邑朗國際實業有限公司

21/01/2026

川投顧：我又不課關稅啦～

——

基於我與北約秘書長馬克・呂特（Mark Rutte）進行的一場極為富有成效的會談，我們已就格陵蘭，乃至整個北極地區的未來安排，形成了一個協議框架。

若此方案最終定案並付諸實施，將對美利堅合眾國以及所有北約成員國帶來重大利多。

基於這項共識，我將不會實施原訂於 2 月 1 日生效的關稅措施。

此外，雙方亦正就「黃金穹頂（The Golden Dome）」計畫在格陵蘭的相關安排進行進一步討論。隨著協商持續推進，後續資訊將適時對外公布。

副總統 JD・范斯（JD Vance）、國務卿 馬可・盧比歐（Marco Rubio）、特使 史蒂夫・威特科夫（Steve Witkoff），以及其他視需要參與的人員，將負責相關談判事宜，並直接向我報告。

感謝各位對此事的關注。

唐納・J・川普
美利堅合眾國總統

01/01/2026

新的一年新的開始，這幾年國際情勢的變化多端，公司在經營上面臨許多關卡，真的很感謝在背後支持的供應商，和許許多多客戶們，讓邑朗可以繼續走下去，希望能今年可以在創佳績，謝謝大家。

20/11/2025

原來如此，都還不知道可以這樣用

最近我做了一件大事： #訂了一顆衛星幫我空拍

可能這在投資機構是很一般的小事，但對於奈米戶如我來說是一件大事。

會想這麼做是因為有一個投資案，想要確認現場進度。一開始我是用Google Earth的免費資源，但那些影像可能是半年前、甚至更久以前的資料，就像Google地圖的圖資，有的都是好幾年前的照片沒有更新。所以如果想要追蹤特定地區變化及工地進度，這些資料的時間差就讓資訊失真，無法做出判斷。所以花了一段時間研究衛星影像服務，昨天正式下訂最新的衛星空拍圖。

國外也有一些平台能搜尋到已經拍好的衛星圖，運氣好的話能找到最近幾週的影像；如果沒有，那就得付費請衛星重新拍，直接取得最新資料。

在研究衛星拍攝的過程中，有幾個核心要點跟大家分享：

1. 解析度是關鍵

解析度不到位，再便宜都沒用。如果解析度不夠細，買回來的影像基本上無法做判讀，可能省了經費，換回的是無效的資訊。

2. 雲層覆蓋度很容易被忽略

另外衛星拍照時上空只要有雲，影像就會整片糊掉。下單時可以選擇「允許的雲覆蓋比例」，比例越低越清楚，但拍攝成功率會降低。
這就是一種取捨：你要清晰、還是要快？

3. 要等衛星繞到上空

不是下單後馬上就能拍，衛星是固定軌道運行，必須剛好繞到你指定的地點上空時才能拍攝。因為要設定一段讓衛星去繞行地球的時間，當然如果要急件取得拍照成果，加價也是可以做到，價格大約就是翻倍以上去跑。

在投資研究中，如果能比別人更早知道某些地區的變化、工地狀況、產業鏈活動，就能比市場提前看到趨勢。如果有公司說在海外擴場，不妨可以考慮用這個方式來驗證XD

一想到天上有顆我指定的衛星在跑，心中有種莫名的喜悅。

宅男的快樂就是這麼的樸實無華

祝大家投資順心

20/11/2025

提供另一種方式，讓噴霧器可以更快運作

20/11/2025

好東西

達美蜂巢簾的防呆裝置從2020年3月份開始研發, 歷經構思, 草圖, 建模, 打樣, 測試, 修改, 再測試, 再修改, 試產, 終於在2020年10月正式導入量產, 而發明專利也順利在今年3月份取得, 研發的過程雖然辛苦, 但看到客戶的支持與肯定, 一切都值得了! 而第二代的防呆裝置會有什麼新功能呢? 值得期待!
#蜂巢簾防呆裝置
#把這20年所學的工業設計技巧都用上了

