對話馬驍騰：大廠AI Lab沒死，只是換了個活法

Lab首席科學家馬驍騰博士

近期，大廠的AI實驗室正迎來一場深度結構性調整。

3月20日，騰訊宣布成立近十年的AI Lab正式撤銷，大部分團隊并入大語言模型部混元團隊，向首席AI科學家姚順雨匯報。更早的3月16日，阿里則成立了Alibaba Token Hub（ATH）事業群，由CEO吳泳銘直管，通義實驗室與MaaS、千問、悟空、AI創新事業部實現全面統一，被納入token事業群強調業務聯動。

當創新部門與業務中臺的邊界變得模糊，科研探索的長期價值似乎讓位于商業落地的現實訴求。曾承擔著前沿技術探索的AI Lab，在大廠成為一種過去式。

近期，我們與Mind Lab首席科學家馬驍騰展開深度對話�！盁o論阿里也好，騰訊也罷，整合原因都一樣，大模型太貴了�！彼嬖V我們，國內大廠頻繁調整AI Lab，不是因為它們做得不好，而是這種模式已經不適應大模型轉型需要了。

大廠的AI Lab退出歷史舞臺的同時，近年硅谷開始 流行一個新概念 Neo Lab ，專指由頂級AI研究者創立的，以提升智能為目標的研究型實驗室。其中最為矚目的代表就是圖靈獎獲得者楊立昆創立的AMI Labs。

Mind Lab是個人專屬智能體公司Mindverse去年成立的一家Neo Lab。 Mind Lab的成員均畢業于全球知名學府，有OpenAI、Deepseek、Seed 等頂尖實驗室的工作經歷。例如，馬驍騰博士畢業于清華大學自動化系，常年深耕強化學習領域。Mind Lab創始人Andrew 則畢業于麻省理工大學，目前擔任深圳清華大學研究院的研發中心主任，之前曾和姚順雨在OpenAI參與主導Agent微調的經典工作之一FireAct。

相比大廠的AI實驗室，Mind Lab更強調研究直接落地產品，產品數據同步反哺研究。馬驍騰說，“Mind Lab研究和產品中間沒有斷層，組織結構可以高頻迭代，幾乎每兩個月就有一次調整�！�

在Neo Lab新組織形態下，過去一年，Mindverse發布了三款產品，首款試驗性產品Personal Agent——Macaron AI去年8月上線，還推出一個用 CPU 就能高效訓練萬億參數模型的后訓練平臺Mind Lab Toolkit，成本優化十倍，一天即可輕松完成一輪訓練。它和前OpenAI高管創立的Thinking Machines同期實現了1T LoRA-RL，是業界在萬億參數模型上進行高效強化學習的第一個研究成果。

在他看來，大廠紛紛調整AI Lab，不是說研究變得不重要了，而是衡量研究的核心指標變了——不再是頂級刊會發表的論文數量，關鍵看能不能進入真實世界，形成閉環。

這方面的典型代表就是谷歌的DeepMind。2023年，谷歌將 Brain與DeepMind合并，使其成為全公司AI戰略的“中央引擎”。它不僅承擔AGI長期探索、核心模型研究，還肩負Gemini應用落地。如今，DeepMind已從當年谷歌花費6.5億美元收購的小型實驗室，擴張為同時推進約30個前沿項目的龐大機構。

“從這個角度看，DeepMind 做的是一種更大的產品驅動研究�！瘪R驍騰說 。

以下是《白鯨實驗室》和他的對話，為了文本閱讀方便，我們做了精簡處理。

01

從“騰訊 AI Lab”說起：一個時代的結束

白鯨實驗室：過去大家提到 AI Lab，往往會聯想到谷歌、騰訊里的“大廠前沿研究部門”。AI Lab 在大廠內部到底承擔什么角色？

馬驍騰：如果一定要分類，AI Lab大致可以分為三類：谷歌DeepMind 、騰訊AI Lab這種“研究型 Lab” ，阿里通義這種“大模型原生 Lab” ，還有一類是我們現在做的這種“研究+產品一體化”的Lab 。騰訊 AI Lab 本質上是對標 DeepMind建立的。DeepMind誕生在AlphaGo之后，是一個從屬于大公司、不為業績目標負責的純研究型實驗室。它其實是“上一代 AI”的產物。通義的 Lab就屬于大模型時代的原生AI lab。

白鯨實驗室：最近幾年，從阿里大廠 AI Lab 出現了合并、調整甚至裁撤的趨勢，這背后的原因是什么？

馬驍騰：據我了解，騰訊其實已經在盡力平衡研究和業務的關系了。最典型的例子就是騰訊AI Lab的游戲AI策略做得很好，也確實用到了騰訊的游戲業務，這說明他們已經在往“實用”的方向靠了，工作重心也從一開始偏向“發論文、追新穎”（for novelty），轉向更關注“能不能真正落地、服務業務”（for application）。

