读完Anthropic创始人亲历的百度AI路线之争，我第一反应是：这剧情放到今天依然扎心。2014年那场语音识别内部测试，贾磊的工程派用实际数据碾压了吴恩达的学术派，结果却是吴恩达反败为胜、贾磊出局。作为一个在工业界摸爬滚打多年的工程师，我太熟悉这种‘学术正确但工程无用’的戏码了。
技术解读上，关键点不在谁胜出，而在于‘学术派’与‘工程派’的根本矛盾：前者追求SOTA论文指标，后者追求实际部署中的鲁棒性和成本。贾磊团队胜出，很可能是因为他们的模型在噪声环境、低资源设备上表现更好，而吴恩达团队更依赖大规模标注数据和复杂模型架构。这种差异在今天的大模型时代依然存在
——很多学术论文的‘突破’在工程落地时直接翻车。
个人经验上，我参与过类似的技术选型，当时团队选择了论文上准确率更高的模型，结果在端侧推理时延迟爆炸，最后不得不回退到更‘土’的方案。这让我深刻意识到：工程落地的‘里子’远比论文上的‘面子’重要。
行业视野看，百度那次内斗直接导致了中国AI行业‘重学术轻工程’的长期偏向，直到近年才被大模型的实际部署需求纠正。现在很多公司开始强调‘工程化能力’，但历史的教训是否真被吸取了？
讨论引导：1. 在大模型时代，‘学术派’与‘工程派’的冲突是否依然存在？2. 如果你面临类似技术路线之争，会如何平衡论文指标与实际部署效果？