扎克伯格难留AI人才：Llama团队近八成顶尖研究成员已出走
发布时间：
2025-05-27 10:00:44
【导语】据《商业内幕》报道，Meta开源大模型Llama曾助力公司确立AI战略，但打造这一成功模型的核心研究团队现已大多离职。这些人才纷纷投奔竞争对手或自立门户，对Meta的AI发展(zhǎn)构(gòu)成(chéng)挑(tiāo)战(zhàn)。同(tóng)时(shí)，公(gōng)司(sī)内(nèi)部(bù)对(duì)最(zuì)新(xīn)AI模(mó)型(xíng)Behemoth的(de)性(xìng)能(néng)担(dān)忧(yōu)导(dǎo)致(zhì)推(tuī)迟(chí)发(fā)布(bù)，而(ér)Llama 4的(de)反(fǎn)响(xiǎng)也(yě)平(píng)平(píng)。随(suí)着(zhe)领(lǐng)导(dǎo)层(céng)调(diào)整(zhěng)和(hé)人(rén)才(cái)流(liú)失(shī)，Meta正(zhèng)面(miàn)临捍卫其AI领先优势的严峻考验。
据《商业内幕》报道，Meta开源大模型Llama帮助确立了该公司的AI战略，然而打造这一初代成(chéng)功(gōng)模(mó)型(xíng)的(de)研(yán)究(jiū)人(rén)员(yuán)如(rú)今(jīn)大(dà)多(duō)数(shù)已(yǐ)离(lí)开(kāi)。
2023年(nián)，Meta通(tōng)过(guò)一(yī)篇(piān)具(jù)有(yǒu)里(lǐ)程(chéng)碑(bēi)意(yì)义(yì)的(de)论(lùn)文首(shǒu)次(cì)将(jiāng)Llama模(mó)型(xíng)推(tuī)向(xiàng)世(shì)界(jiè)。在(zài)这(zhè)篇(piān)论(lùn)文中(zhōng)，署(shǔ)名的(de)作(zuò)者(zhě)有(yǒu)14位(wèi)，如(rú)今(jīn)仍留在Meta的仅有三人：研究科学家雨果·图弗龙(Hugo Touvron)、研究工程师泽维尔·马蒂内(Xavier Martinet)，以及技术项目负责人费萨尔·阿扎尔(Faisal Azhar)。其余的作者均已离职，其中许多人已加入Meta的新兴竞争对手或创办了自己的公司。
在Meta流失的人才中，许多投奔了巴黎创业公司Mistral。这家公司由前Meta研究员纪尧姆·朗普尔(Guillaume Lample)和蒂莫西·拉克鲁瓦(Timothe Lacroix)共同创办，这两人都是Llama模型的关键架构师。他们与多位Meta前同事一道，正在打造强大的开源模型，直接与Meta的旗舰AI模型竞争。
随着时间的推移，这些人才流失消息引发了人们对Meta保留顶尖AI人才能力的质疑，而此时该公司正面临着来自内外部的新一轮压力。据《华尔街日报》报道，由于公司内部对性能存在担忧，Meta已推迟推出其有史以来最强大的AI模型Behemoth。Llama 4是Meta最新的模型，但开发者对其反响一般。现在，许多开发者都转向了发展速度更快的开源竞争对手，如DeepSeek和通义千问，以获取前沿技术能力。
Meta内部研究团队也经历了人事动荡。领导公司基础AI研究团队(FAIR)长达八年的乔埃尔·皮诺(Joelle Pineau)在上月宣布将卸任。接替她的是罗伯特·弗格斯(Robert Fergus)，他在2014年联合创建了FAIR，此后曾在谷歌旗下的DeepMind工作五年，并于本月重返Meta。
这次领导层调整是在一段平静的人才流失期之后发生的。自从发表那篇里程碑式论文以来，Llama取得初期成功背后的许多研究人员已经离开了FAIR，即便Meta仍将该模型系列视为其AI战略的核心。随着众多最初研究者纷纷离去，而竞争对手在开源创新方面动作更快，Meta如今面临着在缺少原始团队支持的情况下，捍卫其早期领先优势的严峻挑战。
这11位已离职论文作者在Meta的平均任职时间超过五年，表明他们并非短期员工，而是深度参与Meta AI项目的核心研究人员。其中有人早在2023年1月就已离开，有些则一直坚守到Llama 3周期结束，还有少数是今年才离职。他们的相继离开，标志着那支曾帮助Meta凭借开源模型树立AI声誉的团队正悄然解体。
Meta发言人戴夫·阿诺德(Dave Arnold)在回应这一报道时引用了之前的一条X帖子。该帖子是在回应《华尔街日报》对于Meta人才流失的报道。阿诺德表示，这些离职员工指的是首次发表Llama论文的研究人员，而不是发布所有后续Llama模型的团队。
相关新闻