這也是一種思路上的根本轉變。不再為了研究而研究，而是讓研究真正為產品服務。

所以不是 AI Lab 做得不好，而是這種模式已經不適應這個時代了。其實無論阿里也好，騰訊也罷，整合原因都一樣，大模型太貴了。舉個例子，原來通義實驗室是一個小Lab，花的錢并不多。但后來模型做得越來越好，燒的錢越來越多，影響力也越來越大，它就從一個實驗室上升到了集團層面。當老板看到賬單，自然會思考投入和產出比。

就像OpenAI 關停 Sora ，顯然也不是因為Sora做得不好，而是需要集中火力去做一些更重要的事情。

白鯨實驗室：AI Lab曾被認為是研究者的“理想國”，這在大模型時代無法持續了嗎？

馬驍騰：大模型帶熱AI技術潮之前，AI Lab 確實是研究員最好的去處之一。但問題是它和真實世界之間存在“gap”（差距）。 Lab做研究，業務要結果，這中間是斷裂的。但現在，大模型技術直接進入了產品，包括Chat 、Agent 、AI 搜索，這些都是直接面對用戶的 ，所以這個gap 也就不允許再存在了。

白鯨實驗室：是否可以說，AI Lab和業務之間的矛盾，一定程度上是技術人員和產品經理在“做精”還是“做快”上的沖突。在你看來，大廠的AI Lab是否也存在這種“工程嚴謹性”與“創新探索”的沖突？

馬驍騰：其實在模型層面，工程嚴謹性并沒有大家想象的那么高，現實情況往往更激進，今天有了算法的新突破，明天就想部署到產品里。

一個非常明顯的表現就是模型不再攢大活，比如之前OpenAI發布的模型節奏是GPT3、3.5、4，時間跨度一年多。現在則變成了5.1、5.2、5.3、5.4，發布周期明顯變短了。為了快速迭代，大廠甚至愿意容忍一些中間版本，在不夠好的情況下發布。

白鯨實驗室：過去兩年，大廠AI Lab的成果不少都以論文的形式出現，傳統AI Lab承擔著為大廠贏得學術聲譽的職能。AI Lab是否曾陷入“為發論文而做研究”的陷阱，這種傾向是否與公司追求產品落地、商業回報的目標相違背？

馬驍騰：過去大廠常用專利，或者在Nature、頂會發表論文來彰顯技術實力。去年之前，論文還沒有通貨膨脹，發一些好的 paper能帶來很強的影響力和企業紅利。當時大家對該怎么搞AI，都很迷茫，一邊探索一邊批量生產論文也是個自然過程。

但到了今天，很多的問題已經被解決，比如如何構建一個推理模型，或是基于強化學習的智能體模型，這些技術路徑早已不是秘密。現在模型廠商真正需要解決的問題，已從純技術突破到把技術轉化為優秀的產品與用戶體驗上。

現在，大模型領域的論文通貨膨脹已到了臨界點。我們最近招了多位頂尖researcher，他們幾乎都表態不想再發論文了。 一方面有了AI 工具，研究員發表論文效率確實提升了。原來一個博士生需要四年完成的工作，現在一個月就能完成的八九不離十。從AI搜索文獻、分析實驗結果、畫圖、排版，甚至跑實驗，效率提速了，論文本身的價值便被稀釋了。

這一點其實所有的researcher心知肚明�，F在，幾乎沒人只是為了發一篇paper而做research了。

白鯨實驗室：大家不向往成為比如Kimi、DeepSeek論文的共同作者了嗎？

馬驍騰：我覺得這是兩個概念。大家之所以想成為DeepSeek 論文的作者，不是單純為了發篇論文，而是因為DeepSeek模型本身很厲害。不是所有的paper都是 DeepSeek R1。

現在每年可能有幾十萬篇AI相關的paper，數量還在指數級暴漲，但其中大部分只是為了做探索而發表。只要在toy example（示例）上跑通了，就被視為好的research，幾乎沒人會追問實際情況有沒有用、能不能落地。

02

AI Lab的核心使命變了

白鯨實驗室：大廠紛紛裁撤AI Lab，這是不是意味著AI lab原來承擔的使命已經結束了？

馬驍騰：其實我的理解是相反的，AI Lab的地位反而被抬高了。谷歌在2014年1月底以6.5億美元收購了只有30、40人的DeepMind，現在DeepMind為谷歌帶來的回報遠超當初。DeepMind不僅沒有消失，scope（業務領域）還變大了。

白鯨實驗室：像谷歌這樣的海外大廠，AI Lab（如DeepMind）和國內大廠的AI Lab，本質區別是什么？除了資金和人才密度，在組織目標、學術自由度以及“長期主義”上有差異嗎？