17/11/2025

微軟 Nadella：
不把所有籌碼押在單一世代 GPU 與大語言模型，
我們要做 AI 代理基礎設施！

2025 年，微軟停建了部分原本規劃的資料中心，一度引發熱議。
畢竟在這個人類史上第四次基礎建設的熱潮上，競爭對手們完全沒有停下腳步的跡象。

但微軟總裁 Satya Nadella 最近的一場訪談，揭露了他的想法。
當所有人都在拚命擴張算力，
他選擇了不要押注在單一世代 GPU 與單一模型。

更重要的是，他揭露了微軟正在經歷的根本性轉變。
從賣軟體給人類，到提供基礎設施給 AI 代理。

這兩個思維，可能將會重塑整個 AI 產業的遊戲規則。

---

一、微軟雖然投資 OpenAI，但並沒有想要跟它深深綁定

微軟砸了數十億美元投資 OpenAI，外界都以為他們會綁定 OpenAI 的模型路線。

但 Satya 說了一段讓人意外的話:

"I can make the argument that if you're a model company， you may have a winner's curse. You may have done all the hard work， done unbelievable innovation， except it's one copy away from that being commoditized."

(如果你是一家模型公司，你可能會面臨贏家詛咒。你投入了所有艱苦的工作，做出了難以置信的創新，但距離成為大眾商品，可能只差一個副本。)

什麼是「贏家詛咒」?

想像你花了數百億美元，動用頂尖人才和最先進算力，訓練出最強的大語言模型。

但問題來了:
什麼樣的模型才是最好的？目前沒有定論
Scaling law 會不會遇到瓶頸？不確定
更致命的是：開源模型任何人都能下載，用自己的數據微調

你投入的創新成本，可能在一夜之間被稀釋。

Satya 用了一個關鍵詞：
「one copy away from being commoditized」
(距離大宗商品只差一個副本)。

當複製成本趨近於零，創新投入就無法獲得應有的回報。
這就是贏家的詛咒。

---

二、微軟雖然有能力自建資料中心，卻向外租用算力

微軟明明有錢、有技術、有團隊，為什麼不全力建設資料中心?為什麼還要向外租用算力?

Satya 的回答很直接:

"I don't want to just go build out a whole number of gigawatts that are only for a one-generation， one family."

(我不想建出一大堆只能用於單一世代晶片、單一模型的千兆瓦級資料中心。)

Satya 在資料中心導覽時提到:

現在建 GB200 的資料中心
GB300 很快就會來
等到 Vera Rubin Ultra，功耗和散熱需求又完全不同

"By the time I get to Vera Rubin， Vera Rubin Ultra， the data center is going to look very different because the power per rack， power per row， is going to be so different. The cooling requirements are going to be so different."

(等到 Vera Rubin Ultra，資料中心會完全不同，因為每個機架、每一排的功耗都會不同，散熱需求也完全不同。)

如果只為當前這一代硬體設計資料中心，下一代技術出來時，整個基礎建設可能立即過時。
這不僅考慮了效率問題，也考慮了戰略風險。

Fungibility (互換性) 比極致優化更重要

Satya 反覆強調一個詞：fungibility(互換性)。

"if we're going to build out Azure to be fantastic for all stages of AI—from training to mid-training to data gen to inference—we just need fungibility of the fleet."

(如果我們要讓 Azure 在 AI 的所有階段都表現出色。從訓練、中期訓練、數據生成到推理——我們需要的是整個機隊的互換性。)

什麼是互換性?就是不把所有資源綁定在單一技術路線上。

具體來說:
資料中心要能跑 OpenAI 的模型，也要能跑 Anthropic、Meta、開源模型，
要能做訓練，也要能做推理，
要能適應不同世代的硬體。

這或許是為什麼微軟停建某些資料中心，轉而租用外部算力。
這是戰略性克制：寧願保持彈性，也不要被單一技術路線綁死。

---

三、真正的護城河不是模型，而是「支架層」

真正的護城河在哪?

