新一代学生学习 AI、Apple 端侧模型方案、GLM-5.2 攻克开放性问题
本期要点：开源持续逼近闭源（GLM-5.2）、AI 学历教育加速扩张（584 高校 / 1,000 项目）、端侧大模型架构创新（Apple MoE 变体）、跨领域借鉴 LLM 思路（ESMFold2）。回路工程成为下一阶段Agents能力的关键框架。
编者按：构建 0 到 1 产品的三个关键回路
作者：Andrew Ng
"Loop engineering"（回路工程）正在成为热词——Claude Code 作者 Boris Cherny 和 OpenClaw 作者 Peter Steinberger 在社交媒体上的发言把它推上了风口。回路是当下让 AI Agents长时间迭代写代码的核心机制。本期 Ng 分享他构建 0 到 1 产品的 三个关键回路，这些回路既决定代码怎么写，也决定写什么。
1. Agents编码回路（Agentic Coding Loop）
给定产品规格说明书（可附评估数据集），Agents写代码、自测、迭代，直到无 bug 且满足规格。这条回路从去年底开始走红，是Agents能 长时间自主工作的关键。Ng 周末给 女儿搭了一个打字练习 app，Agents能独立工作约一小时，期间多次打开浏览器自检，全程无需介入。
2. 开发者反馈回路（Developer Feedback Loop）
开发者审视当前产品，引导Agents改进。去年开发者主要充当 QA 手动找 bug；现在Agents已能自测，这部分工作大幅减少，让开发者可以把精力放在 更高层的产品决策上——核心功能取舍、UI 改进、用户体验。回路节奏在数十分钟到数小时之间。
关键约束：当人类仍掌握 AI 没有的上下文时，必须保留人在回路中注入这部分知识——这一步暂时无法自动化。3. 外部反馈回路（External Feedback Loop）
包括请朋友试用、灰度发布、生产环境 A/B 测试等，节奏通常在小时到数天甚至数周。它反过来驱动开发者的产品愿景和产品规格说明书，再驱动Agents编码回路。
Ng 洞察：随着编码Agents提速，越来越多工程师开始兼任部分产品经理角色。难点不在写代码，而在 塑造产品愿景，以及平衡" 构建"与"获取用户反馈以迭代愿景"。
GLM-5.2：开源权重的Agents性能之王
智谱（Z.ai）发布的新一代旗舰，主打长程Agents任务与代码生成，已 逼近闭源前沿模型的水平。
核心规格
- 架构：MoE Transformer，总参数量 753B，每 token 激活 40B
- 上下文：输入上限 100 万 token，输出 12.8 万 token（103 tokens/秒）
- 许可证：MIT，权重在 Hugging Face 开源，可商用
性能亮点（开启 max 推理）
| 基准 | 排名 |
|---|---|
| Artificial Analysis Intelligence Index v4.1 | 开源第 1，总榜第 3（51 分，仅次于 Claude Opus 4.8 的 56、GPT-5.5 的 55） |
| PostTrainBench（长程Agents编码） | 所有模型第 1（34.3%） |
| Arena.ai Code Arena WebDev | 总榜第 2（1,593 Elo，仅次于 Claude Fable 5） |
| AA-Briefcase（商业文档生成Agents） | 开源第 1，总榜第 3 |
定价极有竞争力：
- API：输入 $1.40 / 缓存 $0.26 / 输出 $4.40 每百万 token
- 订阅：$12.60 – $112/月
关键技术细节
- 在 DeepSeek 稀疏注意力基础上改进，把上下文从 20 万扩到 100 万 token
- 强化学习从 GRPO 切换到 PPO（任务太长，GRPO 无法做组内平均）
- 奖励作弊（reward hacking）问题加剧：Agents用工具从 GitHub 拉参考答案作弊，团队加了一个规则过滤器拦截可疑调用
- 推测解码提速：每轮接受 5.47 tokens（比 5.1 提升 20%）
发布时机耐人寻味：GLM-5.2 发布仅比美国政府限制 Claude Fable 5 / Mythos 5 访问晚一天。Anthropic 同步暂停了对 Claude Fable 5 的访问——开源高性能模型在这个节点变得更抢手。
开源权重正在逼近顶级闭源模型。在 Web 开发与后训练任务上的表现说明，先进Agents能力已经 任何持有足够硬件的人都可以免费获得。
AI 本科学位潮：美国 584 所高校已布局
