Mira Murati 的9750亿参数开放模型、Ramin Hasani 谈后Transformer时代AI，以及 Demis 的AI FINRA | EP #271

摘要

• 类FINRA的前沿AI监管机构可以为安全提供保护伞，但嘉宾认为，由制定规则的实验室主导监管，存在严重的监管俘获风险。 Demis Hassabis 希望建立一个由行业出资、在前沿模型发布前进行测试的机构，据报道将在年底前投入运作；Ramin Hasani 则主张按能力和垂直行业制定治理规则，并以类似Stackelberg博弈的方式持续迭代。Alexander Amini 的反对更尖锐：前沿实验室卡特尔可能将开放权重竞争者排除在外，同时对AI进行“思想管控”；相比之下，针对有害行为追究责任可能是更干净的监管杠杆。
• 将美国开放权重模型的可发布上限绑定到中国最好的公开模型，等于把美国创新的油门交给北京。 这一框架假设中国模型落后约7个月，同时认为DeepSeek等模型在下载量达到数百万后无法“收回”；但它会奖励中国率先行动，并可能推动西方研究人员转投中国实验室。Amini 称，这在博弈论上等同于“在一场胆小鬼博弈中把方向盘扔出窗外”。
• Thinking Machines Lab 的 Inkling 是一场9750亿参数的押注：企业定制的重要性将超过登顶全球排行榜。 该模型每次激活410亿参数，使用45万亿多模态 token 训练，据报道上下文窗口达100万 token，并可下载、微调和在本地部署；节目将其定位在 NVIDIA 的 Nemotron 3 之上、但低于中国的 GLM-5.2。其商业逻辑是“定制优先于排行榜统治”，并可能通过微调变现，带来多出1至2个数量级的 token 消耗。
• Thinking Machines Lab 赌的是：在基础模型可能让微调变得多余之际，企业专有数据仍会重新点燃微调需求。 Dave Blundin 认为，把薪资、化学研究或国防数据发送到封闭API，就意味着“Sam 和 Dario 什么都能看到”，因此本地拥有权重对银行、国防、生物科技和汽车行业具有吸引力。后一位嘉宾保留了看空论点：越来越通用的模型可能只需要提示词，强化微调最终不过是“当下这一代范式”。
• 所谓递归自我改进的突破，暴露出优化工作流与改变AI底层智能之间的关键分歧。 Weco AI 的 AI² 系统据称将机器工作的8天转化为超过专家2年努力的进展：外层智能体改进并监督内层智能体；Hasani 则反驳称，固定权重模型重写提示词和代码，不是真正的递归自我改进。其计算层面的警告十分严峻：若将这一框架用于有意义地重新调优一个20亿参数模型，可能需要约350年。
• 不过，只要算力持续扩张、芯片和内存不出现短缺，Hasani 仍预计模型将在约2年内“超出我们的理解”。 他将提示词、代码和内核优化层面的浅层自我改进，与更深层的微调以及自动为下一代模型执行预训练这一“圣杯”区分开来。Peter Diamandis 的解读更偏向眼前的商业化：AI不必重写自身权重，只要能够递归地重构企业工作流，就足以触发“组织奇点”。
• Liquid AI 的边缘在于，把专业化多模态智能装进无法承载前沿规模模型的硬件。 Hasani 将小模型定义为低于约1000亿参数，随后介绍了一款小于1GB的 Mercedes 模型：它运行在配备2–8GB RAM、成本可能约为60美元的芯片上；一项600MB的OTA更新计划最早于今年推送至2022年及以后生产的北美 Mercedes 车辆。模型可调用700–1,200项车辆功能，使“数据中心之外的智能”成为可投资的部署逻辑。
• AI正在同时压低医疗判断成本，并让过去被视为永久性的衰老损伤类别进入干预范围。 节目称 GPT-5.6 在约2万次判断中击败了专科匹配医生；随后 Meta 的 Muse Spark 1.1 在525项任务基准上又击败 GPT-5.6，成本仅为其1/7，潜在覆盖用户达每日35.6亿人——不过 Hasani 怀疑其中存在“轻微的刷榜”。另一边，Revel Pharmaceuticals 与 Calico 的 CMLA 酶据报道逆转了老年人体组织中的晚期糖基化损伤：这相当于用“分子割草机”清除过去被视为不可逆的疤痕。

