并列第二。
然而很快，开发者社区的反馈并不正面，认为Llama 4的效果不及预期。市面上开始有流言质疑Meta在LMArena上冲到第二名的版本有作弊嫌疑，怀疑Llama 4给LMArena排名的是经过了优化的变体，而这个变体经过了对话强化的训练，存在误导LMArena、导致过拟合的现象。
虽然Meta高层迅速否认了作弊，但影响迅速发酵，一方面，媒体纷纷将此视为“用特调版本刷榜”的“诱饵换包”（bait-and-switch），行业对基准公信力与可复现性的讨论升温；另一方面，Meta更高端的Behemoth版本推迟发布，公关与节奏严重受挫。
截至目前，Behemoth还没有发布，Meta应该是放弃了。
接下来就是大家所知道的，扎克伯格开始孤注一掷的大手笔收购Scale AI，把Alexander Wang挖过来领导新的AI架构，之后用上亿美元的支票开始挖人，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。
但大家看看这个时间线，是不是还是觉得很割裂，在Llama 3和Llama 4的这一年中，发生了什么？怎么Llama 4一下子就不行了？这是不是也太快了。
我们通过复盘，也许找到了一些答案。还记得我们在前文提到，Meta内部的AI架构是一架天平吗？Llama 4失败的原因就是：这架天平失衡了。
在Meta的AI架构中，FAIR和GenAI是并行的两个组，Yann Lecun管FAIR，但Yann LeCun很多时候沉浸在自己的研发中，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Meta很头疼。
于是，2023年2月，Meta高层把Meta AI的研究负责人Joelle Pineau调到FAIR，担任FAIR的全球负责人，与Yann LeCun两人一起领导FAIR。
图片来源：Bussiness Insider
而GenAI的负责人是Ahmad Al-Dahle，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Llama 2的成功，公司开始研发Llama 3的过程中，Meta高层越来越强调“要将AI用于自家产品”的属性。
于是我们看到，2024年1月，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。
Gavin Wang
前Meta AI工程师，从事Llama 3后训练：
整个Llama 1 ~ 3算是一个时代，大家很疯狂地在卷scaling law（缩放法则），当时整个行业里都在追随基础模型的能力的提升。大家在探索基础模型、大语言模型本身的能力的边界。但是Meta的领导层， 像扎克伯格和CPO Chris Cox，他们其实很早就意识到大语言模型的能力能够落地，能真正为社会产生价值，他们肯定是从产品力上去出发的。
所以说当时Llama 2和Llama 3的阶段，整个GenAI的核心目标是让研究成果真正产品化、工程化。也因此就是在最高管理层层面，包括副总裁、高级总监的高层，是由一些之前更多的是产品背景和工程背景的人来领导的。
在Llama 3成功推出，Meta高层开始制定Llama 4的路线之际，所有的注意力都放在了与产品结合上，也就是多模态能力，因此忽视了对模型推理能力上的重视。
而就在Llama 3到Llama 4的这一年研发过程中，2024年9月12日，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MOE混合专家架构在保证推理能力的情况下大幅度降低了模型成本。
陈茜
硅谷101联合创始人：
你在被拉去救火Llama 4之前，手上在研究什么？
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
我们这边在做一些关于推理的一些研究。主要是关于思维链，包括思维链的形态和训练的方式做了一些研究。o1是去年9月份出来的，其实我们在o1出来之前，就注意到非常长的思维链会对整个模型的scaling law（缩放法则）产生影响。
图片来源：arxiv
其实FAIR组中，田渊栋等研究员已经在着手思维链的研究，但这样对推理能力的前沿探索并没有及时传达到Llama模型的工程上。
Gavin Wang
前Meta AI工程师，从事Llama 3后训练：
Llama 4规划的时候，就会感觉到这个地方可能领导层的方向有一些变化。我认为总体来说他们还是想要支持Meta本身重点去推的一些产品，就是Llama本身的生态，多模态肯定是其中的一个重点。但是DeepSeek在1月份的时候横空出世，它们的推理能力非常的强。
