[翻译] 吴恩达 The Batch:AI 新闻与洞察:AI 原生软件工程团队的运作方式与传统团队截然不同

原链接：https://www.deeplearning.ai/the-batch/issue-349/

亲爱的朋友们，

AI 原生软件工程团队的运作方式与传统团队截然不同。最显而易见的区别是，AI 原生团队使用编码智能体来以快得多的速度构建产品，但这导致了我们工作方式的许多其他变化。例如，一些优秀的工程师现在扮演着比单纯编写代码更广泛的角色。他们部分是产品经理、设计师，有时甚至是市场营销人员。此外，在同一办公室工作、能够面对面沟通的小型团队，可以以惊人的速度推进。

因为我们现在能够快速构建产品，所以必须花更大比例的时间来决定构建什么。为了应对这一项目管理瓶颈^[1]，一些团队正在将工程师与产品经理（PM）的比例从约 8:1 降低至 1:1。但我们还可以做得更好：如果由一位 PM 决定构建什么，再由一位工程师负责实现，那么他们之间的沟通就会成为瓶颈。这就是为什么我所见到的最高效的团队，往往由既懂产品工作又懂工程工作的工程师组成（也可以有一些懂工程工作的 PM）。当一位工程师既能理解用户需求、做出产品决策，又能直接动手实现时，他们的执行速度是惊人的。

我见过工程师成功地将角色扩展到参与产品决策，也见过 PM 扩展到参与软件开发。科技行业的工程师数量远多于 PM，但两条道路都充满前景。如果你是工程师，学习一些产品管理技能会很有帮助；如果你是 PM，请学习如何构建产品！

除了项目管理瓶颈，我还看到了设计、市场营销、法律合规等领域的瓶颈。当我们将编码速度提升 10 倍甚至 100 倍时，其他所有环节相比之下都变慢了。例如，我的一些团队构建了出色的功能，速度如此之快，以至于市场营销部门不得不手忙脚乱地想办法向用户传达这些功能——这就是市场营销瓶颈。或者当一个团队一天就能构建出法律部门需要一周才能审查完毕的软件时，这就是法律合规瓶颈。从这个角度看，智能体编码不仅改变了软件工程的工作流程，也在改变其周围所有团队的工作方式。

一位工程师在椅子上急速旋转，与同事讨论”转椅瓶颈”问题。

当更小、由 AI 赋能的团队能够完成更多工作时，通才的优势就凸显出来了。传统公司需要汇集来自许多专业领域的人才——工程、产品管理、设计、市场营销、法律等——来执行项目和创造价值。这导致了由专家组成的大型协作团队。但如果一个 2 人团队需要完成涉及 5 个不同专业领域的工作，那么其中一些人就必须超越单一专业的角色。在一些小团队中，成员确实拥有深厚的专业特长。例如，一位可能是出色的工程师，另一位可能是出色的 PM。但他们也理解推进项目所需的其他关键职能，并能在需要时参与解决其他类型的问题。当然，熟练掌握 AI 工具是很大的助力，因为它帮助我们思考涉及不同角色的问题。

即使是一个 2 人团队，要快速推进，也必须最小化沟通瓶颈。这就是为什么我非常重视在同一地点工作的团队。远程团队也可以表现出色，但最高速度是通过让所有人同处一室、能够即时沟通解决问题来实现的。

这封信聚焦于 2-10 人左右的 AI 原生团队，但并非所有工作都能由小团队完成。我将在未来讨论大型团队的协调问题。

我意识到这些工作角色的转变对许多人来说难以驾驭。但与此同时，我感到振奋的是，愿意学习相关技能的个人和小团队现在所能完成的工作远超以往。这是学习与创造的黄金时代！

继续构建，

Andrew

新闻

一张表格比较了多个 AI 模型，突出显示了 Muse Spark 在多模态和健康基准测试中的表现。

Llama 之后的路

Meta 从其开源权重策略转向交付封闭替代方案。

最新动态： Meta 推出了^[2]其一年来的首款 AI 模型，也是其成立九个月的超级智能实验室的第一个产品。Muse Spark 是一个原生多模态推理模型，支持工具使用和多智能体编排。它在部分健康和多模态基准测试中领先，但在编码和智能体工作方面存在不足，Meta 将此视为对架构重新设计的验证，并计划在此基础上构建更大的模型。