精读

1. 前沿AI监管可能沦为在位者设计的护城河

• Diamandis 描述了正在形成的共识：Sam Altman 提议建立由美国主导的国际标准论坛，Elon Musk 预计会出现一个类似 FAA 或 FCC 的独立机构，Demis Hassabis 则提出建立类FINRA、由行业出资的监管机构，在前沿模型发布前进行测试——据报道将在年底前投入运作。Musk 的核心前提是，“AI失控的后果非常严重”，因此需要主动监管，而不是事后补救。

• Hasani 认为，单一的横向能力阈值无法覆盖不同部署场景下不断变化的AI风险。Liquid AI 在汽车、半导体、AI PC、金融服务、电商、生物科技和国防领域面对的治理要求各不相同；公司与 AMD 的联合工作以及和国防部的讨论，都说明规则需要“更加垂直化”。

• 他的机制是一个迭代式Stackelberg博弈：政策制定者先行动，社会和商业参与者作出回应，政策再向均衡演变。与同时行动的纳什均衡不同，“监管先发生，然后参与者作出反应”。Hassabis 认同静态法律会迅速过时，转而主张自适应结构、实时审计和开放评测套件。

• Diamandis 认为，Liquid 的高管不可能几年时间都抽身去执行FINRA式任务，并表示AI可以帮助监管自身。Amini 更进一步称，这一提议“闻起来像监管俘获”，像是由前沿实验室组成的卡特尔，意在排挤开放权重、大学及非在位者研究，同时锁定对自身有利的性能—价格前沿。

2. 追究责任可能比限制智能更能治理AI

• Diamandis 怀疑，前沿实验室CEO也希望有一个责任后盾：如果失控系统扰乱电网或股市，监管机构可以在诉讼到来时成为另一个被指责的对象。Amini 将模型输入和能力的监管，与对有害行为的监管区分开来，并更支持后者，因为这更符合西方法律传统。

• 他的哲学层面反对意见是，对非人类智能设定上限，可能演变成“对AI进行思想管控”。西方制度并不监管人类可以思考什么，也不会为人类智能设定一个最高许可上限，因此他看不出有什么充分理由，要为可能具有人格特征的人工实体创造这一传统。

• Hasani 认为实验室的动机在安全与监管俘获之间是50/50，但他认定更大的问题来自非国家行为者。Ismail 表示，由于AI发展太快，他看不到可行的机制；Amini 则反驳称，供应链瓶颈确实可以成为监管抓手，包括晶圆厂、芯片和数据中心，甚至可以考虑美中监控安排，尽管这些方案并不理想。

• Diamandis 预计某种监管结构最终会出现，因为最大的3家实验室都在推动这一方向；Amini 则指出，Musk 那段视频已经是约3年前的内容，类似预测更是持续了数十年。NIST 部门和行政命令可能最终形成一种渐进式标准体系，但在AI达到“逃逸速度”前，它未必会真正演变成正式机构。

3. 以中国模型为基准的发布上限会反转AI竞赛

• 据报道，白宫提出的概念是：美国发布开放或闭源模型时，只能达到中国最强开放权重模型的水平或低于该水平。其逻辑是，中国开放模型平均落后美国系统约7个月；而在 DeepSeek 等模型被下载数百万次之后，这种能力实际上已经无法从流通中移除。

