今日相关部门披露最新研究成果,2023年篮球同好者们的新征程

昨日行业报告传递新政策,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。数字化服务派单，精准对接维修需求

通化市梅河口市、安庆市怀宁县 ，东莞市凤岗镇、吉安市峡江县、厦门市集美区、抚州市乐安县、资阳市雁江区、阜新市清河门区、肇庆市高要区、屯昌县坡心镇、眉山市洪雅县、台州市玉环市、中山市阜沙镇、驻马店市泌阳县、沈阳市大东区、黔西南望谟县、湛江市徐闻县 、东莞市莞城街道、吕梁市孝义市、成都市新津区、临夏永靖县、定安县龙湖镇、内蒙古兴安盟科尔沁右翼中旗、广西柳州市三江侗族自治县、惠州市博罗县、安康市镇坪县、广西贺州市昭平县、广西河池市环江毛南族自治县、盘锦市兴隆台区

本周数据平台近期官方渠道公开权威通报,昨日行业报告传递新政策,2023年篮球同好者们的新征程，很高兴为您解答这个问题，让我来帮您详细说明一下：全国联网回收网络，统一处理渠道

阜新市清河门区、东莞市横沥镇 ，陵水黎族自治县椰林镇、成都市邛崃市、海南共和县、甘孜理塘县、楚雄武定县、齐齐哈尔市龙沙区、信阳市潢川县、遵义市播州区、广州市越秀区、巴中市巴州区、洛阳市瀍河回族区、滁州市南谯区、抚州市乐安县、广西崇左市大新县、扬州市邗江区 、长治市黎城县、凉山甘洛县、平顶山市舞钢市、江门市开平市、保山市昌宁县、黔东南剑河县、洛阳市涧西区、濮阳市华龙区、遵义市赤水市、定西市通渭县、孝感市云梦县、汉中市略阳县、吉林市磐石市、东营市河口区

全球服务区域: 广西河池市金城江区、乐山市井研县 、惠州市惠东县、内蒙古鄂尔多斯市伊金霍洛旗、莆田市城厢区、咸阳市淳化县、文昌市文城镇、衡阳市雁峰区、定西市临洮县、宝鸡市千阳县、吕梁市汾阳市、河源市龙川县、西安市周至县、昆明市五华区、韶关市乳源瑶族自治县、上海市长宁区、临沧市沧源佤族自治县 、大连市甘井子区、广西桂林市灵川县、宁夏石嘴山市惠农区、马鞍山市花山区、铜仁市沿河土家族自治县

刚刚监管中心披露最新规定,本月监管部门发布研究成果,2023年篮球同好者们的新征程，很高兴为您解答这个问题，让我来帮您详细说明一下：全国标准化服务，统一技术操作规范

全国服务区域: 郑州市管城回族区、内蒙古包头市白云鄂博矿区 、合肥市肥东县、泸州市纳溪区、葫芦岛市绥中县、内蒙古巴彦淖尔市临河区、重庆市沙坪坝区、上海市黄浦区、安阳市林州市、张家界市慈利县、遵义市湄潭县、潍坊市寒亭区、湘潭市湘乡市、茂名市化州市、济源市市辖区、大庆市让胡路区、德州市临邑县 、金华市东阳市、佛山市三水区、大连市庄河市、达州市通川区、咸阳市长武县、深圳市坪山区、内蒙古鄂尔多斯市乌审旗、台州市路桥区、吉安市新干县、揭阳市揭东区、东营市东营区、太原市娄烦县、文昌市东郊镇、鞍山市铁东区、广西桂林市叠彩区、中山市东凤镇、广西百色市那坡县、大连市庄河市、文昌市昌洒镇、菏泽市曹县、宁夏固原市彭阳县、阜新市太平区、重庆市南川区、南昌市西湖区

刚刚专家组披露重要结论:今日行业协会发布重大政策,2023年篮球同好者们的新征程

随着2023年的钟声敲响，篮球运动在全球范围内依旧热度不减。在这个充满激情与活力的年份，无数篮球同好者们迎来了他们新的征程。他们或是在球场上挥洒汗水，或是在屏幕前为心仪的球队加油助威，共同见证着篮球运动的蓬勃发展。 首先，让我们回顾一下2023年篮球界的重大事件。在新的一年里，NBA迎来了新的赛季，各支球队为了争夺总冠军而展开激烈角逐。与此同时，国际篮坛也精彩纷呈，世界杯、奥运会等国际大赛相继举行，各国篮球健儿们为了荣誉而战，为观众们奉献了一场场精彩绝伦的比赛。 对于篮球同好者们来说，2023年无疑是一个充满期待和挑战的年份。以下是一些值得关注的热点： 1. 球员转会与签约 在新的一年里，球员转会市场异常火爆。许多顶级球员纷纷更换东家，寻求更好的发展机会。与此同时，各支球队也在积极引进实力球员，以期在新赛季取得更好的成绩。篮球同好者们可以密切关注这些转会动态，为自己的心仪球队加油助威。 2. 新星崛起 在2023年，篮球界涌现出一批新星。这些年轻球员凭借出色的天赋和努力，逐渐在赛场上崭露头角。篮球同好者们可以关注这些新星的发展，期待他们在未来的比赛中创造更多辉煌。 3. 篮球文化传承与创新 篮球运动在我国有着悠久的历史，近年来，篮球文化得到了空前的发展。2023年，篮球同好者们将继续传承和弘扬篮球文化，同时，也将积极探索篮球运动的新形式，让更多人了解和喜爱这项运动。 4. 线上线下互动 随着互联网的普及，篮球同好者们有了更多交流的平台。在新的一年里，线上线下的篮球活动将更加丰富多样。篮球同好者们可以通过参加比赛、观看直播、参与论坛等方式，与志同道合的朋友共同分享篮球带来的快乐。 5. 篮球公益与慈善 篮球运动不仅是一项竞技运动，更是一种精神象征。2023年，篮球同好者们将继续关注篮球公益与慈善事业，为需要帮助的人提供力所能及的支持。 总之，2023年篮球同好者们的新征程充满希望与挑战。在这个充满激情的年份，让我们携手共进，为篮球运动的发展贡献自己的力量。无论是在球场上挥洒汗水，还是在屏幕前为心仪的球队加油助威，篮球同好者们都将在这个新的征程中收获成长与喜悦。让我们共同期待2023年篮球界的精彩瞬间，为篮球运动的发展添砖加瓦！

" 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