• 输入/输出： 支持文本、图像、语音输入（最多 262,000 个 token），文本输出
• 性能： 在 Artificial Analysis^[3] 智能指数中排名第四
• 可用性： 通过 meta.ai^[4] 和 Meta AI 应用免费使用；即将登陆 WhatsApp、Instagram、Facebook、Messenger 和 Ray-Ban Meta AI 眼镜；API 预览版面向选定合作伙伴开放
• 功能： 三种推理模式（即时、思考、沉思），购物模式
• 未披露： 参数量、架构、训练数据和方法、输出大小限制

工作原理： Meta 披露了关于 Muse Spark 的有限技术细节，但强调了在训练效率和多智能体编排方面的进步，以及在健康领域的专项投入。

• 公司重新设计了其预训练方法、模型架构、优化和数据策展。Meta 表示 Muse Spark 以不到 Llama 4 Maverick 十分之一的训练算力达到了与之相当的能力。
• 后训练阶段采用了强化学习，团队对模型使用过多推理 token 进行惩罚，这一过程团队称之为”思维压缩”。在这种惩罚机制下，模型首先通过延长推理时间来提升表现，然后学会压缩推理过程，最终再次延长推理以进一步改善。
• 沉思模式不是处理单一的思维链，而是启动多个智能体并行提出解决方案、优化方案并汇总结果。Meta 表示这实现了更好的性能，同时延迟相当。
• 为改善健康推理能力，Meta 邀请了超过 1,000 名医生协助策展训练数据，以产生更准确和全面的健康回复。

结果： Muse Spark 的基准测试表现总体具有竞争力，且在 token 效率方面表现突出。Meta 承认其在编码和智能体性能方面存在差距。

• 在 Artificial Analysis^[5] 智能指数（涵盖 10 项经济实用任务基准的综合指数）中，Muse Spark 设为推理模式（52 分）排名第四，位于并列第三的 Gemini 3.1 Pro Preview 高推理模式（57 分）和 GPT-5.4 xhigh 推理模式（57 分）以及 Claude Opus 4.6 max 推理模式（53 分）之后。Muse Spark 使用约 5900 万个 token 完成该指数测试，而 Claude Opus 4.6 约为 1.58 亿个，GPT-5.4 约为 1.16 亿个。
• Muse Spark 在至少一项多模态基准测试中取得了最高分。Meta 表示，在 CharXiv Reasoning（理解图表）中，Muse Spark（86.4%）优于 GPT-5.4（82.8%）和 Gemini 3.1 Pro（80.2%）。在 MMMU Pro（解决多学科视觉问题）中，Muse Spark（81%）排名第二，仅次于 Gemini 3.1 Pro（82%），据 Artificial Analysis 报告。
• 在 Artificial Analysis 的编码指数（编码基准测试的加权平均）中，Muse Spark（47 分）落后于 GPT-5.4（57 分）、Gemini 3.1 Pro Preview（56 分）和 Claude Sonnet 4.6 max 推理模式（51 分）。
• Artificial Analysis 独立测量^[6]显示，Muse Spark 在思考模式下在”人类最后考试”中得分 39.9%，落后于 Gemini 3.1 Pro Preview（44.7%）和 GPT-5.4（41.6%）。然而，Meta 报告称使用沉思模式时得分达 58%。
• 在 Meta 的测试中，Muse Spark 在 HealthBench Hard（OpenAI 健康基准的子集）上以 42.8% 的成绩超越所有模型，领先第二名 GPT-5.4（40.1%）。Muse Spark 还在 DeepSearchQA（智能体浏览评估）中以 74.8% 领先，超过 Claude Opus 4.6 Max（73.7%）。

新闻背景： Muse Spark 是 Meta 自 重组^[7]其 AI 实验室以来的首个新模型——此前有批评者指控 Llama 4 的训练数据被基准测试答案污染。2025 年 6 月，Meta 斥资 143 亿美元收购了 Scale AI 49% 的股份，引入联合创始人 Alexandr Wang 担任首席 AI 官，并启动了价值数亿美元的招聘热潮。这次以专有方式发布引发了开发者社区的担忧，其中许多人已经在开源权重的 Llama 模型上构建了项目。

为什么重要： Meta 正在投资对其产品愿景最为关键的能力：为数十亿配备摄像头的用户提供多模态感知，为最常见的 AI 查询类别之一提供健康推理，以及为多步骤任务提供多智能体协调。随着私有 API 预览的推进，Meta 正将自己定位为与 OpenAI、Google 和 Anthropic 争夺企业客户的竞争者。然而，它从美国开源权重领军者身份的转向，对开发者社区是一个重大损失。