推理能力在当时也是讨论的其中一个方向，但是因为Meta本身的生态，它们更看重多模态，没有重点去做推理。但是当DeepSeek出现了以后，那时我实际上已经离开了Llama的团队，不过据说当时他们有在讨论说是不是要重新把推理的地方捡起来，但这个地方可能优先级上有一些冲突，加上时间也非常的有限，就导致大家加班加点地做了很多的尝试，非常得忙。我觉得DeepSeek的出现肯定是造成了公司里面资源还有优先级管理上的一些混乱。
还有一点，我觉得Llama 1～3整个模型的架构和组织的架构，是延续了一开始的设计。但是因为Llama 3的成功，大家就希望Llama 4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问题，我的观察就是公司比较高层的，像副总裁、资深总监这个层面，他们很多人是比较传统的基础架构、计算机视觉背景，可能自然语言处理背景的都比较少。
所以可能他们技术层面对于AI原生技术或者是大语言模型这些东西就没有一个深度的理解和认识。真正懂行的，可能是下面具体做事的一些博士，尤其是我们非常骄傲的是，华人的博士都是技术非常扎实的。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。所以说可能不知什么缘故就造成一种外行管理内行的一些局面出现。
图片来源：DeepSeek
因为OpenAI的o1系列和DeepSeek的出现，让Meta在2025年年初乱了阵脚。于是，高层临时让FAIR的研究团队去支援Llama 4的研发，或者可以直接说是去“救火”，而这个“救火团队”就是田渊栋带队的。
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
我觉得现在很大的一个教训就是，做这样的项目不能让不懂的人来做整个的领导者或者做整个的规划。如果有些东西出了问题的话，应该是大家说：ok，我们不能在这个时候发布，我们再往后拖。应该是采用一种，我拖到什么时候结束能够正常运作才发布的阶段。而不能说把deadline先定好，不然的话有很多事情是做不好的。
我觉得我们组里面当时很多人非常累，比如说像我是在加州，因为我有几个团队成员在东部时区，他们晚上12点给我打电话，他们那边已经3点钟了，还在干活，所以非常的辛苦。为什么他们那么辛苦呢？是因为deadline压得很紧。比如说我们的deadline就是要计划在某一天要发布，项目管理就需要从后往前倒退，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，我觉得有一个很大的问题就是，你怎么样能够让大家因为你这句话停下来。就比如说，我说这个数据有问题，不行，我这个数据不能用，我们得换一个数据。那这样的话就多出事了，我们得把整个事情往后延一个星期、两个星期。但这个事情能不能做到是一个很大的问题。如果在很强的deadline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提出异议，那这样的话最后的质量就会变得很差。这是一个比较大的问题。
陈茜
硅谷101联合创始人：
为什么Meta会有那么强的压力在deadline上面呢？因为开源模型，其实它已经是第一了。当然，DeepSeek在年初的时候出来，大家都没有意料的到。但是为什么它有那么强的deadline说我一定要在这个时候把这个东西推出来？
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
应该说有个上面高层定下的deadline，但这个我就不方便说了，可能能你要去问一下相关的人，懂的都懂。
图片来源：Meta
我们在这里基本上能有一些答案了，从Llama 3开始，“将AI产品化”这样的路线就已经制定，整个模型注重多模态和应用、忙于整合应用和业务，但却忽略了推理和更前沿的技术研发。这让天平另一边的FAIR团队不得不跨组来“救火”，就这样，天平失衡了。
田渊栋
前Meta基础AI研究（FAIR）团队研究总监：
但实际情况其实是因为前沿模型的竞争太激烈了，所以基本上很难真的去用FAIR这边的一些文章。虽然有些文章是被用到了，但是我们在交流的过程中还是会存在一些问题。我当时就是在FAIR的时候，我有时候Ping（发信息给）GenAI的人，他们都不理我，这是什么情况？但是真的我去了GenAI之后我会觉得，确实我也没法理他们（FAIR研究员们）。
因为太忙了，比如说我半小时不看手机，可能就有20条、30条的消息要去看，有很多的人要找，有很多的事情要决定。所以我也能理解了，在GenAI这样的环境下，很难有比较长期的思考过程。