Satya 認為，真正的價值不在模型本身，而在「支架層」(scaffolding):

"Then the person who has the data for grounding and context engineering， and the liquidity of data can then go take that checkpoint and train it."

(擁有數據、上下文工程能力和數據流動性的人，可以拿那個 checkpoint 去訓練自己的模型。)

支架層包括:
數據處理能力:如何清洗、標註、組織數據
上下文工程:如何將模型與實際業務場景結合
數據流動性:如何讓數據在不同系統間流動

舉個例子:OpenAI 訓練出 GPT-4，但如果有人拿到開源的類似模型，加上他們自己的專有數據和上下文工程能力，就能建立起自己的護城河。

模型會被大宗商品化，但支架層不會。

因為支架層需要:
對特定領域的深刻理解(如金融、醫療、法律)
與企業系統的深度整合(如 ERP、CRM)
長期積累的數據和經驗

這就是為什麼微軟投資 OpenAI，但同時:
建立自己的基礎設施(Azure)
培養自己的模型能力(MAI)
掌握應用層整合(Copilot、Excel Agent)

微軟沒有綁定OpenAI，而是在多條技術路線上同時下注。

---

四、從「終端用戶工具」到「AI 代理基礎設施」
商業模式的根本轉變

這是 Satya 訪談中最有趣的部分。

他說，微軟的業務正在經歷根本性轉變:

"our business， which today is an end-user tools business， will become essentially an infrastructure business in support of agents doing work."

(我們的業務，目前是終端用戶工具業務，將本質上轉變為支援 AI 代理執行工作的基礎設施業務。)

過去的微軟:
賣軟體給人類用
Office 365 訂閱、Windows 授權、Azure 雲端服務
商業模式:B2C (Business to Consumer)

未來的微軟:
提供基礎設施給 AI 代理用
AI 需要「電腦」來執行任務
AI 需要儲存空間、安全機制、身份管理
商業模式:B2A (Business to Agent)

基礎設施需求不只跟「員工數」成正比，
而是跟「員工數 + AI 代理數」成正比。

想像一家公司有 100 個員工，配 200 個 AI 代理:
微軟的收入來源就是 300 個「使用者」
而 AI 代理的增長速度，會遠快於人類員工。

這會是微軟商業模式的根本轉變。

---

五、Scaling in time vs Scale once，時間 vs 規模的戰略選擇

Satya 在訪談中提到。

"you want to be scaling in time as opposed to scale once and then be stuck with it."

(你要的是隨時間擴張，而不是一次性擴張然後被困住。)

因為 AI 技術的迭代速度，遠超過基礎建設的折舊週期。

資料中心的使用年限:15-20 年
GPU 的折舊週期:2-5 年
AI 模型的迭代:每 6-12 個月

如果你為當前技術建設了大量基礎設施，
等下一代技術出來時，你要麼:
1. 繼續使用過時技術(失去競爭力)
2. 重新建設(巨額沉沒成本)

而這很顯然的與 Meta 想法不一樣，
因為後者認為，最大的風險是不夠激進，而不是太激進。

或許，是因為兩家公司對於技術發展的速度與幅度有不同的解讀？

---

從 Nadella 的訪談，我想到三件事

1.Nadella 的 Scaling in time 與 Burry 的折舊理論

Nadella 的觀點，似乎與 Burry 的折舊理論有著異曲同工之妙？
重點不是這些 GPU 還能不能用，而是他們是不是當下最好用的？
如果晶片每年一代，連基礎設施與冷卻系統都可能不一樣，
那對於這些大型公司來說，似乎讓外部的「雲端新秀」（neoclouds）或加密貨幣礦企去背負這些風險更好？
反正一家 neoclouds 倒下，很快就會有其他公司補上。
而這也說明，
這些 neoclouds 可能是整個供應鏈中，風險最高的公司。
最近部分公司發行的債券收益率大幅上升到 10%，
以及股價大幅修正，或許不是沒有理由的。

