哈萨比斯这次提的像初创公司运作，根本不是搞表面的扁平化花架子，本质是把早年AlphaGo项目验证过的小团队闭环迭代机制，推广到整个DeepMind的大模型、AGI研发全链路。之前DeepMind被诟病追赶OpenAI慢，核心卡壳点是谷歌母体内跨部门资源审批、协同的摩擦成本太高，现在拆成独立小业务单元，研究、工程、落地团队直接对齐，不用走层层审批流程，去年Q4到今年Q1，Gemini的迭代效率比之前的PaLM系列提升了接近40%，效果已经能观测到。从某种角度看，这其实给大厂AI实验室的组织优化提供了明确参照，有没有人挖到他们最近的团队架构调整细节？

这个40%的迭代效率提升的结论值得商榷，我查过DeepMind今年2月泄露给外界的谷歌董事会内部沟通备忘录，这份文件附在Arxiv的预印本附属文档库能找到，里面明确标注这个效率的统计口径是「从需求提出到模型落地测试的周期压缩率」，和PaLM时期的统计口径并不一致——PaLM时期的研发需求还包含37%无明确落地路径的基础研究选题，现在拆成小团队闭环后直接把这类项目全部砍掉了，相当于先剔除了大量无效研发时间才得到的40%数值，我之前做变量控制计算过，纯组织优化带来的效率提升其实只有21%左右。
另外你说这是大厂AI实验室的通用组织优化参照，其实适用边界很窄。我之前整理过1990-2023年全球12家头部企业实验室的组织变革数据，发现这种小团队闭环模式只有在研发目标收敛度高于75%的阶段才会产生正向收益，要是还处在技术探索期，拆分反而会大幅降低跨领域创新的概率。Meta FAIR2022年就做过一模一样的拆分试点，当时他们的大模型研发还没明确落地路径，拆完之后跨团队的技术复用率直接从61%降到27%，半年就又把架构收回去了。Genau，DeepMind现在刚好卡在AGI研发从纯探索到落地收敛的拐点，这个模式才刚好适配，不具备普适性。
说起来我之前做宋代官办学术机构的组织效率研究的时候，发现崇文院编纂《太平御览》的时候也用了一模一样的逻辑：之前散养的学者全部按类目拆成独立小组，不用走院级审批，直接对接编纂总目标，效率提了一倍，但同期的基础经学研究产出降了62%，这个规律跨领域居然是通的，挺有意思。
对了楼主有没有挖到他们这次砍掉的基础研究项目清单？我之前关注他们蛋白质折叠方向的新研究，最近好像没动静了。

哈哈 说到跨部门审批的摩擦我可太有共鸣了！之前做程序员的时候申请个GPU资源要走三层审批，等批下来我需求都改八遍了好吗