Meta 下狠手!AI 部門裁員600人,舊團隊重組,Zuckerberg的超智慧團隊安然無恙

Meta 大刀闊斧!裁員600人,重組 AI 部門。然而,新成立的 TBD Lab 並不受影響。背後究竟是效率與創新的博弈,還是成本壓力的妥協?

Meta 下狠手!AI 部門裁員600人,舊團隊重組,Zuckerberg的超智慧團隊安然無恙

Meta AI 突然宣布裁員 600 人,這是 AI 部門的重組行動。這波裁員針對 AI 產品、基礎設施與長期研究團隊,唯獨 Mark Zuckerberg 的高薪「超智慧」新團隊 TBD Lab 倖免。

Axios Reuters 報導顯示,雖然決策在精簡決策、提升效率,但也暴露 AI 支出壓力。


Meta AI 部門重組:裁員 600 人,TBD Lab 豁免

Meta Platforms 正進行 AI 部門大規模重組,裁減約 600 個職位,影響 Facebook AI 研究(FAIR)單位、產品相關 AI 與基礎設施團隊,然而,Zuckerberg 高薪挖角的菁英陣營 TBD Lab 未受影響。

首席 AI 官 Alexandr Wang 寫道:「縮減團隊能精簡決策流程,讓每個人承擔更多責任,發揮更大影響力。」

Meta 鼓勵受影響員工申請內部其他職位,預計多數人能轉崗。同時,公司積極為 TBD Lab 招兵買馬,近期從 OpenAI 挖角研究員 Ananya Kumar,並網羅 Thinking Machines 聯合創辦人 Andrew Tulloch


Zuckerberg 的擔憂與 AI 成本壓力

裁員背後,是 Zuckerberg 對 Meta AI 進展的失望。他認為舊團隊在突破性研究上停滯,官僚文化拖慢腳步。

Meta 豪擲 150 億美元收購 Scale AI,創建 TBD Lab,並掀起挖角熱潮,試圖重奪 AI 領先地位。

CFO Susan Li 7 月表示,計畫至 2026 年擴大員工,但因 AI 支出激增(Meta 預計數百億美元建資料中心),迫使公司凍結部分招聘。

儘管 2025 年股價上漲 25%,Meta 必須平衡利潤與成長,這場裁員正是精簡成本、加速創新的關鍵一步。


TBD Lab:Zuckerberg 的菁英夢工廠

TBD Lab 是 Meta AI 轉型的明星,承載 Zuckerberg 對超智慧的雄心:

  • 成立背景:2025 年 6 月誕生,因 Zuckerberg 不滿舊團隊進展緩慢、官僚拖累,決心打造敏捷的「超智慧」單位。
  • 菁英陣容:匯集 Scale AI 創辦人 Alexandr Wang(現任首席 AI 官)、OpenAI 研究員 Ananya Kumar 及 Thinking Machines 聯合創辦人 Andrew Tulloch。
  • 核心任務:聚焦通用人工智慧(AGI)、基礎設施優化與創新產品,力求追趕 OpenAIxAI
  • 資源後盾:背靠 150 億美元收購 Scale AI 的投資,擁有獨立預算,專注高影響力項目。
  • 戰略定位:取代 FAIR 等舊單位,成為 Meta AI 創新的新引擎,推動 Llama 模型升級。

產業脈絡:AI 裁員潮與人才戰

Meta 的行動反映科技業趨勢:MicrosoftAlphabet Amazon 近期也縮減人力,儘管營收亮眼。AI 熱情推升市值,但成本壓力導致調整。AI 熱情推升市值,但龐大支出讓科技巨頭不得不優化資源。

Meta 自 2013 年創建 FAIR,打造全球深度學習網路,如今卻需精簡以追趕 OpenAI 的 AGI 進展與 xAI Grok 挑戰。

人才戰火熱,TBD Lab 豁免顯示 Zuckerberg 重視菁英,但舊團隊犧牲引發內部不滿。分析師預測,AI 人才可能流向新創,進一步加劇競爭。


未來展望:AI 投資的雙刃劍

Meta 的裁員是 AI 熱潮下的警訊:創新需平衡成本與人才。未來挑戰包括:

  • 效率優化:TBD Lab 的高薪 vs. 舊團隊的貢獻。
  • 競爭壓力:追趕 OpenAI 的 AGI 與 xAI 的 Grok。
  • 市場風險:AI 投資回報與就業影響。
  • 人才戰:挖角與流失的風險。

重塑 AI 部門,凸顯 Zuckerberg 對效率與菁英的追求。然而,舊團隊的犧牲與成本壓力提醒我們,AI 熱潮並非坦途。


Source

Meta Is Laying Off 600 Workers in Its AI Division—What You Need to Know

Meta Cuts 600 Jobs in AI Division

Meta to cut around 600 roles in Superintelligence Labs AI unit

Exclusive: Meta slashes jobs in its AI operations

Read more

為什麼你的 CV 明明不差,卻還是對不上理想 program?我用這套 keyword 分析法找答案

為什麼你的 CV 明明不差,卻還是對不上理想 program?我用這套 keyword 分析法找答案

選校不是只看排名,而是看 fit 這句話很多人都聽過。 但真正知道怎麼做到的人,其實不多。 大部分人的做法是: 先把 CV 整理好,去官網看一下 program 介紹,感覺不錯就投。 這樣做最大的問題是: 你是用自己的框架去看 program, 而不是用 program 的框架來看自己。 只要這個順序錯了,不管你把 CV 改得多流暢,方向都還是可能不對。 我自己曾經繞過的彎路 申請前期,我花了很多時間優化 CV。 我把每一條 bullet point 改得更精準,數字更清楚,動詞更有力。 改完之後,自己也覺得好像不錯。 但投了幾間之後,我一直有一種說不上來的感覺: 好像哪裡不太對。 後來我把其中一間學校的 program handbook 仔細讀了一遍, 才發現這個 program 真正在意的能力方向, 和我 CV 裡強調的重點其實有明顯錯位。