# 砸钱治 AI 乱象！Laude 投千万资助 15 个硬核项目，剑指 Meta 式 “糟粕化” 困局
在 Meta 因 AI 短视频 “同质化”“版权模糊” 等问题被贴上 “AI 糟粕” 标签的同一天，AI 研究界迎来了一场针对性的 “拨乱反正”。11 月 6 日，TechCrunch 独家报道，由 Databricks 与 Perplexity 联合创始人安迪・康温斯基发起的 Laude 研究所，正式宣布首批 “弹弓”（Slingshots）AI 资助计划获奖名单，15 个聚焦 AI 评估体系的创新项目将获得资金、算力与技术支持。这场背靠 1 亿美元基金、由谷歌杰夫・迪恩等大佬坐镇的资助行动，直指当前 AI 行业 “重应用扩张、轻基础验证” 的核心痛点，试图用可量化的评估标准，为 Meta 们深陷的发展迷局提供破局思路。
解码 “弹弓计划”：不是给钱那么简单
Laude 研究所的 “弹弓计划” 绝非传统意义上的科研拨款，而是一套精准对接 “研究痛点” 的加速器体系。作为 Laude 双轨资助模式（“弹弓” 扶早期研究、“登月” 攻人类级难题）的核心组成，该计划专门瞄准那些 “有潜力落地但缺资源推进” 的基础研究，提供学术机构难以匹配的 “三维支持”：
-
资金支持：单笔资助覆盖从原型开发到初步落地的全周期成本，虽未披露具体金额，但参考其为伯克利 AI 实验室每年 300 万美元的拨款规模，单个项目资助或达百万级别；
-
算力兜底：依托 Databricks 的云端基础设施，为需要大规模模型训练的项目提供免费算力，解决学术研究 “卡脖子” 的硬件难题；
-
技术陪跑：配备来自 Meta、谷歌的工程团队提供落地指导，确保研究成果能转化为开源工具、初创公司等可复用的实体。
作为交换，获奖项目需承诺产出 “可验证的成果”—— 这与当前部分企业 “用概念套取融资” 的做法形成鲜明对比。Laude 研究所董事会主席、图灵奖得主戴夫・帕特森直言：“我们要的不是论文里的漂亮数据，而是能让整个行业少走弯路的实用工具。”
15 个获奖项目：直击 AI 评估三大痛点
首批入选的 15 个项目精准聚焦 AI 行业最棘手的 “评估难题”，而这正是 Meta 等企业陷入 “糟粕化” 争议的核心症结 —— 缺乏客观标准导致产品质量失控。这些项目大致可分为三类，每一类都对应着行业的真实病灶。
1. 代码能力 “照妖镜”：终结 “纸面算力”
针对 AI 编程工具 “看似能用实则漏洞百出” 的问题，多个项目给出了新解法。加州理工与德州大学联合开发的Formula Code，首创 “动态优化评分体系”，不仅评估 AI 生成代码的正确性，更追踪其对现有系统的性能提升率，彻底杜绝 “为跑分而生的表面功夫”。
更具突破性的是 SWE-Bench 联合创始人 John Boda Yang 领衔的CodeClash，借鉴竞技体育模式设计 “代码对抗赛” 框架：让不同 AI 同时优化同一复杂工程，通过 Bug 修复率、运行效率、可读性等多维度实时评分，最终生成动态排名榜单。“现在的基准测试太容易被‘刷题’，我们要让评估像世界杯一样真实”，Yang 在接受 TechCrunch 采访时强调。
2. 白领 AI “考核表”：破解 “能力虚标”
随着 AI 办公助手普及，“功能宣传与实际表现脱节” 的问题愈发突出。哥伦比亚大学的BizBench项目为此打造了首个 “白领智能体综合评估体系”，涵盖数据分析、报告撰写、会议纪要等 12 类高频工作场景，甚至加入 “跨部门沟通话术优化” 等软技能考核。测试显示，某宣称 “能替代初级分析师” 的 AI 工具，在 BizBench 中仅完成 37% 的任务目标。
而斯坦福主导的Terminal Bench已完成初步落地，这款命令行编程基准测试工具能模拟真实工作环境中的系统操作，Anthropic 等企业已将其纳入 AI 产品出厂检测标准，有效避免 “演示时流畅、实际用卡顿” 的尴尬。
3. 通用智能 “度量衡”：告别 “单点跑分”
长期关注 AGI（通用人工智能）的ARC-AGI 最新版本也在资助名单中，该项目摒弃了传统 “单一任务测试” 模式，设计 “跨领域能力迁移考核”—— 让 AI 先解决数学推理问题，再用相似逻辑处理生物实验设计，以此评估其底层认知能力。项目负责人透露，目前顶尖大模型的跨领域迁移成功率仍不足 20%，这与 “通用智能” 的目标相去甚远。
