群发资讯网

美国人真的很了不起，全美国总人口只占全球总人口的4%，但是却供应了全球70%的血浆。我很好奇他们是如何做到这一点的，查了一下，结果是这样。美国是少数允许有偿采血浆的国家，捐献血浆会给现金补贴，主要吸引低收入人群、学生、边境外来人员来换取生活费。FDA采浆规则非常宽松：允许一人一周最多献2次血浆，一年理论最多104次。对比中国一年最多24次，欧盟多数国家限制也远严于美国。同一个人在美国一年可以反复多次献浆，单个人产出的血浆量远高于其他国家的无偿献血者。大量商业采浆站集中布局在贫困社区，靠现金报酬形成稳定供给。血浆收上来之后制药，成品血液制品高价销往全世界，是一门巨额生意，年出口数百亿美元。不是全体美国人都在捐血浆，只是一小部分底层群体高频次捐献，撑起巨大采浆量。这就是真相。

哇，这一个行业美国要卡我们的脖子，还真不好破。这些年大家讨论“卡脖子”，说的最多的就是光刻机、高端芯片这些高科技。可今天我要说的这件事，比芯片可能更难办——血浆。据美国媒体报道，美国人口只占全球不到5%，却供应了全球大约70%的血浆。2023年，美国光靠出口血液产品就赚了370亿美元，占当年美国商品出口总额的2%。370亿美元什么概念？比很多国家一整年的农产品出口还多。血浆已经成为美国第六大出口商品，比大豆和玉米的出口额还高。美国为什么能做到？说白了就一条——他们允许有偿献血。世界卫生组织1975年就提出来，各国血液和血液制品应该靠自愿无偿捐献实现自给自足，绝大多数国家都按这个来。美国偏不，它是全球少数几个至今允许有偿献血的国家之一。这一允许不要紧，直接催生了一个庞大的“卖血产业”。据英国《卫报》报道，每年大约有2000万美国人出售自己的血浆，全美有1000多家合法经营的营利性采血机构。这些人里，大部分是穷人、学生、移民，甚至囚犯。采血机构专门挑低收入群体扎堆的地方开，美国一周最多允许献两次血浆，一年最多可以献104次。说白了，就是把穷人的血浆当成商品来收割。那中国呢？我们是全球最依赖美国血浆的国家之一。具体来说，2024年我国人血白蛋白进口依赖度高达69%。每年临床需要白蛋白产品大约6000多万瓶，超过60%要靠从欧美国家进口。更扎心的是，我国每年血浆采集量跟实际临床需求之间，缺口有4000吨左右。有人可能要问：我们自己不能多采点吗？问题没那么简单。国内对献血浆的社会宣传和科普引导跟义务献血差距很大，很多人对献浆有顾虑甚至害怕。再加上血浆采集站按规定只能开在没有设置血液中心和中心血站的县级区域，很多城市居民日常生活根本接触不到采浆站。想短期把采浆量提上来，难度非常大。还有个事更魔幻。有网友看到这条新闻后说了一句：“原来‘加入WTO是美国给中国输血’是这个意思啊。”虽然是句调侃，但仔细想想，我们每年从美国进口那么多血液制品，白蛋白、免疫球蛋白这些救命药大量依赖美国血浆做原料，这不就是在“输血”吗？美国血浆产业能做成全球垄断，靠的是把献血当成买卖来做。我们呢？人命关天的事，哪能这么干。中国人太把人命当命了，不可能学美国那套让穷人去“卖血”来维持供应。所以我说，美国拿血浆卡脖子，可能比光刻机还难破。芯片卡脖子，我们砸钱、砸人、砸时间，早晚能追上来。但血浆这事不一样——原料是人，是血。你不能靠命令让老百姓去献血，也不能靠砸钱一夜之间建起上千家采血站。更何况我们还有底线，不会像美国那样把穷人的血当成商品来剥削。那怎么办？两条路。一是提高国内采浆能力。国药集团已经在兰州建了千吨级的血液制品智能工厂，投资13.67亿元。但这只是开始，缺口4000吨，一个工厂远远不够。二是搞技术突破，做“人造血”。用生物技术制造重组血液制品替代品，从根上解决原料血浆不足的问题。这条路走得通，但需要时间，需要研发投入，需要政策支持。说来说去，美国在血浆这个领域确实有我们短期内追不上的优势。这不是妄自菲薄，是正视现实。光刻机被卡，我们知道怎么破。血浆被卡，破起来真的难得多，因为我们面对的不仅是技术问题，还有伦理问题、社会问题、时间问题。这篇文章就是想让大家知道，除了芯片，还有一样东西我们也得抓紧了。

