本周官方渠道传达新成果,《玩具试用员日记：我与童年的奇妙邂逅》

本周官方更新行业研究成果,MetaAI人才动荡，上亿美元为何留不住人？,很高兴为您解答这个问题，让我来帮您详细说明一下。智能化工单系统，自动派发维修任务

宿州市砀山县、红河个旧市 ，保亭黎族苗族自治县保城镇、广安市广安区、鹤岗市萝北县、阜新市太平区、广西百色市田林县、广州市番禺区、衡阳市衡南县、黔南长顺县、漳州市芗城区、黔南平塘县、黄山市黟县、温州市鹿城区、济宁市汶上县、兰州市永登县、常德市石门县 、吉安市万安县、佛山市高明区、广西百色市凌云县、吉安市庐陵新区、大理永平县、甘孜甘孜县、珠海市香洲区、南平市武夷山市、汕头市澄海区、凉山木里藏族自治县、抚州市南丰县、衡阳市雁峰区

统一售后服务专线，全国联网服务,今日监管部门披露研究新动态,《玩具试用员日记：我与童年的奇妙邂逅》，很高兴为您解答这个问题，让我来帮您详细说明一下：自动化服务调度，智能匹配维修资源

牡丹江市林口县、临沂市郯城县 ，内蒙古锡林郭勒盟阿巴嘎旗、伊春市丰林县、天水市清水县、中山市神湾镇、鸡西市恒山区、黔西南贞丰县、宣城市旌德县、成都市简阳市、广西河池市宜州区、内蒙古赤峰市红山区、十堰市张湾区、内蒙古呼伦贝尔市阿荣旗、太原市晋源区、咸宁市嘉鱼县、太原市古交市 、北京市顺义区、泸州市江阳区、衡阳市耒阳市、白沙黎族自治县青松乡、安康市汉滨区、常德市临澧县、菏泽市鄄城县、丹东市宽甸满族自治县、广西柳州市鱼峰区、梅州市蕉岭县、宜昌市当阳市、恩施州鹤峰县、邵阳市武冈市、东莞市清溪镇

全球服务区域: 丽江市玉龙纳西族自治县、广西百色市靖西市 、大庆市肇源县、白沙黎族自治县金波乡、三明市永安市、屯昌县坡心镇、衢州市开化县、马鞍山市和县、铁岭市西丰县、佳木斯市郊区、南昌市新建区、锦州市太和区、辽源市龙山区、六盘水市盘州市、齐齐哈尔市甘南县、信阳市息县、辽阳市辽阳县 、长春市绿园区、绥化市海伦市、南阳市淅川县、西安市周至县、深圳市龙华区

刚刚信息中心公布关键数据,今日官方渠道传递行业新研究成果,《玩具试用员日记：我与童年的奇妙邂逅》，很高兴为您解答这个问题，让我来帮您详细说明一下：全国联保服务热线，正规售后有保障

全国服务区域: 漳州市东山县、本溪市平山区 、凉山昭觉县、荆州市监利市、辽阳市弓长岭区、潍坊市寿光市、太原市尖草坪区、景德镇市浮梁县、青岛市莱西市、广西玉林市博白县、鄂州市鄂城区、牡丹江市东安区、聊城市茌平区、成都市简阳市、资阳市安岳县、西安市雁塔区、益阳市赫山区 、衡阳市衡山县、达州市达川区、延安市洛川县、惠州市惠城区、安阳市林州市、铜仁市沿河土家族自治县、丹东市宽甸满族自治县、大庆市肇州县、南昌市西湖区、遵义市红花岗区、济宁市金乡县、吉林市龙潭区、清远市连山壮族瑶族自治县、台州市玉环市、丽水市遂昌县、永州市道县、鸡西市密山市、西安市碑林区、大理洱源县、福州市罗源县、晋中市太谷区、东莞市桥头镇、昌江黎族自治县七叉镇、重庆市城口县

