今日官方传递最新研究成果,《LOL龙女打野天赋解析：如何打造强大的龙女战士？》

今日国家机构披露行业新动向,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。以旧换新服务中心，全流程指导

眉山市丹棱县、临夏临夏市 ，本溪市本溪满族自治县、成都市彭州市、内蒙古包头市东河区、怀化市鹤城区、宝鸡市凤县、金华市金东区、儋州市和庆镇、抚州市资溪县、宝鸡市渭滨区、合肥市巢湖市、信阳市光山县、河源市连平县、泉州市金门县、娄底市娄星区、佛山市高明区 、福州市连江县、伊春市南岔县、清远市清新区、赣州市于都县、杭州市下城区、泉州市永春县、东莞市厚街镇、东莞市大朗镇、吕梁市石楼县、晋中市昔阳县、遵义市湄潭县、郑州市金水区

近日调查组公开关键证据,本月官方更新行业研究报告,《LOL龙女打野天赋解析：如何打造强大的龙女战士？》，很高兴为您解答这个问题，让我来帮您详细说明一下：家电使用教学专线，新手快速入门指导

泉州市金门县、眉山市丹棱县 ，重庆市江津区、上饶市玉山县、昆明市嵩明县、屯昌县南吕镇、荆门市掇刀区、中山市东区街道、沈阳市铁西区、上海市杨浦区、攀枝花市西区、商洛市丹凤县、贵阳市云岩区、抚州市乐安县、黄山市休宁县、嘉峪关市新城镇、酒泉市瓜州县 、东莞市寮步镇、昭通市永善县、眉山市洪雅县、广西河池市宜州区、江门市开平市、赣州市信丰县、恩施州咸丰县、海东市平安区、万宁市三更罗镇、重庆市云阳县、红河开远市、哈尔滨市五常市、湘潭市岳塘区、中山市中山港街道

全球服务区域: 中山市西区街道、安阳市殷都区 、安庆市桐城市、淮安市洪泽区、黄冈市红安县、洛阳市栾川县、永州市江华瑶族自治县、巴中市恩阳区、渭南市蒲城县、汉中市西乡县、抚顺市清原满族自治县、眉山市青神县、抚州市黎川县、潍坊市高密市、广西南宁市隆安县、大连市西岗区、延安市黄龙县 、榆林市神木市、济南市天桥区、温州市乐清市、宿州市泗县、衢州市柯城区

统一服务管理平台，智能监控质量,本周官方发布最新研究成果,《LOL龙女打野天赋解析：如何打造强大的龙女战士？》，很高兴为您解答这个问题，让我来帮您详细说明一下：家电维修在线客服，实时响应报修需求

全国服务区域: 通化市辉南县、咸阳市旬邑县 、清远市连南瑶族自治县、芜湖市弋江区、海南同德县、临夏东乡族自治县、甘孜得荣县、宁波市象山县、合肥市庐江县、芜湖市镜湖区、铜陵市义安区、盘锦市兴隆台区、黄山市黟县、牡丹江市海林市、恩施州来凤县、鹤岗市东山区、万宁市南桥镇 、鹰潭市余江区、澄迈县桥头镇、广西桂林市资源县、宿迁市沭阳县、淮南市谢家集区、广西防城港市港口区、广西来宾市武宣县、通化市通化县、广西南宁市青秀区、延安市延川县、广西桂林市临桂区、文山马关县、苏州市常熟市、内蒙古呼和浩特市和林格尔县、上饶市广丰区、辽阳市辽阳县、张掖市临泽县、三亚市天涯区、常州市武进区、广西梧州市藤县、广西河池市宜州区、南平市建阳区、文昌市东郊镇、乐东黎族自治县九所镇

近日调查组公开关键证据:今日官方通报行业研究成果,《LOL龙女打野天赋解析：如何打造强大的龙女战士？》

在《英雄联盟》（League of Legends，简称LOL）这款游戏中，龙女（Leona）作为一位强大的坦克英雄，在打野位置上也有着出色的表现。龙女的天赋搭配对于她的游戏表现至关重要。本文将深入解析LOL龙女打野天赋，帮助玩家打造出强大的龙女战士。 一、龙女打野天赋选择 1. 主系天赋：坚决 在主系天赋方面，龙女打野主要选择坚决系。坚决系天赋可以为龙女提供额外的生存能力和控制能力，使她在野区生存更加游刃有余。 （1）护盾猛击：提供护盾效果，使龙女在受到伤害时有一定几率触发护盾。 （2）硬化皮肤：增加龙女的生命偷取和护甲穿透，提高她的输出能力。 （3）生命源泉：增加龙女的生命回复速度，使其在野区生存能力更强。 （4）硬化：提供额外的护甲和魔法抗性，增强龙女的生存能力。 2. 副系天赋：启迪 在副系天赋方面，龙女打野主要选择启迪系。启迪系天赋可以为龙女提供额外的冷却缩减和法力回复，使她在游戏中更加灵活。 （1）星界洞悉：增加龙女的技能冷却缩减，提高她的技能释放频率。 （2）法力流系带：增加龙女的法力回复速度，使其在长时间战斗中保持良好的状态。 二、龙女打野天赋搭配技巧 1. 技能搭配 （1）Q技能：龙之怒。龙女的主要输出技能，可以对敌人造成魔法伤害并减速。 （2）W技能：龙之跃。龙女向指定方向跳跃，对敌人造成魔法伤害。 （3）E技能：龙之护盾。龙女为自己或队友提供一个护盾，减少受到的伤害。 （4）R技能：龙之怒。龙女召唤龙神，对敌人造成大量魔法伤害。 2. 天赋搭配技巧 （1）主系坚决天赋：在主系坚决天赋中，护盾猛击和硬化皮肤是龙女打野的核心天赋。它们可以为龙女提供足够的生存能力和输出能力。 （2）副系启迪天赋：在副系启迪天赋中，星界洞悉和法力流系带可以为龙女提供足够的冷却缩减和法力回复，使她在游戏中更加灵活。 三、龙女打野实战技巧 1. 野区发育 龙女在野区发育时，应优先清理野怪，积累经济和经验。在野区遭遇敌人时，可以利用W技能和E技能进行位移和护盾，提高生存能力。 2. 团战定位 在团战中，龙女应站在后排，利用Q技能和R技能对敌人造成大量魔法伤害。同时，利用E技能为队友提供护盾，提高团队生存能力。 3. 团战时机 在团战中，龙女应把握住敌人技能真空期，利用R技能召唤龙神，对敌人造成致命打击。 总之，龙女打野天赋搭配对于她的游戏表现至关重要。通过合理的天赋搭配和实战技巧，玩家可以打造出强大的龙女战士，在《英雄联盟》的战场上所向披靡。

" 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