对话马骁腾：大厂AI Lab没死，只是换了个活法

 Lab首席科学家马骁腾博士

近期，大厂的AI实验室正迎来一场深度结构性调整。

3月20日，腾讯宣布成立近十年的AI Lab正式撤销，大部分团队并入大语言模型部混元团队，向首席AI科学家姚顺雨汇报。更早的3月16日，阿里则成立了Alibaba Token Hub（ATH）事业群，由CEO吴泳铭直管，通义实验室与MaaS、千问、悟空、AI创新事业部实现全面统一，被纳入token事业群强调业务联动。

当创新部门与业务中台的边界变得模糊，科研探索的长期价值似乎让位于商业落地的现实诉求。曾承担着前沿技术探索的AI Lab，在大厂成为一种过去式。

近期，我们与Mind Lab首席科学家马骁腾展开深度对话。“无论阿里也好，腾讯也罢，整合原因都一样，大模型太贵了。”他告诉我们，国内大厂频繁调整AI Lab，不是因为它们做得不好，而是这种模式已经不适应大模型转型需要了。

大厂的AI Lab退出历史舞台的同时，近年硅谷开始流行一个新概念Neo Lab，专指由顶级AI研究者创立的，以提升智能为目标的研究型实验室。其中最为瞩目的代表就是图灵奖获得者杨立昆创立的AMI Labs。

Mind Lab是个人专属智能体公司Mindverse去年成立的一家Neo Lab。

Mind Lab的成员均毕业于全球知名学府，有OpenAI、Deepseek、Seed 等顶尖实验室的工作经历。例如，马骁腾博士毕业于清华大学自动化系，常年深耕强化学习领域。Mind Lab创始人Andrew 则毕业于麻省理工大学，目前担任深圳清华大学研究院的研发中心主任，之前曾和姚顺雨在OpenAI参与主导Agent微调的经典工作之一FireAct。

相比大厂的AI实验室，Mind Lab更强调研究直接落地产品，产品数据同步反哺研究。马骁腾说，“Mind Lab研究和产品中间没有断层，组织结构可以高频迭代，几乎每两个月就有一次调整。”

在Neo Lab新组织形态下，过去一年，Mindverse发布了三款产品，首款试验性产品Personal Agent——Macaron AI去年8月上线，还推出一个用 CPU 就能高效训练万亿参数模型的后训练平台Mind Lab Toolkit，成本优化十倍，一天即可轻松完成一轮训练。它和前OpenAI高管创立的Thinking Machines同期实现了1T LoRA-RL，是业界在万亿参数模型上进行高效强化学习的第一个研究成果。

在他看来，大厂纷纷调整AI Lab，不是说研究变得不重要了，而是衡量研究的核心指标变了——不再是顶级刊会发表的论文数量，关键看能不能进入真实世界，形成闭环。

这方面的典型代表就是谷歌的DeepMind。2023年，谷歌将 Brain与DeepMind合并，使其成为全公司AI战略的“中央引擎”。它不仅承担AGI长期探索、核心模型研究，还肩负Gemini应用落地。如今，DeepMind已从当年谷歌花费6.5亿美元收购的小型实验室，扩张为同时推进约30个前沿项目的庞大机构。

“从这个角度看，DeepMind 做的是一种更大的产品驱动研究。”马骁腾说。

以下是《白鲸实验室》和他的对话，为了文本阅读方便，我们做了精简处理。

01

从“腾讯 AI Lab”说起：一个时代的结束

白鲸实验室：过去大家提到 AI Lab，往往会联想到谷歌、腾讯里的“大厂前沿研究部门”。AI Lab 在大厂内部到底承担什么角色？

马骁腾：如果一定要分类，AI Lab大致可以分为三类：谷歌DeepMind 、腾讯AI Lab这种“研究型 Lab” ，阿里通义这种“大模型原生 Lab” ，还有一类是我们现在做的这种“研究+产品一体化”的Lab 。腾讯 AI Lab 本质上是对标 DeepMind建立的。DeepMind诞生在AlphaGo之后，是一个从属于大公司、不为业绩目标负责的纯研究型实验室。它其实是“上一代 AI”的产物。通义的 Lab就属于大模型时代的原生AI lab。

白鲸实验室：最近几年，从阿里大厂 AI Lab 出现了合并、调整甚至裁撤的趋势，这背后的原因是什么？

马骁腾：据我了解，腾讯其实已经在尽力平衡研究和业务的关系了。最典型的例子就是腾讯AI Lab的游戏AI策略做得很好，也确实用到了腾讯的游戏业务，这说明他们已经在往“实用”的方向靠了，工作重心也从一开始偏向“发论文、追新颖”（for novelty），转向更关注“能不能真正落地、服务业务”（for application）。

