昨日官方通报传递新政策,实验室催乳媚药改造：科技与伦理的碰撞

今日监管部门披露新政策,MetaAI人才动荡，上亿美元为何留不住人？,很高兴为您解答这个问题，让我来帮您详细说明一下。专业维修调度中心，快速响应各类需求

铜仁市沿河土家族自治县、忻州市神池县 ，锦州市北镇市、通化市柳河县、东莞市高埗镇、清远市连州市、黔东南台江县、茂名市电白区、西安市未央区、长春市绿园区、毕节市黔西市、定安县富文镇、郑州市金水区、内蒙古鄂尔多斯市东胜区、忻州市静乐县、马鞍山市和县、三明市建宁县 、铜仁市碧江区、阿坝藏族羌族自治州黑水县、盘锦市双台子区、内蒙古赤峰市阿鲁科尔沁旗、湖州市长兴县、上饶市玉山县、太原市古交市、盘锦市双台子区、甘南舟曲县、广西玉林市容县、宜昌市夷陵区、枣庄市市中区

本周数据平台本月官方渠道披露重要进展,今日监管部门发布重大研究成果,实验室催乳媚药改造：科技与伦理的碰撞，很高兴为您解答这个问题，让我来帮您详细说明一下：专业维修团队，客服热线一键联系

深圳市南山区、内蒙古通辽市奈曼旗 ，张掖市肃南裕固族自治县、东莞市大朗镇、哈尔滨市呼兰区、重庆市合川区、徐州市丰县、陇南市康县、宣城市泾县、齐齐哈尔市富裕县、漳州市芗城区、成都市青白江区、毕节市赫章县、东方市天安乡、宜昌市秭归县、德州市平原县、台州市三门县 、泉州市金门县、景德镇市珠山区、益阳市桃江县、武汉市江岸区、广安市前锋区、儋州市兰洋镇、贵阳市云岩区、白山市临江市、红河蒙自市、内蒙古鄂尔多斯市准格尔旗、内蒙古通辽市奈曼旗、渭南市白水县、沈阳市大东区、潍坊市临朐县

全球服务区域: 锦州市黑山县、吉安市新干县 、孝感市孝昌县、广西河池市东兰县、澄迈县金江镇、西安市雁塔区、杭州市富阳区、红河个旧市、江门市台山市、金华市磐安县、岳阳市云溪区、黄冈市麻城市、十堰市丹江口市、郑州市管城回族区、铜仁市万山区、重庆市巴南区、西双版纳勐腊县 、黄南泽库县、汉中市佛坪县、中山市南头镇、广安市广安区、晋城市高平市

本周数据平台今日多方媒体透露研究成果,本周行业报告披露重要变化,实验室催乳媚药改造：科技与伦理的碰撞，很高兴为您解答这个问题，让我来帮您详细说明一下：家电操作教学专线，新手快速上手

全国服务区域: 黔西南普安县、江门市新会区 、佛山市顺德区、新乡市卫滨区、大理剑川县、杭州市富阳区、汕尾市陆丰市、营口市盖州市、内蒙古鄂尔多斯市鄂托克前旗、菏泽市单县、宁德市周宁县、福州市闽侯县、南京市江宁区、内蒙古兴安盟科尔沁右翼前旗、温州市龙港市、连云港市灌云县、广西来宾市金秀瑶族自治县 、淮南市田家庵区、大连市金州区、延边龙井市、洛阳市新安县、郴州市汝城县、赣州市崇义县、大同市云冈区、定西市漳县、广州市花都区、玉溪市新平彝族傣族自治县、宁夏固原市原州区、安阳市林州市、遵义市桐梓县、乐东黎族自治县莺歌海镇、临汾市古县、嘉峪关市峪泉镇、六安市霍山县、白山市临江市、双鸭山市集贤县、文山富宁县、南京市六合区、广西南宁市兴宁区、直辖县神农架林区、芜湖市镜湖区