此外，还有项目探索强化学习的 “鲁棒性评估”、模型压缩的 “质量损失测算” 等基础课题，试图为 AI 技术搭建全链条的 “质量监控网”。
背后大佬天团：要做 AI 界的 “监察院”
“弹弓计划” 的底气，来自 Laude 研究所堪称 “梦幻” 的核心团队。创始人安迪・康温斯基本身就是 AI 圈 “双料赢家”—— 创立的 Databricks 估值 620 亿美元，参投的 Perplexity 估值达 140 亿美元，个人出资 1 亿美元成立 Laude，确保资助的独立性。
董事会更是星光熠熠：谷歌首席科学家杰夫・迪恩、Meta AI 研究副总裁 Joelle Pineau、伯克利教授戴夫・帕特森，几乎涵盖全球顶尖科技公司与学术机构的核心力量。这种 “产学研全覆盖” 的配置，旨在避免评估标准被单一企业主导。
更关键的是其 “非营利 + 公益企业” 的双轨架构：非营利部分负责资助决策与标准制定，确保学术中立；公益企业板块推动成果落地，通过开源授权、技术转让等方式回收成本，形成可持续循环。康温斯基在博客中直言：“我们要对抗‘商业利益绑架研究’的趋势，让 AI 评估回归客观本质”。
剑指行业乱象：给 Meta 们开 “药方”
Laude 的出手，恰是对当前 AI 行业乱象的精准 “对症下药”。以 Meta 的 Vibes 短视频为例，其陷入 “同质化”“版权模糊” 争议的核心原因，正是缺乏成熟的 AI 内容评估体系 —— 既没有衡量 “原创性” 的量化标准，也没有检测 “版权合规性” 的自动化工具，最终导致产品在流量导向下走向 “糟粕化”。
而 “弹弓计划” 资助的项目，正能填补这些空白：CodeClash 的 “原创性评分” 可识别 AI 内容的模板化程度，BizBench 的 “版权溯源模块” 能自动检测训练数据中的侵权元素，Terminal Bench 的 “实时监控” 可防范内容质量下滑。业内人士分析，若这些工具普及，Meta 们的产品开发将有明确的 “质量红线”，无需再在 “流量与合规” 间反复摇摆。
更深远的影响在于重构行业规则。目前 AI 领域的评估标准多由科技巨头自行制定，如 Salesforce 推出 CRM 专用 LLM 基准测试，存在明显的 “自卖自夸” 嫌疑。Laude 则试图打造独立第三方评估生态，其资助的开源工具向全行业免费开放，任何企业都可用于自我检测，这将彻底打破 “一家独大定标准” 的格局。
挑战与期待：能治好 AI 的 “浮夸病” 吗？
尽管初心美好，但 Laude 的 “弹弓计划” 仍面临三重考验。首先是 “标准落地难”—— 部分评估工具需企业开放核心数据配合测试，这可能遭遇商业机密保护的阻力；其次是 “迭代速度跟不上”，AI 技术日新月异，评估标准需持续更新才能保持有效性；最后是 “利益博弈激烈”，触动既得利益者的蛋糕可能引发暗中抵制。
不过乐观信号已然显现：除 Anthropic 外，谷歌 DeepMind 也已表示将试用首批资助项目的评估工具，多家初创企业主动申请加入测试。康温斯基透露，“弹弓计划” 每年将更新资助方向，下一批可能聚焦 AI 伦理与偏见检测，形成覆盖技术、商业、社会的全方位评估体系。
结语：AI 需要 “油门” 更需要 “刹车”
当 Meta 们忙着踩油门抢占 AI 应用风口时，Laude 研究所的 “弹弓计划” 正在默默打造关键的 “刹车系统”。这场千万级资助行动的意义，不仅在于产出几个评估工具，更在于重建行业对 “质量” 的敬畏 —— 正如汽车工业需要碰撞测试、食品行业需要安全标准，AI 行业同样离不开客观、独立的评估体系。
Meta 的 Vibes 短视频遭遇差评，本质上是 “无标准狂奔” 的必然结果；而 Laude 的探索，正是为了让 AI 发展既要有速度，更要有底线。未来，当 CodeClash 的代码评分、BizBench 的能力考核成为行业标配，或许 “AI 糟粕” 将彻底成为历史，技术创新也能在规范中走得更远。
目前，首批资助项目已进入落地阶段，部分工具预计 2026 年第一季度开放公测。这场由大佬天团发起的 “AI 质量革命”，能否治好行业的 “浮夸病”，值得所有从业者期待。
