前沿模型实验室组织形态
创建时间： 2026-05-11
来源： [[sources/Yao Shunyu Let Me Go a Little Crazy! Training Models at Anthropic & Gemini, Heroism Is Over - 逐字稿.md]]
相关： Yao-Shunyu-GDM，Post-Training-Era，State-of-AI-2026，AI-Research-Collectivism，Agent-Paradigm-Shift
Yao Shunyu 对 Anthropic 与 Gemini 的比较，给出了一套理解前沿模型实验室组织形态的框架：创业公司靠押注，大公司靠储备；Anthropic 纵向，Gemini 横向；最优组织状态需要同时保留 top-down 的聚焦和 bottom-up 的探索。
Anthropic：技术 leader 能直接押注
Anthropic 的独特性在于，技术决策者同时是公司的关键决策者。Yao 提到，Jared Kaplan、Sam McCandlish 等技术 leader 是 cofounder，既能在技术上说服研究员，也能对公司承担决策责任。
这使 Anthropic 能执行相对 top-down 的机制：
- 识别到 Claude 3 代码能力的市场信号；
- 快速把 coding / agentic coding 上升为公司级押注；
- 将研究、数据、环境、infra、算法向同一目标收拢；
- 在 Claude 3.7 前后把后训练从「小规模补丁」推进到更大规模的强化学习范式。
这种组织能力不是单纯的管理技巧，而是技术权威、公司所有权和决策责任的叠加。没有这三者，top-down 容易变成空喊口号。
Gemini：大公司的横向储备
Gemini / Google DeepMind 的 playbook 不同。大公司不一定要在每个方向上提前 all-in，而是可以在多个方向保留储备：
- 模型训练；
- 多模态生成；
- 底层工程和 infra；
- TPU / 硬件到模型之间的栈；
- 长上下文；
- AI research automation；
- 机器人和科学方向。
这种组织更偏 bottom-up：研究员有更大自由度，能接触更多方向，但也更容易变得混乱。Google 过去的问题不是没有人才或技术储备，而是组织框架不够清晰，导致很多人不知道自己工作的共同目标。
Yao 认为 Gemini 后来的改善来自组织逐渐清晰：有了更好的框架让很多强研究员和工程师围绕 Gemini 协作。
创业公司与大公司的根本差异
| 维度 | Anthropic 式创业公司 | Gemini 式大公司 |
|---|---|---|
| 核心能力 | 快速押注、集中资源、强执行 | 技术储备、多方向布局、横向学习 |
| 组织机制 | 更 top-down | 更 bottom-up |
| 风险结构 | 必须赌对，否则没有资源覆盖所有方向 | 可以同时保留多个方向，等待哪个方向胜出 |
| 个人体验 | 更容易纵向看清一条线 | 更容易横向看到整个 AI 系统 |
| 主要危险 | 扩张后文化变复杂，早期紧迫感下降 | 自由度过高导致混乱和目标不清 |
最优状态：不稳定的混合态
Yao 的一个重要判断是：纯 top-down 和纯 bottom-up 都不够。
纯 top-down 的危险是压制探索；纯 bottom-up 的危险是组织失焦。真正有效的组织需要一个技术 leader 或小团体，把两者混合起来：
- 既能理解一线技术细节，必要时亲自救火；
- 又能理解别人正在做但自己不会亲手做的方向；
- 能判断哪些自由探索值得保留，哪些需要收拢为组织级目标；
- 能让系统稳定运行，而不是依赖某个英雄个人。
这与 AI-Research-Collectivism 的判断相通：前沿 AI 的核心不再是某个天才灵光一现，而是一个组织能否持续把大量简单但关键的事情做干净。
组织形态决定模型路线
Yao 对「know-how」的态度很谨慎。他认为很多外部人想问「Anthropic 怎么做」「Gemini 怎么做」，但单点 know-how 往往会误导人，因为现代 AI 训练是一个大系统：
- 算法设计依赖 infra；
- infra 决定采样器与训练器的差异；
- 数据、环境、reward、评估彼此耦合；
- 一个公司可用的 trick，换到另一个系统里可能完全无效。
因此，前沿模型实验室真正的壁垒不是某个孤立技巧，而是组织能否整体理解系统，并让技术路线、基础设施、人员责任和产品目标一致。