夜雨聆风你以为大模型已经学会写代码了？
不，你只是还没看到那些被人工清理掉的“废料”。
2026年7月29日，一位名叫Andrew Ho的OpenAI研究员发了一条长帖，宣布当天是自己在OpenAI的最后一天。帖子省去了常见的告别寒暄，径直给出一句让整个AI行业倒吸凉气的判决，
"尽管多年来在编程能力上投入了数百亿乃至上千亿美元，我仍然得手动给AI生成的pull request做'deslop'。"
Deslop，去垃圾他造了一个动词，精准到残忍
▲ Andrew Ho在X平台发布离职声明全文，宣布创办RL数据集公司
能解竞赛题的AI，交不出一个合格的PR
这番抱怨来自内部Andrew Ho在OpenAI待了八个月，从数据采购到模型训练全链条参与。他说出了一件所有程序员都有体感、却很少被内部人公开承认的事：
大模型的能力是“尖刺状”的
什么意思？模型解Codeforces竞赛题能碾压人类，做C++到Rust的语言迁移比你我都强，但你让它给一个真实仓库提交一个production-ready的PR？对不起，出来的东西还是得人工擦屁股。
代码能跑，但冗余风格漂移和仓库约定不一致看上去像那么回事，细看全是“糊”社区已经有了专门的词来形容这种产物：slop，AI生成的、看似正确实则无法维护的代码垃圾。而deslop，就是人类程序员每天不得不做的清理工序。
评论区有人一针见血：
"生成变便宜了，验证没有。这就是当下整件事的核心。"
▲ 开发者Divyanshu指出："deslop那句话就是当下的核心，生成便宜，验证昂贵"
一千亿美元的数据饥渴
但Ho的野心远不止吐槽他宣布创办一家新公司，专门生产高质量的强化学习数据集，卖给前沿AI实验室。
他的商业逻辑建立在一个尖锐的判断上：绝大多数能够产生实际收益的能力，在现有训练数据里根本没有被覆盖到。
原因有两层第一，设计一个RL数据集是一门"艺术"。大多数数据供应商从没把自己的数据用于大规模训练，不知道什么能吃、什么会吃坏肚子。第二，更致命：真实工作高度依赖上下文，很难被编码成可以自动打分的环境。你能观察到一个专家走过的"黄金路径"，但你无法判断另一条路径是好是坏，没有可靠的奖励信号，强化学习就无从谈起。
他给出了一个让人瞳孔地震的数字：前沿实验室未来在专业化数据采购上的支出，可能超过1000亿美元。
▲ 科技博主Wes Roth将核心论点压缩为四条摘要转发，引来更多讨论
不过Ho自己后来也在评论区降温：他说的只是数据采购绝对额会上升，且结构会从低复杂度任务转向高复杂度任务，承认这个论断本身并不强。
▲ Ho本人回复澄清：数据支出绝对额上升、结构转向高复杂度，"并非很强的论断"
30%：前沿模型在科学推理面前的“惨败”
Ho手上还有一张王牌：GeneBench-Pro。
这是他在OpenAI期间与同事Jeremy Li共同开发的一套评测基准，专门考察AI智能体在计算生物学中的长程、多阶段科学推理能力。简单来说，就是扔给模型一堆乱糟糟的真实风格数据，给一个模糊的研究目标，让它自己探索、判断、犯错、修正，最终交出一个可行动的结论。
结果？GPT-5.6 Sol，OpenAI截至发布时最强的推理模型，通过率勉强摸到31.5%。 更早的GPT-5.5只有12%Claude Opus 4.8约16%在最初开发原始GeneBench时，当时最强的前沿模型甚至低于5%。
▲ GeneBench-Pro各前沿模型通过率：最强模型也不到三分之一
129道题，覆盖基因组学、定量生物学、转化医学等21个子领域。人类专家做一道题大约需要20到40小时，按高级时薪算，单题人力成本可达数千美元。模型推理只要几美元，但可靠性不够，便宜也没用。
失败模式更显棘手：模型往往能完成工作流的相当部分，却卡在一个微妙的环节，"看见了，但没行动"。它能识别数据中的诊断信号，却无法把那个信号的含义传导到正确的分析决策上，呈现出一种诡异的"聪明的瘫痪"。
▲ GeneBench-Pro预印本首页：129道多阶段科学推理任务，考验模型的判断与修正能力
Ho的创业逻辑由此闭环：把评测方法论产品化为可售的、可验证的RL任务包。 他声称能生成数千道带有已知ground truth的高质量题目，可靠自动评分。相比之下，现有的生物信息学RL数据要么过度指定、要么严重欠指定，"训上去大概率破坏你的模型"。
目标？把30%拉到90%以上
零知识证明：数据交易中最深的信任裂缝
Ho的故事之所以引发讨论，还因为它撕开了一个行业级的信任问题：你怎么证明你的数据是好的？
更早些时候，AI数据从业者Phoebe Yao就把这件事比作一个零知识证明问题，
"实验室必须在看不见完整数据集、也看不见QC流水线的情况下，判断数据质量。"
▲ 从业者Phoebe Yao：训练数据质量像零知识证明，最好的数据往往最难被指标捕捉
供应商用什么做代理？多rollout通过率、小模型消融、下游评测收益。但计算成本随环境和轨迹复杂度指数级爆炸。质量没有天花板，而最好的数据恰恰是最难用指标量化的那种。
因此Ho反复强调一个承诺："我能证明你可以把我们的数据无障碍接入训练。" 他销售的是一条可被买方验证的接入证据链。中文讨论圈有人直接追问：信任成本极高，为什么选你不选Scale AI？这问的是同一件事
科学助手之前，先当好实验室“副驾驶”
Ho的产品不止一条线除了长程科学推理数据集，他还瞄准了一个更接地气的场景：想象一个科学家随手拍了一张细胞培养板或Western blot的照片，问AI一个问题。
前沿模型在这类任务上仍然相当糟糕。表面上是视觉问答，实质上是实验操作规范、试剂批次、对照设置与统计解释的压缩包。模型有时能看清条带，却根本不懂实验语境。
Ho的意思很明确：在我们做梦自动化科学之前，先把这些基础的、通识级别的实验室副驾驶能力补上。
更远期，他计划扩展到化学、材料科学，最终进入医疗与白领办公，那些经济价值巨大、但数据最难做的领域。
▲ 创业者Nicolas Bustamante：AGI在高难领域依赖可验证性，尤其是生物学
专业数据正在成为下一场军备竞赛
把视野拉远Andrew Ho的离职创业映射出一个更大的结构性转折。
过去几年，AI行业的主旋律是scaling，更大的模型、更多的算力、更多的通用语料。但当通用能力曲线开始变缓，后训练阶段的"环境+轨迹+奖励"正在成为新的军备竞赛场。编程和数学进步显眼，部分因为它们天生容易自动验证：单测、编译器、竞赛判题器都能提供干净的奖励信号。而生物学、实验室工作流、医疗决策、白领流程，上下文长、反馈延迟、标准含糊、反事实难标，恰恰是最稀缺的。
有从业者断言：能闭环合成后训练数据的团队，正在对依赖外部人类标注的团队形成复利优势。 差距每天都在扩大
评论区有人说Ho的帖子是"召唤VC支票的完美咒语"。也许是但咒语之所以灵验，是因为它念出了真名，
算力上了头条，数据藏在幕后下一个万亿美元的瓶颈，或将取决于谁能教会模型那些互联网语料里永远学不会的技能。
而这场考试，最强的模型目前也只能考30分。