数据瓶颈的误判与系统效能的底层逻辑很多人以为，自动化装配系统的效能提升必然依赖海量数据输入，当系统抛出“没有更多数据了”的错误提示时，便判定其已触及性能天花板。其实不然——这一错误本质是数据流管理失效的表征，而非系统能力的物理极限。在工业4.0架构中，数据并非越多越好，其有效性取决于三个关键维度：数据粒度、时序同步性与决策链闭环性。案例：慕尼黑工业博览会上的“数据饥饿”陷阱2023年慕尼黑工业博览
数据孤岛效应下的系统熵增危机很多人以为自动化装配系统的数据阈值仅受硬件存储容量限制，其实不然。在德国斯图加特某汽车零部件制造商的案例中，其2023年投产的智能产线因传感器数据流超载，导致PLC控制单元在47分钟内产生23次非计划停机。该产线配置了128组力觉传感器与32组视觉检测模块，原始数据生成速率达每秒1.2TB，远超工业以太网协议规定的100Mbps有效带宽。底层逻辑是：现代装配系统普遍采用
数据阈值：自动化装配的隐形边界很多人以为，自动化装配的精度仅由机械臂的重复定位精度决定，其实不然。在工业4.0的语境下，数据阈值才是决定系统稳定性的关键变量。当传感器采集的原始数据超过预设阈值时，系统会触发容错机制，这种机制的本质是数学模型与物理现实的动态博弈。以某德系汽车零部件供应商的案例为例：其位于巴伐利亚州的工厂曾因传感器数据波动导致装配线停机率上升12%。问题根源并非机械故障，而是阈值设定
数据瓶颈的底层逻辑：并非“量”的终结，而是“质”的觉醒很多人以为，自动化装配的数据瓶颈源于数据采集的物理限制或存储容量的技术天花板，其实不然。当系统抛出“没有更多数据了”的报错时，真正的矛盾往往隐藏在数据维度单一性、标注效率低下或算法泛化能力不足的底层逻辑中。以汽车底盘焊接产线为例，某头部车企曾因依赖单一传感器数据源，导致装配误差率在0.3mm阈值处频繁波动——看似数据量充足，实则缺乏多模态数据融
当自动化装配系统遭遇数据瓶颈：解码“没有更多数据了”背后的技术真相
数据断流：自动化装配的“隐形刹车”很多人以为，自动化装配系统的效率瓶颈仅存在于机械臂的重复定位精度或PLC的响应速度，其实不然。当系统抛出"{"error":"没有更多数据了"}"的报错时，暴露的往往是数据流架构的深层缺陷——这并非简单的存储容量问题，而是工业物联网（IIoT）与数字孪生（Digital Twin）协同失效的典型症状。底层逻辑：数据供应链的断
深圳市物联网产业协会成功举办《24小时自助图书馆通用规范》团体标准评审会
【导语】2019 年深圳市物联网产业协会发布的《24 小时自助图书馆通用规范》部分指标落后且引用文件有更新，不利行业发展。为此协(xié)会(huì)于(yú) 2024 年(nián) 11 月(yuè)启(qǐ)动(dòng)修(xiū)订(dìng)立(lì)项(xiàng)，2025 年(nián) 10 月(yuè) 30 日(rì)召(zhào)开(kāi)评(píng)审(shěn)
全球智能视觉处理芯片龙头冲刺港交所：光环之下，何以冲破增长枷锁？
【导语】近日，智能视觉处理芯片龙头富瀚微递交港交所招股书，吹响“A+H”双上市号角。其虽在全球市场占据领先地位，但2022 - 2025年上半年营收、净利、毛利率均逐年下滑。不过，富瀚微注重研发创新，积极拓展AI新业务版图。此次赴港上市，能否助力其突破瓶颈、续写传奇，值得期待(dài)。 近(jìn)日(rì)，智(zhì)能视觉处理芯片龙头富瀚微正式向港交所递交了招股书，吹响“
国家发改委等五部门：探索推动具身智能机器人进社区、进家庭，到 2027 年底建成 50 个以上全域数字化转型城市
【导语】10月31日，国家发展改革委等五部门发布《深化智慧城市发展推进全域数字化转型行动计划》，提出到2027年底建成50个以上全域数(shù)字(zì)化(huà)转(zhuǎn)型(xíng)城(chéng)市(shì)，2035年(nián)涌(yǒng)现(xiàn)一(yī)批(pī)具(jù)有(yǒu)国(guó)际(jì)竞(jìng)争(zhēng)力(lì)的(de)现(xià
2025深圳安博会：大公博创揽三奖 低空安防技术引国内外媒体聚焦
【导语】2025年10月28日至31日，第二十届中国国际社会公共安全博览会在深圳启幕。成都大公博创信息技术有限(xiàn)公(gōng)司(sī)携(xié)全系(xì)列(liè)低(dī)空(kōng)安(ān)防(fáng)设(shè)备(bèi)参(cān)展(zhǎn)，凭(píng)借(jiè)三(sān)项(xiàng)权(quán)威(wēi)大(dà)奖(jiǎng)、全栈(zh
【导语】中国电信率先公开展示业内首个“北斗语音消息”服务，首创 AI 算法实现语音极速传输；与此同时，华为也在第四届北斗峰会上发布相关功能，其手(shǒu)表(biǎo)成(chéng)首(shǒu)款(kuǎn)支(zhī)持(chí)终(zhōng)端(duān)，北(běi)斗(dòu)应(yīng)用(yòng)再(zài)掀(xiān)新(xīn)篇(piān)。 据(jù