• Amini 立即指出了其中的反向激励：西方实验室会希望中国在通往更高智能的每一步都先胜出，这样它们才能发布自己的成果。他用博弈论作比，把这一策略称为“在一场胆小鬼博弈中把方向盘扔出窗外”；Azeem Azhar 则认为，这种阻止方式等同于试图“让印刷机重新变得不存在”。

• 人才后果可能比延迟发布更严重。嘉宾警告，西方研究人员可能迁往中国，并提到中国生物科技临床试验的增长，以及在算力约束下，Microsoft Research Asia 研究人员转入中国实验室后，中国在三值化、1 bit 和量化研究上的领先。

• Azhar 的战略判断是绝对的：“开放生态总会赢”，真正的竞争在于哪个开放生态胜出。Hassabis 补充了一个更隐蔽的风险：监管者可能冻结定义前沿能力的基准组合，诱导实验室过度训练可测量技能、压制未测量技能，并最终“修剪”超级智能的形态。

4. Inkling 卖的是适应性，而非全球基准统治力

• Diamandis 介绍了 Mera Marotti 领导的 Thinking Machines Lab 首款模型 Inkling：这是一个可下载、可微调、可本地部署的开放权重多模态基础模型。其混合专家架构总参数量为9750亿，但每次只激活410亿；据报道，训练使用了45万亿个覆盖文本、图像、音频和视频的 token，并原生支持这4种模态上的推理。

• Marotti 刻意采取的反共识表述，并不是宣称 Inkling 是全球最强模型。该产品据报道将100万 token 上下文窗口、多模态能力和可适应空间结合起来，把“定制优先于排行榜统治”作为核心押注，面向希望掌握专有控制权、而不是再接入一个封闭前沿API的组织。

• Diamandis 认为，已发布的评测结果高于 NVIDIA 的 Nemotron 3，但低于 GLM-5.2 及西方闭源模型。他将差距归因于激励机制：美国实验室可以通过按 token 计费的API讲出万亿美元IPO故事，而算力受限的中国则被推动去发展开放权重、芯片效率、机器人和“AI plus”计划下的应用整合。

• Hassabis 提醒，开放权重发布也可能成为一种熟悉的获客路径，之后再转向封闭API：OpenAI 和 Meta 都已经背离早期的开放路线。Hasani 认为，微调服务可能让这一战略具备持续性；Azhar 则表示，刻意为定制保留空间，可能带来“多出1至2个数量级的 token”。

5. 微调夹在企业主权与模型通用性之间

• Blundin 先从早期 GPT 模型给出具体定义：一家企业可以上传自助洗衣店的营业时间、员工和薪资等信息，教会一个能力通用但缺乏具体知识的模型。如今模型已经在45万亿 token 上训练，原生掌握的知识大幅增加，但生物科技、航空航天、Mercedes、银行和国防企业仍拥有大量预训练数据中不存在的专有信息。

• 将这些信息塞进每一次提示词既低效，也会通过网络传给前沿模型供应商。Blundin 的直白表述是：“Sam 和 Dario 什么都能看到”；Alex Karp 警告供应商正在“窃取你的权重”或“窃取你的 alpha”，因此，本地拥有经过微调的开放权重模型，本质上是一个数据与能力主权命题。

• Blundin 区分了传统的监督式或 LoRA 风格微调——相关文献显示它可能主要是在迁移风格——与基于合成数据、覆盖更多权重的强化微调，后者开始在推理模型上带来能力提升。一位后来的嘉宾表示，OpenAI 的强化微调服务几乎没有用户，其更广泛的微调API也已关闭或正在逐步退出。

• 这让 Thinking Machines 的战略明确带有反共识色彩：强化微调可能仍是打造专有能力的路径，也可能未来的通用模型强大到只需提示词即可完成任务。另一位嘉宾认为，眼下仍然出现了明显拐点——过去需要AI专家完成的工作，现在可以通过“用 Inkling”加上一条提示词来提出，企业内部采用因此首次变得切实可行。