这也是一种思路上的根本转变。不再为了研究而研究，而是让研究真正为产品服务。

所以不是 AI Lab 做得不好，而是这种模式已经不适应这个时代了。其实无论阿里也好，腾讯也罢，整合原因都一样，大模型太贵了。举个例子，原来通义实验室是一个小Lab，花的钱并不多。但后来模型做得越来越好，烧的钱越来越多，影响力也越来越大，它就从一个实验室上升到了集团层面。当老板看到账单，自然会思考投入和产出比。

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

白鲸实验室：AI Lab曾被认为是研究者的“理想国”，这在大模型时代无法持续了吗？

马骁腾：大模型带热AI技术潮之前，AI Lab 确实是研究员最好的去处之一。但问题是它和真实世界之间存在“gap”（差距）。 Lab做研究，业务要结果，这中间是断裂的。但现在，大模型技术直接进入了产品，包括Chat 、Agent 、AI 搜索，这些都是直接面对用户的 ，所以这个gap 也就不允许再存在了。

白鲸实验室：是否可以说，AI Lab和业务之间的矛盾，一定程度上是技术人员和产品经理在“做精”还是“做快”上的冲突。在你看来，大厂的AI Lab是否也存在这种“工程严谨性”与“创新探索”的冲突？

马骁腾：其实在模型层面，工程严谨性并没有大家想象的那么高，现实情况往往更激进，今天有了算法的新突破，明天就想部署到产品里。

一个非常明显的表现就是模型不再攒大活，比如之前OpenAI发布的模型节奏是GPT3、3.5、4，时间跨度一年多。现在则变成了5.1、5.2、5.3、5.4，发布周期明显变短了。为了快速迭代，大厂甚至愿意容忍一些中间版本，在不够好的情况下发布。

白鲸实验室：过去两年，大厂AI Lab的成果不少都以论文的形式出现，传统AI Lab承担着为大厂赢得学术声誉的职能。AI Lab是否曾陷入“为发论文而做研究”的陷阱，这种倾向是否与公司追求产品落地、商业回报的目标相违背？

马骁腾：过去大厂常用专利，或者在Nature、顶会发表论文来彰显技术实力。去年之前，论文还没有通货膨胀，发一些好的 paper能带来很强的影响力和企业红利。当时大家对该怎么搞AI，都很迷茫，一边探索一边批量生产论文也是个自然过程。

但到了今天，很多的问题已经被解决，比如如何构建一个推理模型，或是基于强化学习的智能体模型，这些技术路径早已不是秘密。现在模型厂商真正需要解决的问题，已从纯技术突破到把技术转化为优秀的产品与用户体验上。

现在，大模型领域的论文通货膨胀已到了临界点。我们最近招了多位顶尖researcher，他们几乎都表态不想再发论文了。 一方面有了AI 工具，研究员发表论文效率确实提升了。原来一个博士生需要四年完成的工作，现在一个月就能完成的八九不离十。从AI搜索文献、分析实验结果、画图、排版，甚至跑实验，效率提速了，论文本身的价值便被稀释了。

这一点其实所有的researcher心知肚明。现在，几乎没人只是为了发一篇paper而做research了。

白鲸实验室：大家不向往成为比如Kimi、DeepSeek论文的共同作者了吗？

马骁腾：我觉得这是两个概念。大家之所以想成为DeepSeek 论文的作者，不是单纯为了发篇论文，而是因为DeepSeek模型本身很厉害。不是所有的paper都是 DeepSeek R1。

现在每年可能有几十万篇AI相关的paper，数量还在指数级暴涨，但其中大部分只是为了做探索而发表。只要在toy example（示例）上跑通了，就被视为好的research，几乎没人会追问实际情况有没有用、能不能落地。

02

AI Lab的核心使命变了

白鲸实验室：大厂纷纷裁撤AI Lab，这是不是意味着AI lab原来承担的使命已经结束了？

马骁腾：其实我的理解是相反的，AI Lab的地位反而被抬高了。谷歌在2014年1月底以6.5亿美元收购了只有30、40人的DeepMind，现在DeepMind为谷歌带来的回报远超当初。DeepMind不仅没有消失，scope（业务领域）还变大了。

白鲸实验室：像谷歌这样的海外大厂，AI Lab（如DeepMind）和国内大厂的AI Lab，本质区别是什么？除了资金和人才密度，在组织目标、学术自由度以及“长期主义”上有差异吗？

