The end of Microsoft Research's AI Frontiers group
TL;DR · AI 摘要
微软研究院AI Frontiers小组因与Microsoft AI哲学冲突被重组,其技术成果包括Autogen框架和Fara代理,但组织调整导致研究方向受阻。
核心要点
- AI Frontiers小组开发了Autogen和Fara等关键技术框架
- 重组后Microsoft AI强调规模优先于研究,与原团队理念冲突
- 微软研究院内部存在4个独立模型构建流水线开发项目
结构提纲
按章节快速跳转。
- §引言
2023年ChatGPT发布后微软研究院调整AI研究组织模式
通过混合自上而下与自下而上的方式组织研究团队
- ·重组过程
2026年9月被并入Microsoft AI部门引发哲学理念冲突
Microsoft AI强调模型规模扩张而非基础研究投入
思维导图
用一张图看清主题之间的关系。
查看大纲文本(无障碍 / 无 JS 友好)
- AI Frontiers小组终结
- 组织背景
- ChatGPT引发的2023年调整
- 混合型组织模式
- 技术成果
- Autogen框架
- Fara代理
- Next Latent目标
- 重组原因
- 并入Microsoft AI
- 规模优先哲学冲突
金句 / Highlights
值得收藏与分享的关键句。
AIF团队在50人规模下开发出Autogen框架和Fara代理等突破性技术
微软研究院内部存在至少4个独立模型构建流水线开发项目
Microsoft AI部门的核心哲学是放弃研究专注规模扩张
AI 前沿的终结 – 机器学习(理论)
发布于
2026年11月6日
作者
John Langford
.entry-meta
AI 前沿的终结
.entry-header
2023 年 ChatGPT 发布后,我清楚地认识到,为了取得成功,研究工作需要比微软研究院(Microsoft Research)以往典型的组织方式更加系统化。其他研究小组投入的支持力度和专注程度已经足够强大,以至于即使一个人有一个巧妙的创意,也很可能因为个人推进速度不够快,以及个人能够整合的基准水平不够强,而无法及时且令人信服地展示出该创意的价值。还有其他一些人也有类似的想法,于是我们组织创建了微软研究院(MSR)下的 AI 前沿(AI Frontiers)子组织。
在 AI 前沿,我们积极尝试组织连贯的研究工作。这并不是严格意义上的“自上而下”或“自下而上”,而更多是在混乱的中间地带进行协调。当然,我们也存在分歧,解决这些分歧有时相当具有挑战性。计算资源的可用性也是一个经常出现的严重瓶颈。但总体而言,我有这样一个总体印象:该组织在开展开创性工作方面取得了成功,特别是考虑到 AI 前沿(AIF)的规模相对较小(约 50 人),以及与我们过去能做的事情相比。AIF 的许多工作都集中在如何让智能体(agents)正常运作上,例如 Autogen 协调框架和 Fara 计算使用代理。然而在纽约,我们中的一些人对开发新的基础能力更感兴趣,例如 Next Latent 目标(使模型具备外推能力)、Dion3(创建优化/改进的 Muon)或 Full Bandwidth Transformer(通过递归使模型显著提升性能)。
我们还积极与微软研究院的其他部门共享成果。例如,AIF 决定开发一个默认对微软研究院所有成员开放的单一仓库(monorepo)。在这个单一仓库中,就包括我在上个月 COLM 主题演讲中提到的、经过验证的边缘规模预训练代码库。这可能看起来是一个细节问题,但创建一个结构良好的模型构建流程所需的工作量是巨大的,我了解到至少有 4 个团队(另外 3 个不在 MSR 内部公开仓库中)正在尝试开发模型构建流程。
2026 年 9 月初,我们被重组进微软人工智能(Microsoft AI)。表面上看,这似乎有道理,因为将两个不同的 AI 组织合并在一起可以创造更集中资源的机会,而且在某些方面 AIF 比 MAI 更领先,反之亦然(MAI 的规模要大得多)。但在实践中,存在大量问题,因为 MAI 前 Inflection 领导层的哲学理念是不兼容的。那里的核心哲学是规模化,而不是积极进行研究。这可能会让一些人感到震惊,因为人们自然认为通过研究可以制造出更好的模型,但有大量证据表明,更大规模的模型在预测质量方面表现更好,而且从商业角度来看,规模效应的回报比研究的回报更可预测。在一个只注重规模化的环境中,主要精力自然会放在获取/创建/优化数据上,这与我们之前的工作方向相去甚远。除了目标不兼容之外,还有大量证据表明,他们其实并不真正希望我们继续参与。
这确实是一个令人棘手的处境。我认为仅关注扩展的策略既方向错误也缺乏乐趣。这是一种可以理解的失败模式——扩展相对简单,人们常因短视而放弃在多个竞争性理想(如创新与规模)之间的权衡,完全采纳其中一个而舍弃另一个。但研究带来的回报是真实且显著的。例如,字节跳动的实验表明,某种全带宽Transformer变体可能与两倍规模模型相当,这意味着在保持同等能力的前提下,训练和推理成本可大幅降低。算笔账——在行业投资接近万亿美元的背景下,将训练和推理成本减半的价值究竟有多大?
我尽己所能为团队安排了最佳去向后选择离开。我非常幸运,世界上还有许多其他人能够看到研究与创新的价值,而这正是我内在的兴趣所在。其他所有AI Frontiers创始领导团队成员似乎都得出了类似的结论。
这确实留下了一个问题:为什么不回到微软研究院(MSR)?我与一些人聊过,但无法绕开两个严重障碍。首先是我不适应在一家公司工作,那里我的研究没有通向实际应用的路径。在我任职MAI期间,创新甚至未能被认真考虑,因此MSR的成功前景似乎微乎其微。其次是担心MSR的基本约定已破裂:做好研究就会有好的结果。据我所知,我们确实做出了优秀的工作,却在未经同意的情况下被重组。不幸的是,我并不意外类似情况会持续发生,直到MSR领导层培养出有效应对当下的组织能力。
AI Frontiers就此结束了。很抱歉地通知大家,明年不会有实习生项目——我曾在很多场合享受与实习生共事的时光。祝愿我留下的同事们一切顺利。可以想象,如果掌控大权的人能多一些智慧,未来的微软或许会重新变得对研究具有吸引力。
.entry-content
.entry-footer