Meta 这十年在 AI 上的转向，外界看着像混乱、像翻车，但拉远了看，内部有一条惊人稳定的逻辑：只要对财报有利，研究理想、开发者生态、员工尊严，都是可以烧掉的燃料。当开源能涨势能就开源，当闭源能变现就闭源，当员工能榨数据就上监控。混乱是表象，冷血的一致性才是里子。
唯一不那么功利的那几年，反而建起了护城河（2013-2022）
要看懂 Meta 后面那套冷血逻辑，得先承认一个反讽：它在 AI 上最深的家底，恰恰是在它还没把研究当成赚钱工具的那几年攒下的。2013 年 12 月，Facebook 成立人工智能研究院 FAIR，后来更名 Meta AI。深度学习先驱、图灵奖得主 Yann LeCun（杨立昆）出任掌门，把它办成了一个高度自治、以学术自由为导向的纯研究机构。那几年 Meta 的策略核心并不在于立刻把 AI 变现，而是通过开源共享，先在学术界立住基础领导地位。
这种”学术乌托邦”模式孕育了 Meta 在 AI 上的第一笔、也是最有统治力的财富：PyTorch。2016 年 FAIR 的工程师为了把灵活性带进 Python 生态启动了这个项目，凭借友好的接口征服了研究界，再靠分布式训练能力撑起大规模模型。到 2025 年，全球约六成 AI 模型训练建立在 PyTorch 之上；早在 2018 年，Meta 内部九成以上的新训练模型就已经迁移到了这个框架。这层底层生态的统治，让 Meta 在 AI 圈握有极高的话语权。
把这件事记牢，因为它会变成后面所有故事的反衬：Meta 最值钱的东西，是在它愿意为长线、为人才、为开放花钱而不立刻问回报的时候长出来的。而一旦它换上”先看回报”的眼光，麻烦立刻就来。硬件就是现成的例子：2022 年之前 Meta 长期依赖为推荐算法、也就是为广告变现优化的自研芯片，比如初代 MTIA。这种芯片专为轻量级推荐任务设计，根本扛不住大语言模型的张量计算。所以当 ChatGPT 在 2022 年底问世，这套”只为变现优化、没为前沿下注”的基础设施让 Meta 一下陷入被动。
于是 Meta 进入生成式 AI 时代时，是一个奇特的组合：研究声望和底层框架的护城河极深，硬件准备却明显滞后。这两件事会在接下来几年里同时发酵：一个把它推上开源王座，一个逼它走向天文数字的补课。
开源不是慷慨，是一场精明的算计（2023-2024）
把 Meta 推上开源王座的，是一次它自己没计划好的事故。2023 年 2 月 24 日，Meta 发布第一代 LLaMA，初衷只是放出一个”仅限研究用途”的非商业模型，权重只授权给通过审查的学术机构。然而仅仅一周后的 3 月 3 日，一名拥有访问权限的用户把完整权重打包成 BitTorrent 种子，直接发到了匿名论坛 4chan 上。泄露迅速且不可逆，Meta 虽然发了 DMCA 删除通知，但模型已经流向全网。开发者随即发现 65B 的 LLaMA 足以媲美 1750 亿参数的 GPT-3，更小的版本甚至能在消费级硬件上跑起来，计算机科学家 Simon Willison 就在一台 M2 MacBook 上跑起了 13B 版本，斯坦福的 Alpaca 等微调项目也几天内密集涌现。但是注意，这一步的开源是个事故，不是 Meta 的善意。
2023 年 7 月的 Llama 2 给出极宽松的商业授权，却专门留了一条”月活超 7 亿不得免费商用”的毒丸条款，精准挡住苹果、谷歌、微软这些对手，同时又把全球初创和企业拉进自家生态。背后是扎克伯格精明的算计：用别人的繁荣稀释 OpenAI 和谷歌的封闭壁垒，顺便把整个社区的开发热情收编成自己的护城河。开发者得到的好处是真的，但他们更像是这盘棋里被善用的棋子。
2024 年 4 月的 Llama 3 把这套打法推到顶点：70B 追平 GPT-3.5，405B 刷新当时全球最大开源权重模型的纪录。这一时期的 Meta 不只是社交巨头，更被广泛称为对抗闭源垄断的”白衣骑士”。它甚至在政策层面发力，游说反对针对大模型的严苛监管。但只要记住开源对 Meta 始终是手段而非信仰，后面的剧情就一点都不意外了。同一套”什么对我有利就做什么”的逻辑，今天能让它高举开源大旗，明天就能让它把大旗一把收走。社区把它当朋友，它把社区当资源。这个错位，是理解后半段所有翻脸的钥匙。
人最先用脚投票（2024-2025）