2.垂直領域公司才是我們該關注的？
Nadella 在訪談中多次提到支架層。
這或許表示，那些專注在特定垂直領域，且擁有外部無法容易取得的數據或用戶基礎的公司，才是我們接下來應該關注的？
像是上半年剛完成新一輪募資的 Abridge，
專注在將醫生與病人的對話即時轉換為結構化醫療筆記，並整合至主要EHR系統，
這就是 Satya 說的「支架層」。
也是一般大型語言模型短時間內所無法企及的領域。

3.人機界面的轉變
Nadella 提到未來的商業模式是 B2A (Business to Agent)
前一陣子，馬斯克也提到五年後，或許手機作業系統與應用程式也會消失。
再加上最近的網路內容，重視的優化方向，開始從 SEO 轉向 AEO (Answer Engine Optimization)
以後，人機界面應該會有更多轉變吧，
現在很多的應用，或許都可以循著這個思維重新設計一次？
例如之前提過的互動式電子書與線上課程？

聽完這個訪問，我有三個問題想問大家:

1. 你認為微軟的「戰略克制」是對的嗎？還是會被激進對手超越？
2. 在你的工作領域，有沒有「支架層」的例子？
3. 如果人機界面真的改變，你會想重新設計什麼產品？

留言討論一下吧。

---

資料來源:
- Satya Nadella – How Microsoft thinks about AGI
- 微軟財報電話會議

#微軟 #大語言模型 #企業戰略

17/11/2025

【特斯拉 FSD 數據大勝真人駕駛，明確宣告領先者地位】

就在 Waymo 共同執行長不久前公開呼籲自動駕駛產業必須更加透明、一致公布安全資料後，特斯拉旋即在官網推出全新專區，首次公布 FSD（Full Self-Driving, Supervised）的重大與輕微事故統計。多年來，外界只能從特斯拉的 Autopilot 數據中，去分析猜測其完整能力，而 FSD 這個真正的核心產品始終處於半神秘狀態。如今，正式數據公開，也讓這場由 Waymo 両端帶起的「安全透明化」戰火，首次有了真正的對照與討論空間。

■ Waymo的催促與特斯拉的回應

不久前的 TechCrunch Disrupt 活動上，Waymo 共同執行長 Tekedra Mawakana 表示，自動駕駛企業若要將無人車放上道路，就必須坦誠公開車隊實際事故表現，否則無法真正證明技術是否已經足以讓道路更安全。這番話顯然不只是一句呼籲，被外界認為是在影射最主要競爭對手的特斯拉。

多年以來，特斯拉在安全報告上僅公布較基礎版本 Autopilot（AP）系統的季度數據，卻從未說明真正被認為是自動駕駛的 FSD 系統實際安全表現，讓不少研究者與競爭者批評這種資訊揭露方式過於片面。AP 與 FSD 在架構、使用場景、整體複雜度上都不是同一量級，單看 AP 數據就想判斷 FSD 的成熟度，自然不具備完整參考性。因此，這次特斯拉選擇在 Waymo 公開挑明透明度議題後正式發布 FSD 資料，看在市場眼中無疑是一種戰略性宣告：特斯拉 FSD 技術，已經成熟到能夠揭露真實成績來證明自己。

■ 依 FMVSS 法規標準計算：FSD 的表現遠超真人駕駛

真正讓這份資料具有公信力的關鍵在於，特斯拉採用的不是企業自訂標準，而是美國聯邦的 FMVSS 法規架構。這套標準將「重大碰撞」定義為氣囊或不可逆爆破式安全裝置的部署事件，而「輕微碰撞」則為未達部署門檻的撞擊。由於 NHTSA 的全美事故統計也多以類似基準進行分類，因此兩者之間可以做出真正的里程對比。

在最新的北美 TTM 數據中，FSD 系統平均要行駛約五百萬英里才會發生一次重大碰撞，而輕微碰撞的間隔也達到一百五十萬英里。當這組數據對照 NHTSA 全美駕駛者的實際表現時，差距就變得非常明顯：一般駕駛者平均每六十九萬九千英里會發生一次重大碰撞，而輕微碰撞的間隔則只有二十二萬九千英里。換言之，FSD 在重大事故的表現約為真人的七倍，在輕微事故的表現則約為真人的六倍以上。