我们的思考： Muse Spark 的沉思模式和 Kimi K2.5 的^[8]智能体蜂群指向一个新兴趋势：越来越多的实验室通过训练模型在推理时编排多个智能体来提升性能，而不是训练越来越大的单一模型。

展示 AI 驱动药物发现流程的示意图，从肺纤维化数据到分子生成。

大型药企大力押注 AI

生成式 AI 已经证明了它能生成文本、图像、音频、视频和代码。全球市值最高的制药公司正斥资数十亿美元押注它也能生产药物。

最新动态： 制药巨头礼来（Eli Lilly）同意^[9]向总部位于香港的生物技术公司英矽智能（Insilico Medicine）支付高达 27.5 亿美元。英矽智能将生成式 AI 应用于其药物发现全流程。Fierce Biotech报道^[10]，礼来将首先支付 1.15 亿美元，获得尚未进行人体测试的未公开药物的独家开发和销售权，后续款项将与开发、监管和商业化里程碑挂钩。这是两家公司之间的第三份协议，此前曾在 2023 年签署 AI 软件许可协议，并于 2025 年 11 月达成 1 亿美元的研究合作协议。

AI 药物发现： 英矽智能成立于 2014 年，已利用 AI 开发^[11]了 28 款候选药物，其中约一半已进入临床试验。进展最快的是 Rentosertib，针对特发性肺纤维化（IPF）——一种以进行性疤痕导致肺功能下降为特征的疾病。一项 2a 期临床试验（早期小规模有效性测试）显示^[12]了积极结果。第二款药物 Garutadustat 旨在治疗炎症性肠病，已于 2026 年 1 月进入^[13] 2a 期临床试验。

工作原理： 选择疾病后，英矽智能将专有的生成式模型应用于药物发现的两个阶段：确定靶向蛋白质和设计作用于该蛋白质的分子。

• 为寻找靶点，英矽智能使用名为 PandaOmics 的工具分析生物数据集、已发表研究、专利、临床试验和资助申请。深度学习模型根据与疾病的相关性、作为药物靶点的适用性和新颖性对候选靶点进行排名。对于 IPF，PandaOmics 将 TNIK（一种参与 IPF 及相关疾病特征性疤痕形成的蛋白质）确定为首选候选靶点。此前无人尝试通过阻断 TNIK 来治疗 IPF。
• 为设计阻断 TNIK 的分子，团队使用了 Chemistry42。约 30 个生成式模型并行运行以生成候选分子结构，每个模型针对结合强度、毒性、溶解度和其他属性进行优化。科学家在多轮迭代中评估和优化输出。在英矽智能合成和测试不到 80 个化合物后，该过程产生了一个先导分子。在传统药物发现中，团队通常需要筛选 20 万至 100 万个现有化合物，然后合成和测试数百个候选分子。
• 从确定靶点到合成准备好进入临床前安全性测试的分子，耗时约 18 个月^[14]，而传统方式通常需要 五到六年^[15]。2021 年至 2024 年间，英矽智能的 20 多个项目都保持了这一速度，每个项目合成和测试约 60 至 200 个分子以找到一个临床前候选药物。

新闻背景： 开发一款新药通常需要 10 到 15 年，成本^[16]超过 20 亿美元，约 86% 的候选药物未能获得^[17]批准。越来越多的药物开发者利用 AI 加速这一过程。一项同行评审分析统计^[18]了截至 2025 年中期的 173 个 AI 赋能的药物项目，横跨各临床试验阶段。尽管如此，尚未有 AI 发现的药物获得监管批准。达到 2 期的候选药物中，70% 未能进入下一阶段，包括来自 BenevolentAI^[19]和 Recursion Pharmaceuticals^[20]的 AI 设计药物。

为什么重要： 英矽智能的管线表明，生成式 AI 能够攻克科学中最困难的问题之一：找到一种能与特定蛋白质结合、被人体吸收、无毒性且能帮助患者的分子。在 Rentosertib 的 2a 期临床试验中，服用最高剂量参与者的用力肺活量（衡量肺功能的指标）平均增加了 98.4 毫升，而服用安慰剂的参与者下降了 20.3 毫升。这是 AI 生成药物能够帮助患者的早期但具体的证据。

