Madhu Guru
Sr Director, AI at Meta; Prev: Google - Led Gemini, Veo, Nano Banana.
时间线
- Agent 安全需要比能力进化更快 (2026-10-11 · Madhu Guru)
Agent 发展正从能力阶段转向信任阶段，安全必须跟上 - 开源模型不是降价主因 (2026-10-10 · Madhu Guru)
Meta 的 Madhu Guru 认为，智能单位成本下降早在开源模型流行前就已开始，蒸馏、基础设施效率和提供商竞争才是主因。 - 每一层计算栈都要为 agent 重建 (2026-10-09 · Madhu Guru)
Meta 的 Madhu Guru 认为，个人 agent 正在迫使消费产品重新设计，从 OS 到云基础设施、身份权限、界面，每个层面都有创业机会。 - Evals 就是产品规格 (2026-10-06 · Madhu Guru)
Meta 的 Madhu Guru 指出，把评测当作 agent 建成后的附加 QA 步骤是常见错误 - AI 普及主要是产品问题 (2026-10-04 · Madhu Guru)
Meta 的 Madhu Guru 认为，即使付费用户使用深度也很浅，原因是多数 AI 产品像飞机驾驶舱一样复杂。 - 消费者对「做事」的需求不是单一的 (2026-09-23 · Madhu Guru)
Meta 产品经理 Madhu Guru 反驳 Ben Thompson，认为消费者在不同场景下对 AI agent 的需求不同，从零摩擦到享受过程都有 - 安全是AI产品的特性，不是外部强加的护栏 (2026-09-17 · Madhu Guru)
Meta的Madhu Guru认为安全应内建于产品，而非靠外部约束 - 前沿模型评测人才将向 METR 迁移 (2026-09-13 · Madhu Guru)
Meta 研究员 Madhu Guru 预测，更多顶尖评测人才将在 12 个月内流向 METR 等独立机构，原因是资金增加、财务独立于实验室股权，以及应对 AI 存在风险的使命感。 - 先解决人类对齐问题 (2026-09-12 · Madhu Guru)
Meta AI 研究员 Madhu Guru 认为，在解决 AI 对齐之前，人类自身需要先对齐几个关键问题。 - 多数企业 AI 项目失败的原因 (2026-09-12 · Madhu Guru)
Meta 的 Madhu Guru 指出三大原因：用旧式开发方法做 AI、低估评估的重要性、中央团队脱离一线业务。 - 评测 agent 要测步骤，不只测结果 (2026-09-10 · Madhu Guru)
Meta 的 Madhu Guru 认为，两个 agent 可能给出相同答案，但步骤质量天差地别。他给出了四步评测方法。 - 周末用 AI 自动化一个你熟悉的流程 (2026-09-05 · Madhu Guru)
Meta 的 Madhu Guru 建议，选一个自己熟悉的工作流，用 AI 产品完整自动化一遍，比读一个月文章学得更多。 - AI 产品应替用户选模型 (2026-09-02 · Madhu Guru)
Meta 的 Madhu Guru 认为，模型选择对用户是认知负担，产品应将其抽象掉。 - 企业自建后训练系统机会巨大 (2026-09-02 · Madhu Guru)
Meta AI 工程总监 Madhu Guru 以 Shopify ML 团队为例，认为企业应自建后训练系统、评测和数据飞轮 - 每个公司都该做自我改进的产品 (2026-09-02 · Madhu Guru)
Meta 工程师 Madhu Guru 列出了实现自我改进产品的五个核心组件：指标定义、策略对齐、知识库、内部系统连接、开发流程框架。 - PM 必须比研究员更懂模型边界 (2026-09-01 · Madhu Guru)
Meta 的 Madhu Guru 认为，PM 应能回答四个关键问题：各尺寸模型能做什么、在哪失败、如何绕过失败、未来两三个月的能力变化。 - AI 产品团队的 playbook 每三个月就过期 (2026-08-29 · Madhu Guru)
Meta 的 Madhu Guru 指出，传统产品团队一套打法能吃五年，但 AI 团队必须主动抛弃旧 playbook，因为收益递减很快。他建议聚焦元原则：持续感知市场变化、以极端紧迫感执行，并组建为「发明」而非「榨干」而优化的团队。 - 企业 AI 最高杠杆是让模型可替换 (2026-08-28 · Madhu Guru)
Meta 的 Madhu Guru 认为企业 AI 负责人应优先投资两件事：建立覆盖业务结果的评测体系，以及培养对开源模型做后训练的能力。 - Meta AI 高级总监 Madhu Guru (2026-08-26 · Madhu Guru)
Meta AI 高级总监 Madhu Guru 继续他的 evals 系列，提出一个很关键的观点：当团队把 evals 当成静态工件，而用户行为持续演化时，evals 就会失效。他的 “Eval Roadmap Problem” 认为， - Meta AI 高级总监 Madhu Guru (2026-08-26 · Madhu Guru)
Meta AI 高级总监 Madhu Guru 继续他的 evals 系列，提出一个很关键的观点：当团队把 evals 当成静态工件，而用户行为持续演化时，evals 就会失效。他的 “Eval Roadmap Problem” 认为， - Meta AI 高级总监 Madhu Guru (2026-08-25 · Madhu Guru)
Meta AI 高级总监 Madhu Guru 继续他的 evals 系列，提醒大家：一个适合 hill-climbing 的好 eval，必须能区分真正有差异的系统。如果 5 个模型都拿到 92–95 分，但你已经知道其中有些明显更强， - Meta AI Senior Director (2026-08-24 · Madhu Guru)
Meta AI Senior Director Madhu Guru 继续他的“how to build great evals”系列，这次讲 Goldilocks principle：evals 不应该只评最终答案， - Meta AI senior director (2026-08-23 · Madhu Guru)
