@Valley101_Qian: 恭喜Yuandong @tydsh ，在之前我们采访的尾声，他说的“新方向”今天官宣了：融资6.5亿、估值46.5亿美元的neolab Recursive_SI. 期待行业更多的research freedom与research tast…

恭喜Yuandong @tydsh ，在之前我们采访的尾声，他说的“新方向”今天官宣了：融资6.5亿、估值46.5亿美元的neolab Recursive_SI.

期待行业更多的research freedom与research taste～ https://t.co/16Yegkrs6y

TL;DR: 前FAIR研究总监田渊栋在Meta裁员后分享了对AI行业趋势、LLM与Scaling Law的局限、强化学习的优势，以及研究自由与工程平衡的深刻思考。

裁员与心态：早有准备，顺势而为

在被Meta AI部门裁员前，田渊栋已经拿到了工作offer，并已向上级表达过离职意向。他在Meta工作了十多年，认为这次裁员是一个“出来看看”的时机。裁员消息（约600人）虽然令人震惊，但并未让他措手不及。他观察到行业趋势是“做AI的人会越来越少，但用AI探索其他东西的人会越来越多”——自动化程度提高后，重复性工程岗位缩减，而前沿研究与垂直应用岗位会增多。

对LLM路线的看法：有趣但未必正确

田渊栋认为大语言模型（LLM）是一个“很有意思的路线”，但不确信它是正确的方向。核心问题是数据效率：人一生能学到的文本token约100亿量级，而大模型训练轻松达到10万亿甚至30万亿，差距达1000倍。人类科学家能在极少数据下做出独特发现，而大模型需要海量样本。他猜测未来可能不再是梯度下降主导，也许会有更好的学习范式。

Scaling Law的悲观未来

Scaling Law在他看来是“悲观的未来”：需要指数级增加数据和算力才能获得线性性能提升。按此路径，地球上所有资源都会被耗尽。他呼吁更高效的方法发展智能，但同时也承认就算当前模型停滞不前，未来三到五年仍有大量应用机会。

强化学习（RL）的独特价值

田渊栋长期研究强化学习，认为其最大好处是主动学习：通过搜索过程生成的数据质量优于被动喂入的数据。相比监督式微调（SFT），RL尤其擅长推理任务，能产生泛化能力，而SFT容易导致记忆和性能下降。他强调RL的本质是一种不同的数据采集方式（边搜边学），其核心是改变数据分布，而非目标函数差异。

开源与闭源：取决于目的

他预测开源模型不会消失，但形态会分化：如果模型作为平台或工具标准，开源有天然优势；若用于个性化搜索或推荐，可能更倾向于闭源。在前沿最先进模型上，开源很难直接与闭源竞争，但在垂直领域和特定任务上，开源机会依然很多——每个公司、每个模型可以有自己的目的。

AGI与人类洞察力

田渊栋使用过GPT-5协同写论文，发现如果没有领域知识（domain knowledge），模型给出的规划缺乏原创性。顶尖的洞察（insight）仍然需要人来引领。他类比自动驾驶：早期进展快，但随着难题增多，优质数据越来越少，模型训练瓶颈显现。人对少量样本的深度挖掘能力目前远超模型。

FAIR的遗憾与收获：工程与研究的平衡

他回顾FAIR经历：早年因为工程工作多而被批评“研究科学家不能只做工程”，后来转向研究。但现在看来，工程能力反而更受欢迎。他认为工程和研究能力兼备是最优状态。最大的收获是2018年后培养出了“research taste”（科研品味），能为自己设定道路并持续前进。这种品味比单纯解决工程难题更重要。

AI人才的稀缺性：与其追热点，不如找到热爱

田渊栋认为，现在AI行业周期极快，今天火热的技术明天可能过时。与其跟风学习市场热门，不如做自己真正想做的事情，并结合对未来有用性的判断。他强调“不要去想谁最稀缺，因为两年后定义可能就变了”。对个人而言，找到热爱并坚持下去，一旦被市场发现，收益会很大。

理想化的研究实验室：存在但形式游击化

他回应了关于理想化research lab是否存在的疑问：大厂不是铁板一块，许多小团队内部仍有研究自由；即使FAIR因重组可能不再那么科研化，还会有其他组织甚至创业公司提供空间。研究本身是“search”的过程，未来会更像“游击战”——分散、灵活、由有理想的人驱动。

下一步：尚未决定，但志在高远

截至采访（裁员后不到一周），田渊栋还未决定去向。他希望找到能将前沿研究与工程应用结合的机会，并设定一个“不可能实现的目标”再反过来寻找支撑。他期待能做出既能赋能自己科研、又能广泛造福他人的产品。

Source: YouTube视频