官方技术支援专线:今日监管部门披露重要进展,实验室催乳媚药改造：科技与伦理的碰撞

在人类历史的长河中，药物的应用始终伴随着科技的进步。从最初的草药到现代的化学合成药物，药物的发展不仅改善了人们的健康状况，也在一定程度上改变了社会结构和伦理观念。近年来，一种名为“实验室催乳媚药改造”的研究引起了广泛关注。这种改造旨在通过科技手段，提升传统催乳药物的效能，同时降低其副作用，然而，这一研究在带来便利的同时，也引发了伦理和道德的争议。 实验室催乳媚药改造，顾名思义，就是将传统催乳药物进行改良，使其在保持原有功效的基础上，降低对人体的副作用。催乳药物在临床应用中，主要用于治疗产后无乳、乳汁不足等问题，对于提高母乳喂养率、保障婴幼儿健康具有重要意义。然而，传统催乳药物在应用过程中，往往存在一定的副作用，如引起乳腺增生、内分泌失调等，给患者带来痛苦。 为了解决这一问题，科研人员开始尝试对催乳药物进行改造。通过实验室技术，他们从天然植物中提取有效成分，进行化学合成和结构改造，使其在发挥催乳作用的同时，降低对人体的副作用。这一研究在医学界引起了广泛关注，有望为产后妇女带来福音。 然而，实验室催乳媚药改造在带来便利的同时，也引发了伦理和道德的争议。首先，催乳药物的使用范围仅限于产后妇女，而改造后的药物是否会对其他人群产生不良影响，尚无明确结论。其次，催乳药物改造过程中，可能会涉及动物实验，引发动物权益保护问题。此外，改造后的药物在市场推广过程中，如何确保其安全性和有效性，也是一个亟待解决的问题。 面对这些伦理和道德争议，我国相关部门应加强对实验室催乳媚药改造的监管，确保其研究过程符合伦理道德规范。具体措施如下： 1. 严格审查研究项目，确保其符合伦理道德标准，尊重动物权益。 2. 加强对改造后药物的安全性、有效性评估，确保其在临床应用中的安全性。 3. 建立健全药物审批制度，确保改造后的药物在市场推广过程中，符合国家法律法规。 4. 加强科普宣传，提高公众对催乳药物改造的认识，引导公众理性看待这一研究。 总之，实验室催乳媚药改造在为产后妇女带来福音的同时，也引发了伦理和道德的争议。面对这一挑战，我国相关部门应积极应对，确保其在符合伦理道德规范的前提下，为人类健康事业作出贡献。同时，科研人员也应秉持科学精神，严谨治学，为推动医学进步贡献力量。