最体面的穷人！广东深圳，一名30岁男人，失业20天，没舍得吃一顿热饭。靠饼干和白开水硬撑，最后撑进ICU，确诊急性肾衰竭，看完他的经历，真的又心酸又无力杨先生，今年30岁，一直在深圳打拼。原本的生活不算富裕，但起码安稳，能勉强维持日常开销。可突如其来的失业，直接打碎了他平凡的生活节奏更压人的是，他身上早就背着一堆网贷。没有工资入账，账单不会停，每一笔还款都在倒计时。手里的积蓄瞬间见底，为了不逾期、不负债叠加，他选择了极致省钱最初十天，他一日三餐全都省略，只靠家里囤的廉价饼干充饥。没有热菜、没有米饭，干巴巴的饼干配白水，就是一整天的全部伙食。他不敢出门、不敢消费，只想熬过这段失业空窗期，等找到工作就好转饼干吃完后，身无分文的他，连最便宜的零食都买不起了。接下来的十天，他饿了就喝水，靠大量白开水强行压制饥饿感。整整二十天，身体没有摄入足量的蛋白质、盐分和营养，全靠意志力死扛他以为自己是在省钱渡难关，殊不知是在透支唯一的本钱，身体到了第二十一天，身体彻底崩盘。杨先生突然腹部剧烈绞痛，头晕眼花、四肢发软，浑身一点力气都没有。他走路摇摇晃晃，直接摔倒在家里，根本爬不起来。意识模糊的他，拼尽最后力气拨通120求救送医检查后，结果让人揪心：长期营养不良、过度饥饿、长期缺水又代谢紊乱，引发急性肾衰竭。原本只是暂时失业的经济困境，硬生生熬成了终身可能受累的重病很多人看完第一反应会说傻，再难也不能饿肚子糟蹋身体。可只有真正穷过、被债务压过的人才懂，成年人的窘迫从来都不是矫情在看不到尽头的账单和空无一物的钱包面前，人会下意识降低所有生存标准，只会想着先撑过今天，先躲过逾期，先熬过当下的难关。没人想拿命省钱，只是走投无路时，根本顾不上爱惜自己。更让人破防的是，他全程没有求助、没有摆烂、没有躺平，只是默默咬牙硬扛不想麻烦别人，不想暴露狼狈，不想让别人看笑话，拼尽全力守住成年人最后的体面我们总以为疾病都是突如其来，其实大部分垮掉的身体，都是长期隐忍、过度消耗的结果。没钱的时候，身体是唯一可以透支的东西；可身体垮了，所有的翻身机会，就真的彻底没了生活从来不会提前打招呼，难关来临时，普通人能做的，只有死撑。但再难的日子，也别拿健康换省钱。钱没了可以再挣，工作没了可以再找，身体垮了，就再也重启不了人生

当AI开始自己做实验：JeffDean正在押注“发现”的工业化信源：JeffDean，2026Frontier&PioneerSymposium现场对谈，2026年。过去十几年，人工智能产业几乎围绕同一个问题展开：怎样训练出一个更大的模型。更多数据、更多参数、更多GPU，最终换来更低的loss、更好的benchmark和更​当AI开始自己做实验：JeffDean正在押注“发现”的工业化信源：JeffDean，2026Frontier&PioneerSymposium现场对谈，2026年。过去十几年，人工智能产业几乎围绕同一个问题展开：怎样训练出一个更大的模型。更多数据、更多参数、更多GPU，最终换来更低的loss、更好的benchmark和更强的推理能力。这套逻辑塑造了今天的AI产业，也催生了一个规模以万亿美元计算的基础设施周期。但JeffDean离开Google创办DiscoveryLoop之后，提出的其实是另一个问题：如果模型已经足够聪明，我们能不能开始规模化“发现”本身？这可能是理解下一阶段AI最重要的视角之一。JeffDean的职业轨迹几乎就是现代计算基础设施演进史。从MapReduce、Bigtable，到TensorFlow、TPU、MixtureofExperts，再到Gemini，他长期解决的其实是同一种问题：当某种能力开始变得重要，怎样把它从一个实验室里的想法，变成一个可以大规模运行的系统。MoE是一个很典型的例子。早期深度学习的直觉是模型越大越好，但模型越大意味着每次计算也越昂贵。MoE改变了这个关系：系统可以拥有巨大的总容量，但面对一个具体token时，只调用真正需要的那部分专家。JeffDean在访谈中回忆，他们当时已经看到了接近10倍的训练计算效率改善。对他来说，这种数量级变化往往意味着一项技术不再只是“有趣”，而可能成为新的基础架构。这种思维贯穿了他后来的很多工作：真正重要的创新，不只是让系统快10%，而是改变能力增长和资源消耗之间的关系。Gemini又把这个逻辑推进了一步。JeffDean介绍，Gemini最初并不是把语言、图像、视频和音频能力分别训练好，再把它们拼起来，而是从项目开始就坚持multimodal-native：模型一开始就应该理解文本、代码、图片、视频、音频，甚至为LiDAR等数据留下空间。这背后其实是一个更大的判断。语言并不是世界本身，它只是人类描述世界的一种压缩格式。如果AI最终要理解现实、进入机器人、控制设备、参与实验，那么text-only模型天然存在信息瓶颈。于是多模态最终很可能不是一个产品功能，而是通向worldmodel、agent和PhysicalAI的基础条件。但这场访谈中更值得注意的，是JeffDean对coding的评价。他坦率地承认，Gemini早期对coding的投入一度不够，后来团队发现，当coding能力提高以后，模型在很多非编程任务上的reasoning能力也随之改善。因为写程序本身就在训练一整套复杂能力：问题分解、规划、执行、检查、纠错和迭代。代码还有一个其他领域很难复制的优势：它天然拥有verifier。一段代码写出来以后可以直接运行。对就是对，错就是错。于是AI可以非常便宜地完成“生成—执行—观察—修改—再次执行”的循环。从这个角度看，今天看似火热的codingagent，可能不只是一个软件工具市场。软件工程正在成为AI学习长期任务执行和自我修正能力的最佳训练场之一。而这正好把问题带到了JeffDean新公司的核心——Loop。⸻很多人谈RecursiveSelf-Improvement，也就是递归式自我改进时，脑海里浮现的是一种极富戏剧性的场景：一个AI突然学会修改自己，然后更聪明的AI再创造更聪明的AI，最终形成所谓intelligenceexplosion。JeffDean给出的版本完全不同。它没有那么科幻，却可能现实得多。他认为，“用机器学习改进机器学习”本身已经存在很多年。NeuralArchitectureSearch就是一个例子：一个模型产生新的模型架构，训练之后得到结果，再根据结果学习什么设计更有效，随后生成下一轮架构。后来Google的EvolvedTransformer甚至通过类似方法找到过比普通Transformer更高效的结构。JeffDean真正想做的，是把这个闭环从“搜索模型架构”扩展到整个研发流程。什么数据应该加入训练？应该设计什么evaluation？下一轮应该尝试什么architecture？哪个实验最值得做？实验结果意味着什么？所有这些过去依赖研究团队人工完成的环节，都可以逐渐进入自动化loop。于是RSI的现实版本，很可能并不是“AI突然觉醒”，而是R&Dcyclecompression——研发周期被持续压缩。一年做一百次实验，和一年做一万次实验，是完全不同的研究组织。而如果下一轮实验本身又由上一轮结果自动决定，那么AI就开始拥有真正意义上的复利。⸻DiscoveryLoop把这种思想进一步扩大到了科学和工程。JeffDean对科学研究的抽象非常简单：先把一个大问题拆解成若干小问题，针对其中一个问题提出可能的解决方案，把方案实现出来，进行实验，然后评估结果，再把反馈交给下一轮实验。这就是科学方法。也是绝大多数工程研发的基本结构。过去真正昂贵的地方，不一定是“提出一个想法”，而是整个循环速度太慢。一个科学家一天能思考多少假设？一个实验室一周能运行多少实验？一组工程师一个月能验证多少设计？人的时间、组织协调和实验执行能力，决定了研发吞吐量。而JeffDean想做的，是把这套流程系统化。模型负责理解不同科学领域；agent负责分解问题；不同专业agent分别处理子任务；工具负责实施实验；evaluationsystem判断结果；实验数据重新进入系统，然后决定下一轮实验。DiscoveryLoop希望最终让一个模型同时具备多个领域的PhD级知识，从而组织跨学科的multi-agentresearchprocess。这里真正发生改变的，是AI的评价指标。过去我们最关心accuracy。后来开始关心reasoning。Agent时代开始关心taskcompletion。而AIforScience最终可能开始关心另一个指标：DiscoveryThroughput——单位时间内能够产生多少高质量发现。JeffDean对这个问题的描述非常直接：把一次原本需要一天甚至一周的实验迭代，缩短到一分钟或者一小时；同时并行运行成千上万个实验，再根据结果判断哪些实验值得继续。从系统角度看，DiscoveryRate大致可以理解为两个变量的乘积：实验速度×实验质量。这可能是下一轮AIScalingLaw真正出现的地方。过去十几年，我们不断扩大Compute、Data和ModelSize。下一阶段扩大的，可能是Experiment。⸻这也会带来一个容易被低估的产业变化。如果AI生成hypothesis的速度提高100倍，但真实实验仍然需要几天甚至几个月，那么瓶颈不会消失，只会向下游移动。软件最容易率先完成闭环，因为写代码、运行、测试、评价都可以发生在数字世界里，反馈成本接近于零。但生物、材料、机器人和制造业不同。AI可以一分钟设计出一百个蛋白质，实验室却不可能一分钟完成一百次细胞实验；AI可以生成一万个材料配方，真实设备仍然需要逐个完成合成、测试和测量。于是，当模型越来越强以后，真正稀缺的可能反而变成实验能力。自动化实验室、roboticlab、高通量screening、科学仪器、仿真环境、数据采集、实验管理系统，以及把真实世界反馈重新输入模型的基础设施，都可能越来越重要。这也是为什么“AIforScience”最终很可能不是一个单纯的大模型故事。它更像一个完整系统：Model→Agent→Tool→Experiment→Evaluation→Feedback→Learning。真正产生复利的不是其中任何一个节点，而是最后那个能够重新回到起点的闭环。⸻JeffDean为什么选择现在离开Google，也可以从这个角度理解。有人在现场提出了一个非常好的问题：AI需要海量算力、数据和分布式系统，按照第一性原理，大公司似乎应该天然占优，那么为什么大量frontierresearch反而不断流向创业公司？JeffDean的回答是云计算。过去如果想做世界级计算系统，首先必须拥有基础设施。现在一个十几人的创业团队可以直接租用大型云平台提供的MLcompute，不必自己重建整个distributedsystem。这实际上改变了创新的组织经济学。Hyperscaler没有因此失去价值。相反，它们正在把曾经只属于自己的基础设施能力变成整个AI创业生态的公共生产资料。创业公司因此可以把全部精力投入一个问题。JeffDean甚至承认，DiscoveryLoop做的事情“可能也可以在Google内部完成”，但一个十人左右、所有人只围绕scienceandengineeringautomation工作的小团队，可以减少大型组织中大量与核心使命无关的摩擦。某种意义上，这也是JeffDean四十年技术生涯中一个非常自然的下一步。MapReduce规模化计算。Bigtable规模化数据。TensorFlow规模化机器学习。TPU规模化AIcompute。MoE规模化模型容量。Gemini规模化多模态智能。而DiscoveryLoop想规模化的，是更上面那一层：Discovery。工业革命把生产变成可以规模化复制的过程，互联网把信息分发变成可以规模化复制的过程，云计算把算力变成可以按需调用的基础设施。AI模型正在把一部分智能变成可调用资源。JeffDean现在押注的是下一步：当智能变得足够便宜以后，“发现”本身也可能被工业化。如果这件事最终成立，那么AI历史真正重要的分界线，或许并不是某一天某个模型在benchmark上超过了另一个模型。而是某一天开始，人类第一次拥有了一套可以昼夜不停地提出假设、执行实验、读取结果，然后自己决定下一步该做什么的系统。到那时，AI不再只是帮助科学家找到答案。它开始参与制造新的知识。