自从担任 Meta 的 AI 负责人后，Alexandr Wang 首次接受了媒体的深度访谈。他在播客节目『The Core Memory』聊了加入 Meta 的原因，谈了自己这十个月的感受，以及回应了外界的质疑，当然也澄清了很多八卦。

具体内容我还在做切片和翻译，可以先放一小段文字翻译，看看 Alexandr Wang 加入初期对公司的观察，以及如何从顶层重新规划 Meta 的 AI 路线：

Alexandr Wang：我刚到 Meta 时很快就看清楚了局面：我们的 AI 工作需要重新归零，更需要重建，只有这样才可能回到正确轨道。

原因很简单：Llama 4 没有跑在公司需要的曲线上，我们落后于前沿水平。

我们需要一个能显著提速的计划，不只是追上前沿，最好还能超过前沿。

我觉得最根本的问题是，很多实验室搭建组织时都有有个共同的判断：超级智能会到来，而且已经很近。

一旦重视这个前提，实验室架构怎么搭、业务怎么做、资源该投向哪里，都会随之改变。

所以第一步，是先真正重视超级智能，然后围绕这个前提，把其他判断重新校准。

很多大公司（包括 Meta），都有不少人并不一定相信超级智能会很快到来。因为大公司的组织逻辑不一样，它们当然有很多聪明人在做 AI，但创业公司往往是从零开始组队，围绕一个近乎疯狂的判断展开工作。

不过对 Meta 来说这个问题现在已经解决了，今天的 Meta Superintelligence Labs 就是围绕超级智能即将到来来搭建的。

围绕这件事，我们定了几条原则，也对应了当时必须解决的问题：

第一，认真对待超级智能。

第二，让技术判断拥有最大话语权。

第三，坚持科学上的严谨，回到基本功，同时敢下重注。

所以，刚开始搭建 TBD，以及更广义上的 MSL 时，我一直在想一个问题：什么样的实验室，才能以极快的速度追上前沿，甚至反超？

我最后得出的答案有三点。

第一，让每位研究员拿到更多算力。

很多大型实验室确实有海量算力，但摊到太多方向上之后，单个研究员能调用的资源反而有限，研究速度也会被拖慢。如果团队更小、更聚焦，每位研究员分到的算力更充足，研究进展就会更快。

第二，提高人才密度。

组织管理里，人们似乎总要反复学同一课：一个小团队，只要人人都是顶尖高手，通常会比一个规模庞大、职责分散、成员参差不齐的组织跑得更快。

第三，押注足够大胆的研究方向。

行业里其实已经有一个共识：确实存在一些研究路线，赌注很大，风险也很高，但一旦跑通就可能改写范式，改变今天构建 AI 的方式。

所以，除了继续冲击有竞争力的前沿模型，我们也把大量资源和算力投向这些高风险、高回报的研究赌注。

只要其中一些跑通，就可能为我们带来下一代极其强大的模型。 http://t.cn/AXixK6Po