就AI領域而言，工程能力是否已經比學術研究能力重要了？

最近看到一些新聞說，Meta公司由于AI部門戰略重組田淵棟也被裁員，網友就問，“現在在AI領域，難道工程能力已經比學術研究能力更重要了？”那么，在這個領域，工程能力是否真的已經比學術研究能力重要了呢？我想，兩者都重要。

一、AI語言大模型的獨特思考方式強調工程能力的應用。

語言模型的一個高明之處就在于：你不需要設定，模型就可以從大量的語料學習中自行發現各個詞匯的語義的相對關系，并且給它們調整位置。Transformer架構的作用就是通過“自注意力機制”自動識別一段文本的模式和結構，從而捕捉到詞語之間的關系，進而調整每個詞語在語義空間的位置，伴隨著預訓練的進行，每個詞匯的位置也就大致確定了。

模型無須有人專門指導，它就從一堆語料中搜索到“汽車”是用來“開”的，“蘋果”是用來“吃”的。在模型中，無論你輸入哪一國的語言，它思考的路徑其實都是一樣的。因此，AI不是用人類語言完成自己的思考過程，它是由語義完成思考的，換句話說，模型它是用語義表象背后的本質思考的。

一切語義都是關系，一切關系都是數學。數學結構的存在才是AI大模型的本質。AI時代需要學術能力在加強創新的同時更需要工程能力增加變現。

二、工程能力和學術能力這兩種能力它們有什么區別呢？

1、二者核心目標差異很大。

工程能力側重于解決實際問題，強調在具體約束條件下運用各種知識、系統性地解決實際工程問題。而學術能力則更注重發現知識，是人類以發現知識為導向的自由探索，它是圍繞一些普適性的、能夠引發好奇心的科學問題，然后提出解決問題的科學方案和原理的能力。最終達到理論指導實踐的目的。

2、二者思維方式特點不同。

工程能力重在擁有工程思維。工程思維是在工程設計、研究和實踐中形成的思維，其核心是在具體約束條件下，運用各種知識系統性地解決實際工程問題。

工程思維包括以解決復雜工程問題為核心的實踐性思維、系統性思維（不僅考慮建構的科學性、工具的合理性，還要考慮實用經濟性、環境和諧性、政策合法性等目的手段合理性的統籌集成）、創造性思維（求新求異，體現技術先進性和新穎性，富有工程美和想象力）。

除此之外，筆者覺得還需增加一個量級思維。一個好的工程師，要從量級上來改進工程方法，因為這樣的收獲往往是幾百倍、幾萬倍，甚至更多倍的增長。而那些有上進心、卻沒有工程思維的人，每天花的時間更多，卻在做重復的事情。就如同一個好的產品經理，更懂得在細節上做1%的改進，讓產品的品質顯得比競品高出一個量級。

學術能力運用的是科學思維。科學思維（Scientific Thinking）是指理性認識及其實現過程，即通過整理和改造將感性階段獲取的大量材料轉化為概念、判斷和推理以便反映事物的本質和規律的理論體系。進一步理解，科學思維是大腦對科學信息的加工活動。

工程思維中其實也有科學思維，比如工程科學接近科學思維，兼具發現和創新、理論和實踐；而工程實施中的那種工程思維就更接近項目管理和執行，是一種可以嚴謹實施的解決方案。因此，科學思維重在發現已存在的世界，更多則是以發現知識為導向的自由探索，圍繞普適性的、引發好奇心的科學問題，提出解決問題的科學方案和原理。

3、二者對人的能力要求不同。

工程能力它強調工程判斷能力。一個不具備工程判斷能力的人或許可以成為一名專家，但是他不可能是一名稱職的工程師。工程思維強調其思維構成中的實踐性思維、系統性思維、創造性思維和量級思維這幾種思維與現實的關系。換句話說，工程能力是一種能將提前預想與設計的方案通過工程實踐的方式轉變為現實世界中可以變現的產品這種能力。如果沒有人類的工程實踐活動，現實生活中就不可能存在工業產品，沒有具體工業產品的更新迭代也就沒有社會的進步和文明的發展。

而學術能力則更側重以下能力。專注于學術基礎和某專業領域的知識積累的學術研究水平能力；考察撰寫學術論文以及對研究方法的掌握方面的能力；還有建立真理坐標和價值坐標，掌握自我更迭的批判思維能力。