这套只算账、不认人的逻辑，第一笔账就记在了人身上，而且是在 Meta 最风光的时候。2023 年初代 LLaMA 论文有 14 位作者，两年内走了 11 位，流失率约 78%。他们不是临时工，而是平均效力多年的核心。受益最大的是法国的 Mistral AI，它的两位创始人正是 LLaMA 架构的设计者，出走后又接连挖走数位原班人马，回头在欧洲正面冲击 Llama。其余的人散去了 Anthropic、DeepMind、Cohere、微软，连领导 FAIR 多年的负责人也在 2025 年离开。
人不会无缘无故地走。真正的推手，是 Meta 把 AI 部门的重心从长线研究压向短期产品落地：研究者被要求把模型硬塞进 WhatsApp、Instagram，那些想冲击前沿的人则在规模扩张的单一路线里感到挫败。说白了，Meta 开始用”能不能马上变现”这把尺子去量研究，而这恰恰是它早年刻意不用、也正因为不用才留住人的那把尺子。
最有象征意义的是灵魂人物 LeCun 的出走。他长期公开质疑单纯堆大语言模型的路径，认为那只是预测下一个 token，缺乏对物理世界的真实理解。当扎克伯格把几乎所有算力压在 LLM 规模扩张上，FAIR 被迅速边缘化，LeCun 在 2025 年底离开决策核心，去巴黎创办主攻”世界模型”的 AMI Labs，开局就拿到约 10.3 亿美元种子轮、35 亿美元估值。Meta 早期那种纯学术理想主义的时代，到这里基本画上句号。
为了财报好看，连诚信都能拿去换（2025）
如果说失去原创团队还能用”战略调整”遮掩，2025 年 4 月的 Llama 4 就是这套财报逻辑第一次当众露馅。这是 Meta 首次全面押注混合专家架构，本该重整旗鼓，却翻成了技术和公关的双重事故。营销上，Meta 高调宣称 Maverick 在盲测榜 LMArena 拿下 1417 高分，仅次于谷歌的 Gemini；可社区下载公开权重后发现，真实模型在编码、逻辑和长文本上的排名只在第 32 位左右。
真相更难堪：上榜的是一个名为 Maverick-03-26-Experimental 的特调版，被刻意调成生成大量表情、冗长热情的风格，因为盲测里的人类评估者潜意识更偏好这种热情啰嗦的回答。已离职的 LeCun 在《金融时报》上直接确认，结果”被稍微动了手脚”。这件事本质上是古德哈特定律的翻版：当一个指标变成目标，它就不再是好指标。团队为了在不同基准上刷分，向不同测试提交了针对性过拟合的特定变体，而不是用最终公开的通用模型。
值得把性质说清楚：芯片误判是判断失误，人才流失是文化失血，而 Llama 4 的刷分是诚信失守。一家曾靠”把真东西开源出去”赢得信任的公司，开始靠”把假象提交上去”维持排名。它动用的，正是自己最稀缺的那点东西：可信度。而它愿意拿可信度去换的，无非是一个能让发布会更好看、让叙事更性感的数字。重要性的排序在这里暴露无遗：真实的能力是次要的，能写进 PPT、能撑起股价的”看起来很强”才是首要的。事后 LMArena 公开修改规则，不点名地批评了这种偏离公平竞争的做法，许多原本依赖 Llama 的企业也开始重新评估风险，部分转向 Mistral 或中国的开源模型。
灾难的另一半是寄予厚望的巨兽 Behemoth 难产。这个号称两万亿参数级别的模型，原计划作为”教师模型”去蒸馏更小的 Scout 和 Maverick，但在训练中接连出问题：中途更换数据来源带来质量瓶颈，临时改动 MoE 路由破坏了专家分工，超长上下文机制在巨大规模下出现严重的边界盲点。发布从春天一路推到秋天，最终被无限期搁置。Behemoth 的难产也让整个行业重新思考：单纯靠暴力堆参数换取智能涌现，是不是已经触到了工程复杂度的天花板。
把员工当成可消耗的燃料（2025-2026）
Llama 4 的溃败让扎克伯格下了一个更冷的决定：既然组织和文化救不回来，那就用钱直接买，用人直接填。据 LeCun 透露，他对原团队”基本失去了信心，让整个生成式 AI 组织靠边站”，转而在 2025 年中启动了 Meta 史上最激进的一次重组。第一步是 143 亿美元拿下 Scale AI 的 49%，核心是把年轻创始人 Alexandr Wang 连人带资源收进来，任命他为首位”首席 AI 官”；第二步是对 OpenAI、DeepMind、Anthropic 发动抢人战，据媒体披露，部分研究员拿到了传闻总包数亿美元的合同。
