AI news

对话马骁腾:大厂AI Lab没死,只是换了个活法

By 马舒叶0 viewsSource: 白鲸实验室
对话马骁腾:大厂AI Lab没死,只是换了个活法

近期,大厂的AI实验室正迎来一场深度结构性调整。

The full text has not been translated yet. The Chinese original is shown below.

文章配图

Lab首席科学家马骁腾博士

近期,大厂的AI实验室正迎来一场深度结构性调整。

3月20日,腾讯宣布成立近十年的AI Lab正式撤销,大部分团队并入大语言模型部混元团队,向首席AI科学家姚顺雨汇报。更早的3月16日,阿里则成立了Alibaba Token Hub(ATH)事业群,由CEO吴泳铭直管,通义实验室与MaaS、千问、悟空、AI创新事业部实现全面统一,被纳入token事业群强调业务联动。

当创新部门与业务中台的边界变得模糊,科研探索的长期价值似乎让位于商业落地的现实诉求。曾承担着前沿技术探索的AI Lab,在大厂成为一种过去式。

近期,我们与Mind Lab首席科学家马骁腾展开深度对话。“无论阿里也好,腾讯也罢,整合原因都一样,大模型太贵了。”他告诉我们,国内大厂频繁调整AI Lab,不是因为它们做得不好,而是这种模式已经不适应大模型转型需要了。

大厂的AI Lab退出历史舞台的同时,近年硅谷开始流行一个新概念Neo Lab,专指由顶级AI研究者创立的,以提升智能为目标的研究型实验室。其中最为瞩目的代表就是图灵奖获得者杨立昆创立的AMI Labs。

Mind Lab是个人专属智能体公司Mindverse去年成立的一家Neo Lab。

Mind Lab的成员均毕业于全球知名学府,有OpenAI、Deepseek、Seed 等顶尖实验室的工作经历。例如,马骁腾博士毕业于清华大学自动化系,常年深耕强化学习领域。Mind Lab创始人Andrew 则毕业于麻省理工大学,目前担任深圳清华大学研究院的研发中心主任,之前曾和姚顺雨在OpenAI参与主导Agent微调的经典工作之一FireAct。

相比大厂的AI实验室,Mind Lab更强调研究直接落地产品,产品数据同步反哺研究。马骁腾说,“Mind Lab研究和产品中间没有断层,组织结构可以高频迭代,几乎每两个月就有一次调整。”

在Neo Lab新组织形态下,过去一年,Mindverse发布了三款产品,首款试验性产品Personal Agent——Macaron AI去年8月上线,还推出一个用 CPU 就能高效训练万亿参数模型的后训练平台Mind Lab Toolkit,成本优化十倍,一天即可轻松完成一轮训练。它和前OpenAI高管创立的Thinking Machines同期实现了1T LoRA-RL,是业界在万亿参数模型上进行高效强化学习的第一个研究成果。

在他看来,大厂纷纷调整AI Lab,不是说研究变得不重要了,而是衡量研究的核心指标变了——不再是顶级刊会发表的论文数量,关键看能不能进入真实世界,形成闭环。

这方面的典型代表就是谷歌的DeepMind。2023年,谷歌将 Brain与DeepMind合并,使其成为全公司AI战略的“中央引擎”。它不仅承担AGI长期探索、核心模型研究,还肩负Gemini应用落地。如今,DeepMind已从当年谷歌花费6.5亿美元收购的小型实验室,扩张为同时推进约30个前沿项目的庞大机构。

“从这个角度看,DeepMind 做的是一种更大的产品驱动研究。”马骁腾说。

以下是《白鲸实验室》和他的对话,为了文本阅读方便,我们做了精简处理。

01

从“腾讯 AI Lab”说起:一个时代的结束

白鲸实验室:过去大家提到 AI Lab,往往会联想到谷歌、腾讯里的“大厂前沿研究部门”。AI Lab 在大厂内部到底承担什么角色?

马骁腾:如果一定要分类,AI Lab大致可以分为三类:谷歌DeepMind 、腾讯AI Lab这种“研究型 Lab” ,阿里通义这种“大模型原生 Lab” ,还有一类是我们现在做的这种“研究+产品一体化”的Lab 。腾讯 AI Lab 本质上是对标 DeepMind建立的。DeepMind诞生在AlphaGo之后,是一个从属于大公司、不为业绩目标负责的纯研究型实验室。它其实是“上一代 AI”的产物。通义的 Lab就属于大模型时代的原生AI lab。

白鲸实验室:最近几年,从阿里大厂 AI Lab 出现了合并、调整甚至裁撤的趋势,这背后的原因是什么?

