Meta超级AI团队推行1:50扁平管理，打造极致高效工程
来源：环球网
【环球网科技综合报道】3月4日消息，据Business Insider报道，Meta正加速其“超级智能”战略落地，宣布组建一个全新的应用人工智能工程组织。据两名知情员工透露，该新部门将采用极具颠覆性的管理架构，经理与员工的配比最高可达1:50，旨在通过极致的扁平化结构提升研发效率，快速构建支撑前沿模型发展的数据引擎。
据介绍，这一新成立的工程组织将由Reality Labs副总裁马赫尔·萨巴领导。Reality Labs是Meta负责元宇宙产品及AI智能眼镜的核心部门。萨巴将直接向Meta首席技术官安德鲁·博斯沃思汇报。
知情人士指出，新团队将实行异常扁平的管理模式，一名经理可能直接管理多达50名工程师。这种结构打破了科技行业常见的1:10至1:15的管理幅度惯例，与英伟达首席执行官黄仁勋直接管理超过30人的模式相呼应。
Meta首席执行官马克·扎克伯格在近期的财报电话会议上阐述了这一理念的背景。他表示，Meta正在“提升个人贡献者的地位，并扁平化团队结构”，因为随着AI工具能力的增强，“过去需要大型团队才能完成的项目，现在只需一个非常有才华的人就能完成”。
新组织将与Meta于去年夏天成立的“Meta超级智能实验室”紧密协作。该实验室由前Scale AI首席执行官亚历山大王领导，专注于监督Meta前沿AI模型的开发。
根据《华尔街日报》披露的一份内部备忘录，萨巴明确指出了新团队的核心任务：构建“帮助我们的模型更快、更好地发展的数据引擎”。萨巴在备忘录中强调：“构建优秀的模型不仅仅是研究人员和计算能力的问题。”他认为，近期人工智能在强化学习及训练后处理方面的突破表明，若Meta加大在该领域的工程化投资，将有机会显著加速模型迭代，从而打造出市场领先的AI产品。
据悉，新组织将由两个核心职能团队组成：界面与工具团队——专注于开发高效的内部工具和用户界面，优化研发工作流。数据获取团队——致力于解决高质量数据的获取与处理难题，为模型训练提供燃料。（青云）
相关攻略
3 月 4 日，据 BusinessInsider 报道，两名知情员工透露，Meta 正在组建一个新的应用人工智能工程部门，旨在加速公司向超级智能方向推进。该新部门将由 Maher Saba 领导，
3月4日，Meta加速推进“超级智能”战略落地，宣布组建全新应用人工智能工程组织，通过极致扁平化管理架构提升研发效率，快速构建支撑前沿模型发展的数据引擎。该新部门采用颠覆性管理模式，经理与员工配比最
来源：环球网【环球网科技综合报道】3月4日消息，据businessinsider报道称，Meta正加速其“超级智能”（Superintelligence）战略落地，宣布组建一个全新的应用人工智能工程
IT之家 1 月 22 日消息，当地时间 1 月 20 日，据《财富》杂志报道，在瑞士达沃斯举行的世界经济论坛年会上，微软 CEO 纳德拉与论坛临时联席主席、贝莱德 CEO 拉里 · 芬克展开对话。
热门专题
热门推荐
钉钉文档官网 在探讨企业级协同办公解决方案时，钉钉文档无疑是备受瞩目的核心工具之一。作为阿里巴巴钉钉官方推出的旗舰级应用套件，它深度融合了在线文档编辑、智能表格、思维导图等多种高效创作工具。其核心优势在于与钉钉平台生态的无缝衔接，能够直接同步企业内部组织架构与通讯录，实现团队成员间的即时协作与信息流
在数字化转型浪潮中，高效、易用的数据分析工具已成为企业提升决策效率的关键。商汤科技推出的“办公小浣熊”智能助手，正是基于自研大语言模型打造的一款创新产品，旨在彻底降低数据分析的技术门槛。用户无需掌握编程知识或复杂操作，即可通过自然对话完成从数据查询、处理到可视化洞察的全流程，让数据价值触手可及。 办
在人工智能技术快速发展的今天，MiniMax作为一家专注于全栈自研的AI公司，正以其独特的技术路径和前瞻性的布局，在业界脱颖而出。公司致力于构建覆盖文本、图像、语音和视频的新一代多模态智能模型矩阵，这不仅体现了对核心底层技术自主权的深度掌控，也展现了对未来人机交互与内容生成形态的前瞻思考。 那么，M
ApolloCreditFund（ACRED）作为连接传统信贷与DeFi的桥梁，其价格受市场情绪、协议基本面及宏观环境影响。其价值逻辑根植于现实世界资产（RWA）的收益捕获与链上流动性释放。短期价格波动难以预测，但长期发展取决于信贷资产质量、协议安全性和市场采用度。投资者需关注其底层资产表现、代币经济模型及整个RWA赛道的发展趋势。
在数字化转型浪潮中，一套能够深度适配业务、彰显品牌特色的智能客服系统，已成为企业提升服务效率与用户体验的关键工具。然而，市场上许多解决方案往往模式固化，难以满足个性化需求。如何让AI客服不仅具备基础的自动化应答能力，更能承载独特的品牌文化与服务哲学？其核心在于系统是否支持深度的自定义与持续的AI训练