24 октября 2025 года стало известно о масштабной реструктуризации в Meta (запрещённая в России) Superintelligence Labs (MSL): около 600 сотрудников получили уведомления о сокращении. Под ударом оказались прежде всего продуктовые и инфраструктурные направления, тогда как новый элитный отдел TBD Lab не только избежал сокращений, но и продолжает активно нанимать. В списке затронутых — известный исследователь Юаньдун Тянь (Yuandong Tian) и часть его команды из FAIR.
Кого коснулось сильнее всего
По данным Axios, NYT и FT, резка прошла по четырём подразделениям MSL неравномерно:
- TBD Lab — без сокращений, идёт расширение.
- FAIR — умеренные сокращения (ориентировочно около 5%).
- PAR (Product Applied Research) — основной удар.
- MSL Infra — второй по величине удар.
Согласно агрегированным оценкам из внутренних опросов Blind и открытых источников, примерная разбивка среди 600 сокращённых выглядит так:
- По департаментам: PAR — около 357 человек; Infra — около 192; FAIR — около 52; TBD — 0.
- По ролям: SWE (инженеры‑разработчики) — ~383; XFN (межфункциональные роли: продукт/аналитика/програм‑менеджмент) — ~141; RS (исследователи) — ~77.
С учётом численности MSL (около 3000 человек: FAIR ~1000; PAR+Infra ~2000; TBD — несколько десятков) доля сокращений по FAIR заметно меньше, чем по PAR и Infra (оценочно 5% против ~27%). Это важно: несмотря на громкие имена в ленте X, удар пришёлся не «по науке вообще», а по связке «продукт+инфраструктура».
Кто такой Юаньдун Тянь и почему его уход резонансен
Юаньдун Тянь — руководитель исследований в FAIR, известный работами по RL, планированию и эффективности, соавтор и ментор проектов StreamingLLM, GaLore; возглавлял OpenGo (эффективная реплика AlphaZero, способная выигрывать у профи на одной GPU), со‑лид по инференсу Llama 4. Его попадание под сокращение многие в академсообществе сочли симптомом «срезания слоя» опытных учёных с глубоким фокусом на фундамент и эффективность. На фоне новостей многие топовые лаборатории и компании оперативно начали «хантиング» освободившихся специалистов.
Что значит фокус на TBD Lab
- TBD Lab — новый «ударный кулак» под руководством Alexandra Wangа, курирующий разработку самого передового поколения моделей Meta (внутри неформально упоминают Llama 4.5/4.X). Командой проекта руководит Jack Rae (ранее Google).
- Отдел аккумулирует «звёзд» из конкурирующих лабораторий на крупных пакетах (вплоть до десятков миллионов и выше), ведёт совместные проекты с остальными командами MSL: новое ядро модели, ускорение инференса, развитие агентности.
- По сообщениям СМИ, часть инженеров Infra переводили в TBD, в ряде случаев — на фоне конкурентных офферов с рынка.
Сигнал очевиден: Meta смещает ресурсное «ядро тяжести» к разработке передовых базовых моделей (foundation models), сокращая горизонты и периметр продуктовой упаковки и тяжелой платформенной инженерии внутри MSL.
Почему это похоже на стратегический разворот
- Системная «раздутость» продуктовых и XFN‑цепочек. Внутренние мемо указывают на цель «повысить плотность талантов» и «сократить уровни согласований». Перевод на язык оргдизайна: убрать промежуточные слои и сделать меньше, но быстрее.
- Приоритизация ядра модели. Если раньше акцент Meta AI смещался к выводу продуктовых вертикалей (GenAI‑фичи в приложениях, интеграции), то теперь ставка — на прорыв в самом «двигателе» (архитектура, обучение, инференс, агентность), даже ценой замедления коммерциализации в краткосроке.
- Возврат к «маленьким, элитным» командам. В мемо подчёркивается: меньше коммуникаций, больше индивидуальной ответственности, более быстрые решения. Это логика «сколково‑тигра» внутри гиперскейлера.
Политэкономия перемен: конфликты школ и ожиданий
В медиа активно обсуждается «двухбашенная» конфигурация Meta AI:
- «Старая школа» открытых исследований (FAIR, Yann LeCun): фундаментальные работы, преференция к openness.
- «Новая школа» прагматиков (Wang, TBD): скорость, фокус на SOTA и лидерство в гонке AGI/ASI.
Сокращения в PAR/Infra многие интерпретировали как «срез буфера» между фундаментом и продуктом. Критики видят в этом риск утраты связки «исследование → продуктовая ценность», сторонники — шанс вырваться вперёд по самой модели и восстановить отставание от лидеров за счёт концентрации.
Что это значит для талантов и рынка
- Ререйтинг рынка труда. Одновременный выход 600 специалистов из Meta AI резко активизировал набор у конкурентов и стартапов. Для экосистемы это «вливание» редких профилей: RL‑исследователи, эффективники, инференс‑инженеры, платформа AI infra.
- Давление на компенсации «звёздам ядра». Если Meta переориентируется на Apollo‑команды в TBD, компенсационные рельсы для топ‑исследователей и архитекторов будут и дальше расти — конкуренты уже поднимают планку.
- Риски для продуктового темпа. В краткосроке вероятны задержки интеграций AI‑функций в продукты Meta — часть «мостов» между моделями и пользовательскими поверхностями ослаблена. В среднесроке Meta может восполнить это точечными наймами и партнёрствами.
Контекст последних месяцев: «крупные ставки» Зукерберга
- Непубличные попытки ускорить создание следующего поколения Llama (проект Behemoth), активная личная вовлечённость в найм, крупные инвестиции и сделки (в т.ч. с Scale AI), переговоры с ведущими фигурами индустрии.
- Череда реорганизаций (как минимум четыре за год) и усиление роли MSL как надстройки над FAIR/TBD/Products/Infra.
- На этом фоне сокращения выглядят как «очистка поля» под новую операционную модель.
Ключевые риски и возможности для Meta
Риски:
- Потеря организационной памяти в продуктах и инфраструктуре, рост технического долга в интеграциях.
- Ослабление репутации как стабильного работодателя для исследователей, дополнительная политизация научных тем внутри компании.
- Временный отток экспертизы в RL/инференсе/эффективности в конкурирующие структуры.
Возможности:
- Ускорение траектории к SOTA‑модели следующего поколения за счёт сверхплотного ядра TBD.
- Снижение «трения согласований», более быстрые итерации по архитектуре и обучению.
- Пересборка продуктового контура вокруг нового «двигателя» с меньшим числом интерфейсных слоёв.
Что смотреть дальше
- Публичные метрики и демо новой линейки Llama (условной 4.5/4.X): качество, скорость, стоимость инференса, агентные способности.
- Динамика найма в TBD Lab и «обратная миграция» из внешнего рынка назад в Meta.
- Скорость восстановления продуктовой дорожной карты: интеграции в семейство приложений Meta, особенно в высокомасштабных сценариях.
- Конкурентные ответы OpenAI, Google DeepMind, Anthropic, xAI: усиление хантинга, компенсационные войны, ускорение релизов.
Вывод: Meta делает крупную ставку на «ядро модели», обрезая периферию и выстраивая быстрый, высокоплотный R&D‑контур вокруг TBD Lab. В краткосроке это болезненно — особенно для продуктового и инфраструктурного плеча, — в долгосроке может дать шанс на технологический рывок. Итог этой партии зависит от того, сможет ли Meta быстро конвертировать новую научно‑техническую мощность в устойчивое продуктовое превосходство — без очередной волны реорганизаций.
Ссылки: