专访前FAIR研究总监田渊栋：Meta裁员之后，对AI的一些遗憾与思考【对话】

Meta裁员背后的行业自动化大趋势

在2025年10月，Meta批准了对人工智能部门约600名员工的裁员计划，主要针对其核心研发部门“超智能实验室”。前FAIR研究总监田渊栋对此并不感到意外，他在被裁前已持有其他公司的Offer。由于在Meta任职超过十年，他视此次裁员为个人职业发展的一个契机，而非突发危机。田渊栋认为，这并非Meta单方面的决策失误，而是反映了AI行业自动化程度不断提高的大趋势。随着数据标注、模型训练故障排查等重复性工作的逐渐被自动化工具取代，传统意义上需要大量人力执行的AI工程岗位正在减少。他预测未来从事基础模型训练执行的人员将越来越少，而利用AI工具进行探索性研究和垂直领域应用开发的人数将越来越多。

“我觉得行业趋势肯定是人能……因为AI本身自动化的程度是最高的。我们今天有很多人标数据，可能明天模型强了，不需要那么多人标数据了。”

田渊栋指出，过去AI工程师需要频繁处理模型训练中途挂掉、紧急修参等“救火”工作，但现在随着Pipeline的成熟和自动化工具的完善，这类低效劳动大幅减少。这种自动化不仅体现在工程执行层，更将重塑整个AI人才的供需结构。未来，“没有传统意义上的工作”可能成为常态，个体或小团队利用高度自动化的AI工具即可完成过去需要数百人团队协作的任务。因此，基础模型探索性研究与应用落地将成为新的就业增长点。

强化学习的本质：主动学习与数据分布的变革

田渊栋指出，强化学习（RL）与监督微调（SFT）的核心区别不在于目标函数或算法本身，而在于数据采集的方式。虽然两者的最终目的都是改变模型权重，但SFT往往导致模型记忆既有推理过程而缺乏泛化能力，特别是在大量使用SFT时可能导致质量下降。相比之下，强化学习是一种主动学习范式，通过边搜索边采集数据，从而对数据的分布产生积极影响。这种主动获取高质量数据的能力，才是强化学习能够解决复杂推理问题的关键所在。

“我觉得强化学习最大最大的好处呢，是它是主动学习的。它能对那个数据的分布产生很积极的影响……最终采集的数据它的质量是跟那个 SFT 是不同的。”

田渊栋认为，未来可能存在统一RL与SFT的方法，因为二者本质都是权重更新。他强调，强化学习的核心价值在于其通过搜索机制生成的数据分布优于静态数据集。这种差异使得模型在面对新问题时具备更强的泛化性，而非仅仅依赖对训练数据的记忆。因此，理解RL应聚焦于其作为高效数据采集工具的角色，而非将其神秘化。

人类洞察力的不可替代性与Scaling Law的局限

在讨论AGI前景时，田渊栋引用了“进入十年而非立即获得AGI”的观点，并分享了自己与GPT-5协作撰写文章的案例。他发现，若缺乏领域知识（Domain Knowledge），仅靠模型生成的问题表述（Formulation）并无创新性；只有当人类研究员提供深层洞察，指出模型逻辑中的致命缺陷时，才能引导模型得出高质量结果。这表明当前AI极度缺乏高层的人类洞察（Human Insights），而这是获取顶级创新思维的必要条件。

“人对数据的呃获取能力和人对数据的深度挖掘能力永远是超过计算机的……如果样本数不够的话呢，人永远是比现在的大模型要厉害的。”

田渊栋将这一现象类比于自动驾驶的发展轨迹：初期进展迅速，但随着问题深入，高质量数据的获取难度呈指数级上升。人类专家凭借直觉往往只需少量样本即可触及本质，而大模型则需要数百上千个样本来构建轮廓。此外，他批评Scaling Law（缩放定律）描绘了一个悲观的未来：依赖指数级增加样本和算力来换取线性性能提升，终将耗尽地球资源。真正的突破需要更高效的智能发展路径，而非单纯堆砌计算量。

思维链研究与工程能力的回归价值

在FAIR期间，田渊栋团队深入研究了思维链（Chain of Thought, CoT）的形态与训练方式。他们发现，引入长思维链能显著改善模型的CINL曲线。具体而言，使用长思维链训练可使模型在仅用十分之一样本和参数量的情况下，获得比基线更好的效果。这一发现推动了后续研究，如去年年底发布的“连续思维链”（Continuous CoT），利用连续空间进行隐式推理，半年内获得两百多次引用。此外，“Dual Former”文章提出的混合长短思维训练模式，现已成为行业标配。

谈及在FAIR的遗憾，田渊栋表示早期因侧重工程工作（如围棋项目）曾被批评“不像研究员”，但后来意识到兼具研究品味与工程能力是稀缺优势。他提到，2018年后FAIR更侧重研究品味（Research Taste）的培养，这帮助他在选题上保持前瞻性。如今他重新拾起工程工作，认为在AI时代，强大的工程实现能力与深刻的研究洞察力同样重要。

AI研究的去中心化与游击战形态

田渊栋指出，虽然FAIR（Facebook AI Research）拥有极高的知名度，但这并不意味着其他机构或团队缺乏进行前沿研究的自由空间。事实上，在Meta内部就有许多小组具备独立的研究环境；即便是在初创公司层面，面对极具挑战性的前沿问题，研究者依然能找到切入点并产出成果。研究的本质并非依附于特定机构的名气，而是指代“为难题寻找新解决方案”这一探索过程本身。 他形象地将这种研究定义为一种搜索（search）行为，强调其核心在于解决问题而非抽象概念。

“其实它是个search... 找到一些新的那个solution for some hard problems，这叫research。”

田渊栋认为，外界关于“大厂不能做研究、小厂可以做”的二元对立观点过于简化。AI研究的生态并非铁板一块，而是呈现出高度的动态性和局部性，取决于具体团队拥有的资源、人员配置以及由此产生的化学反应。这种空间可能今天存在而明天消失，或者随时间推移而变化。未来的AI研究将更多地以“游击战”的形式存在——不再仅仅依赖少数知名研究所的专职投入，而是由无数怀揣理想的个人或小组织在灰色地带中持续推动领域发展。这种去中心化的趋势意味着，只要有合适的土壤和人才组合，突破性工作仍会不断涌现。

个人未来规划与高目标导向思维

在被裁员不到一周之际，田渊栋透露其下一步计划尚在讨论中。面对“继续从事纯科研”还是“转向应用开发”的选择，他的理想答案是寻找一种能够同时赋能前沿研究与工程应用的平衡角色。尽管目前尚未确定具体去向，但他秉持着“先设定高目标”的思维模式。他观察到大多数人倾向于基于现实可行性来调整期望，但他主张先构想一个看似不可能实现的终极目标，再反向推导实现路径。这种逆向思维有助于发现更具创新性和方向感的机会。

“你先想一个不可能实现的目标，然后再去想有什么东西可以 fit to it... 这可能会让你有更好的方向走。”

田渊栋表示，虽然目前不确定是否存在完全符合这一理想状态的机会，但“aim high”（瞄准高处）是探索新方向的重要策略。他期待未来能找到一个既能满足科研好奇心，又能产生实际工程价值的切入点。这种对平衡点的追求，不仅是个人的职业选择，也反映了当前AI前沿工程师群体普遍面临的探索方向——如何在基础研究的深度与应用落地的广度之间找到可持续的发展路径。