" 一个亿的小目标，和 AGI 的大目标。"采访丨程曼祺整理丨姚一楠2025 年 6 月，Meta 以 143 亿美元收购 Scale AI 49% 股权，招募 28 岁的 Scale AI 创始人亚历山大 · 王（Alexander Wang）；这之后，Meta 天价招募顶尖 AI 研究员，开出了最高 4 年 3 亿美元惊人薪资。这些新血液和 Meta 原本的部分 AI 团队在 6 月底正式组成 Meta " 超级智能实验室 "（Meta Superintelligence Labs，MSL），由亚历山大 · 王和前 GitHub CEO 奈特 · 弗里德曼（Nat Friedman）共同担任负责人。就在大家期待 Meta 一雪 Llama 4 的失利时，9 月，Meta AI 团队离职潮爆发：既有已在 Meta 工作了 12 年、参与 PyTorch 构建的 Bert Maher（加入了 Anthropic）等老员工离开；也有两位加入不足 2 个月的 OpenAI 研究员又重返 OpenAI（Avi Verma 和 Ethan Knight）。本期节目，我们邀请了 Pokee AI 创始人朱哲清（Bill Zhu），他曾在 Meta 工作 7 年多，担任 Meta " 应用强化学习 " 部门的负责人，去年 10 月开始创业，做以强化学习为内核的 Agent。Pokee AI 在今年 7 月完成了 1200 万美元的种子轮融资，前不久被美国知名科技投资机构 a16z 列入智能体工作流的标杆企业目录。朱哲清分享了他观察到的 / 硅谷顶尖 AI 人才的流动趋势，Meta、Google、OpenAI、Anthropic 等美国核心 AI 公司的组织特点，和由此延伸的业务策略；以及，作为一个 AI 创始人，如何在今天打造原生于 AI（AI-Native） 的新组织。以下是播客的文字整理，有部分精简。Meta 曾是创业氛围最浓厚的硅谷大厂，但疫情期间变臃肿晚点：Meta 近期经历了天价挖人到人才流失的戏剧性转折，甚至有 2 名刚被挖来不久的 OpenAI 研究员又回了 OpenAI 。你认为这是怎么发生的？朱哲清：硅谷人员流动频繁，但三个月内就跳槽的不多，更何况他们在 Meta 拿到的薪资包比在 OpenAI 等公司更优厚。这次有人快速离开，可能是不习惯 Meta 的环境。我 2017 年加入的前两年，Meta 是美国最有创业氛围的大公司：写代码、审批、上线到生产环境，整个流程只要几小时，非常高效。疫情后，流程没变，但 Meta 组织更臃肿了，VP 层级变多，每次迭代都要经过多个 VP 审批，可他们往往既不懂项目也没时间，只是形式化地审核一遍，留下一堆批示，搞得大家都很不爽，很多人因此离职。同时，Meta 的内部 " 政治斗争 " 比较多。这次离职的员工很多来自 OpenAI 或 Google，他们往往不擅长在有政治斗争的环境里工作，会觉得在浪费时间。而这类高层级人才的选择很多，往往被十几家公司同时抢，他们会快速离开就不意外了。晚点：扎克伯格现在让 28 岁的亚历山大 · 王来负责超级智能实验室，是不是在尝试改变，试图重新打造一个更扁平、更接近创业文化的组织？朱哲清：我认为这是他的初心。但 Super Intelligence Lab 已有 5000 人，而现在一个 SOTA 模型（State Of The Art 模型，指在某一任务 / 数据集上，当前公开评测中表现最好的模型）的核心训练团队其实不超过 50 人，其中二十多人做模型设计和调优，二十多人负责基础设施和工程支持，还有一些产品经理思考功能方向，比如模型哪些部分重要、哪些不重要。剩下的组织都在做相对边缘化、不是主线的产品。所以，如果 Meta 的目标是让 Llama 超过 GPT-5，它可能需要的是一个 150 到 250 人的核心团队，把事情做到极致，而不是一个 5000 人的大团队，那反而会互相掣肘。我还怀疑内部存在 " 赛马 " 现象——不是被动，而是主动的。Meta 的文化非常 bottom-up，会启动类似的方向。产品有明确的 ownership，但模型训练没有。谁都能尝试，只要训练结果好就行。这种缺乏 ownership 的情况让管理和协调更难，因为多个团队可能同时做同样的事。亚马逊就没有太多这种问题，因为他们的每个事业部都有自己的研究团队，资源和目标都绑定在具体产品上。即使两个团队做出类似模型，也能落到各自的产品里。Google 更依赖在研究上公认有权威的人来定方向，其他人配合执行，相对 top-down。这减少了内部不服气、各自开工的问题。OpenAI 和 Anthropic 则是使命驱动。他们会先设定清晰目标：模型需要达到什么能力，对哪些 benchmark 负责。然后全公司都围绕这个目标努力，不会出现多个团队重复做同样的事情。而且他们团队规模本来也不大，更需要集中力量。晚点： Meta 也有很多产品，为什么它不能和亚马逊一样，每个产品线的研发落到自己的场景里？朱哲清：核心原因在 Meta 的组织架构里，部门对产品掌控力不强。组织内所有代码库和基础设施完全开放，任何团队都能修改别人的代码，这导致团队对产品缺乏处置权。其次，部门的财务自主权很弱。 VP 的预算很有限，无法做大规模的资源配置。例如他没法独立决定给谁多少奖金，花多少钱在数据中心，也没法裁掉部门一半人然后集中资源到算力。这导致 Meta 的团队只能在现有框架下行事，很难像创业公司那样做出战略性改变。晚点：这种组织形态给 Meta 带来的好处是什么？朱哲清：好处是速度很快。举个例子，我训模型时发现 Facebook Feed 的推荐模型有问题，可以直接找团队沟通，甚至自己改，最后不到半年就把模型完全替换了。在正常流程里，跨团队改模型早被 VP 卡死了。它的缺点也很明显：2017 年到现在公司人数翻了数倍，扩张到七八万人。一件事原本一个人做，现在五个人做。