Meta AI senior director Madhu Guru 继续更新他关于如何构建优秀 evals 的系列。最有价值的一点是：“hill climbing on evals” 本质上就是选定一个真正重要的维度， - Meta AI senior director (2026-08-23 · Madhu Guru)
Meta AI senior director Madhu Guru 继续更新他关于如何构建优秀 evals 的系列。最有价值的一点是：“hill climbing on evals” 本质上就是选定一个真正重要的维度， - Meta AI Senior Director (2026-08-22 · Madhu Guru)
Meta AI Senior Director Madhu Guru 继续他的 evals 系列，提醒团队不要把复杂的 eval suite 压成一个总分。 - Madhu Guru — Meta AI 高级总监 (2026-08-21 · Madhu Guru)
Madhu Guru — Meta AI 高级总监 Madhu Guru 认为，企业做不好 AI 系统的根本原因之一是缺乏 eval strategy。他提出的分层方法包括：用 hill-climbing evals 推动产品边界， - Madhu Guru — Meta AI 高级总监 (2026-08-21 · Madhu Guru)
Madhu Guru — Meta AI 高级总监 Madhu Guru 认为，企业做不好 AI 系统的根本原因之一是缺乏 eval strategy。他提出的分层方法包括：用 hill-climbing evals 推动产品边界， - Meta AI senior director (2026-08-20 · Madhu Guru)
Meta AI senior director Madhu Guru 分享了一个很实用的 evals 方法：一旦有了 v1 evals，就应该基于真实生产 traces 建立 failure-mode taxonomy。 - Meta AI Senior Director (2026-08-19 · Madhu Guru)
Meta AI Senior Director Madhu Guru 给了一个很清晰的 eval 策略：把 eval 当作 frontier model 来对待。先建立质量前沿，哪怕这意味着用昂贵的 judge model、人类审核， - Meta AI Senior Director (2026-08-18 · Madhu Guru)
Meta AI Senior Director Madhu Guru 分享了今天最实用的 evals 观点之一：先从你非常熟悉的 workflow 入手，研究真实用户 traces，定义每一步和最终结果的好答案长什么样， - Meta AI 高级总监 Madhu Guru 认 (2026-08-16 · Madhu Guru)
Meta AI 高级总监 Madhu Guru 认为，AI 已经让 B2B 软件糟糕 UX 的借口不成立了。他的标准很直接：每个企业软件产品现在都应该像最好的消费级软件一样好用。 - Meta senior director of AI (2026-08-15 · Madhu Guru)
Meta senior director of AI Madhu Guru 认为 Cursor 对 AI 产品文化的影响被低估了。他的判断是：AI 产品在 chatbot 阶段停留了一阵之后， - Meta senior director of AI (2026-08-15 · Madhu Guru)
Meta senior director of AI Madhu Guru 认为 Cursor 对 AI 产品文化的影响被低估了。他的判断是：AI 产品在 chatbot 阶段停留了一阵之后， - Meta senior director of AI (2026-08-14 · Madhu Guru)
Meta senior director of AI Madhu Guru 认为 Cursor 对 AI 产品文化的影响被低估了。他的判断是：AI 产品在 chatbot 阶段停留了一阵之后， - Meta AI Senior Director (2026-08-14 · Madhu Guru)
Meta AI Senior Director Madhu Guru 说，“prompt debt” 正在变成新的 tech debt。 他的观点是，很多 AI 产品每当模型失败一次，就往 prompt 里加规则， - Meta AI Senior Director (2026-08-13 · Madhu Guru)
Meta AI Senior Director Madhu Guru 说，“prompt debt” 正在变成新的 tech debt。 他的观点是，很多 AI 产品每当模型失败一次，就往 prompt 里加规则， - Meta AI Sr Director Madhu (2026-08-13 · Madhu Guru)
Meta AI Sr Director Madhu Guru 今天最有价值的观点是：随着 models 变得更便宜、更强、更本地化，AI 产品真正的 alpha 会转移到 application layer。他认为， - Meta AI Sr Director Madhu (2026-08-12 · Madhu Guru)
Meta AI Sr Director Madhu Guru 今天最有价值的观点是：随着 models 变得更便宜、更强、更本地化，AI 产品真正的 alpha 会转移到 application layer。他认为， - Meta Senior Director of AI (2026-08-12 · Madhu Guru)
Meta Senior Director of AI Madhu Guru 提出了三个很强的 builder / market 观点。第一，当构建软件变得更容易，distribution 会变成更大的瓶颈， - Meta Senior Director of AI (2026-08-12 · Madhu Guru)
Meta Senior Director of AI Madhu Guru 提出了三个很强的 builder / market 观点。第一，当构建软件变得更容易，distribution 会变成更大的瓶颈，