這種差距已經不是微幅優勢，而是一種接近一個量級的差異。若再考慮到特斯拉用戶遍布各種州別、路況多樣性遠大於城市限定的 Robotaxi 系統，這組數據所代表的泛化能力，甚至比市場過去常引用的單一路線試驗更具代表性。

■ 與 Waymo 的比較：自動駕駛紀錄路線分出高下？

Waymo 一直強調自家自動車隊比真人安全五倍，而對行人的安全系數更是高達十二倍。然而，Waymo 採用的計算方式，並無法直接跟特斯拉 FSD 的數據做直接對比。

特斯拉此次公佈的 FSD 數據，則是採用與真人事故統計更一致的方法，讓「FSD vs. 真人」這種多年來常被討論的比較首次具備可比性。實際結果顯示，以重大與輕微事故的里程間隔計算，特斯拉的 FSD 完全不遜於 Waymo 所聲稱的安全倍數，即使兩邊的基準點有一些差異。

這也凸顯了兩家公司在自動駕駛技術路線上的根本分歧所造成的差距。如果 Waymo 有朝一日想放下目前依賴 LiDAR、雷達與高精地圖的感測器堆疊架構，改走特斯拉已投入多年的純視覺端到端路線，將會面臨遠比外界想像更高的難度。Waymo 的資料來源高度集中在少數營運城市，涵蓋的場景有限，影像數量與多樣性也不足以支撐一個需要全球化泛化能力的視覺模型。相較之下，特斯拉依靠百萬輛車隊在全球各種天候與路況下回傳真實影像，形成一個大規模、持續擴張的資料庫，使其端到端架構可以在極多元的場景下反覆訓練並持續優化。

若 Waymo 要轉換路線，就必須從零開始建立一套規模相當、結構類似的資料取得系統，不但需要重建整個資料蒐集機制，也得同時改寫訓練流程、推論架構，甚至調整其商業營運策略，這幾乎等同於重新打造一間自動駕駛公司。在缺乏龐大異質影像資料的情況下，即便谷歌具備強大的 AI 技術能力，也難以在短期內追上特斯拉端到端系統。因此，若依舊以「Waymo 是自動駕駛技術領先者」的傳統刻板印象來解讀今天的競爭格局，恐怕已經無法反映產業真正的發展現況。

■ 結論：自動駕駛的勝負將由資料決定

隨著特斯拉首度揭露 FSD 事故數據，自動駕駛產業的討論基準也被重新定義。企業不再能僅靠示範影片、城市路測或限定區域的 Robotaxi 活動來展示技術，而必須以具公信力、可對照真人駕駛的法規定義作為衡量標準。從這個角度看，特斯拉這次的資料揭露不只是資訊補齊，更像是對整個產業提出一項新的「透明標準」。

無論外界如何評價特斯拉的策略與行事風格，這份數據都彰顯一個事實：在自動駕駛這場競賽中，模型能力與資料規模才是決定勝負的核心。Waymo 在城市 Robotaxi 的營運模式即使起跑在前，但在端到端純視覺訓練與實際里程覆蓋上，特斯拉已經具備全面追趕的能力。未來 Robotaxi 的真正競爭將不再是誰先上路，而是誰能擁有更全面、更多樣、更能代表真實世界的資料。而在這場較量中，特斯拉似乎已經拿出一份很不錯的成績單。

---
現在就立刻加入《馬斯克帝國觀察》免費電子報，每周兩期，帶你完整掌握馬斯克的企業帝國最新情報，完整不漏接。
https://muskempire0628.substack.com/