馬驍騰：我覺得本質區別不只是資金和人才密度，是它們在公司里的組織定位不一樣。

騰訊AI Lab更偏企業戰略工具，DeepMind更偏使命驅動型的前沿組織。DeepMind從一開始就更像是為下一代AI系統，甚至AGI這種更長期的目標服務，所以它天然會擁有更高密度的資源、更強的人才配置，也會被允許去做周期更長、不確定性更高的研究。這個背后當然也和 Google 整體的體量、資本能力，以及對長期投入的容忍度有關。

今天如果還把 DeepMind理解成一個純做前沿研究的組織，其實已經不準確了。DeepMind也對Gemini這樣的核心產品負責。現在幾乎所有頂級AI Lab的目標都指向更通用的智能。

一個AI Lab如果只是做前沿研究，卻無法形成產品落地，無法打通真實環境里的應用和反饋閉環，是遠遠不夠的。

白鯨實驗室：字節AI Lab的演變路徑很有代表性。2016年成立，2020年轉為技術中臺，2024年拆分為Seed（基礎模型）和Flow（產品創新），2025年整體并入Seed。這本質上是一個“從獨立Lab到業務中臺，再到模型產品一體化”的收縮過程。騰訊AI Lab現在也走了類似的路——撤銷后并入混元。你如何評價這條“先散后收”的路徑，這是大廠AI Lab的必然歸宿嗎？

馬驍騰：其實這不是模式本身的問題。在迷茫期，大家都在探索，現在路徑已經明確，做好模型能帶來非常穩定的收益，API 能賣得多，市值可以拉高。站在公司的角度上，為什么還要花時間做沒有意義的事情呢？

后面AI Lab可能會再分開、合并，大家可以理解為一種歷史的循環。每當進入技術平臺期、方向不明確時，就會散開做探索。一旦路徑清晰，就會重新聚焦做應用和落地。

白鯨實驗室：字節Seed現在的組織架構很有意思，吳永輝組建了三大團隊：Edge（長期AGI課題）、Focus（突破基礎模型短板）、Base（當前模型迭代），還取消了大部分團隊的OKR，發放獨立的“豆包虛擬股”，鼓勵發論文。但矛盾的是，2025年下半年，資源明顯向短期有成果的團隊傾斜，部分前沿的研究領域被忽視。大廠AI Lab的職能變得有些掙扎，既要考慮業務，又要做長期研究？

馬驍騰：其實從算力資源來看的話，會更直觀。一個業務上跑得不錯的模型，一旦請求量上來，推理自然要吃掉更多的卡。從業務角度看，這當然是好事，但同一池子的資源就那么多，推理多占一點，留給 researcher 做訓練和長期課題探索的卡就會相應變少。

所以你會看到，同一個組織里，一邊是短期可見的產品增長和營收，一邊是周期更長、不確定性更高的基礎研究，兩邊天然是拉扯的。只要還共用一套資源，這種張力就會一直存在。

白鯨實驗室：字節AI Lab歷史上還有一個有意思的細節：2020年從“集團級前瞻項目”轉為“技術中臺”，是因為馬維英（時任AI Lab的負責人）的匯報對象從張一鳴變成了抖音負責人張楠。AI Lab從“老板直管”降到了“業務支撐”。騰訊AI Lab也面臨類似問題。在你看來，AI Lab在一個大廠體系內，到底應該向誰匯報？是CEO辦公室（如姚順雨的設置）業務部門，還是獨立的科研體系？

馬驍騰：我感覺匯報的鏈路越短越好。據我了解，其實大家的匯報層級，從 Lab負責人到一線的大頭兵，最多不會超過三級。甚至有一些更極端的 Lab，組織結構扁平得可怕。

本質是決策者知道的信息越多，決策失誤的鏈路就會越短。不是說 Lab 負責人要對每個決定拍板，而是他要知道一線發生了什么。在現在模型的迭代速度下，組織還是要扁平一點，讓信息都能通過這個人同步給集團最終決策者。

03

第三種AI Lab

白鯨實驗室：你們為什么會想要做Mind Lab？

馬驍騰：Mind Lab屬于第三種實驗室，我們叫它NEO Labs （研究型創業實驗室）。姚順雨在The Second Half的文章里提到，AI下半場，評估與基準（Benchmark）比模型迭代更重要。過去拼模型架構、訓練、規模，用舊基準刷分，基準和真實世界是脫節的�，F在大模型預訓練+RL已經成熟，作為一家后訓練公司，我們認為最重要的就是taste，就是我們到底應該往哪個方向優化模型？