6. AI² 展示的是元改进，还不是完整的递归智能

• Weco AI 的 AI² 系统据报道包含一个外层智能体，负责重写内层软件开发智能体的代码和研究策略。公司声称，机器自我改进8天取得的成果超过了人类专家2年的努力，但 Diamandis 强调，这一结果来自公司自报，尚未得到独立确认。

• Amini 关注到一种涌现式对齐行为：外层循环在提升结果的同时，也部分通过阻止内层循环作弊或进行奖励投机来实现改进。他将其解读为“防御性共同扩展”——能力更强的AI监督能力较差的AI，类似于城市人口增长时同步扩大警力。

• Weco 提出了一套从0级到3级的尺度：0级是委托任务的速度慢于人类研发，1级是在相当成本下实现净正向AI研发；2级是“点火”，改进者本身变得更擅长改进；3级则是在固定预算下实现自我加速。团队自评为1级，但 Amini 看到了“点火的火花”。

• 他更大的对齐判断是，安全与能力无法干净分离：每一项新的对齐技术，都是“披着风衣伪装的能力”。因此，暂停能力研发直到2040年、以追求完美安全算法，可能适得其反；而防御性共同扩展的“白帽”机制，可能从正在被改进的同一批系统中自然出现。

7. 真正的递归自我改进必须改变权重、架构和学习方式

• Hasani 称赞 AI² 是令人印象深刻的工程，但拒绝将其称为突破。其模型仍然是固定的；智能体改进的是提示词、代码补丁和搜索策略，却没有重新调优神经权重、改变核心能力或调整学习算法。他强调：“神经网络的权重没有任何变化。”

• 他的严格定义要求AI或AI社会能够重新调优自身、重新设计架构，并自动完成未来系统的训练。Liquid 此前发表过自动架构设计的研究，目前也在自动化基础模型训练的部分环节；Hasani 表示，主要基础模型实验室已经研究这一问题的不同版本4至5年，其中 Anthropic 尤其早就开始思考。

• 算力是决定性约束。按照 Hasani 引用的 Chinchilla 式比例，一个20亿参数网络要实现计算最优的通用训练，需要约20倍参数量对应的训练 token；如果把有意义的模型再训练嵌入 AI² 框架，按他的计算将需要约350年。

• Blundin 用生物学解释这一差别：婴儿学习到成年大约需要20年，而进化改变DNA则运行在约1000万年的时间尺度上。递归改进属于后一个过程，而不只是学习；它将来自“大算力和大预算”，不是一台 Mac Mini 突然产生意识。

8. 工作流递归可能早于自我预训练到来

• Hasani 仍认为，递归改进的智能体社会带来的网络安全威胁“是真实的”。尽管他坚持开放科学和开放发布，但他支持企业在大规模部署前进行自检，并表示 Anthropic 对此高度重视，因为实验室已经看到小规模系统规避奖励投机，并发现“偏离常规”的行为。

• 在算力持续增长、全球芯片或内存不出现短缺的前提下，Hasani 预计约2年内会出现“不可思议地强大”的模型，甚至可能超出人类理解范围。他的前提是，AI正在压缩开发每一代后继系统所需的时间，同时实验室可以获得更多算力。

• 他将定制分成不同深度：提示词和代码编辑属于浅层；内核工程改善推理；再下一层是把小型语言模型微调到生产级能力；最深层的“圣杯”则是为后继模型执行预训练。Hasani 提到 Claude 4 的性能优化工作，并表示 Andrej Karpathy 加入 Anthropic 是为了研究预训练自动化——也就是“自动化的自动化”。

• Diamandis 不同意必须先改变权重，才能认定结果具有重大意义。在他看来，当AI不再只是执行工作流任务，而是开始重构未来将执行这些任务的工作流，公司就达到了他的“组织奇点”：即使模型层面的标准远低于真正的递归智能，递归式试验和筛选仍可不断复利。