马骁腾:据我了解,腾讯其实已经在尽力平衡研究和业务的关系了。最典型的例子就是腾讯AI Lab的游戏AI策略做得很好,也确实用到了腾讯的游戏业务,这说明他们已经在往“实用”的方向靠了,工作重心也从一开始偏向“发论文、追新颖”(for novelty),转向更关注“能不能真正落地、服务业务”(for application)。

这也是一种思路上的根本转变。不再为了研究而研究,而是让研究真正为产品服务。

所以不是 AI Lab 做得不好,而是这种模式已经不适应这个时代了。其实无论阿里也好,腾讯也罢,整合原因都一样,大模型太贵了。举个例子,原来通义实验室是一个小Lab,花的钱并不多。但后来模型做得越来越好,烧的钱越来越多,影响力也越来越大,它就从一个实验室上升到了集团层面。当老板看到账单,自然会思考投入和产出比。

就像OpenAI 关停 Sora ,显然也不是因为Sora做得不好,而是需要集中火力去做一些更重要的事情。

白鲸实验室:AI Lab曾被认为是研究者的“理想国”,这在大模型时代无法持续了吗?

马骁腾:大模型带热AI技术潮之前,AI Lab 确实是研究员最好的去处之一。但问题是它和真实世界之间存在“gap”(差距)。 Lab做研究,业务要结果,这中间是断裂的。但现在,大模型技术直接进入了产品,包括Chat 、Agent 、AI 搜索,这些都是直接面对用户的 ,所以这个gap 也就不允许再存在了。

白鲸实验室:是否可以说,AI Lab和业务之间的矛盾,一定程度上是技术人员和产品经理在“做精”还是“做快”上的冲突。在你看来,大厂的AI Lab是否也存在这种“工程严谨性”与“创新探索”的冲突?

马骁腾:其实在模型层面,工程严谨性并没有大家想象的那么高,现实情况往往更激进,今天有了算法的新突破,明天就想部署到产品里。

一个非常明显的表现就是模型不再攒大活,比如之前OpenAI发布的模型节奏是GPT3、3.5、4,时间跨度一年多。现在则变成了5.1、5.2、5.3、5.4,发布周期明显变短了。为了快速迭代,大厂甚至愿意容忍一些中间版本,在不够好的情况下发布。

白鲸实验室:过去两年,大厂AI Lab的成果不少都以论文的形式出现,传统AI Lab承担着为大厂赢得学术声誉的职能。AI Lab是否曾陷入“为发论文而做研究”的陷阱,这种倾向是否与公司追求产品落地、商业回报的目标相违背?

马骁腾:过去大厂常用专利,或者在Nature、顶会发表论文来彰显技术实力。去年之前,论文还没有通货膨胀,发一些好的 paper能带来很强的影响力和企业红利。当时大家对该怎么搞AI,都很迷茫,一边探索一边批量生产论文也是个自然过程。

但到了今天,很多的问题已经被解决,比如如何构建一个推理模型,或是基于强化学习的智能体模型,这些技术路径早已不是秘密。现在模型厂商真正需要解决的问题,已从纯技术突破到把技术转化为优秀的产品与用户体验上。

现在,大模型领域的论文通货膨胀已到了临界点。我们最近招了多位顶尖researcher,他们几乎都表态不想再发论文了。 一方面有了AI 工具,研究员发表论文效率确实提升了。原来一个博士生需要四年完成的工作,现在一个月就能完成的八九不离十。从AI搜索文献、分析实验结果、画图、排版,甚至跑实验,效率提速了,论文本身的价值便被稀释了。

这一点其实所有的researcher心知肚明。现在,几乎没人只是为了发一篇paper而做research了。

白鲸实验室:大家不向往成为比如Kimi、DeepSeek论文的共同作者了吗?

马骁腾:我觉得这是两个概念。大家之所以想成为DeepSeek 论文的作者,不是单纯为了发篇论文,而是因为DeepSeek模型本身很厉害。不是所有的paper都是 DeepSeek R1。

现在每年可能有几十万篇AI相关的paper,数量还在指数级暴涨,但其中大部分只是为了做探索而发表。只要在toy example(示例)上跑通了,就被视为好的research,几乎没人会追问实际情况有没有用、能不能落地。

02

AI Lab的核心使命变了

白鲸实验室:大厂纷纷裁撤AI Lab,这是不是意味着AI lab原来承担的使命已经结束了?

马骁腾:其实我的理解是相反的,AI Lab的地位反而被抬高了。谷歌在2014年1月底以6.5亿美元收购了只有30、40人的DeepMind,现在DeepMind为谷歌带来的回报远超当初。DeepMind不仅没有消失,scope(业务领域)还变大了。

白鲸实验室:像谷歌这样的海外大厂,AI Lab(如DeepMind)和国内大厂的AI Lab,本质区别是什么?除了资金和人才密度,在组织目标、学术自由度以及“长期主义”上有差异吗?

马骁腾:我觉得本质区别不只是资金和人才密度,是它们在公司里的组织定位不一样。

腾讯AI Lab更偏企业战略工具,DeepMind更偏使命驱动型的前沿组织。DeepMind从一开始就更像是为下一代AI系统,甚至AGI这种更长期的目标服务,所以它天然会拥有更高密度的资源、更强的人才配置,也会被允许去做周期更长、不确定性更高的研究。这个背后当然也和 Google 整体的体量、资本能力,以及对长期投入的容忍度有关。

今天如果还把 DeepMind理解成一个纯做前沿研究的组织,其实已经不准确了。DeepMind也对Gemini这样的核心产品负责。现在几乎所有顶级AI Lab的目标都指向更通用的智能。

一个AI Lab如果只是做前沿研究,却无法形成产品落地,无法打通真实环境里的应用和反馈闭环,是远远不够的。

白鲸实验室:字节AI Lab的演变路径很有代表性。2016年成立,2020年转为技术中台,2024年拆分为Seed(基础模型)和Flow(产品创新),2025年整体并入Seed。这本质上是一个“从独立Lab到业务中台,再到模型产品一体化”的收缩过程。腾讯AI Lab现在也走了类似的路——撤销后并入混元。你如何评价这条“先散后收”的路径,这是大厂AI Lab的必然归宿吗?

马骁腾:其实这不是模式本身的问题。在迷茫期,大家都在探索,现在路径已经明确,做好模型能带来非常稳定的收益,API 能卖得多,市值可以拉高。站在公司的角度上,为什么还要花时间做没有意义的事情呢?

后面AI Lab可能会再分开、合并,大家可以理解为一种历史的循环。每当进入技术平台期、方向不明确时,就会散开做探索。一旦路径清晰,就会重新聚焦做应用和落地。

白鲸实验室:字节Seed现在的组织架构很有意思,吴永辉组建了三大团队:Edge(长期AGI课题)、Focus(突破基础模型短板)、Base(当前模型迭代),还取消了大部分团队的OKR,发放独立的“豆包虚拟股”,鼓励发论文。但矛盾的是,2025年下半年,资源明显向短期有成果的团队倾斜,部分前沿的研究领域被忽视。大厂AI Lab的职能变得有些挣扎,既要考虑业务,又要做长期研究?

马骁腾:其实从算力资源来看的话,会更直观。一个业务上跑得不错的模型,一旦请求量上来,推理自然要吃掉更多的卡。从业务角度看,这当然是好事,但同一池子的资源就那么多,推理多占一点,留给 researcher 做训练和长期课题探索的卡就会相应变少。

所以你会看到,同一个组织里,一边是短期可见的产品增长和营收,一边是周期更长、不确定性更高的基础研究,两边天然是拉扯的。只要还共用一套资源,这种张力就会一直存在。

白鲸实验室:字节AI Lab历史上还有一个有意思的细节:2020年从“集团级前瞻项目”转为“技术中台”,是因为马维英(时任AI Lab的负责人)的汇报对象从张一鸣变成了抖音负责人张楠。AI Lab从“老板直管”降到了“业务支撑”。腾讯AI Lab也面临类似问题。在你看来,AI Lab在一个大厂体系内,到底应该向谁汇报?是CEO办公室(如姚顺雨的设置)业务部门,还是独立的科研体系?

马骁腾:我感觉汇报的链路越短越好。据我了解,其实大家的汇报层级,从 Lab负责人到一线的大头兵,最多不会超过三级。甚至有一些更极端的 Lab,组织结构扁平得可怕。

本质是决策者知道的信息越多,决策失误的链路就会越短。不是说 Lab 负责人要对每个决定拍板,而是他要知道一线发生了什么。在现在模型的迭代速度下,组织还是要扁平一点,让信息都能通过这个人同步给集团最终决策者。

03

第三种AI Lab

白鲸实验室:你们为什么会想要做Mind Lab?

马骁腾:Mind Lab属于第三种实验室,我们叫它NEO Labs (研究型创业实验室)。姚顺雨在The Second Half的文章里提到,AI下半场,评估与基准(Benchmark)比模型迭代更重要。过去拼模型架构、训练、规模,用旧基准刷分,基准和真实世界是脱节的。现在大模型预训练+RL已经成熟,作为一家后训练公司,我们认为最重要的就是taste,就是我们到底应该往哪个方向优化模型?

