Meta挥刀了!约8000人出局

👇我的小册 54章教程:(小白零基础用Python量化股票分析小册) ,原价299,限时特价2杯咖啡,满100人涨10元。

转自:新智元

等待了一个多月,靴子终于落地。

5月20日凌晨4点,新加坡办公室的Meta员工最先收到邮件。几小时后,英国、美国的员工陆续收到邮件:8000人的去留就写在邮件里。

一场史无前例的组织大调整,正砸向近8万名Meta员工。

据路透社报道,5月19日前后,Meta首席人力资源官Janelle Gale向员工发布内部备忘录,宣布了三件事。

第一,5月20日启动一轮全公司裁员,规模约10%,按其近8万员工规模计算,约为7800至8000人。

第二,约7000名员工将被「重新分配」到AI相关的新项目和新岗位。

第三,所有通知在凌晨4点分三波发完,员工醒来打开邮箱,就能看到自己的重组结果。

裁员约8000人,转岗约7000人,两者合计波及约两成现有员工。与此同时,Meta还砍掉了6000个原本计划填补的开放岗位。有媒体把裁员、转岗、关闭开放岗位三项相加,得出一个更惊人的数字:「编制缩减」高达约1.4万个。

要说清楚的是,这1.4万是「岗位编制」概念,并非真实裁掉1.4万人。

Gale在备忘录里写道:Meta要变成「更扁平的组织、更小的团队、更快的执行」。

裁员、转岗、新岗位三条线同时执行,是为了把全公司的资源重新对齐到AI优先级上。

动了约两成员工

小扎要用AI重组Meta

这次裁员和转岗,约涉及两成Meta现有员工,目标是要用AI重组Meta。Gale在备忘录中,点明了此次重组的原因:

随着AI原生设计原则融入了新的组织架构,我们已经到了这样一个阶段:许多组织可以用更扁平的结构运作,以更小的pods/cohorts(小组/团队)形式运行,行动更快,自主权更大。

也就是说,这次不仅要做裁员的减法,还要做重组的乘法,将一家接近8万名员工的科技巨头,按照AI的工作流重塑一遍。

据Bloomberg获得的备忘录版本:7000名员工将进入多个AI相关产品团队,涵盖AI智能体和应用两大方向,新组织结构将更「扁平」,团队规模更小。

Gale在备忘录中说:「我们相信这将使我们更有生产力,也让工作本身更有价值。」

Meta正在变成AI智能体的试验场

这次转岗的7000人,约相当于Meta员工总数的9%,他们将被征召(「drafted」)到多个AI相关新计划或团队,包括AAI、ATA XFN、Central Analytics,以及一个名为Enterprise Solutions的新项目。

「征召」,这是Meta内部对这次员工转岗的称谓,带有一点点强制性和某种战时动员的味道。

这四个部门如下:

第一个是AAI(Applied AI Engineering,应用AI工程),目标是开发能自主执行当前由人类员工完成的任务的AI智能体;

第二个是ATA(Agent Transformation Accelerator XFN,跨职能AI转型加速器)。它会横跨公司各业务线,将智能体铺进每一条业务线;

第三个叫Central Analytics(中央分析),主要负责围绕智能体开发进行生产力指标和数据分析;

第四个是「Enterprise Solutions」(企业解决方案)的新项目。

这四个部门中,AAI、ATA和Central Analytics均与CTO Andrew Bosworth此前公布的「AI for Work」方向相关。它们共同指向一个目标:让AI智能体替代人类员工的工作流。

更狠的是,扎克伯格正在开发一个AI版本的「自己」,用来与员工互动。

以前是人类用工具完成工作,现在Meta想让工具学会人类怎么工作,然后自己去完成。

AI原生组织的第一刀

切向了管理层

谁将在这次重组中首当其冲?从备忘录披露的信息看,管理岗位是这次重组的重点压缩对象之一。

Gale在备忘录中写道:未来Meta的组织形态将是「更扁平」,原本压在三四级管理之下的工程团队,可能被进一步拆成更小的小组或团队,以减少层级、加快执行。

这个动作砍掉的主要是Meta过去十几年里积累起来的传统大厂管理框架。

Gale在备忘录中把传统中层管理层定义成了「速度的瓶颈」,要按「小团队即效率」的方式重组掉,Reality Labs的部分团队已经率先完成了这个过程。

组织扁平化的同时,Meta还关闭了额外6000个开放职位。这意味着未来要招的岗位定义也在被重写:

管理层岗位减少,执行层小团队化,新增岗位向AI方向集中。

传统科技公司的层级逻辑是:需求拆解,逐层分配,逐层汇报;AI原生组织的逻辑是:小团队直接调用AI,自主决策,快速执行,不需要中间层协调。

传统管理中间层存在的理由,正是「信息流转」和「任务协调」,这一点恰恰是AI最擅长的,它们正是这次Meta重组的一个重点。

房间里的大象

这场AI重组,并非无摩擦推进。

与这次重组同步推进的,还有一款引发员工强烈反弹的监控软件。

Meta从四月起在美国员工的工作笔记本上部署了一款名为「Model Capability Initiative(模型能力计划)」的软件,追踪电脑活动,用来训练自家AI模型。

据路透社报道,超过1000名员工联署请愿,反对这套追踪系统。他们担心的并非监控本身,而是另一件事:自己每天的工作流数据,正被用来训练那个可能取代自己的AI智能体。

内部通讯平台Workplace上,抗议帖大量涌现。员工在高管帖子下面刷满大象表情。「房间里的大象(elephant in the room)」,比喻所有人都看见但没人愿意开口谈的那件事。员工用这个梗,逼高管正面回应那件已经传了一个多月的事。

还有人更直接,据《纽约时报》报道,有员工搭建了网站,为传闻中的下一轮裁员做倒计时。

据路透社报道,这场大重组背后的沉默持续了整整一个多月。从最早曝出裁员计划,到5月20日凌晨员工收到组织调整的邮件,中间横跨超过30天。

Business Insider在报道中形容这种气氛是「holding pattern」(「待命悬停」),即飞机等待降落指令时的状态,引擎开着,哪里也去不了。

很显然,大家在这种状态下,什么事情也做不了。

不是为省钱

营收和AI支出都在增长

这次重组,并非裁员省钱的逻辑。

4月29日,Meta公布2026年第一季度财报:营收563.1亿美元,创下季度营收纪录,同比增长33%。经营活动现金流322.3亿美元。

Meta账上现金、现金等价物和有价证券合计约811.8亿美元。

同一份财报里,Meta把2026年全年资本开支指引从1150亿-1350亿美元,上调至1250亿-1450亿美元。理由是:组件价格上涨,以及支持未来产能的数据中心成本增加。

一边是创纪录的营收,一边砸钱建算力,一边裁人重组。

这三件事说明了这次重组的驱动力,是「AI优先级重排」,而非成本压力。

在5月20日的内部备忘录里,扎克伯格为这次裁员给出的说法是:在AI这场竞争里,「成功并非理所当然」。他写道,AI是这一代人最具决定性的技术,领跑的公司将定义下一个世代。

对比2022年首轮大裁员,他当时眼含红血丝:「我错了,我为此负责。」

这一次,他没说这样的话,Fortune形容这份备忘录「听上去很疏离」。

从效率年到重组年

据路透社报道,这是今年美国科技公司更广泛的AI相关结构调整的一部分。

Meta不是第一个,也不会是最后一个。

2022至2023年,扎克伯格先后宣布两轮裁员,合计逾2万人出局,并将2023年定名为「效率年」。那一轮的叙事还是「公司过冬」,要压缩组织、砍掉冗余,把公司变瘦。

https://www.sec.gov/Archives/edgar/data/1326801/000132680123000035/mar142023exhibit991.htm

这一次,扎克伯格要做的是把Meta变成AI原生组织,最本质的不同,就是要把组织架构本身当成被AI改造的对象。

在这个过程中,被压缩的除了边缘岗位,也包括传统管理层和非AI优先级的协调职能。压缩的过程中还伴随着重塑。

被「征召」进新项目的7000人,他们将进入一个组织逻辑完全不同的体系:小团队、高自主权,并直接对AI工作流负责。

而且,这还没完。 

据路透社报道,Meta计划在2026年下半年继续裁员,具体时间和规模尚未敲定。多位现任与前任员工透露,今年预计还有数轮,包括八月可能的一轮,年底前还有一轮。

但扎克伯格在5月20日的备忘录里说,公司今年不预计再进行其他全公司范围的裁员。

差别藏在措辞里:八月那轮若被定义为「业务单元层面」的调整,就不算「全公司范围」。口径,留好了。

不管今年还会不会再裁,对于大厂员工来说,一个信号已足够清晰:

那些将在「AI原生化」过程中掉队的,未必是技能最弱的人,而是本身职能定义已经过时的人。

图片

往期热文:

Python新手学量化:我测试了20个指标,发现鳄鱼线指标真香!