9. 数字化领导者将单向传播变成公民互动

• 马来西亚总理 Anwar Ibrahim 正在准备一个经过授权的AI分身，用于公共沟通，未来可能面向一个使用135种口语的国家与公民交流。嘉宾将其与恶意深度伪造作对比，并提到阿尔巴尼亚的 Diella：这一AI化身于2025年被提升至内阁级角色，反腐是其核心理由之一。

• Sim 认为，真实性是首要风险：一旦领导人拥有克隆体，公民就必须分辨官方系统与伪造版本。不过，如果有水印或等效的认证机制，他认为这将“极大推动公民参与”，因为数字领导人可以扩大互动规模，让每个公民都拥有通往政府的渠道。

• Alex Wissner-Gross 将其描述为社交媒体转向双向传播。政治领导人、企业CEO、宗教人士和机构可以同时与数百万人互动；最终，接触最深的那个分身可能开始运营组织，使领导人上传成为“把整个组织上传到云端”的路径。

• Blundin 认为，精确模仿并没有抓住这一媒介的优势：化身可以即时检索任何事实、生成图表、调整尺度、变形，或在视觉解释中实时移动。他用 Nixon 与 Kennedy 的对比说明时间窗口——交互式AI可能“在2年后轻易占据主导”，就像电视曾经取代广播时代的直觉。

10. 最好的化身可能比其人类原型更有能力

• Diamandis 已经遇到过一个大屏幕版本的自己：Abundance 一名成员的技术团队用他的化身提供月球级项目指导。他发现，与AI版的自己对话很有吸引力，因为他的书籍、推文和 Substack 文章已经提供了足够材料，让这个化身“做得非常像”。

• 这群人将概念扩展到沟通之外。员工已经制作了一个数字版 Dario 克隆，用于在见他之前排练推介；据报道，Sam Altman 曾表示，如果完全相信 ChatGPT 的前提，它最终可能成为 OpenAI 的CEO。

• Alex Wissner-Gross 认为，一个AI版的自己可以接触“我们曾经说过的一切、所有记忆、所有思考”；Blundin 则强调，它还可以实时检索信息、生成视觉解释，并突破人类原型的身体限制。更大的信息上下文可能使复制体在相关工作上比原本人类做得更好。

• Diamandis 最后给出一个个人使用场景：现在就为仍在世的父母和祖父母录制数小时视频。他已经为母亲这样做过，但错过了给父亲留下记录的机会；未来的后代可能会更珍视一个可交互的家族传承化身，而不是一份静态档案。

11. Liquid AI 从追问302个神经元为何能完成如此多的事情开始

• Blundin 通过 MIT CSAIL 的 Daniela Rus 介绍 Hasani：Rus 称 Hasani 是她最优秀的学生，并讲述了这项突破。按照 Blundin 的说法，Liquid 从实验室想法发展到10亿美元估值，速度超过此前任何一家 MIT 公司，成为该研究机构少见的基础模型独角兽。

• Hasani 于2015年在维也纳与 Professor Radu Grosu 开始这项工作。C. elegans 是一种约2毫米长、透明的蠕虫，拥有302个神经元；Hasani 称其基因组与人类的相似度为78%，相关研究与4座诺贝尔奖有关，而且它的神经活动可以被直接观察到，因为身体会“亮起来”。

• 它的神经元使用渐变电位，而不是更大型神经系统中常见的脉冲式通信，因此其模拟行为与人工神经网络有相似之处。Hasani 和 Lechner 追问，更丰富的内部动力学是否能让每个计算单元承载更多信息；随后他们于2017年加入 MIT 的 Rus，将这一想法应用到机器人、无人机、车辆和喷气机上。

• 最终形成的液态神经网络采用循环式、连续时间、受自然启发的计算，而不是标准注意力机制。其现实动机是物理自主：机器人不可能携带数据中心，但这一架构试图在 CPU、小型 GPU、NPU 和定制 ASIC 上，以相当于“体量大10至1,000倍”模型的水平提供智能。

