最近看到一些新闻说,Meta公司由于AI部门战略重组田渊栋也被裁员,网友就问,“现在在AI领域,难道工程能力已经比学术研究能力更重要了?”那么,在这个领域,工程能力是否真的已经比学术研究能力重要了呢?我想,两者都重要。
语言模型的一个高明之处就在于:你不需要设定,模型就可以从大量的语料学习中自行发现各个词汇的语义的相对关系,并且给它们调整位置。Transformer架构的作用就是通过“自注意力机制”自动识别一段文本的模式和结构,从而捕捉到词语之间的关系,进而调整每个词语在语义空间的位置,伴随着预训练的进行,每个词汇的位置也就大致确定了。
模型无须有人专门指导,它就从一堆语料中搜索到“汽车”是用来“开”的,“苹果”是用来“吃”的。在模型中,无论你输入哪一国的语言,它思考的路径其实都是一样的。因此,AI不是用人类语言完成自己的思考过程,它是由语义完成思考的,换句话说,模型它是用语义表象背后的本质思考的。
一切语义都是关系,一切关系都是数学。数学结构的存在才是AI大模型的本质。AI时代需要学术能力在加强创新的同时更需要工程能力增加变现。
工程能力侧重于解决实际问题,强调在具体约束条件下运用各种知识、系统性地解决实际工程问题。而学术能力则更注重发现知识,是人类以发现知识为导向的自由探索,它是围绕一些普适性的、能够引发好奇心的科学问题,然后提出解决问题的科学方案和原理的能力。最终达到理论指导实践的目的。
工程能力重在拥有工程思维。工程思维是在工程设计、研究和实践中形成的思维,其核心是在具体约束条件下,运用各种知识系统性地解决实际工程问题。
工程思维包括以解决复杂工程问题为核心的实践性思维、系统性思维(不仅考虑建构的科学性、工具的合理性,还要考虑实用经济性、环境和谐性、政策合法性等目的手段合理性的统筹集成)、创造性思维(求新求异,体现技术先进性和新颖性,富有工程美和想象力)。
除此之外,笔者觉得还需增加一个量级思维。一个好的工程师,要从量级上来改进工程方法,因为这样的收获往往是几百倍、几万倍,甚至更多倍的增长。而那些有上进心、却没有工程思维的人,每天花的时间更多,却在做重复的事情。就如同一个好的产品经理,更懂得在细节上做1%的改进,让产品的品质显得比竞品高出一个量级。
学术能力运用的是科学思维。科学思维(Scientific Thinking)是指理性认识及其实现过程,即通过整理和改造将感性阶段获取的大量材料转化为概念、判断和推理以便反映事物的本质和规律的理论体系。进一步理解,科学思维是大脑对科学信息的加工活动。
工程思维中其实也有科学思维,比如工程科学接近科学思维,兼具发现和创新、理论和实践;而工程实施中的那种工程思维就更接近项目管理和执行,是一种可以严谨实施的解决方案。因此,科学思维重在发现已存在的世界,更多则是以发现知识为导向的自由探索,围绕普适性的、引发好奇心的科学问题,提出解决问题的科学方案和原理。
工程能力它强调工程判断能力。一个不具备工程判断能力的人或许可以成为一名专家,但是他不可能是一名称职的工程师。工程思维强调其思维构成中的实践性思维、系统性思维、创造性思维和量级思维这几种思维与现实的关系。换句话说,工程能力是一种能将提前预想与设计的方案通过工程实践的方式转变为现实世界中可以变现的产品这种能力。如果没有人类的工程实践活动,现实生活中就不可能存在工业产品,没有具体工业产品的更新迭代也就没有社会的进步和文明的发展。
而学术能力则更侧重以下能力。专注于学术基础和某专业领域的知识积累的学术研究水平能力;考察撰写学术论文以及对研究方法的掌握方面的能力;还有建立真理坐标和价值坐标,掌握自我更迭的批判思维能力。
工程能力更多应用于企业运行和项目管理中。很多人的思考顺序是,从条件到结果。先看手头有什么条件,再去琢磨应该去做什么事。但工程师思维正好反过来,是先定目标,再破除约束条件。也就是说,你要先把最终的那张大图画出来,再看其中缺哪些环节,缺哪些能力,然后想办法补齐。这是工程思维在应用场景设置中与其他思维的一个显著特征。在一些高难度任务面前,无论是调整一家公司,还是完成自我进化,我们都需要一点工程思维。
