Meta 从开源转向闭源、大药企押注 AI、各州监管碎片化
本期要点：Meta 发布闭源 Muse Spark 转向、礼来 27.5 亿美元押注 Insilico 制药、美国各州 AI 法规碎片化、Persona Generators 用进化算法模拟多样人群。
编者按：AI 原生软件团队与传统团队
作者：Andrew Ng
AI 原生软件工程团队运作方式与传统团队截然不同。明显差异是用编码 Agents 更快构建产品，但这带来许多其他变化——一些优秀工程师现在角色比写代码更广，兼做部分 PM、设计师、有时营销。小团队（同地点办公能面对面沟通）能惊人地快速推进。
产品管理瓶颈：因为现在构建很快，必须花更多时间决定构建什么。一些团队把工程师：PM 比例从 8:1 压到 1:1。但可以做得更好：如果 1 个 PM 决定构建什么 + 1 个工程师构建，他们之间的沟通成为瓶颈。所以 Ng 看到的最快团队是懂部分产品工作的工程师（可选懂部分工程的 PM）。
速度变化引发的瓶颈：编码快 10x 或 100x 后，其他一切都相对变慢——例如营销部门跟不上功能发布速度（营销瓶颈），法务部门一周才能审完一天写的代码（合规 瓶颈）。
通才优势：小团队能完成原本需要 5 个不同专业的事，每个个体必须扮演多个角色——但仍可以有深度专长，同时理解其他关键职能并能在需要时跳进去思考。熟练使用 AI 工具是大助力。
Ng 看重同地点办公的团队——远程团队也能表现好，但最高速度需要所有人同房间、能瞬间沟通解决问题。
Llama 之后：Meta 转向闭源 Muse Spark
Meta 时隔一年发布首个 AI 模型——9 个月前成立的 Superintelligence Labs 的首款闭源产品。Muse Spark 是原生多模态推理模型，支持工具调用和多 agent 编排。
核心规格
- 输入输出：文本/图像/语音入（262,000 token），文本出
- 特性：3 档推理（instant / thinking / contemplating）、购物模式
- 可用性：meta.ai 和 Meta AI app 免费；即将登陆 WhatsApp、Instagram、Facebook、Messenger、Ray-Ban Meta AI 眼镜；API 预览给选定合作伙伴
性能表现
| 基准 | Muse Spark 排名 | 备注 |
|---|---|---|
| Artificial Analysis Intelligence Index | 第 4（52 分） | 落后 Gemini 3.1 Pro / GPT-5.4 并列 57 / Opus 4.6 53 |
| CharXiv Reasoning | 第 1（86.4%） | 领先 GPT-5.4 82.8% / Gemini 3.1 Pro 80.2% |
| MMMU Pro | 第 2（81%） | 落后 Gemini 3.1 Pro 82% |
| Artificial Analysis Coding Index | 第 47 | 落后 GPT-5.4 57 / Gemini 3.1 Pro 56 / Sonnet 4.6 51 |
| Humanity's Last Exam（contemplating 模式） | Meta 自报 58% | — |
| HealthBench Hard | 第 1（42.8%） | 领先 GPT-5.4 40.1% |
| DeepSearchQA | 第 1（74.8%） | 领先 Opus 4.6 Max 73.7% |
关键技术
- 思维压缩：强化学习惩罚过度推理 token，让模型先学会推理长→学会压缩→再延长推理改进
- contemplating 模式：不像单链思维，启动多 agent 并行提议、改进、聚合结果，性能更好且延迟相当
- 健康领域：1,000+ 医生帮策展训练数据
- 训练效率：以 Llama 4 Maverick 能力为基准，训练算力少一个数量级以上
Meta 战略投资：2025 年 6 月以 $143 亿 收购 Scale AI 49% 股权，引入联合创始人 Alexandr Wang 任首席 AI 官，招聘开出数亿美元薪酬包。闭源发布让依赖 Llama 开源权重的开发者社区担忧。
Muse Spark 的 contemplating 模式和 Kimi K2.5 的 Agent Swarm 指向新兴模式：更多实验室通过训练模型在推理时编排多个 agent 来扩展性能，而非训练更大的单一模型。
大药企重注 AI：礼来 27.5 亿美元给 Insilico 制药
生成式 AI 已证明能产生文本、图像、音频、视频、代码。全球最有价值的制药公司押注数十亿美元赌它也能产生药物。
