鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

开除,字节打响“AI军纪”第一枪

编程导航
编程导航
2025-11-25 12:31
阅读 288
编程导航
2025-11-25 12:31
阅读 288

文 | 华商韬略,作者 | 杨彼得

11月12日下午,字节跳动一则短短的人事消息,在科技圈炸开了锅。

任某某,字节跳动大模型团队(Seed)的研究员,因泄密遭到公司开除。据澎湃新闻、证券时报等多家媒体证实,当事人已于11月11日办完离职,距离通报仅隔一天。

任某某是机器人系统集成的专家。作为拥有8.6万粉丝的大V,他曾在知乎上透露,自己深度参与了字节机器人操作大模型GR-3的研发。

而这一事件的意义远不止于普通的人事处罚——这是国内大厂首次因泄密解雇AI核心研发人员,也象征着字节跳动率先打响了大厂内部整顿“AI军纪”的第一枪。

整顿AI军纪第一枪

据任某某在知乎账号上展示的信息,他于2015年毕业于浙江大学机电工程专业,2019年在意大利获得机器人学博士学位,随后回国进入机器人行业。

▲来源:知乎

入职字节跳动之前,任某某先后在山东的机器人公司珞石科技担任机电工程师,之后加入小米公司,任高级研发工程师。2023年,他再次跳槽,进入字节跳动的Seed团队,主要负责机器人系统集成相关研究。

在字节期间,他很快接触到新一代 Vision-Language-Action(VLA)模型——GR-3项目。今年7月,他曾对外详细解读过该项目的技术原理。

不过,大皖新闻11月17日报道称,据接近字节的知情人士透露,任某某的泄密行为是多次接受咨询机构的付费访谈,泄露商业保密信息,此事与他在知乎上的技术分享没有关系。

事实上,对信息安全的重视在字节早已有迹可循。今年9月,字节跳动企业纪律与职业道德委员会发布二季度员工违规处理情况,100名员工因触犯公司红线被辞退。

通报中特别提到,有10名员工因违规参与外部付费访谈、泄露公司保密信息而受到处罚。字节专门提醒员工,对外部咨询公司以“专家访谈”“行业研究”等名义发起的有偿邀约务必提高警惕,避免泄露机密。

从任某某的处理结果可以看出,字节跳动在人工智能领域的信息保密机制正变得更加系统化,对单点泄密事件的容忍度也在不断降低。对于触碰红线的行为,字节态度明确:绝不姑息。

类似因为员工泄密而遭开除的案例,在其他大厂同样出现过。

今年9月,小米中国区市场部总经理王腾被辞退。小米集团职业道德委员会通报称:“(王腾)泄露公司机密信息,且存在利益冲突等严重违规违纪行为。”虽然并未披露具体泄露内容,但足以体现小米对信息安全的重视。

米哈游也在同月宣布,对传播《原神》《崩坏:星穹铁道》未公开内容的泄密者采取刑事强制措施,并对多名参与“解包”的人员申请诉中行为禁令,要求立即停止侵权。

各家大厂一向高度重视内部信息安全。据澎湃新闻报道,阿里巴巴在2016年发布的《员工纪律制度》中明确规定,“任何非对外公开信息”都属于保密范畴,员工若泄露,无论是否造成后果,均将被辞退。

即便是公司内网信息,也在被禁止泄露之列。2021年8月,第一财经即援引彭博社消息称,阿里巴巴将开除对外泄露内网文章的10名员工,不过对于此事阿里并未回应。

泄密严重者可能还会涉及司法。2025年1月16日,腾讯集团发布“反舞弊通报”,公开点名了21人,其中就包括S3-CSIG人力资源中心方某,由于向外部人员泄露公司内部保密信息,涉嫌犯罪被移送公安机关处理,腾讯已将其列入黑名单,永不录用。

目前,大厂虽鲜少公开专门针对AI的保密制度,但在2025年这一技术跃迁期,关键技术与模型细节成为核心竞争力,其安全性的重要性无需多言。

字节跳动首次因泄密而开除AI高级研发人员,也意味着国内大厂正式吹响了整顿“AI军纪”的第一枪。

硅谷大厂是怎么干的?

在全球AI竞争最激烈的硅谷,各大科技公司更是早将信息安全视为核心防线,对泄密行为极度敏感,并建立了相对成熟、系统化的AI保密与应对机制。

面对核心技术,包括涉及模型架构、训练数据、算法细节、推理框架、硬件优化方案或部署策略等关键环节信息泄密事件的零容忍,已经成为硅谷公司行业共识,一旦发现员工泄密,轻则将其开除,重则都是——

毫不犹豫地提起诉讼。

今年备受关注的案例之一,是马斯克旗下的xAI起诉前核心工程师李学宸的案件。李学宸是华人,他从xAI离职、套现约700万美元股票后,便即刻加入了OpenAI。

8月,xAI向加州联邦法院提起诉讼,指控这位曾深度参与Grok聊天机器人训练与开发的工程师,在离职前暗中拷走公司的核心商业机密——从模型源代码、训练数据,到未来数年的技术路线图,几乎涵盖了一个大模型的命门。