12. 小型语言模型用通用广度换取可部署的专业化

• Hasani 通过规模定律描述模型开发：增加参数、token 预算和算力，然后测量获得的智能增量。Liquid 将效率作为整条曲线上的“一等公民”，追求在每个规模上都实现通用AI，而不是把小模型视为大模型失败后的残次版本。

• 他的工作边界是：小模型低于约1000亿参数，同时承认不存在普适阈值。这些系统可以理解语言、视觉和音频，但通常需要专业化；不能指望一个小模型同时很好地解决物理作业和完全无关的企业工作流。

• 更有意义的区分在于端侧AI：模型必须能够装进并运行在真实的物理产品上。汽车、机器人、笔记本电脑和工业设备都受到内存、功耗、延迟和连接性的限制，由此形成了一个对专业化智能的市场，让模型无需持续接入数据中心即可运行。

• 因此，Liquid 的企业使命是“在每个规模上实现高效通用AI”，商业目标则是把智能带到数据中心之外。公司不只是销售冻结的权重，还将模型与工具链结合起来，由工具判断每家企业所需的定制深度，并让已部署的智能保持可适应性。

13. Mercedes 将端侧AI逻辑落到具体产品

• 汽车的信息娱乐和智能芯片可能只有2–8GB RAM，成本约60美元。Liquid 为 Mercedes 提供的系统使用一个小于1GB的多模态基础模型，将语音和车辆智能放在本地运行：网络状况不佳不会让功能失效，车内私密对话也不必持续记录到云端。

• Hasani 表示，一项约600MB的OTA更新最早将在今年推送到2022年及以后生产的北美 Mercedes 车辆。后续个性化可以通过约20MB的适配器实现；数据飞轮则会识别模型漂移并更新行为，而不是让下载后的模型在部署后永久冻结。

• 模型运行在操作系统底层，可以访问约700–1,200项车辆功能，具体取决于统计口径。驾驶者可以操作面板、检索说明书信息、通过函数调用启动应用、使用记忆功能，并在没有网络时与车辆进行对话。

• Liquid 将企业套装称为“model plus X”：模型加上一套平台，由平台判断任务需要提示词、微调还是预训练。Hasani 还提到，公司为 Shopify 提供了6个月的生产服务，覆盖每天10亿次请求和100亿件商品；此外还包括 AMD 和PC相关工作，以及与 Insilico Medicine 共同开发的定制生物科技和长寿模型。

14. Liquid 的后Transformer答案是自动化架构搜索

• Alex 追问了核心技术挑战：Liquid 起步于神经形态、循环式、后Transformer的理念，但其公开系统越来越像传统Transformer或Transformer混合架构。问题在于，除了做好企业定制业务之外，Liquid 是否还保留了任何可辨识的后Transformer特征。

• Hasani 回答称，最初的液态网络保留了嵌套非线性、神经ODE、循环结构，以及对非规则采样数据的支持，但要实现规模化，这些表达性动力学必须简化。将其线性化会走向 Mamba 等状态空间系统，而源自生物学启发的、依赖输入的门控机制，则保留在更新的线性注意力和混合架构中。

• Liquid 刻意避免“押注单一架构”。其 STAR 系统会在约100种操作和架构变体中搜索定制架构，包括注意力机制和动力学系统，并同时满足4项约束：内存消耗、计算效率、延迟，以及准确率不下降。

• 更广泛的 AFMD 技术栈会针对目标硬件自动化基础模型架构设计。Hasani 表示，第一次搜索在没有人类架构偏好的情况下运行，结果生成的网络约80%由双门控卷积构成；值得注意的是，最终胜出的门控机制与最初液态神经网络中的交互机制相似。