4、二者 應用場景也有差異。

工程能力更多應用于企業運行和項目管理中。很多人的思考順序是，從條件到結果。先看手頭有什么條件，再去琢磨應該去做什么事。但工程師思維正好反過來，是先定目標，再破除約束條件。也就是說，你要先把最終的那張大圖畫出來，再看其中缺哪些環節，缺哪些能力，然后想辦法補齊。這是工程思維在應用場景設置中與其他思維的一個顯著特征。在一些高難度任務面前，無論是調整一家公司，還是完成自我進化，我們都需要一點工程思維。

而學術能力可能主要包括學術研究與論文寫作方面、這是一個國家學術影響力和研究者個人學術聲譽的重要體現。學術能力主要以發現知識和理論創新為導向，強調理論深度和學術貢獻；學術能力需要文獻研究、理論分析、論文寫作、學術交流等各方面的專業技能；比如在教育領域，學術能力主要應用于研究機構、高等院校、學術期刊等學術環境，一個人的學術能力往往通過展示性項目、研究報告和實驗室作業等評估方式來評價當事人的學術能力、創造力和問題解決能力。如果把學術能力放在科學研究的基礎研究項目中，這就需要結合科學研究發展的趨勢來論述項目的學術意義。在工業領域，學術能力則往往通過提升科研及學術成果的認知度、影響力、社會應用和公眾理解等方法來擴大學術影響力。

三、再說回田淵棟被裁員這件事。

1、田淵棟被Meta公司裁員，是該公司AI部門戰略重組、資源重新分配的結果，?核心原因就在于Meta將研發重心要從基礎研究轉向快速產品化，導致其所在的FAIR（基礎人工智能研究）團隊被邊緣化?。說白了是公司重大戰略調整和資源傾斜的結果??。

2、Meta在2025年加速AI戰略調整，成立由首席AI官Alexandr Wang主導的TBD實驗室，專注于“超智能”系統開發和產品落地。此次裁員約600人，主要針對FAIR、AI產品（PAR）和基礎設施（Infra）部門，而PAR和Infra部門裁員比例很高。田淵棟作為FAIR團隊負責人，其研究領域（如大模型后訓練優化）雖對Llama系列模型至關重要，但Meta更傾向于將資源集中到能快速產生商業價值的TBD實驗室，導致傳統研究團隊淪為精簡對象。

3、項目周期與團隊定位變化。一般科技大廠內部不同的項目團隊之間本身就存在資源性爭奪競爭已是不爭的事實，誰的結果好變現快誰肯定先留下來。Meta企業內部也存在這樣的問題。田淵棟團隊在Llama 4模型發布后承擔了后訓練數據清洗、模型調優等關鍵收尾工作。Meta在評估AI投入效率時，認為這類基礎研究“產出周期長”，而田淵棟本人也公開表示，團隊在完成項目后即被裁，反映出公司對“快速交付”的偏好。據說，FAIR的論文發布甚至都需要經TBD實驗室審核，這就進一步削弱了田淵棟團隊的話語權。

此次裁員被視為Meta隨著戰略重心的轉移導致其內部權力重構的一部分。Alexandr Wang通過裁員鞏固自身在AI戰略中的主導地位無可厚非，Meta首席AI科學家楊立昆（Yann LeCun）此前則公開與Llama 4項目切割，表明FAIR等舊團隊的戰略優先級早已下降。田淵棟作為FAIR的科研支柱，其離職被解讀為Meta 公司更重視高薪引進新人才，而非留住原有資深研究員，這是企業業務、戰略轉型期常見的“重外輕內”策略的體現。

四、從個人職業路徑來看兩者的區別。

工程能力主要服務于企業或產業，如華為、寧德時代等企業優先錄用工程博士，起薪較高 。 ?

學術能力則一般多通往高校或科研機構，如清華大學學術博士更易獲得高校教職 。 ?

工程思維強調創造性關系，即將提前預想與設計的方案通過工程實踐的方式將其轉變為現實世界中的產品。而學術思維則重在發現已存在的世界，是以發現知識為導向的自由探索。工程師更像是“建造者”，而學者更像知識新大陸的“發現者”。