统一售后服务专线，全国联网服务:今日官方传递政策更新,《玩具试用员日记：我与童年的奇妙邂逅》

作为一名玩具试用员，我有幸接触到了许多新颖有趣的玩具。这些玩具不仅让我感受到了童年的欢乐，也让我重新审视了玩具的价值。今天，就让我来为大家分享我的玩具试用员日记，带大家一同走进那个充满奇妙的世界。 那是一个阳光明媚的早晨，我接到了试用一款新型益智玩具的任务。这款玩具名叫“智慧星球”，据说能够锻炼孩子的动手能力和思维能力。我带着好奇和期待，开始了我的试用之旅。 一打开包装，一股五彩斑斓的气息扑面而来。智慧星球由多个模块组成，每个模块都有不同的功能。我迫不及待地按照说明书组装起来，发现这个玩具不仅外观精美，而且玩法多样。 我开始尝试用智慧星球进行简单的拼插，不一会儿，一个栩栩如生的动物模型就呈现在我面前。我感到无比的成就感，仿佛回到了童年。接着，我又尝试了其他模块的功能，发现它们不仅能够激发孩子的创造力，还能让他们在玩乐中学习。 在试用过程中，我发现智慧星球非常适合亲子互动。我和孩子一起研究如何组装新的模型，一起探讨如何解决遇到的问题。在这个过程中，我们增进了亲子关系，也让孩子感受到了家庭的温暖。 试用完智慧星球后，我又陆续尝试了其他玩具。其中，一款名为“魔法森林”的积木让我印象深刻。这款积木采用环保材料制成，色彩鲜艳，造型独特。我按照说明书，将积木拼成了一个美丽的森林。在森林里，我仿佛看到了各种动物在欢快地玩耍，感受到了大自然的神奇魅力。 此外，我还试用了一款名为“音乐盒”的电子玩具。这款玩具不仅可以发出美妙的音乐，还能根据孩子的喜好进行个性化设置。我在试用过程中，发现它不仅能够培养孩子的音乐素养，还能让他们在音乐中放松心情，陶冶情操。 作为一名玩具试用员，我深知玩具对孩子成长的重要性。一个好的玩具，不仅能给孩子带来欢乐，还能在潜移默化中培养他们的各种能力。在试用过程中，我不断反思自己儿时的玩具，发现那些简单、实用的玩具才是最珍贵的。 在这次试用之旅中，我不仅感受到了玩具的乐趣，还体会到了亲子互动的美好。我相信，只要我们用心去发现，每一个玩具都能成为孩子成长的助力。 最后，我想说，作为一名玩具试用员，我将继续努力，为大家带来更多优质的玩具试用体验。让我们一同期待那些充满奇妙、充满乐趣的玩具，陪伴孩子们度过美好的童年时光。

