夜雨聆风七月的最后一天，一封离职信在硅谷掀起波澜。这次的焦点落在他走的时候说了什么。
2026年7月29日，OpenAI研究员 Andrew Ho 在 X 平台上发出一条长帖。开头很常规："今天是我在OpenAI的最后一天。" 接下来的内容却像一把手术刀，精准地切开了整个AI产业正在化脓的伤口。
他说：大模型的泛化能力，明显很差
他说：哪怕砸了上千亿美元训练编程能力，他仍然得亲手给模型生成的代码擦屁股。
他说：那些更稀缺的能力，数据根本还没准备好。
然后，他宣布创业了
▲ Andrew Ho 离职声明原帖，互动量惊人，一个前员工的"自白"，比多数产品发布会更有信息量
"Deslop"：开发者的共同痛点
整条帖子里，最让开发者们集体破防的是一个词，deslop。
什么意思？"Slop"在AI编程圈已经快成脏话了：指的是模型生成的那些看起来能跑、实际上冗余、风格漂移、跟仓库规范完全脱节的代码糊糊。"Deslop"，就是人工清理这些产物。
Ho写道：模型做Codeforces竞赛题、做C++到Rust的语言迁移，可能比他本人还强。但当他需要往真实项目里提交一个pull request时？他得一行一行地手动去"slop"
说这话的人，在OpenAI内部做了八个月训练数据工作。他的亲身感受是：竞赛满分和工程可用之间，隔着一整条银河系。
评论区随即热闹起来独立开发者Divyanshu把这句话提炼成一句箴言，
"Generation got cheap, verification didn't."生成变便宜了，验证没有。
▲ "deslop那句话就是当下整件事的核心"，一位独立开发者的共鸣
这几乎是2026年整个AI编程生态的灵魂写照。Coding agent遍地开花，代码洪水般涌入仓库，但清理、审核、架构一致性检查反而变成了新的人力瓶颈。AI让写代码的边际成本趋近于零，却把验证代码的成本原封不动地留给了人类。
"尖刺状能力"：AI最不愿被提起的秘密
Ho抛出的第一个核心判断，用了一个极其精准的比喻，spiky，尖刺状。
大模型的能力图谱像一排参差不齐的刺。某些窄任务上强得离谱，任务形态稍微一变，表现就断崖式下跌。这种落差来自结构性原因
为什么会这样？因为可自动验证的领域进步最快编程有单测和编译器，数学有形式化证明，竞赛有判题器，这些领域能提供干净的奖励信号，RL训练自然突飞猛进。但生物实验、医疗决策、白领工作流呢？上下文长、反馈延迟、标准含糊、反事实几乎没法标注。
评论者Emad一针见血：尖刺状泛化本身就是信号，实验室在优化基准覆盖，而非稳健性。一旦预训练的低垂果实被摘完，数据质量这一层就会被重新定价。
▲ 科技博主Wes Roth将核心观点压缩为四条，这条引用推文带来了更多讨论
千亿美元的数据饥渴
好，能力是尖刺状的那怎么补？
Ho的答案是：更契合任务的数据
他指出了一个被行业集体忽视的尴尬：绝大多数数据供应商从来没有把自己的数据用于大规模训练。他们不知道什么样的数据能被实验室安全"upstream"（接入训练流水线），什么样的数据会把模型训坏。
更深的难题在于：真实工作场景高度依赖上下文，很难被编码成可评分的环境。你能观察到专家走过的一条"黄金路径"，但你没法判断，如果他在第三步拐了个弯，结果是更好还是更差？没有可靠的奖励信号，强化学习就是无源之水。
Ho预测，前沿AI实验室在专业数据采购上的支出，最终将超过1000亿美元。他后来在评论区解释，这个判断只涉及绝对额上升，以及结构从低复杂度转向高复杂度，并不算激进。这个量级仍足以让所有人重新审视一个问题：算力占据头条，数据将成为关键投入。
▲ "算力上了头条，但下一个瓶颈可能是教模型那些互联网语料里学不会的技能"
GeneBench-Pro：30%的残酷真相
Ho也拿出了一把尺子，GeneBench-Pro。
