Meta挖角「CV铁三角」与多模态AI演进 - Meta近期高薪挖走OpenAI苏黎世办公室的「CV铁三角」（Lucas Beyer、Alexander Kolesnikov、Xiaohua Zhai），三人曾在GoogleBrain/DeepMind共事并主导多项视觉AI里程碑研究 [4][5] - 「CV铁三角」的五项核心成果构成多模态AI基础框架： - **S4L（2019年5月）**：通过自监督+半监督学习减少图像分类对人工标注的依赖 [5] - **BiT（2019年12月）**：验证视觉领域大规模预训练→微调范式的可行性，被CLIP/SAM等沿用 [6] - **ViT（2020年10月）**：首次将纯Transformer应用于视觉任务，打破CNN垄断并实现跨模态特征关联 [6][7] - **MLP-Mixer（2021年5月）**：用双层MLP替代卷积/自注意力机制，简化架构同时保持性能 [7] - **PaLI系列（2022年9月起）**：谷歌多模态统一尝试，将图像+语言任务转化为文本生成 [7] - 研究轨迹覆盖从图像分类到多语言对话，为Omni-LLM全模态模型奠定技术路径 [5][7] Multi-Agent协作与RAG技术争议 - 检索增强生成（RAG）被质疑为过渡方案，需与持续状态memory机制互补以支持动态上下文迁移 [2] - 多智能体环境需解决多层级memory架构设计挑战，包括语义漂移、上下文污染及优先级管理 [2] Perplexity挑战谷歌搜索霸权 - Perplexity通过AI原生浏览器突破流量限制型AI瓶颈，创始人Aravind Srinivas构建资源效率型产品护城河 [3] - 谷歌因现有搜索业务模型限制，难以推出非流量受限的AI产品 [3] 行业动态统计 - 本期通讯覆盖30项AI&Robotics要闻，含技术进展10项、国内动态8项、国外动态12项 [3]

核心观点 - Meta近期从OpenAI苏黎世办公室挖走三名核心AI研究员（Lucas Beyer、Alexander Kolesnikov、Xiaohua Zhai），三人曾共同参与ViT等突破性研究 [3][4][5] - Meta通过高薪策略（最高1亿美元待遇）和CEO扎克伯格亲自招募（每日联系数百名顶尖人才）加速AI人才争夺，目标组建超级智能实验室 [6][7][8] - OpenAI CEO山姆·奥特曼公开淡化影响，称核心团队未流失，但公司已采取反制措施（增加研究资金与资源） [9] 人才流动 - 三名研究员均从谷歌DeepMind跳槽至OpenAI（2024年12月），仅半年后转投Meta [5][12][19][24] - 三人学术影响力显著： - Xiaohua Zhai（翟晓华）Google Scholar被引量超8万，h指数45，ViT论文被引65,568次 [15][16] - Lucas Beyer被引量超8万，ViT论文被引65,200次 [20][21] - Alexander Kolesnikov被引量超9万 [26] Meta的AI战略 - 近期动作： - 投资AI初创公司Scale AI 140亿美元并挖走其CEO [7] - 尝试招募OpenAI联合创始人Ilya Sutskever和John Schulman（未成功） [8] - 扎克伯格亲自参与招聘，通过邮件/WhatsApp直接联系候选人，部分offer包含股权等综合价值达1亿美元 [6] 行业竞争动态 - OpenAI回应称Meta的激进招聘是"疯狂行为"，强调核心团队稳定性，但承认需加强人才保留措施 [9] - 三方背景：三名研究员均曾在谷歌DeepMind主导多模态、ViT等前沿研究，后集体加入OpenAI建立苏黎世办公室 [5][12][18][24]

马毅的学术观点与研究方向 - 马毅认为当前AI大模型仅实现局部记忆功能，本质是数据压缩而非真正智能，知识不等于智能，智能应能自我纠正和发现新知识[4][5][51] - 反对Scaling Laws路线，认为单纯扩大数据、算力和参数规模无法实现AGI，现有模型依赖记忆和统计而非因果推理[16][17][22] - 提出智能的简约与自洽原则：规律表达需简洁高效（简约），预测需与外部世界一致（自洽），引用爱因斯坦名言作为理论依据[52][53][54] 白盒大模型技术路径 - 团队开发白盒框架CRATE，用数学解释深度学习网络的压缩过程，目标提升效率并超越黑盒模型[33][34][35] - CRATE在同等参数下性能接近ViT（如CRATE-L参数77.64M，ImageNet-1K准确率71.3%，ViT-S参数22.05M准确率72.4%），新版本CRATE-α通过编码优化已媲美ViT[41][43][47] - 白盒模型可降低试错成本，训练资源仅为经验方法的1/3-1/4，算子更稳定且可解释[38][39][49] 行业现状与批判 - AI行业存在同质化问题，过度追逐Scaling Laws导致研究趋同，国内投入规模大但创新不足[19][21][22] - 批评AI威胁论是"无知或别有目的"，指出当前模型无自主意识，危险论调可能阻碍创新[26][28][29] - 工业界更关注实用效果而非理论突破，学界与工业界算力差距加剧模型效果分化[8][9][10] 商业化与教育实践 - 创立忆生科技推动白盒路线产业化，公司定位"下一代智能系统"，聚焦完整记忆和闭环学习[83][84][85] - 在香港大学设计AI通识课程，面向所有专业学生教授计算思想，强调正确理解AI基础[81][82] - 认为资源应投向有创造力的年轻人，中国需建立支持年轻团队的创新机制[94][95][96] 历史视角与跨学科启发 - 梳理AI历史发现理论重复现象，如去噪扩散模型本质是250年前的拉普拉斯方法[69][70] - 借鉴神经科学发现，猴子大脑的低维编码与白盒压缩结构相似，闭环反馈机制受生物智能启发[70][71][72] - 区分科学家与工程师思维，前者追求必要性（简约），后者接受冗余（经验试错）[73][74][75]