马骁腾：我觉得本质区别不只是资金和人才密度，是它们在公司里的组织定位不一样。

腾讯AI Lab更偏企业战略工具，DeepMind更偏使命驱动型的前沿组织。DeepMind从一开始就更像是为下一代AI系统，甚至AGI这种更长期的目标服务，所以它天然会拥有更高密度的资源、更强的人才配置，也会被允许去做周期更长、不确定性更高的研究。这个背后当然也和 Google 整体的体量、资本能力，以及对长期投入的容忍度有关。

今天如果还把 DeepMind理解成一个纯做前沿研究的组织，其实已经不准确了。DeepMind也对Gemini这样的核心产品负责。现在几乎所有顶级AI Lab的目标都指向更通用的智能。

一个AI Lab如果只是做前沿研究，却无法形成产品落地，无法打通真实环境里的应用和反馈闭环，是远远不够的。

白鲸实验室：字节AI Lab的演变路径很有代表性。2016年成立，2020年转为技术中台，2024年拆分为Seed（基础模型）和Flow（产品创新），2025年整体并入Seed。这本质上是一个“从独立Lab到业务中台，再到模型产品一体化”的收缩过程。腾讯AI Lab现在也走了类似的路——撤销后并入混元。你如何评价这条“先散后收”的路径，这是大厂AI Lab的必然归宿吗？

马骁腾：其实这不是模式本身的问题。在迷茫期，大家都在探索，现在路径已经明确，做好模型能带来非常稳定的收益，API 能卖得多，市值可以拉高。站在公司的角度上，为什么还要花时间做没有意义的事情呢？

后面AI Lab可能会再分开、合并，大家可以理解为一种历史的循环。每当进入技术平台期、方向不明确时，就会散开做探索。一旦路径清晰，就会重新聚焦做应用和落地。

白鲸实验室：字节Seed现在的组织架构很有意思，吴永辉组建了三大团队：Edge（长期AGI课题）、Focus（突破基础模型短板）、Base（当前模型迭代），还取消了大部分团队的OKR，发放独立的“豆包虚拟股”，鼓励发论文。但矛盾的是，2025年下半年，资源明显向短期有成果的团队倾斜，部分前沿的研究领域被忽视。大厂AI Lab的职能变得有些挣扎，既要考虑业务，又要做长期研究？

马骁腾：其实从算力资源来看的话，会更直观。一个业务上跑得不错的模型，一旦请求量上来，推理自然要吃掉更多的卡。从业务角度看，这当然是好事，但同一池子的资源就那么多，推理多占一点，留给 researcher 做训练和长期课题探索的卡就会相应变少。

所以你会看到，同一个组织里，一边是短期可见的产品增长和营收，一边是周期更长、不确定性更高的基础研究，两边天然是拉扯的。只要还共用一套资源，这种张力就会一直存在。

白鲸实验室：字节AI Lab历史上还有一个有意思的细节：2020年从“集团级前瞻项目”转为“技术中台”，是因为马维英（时任AI Lab的负责人）的汇报对象从张一鸣变成了抖音负责人张楠。AI Lab从“老板直管”降到了“业务支撑”。腾讯AI Lab也面临类似问题。在你看来，AI Lab在一个大厂体系内，到底应该向谁汇报？是CEO办公室（如姚顺雨的设置）业务部门，还是独立的科研体系？

马骁腾：我感觉汇报的链路越短越好。据我了解，其实大家的汇报层级，从 Lab负责人到一线的大头兵，最多不会超过三级。甚至有一些更极端的 Lab，组织结构扁平得可怕。

本质是决策者知道的信息越多，决策失误的链路就会越短。不是说 Lab 负责人要对每个决定拍板，而是他要知道一线发生了什么。在现在模型的迭代速度下，组织还是要扁平一点，让信息都能通过这个人同步给集团最终决策者。

03

第三种AI Lab

白鲸实验室：你们为什么会想要做Mind Lab？

马骁腾：Mind Lab属于第三种实验室，我们叫它NEO Labs （研究型创业实验室）。姚顺雨在The Second Half的文章里提到，AI下半场，评估与基准（Benchmark）比模型迭代更重要。过去拼模型架构、训练、规模，用旧基准刷分，基准和真实世界是脱节的。现在大模型预训练+RL已经成熟，作为一家后训练公司，我们认为最重要的就是taste，就是我们到底应该往哪个方向优化模型？