这是他与同事Jeremy Li在OpenAI期间共同开发的评测基准，2026年6月底公开。129道题，覆盖基因组学、定量生物学、转化医学等21个子领域。它跟常见AI基准很不一样：核心考查"研究品味"。
题目长这样：给你一份乱糟糟的真实规模数据集，一段简短的实验背景，一个目标估计量。你（AI智能体）必须自己探索数据、选择分析路径、在发现诊断信号时修正方案，最后给出可行动的结论。就像一个博士生面对导师扔过来的原始数据，没有标准答案模板，只有你的判断力。
▲ GeneBench-Pro各模型通过率，最强的GPT-5.6 Sol也仅约31.5%，近七成题目对前沿模型来说仍是不可能完成的任务
结果令人清醒：GPT-5.6 Sol 的通过率不到31.5%。更早的GPT-5曾低于5%最有意思的发现是：模型经常完成了工作流的大部分步骤，能识别局部诊断信号，却无法把含义传导到最终的分析决策，看见了问题，却不知道该怎么办。官方称之为"noticing vs acting"的断裂。
人类专家完成一道题大约需要20-40小时，单题人力成本可达数千美元。AI的推理成本只需几美元，但可靠性仍然远远不够。
Ho用这组数字为自己的创业定义了一个清晰的目标：把30%拉到90%以上。
▲ GeneBench-Pro预印本已登上bioRxiv，129道题、多阶段分析、可自动评分，把"研究品味"做成了可量化的RL环境
为什么是生物？为什么是他？
选择生物作为切入口，绝非偶然
翻开Ho的履历：华盛顿大学化学学士，BGI基因组学研究助理，BioAge Labs五年高级数据科学家，干的是百GB级组学数据的摄取、仓储和机器学习管线，参与过药物发现和临床试验。近十年的经历让他对湿实验室数据的麻烦十分熟悉。
他的产品路线图也很清晰：两条线并行。
第一条是长程科学推理数据集，直接延续GeneBench-Pro方法论，用合成可控数据生成数千道带已知ground truth、可自动评分的高质量题目。采用"合成"数据，是为了在保留messy表象的同时，确保存在可判定的正确答案。真实历史数据太容易出现"多条路径都说得通"的困境，评分器可能把合理分歧误判为推理失败。
第二条是日常科研工作流的多模态能力，想象科学家拍一张Western blot的照片问AI，或者对着细胞培养板提问。这类视觉问答压缩了实验规范、试剂批次、对照设置和统计解释。Ho认为前沿模型在这里"仍然相当糟糕"，但这是自动化科学之前必须补齐的通识底座。
看不见的数据如何建立信任
中文讨论圈里，最尖锐的问题来得很快："凭什么选你不选Scale AI？"
这个问题指向信任买方看不到完整数据集和QC流水线，只能靠多rollout通过率、小模型消融、下游评测收益做代理指标。质量出众的数据，往往也很难被指标捕捉。
Ho反复强调自己的差异化："我能证明（demonstrate）这些数据可以无障碍地接入你的训练流水线。" 他想交付一条可被实验室验证的接入证据链。
这话有多大底气，目前还不好说新公司连正式名称都没公布，团队规模、融资状态一概不明。有人半开玩笑说这条帖子本身就是"召唤VC支票的完美咒语"。
▲ "这条帖是召唤VC支票的完美咒语"，评论里带着自觉与反讽
一个时代的分水岭信号
这件事的信息增量，远不止"又一个OpenAI员工离职创业"。它把三股已经在产业深处涌动的暗流拧到了台面上：
第一股，AI编程的slop/deslop日常，生成免费，验证天价；第二股，科学智能体在长程推理上的惨淡通过率，最强模型不到三成；第三股，后训练阶段对可验证、可采购、可upstream的专业数据的饥渴。
当算力竞逐的喧嚣渐渐回归理性，那些教会模型完成有经济价值工作的数据，正在获得更多投入。
Andrew Ho赌的，正是自己能成为这批专业数据的供应者。