关键交易：礼来（Eli Lilly）同意给香港生物技术公司 Insilico Medicine 最高 $27.5 亿，初期付 $1.15 亿独家开发销售未在人体测试的药物，进一步款项与开发、监管、商业里程碑挂钩。这是两公司第 3 次合作（前两次是 2023 年 AI 软件授权、2025 年 11 月 $1 亿研究合作）。
Insilico 进展（2014 年成立）
- 用 AI 开发 28 个候选药，约一半在临床试验
- 最先进的 Rentosertib 靶向特发性肺纤维化（IPF），2a 期试验阳性
- 第二种药 Garutadustat 治疗炎症性肠病，2026 年 1 月进入 2a 期
工作流程
- 选疾病后，Insilico 用专有生成模型做两步：识别靶蛋白 + 设计作用于该蛋白的分子
- PandaOmics 找靶点：深度学习模型基于疾病相关性、靶点适合性、新颖度排序候选。IPF 案例识别出 TNIK 蛋白为首选。
- Chemistry42 设计分子：约 30 个生成模型并行产生候选结构，每个针对结合强度、毒性、溶解度等优化。最终合成测试不到 80 个化合物——传统方法要筛选 20 万-100 万个。
- 识别靶点到准备临床前安全测试分子约 18 个月（传统 5-6 年）。
2a 期临床结果：Rentosertib 高剂量组参与者用力肺活量平均增加 98.4 毫升，安慰剂组下降 20.3 毫升。
AI 在加速药物开发，但加速的化合物能否以高于传统方式的比例通过临床试验，仍有待观察。
美国各州 AI 监管继续推进：法规碎片化
尽管 Trump 总统推动全国立法以取代州级法案，美国各州今年继续通过 AI 监管法律，形成日益碎片化的立法拼图，给开发者合规带来挑战。States 正在审议超过 1,500 项法案，叠加 40 个州已有的 100+ 项法律。
关键州动向
| 州 | 关键条款 |
|---|---|
| 加州 | 8 月起大型 AI 平台必须给 AI 生成内容加隐形水印；开发者必须评估灾难性风险并报告严重安全事件；LLM 提供商必须阻止聊天机器人与未成年讨论自残/性 |
| 科罗拉多 | 2024 年通过全美最严 AI 法律，7 月生效。要求"高风险 AI 系统"的开发者和部署者防止算法歧视；要求年度影响评估（但商界施压下考虑放宽） |
| 明尼苏达 | 8 月生效法律禁止保险公司用 AI 在无相关医生复审情况下拒绝理赔 |
| 纽约 | 2027 年 1 月起，收入超 $5 亿的模型厂商必须遵守严格协议阻止用户创建生物武器或自主黑客工具 |
| 俄亥俄 | 3 月底生效法律禁止用 AI 复制他人声音/肖像销售产品或制作未经许可的亲密图像；考虑法案否认 AI 系统法律人格 |
| 犹他 | 2026 通过多项法案细化 2024 AI 政策法案；禁止平台分发非自愿色情深度伪造；禁止保险公司在无医生意见下用 AI 拒绝理赔 |
联邦背景：Trump 行政命令针对被认为"繁重"的州法律威胁扣留联邦资金，3 月发布联邦立法指南支持儿童保护和数据中心电力价格管控。
一些州级要求是合理的——用户应能依赖 AI 公司保护隐私，儿童应受保护免受 AI slop 侵害。但这些要求应在国家层面统一实施。呼吁国会建立更内聚、稳定的监管环境。
多样化人群模拟：Persona Generators 用进化算法扩展 LLM 覆盖
想让 LLM 模拟用户回应产品/功能/促销/价格问题？它们常缺乏人类那种变化范围。Google 的 Persona Generators 用进化算法让 LLM 扮演覆盖整张地图的 25 个角色。
关键洞察
- 传统 LLM 扮演人类角色（如"作为今天的民主党人回答"）倾向给出平均响应，不能反映人类群体的多样性
- 替代方案：让模型程序化修改角色提示，直到产出覆盖特定意见、态度、关切的完整范围
- 给定定义角色人群范围的指南（按赞同/反对程度排序的态度），进化算法可推动模型产出覆盖完整响应范围的提示集
工作流程
- 用 Gemini 2.5 Pro 生成 30 个问卷（医疗、金融素养、阴谋论等）
- 用 AlphaEvolve 迭代生成代码：产生 25 个角色提示/问卷，最大化态度多样性
- 用 Concordia（基于代理的模拟库）提示 Gemma 3-27B-IT 扮演每个角色
- 计算 6 个多样性指标（任意两向量平均距离、人群覆盖度等）
- AlphaEvolve 在 10 个代码版本上并行 迭代 500 次，最大化多样性指标
结果：在测试问卷上，本文方法覆盖 82% 可能响应（vs Nemotron Personas 76% / Concordia 记忆生成器 46%）。
合成人格为解决产品管理瓶颈（决定构建什么）提供了迷人可能性。
本期要点回顾：Meta Muse Spark 转向闭源、礼来 27.5 亿押注 Insilico 制药、美国各州 AI 法规碎片化、Persona Generators 用进化算法模拟多样人群——AI 原生团队组织、模型发布策略、AI 制药、监管碎片化、人群模拟四条主线并行。