14/11/2025

Send a message to learn more

13/11/2025

亞歷山大王

Meta 的 AI 豪賭：理想主義在商業競爭中的最後掙扎

昨天聽了硅谷 101 最新的 Podcast，專訪剛被 Meta 裁員的前 FAIR 研究總監田淵棟。

讓我對於 Meta 近期瘋狂的資本支出與裁員，有了更多了解。

---

2025 年 10 月 22 日，馬克·祖克柏裁撤 Meta AI 部門 600 名員工，核心對象是曾被視為「AI 烏托邦」的 FAIR 實驗室。

而在三個月前，Meta 剛以上億美元年薪挖來 28 歲的 Scale AI 創辦人 Alex Wang，連圖靈獎得主楊立昆（Yann LeCun）都要向他匯報。

現在，主導 Meta AI 研究的楊立昆，也傳出計劃離開 Meta。

一邊瘋狂砸錢挖人，一邊大規模裁員。這種割裂背後，是產業環境劇變下，Meta 被迫放棄理想主義的故事。

2024 年 4 月，Llama 3 發布時，Meta 還是開源 AI 的驕傲。僅一年後，Llama 4 慘敗，Alex Wang 空降重組。這中間，AI 產業經歷了什麼？

---

# # 產業轉折：從 Scaling Law 到推理競賽

故事要從產業環境的兩次重大轉折說起。

第一次轉折發生在 2023 年：大語言模型爆發，算力成為核心競爭力。

2023 年之前，AI 研究還相對純粹。Meta 在 2013 年組建 FAIR 實驗室時，Yann LeCun 提出的條件之一就是「必須做開放研究，所有成果公開發表」。這奠定了 Meta 開源路線的基因。

公司設計了一個平衡架構：
- FAIR：負責前沿研究，追求 AGI
- GenAI：負責產品落地，服務商業

理論上，FAIR 提供好想法給 GenAI，GenAI 把想法投入生產。產品賺錢，管理層有更大動力撥款給 FAIR。

但 2023 年後，這個平衡被打破了。

前 FAIR 研究總監田淵棟回憶：「大語言模型來了之後，算力成了很重要的因素。因為算力有限，就會產生各種問題、各種矛盾。大家都要訓練大模型，如果我卡多了，你卡就少了。2023 年之後，狀態肯定不會像以前那麼好。」

整個產業進入「Scaling Law 競賽」：誰的模型更大、誰的算力更多、誰就能領先。Meta、OpenAI、Google 都在瘋狂堆參數、搶 GPU。

在這個階段，Meta 的開源策略取得了成功：

2023 年 2 月：Llama 1 發布，主打「更小參數更好效果」
2023 年 7 月：Llama 2 發布，放寬商用限制
2024 年 4-9 月：Llama 3 連發三個版本，405B 被稱為「全球最強開放模型」

參與 Llama 3 後訓練的工程師 Gavin Wang 說：「當時整個 GenAI 團隊以『光速』前進。我們覺得不僅在做工作，而是在支持 AI 前沿發展。整個 AI 創業圈都在指望 Llama。」

那是 Meta 開源路線最輝煌的時刻。

---

第二次轉折發生在 2024 年 9 月：產業從「比大小」轉向「比推理」。

2024 年 9 月 12 日，OpenAI 推出基於思維鏈的 O1 系列模型。這不是簡單的參數堆疊，而是讓模型「學會思考」——通過強化學習訓練推理能力。

兩個月後，2024 年 12 月，中國 DeepSeek 開源模型橫空出世，用 MoE (混合專家) 架構在保證推理能力的同時大幅降低成本。

產業邏輯徹底改變了：
過去：誰的模型更大，誰就更強
現在：誰的推理能力更強，誰才能領先

而 Meta，完全沒有準備好。

---

# # Meta 的戰略誤判：產品壓倒研究

問題出在哪？

2024 年 1 月，就在 Llama 3 研發期間，Meta 進行了組織重組：FAIR 的兩名負責人開始直接向 CPO（首席產品官）Chris Cox 匯報。

這個調整釋放了明確信號：AI 研究要服務於產品。

Gavin Wang 回憶：「Meta 領導層很早就意識到大語言模型能夠落地，能為社會產生價值。所以 GenAI 的核心目標是讓研究成果真正產品化、工程化。因此在最高管理層，包括副總裁、高級總監，都是由產品背景和工程背景的人來領導。」

