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

库克提拔复旦校友掌舵苹果基础模型!庞若鸣走后涨薪止血,谷歌旧部占据半壁江山

编程导航
编程导航
2025-12-21 12:30
阅读 170
编程导航
2025-12-21 12:30
阅读 170

锚定产品导向路线

衡宇 发自 凹非寺
量子位 | 公众号 QbitAI

庞若鸣被扎克伯格天价挖去Meta后,谁在执掌苹果大模型团队?

团队的权力交接,其实比外界想象中要快,也要安静得多。

答案很快浮出水面。接手这支团队的人,是庞若鸣的老搭档:Zhifeng Chen。

对Zhifeng Chen来说,这算赶上了最好的时候,也算赶上了最坏的时候。

一方面,庞若鸣离开之后,苹果内部一边重组AI权责,一边启动了针对核心研究人员的留人方案,其中最直接的动作就是涨薪。

另一方面,如大家所知,在这一波AI浪潮里,苹果的动作无论从成效还是速度来说,都太过不尽如人意。

Zhifeng Chen接过的这根交接棒,不可谓不烫手。

Zhifeng Chen是谁?

今年,Zhifeng Chen离开待了19年又7个月的谷歌,加入苹果。

这和庞若鸣的职业路径高度相似,都是在谷歌待了十几年,然后转投苹果麾下。

庞若鸣今年夏天离开苹果后,Zhifeng Chen开始直接领导苹果基础模型团队,直接管理二十多名下属。

但Chen和庞若鸣两人世界线的最初交集,早在两人加入谷歌之前。

2000年,Chen从复旦大学计算机科学专业毕业,开启了在普林斯顿大学的硕士研究生求学生涯。

这一时期,庞若鸣正在普林斯顿大学攻读计算机科学博士学位。

硕士毕业后,Chen在伊利诺伊大学香槟分校拿下博士学位。

而谷歌是他正式踏入社会的第一份工作,一干就是近20年。今年4月,Chen跳槽到了苹果。

庞若鸣离开后,Chen很快被推到台前。

外界猜测或许苹果高层有两方面考虑。

一来,Chen于今年早些时候就加入了苹果,已经对这套模型体系本身足够熟悉。

而且TensorFlow早期核心系统论文、Gemini等,都有Chen参与的身影。

谷歌学术显示,Chen的论文被引数超过了12.8万次。

二来,他在谷歌时期的技术与用人网络,恰好能补上苹果此时最紧缺的一环:快速稳住团队。

外媒曝光,彼时庞若鸣在苹果带领的基础模型团队,就有很多人是从谷歌挖来的。

在过去几个月里,Chen也确实开始展现出自己多年在谷歌工作积攒下的号召力。

他担任苹果基础模型负责人后,陆续从谷歌引入了多名AI研究人员,包括:

  • Li Xiao:谷歌20年3个月老员工,11月跳槽,现任苹果杰出工程师。
  • Christopher Fifty :曾在谷歌工作3年零2个月。
  • ……

这些人都曾在谷歌AI相老兵,挖来苹果,稍微适应适应就能补充这边的模型训练与工程能力,可以说是“即插即用型”成员。

Chen带来新鲜血液,但苹果AI人才还在流失

不过,即便Chen开始补人,苹果基础模型团队结构本身仍然暴露出一个现实问题——

他的直管层成员中超过一半成员来自谷歌,而且不少人是在最近2-4年内才加入苹果。

外界有人断言,这意味着一种隐患。

因为看上去苹果这支基础模型团队的凝聚力,更像是建立在个人关系与阶段性项目目标之上,而非内化的组织认同感。

正因为如此,虽然苹果涨薪稳定军心,接近苹果的知情人士以及Apple Intelligence前成员都猜测;

还会有人继续离开。

事实也验证了这一点。

继庞若鸣离开后,仍然有人选择离开苹果,前往Meta、OpenAI等公司开启新一程。

基础模型团队成员Boyue Li便是一个典型案例。

就在这个月,Li离开工作近3年的苹果,加入马斯克旗下的xAI。

类似的流动并非孤例。

从更大的行业背景来看,这样的选择并不难理解。

当前AI赛道上,Meta、OpenAI以及Google等,对外释放的信号高度一致:追求超级智能。

也就是说这些公司更愿意为“潜在的未来上限”下注。

而根据多位知情人士的说法,苹果在AI上的目标依然更偏向产品导向,重点放在提升模型在日常任务中的可用性,比如写作、摘要、信息整理等能力。

这条路线更贴近苹果一贯的产品哲学。

但有得有失,对一部分追寻探索前沿的研究人员来说,如果加入苹果就没那么sexy了。

有些人更看重能否改变边界,有些人则更在意可不可以真正在产品上落地,都只是AI从业者们价值取向上的差异。

2025,苹果AI的多事之秋

如果再把时间线往前拉,会发现7月庞若鸣的离开,其实只是2025年苹果AI动荡中的一环。

今年3月,在确认Apple Intelligence无法按计划发布部分关键功能后,苹果做出了一个重要决定:

重新调整汇报关系,把Siri团队从SVP、AI与ML负责人John Giannandrea的管理范围中移走了。

这一调整被视为苹果内部对AI进展不满的明确信号。

要知道,Giannandrea是全球大型科技公司早期布局人工智能的重要人物之一,很早期他就开始活跃在硅谷几家知名科技公司。

2010年,Giannandrea加入谷歌,后来主管谷歌搜索与AI,被视为推动谷歌搜索与AI深度融合的关键人物之一。

2018年,他离开谷歌加入苹果,被任命为“ML与AI战略高级副总裁”,作为最高层管理团队的一员直接向库克汇报。

加入苹果后,苹果的基础模型、搜索与知识、机器学习研究以及AI基础设施等核心领域,他都是领头羊角色。

Siri和Apple Intelligence也都出自他的团队之手。

今年3月权责调整后,Giannandrea没有立刻走人。

但这个月,苹果官方正式宣布了他的动向:Giannandrea将卸任ML与AI战略高级副总裁一职,并在明年春季担任顾问,作为退休前的过渡。

他离任后空出来的位置不会再晋升或空降新人,苹果打算把Giannandrea原本负责的团队拆分,由Craig Federighi、Sabih Khan和Eddy Cue等高管分别接管相关业务。

至于具体分工,苹果并未展开说明。

但一些小道消息在员工之间不胫而走。八卦内容大概是这样的——

搜索以及与Siri回答逻辑相关的“knowledge”团队,可能交由服务业务主管Eddy Cue接手。

他是苹果从硬件向服务生态转型的关键人物,主要职责包括统筹App Store、Apple Music、iCloud等关键订阅和数字内容服务。

AI服务器建设与技术基础设施相关的团队,可能归Sabih Khan负责。

他今年7月刚升任苹果COO,全面负责苹果全球供应链,包括产品规划、采购、生产制造、物流和交付,以及供应商责任与员工保障项目。

同时,从跳槽过来的Amar Subramanya将出任苹果AI业务副总裁,接手部分核心AI职责,直接向软件工程高级副总裁Craig Federighi汇报。

(Amar也是谷歌16年老员工)

这一汇报线的变化,被外界解读为苹果正在回到更早的管理结构:

AI不再作为一个独立的超级部门存在,而是被重新纳入具体产品体系之中。

或许苹果已经厘清了思路——或者说不好听些,它认清了现实——当务之急是用AI服务号旗下各款产品,而不是用来当作拉高公司估值的叙事。

One More Thing

还有一个变化,可能比模型团队的动荡更值得苹果警惕。

苹果的硬件大后方,又有失守的迹象。

OpenAI的挖人目标,已经不只停留在软件与算法层面。据多方信息显示,这家公司正在从苹果的设计、制造和供应链体系中吸纳人才,为其正在推进的 AI 硬件项目做准备。

这恰恰触及了苹果最核心也最擅长的领域。

过去十多年里,苹果之所以能够在多个技术周期中稳住位置,很大程度上依赖于其对硬件、工业设计和供应链的系统性掌控。

而当一家以模型和算法起家的公司,开始反向进入硬件腹地时,竞争的维度已经发生变化。

前有恶狼,后有猛虎,苹果在AI 2.0时代的日子,是真的有点不好过了。

参考链接:
[1]https://scholar.google.com/citations?user=EemUE4gAAAAJ&hl=en
[2]https://www.linkedin.com/in/zhifeng-chen-0448162/
[3]https://www.linkedin.com/in/ruoming-pang/
[4]https://mp.weixin.qq.com/s/7d9KEkt7pq2-XIHzw-_wOg
[5]https://www.linkedin.com/in/boyue-li/
[6]https://www.linkedin.com/in/lixiao2/
[7]https://www.linkedin.com/in/amar-subramanya-3642498a/
[8]https://rocketreach.co/zhifeng-chen-email_47540761

版权所有,未经授权不得以任何形式转载及使用,违者必究。
原文链接: 库克提拔复旦校友掌舵苹果基础模型!庞若鸣走后涨薪止血,谷歌旧部占据半壁江山
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
🔥 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