文 | Tech 商业
在互联网的黄金十年里，字节跳动是被奉为神明的组织机器。凭借 "App 工厂 " 模式、扁平化的敏捷开发以及极度内卷的 " 赛马机制 "，它硬生生在腾讯和阿里的夹击下，跑出了抖音这样的全球级巨无霸。
但当这家公司带着最耀眼的资金、最顶级的算力和最庞大的人才库，杀入大模型时代时，过去的 " 神兵利器 "，却成了刺向自己最深的软肋。
近日，X 平台上围绕字节 Seed 团队的一场讨论，扯下了大模型狂欢背后最残酷的组织遮羞布。爆料者直言不讳地指出：Seed 拥有很好的人才和很多的算力，但 LLM（大语言模型）的进展却不够快；答案不是技术限制，而是组织问题——字节的赛马机制，根本不匹配大模型的研发。
配合着此前公开报道中字节 Seed 团队训练 " 投毒 " 事件当事人的自述，以及评论区关于 " 大模型重工业流水线 " 的讨论，一个极其荒诞的现实浮出水面：在大模型这个人类历史上最复杂的系统工程面前，字节引以为傲的 " 赛马 "，跑不出通向 AGI 的火箭。
当 " 赛马 " 撞上 " 重工业 "
大厂的高管们往往有一个致命的路径依赖：他们以为大模型只是另一个更复杂的 App，只要投入足够多的团队，让他们互相竞争、内部 PK，就能跑出最强的模型。
这是移动互联网时代留下的思想钢印。
正如评论区一位从业者一针见血地总结：" 大模型预训练，本质上是类似精密重工业的流水线工程。从分词过滤、数据配比，到千卡 / 万卡拓扑的通信调优，每个环节必须严丝合缝、全局协同。"
在这个重工业体系里，容不得半点各自为战。你需要一个高度集权的指挥部，统一调度上万张 GPU，统一清洗几十万亿的 Token，统一对齐底层的 Infra（基础设施）架构。哪怕是一个细微的数据配比错误，或者千卡集群中的一根网线松动，都可能导致长达数月、耗资数千万的训练彻底崩溃。
而 " 赛马机制 " 的核心是什么？是小步快跑、是资源隔离、是团队内卷、是胜者为王。
把移动互联网的赛马机制，强行套用在需要全局协同的超大集群研发上，直接导致的结果，就是把本该集中力量办大事的 " 超级算力池 "，拆碎成了各自为战的 " 资源孤岛 "。
爆料中提到，在字节内部，资源囤积成了常态。那些已经抢到算力的团队，即便算力闲置，也宁愿烂在手里，绝不愿意共享给其他团队。大家都在防备着隔壁团队跑出比自己更好的成绩，信息不透明，沟通充满戒备，甚至互相藏匿关键的代码与数据。
这并非字节一家的绝症。爆料者顺带提及硅谷巨头也有类似问题：在谷歌内部，研发 Gemini 的团队抱怨缺卡，而赚钱的广告团队却握着大把 GPU，外界并不知道他们到底在拿这些算力干什么。需要说明的是，这一关于谷歌内部算力分配的具体说法目前仅见于爆料转述，尚无独立信源交叉印证；但它指向的部门墙与本位主义，确实是大模型时代昂贵的沉没成本。
洗了半年的数据，谁来背 OKR？
大模型的研发不仅需要 " 大 "，更需要 " 静 "。它不像写前端代码那样能立刻看到炫酷的 UI 反馈，它需要大量枯燥的数据清洗和繁琐的通信调优。
而在大厂极度内卷的 KPI/OKR 体系下，这种 " 安静 " 是不被允许的。
爆料中描绘了研发人员极其真实的痛点：做 LLM 并不需要那么多灵光一闪的 " 天才时刻 "。真正的工作，是稳稳当当地把数据和环境弄对，是死磕 Infra 的效率。但这帮由顶级天才组成的研发人员，骨子里是渴望创新、渴望带项目的。
" 加上每几个月考核一次的 OKR，我这半年全都在清洗脏数据，年底的 OKR 怎么写？" 这是一个死结。
在现有的考核体系下，洗数据、排雷、调优通信，这些真正决定大模型下限的 " 脏活累活 "，是无法转化为漂亮的汇报 PPT 和顶会论文的。如果员工为了完成 OKR，去做了最出彩、最容易发论文的架构创新，那些脏活谁来干？