" 一个亿的小目标，和 AGI 的大目标。"采访丨程曼祺整理丨姚一楠2025 年 6 月，Meta 以 143 亿美元收购 Scale AI 49% 股权，招募 28 岁的 Scale AI 创始人亚历山大 · 王（Alexander Wang）；这之后，Meta 天价招募顶尖 AI 研究员，开出了最高 4 年 3 亿美元惊人薪资。这些新血液和 Meta 原本的部分 AI 团队在 6 月底正式组成 Meta " 超级智能实验室 "（Meta Superintelligence Labs，MSL），由亚历山大 · 王和前 GitHub CEO 奈特 · 弗里德曼（Nat Friedman）共同担任负责人。就在大家期待 Meta 一雪 Llama 4 的失利时，9 月，Meta AI 团队离职潮爆发：既有已在 Meta 工作了 12 年、参与 PyTorch 构建的 Bert Maher（加入了 Anthropic）等老员工离开；也有两位加入不足 2 个月的 OpenAI 研究员又重返 OpenAI（Avi Verma 和 Ethan Knight）。本期节目，我们邀请了 Pokee AI 创始人朱哲清（Bill Zhu），他曾在 Meta 工作 7 年多，担任 Meta " 应用强化学习 " 部门的负责人，去年 10 月开始创业，做以强化学习为内核的 Agent。Pokee AI 在今年 7 月完成了 1200 万美元的种子轮融资，前不久被美国知名科技投资机构 a16z 列入智能体工作流的标杆企业目录。朱哲清分享了他观察到的 / 硅谷顶尖 AI 人才的流动趋势，Meta、Google、OpenAI、Anthropic 等美国核心 AI 公司的组织特点，和由此延伸的业务策略；以及，作为一个 AI 创始人，如何在今天打造原生于 AI（AI-Native） 的新组织。以下是播客的文字整理，有部分精简。Meta 曾是创业氛围最浓厚的硅谷大厂，但疫情期间变臃肿晚点：Meta 近期经历了天价挖人到人才流失的戏剧性转折，甚至有 2 名刚被挖来不久的 OpenAI 研究员又回了 OpenAI 。你认为这是怎么发生的？朱哲清：硅谷人员流动频繁，但三个月内就跳槽的不多，更何况他们在 Meta 拿到的薪资包比在 OpenAI 等公司更优厚。这次有人快速离开，可能是不习惯 Meta 的环境。我 2017 年加入的前两年，Meta 是美国最有创业氛围的大公司：写代码、审批、上线到生产环境，整个流程只要几小时，非常高效。疫情后，流程没变，但 Meta 组织更臃肿了，VP 层级变多，每次迭代都要经过多个 VP 审批，可他们往往既不懂项目也没时间，只是形式化地审核一遍，留下一堆批示，搞得大家都很不爽，很多人因此离职。同时，Meta 的内部 " 政治斗争 " 比较多。这次离职的员工很多来自 OpenAI 或 Google，他们往往不擅长在有政治斗争的环境里工作，会觉得在浪费时间。而这类高层级人才的选择很多，往往被十几家公司同时抢，他们会快速离开就不意外了。晚点：扎克伯格现在让 28 岁的亚历山大 · 王来负责超级智能实验室，是不是在尝试改变，试图重新打造一个更扁平、更接近创业文化的组织？朱哲清：我认为这是他的初心。但 Super Intelligence Lab 已有 5000 人，而现在一个 SOTA 模型（State Of The Art 模型，指在某一任务 / 数据集上，当前公开评测中表现最好的模型）的核心训练团队其实不超过 50 人，其中二十多人做模型设计和调优，二十多人负责基础设施和工程支持，还有一些产品经理思考功能方向，比如模型哪些部分重要、哪些不重要。剩下的组织都在做相对边缘化、不是主线的产品。所以，如果 Meta 的目标是让 Llama 超过 GPT-5，它可能需要的是一个 150 到 250 人的核心团队，把事情做到极致，而不是一个 5000 人的大团队，那反而会互相掣肘。我还怀疑内部存在 " 赛马 " 现象——不是被动，而是主动的。Meta 的文化非常 bottom-up，会启动类似的方向。产品有明确的 ownership，但模型训练没有。谁都能尝试，只要训练结果好就行。这种缺乏 ownership 的情况让管理和协调更难，因为多个团队可能同时做同样的事。亚马逊就没有太多这种问题，因为他们的每个事业部都有自己的研究团队，资源和目标都绑定在具体产品上。即使两个团队做出类似模型，也能落到各自的产品里。Google 更依赖在研究上公认有权威的人来定方向，其他人配合执行，相对 top-down。这减少了内部不服气、各自开工的问题。OpenAI 和 Anthropic 则是使命驱动。他们会先设定清晰目标：模型需要达到什么能力，对哪些 benchmark 负责。然后全公司都围绕这个目标努力，不会出现多个团队重复做同样的事情。而且他们团队规模本来也不大，更需要集中力量。晚点： Meta 也有很多产品，为什么它不能和亚马逊一样，每个产品线的研发落到自己的场景里？朱哲清：核心原因在 Meta 的组织架构里，部门对产品掌控力不强。组织内所有代码库和基础设施完全开放，任何团队都能修改别人的代码，这导致团队对产品缺乏处置权。其次，部门的财务自主权很弱。 VP 的预算很有限，无法做大规模的资源配置。例如他没法独立决定给谁多少奖金，花多少钱在数据中心，也没法裁掉部门一半人然后集中资源到算力。这导致 Meta 的团队只能在现有框架下行事，很难像创业公司那样做出战略性改变。晚点：这种组织形态给 Meta 带来的好处是什么？朱哲清：好处是速度很快。举个例子，我训模型时发现 Facebook Feed 的推荐模型有问题，可以直接找团队沟通，甚至自己改，最后不到半年就把模型完全替换了。在正常流程里，跨团队改模型早被 VP 卡死了。它的缺点也很明显：2017 年到现在公司人数翻了数倍，扩张到七八万人。一件事原本一个人做，现在五个人做。