对于预训练公司,好的Benchmark就是各类公开排行榜。但对于后训练公司则不同。我们需要从业务反推优化目标。比如优化人机交互的UI,按钮位置等细节完全取决于产品属性,这需要重新定义什么是“好模型”、“好产品”,以及如何创造新的产品特性。而且这种设计既不是传统产品经理能完成的(他们不懂模型语言),也不是研究员擅长的(他们多数缺乏用户思维),也不是大厂语境下模型经理的责任(他们只对固定Benchmark负责)。所以这也是我们持续投入研究的原因。

白鲸实验室:Mind Lab和前两种AI Lab相比,最大的区别是什么?

马骁腾:大厂的Lab在研究和产品中间都会有距离,而在Personal Agent领域,我们的Benchmark是“一人一Benchmark”——每个用户都有自己的评估标准。这就要求对用户的记忆和个性有深入洞察,背后需要大量的研究支撑。

所以我们的Mind Lab新设了一个研究+产品的协作组,将产品经理引入模型Harness的设计流程中。不同于传统大厂中产品经理仅负责提需求,我们的产品经理要主导设计评估标准(rubrics)、构建Benchmark,并定义“好模型”的具体表现。研究员则围绕这些真实目标,在算法、模型能力与训练方法上持续优化。

双方并非单向上下游对接,而是共同参与模型学习系统的设计。这一模式下,研究直接落地产品,产品数据同步反哺研究,中间没有断层。我们的组织结构也保持高频迭代,几乎每两个月就会有一次调整。

白鲸实验室:从去年8月Macaron AI测试版推出,到6个月前Mind Lab成立,实际上我们是否可以说Macaron AI(产品是定位个人Agent的马卡龙)完成了从产品型公司到研究型初创公司的转变?

马骁腾:是的。其实真的感谢DeepSeek。去年,我和Macaron AI的创始人Andrew就一起带着几个人复现DeepSeek R1。在这个过程中,因为我们卡不够,只能用Lora(低秩适配)这种轻量微调方式来做,因为强化学习用Lora算力成本更低。

但在复现的过程里,我们发现Lora这种方式可以在很少算力的情况下提高任务表现,并且在RL/Agent训练上几乎不损失性能。于是我们决定all in Lora,最后和ThinkingMachines同期实现了在万亿参数模型上进行高效强化学习。

白鲸实验室:你们的Mind Lab是怎么解决“为业务服务”和“做长期研究”之间的资源分配问题的?

马骁腾:我们是一个后训练的Lab ,所有被选进 lab 的人都是为了让研究更好的应用到产品上。随着技术不断落地到应用产品上,Macaron AI的日均使用时长也会不断增长。比如去年8月刚上线时,用户用Macaron AI做一个应用,有时要花20-30分钟,成功率也不高。现在我们把场景做了细化,上线了多个模型,有的侧重情感,有的面向健身、睡眠、饮食,不同场景有对应的模型。现在用户只需2分钟,就可以写一个应用。

我们还在尝试通过模型训练,让用户更方便的用Macaron AI规划自己的生活。比如现在和Macaron对话时,会触发可交互的卡片,用户通过点选就能细化需求,接下来我们希望能将对话过程都简化成选项形式,所以现在还在全力冲刺,争取在4月推出我们的新版本。

白鲸实验室:你们最终的研究目标是什么?

马骁腾:我们希望最终能实现“每个人都有一个LoRA”。用户拥有一个属于自己的私人模型,相比通用模型,在个性化和记忆上的体验会有很大的跃升。到那时,我们有希望冲刺千万用户目标。

白鲸实验室:你们的路径是研究驱动产品、产品反哺研究,似乎和谷歌DeepMind的路径不同,DeepMind的AlphaFold、AlphaTensor、AlphaCode等成果是“论文驱动”而非“产品驱动”。哪种更适合当下?

马骁腾:把 AlphaFold、AlphaTensor、AlphaCode 这类成果简单定义成“论文驱动”,是不准确的。DeepMind 本质上也是产品驱动研究。只是这里的产品不一定是传统意义上的 2C 产品。所以我不觉得这是“论文驱动”和“产品驱动”的二选一。真正重要的是,研究有没有进入真实世界,能不能形成闭环,从这个角度看,DeepMind 做的是一种更大的产品驱动研究。

至于哪条路更适合当下,要看企业所处的位置。DeepMind 那种长期主义 + 递归进化的路径,适合少数拥有超大资源和超长时间尺度的顶级平台。

而我们这种研究驱动产品、产品反哺研究的路径,更适合今天绝大多数真正要参与 AI 竞争的组织。因为今天 AI 的竞争,已经不是单点论文突破,而是谁能更快地把研究、训练、产品和反馈接成一个闭环的竞争。

文章来自于"白鲸实验室",作者 "马舒叶"。

Related topics

After reading

Join the AINRK community

Read how to join the community and connect with people working in AI.

Community information (opens in a new tab)