2026年6月17日下午，SLAI Seminar第四十期在深圳河套学院顺利举办。本次讲座是“智能体系列”的第六讲，由欧阳万里教授主持，特邀人工智能与计算机视觉方向资深研究科学家、Yutori初创团队核心成员肖桐博士主讲。肖博士以“当研究落地现实：人工智能行业的体系、组织与人才”为主题，跳出单一的算法创新视角，从大语言模型的全栈系统工程、组织管理范式演变以及新一代AI人才的筛选标准三个维度，系统讨论了AI行业正在经历的深层变革。

讲座内容

01 人工智能系统工程：底层机制、全局架构与扩展定律

肖桐博士开篇指出，在学术界仅凭单一算法创新即可发表论文的时代已经过去。在工业界，构建一个稳定、高效的AI系统必须跨越三个核心工程壁垒。

首先是对底层工程细节的追求。在训练Browser-Use等复杂的强化学习智能体时，极微小的机制疏漏都可能引发训练的全面崩溃。例如，若在交互回路中将独立的Token重组为字符串再进行重构，会直接导致模型偏离原始策略；而在预训练与推理阶段，Flash Attention内核缺乏绝对的序列不变性，也会在解码过程中引发隐蔽的训推差异。

其次是跨越局部的全局视野。在构建混合专家模型时，预训练团队往往倾向于采用Expert Choice策略以追求极致的负载均衡与预训练Loss表现。然而，这种单方面的优化会导致模型在后训练阶段的自回归推理中遭遇严重的架构不兼容问题，最终性能出现显著滑坡。这要求系统设计者必须打通端到端的底层逻辑。

最后是对Scaling Law算力转换效率的深刻认知。肖博士认为在面对复杂的逻辑问答任务时，穷尽各类数据增强与重采样手段往往收效甚微，但引入更大参数量级的模型却能实现零样本的降维突破。同理，简单地将高质量数据规模扩展十倍，其带来的性能增益远比精调数据混合权重稳定。这印证了Scaling Law在最大化吸收有效算力上的效果。

02 产业落地与组织协同：长周期开发的模式演变与商业定位

技术的演进会推动组织架构的重塑。肖博士深刻剖析了当前大型科技公司在AI浪潮中所面临的开发模式困境。由于大语言模型的反馈周期漫长，且经常伴随难以察觉的静默失败，传统互联网时代“小步快跑、快速迭代”的敏捷开发模式已无法适用。为了应对资源错配与冗长管理链路带来的内耗，顶尖AI实验室正在大规模推进组织扁平化、跨部门项目制运作等模式，并以即时性的项目激励取代定期的绩效评估。

对于AI初创企业，肖博士将当前的商业路径总结为三条方向：在应用层构建产品、在基础设施层优化组件，以及在底层范式上寻求技术突破。他强调，尽管AI为生产力带来了数个量级的跃升，放大了单个工程师的管理半径，但人类在提供关键信息输入、发挥主观能动性，尤其是承担最终责任上的核心地位依然无法被任何智能体所取代。

03 研发人才能力模型：复杂工程实战与科学洞察力的构建

随着大模型生态的日趋成熟，行业对顶尖AI人才的筛选标准发生了根本性转移。肖博士指出，新一代AI实验室已摒弃了传统的标准算法题测试，转而要求候选人在真实的分布式训练框架中进行断点调试，或在极短时间内复现前沿论文的核心数学推导与代码逻辑。这要求候选人必须具备深厚的数理底蕴与应对高维复杂工程的实战能力。

在个人成长层面，肖博士提出培养科研洞察力的“3C”法则——触类旁通（Connection）、刨根问底（Curiosity）与勇于质疑（Critic）。例如，不仅要通过类比多层感知机来快速掌握张量并行的切分逻辑，更要深入追问为何张量并行局限于节点内，而完全切分数据并行却能跨节点调度。最后，他将个人成就提炼为“能量=功率×时间”的物理方程，倡导科研人员摒弃短期的技术狂热，建立量化反馈机制，将瞬时的灵感转化为持之以恒的系统工程投入。

在讲座交流环节，现场师生围绕多模态数据微调的灾难性遗忘、单人企业的商业可行性等前沿议题展开了热烈讨论。针对模型在混合微调时出现的领域能力冲突问题，肖博士指出，其本质往往在于模型参数容量的客观瓶颈，或是隐变量特征未能在数据集中被显式建模与对齐。在探讨如何鼓励青年学者开展颠覆式创新时，他强调，高风险研究不仅需要学者自身在算法与工程上的长期沉淀，更亟需学术界与工业界联手，建立高度包容试错、弱化短期指标的科研孵化生态。

本次讲座系统梳理了人工智能从单一算法探索向产业落地过渡的工程链路。肖桐博士结合其实践经验，客观分析了在通用人工智能技术快速演进的背景下，如何通过严密的系统控制、高效的组织协同与严谨的科学态度，有效应对大模型工程化落地中的实际挑战。这为致力于投身下一代AI基础设施与智能体研发的科研工作者，提供了具有重要参考价值的工业界视角与实践路径。