我们的思考： AI 正在加速药物开发，但这些加速推进的化合物能否以高于传统方式开发的药物通过临床试验的成功率，仍有待观察。

美国各州拼图地图，以不同深浅颜色标注，部分州为黑色，展示各州 AI 立法的差异。

美国各州推进 AI 立法

尽管特朗普总统努力阻止各州分别立法、倾向于制定全国性法律，但美国各州仍在继续制定监管 AI 的法律。

最新动态： 今年许多州已采取行动监管 AI，加剧了日益碎片化的立法格局，有可能使开发者满足法律要求的努力复杂化。《纽约时报》报道^[21]，各州正在审议众多法案——据一项统计^[22]超过 1,500 项——此外还有 40 个州已颁布的 100 多部现有法律，这些法律旨在阻止青少年使用聊天机器人、要求获得许可才能在受版权保护的材料上训练 AI 系统，或要求对 AI 系统进行安全测试。

工作原理： 加州州长加文·纽森一直是特朗普政府阻止各州分别监管 AI 努力的最显眼的反对者。但已有超过 40 个州正在通过各自的法律，其中包括：

• 加利福尼亚州。 加州常常是美国乃至全球监管的风向标，已建立了全美最全面的 AI 法律体系。3 月 30 日，纽森州长发布^[23]了一项行政命令，要求州政府使用的 AI 工具保护隐私、支持民权和减轻偏见。自 8 月起，大型科技平台和 AI 提供商必须对 AI 生成的输出添加^[24]不可见水印。这些条款增加了 1 月份生效的一系列法律。例如，高级 AI 模型的开发者必须评估灾难性风险并报告严重的安全事件。LLM 提供商必须防止聊天机器人讨论自残或与未成年人讨论性话题，并定期提醒用户他们正在与 AI 对话。
• 科罗拉多州。 2024 年，科罗拉多州通过了一项全面的 AI 法律，其中包含全国最严格的法规之一。该法律定于 7 月生效，要求”高风险 AI 系统的开发者和部署者”保护消费者免受在教育、就业、金融、医疗和住房等高风险领域做出决策的系统的算法歧视。开发者必须记录系统局限性、训练数据和降低风险的努力，而部署模型的人必须每年评估其影响，并在 AI 做出影响消费者的决策时通知消费者。然而，来自企业和科技公司的压力已促使州议会考虑放宽年度影响评估要求和其他负担。
• 明尼苏达州。 明尼苏达州在 2023 年较早行动，禁止深度伪造选举干扰。目前州议会正在审议一项法案，将禁止使用 AI 从人物照片中去除衣物或基于个人行为动态定价。8 月，一项法律将生效^[25]，禁止健康保险公司未经相关医生审查即使用 AI 拒绝提供服务。
• 纽约州。 该州已建立了全美最严格的 AI 法规之一，从早期的深度伪造保护到 2026 年的更广泛限制。自 2027 年 1 月起，年收入超过 5 亿美元的模型制造商必须遵守严格协议，阻止用户开发生物武器或自主黑客工具。他们必须每年审计这些措施并及时报告事件。
• 俄亥俄州。 一项于 3 月底生效的法律禁止使用 AI 未经许可复制他人的声音或肖像来推销产品或制作私密图像。俄亥俄州正在审议一项法案，将否认 AI 系统在配偶、管理者或财产所有者角色中的法律人格和法律权利。该州还正在考虑禁止使用 AI 在竞争对手之间协调零售和租赁价格。
• 犹他州。 仅在 2026 年，犹他州立法机构就通过了几项法案，完善了该州 2024 年的《人工智能政策法》。例如，一项即将生效的法案禁止平台公司分发未经同意的露骨色情深度伪造内容。另一项禁止健康保险公司在未经医生意见的情况下使用 AI 拒绝提供医疗服务。该州允许 AI 公司在监管监督下测试新技术时申请对某些法规的临时豁免。

新闻背景： 随着对各州碎片化监管可能阻碍美国 AI 领导地位的担忧加剧，特朗普政府开始推动全国性法规以取代各州法律。12 月，特朗普总统签署了一项旨在阻止州级立法的行政命令。该命令针对的是可能抑制创新的法律以及可能被认为带有政治倾向的反偏见法规。它威胁要扣留通过或执行”繁重”AI 法律的州的联邦资金，并敦促国会阻止各州监管。3 月，政府随后发布了联邦立法指南^[26]。这些指南支持对儿童的保护以及对 AI 数据中心日益增长的能源消耗导致电价上涨的控制。