该案件目前还在初步诉讼阶段,但法院已经对李学宸下达了临时禁止令,禁止他在OpenAI参与任何与生成式AI技术相关的工作或交流。

这起事件被媒体称为今年最“狗血”的商战案例——顶级工程师跳槽最直接的竞争对手、离职前涉嫌拷走大模型机密、临走前还顺手套现巨额股票,几乎把硅谷最敏感、最戏剧化的元素一次性点满。

今年10月,大数据分析公司Palantir也爆出一桩重量级“AI商战案”。公司将两名前资深AI工程师告上纽约联邦法院,指控他们在离职前擅自访问并带走了Palantir的“皇冠明珠”——包括核心算法源码、模型架构,以及涉及政府与大型企业客户的数据资产。

更戏剧性的是,这两人随后成立了名为Percepta AI的新公司,被Palantir视为“对标产品”,几乎是正面对冲。Palantir的诉求十分激烈:禁止新公司继续使用相关技术,并要求巨额赔偿。

目前风头正盛的英伟达,也因为泄密事件成了被告。2021年,法雷奥(Valeo)的一名前工程师跳槽至英伟达后,在一次视频会议中,意外泄露了法雷奥的智能泊车和高级驾驶辅助系统源代码及相关文档。

法雷奥随后提起诉讼,指控英伟达利用被泄露的技术加速自身研发,并要求巨额赔偿。据报道,该工程师曾复制约27,000个文件、6GB代码,其中涵盖传感器融合、泊车任务、紧急刹车等核心模块。

目前,案件仍在美国加州联邦法院审理中,法院认为存在足够的间接证据支持法雷奥的指控。但英伟达方面否认故意利用对方商业秘密,并称发现问题后已进行内部调查和清理。

无论是李学宸案,还是Palantir案、英伟达案,其本质都是生成式AI军备竞赛中的技术争夺战——一旦算法、数据和核心人才三条线被同时撬动,对任何企业来说都如同被人掏空了根基,自然是无法容忍的。

一些公司甚至对发表不当言论的员工,也会直接将其开除。2022年,公开声称谷歌大模型LaMDA对话式人工智能具有感知能力的工程师Blake Lemoine,就因触犯了公司禁忌而被问责。

他关于“AI已经像人类一样拥有情感和灵魂”的言论引发业内广泛讨论,有人认为他对AI潜在“感知”能力的敏感揭露了未来风险,也有人批评他的结论是主观臆断。

但谷歌不管那么多,立即以“违反保密协议”为由将其解雇。谷歌发言人在给媒体的一封邮件中证实了这次解雇:“我们希望Lemoine一切顺利。”

保密,是生存底线

或许有人会觉得,硅谷对员工泄密的反应过于苛刻?

但在很多公司高管的认知中,目前对泄密的惩处都还是太轻了。

在大模型竞赛中,每一次关键迭代都意味着巨额投入。一旦核心技术或训练数据外泄,对企业来说不仅是经济损失,更可能动摇其技术护城河,带来灾难性后果。

比如GPT-4的训练成本,曾被科技媒体和研究机构估算为约7800万美元;而谷歌的Gemini Ultra,据多家分析报告推算,其单次训练成本甚至达到1.91亿美元的量级。

arXiv上的论文《前沿AI模型训练成本持续上涨》(The rising costs of training frontier AI models)进一步指出,前沿模型的训练费用正以接近指数级的速度攀升,按照其趋势估算,到2027年,单次训练一次顶级模型的成本可能突破10亿美元。

在这种背景下,马斯克对李学宸泄密事件如此震怒,也就不难理解了。

Grok是xAI的王牌,是马斯克押注未来的核心资产。今年7月发布的Grok 4,被他称为“世界上最聪明的人工智能”,并宣称已在综合能力上超越包括OpenAI o3、Gemini 2.5 Pro、Claude 4 在内的主流顶级模型。

更关键的是,xAI在诉状中明确表示:如果泄露的Grok相关技术被竞争对手(例如OpenAI)采用,对方可能获得“压倒性优势”。换句话说,这不是普通的信息泄露,而是可能让竞争对手直接跳跃数年的研发周期,从而改写整个行业格局,并对xAI造成灭顶之灾。

因此,保密关乎安危,在AI军备竞赛中是“基础军纪”。

一方面,AI技术本身就具有极高的敏感度。模型架构、训练数据、优化算法等核心资产全部是“纯数字化”的,无需携带硬件即可被拷贝、外传。一旦流出,复制成本接近于零,而造成的竞争损害却几乎不可逆。

李学宸案、Palantir案以及英伟达–法雷奥案之所以最终走上法庭,正是因为相关企业评估后认为:这些泄密可能带来的损失巨大到无法承受——甚至动摇公司的核心护城河,因此只能通过法律手段尽可能阻断影响、降低损害。

另一方面,人才流动正在放大泄密风险。从前述三起硅谷诉讼案可以清楚看到,几乎所有泄密事件都源自人员变动——工程师离职、跳槽、甚至跨界合作,都可能成为技术外流的缺口。这也促使各家公司把“离职环节的风险管控”提升到前所未有的高度。

随着国内大模型竞争全面提速,AI竞争进入深水区,中国科技公司也必将向硅谷看齐:保密不是制度选项,而是生存底线。

原文链接: 开除,字节打响“AI军纪”第一枪
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手