在規劃 Llama 4 時，所有注意力都放在「與產品結合」上——多模態能力。推理能力被放到次要位置。

這個決策在當時看起來合理：
Meta 有 Facebook、Instagram、WhatsApp 等產品需要多模態能力
多模態可以直接帶來商業價值，
推理能力還沒有明確的應用場景。

但產業環境的變化，讓這個決策變成了致命錯誤。

更糟的是，決策層不夠了解技術前沿。

Gavin Wang 指出：「公司高層很多人是傳統基礎架構、計算機視覺背景，自然語言處理背景的比較少。技術層面對 AI 原生技術或大語言模型沒有深度理解。真正懂行的是下面具體做事的博士，尤其是華人博士技術非常扎實。但他們獲得的話語權和資源沒有那麼多。某種程度造成了外行管理內行的局面。」

其實，FAIR 的田淵棟團隊早就在研究思維鏈。田淵棟說：「O1 是去年 9 月出來的，但我們在 O1 出來之前，就注意到非常長的思維鏈會對整個模型的 Scaling Law 產生影響。」

但這些前沿研究，並沒有及時傳遞給 Llama 4 的產品團隊。

---

# # 組織失能：兩個世界的隔閡

為什麼 FAIR 的研究無法傳遞給 GenAI？

根本原因是組織設計的問題。

田淵棟坦言：「我當時在 FAIR 時，有時候給 GenAI 的人發消息，他們都不理我。但真的我去了 GenAI 之後，我會覺得，確實我也沒法理他們。因為太忙了。半小時不看手機，可能就有 20、30 條消息。有很多人要找，有很多事情要決定。在 GenAI 環境下，很難有長期的思考過程。」

一個追求 AGI 的理想主義實驗室，和一個追求產品 deadline 的工程團隊，節奏完全不同。

FAIR 的時間單位是「年」：一個研究方向要探索幾年才能出成果
GenAI 的時間單位是「週」：產品迭代、bug 修復、性能優化，每天都在變

當產業環境發生劇變，這種組織隔閡的代價就顯現了。

2024 年 12 月，DeepSeek 橫空出世後，Meta 陷入慌亂。Gavin Wang 說：「據說當時他們在討論是不是要重新把推理撿起來，但優先順序有衝突，時間也非常有限，導致大家加班加點做了很多嘗試。DeepSeek 的出現造成了資源和優先順序管理上的混亂。」

高層做了一個決定：讓 FAIR 去「救火」。

田淵棟被臨時調去支援 Llama 4，帶領團隊優化 MoE 架構。但這也意味著，他們在思維鏈和推理上的研究被中斷了。

更糟的是 deadline 的壓力。田淵棟回憶：「我們組裡有團隊成員在東部時區，他們晚上 12 點給我打電話，他們那邊已經凌晨 3 點了，還在幹活。為什麼那麼辛苦？因為 deadline 壓得很緊。」

「如果你在做這些事情時發現數據有問題，你怎麼樣能讓大家因為你這句話停下來？但在很強的 deadline 壓力下，最後結果就是大家沒有辦法提出異議，最後質量就會變得很差。」

2025 年 4 月 5 日，Llama 4 發布。開發者社群迅速質疑模型質量，懷疑 Meta 用特殊優化版本刷榜。雖然 Meta 否認，但影響已經發酵。更高端的 Behemoth 版本推遲發布，至今未見蹤影。

從 Llama 3 的巔峰到 Llama 4 的慘敗，Meta 用一年時間證明了：在快速變化的產業環境中，組織架構的失能比技術能力的不足更致命。

---

# # 祖克柏的豪賭：空降 28 歲新王

Llama 4 的失敗，讓祖克柏意識到問題的嚴重性。

2025 年 5 月，他做了一個大膽決定：以上億美元年薪挖來 Scale AI 創辦人 Alex Wang，讓這位 28 歲的年輕人統領整個 AI 部門。

新的組織架構是這樣的：
Alex Wang 帶領高薪聘來的頂級研究員，成立特別小組 TBD
TBD、FAIR、GenAI 組成 Meta Superintelligence Labs (MSL)
所有部門直接向 Alex Wang 匯報
Alex Wang 直接向扎克伯格匯報