但这种用钱砸出来的雇佣兵团队极不稳定：有明星研究员入职几周就想走，高层只能火线提拔留人；也有人入职数周到数月便闪电离职，重返老东家。更说明问题的是底层员工的处境：Meta 另设了一个约 6500 人的应用 AI 工程部，管理极致扁平，一名经理一度管 50 人。原本做高级架构的工程师被强行调来生成编程题、解答测试，给强化学习喂人工反馈数据，每周还背着刷题指标。为采集所谓高质量的交互数据，公司甚至在驻美员工电脑上装监控软件，记录鼠标和键盘，逼出 1600 多人联名抗议，最后只让步到”每天可暂停采集 30 分钟”。把人招进来，不是让他们造东西，而是把他们的每一次点击都榨成喂给机器的数据，这就是”燃料”二字最直白的注脚。
压抑在一次直播全员会上炸开。据 Wired 听到的录音，一名员工打断面向数千人的演讲，用脏话痛骂某位高管”是个垃圾”。扎克伯格则在备忘录里承认”我们犯了错，几乎肯定还会再犯”，并保证年内不再大规模裁员，尽管此前已裁掉约 8000 人，占全球员工一成。
需要说一下的是，关于这个部门的争议本身就两极。在工程师口中它”简直就是古拉格”，”你突然之间毫无人生目标，几乎不和人交流，每周只有那些任务”。但在更广的舆论场，尤其是 Hacker News 上，许多旁观者并不买账：他们指出这些人拿着高薪、做着比过去更轻松的任务，谈不上受苦，把这种处境比作古拉格反而显得矫情。两种叙述并存，一边是当事人的真实低落，一边是旁观者对”高薪做题也叫受难”的质疑。
终点：当一家公司只剩下财报（2026）
经历了性能争议、巨兽难产、人才出走和内部动荡之后，Meta 的战略逻辑发生了根本转向。2026 年 4 月，重组后的超智能实验室交出了第一份答卷：Muse Spark。它不再是一个能被开发者下载到本地、自由微调的开放权重模型，而是一个完全闭源、只通过云端 API 和 Meta 自家产品访问的专有模型。Alexandr Wang 坦承，Meta 引以为傲的”开源剧本”已经碰壁：前沿模型能力膨胀后，公司在生物安全等高危领域无法继续给公开权重施加护栏，于是必须把模型锁进产品闭环。安全是真问题，但闭源的时间点踩得如此精准地对上变现节奏，很难不让人觉得它只是个体面的理由。代价是庞大的 Llama 开发者生态被实质放弃，连 AI 学界都惋惜这是开发者社区的重大损失。
放下开源包袱，确实换来了技术回报，这点要公道地承认。脱离适配低端硬件的约束后，团队用约九个月从底层重构训练栈，把 Muse Spark 做成原生多模态推理模型，能在单一架构内处理文本、图像、音频。据第三方机构 Artificial Analysis 的数据，它的智能指数明显高于同类可比模型，在医疗健康等测试上表现亮眼，只在代码和抽象推理上仍略逊 OpenAI 的同代模型。按这些口径，Meta 在文本推理和视觉解析上重回第一梯队。
但闭源真正的驱动力，从来不是安全，而是华尔街要看到真金白银。Muse Spark 被迅速塞进触达数十亿用户的产品矩阵：识别食物估算卡路里、接管智能眼镜语音、提升广告转化。即便扎克伯格抛出 2026 年上千亿美元级别的资本支出计划，由于变现路径足够清晰，市场不仅没恐慌，反而推高了股价。一边裁人、一边监控、一边抛弃社区，换来的是一条投资者最爱的曲线，这场豪赌从财报的角度看，赢得漂亮。
回看Meta AI的历史，Meta 真正的领先，从来建立在它愿意为长线、为人、为开放花钱而不立刻问回报的那段时间；而这十年里，它为了让财报更好看，先把研究压向变现逼走了人，再为指标动了诚信，又用天价和监控把员工当燃料，最后连”开放”本身也收了回去。它确实没”掉队”，Muse Spark 还在前沿梯队里，但它赢回的是季度营收，丢掉的是那套让它在 PyTorch 和 LLaMA 时代不战而胜的根基。所以这不是一个巨头掉队的故事，而是一个更冷的故事：一家公司被证明，只要市场肯为冷血买单，它就会一路冷到底，并且做得理直气壮。
参考资料：
https://www.wired.com/story/mark-zuckerberg-meta-employee-meeting-interrupt-ai/
https://techhistorylab.com/meta-llama-history/
https://www.meta.com/about/leadership/alexandr-wang
https://mashable.com/tech/meta-employee-backlash-for-tracking-tool
https://aiweekly.co/alerts/meta-softens-keystroke-tracking-after-worker-backlash
https://thenewstack.io/meta-abandons-llama-spark