而学术能力可能主要包括学术研究与论文写作方面、这是一个国家学术影响力和研究者个人学术声誉的重要体现。学术要以发现知识和理论创新为导向,强调理论深度和学术贡献;学术能力需要文献研究、理论分析、论文写作、学术交流等各方面的专业技能;比如在教育领域,学术要应用于研究机构、高等院校、学术期刊等学术环境,一个人的学术能力往往通过展示性项目、研究报告和实验室作业等评估方式来评价当事人的学术能力、创造力和问题解决能力。如果把学术能力放在科学研究的基础研究项目中,这就需要结合科学研究发展的趋势来论述项目的学术意义。在工业领域,学术能力则往往通过提升科研及学术成果的认知度、影响力、社会应用和公众理解等方法来扩大学术影响力。
1、田渊栋被Meta公司裁员,是该公司AI部门战略重组、资源重新分配的结果,核心原因就在于Meta将研发重心要从基础研究转向快速产品化,导致其所在的FAIR(基础人工智能研究)团队被边缘化。说白了是公司重大战略调整和资源倾斜的结果。
2、Meta在2025年加速AI战略调整,成立由首席AI官Alexandr Wang主导的TBD实验室,专注于“超智能”系统开发和产品落地。此次裁员约600人,主要针对FAIR、AI产品(PAR)和基础设施(Infra)部门,而PAR和Infra部门裁员比例很高。田渊栋作为FAIR团队负责人,其研究领域(如大模型后训练优化)虽对Llama系列模型至关重要,但Meta更倾向于将资源集中到能快速产生商业价值的TBD实验室,导致传统研究团队沦为精简对象。
3、项目周期与团队定位变化。一般科技大厂内部不同的项目团队之间本身就存在资源性争夺竞争已是不争的事实,谁的结果好变现快谁肯定先留下来。Meta企业内部也存在这样的问题。田渊栋团队在Llama 4模型发布后承担了后训练数据清洗、模型调优等关键收尾工作。Meta在评估AI投入效率时,认为这类基础研究“产出周期长”,而田渊栋本人也公开表示,团队在完成项目后即被裁,反映出公司对“快速交付”的偏好。据说,FAIR的论文发布甚至都需要经TBD实验室审核,这就进一步削弱了田渊栋团队的话语权。
此次裁员被视为Meta随着战略重心的转移导致其内部权力重构的一部分。Alexandr Wang通过裁员巩固自身在AI战略中的主导地位无可厚非,Meta首席AI科学家杨立昆(Yann LeCun)此前则公开与Llama 4项目切割,表明FAIR等旧团队的战略优先级早已下降。田渊栋作为FAIR的科研支柱,其离职被解读为Meta 公司更重视高薪引进新人才,而非留住原有资深研究员,这是企业业务、战略转型期常见的“重外轻内”策略的体现。
k8凯发集团
工程要服务于企业或产业,如华为、宁德时代等企业优先录用工程博士,起薪较高 。
学术能力则一般多通往高校或科研机构,如清华大学学术博士更易获得高校教职 。
工程思维强调创造性关系,即将提前预想与设计的方案通过工程实践的方式将其转变为现实世界中的产品。而学术思维则重在发现已存在的世界,是以发现知识为导向的自由探索。工程师更像是“建造者”,而学者更像知识新大陆的“发现者”。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
泡泡玛特直播拆盒“翻车”,货不对板后男主播满脸疑惑:这不是坏菜了吗;客服:正核实,不排除调包可能
澳洲保健品爆雷! 官方出手, 统统下架! 华人爱吃, 知名品牌遭集体诉讼! 出现大量中毒症状, 低剂量也有害...
利用香港大埔火灾支援基金名义诱骗捐款,一名27岁内地女子被扣留调查,案件已交由湾仔警区重案组第二队跟进
双输?纽卡1.45亿欧卖伊萨克 1.2亿欧签伊兰加+维萨 0球+0出场
潮涌千年丝路,山海一脉相连——福建省语文骨干教师代表团莅临胶州市空港中学进行教育交流访问
小米高管集体被验证码轰炸——这是真的遇到了网络黑产,还是转移近期口碑下滑的注意力?