現在的 Meta AI，是 Alex Wang 一人獨大。

Alex 在內部郵件中宣布三個改變：

1. 集中 TBD 和 FAIR 的核心基礎研究力量
這意味著 FAIR 的獨立性被削弱，前沿研究必須更貼近產品需求。很多「影響力不夠大」的前沿研究被砍掉——這就是 600 人被裁的原因。

2. 提升產品和應用研發的融合，繼續以產品為模型聚焦點
「產品驅動研究」的路線不會改變，只是執行會更高效。和 Alex 一起空降的還有 GitHub 前 CEO Nat Friedman，專門負責產品。

3. 成立核心基建團隊統一管理算力資源
過去算力分配很分散，各組自行申請。現在統一管理，提高效率。

這次重組的邏輯很清晰：
放棄「FAIR 獨立探索 + GenAI 產品化」的雙軌制
改為「所有研究都要服務產品，統一指揮、快速迭代」

祖克柏的賭注是：
用極致的執行效率，彌補戰略誤判造成的時間損失。

---

# # 產業啟示：理想主義的終結？

Meta 的故事，顯示理想主義實驗室在激烈商業環境下，生存空間正在消失

貝爾實驗室、IBM Watson Research、HP 實驗室，都曾是科技史上閃耀的前沿研究機構，但基本都因為無法平衡前沿科研和商業化而衰落。

FAIR 也走上了同樣的道路。

在激烈的商業競爭中，公司很難給前沿研究「幾年時間慢慢探索」的空間。當競爭對手每個月都在發布新模型，你的研究團隊還在研究「可能幾年後有用」的技術，管理層的耐心會迅速耗盡。

這不是 Meta 一家公司的問題，而是整個產業都要面對的終極問題：當商業競爭只給你幾個月時間窗口，前沿研究需要幾年才能開花結果時，你會如何選擇？

Meta 曾是開源 AI 的旗手，但 Llama 4 的失敗讓這條路線蒙上陰影。

開源的邏輯是：通過開放模型權重，吸引社群貢獻，形成生態優勢。這在 Llama 1-3 時代確實奏效——大量開發者基於 Llama 做微調、做應用，擴大了 Meta 的影響力。

但現在的問題是：當你的開源模型不夠強，社群的熱情還能維持多久？

如果 Llama 5 無法追上 OpenAI 和 Google，

開發者會不會轉向更強的閉源模型？
甚至是其他國家的開源模型呢？

---

# # 尾聲：Meta 要麼贏，要麼出局

Alex Wang 能否撐起祖克柏的豪賭？

這位 28 歲的年輕人，手握 Meta 史上最大的權力和資源，承載著公司在 AI 時代的命運。

他面臨的挑戰是：
能否在保持研究深度的同時，提高產品迭代速度？
能否在統一指揮的同時，避免扼殺創新？
能否在追趕 OpenAI 的同時，守住開源陣地？

留給 Meta 的時間或許不多了，
就在祖克柏大舉衝刺運算能力的這個時候。

OpenAI 的 GPT-6 在路上，Google 的 Gemini 在進化，中國的開源模型在崛起。而 Meta 要從 Llama 4 的慘敗中爬起來，重建技術領先地位。

在 AI 這場生死競賽中，Meta 要麼贏，要麼出局。

而 FAIR 的 600 名研究員，和那個曾經存在過的「AI 烏托邦」，只會成為這場豪賭的註腳。

這個故事告訴我們：在快速變化的產業環境中，理想主義是奢侈品。當生存成為唯一選項，所有的浪漫都要讓位給殘酷的效率。

也許有一天，當 AI 產業成熟、競爭格局穩定，理想主義實驗室會再次出現。

但現在，不是那個時候。

資料來源：
硅谷101