而扎克伯格是如何修复这个失衡的天平呢？他直接空降了一个特种部队：由Alex Wang带队的TBD团队。
Meta的AI业务架构如今再一次重组之后，高层也经历了一系列的动荡。
Alex Wang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。TBD，FAIR和GenAI一起组成Meta Superintelligence Labs（MSL部门），直接汇报给Alex，而Alex直接汇报给扎克伯格。
这也意味着，FAIR的Yann LeCun如今也汇报给Alex，而Joelle Pineau此前被要求汇报给GenAI组的负责人Ahmad。
我们看到，Joelle已经在今年5月离职，去了Cohere做首席AI官；而Ahmad说实话已经很久没有什么声音了，也没有被任命负责任何重要的项目；而CPO Chris Cox也被Alex抢了风头，排除在了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。
我们听到过Meta内部各种对Alex和他领导的这支极度有特权小组的不满，包括TBD团队里的人可以三年不用做绩效考评、可以不理不回其它任何VP的信息、Meta AI的所有paper都要给TBD里面的人去审核才能给发表。
要知道，TBD里面不少人比较年轻，这是让很多资深的研究员非常不满， 反正就是各种内部政治斗争感觉又要起来一波。
但不可否认的是，特权的等号后面是成绩。这个成绩对于扎克伯格来说，不仅仅是Make Llama Great Again（让Meta再次伟大），而是“Meta has to win”（Meta必须赢）。
在这场AI竞赛中，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他将做出的三个改变：
1.集中TBD和FAIR团队的核心基础研究力量；
2.提升产品和应用研发的融合、且继续以产品为模型聚焦点；
3.成立一个核心基建团队来支持研究押注。
Tom Zhang
硅谷资深人才专家：
第一条就是把基础研究、TBD Lab和FAIR更集中化，就让它两个更紧密的去结合。所以这回裁掉的一些研究人员，邮件上也说，可能他们的项目没有那么高的影响力。你再做一些前沿的研究，但和我们现在没有关系，因为很多前沿研究是高度抽象的，是从数学的角度，从很多理论的角度，它其实和工程的离得比较远。
第二个就是把产品和模型更紧密地结合，和Alex Wang一起进来的人，有一个就是GitHub的原来CEO。等于扎克伯格同时引进了两个高端人才，一个是Alex Wang，统一来说就是管模型的；一个GitHub前CEO Nat Friedman，他是偏产品的，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。
第三条是组建一个统一的核心基础设施（Infra）团队，就把管卡的数据中心团队更集中化。过去很可能是很散的，好几个领导都在，你要卡你得来申请。现在卡这个事也是统一来管理。所以这个邮件写得还是挺清楚的。
而Alex能否撑得起扎克伯格的押注呢，也许很快我们就会有答案。
图片来源：Bussiness Insider
总结一下，Meta在Llama前三代都还是领先的开源模型，引领着开源派去对抗OpenAI和谷歌Gemini这样的闭源派。
然而，在Llama 3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Llama 4的升级聚焦在多模态等工程性能上，但却错失了思维链（CoT）等推理上的前沿技术时间优势。
虽然当时田渊栋等FAIR的AI科学家已经在研究CoT了，等DeepSeek引发轰动之后，又将FAIR的田渊栋团队临时救火优化Llama 4上的MoE架构，反而又中断了CoT和推理上的研发，导致AI前沿技术研究和产品工程这架天平彻底失衡。
在采访过程中，我脑中不止一次闪过历史上那些闪耀一时的前沿实验室：贝尔实验室、IBM Watson Research、HP实验室等等，但基本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FAIR，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。
你认为这场由Llama 4失败引发的大重组，是Meta AI的最后机会吗？欢迎在评论区留言告诉我们。
本文来自微信公众号“硅谷101”，作者：陈茜，36氪经授权发布。
发布时间：2025-11-11 14:00
立即订购
在线咨询
返回顶部