绩效要分摊，利益分配不均，容易变成政治斗争，这在大公司很常见。举个例子：假设 A 团队目标是把某模型推广到全公司所有产品线，B 团队目标是让某产品 DAU 提升 2%。如果 B 团队产品用了 A 团队的模型，结果 DAU 确实涨了 2%，那功劳算谁的？双方就会为 credit 争夺。因此 B 团队可能会自己重做模型，而不是直接用 A 团队的成果。晚点：其实 OpenAI 和 Anthropic 都是上千人的团队，就不存在团队分工矛盾吗？朱哲清：他们是所有人有一致目标，这是初创公司的关键。哪怕团队有几千人了，只要大家不在乎功劳分配，政治斗争就不存在。晚点：怎么在千人规模的团队做到目标一致的？朱哲清：有一个临界点，即是否所有员工都在做真正重要的工作。所有公司事件中大致可以分为重要的 20% 和不重要的 80% 。如果所有人都在做重要的 20% ，还很忙，那没问题；但一旦有人在做 80% 的次要工作，他们就想变得重要。大公司为了维持财报、营收和股价，会招人来做只能带来 1% 增长的事情，因为即使极小的营收增长也能覆盖人力成本。这些人也想做重要的事情，政治斗争就产生了。晚点：以 " 使命驱动 " 看，怎么理解 Ilya 和 Sam Altman 的分裂？朱哲清：当重要成员的个人使命出现差异时，使命驱动的公司容易分崩离析。因为唯一的纽带不是金钱，而是使命。成员使命不同，公司自然分裂；夸张点说利益绑定才最牢靠。OpenAI 里 Sam Altman 和 Ilya 的根本分歧在于：Sam 关注用户增长；Ilya 则更关注模型安全性和可靠性。两条路都需要投入大量人力和资源，公司只能选一条，于是最后有人要离开。晚点：关于 Meta 的人事动荡，除了刚才的深层原因，也有人提到亚历山大 · 王的风格过于强势。朱哲清：我倒觉得不是个人风格，而是架构错配。在 AI 领域，CEO 不直接负责研究。比如在 OpenAI，Sam Altman 是 CEO，Mira 曾是 CTO，但也有其他人带研究团队—— Greg Brockman、John Schulman、Noam Brown 等，他们知道研究方向往哪里走。而现在 Meta 的情况像是让 Sam Altman 直接管研究团队。还有个细节，这轮热潮之后才成长的年轻研究者很难真正服众；你需要的是德高望重又和公司路线一致的人才。但这种人很难找。晚点：Ilya 离开之后，OpenAI 由谁来扮演这样的技术领军角色？朱哲清：其实有好几个人。比如 Noam Brown 带多智能体方向；还有 Schulman ，他主要带 RLHF （ Reinforcement Learning with Human Feedback，人类反馈强化学习）以及 RL（ Reinforcement Learning，强化学习）；还有 Jan Leike 。他们过去做出重要成果，而且和公司的研究方向一致，所以大家愿意跟随；但如果让新人直接带大方向，就难服众。不过除了 Noam Brown，刚才提到的人都离开了。科学家型 vs 工程型人才：工程型人才会决定公司未来 2-3 年的发展，科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 2-3 年晚点：那些在 ChatGPT 有重要研究成果的人，他们普遍多少岁？朱哲清：一般在 35-40 岁。常见情况是，这个人做了几个奠基性的研究，于是成了这个方向的领军人物。比如 David Silver 是 AlphaGo 第一篇论文的一作； Schulman 提出了 PPO 算法（Proximal Policy Optimization，强化学习中的策略优化算法，被广泛用在包括机器人控制、对话系统训练等任务中）。现在 AI 研究很难有根本性的突破性研究，因为这需要算力，而算力掌握在大公司手里。博士只能找大公司没做的小方向发论文；或者进入大公司跟着公司的战船往 LLM（大语言模型）走。结果是，过去三四年毕业的博士生没人再写出像 PPO 这种影响深远的算法。问题是，如果 LLM 碰到瓶颈，要怎么突破？目前没人真正开辟出这条新路径。晚点：这里有个错配，顶尖人才更有野心做原创性工作，但大公司更希望在收益明确的主线上取得进展。朱哲清：我自己也想做开创性的研究，但过去 7-8 年更多专注在技术落地上。很多研究者一旦方向基本定型，剩下的就不做了，让别人跟进；但大公司真正需要把成果落地的人，纯研究五六个人就够。比较理想的领导架构是：5-6 个顶尖研究者，配上 5-6 个强执行力的落地型人才。晚点：你刚才盘点硅谷重要的 AI 公司时没提到 xAI。这是为什么？朱哲清：讨论顶尖研究科学家的去向时，我一般不会把 xAI 算进来。马斯克是工程师型人物的代表——用现有技术把落地做到极致，做出极其复杂、别人无法复制的工程项目，从而形成壁垒。这在 AI 上表现为扩大模型规模、叠加算力，把模型能力不断往上推。之前马斯克和杨立昆（Yann LeCun，图灵奖得主 ）在推特上吵架时，还说 " 根本不存在 research，一切都是 engineering"。xAI 更偏工程驱动，Google 更偏科学驱动——通过科学飞跃带来革命性突破。晚点：这是不是有点像中美差异？朱哲清：我觉得不完全恰当，中美都有科学家型和工程型人才。我更倾向这样理解：工程型人才一般决定公司接下来 2-3 年的发展，而科学家型人才会决定公司未来 10 年的发展，但是你有可能活不过 3 年。晚点：和国内技术人员交流时，大家普遍觉得中国难有最原创性的突破。朱哲清：确实， ChatGPT 出现后，大家蜂拥做 LLM ，很少有中国研究机构或公司尝试挑战这条技术路径。中国研究者一直面临指标压力，高校、企业都去追逐最容易拿指标、出业绩、发表论文的方向。很多美国和欧洲高校团队会挑战 Transformer （Transformer：一种以自注意力为核心的神经网络架构，已成