没人干，那模型就会吃下有毒的数据，最终酿成灾难。
此前在圈内引发震动的字节 Seed 团队训练 " 投毒 " 事件，正是这种极端内卷与组织割裂的产物。作为最直接的受害者，前员工 ShoufaChen 在回忆中极其痛苦地描述了那段长达数月的排查、对峙与质疑。在长达几个月的时间里，团队每天面对的是模型表现的诡异崩溃，是对彼此工作失误的相互指责。
公开报道显示，这并非简单的技术 Bug，而是一名前实习生在训练环境中实施的系统性破坏：篡改底层代码、随机终止训练进程、埋设后门，并把故障伪装成随机事故。当团队之间为了抢夺资源而互相防备，当研究员为了保住自己的项目而隐瞒真实的数据故障，大模型这个庞然大物，就会在不知不觉中走向崩溃。大厂的 OKR 体系，原本是为了激发人的潜能，最终却逼出了人性中最短视、最自私的一面。
缺失的 "Research Group"
更有意思的是另一条评论：" 字节拥有最多的资源，但没有一个真正的 Research group（研究团队）。"
这家公司过去几年在技术博客上的输出非常华丽，发表了不少优秀的 Infra 框架和底层算法。但如果仔细看，他们的技术产出与实际得到的算力投入，似乎呈现着极其不匹配的非线性关系。投入了几万张卡，产出的却往往是局部优化的 " 工程小胜利 "，而非底层的 " 范式大突破 "。
为什么？因为大厂的 " 研究院 "，很多时候依然是业务部门的附庸。他们被要求 " 既要前沿，又要落地 "；既要发顶会论文证明技术实力，又要能立刻接入抖音做广告推荐。这种 " 既要又要 " 的拧巴状态，让研究员们无法在一个方向上长期聚焦。
但在大模型时代，真正的 Research，是需要 " 不计成本的试错 " 和 " 长期主义的宽容 " 的。
微软给 OpenAI 建了顶级的超算中心，让他们折腾了几年才憋出 GPT-4；DeepSeek 背靠幻方，拥有自由到极点的算力冗余和极度扁平的极客文化，几十个人的小团队就可以为了一个 MoE 架构的执念死磕到底。而在大厂里，如果不解决算力的自由分配权，不建立一套不盯着短期 DAU 的考核机制，天才们只会沦为洗数据的高级流水线工人，或者为了抢卡而内斗的办公室政客。
值得一提的是，公开报道显示，字节此后已推动 Seed 团队组织收敛，并取消了 Seed Edge 项目的季度 OKR 和半年考核。这从侧面说明，旧有的 " 赛马 + 短周期考核 " 方式，确实已经难以为继。
结语：告别 "App 工厂 "，重塑 " 大厂 "
其实，也不仅仅是字节。阿里、腾讯、谷歌，所有试图用 "App 工厂 " 的旧瓶，去装 " 大模型 " 这瓶新酒的传统巨头，都在经历痛苦的阵痛。
大模型不是写几行前端代码就能上线的小程序，它是对人类知识压缩的极致工程，是一场极其宏大、残酷且需要极度团结的核聚变。它需要企业具备底层硬件级的调度能力，需要容忍长期的 " 无产出 " 阶段，更需要一种超越短期财报的极致信仰。
如果大厂们还抱着 " 内部赛马 "、" 用 OKR 逼产出 "、" 各扫门前雪 " 的互联网旧思维，那么他们空有上万张算力卡，最终也只能搭出一个比上不足、比下吃力的 " 资源孤岛 "。
未来的赢家，未必是拥有最多显卡的公司，但一定是那个敢于砸碎旧部门墙、把所有算力捏成一个拳头、并能让天才心甘情愿去洗一年数据的组织。毕竟，算力可以通过钱买到，但建立起一套适配硅基生命进化逻辑的 " 科研工业体系 "，需要的是一次伤筋动骨的自我革命。不换操作系统，大厂就注定无法跨入 AGI 的窄门。
本文来自微信公众号 "Tech 商业 "，作者：Tech 商业，经授权发布。