Python量化交易入门:一个超过4万赞的量化交易框架

Python量化交易新手必学的2个波动率指标指标:ATR和布林带

这4个股票数据API,让我第一次把量化交易跑通了

5年21倍,量化里面超牛的均线:让Python带你玩转KAMA自适应指标!

Github上开源的AI股票分析神器,已经突破5.5K+ Star!

量化交易提速100倍?这个Python库让我相见恨晚!

量化趋势策略的“黄金搭档”SuperTrend 与 ADX,一篇文章讲清楚 Python 如何实现!

另外下面是一个量化小白的入门小册,有兴趣的可以看看,考虑清楚合适了再下手哈!买了之后有我们专门的几百人新手量化交流群可以讨论。

图片

计算机技术与测试测量仪器技术的结合,出现了新的测试仪器--虚拟仪器。基于LabVIEW的数据采集系统是第三代自动测试系统的为发展方向数据采集系统可看作是由数据处理部分和数据采集部分组成。在PC机上运用虚拟仪器能共享硬件和软件资源,快速、方便地组建各种数字信号处理系统,并可以方便地利用计算机的强大功能,进行信号分析、数据处理、存储以及图形化显示等,从而实现数据信号的处理。该系统是在NJational InstrumentsCompany推出的一种基于G语言的虚拟仪器软件开发工具 LabVIEW 环境下开发的,针对课题内容编写了数据采集及存储模块,通过对硬件控制程序的编写实现了对非NI驱动硬件的操作,结合具体使用条件编写数据采样程序。系统提供了丰富的数据分析功能,并对系统数据分析功能进行了详细的说明。介绍了数据储存和回放、数据处理、数据采集模块。 数据采集卡部分使用使用DSP来作采集卡CPU具有指令执行厅速度快、总线带宽高、可以完成数据的高速实时处理等优点。最重要的是DSP对于算法的处理有独到的优势,可以在DSP软件中加入一些典型的算法编程,就能够极大的增强系统的信号处理能力。基于以上原因,本设计以TMS320C5402DSP作为采集卡CPU,实现了数据的高速实时传输与处理。 采集卡由DSP完成数字信号处理,FLASH完成系统上电后的的程序加载,通过可编程逻辑器件CPLD完成对DSP外围设备的逻辑控制,利用DSP特有的HPI口与PC进行数据交换。 本文设计了一套基于DSP的数字信号采集卡和基于LabVIEW的PC数据信号处理系统,通过并口实现两者之间的通信,并详细叙述了系统完整的设计过程,从硬件设计和软件设计两方面加以阐述,重点叙述了数字信号采集卡、LabVIEW数据处理和并口通信的设计。
内容概要:本文系统阐述了集成测试在软件测试生命周期中的核心地位与实践方法,全面介绍了集成测试的定义、目标及其在V模型和DevOps中的定位。文章深入剖析了四种主流集成策略——自顶向下、自底向上、三明治和大爆炸集成的实施步骤、优缺点及适用场景,并结合实际案例说明其应用差异。在测试设计方面,提出了覆盖性、数据多样性、独立性和可追溯性四大原则,重点讲解了接口测试、数据流测试和场景驱动测试的设计方法。技术实践部分涵盖了测试环境管理、契测试、自动化测试工具选型与CI/CD集成,以及缺陷分类与回归验证机制。最后探讨了集成测试面临的环境复杂性、依赖管理、接口频繁变更等挑战,并展望了AI辅助测试、持续测试、混沌工程和可观测性增强等未来发展趋势。; 适合群:软件测试工程师、开发工程师、质量保障员,以及从事DevOps实践的技术管理者,尤其适合具有一定测试经验、希望深入掌握集成测试体系的专业士。; 使用场景及目标:①指导团队选择合适的集成测试策略以提升测试效率;②设计高质量的集成测试用例,有效发现接口缺陷与数据流问题;③构建自动化集成测试流水线,支持敏捷与持续交付;④应对微服务架构下的复杂依赖与接口治理挑战。; 阅读建议:建议结合实际项目背景分章节精读,重点关注策略选择指南与技术实践部分,尝试将契测试、容器化环境、自动化集成等方法落地到现有CI/CD流程中,并持续关注AI与可观测性等前沿趋势对测试体系的赋能潜力。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值