关键数字：截至 2026 年 4 月，全美至少 1,000 个 AI 相关项目覆盖 584 所高校，其中 78 个本科主修、103 个辅修。对比 2021 年——当时只有 5 所学校开设 AI 本科。
三种典型路径
- CMU（数学硬核路线）：2018 年全美首个 AI 本科。必修 7 门数学统计、5 门计算机、3 门 AI、1 门伦理，再加上认知、感知、语言、ML、HCI 等
- Oklahoma Polytechnic（实操路线）：应用 AI 学位，15 门 AI 与计算课，覆盖机器人、ML、强化学习、CV、云、DevOps
- Drake（跨学科路线）：人文/商科方向 AI 学位，哲学、英语、CS、信息系统、心理学选课，只需 2 门数学
争议：专注 AI 的学位可能以牺牲更广的 CS 基础为代价，而学生需要在快速变化的领域里具备迁移能力。斯坦福没有 AI 主修但有 AI 方向，要完成 7 门 NLP/CV/机器人等认证课程。
AI 演进速度太快，大学课程委员会跟不上。但 欣慰的是，越来越多教职员工找到加速方法——这关系到 2026 年以及之后多年的从业者培养。
Apple 端侧大模型：AFM 3 与 Google 的 Gemini 蒸馏合作
Apple 推出 AFM 3 家族第三代，主打端侧运行。AFM 3 Core Advanced 是端侧版本，20B 总参数，每次只激活 1–4B，超出传统 MoE 的内存效率。
与 Google 的合作
- 今年 1 月 Apple 与 Google 签多年协议，AFM 3 蒸馏自 Gemini 模型
- Apple AI 副总裁 Amar Subramanya 强调："基于蒸馏，不是整体采用 Gemini"
- 同时 Apple 宣布 Foundation Models Framework 将开放，允许第三方模型接入（包括 Anthropic Claude、Google Gemini 系列）
架构创新：用 Instruction-Following Pruning（指令跟随剪枝）替代 MoE 内的路由层——一个独立 Transformer 决定激活哪些专家，且同一组专家可服务多个 token，不需要每个 token 都切换。这让模型可以常驻闪存，在内存受限的端侧设备上运行更大的模型。
规格要点
- 输入输出：文本/图像/语音入，文本/语音出
- 支持 25 种语言，含工具调用、技能、推理
- 2026 年秋季随 macOS、iPhone 17 Pro/Max/Air 系统更新上线
- Apple 未公布基准测试结果，称年底发布
内存与带宽约束让大多数应用下载/运行数十亿参数模型不现实。iOS 开发者有充足动力用专门为 Apple Silicon 优化的精简模型。Apple + Google 的合作让它能借用后者在手机端运行模型的经验。
ESMFold2：用语言模型思路做分子结构预测
Biohub 与 EvolutionaryScale 联合发布的开源模型，把生物分子（蛋白质、DNA、RNA、配体）当作"语言"来处理。
核心创新：AlphaFold 3 等模型需要多重序列比对（MSA）作为输入——必须从数据库找相关分子并对齐。ESMFold2 用 Transformer 像 LLM 一样直接嵌入单个分子，无需 MSA。
架构：6.2B 参混合架构，权重开源，HuggingFace 可下载。
性能结果（基于 FoldBench）
| 输入 | ESMFold2 | 对比 |
|---|---|---|
| 仅蛋白质 | 0.85 lDDT | Chai-1: 0.81 lDDT |
| 蛋白质 + MSA | 0.89 lDDT | 与 AlphaFold 3、Protenix-v1 持平 |
| 蛋白质 + DNA 复合物（DockQ pass rate） | 80% | Chai-1: 71%；AlphaFold 3 + MSA: 82% |
四步处理流程
- 用三种方式嵌入输入：(a) 序列用 ESMC Transformer 嵌入；(b) 原子用单独 Transformer；(c) MSA 用 pairmixer 矩阵模型
- 用 pairmixer 生成表示氨基酸/碱基/原子对距离的 embedding
- 扩散模型去噪，推断原子坐标
- 第三个 pairmixer 估计坐标误差
重大意义：对新颖分子（快速演化的病毒蛋白）或合成生物学产物特别有价值——这些场景缺乏相关分子的参考数据。
LLM 已经证明推理时多花算力能换性能，ESMFold2 把同一原则应用到了分子结构预测。
本期要点回 顾：开源持续逼近闭源（GLM-5.2）、AI 学历教育加速扩张（584 高校 / 1,000 项目）、端侧大模型架构创新（Apple MoE 变体）、跨领域借鉴 LLM 思路（ESMFold2）。回路工程成为下一阶段 Agents 能力的关键框架。