对于预训练公司，好的Benchmark就是各类公开排行榜。但对于后训练公司则不同。我们需要从业务反推优化目标。比如优化人机交互的UI，按钮位置等细节完全取决于产品属性，这需要重新定义什么是“好模型”、“好产品”，以及如何创造新的产品特性。而且这种设计既不是传统产品经理能完成的（他们不懂模型语言），也不是研究员擅长的（他们多数缺乏用户思维），也不是大厂语境下模型经理的责任（他们只对固定Benchmark负责）。所以这也是我们持续投入研究的原因。

白鲸实验室：Mind Lab和前两种AI Lab相比，最大的区别是什么？

马骁腾：大厂的Lab在研究和产品中间都会有距离，而在Personal Agent领域，我们的Benchmark是“一人一Benchmark”——每个用户都有自己的评估标准。这就要求对用户的记忆和个性有深入洞察，背后需要大量的研究支撑。

所以我们的Mind Lab新设了一个研究+产品的协作组，将产品经理引入模型Harness的设计流程中。不同于传统大厂中产品经理仅负责提需求，我们的产品经理要主导设计评估标准（rubrics）、构建Benchmark，并定义“好模型”的具体表现。研究员则围绕这些真实目标，在算法、模型能力与训练方法上持续优化。

双方并非单向上下游对接，而是共同参与模型学习系统的设计。这一模式下，研究直接落地产品，产品数据同步反哺研究，中间没有断层。我们的组织结构也保持高频迭代，几乎每两个月就会有一次调整。

白鲸实验室：从去年8月Macaron AI测试版推出，到6个月前Mind Lab成立，实际上我们是否可以说Macaron AI（产品是定位个人Agent的马卡龙）完成了从产品型公司到研究型初创公司的转变？

马骁腾：是的。其实真的感谢DeepSeek。去年，我和Macaron AI的创始人Andrew就一起带着几个人复现DeepSeek R1。在这个过程中，因为我们卡不够，只能用Lora（低秩适配）这种轻量微调方式来做，因为强化学习用Lora算力成本更低。

但在复现的过程里，我们发现Lora这种方式可以在很少算力的情况下提高任务表现，并且在RL/Agent训练上几乎不损失性能。于是我们决定all in Lora，最后和ThinkingMachines同期实现了在万亿参数模型上进行高效强化学习。

白鲸实验室：你们的Mind Lab是怎么解决“为业务服务”和“做长期研究”之间的资源分配问题的？

马骁腾：我们是一个后训练的Lab ，所有被选进 lab 的人都是为了让研究更好的应用到产品上。随着技术不断落地到应用产品上，Macaron AI的日均使用时长也会不断增长。比如去年8月刚上线时，用户用Macaron AI做一个应用，有时要花20-30分钟，成功率也不高。现在我们把场景做了细化，上线了多个模型，有的侧重情感，有的面向健身、睡眠、饮食，不同场景有对应的模型。现在用户只需2分钟，就可以写一个应用。

我们还在尝试通过模型训练，让用户更方便的用Macaron AI规划自己的生活。比如现在和Macaron对话时，会触发可交互的卡片，用户通过点选就能细化需求，接下来我们希望能将对话过程都简化成选项形式，所以现在还在全力冲刺，争取在4月推出我们的新版本。

白鲸实验室：你们最终的研究目标是什么？

马骁腾：我们希望最终能实现“每个人都有一个LoRA”。用户拥有一个属于自己的私人模型，相比通用模型，在个性化和记忆上的体验会有很大的跃升。到那时，我们有希望冲刺千万用户目标。

白鲸实验室：你们的路径是研究驱动产品、产品反哺研究，似乎和谷歌DeepMind的路径不同，DeepMind的AlphaFold、AlphaTensor、AlphaCode等成果是“论文驱动”而非“产品驱动”。哪种更适合当下？

马骁腾：把 AlphaFold、AlphaTensor、AlphaCode 这类成果简单定义成“论文驱动”，是不准确的。DeepMind 本质上也是产品驱动研究。只是这里的产品不一定是传统意义上的 2C 产品。所以我不觉得这是“论文驱动”和“产品驱动”的二选一。真正重要的是，研究有没有进入真实世界，能不能形成闭环，从这个角度看，DeepMind 做的是一种更大的产品驱动研究。

至于哪条路更适合当下，要看企业所处的位置。DeepMind 那种长期主义 + 递归进化的路径，适合少数拥有超大资源和超长时间尺度的顶级平台。

而我们这种研究驱动产品、产品反哺研究的路径，更适合今天绝大多数真正要参与 AI 竞争的组织。因为今天 AI 的竞争，已经不是单点论文突破，而是谁能更快地把研究、训练、产品和反馈接成一个闭环的竞争。

文章来自于"白鲸实验室"，作者 "马舒叶"。