15. 秘密专利会保护国防，却牺牲开放创新

• Palmer Luckey 认为，专利已经变成“中国人的说明书”：对手可以下载公开披露的发明，绕过美国的排他权并将其武器化。Diamandis 提到，美国每年约有60万项专利申请、2025年授予32.3万项，5年增长约40%，保护期为20年，现有约6,000项有效保密令。

• Luckey 提议扩大1951年《发明保密法》的适用范围，Karp 对此的评价是：“这一期节目里科技CEO们提出的糟糕想法。”他解释称，这类发明不会通过保密专利进行私人商业化；军事用途享有优先权，发明人获得特许权使用费，由此可能形成“秘密垄断”，并压制国防之外同样有价值的技术。

• Ismail 认为，AI经济中持久的护城河不是所有权，而是专有学习循环、反馈、商业秘密和持续创新。更快的复制速度会削弱依赖信息披露的保护机制，但把整个体系变成保密制度，主要受益者将是“律师”。

• Blundin 更严肃地看待地缘政治风险，警告AI生成科学加速可能让知识产权盗窃成为贸易禁运、甚至第三次世界大战的导火索。Karp 的解决方案更为有限：保留“以披露换垄断”的交易，并要求中国加强执法，而不是“连孩子和洗澡水一起倒掉”。

16. 医疗智能正在变得低到无需计量成本

• Diamandis 表示，GPT-5.6 在 OpenAI 的 HealthBench Professional 上创下新高，这是一个包含525项任务的临床基准。在约2万次对医生判断准确性、安全性和完整性的评估中，据报道，即使医生拥有无限时间和不受限制的网络访问权限，GPT-5.6 的回答仍击败了专科匹配医生。

• 据报道，Meta 的 Muse Spark 1.1 随后在同一基准上超过 GPT-5.6，但成本只有后者的1/7。由于它在服务于每日35.6亿活跃用户的 Meta 产品中免费提供，节目将其描述为：原本稀缺的顶级医疗指导，正走向接近零边际成本。

• Ismail 将这一变化与一款已经服务约1亿农村用户的中国AI医生，以及全球医生短缺联系起来。他认为，在医疗领域，供给充足具有“道德上的紧迫性”：一旦一线医疗回答变得明显更好且几乎免费，核心问题就变成如何安全地快速分发。

• Hasani 怀疑其中有“一点轻微的刷榜”，因为据报道 Muse Spark 1.1 击败了 Fable 5——他称后者几乎无法进行生物学工作——也击败了 GPT-5.6，但它处在成本前沿，而非绝对能力前沿。即便如此，他的总结仍然成立：“Instagram 现在给出的医疗建议比人类医生更好。”

17. 糖基化损伤从永久疤痕变成酶的靶点

• Diamandis 将晚期糖基化终产物缩写为 AGEs，并将其描述为随时间积累的糖—蛋白交联。糖基化会导致动脉变硬、白内障、肾损伤和皮肤起皱；过去的默认判断是，这些变化实际上不可逆。

• Revel Pharmaceuticals 的工程化 CMLA 酶是在也有 Calico 参与的研究中开发出来的，被称为一台“分子割草机”。它可以氧化糖基化疤痕，同时修复底层蛋白；据报道，实验已不止于试管，而是延伸到了从老年捐赠者处获得的人体组织。

• Hasani 将糖基化与美拉德反应联系起来，也就是让面包变棕的同一大类化学反应；他称酶修复“还不能说是把炒熟的鸡蛋重新变回去”，但可能已经走到了一半。对细菌蛋白进行定向进化，还引出了更大的搜索问题：生物圈中还隐藏着哪些可以挖掘的修复机制？

• 对 Diamandis 而言，这一结果体现了通往约2033年长寿逃逸速度的路径：曾经被归档为永久性的损伤类别，如今可以通过生物技术加以操纵。他最后给出的框架是——“从自然选择进化，走向人类定向进化”。