绩效要分摊，利益分配不均，容易变成政治斗争，这在大公司很常见。举个例子：假设 A 团队目标是把某模型推广到全公司所有产品线，B 团队目标是让某产品 DAU 提升 2%。如果 B 团队产品用了 A 团队的模型，结果 DAU 确实涨了 2%，那功劳算谁的？双方就会为 credit 争夺。因此 B 团队可能会自己重做模型，而不是直接用 A 团队的成果。晚点：其实 OpenAI 和 Anthropic 都是上千人的团队，就不存在团队分工矛盾吗？朱哲清：他们是所有人有一致目标，这是初创公司的关键。哪怕团队有几千人了，只要大家不在乎功劳分配，政治斗争就不存在。晚点：怎么在千人规模的团队做到目标一致的？朱哲清：有一个临界点，即是否所有员工都在做真正重要的工作。所有公司事件中大致可以分为重要的 20% 和不重要的 80% 。如果所有人都在做重要的 20% ，还很忙，那没问题；但一旦有人在做 80% 的次要工作，他们就想变得重要。大公司为了维持财报、营收和股价，会招人来做只能带来 1% 增长的事情，因为即使极小的营收增长也能覆盖人力成本。这些人也想做重要的事情，政治斗争就产生了。晚点：以 " 使命驱动 " 看，怎么理解 Ilya 和 Sam Altman 的分裂？朱哲清：当重要成员的个人使命出现差异时，使命驱动的公司容易分崩离析。因为唯一的纽带不是金钱，而是使命。成员使命不同，公司自然分裂；夸张点说利益绑定才最牢靠。OpenAI 里 Sam Altman 和 Ilya 的根本分歧在于：Sam 关注用户增长；Ilya 则更关注模型安全性和可靠性。两条路都需要投入大量人力和资源，公司只能选一条，于是最后有人要离开。晚点：关于 Meta 的人事动荡，除了刚才的深层原因，也有人提到亚历山大 · 王的风格过于强势。朱哲清：我倒觉得不是个人风格，而是架构错配。在 AI 领域，CEO 不直接负责研究。比如在 OpenAI，Sam Altman 是 CEO，Mira 曾是 CTO，但也有其他人带研究团队—— Greg Brockman、John Schulman、Noam Brown 等，他们知道研究方向往哪里走。而现在 Meta 的情况像是让 Sam Altman 直接管研究团队。还有个细节，这轮热潮之后才成长的年轻研究者很难真正服众；你需要的是德高望重又和公司路线一致的人才。但这种人很难找。晚点：Ilya 离开之后，OpenAI 由谁来扮演这样的技术领军角色？朱哲清：其实有好几个人。比如 Noam Brown 带多智能体方向；还有 Schulman ，他主要带 RLHF （ Reinforcement Learning with Human Feedback，人类反馈强化学习）以及 RL（ Reinforcement Learning，强化学习）；还有 Jan Leike 。他们过去做出重要成果，而且和公司的研究方向一致，所以大家愿意跟随；但如果让新人直接带大方向，就难服众。不过除了 Noam Brown，刚才提到的人都离开了。科学家型 vs 工程型人才：工程型人才会决定公司未来 2-3 年的发展，科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 2-3 年晚点：那些在 ChatGPT 有重要研究成果的人，他们普遍多少岁？朱哲清：一般在 35-40 岁。常见情况是，这个人做了几个奠基性的研究，于是成了这个方向的领军人物。比如 David Silver 是 AlphaGo 第一篇论文的一作； Schulman 提出了 PPO 算法（Proximal Policy Optimization，强化学习中的策略优化算法，被广泛用在包括机器人控制、对话系统训练等任务中）。现在 AI 研究很难有根本性的突破性研究，因为这需要算力，而算力掌握在大公司手里。博士只能找大公司没做的小方向发论文；或者进入大公司跟着公司的战船往 LLM（大语言模型）走。结果是，过去三四年毕业的博士生没人再写出像 PPO 这种影响深远的算法。问题是，如果 LLM 碰到瓶颈，要怎么突破？目前没人真正开辟出这条新路径。晚点：这里有个错配，顶尖人才更有野心做原创性工作，但大公司更希望在收益明确的主线上取得进展。朱哲清：我自己也想做开创性的研究，但过去 7-8 年更多专注在技术落地上。很多研究者一旦方向基本定型，剩下的就不做了，让别人跟进；但大公司真正需要把成果落地的人，纯研究五六个人就够。比较理想的领导架构是：5-6 个顶尖研究者，配上 5-6 个强执行力的落地型人才。晚点：你刚才盘点硅谷重要的 AI 公司时没提到 xAI。这是为什么？朱哲清：讨论顶尖研究科学家的去向时，我一般不会把 xAI 算进来。马斯克是工程师型人物的代表——用现有技术把落地做到极致，做出极其复杂、别人无法复制的工程项目，从而形成壁垒。这在 AI 上表现为扩大模型规模、叠加算力，把模型能力不断往上推。之前马斯克和杨立昆（Yann LeCun，图灵奖得主 ）在推特上吵架时，还说 " 根本不存在 research，一切都是 engineering"。xAI 更偏工程驱动，Google 更偏科学驱动——通过科学飞跃带来革命性突破。晚点：这是不是有点像中美差异？朱哲清：我觉得不完全恰当，中美都有科学家型和工程型人才。我更倾向这样理解：工程型人才一般决定公司接下来 2-3 年的发展，而科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 3 年。晚点：和国内技术人员交流时，大家普遍觉得中国难有最原创性的突破。朱哲清：确实， ChatGPT 出现后，大家蜂拥做 LLM ，很少有中国研究机构或公司尝试挑战这条技术路径。中国研究者一直面临指标压力，高校、企业都去追逐最容易拿指标、出业绩、发表论文的方向。很多美国和欧洲高校团队会挑战 Transformer （Transformer：一种以自注意力为核心的神经网络架构，已成