對于預訓練公司，好的Benchmark就是各類公開排行榜。但對于后訓練公司則不同。我們需要從業務反推優化目標。比如優化人機交互的UI，按鈕位置等細節完全取決于產品屬性，這需要重新定義什么是“好模型”、“好產品”，以及如何創造新的產品特性。而且這種設計既不是傳統產品經理能完成的（他們不懂模型語言），也不是研究員擅長的（他們多數缺乏用戶思維），也不是大廠語境下模型經理的責任（他們只對固定Benchmark負責）。所以這也是我們持續投入研究的原因。

白鯨實驗室：Mind Lab和前兩種AI Lab相比，最大的區別是什么？

馬驍騰：大廠的Lab在研究和產品中間都會有距離，而在Personal Agent領域，我們的Benchmark是“一人一Benchmark”——每個用戶都有自己的評估標準。這就要求對用戶的記憶和個性有深入洞察，背后需要大量的研究支撐。

所以我們的Mind Lab新設了一個研究+產品的協作組，將產品經理引入模型Harness的設計流程中。不同于傳統大廠中產品經理僅負責提需求，我們的產品經理要主導設計評估標準（rubrics）、構建Benchmark，并定義“好模型”的具體表現。研究員則圍繞這些真實目標，在算法、模型能力與訓練方法上持續優化。

雙方并非單向上下游對接，而是共同參與模型學習系統的設計。這一模式下，研究直接落地產品，產品數據同步反哺研究，中間沒有斷層。我們的組織結構也保持高頻迭代，幾乎每兩個月就會有一次調整。

白鯨實驗室：從去年8月Macaron AI測試版推出，到6個月前Mind Lab成立，實際上我們是否可以說Macaron AI（產品是定位個人Agent的馬卡龍）完成了從產品型公司到研究型初創公司的轉變？

馬驍騰：是的。其實真的感謝DeepSeek。去年，我和Macaron AI的創始人Andrew就一起帶著幾個人復現DeepSeek R1。在這個過程中，因為我們卡不夠，只能用Lora（低秩適配）這種輕量微調方式來做，因為強化學習用Lora算力成本更低。

但在復現的過程里，我們發現Lora這種方式可以在很少算力的情況下提高任務表現，并且在RL/Agent訓練上幾乎不損失性能。于是我們決定all in Lora，最后和ThinkingMachines同期實現了在萬億參數模型上進行高效強化學習。

白鯨實驗室：你們的Mind Lab是怎么解決“為業務服務”和“做長期研究”之間的資源分配問題的？

馬驍騰：我們是一個后訓練的Lab ，所有被選進 lab 的人都是為了讓研究更好的應用到產品上。隨著技術不斷落地到應用產品上，Macaron AI的日均使用時長也會不斷增長。比如去年8月剛上線時，用戶用Macaron AI做一個應用，有時要花20-30分鐘，成功率也不高�，F在我們把場景做了細化，上線了多個模型，有的側重情感，有的面向健身、睡眠、飲食，不同場景有對應的模型。現在用戶只需2分鐘，就可以寫一個應用。

我們還在嘗試通過模型訓練，讓用戶更方便的用Macaron AI規劃自己的生活。比如現在和Macaron對話時，會觸發可交互的卡片，用戶通過點選就能細化需求，接下來我們希望能將對話過程都簡化成選項形式，所以現在還在全力沖刺，爭取在4月推出我們的新版本。

白鯨實驗室：你們最終的研究目標是什么？

馬驍騰：我們希望最終能實現“每個人都有一個LoRA”。用戶擁有一個屬于自己的私人模型，相比通用模型，在個性化和記憶上的體驗會有很大的躍升。到那時，我們有希望沖刺千萬用戶目標。

白鯨實驗室：你們的路徑是研究驅動產品、產品反哺研究，似乎和谷歌DeepMind的路徑不同，DeepMind的AlphaFold、AlphaTensor、AlphaCode等成果是“論文驅動”而非“產品驅動”。哪種更適合當下？

馬驍騰：把 AlphaFold、AlphaTensor、AlphaCode 這類成果簡單定義成“論文驅動”，是不準確的。DeepMind 本質上也是產品驅動研究。只是這里的產品不一定是傳統意義上的 2C 產品。所以我不覺得這是“論文驅動”和“產品驅動”的二選一。真正重要的是，研究有沒有進入真實世界，能不能形成閉環，從這個角度看，DeepMind 做的是一種更大的產品驅動研究。

至于哪條路更適合當下，要看企業所處的位置。DeepMind 那種長期主義 + 遞歸進化的路徑，適合少數擁有超大資源和超長時間尺度的頂級平臺。

而我們這種研究驅動產品、產品反哺研究的路徑，更適合今天絕大多數真正要參與 AI 競爭的組織。因為今天 AI 的競爭，已經不是單點論文突破，而是誰能更快地把研究、訓練、產品和反饋接成一個閉環的競爭。

撰寫｜馬舒葉

編輯｜劉培