为什么重要： 日益复杂的 AI 监管格局在美国创造了潜在的合规雷区，并加剧了全球范围内缺乏重点、相互矛盾的监管。一个 AI 模型可能需要在科罗拉多州通过偏见审计，在加州提供水印，在纽约达到报告门槛——同时联邦政府正试图抢先取代这些要求。这种管辖权之争增加了构建 AI 系统的成本，增加了部署新应用和服务的法律风险，并提高了因遵守联邦政府认为繁重的州级规定而被扣留政府资金的可能性。

我们的思考： 当前一些州级要求是合理的。例如，用户应该能够信赖 AI 公司保护其隐私，儿童应该受到保护免受由成人生成和为成人生成的 AI 低质内容的侵害。但这些要求应在国家层面实施。我们呼吁国会构建一个更加统一、稳定的监管环境。

图像展示了人物角色生成器创建合成角色，并对输出结果进行多样性指标分析。

模拟多样化人群

如果你想了解公众对你的产品会有何反应，大语言模型可以模拟用户来回答关于功能、特性、促销或价格的问题。然而，LLM 的回应并不像人类那样具有多样性。研究人员开发了一种方法，提示 LLM 扮演具有可定制态度多样性的人物角色。

最新动态： Google 的 Davide Paglieri、Logan Cross 及同事提出了人物角色生成器^[27]。他们的方法生成代码来提示 LLM 构思 25 个覆盖各种角度的人物角色的提示词。

核心洞见： 让 LLM 扮演人类角色通常只需要编写一个有效的提示词（例如，”假设你是当今政治中自认为民主党人的人，请回答以下问题…”）。然而，这种方法倾向于引发平均化的回应，无法反映人类群体所能提供的多样性——即使提示词明确指示^[28] LLM 采用特定的人口统计学特征。另一种方法是指导模型以编程方式修改角色提示词，直到其输出覆盖特定的意见、态度或关注范围。给定定义角色群体范围的指导原则（具体来说，按同意到不同意程度排序的态度），进化算法可以推动模型生成一组能引发完整回应范围的提示词。

工作原理： 作者使用进化方法 AlphaEvolve^[29] 生成代码，该代码 (i) 为人物角色生成 25 个提示词，以及 (ii) 根据它们对一组生成问卷的回答最大化其态度多样性。

• 作者首先使用 Gemini 2.5 Pro^[30] 在医疗保健、金融素养和阴谋论等各种主题上生成了 30 份问卷。每份问卷包括一个背景（主题描述）、一组”多样性轴”（如风险容忍度或对机构的信任度），以及与各轴相关的、需在 1（强烈同意）到 5（强烈不同意）量表上回答的问题。
• 他们创建了代码（最初由作者编写，随后由 AlphaEvolve 迭代更新）以为每份问卷生成 25 个角色提示词。
• 为自动化生成角色回应，作者使用 Concordia（一个用于构建基于智能体模拟的库）来提示 Gemma 3-27B-IT。LLM 依次扮演每个角色并回答相应的问卷。对于每个角色，他们将其回答转换为向量。
• 为评估回答每份问卷的角色之间的多样性，他们计算了六项指标，如任意两个向量之间的平均距离以及角色群体覆盖所有可能回应的程度。
• AlphaEvolve 并行处理 10 个不同版本的代码，迭代更新它们以最大化所有角色的多样性指标。经过 500 次迭代后，作者选择了最大化所有多样性指标平均值的代码。
• 在推理时，给定一个背景和一组多样性轴，系统创建了 25 个多样化的角色。

结果： 在给定全新的背景和多样性轴时，生成的角色在多样性指标上始终超过 Nemotron Personas^[31]（一个基于美国人口统计数据的大型角色提示词数据集）以及由基于从童年到成年生成的记忆的 Concordia 记忆生成器^[32]生成的角色提示词。给定一组测试问卷，作者的角色覆盖了 82% 的可能回应，而 Nemotron Personas 覆盖了 76%，Concordia 记忆生成器覆盖了 46%。

为什么重要： 旨在扩大受众群体的组织可以从广泛反映公众情绪的合成角色中受益，而那些创建与现实世界受众匹配的合成角色的组织可以从更多样化的群体中获得洞察。这项工作将目标从匹配训练数据（倾向于生成最可能的输出而非离群值）转变为覆盖所有期望的可能性。优化角色生成器而非个别角色，能够解锁对可能用户行为的更广泛表示。

我们的思考： 合成角色为应对项目管理瓶颈——即当你可以轻松通过提示 LLM 来构建产品时，决定构建什么变得困难——提供了一个引人入胜的可能性。