回看 2 天 · 新增 4 篇（编辑内容 3，软文 1）· 来源 artificialintelligence-news.com

今日速览

今天三篇没有生效中的监管动作，但有一件事值得管理层立刻放到议程上：Reuters 报道 Alibaba 计划对下一代 Qwen 开放权重模型的部分商业用户收取收入分成，参照的是 Moonshot 给 Kimi K3 设的那套门槛（年收入超 2000 万美元须单独签约，分成最高可达 30%）。如果团队的路线图假设"下载权重自建就等于零许可成本"，这个假设正在被两家中国头部厂商同时改写，值得提前核对现有部署的许可证版本（当前 Qwen3 仍是 Apache 2.0）。另外两篇是研究成果：MIT 在 Nature Medicine 上给出的证据显示医疗 AI 的"可解释性"对专家和非专家是反向作用；Stanford 用 Evo 2 生成的噬菌体基因组完成了湿实验验证。

逐篇要点

• Alibaba 为 Qwen 开源模型试水新商业模式（2026-08-07 · AI Business Strategy / Featured News）
  据 Reuters 引述两位知情人士，Alibaba 打算在下一代 Qwen 开放权重模型上引入收入分成条款：把模型作为服务对外售卖、且体量较大的公司需要与 Alibaba 另行签商业协议，具体分成比例尚未敲定。这与当前 Qwen3 采用的 Apache 2.0 许可（允许商用、修改、再分发）是两种不同的路子。做法明显在跟随 Moonshot 上月发布 Kimi K3 时的许可设计——对 Model-as-a-Service 业务按收入门槛另设条件。文章同时点出这条商业化路径的现实基础：这类模型自建的门槛极高，Reuters 认为真正会自托管的用户很少，所以厂商更能把商业条款压在中间的云和服务商身上。DigitalOcean CEO Paddy Srinivasan 把这种模式称为开源"freemium"。
  关键数字：Kimi K3 许可要求公司及其关联方在任意连续 12 个月内合计收入超过 2000 万美元时须与 Moonshot 另行签约；面向消费者的产品若超过 1 亿月活或月收入 2000 万美元，须显著标注 Kimi K3 名称（内部使用及经 Moonshot 或认证推理伙伴提供的服务豁免）；知情人士称 Moonshot 可要求伙伴分成最高 30%；Kimi K3 共 2.8 万亿参数、激活 1040 亿，MoE 含 896 个专家、每 token 选 16 个；Qwen3.8-Max 约 2.4 万亿参数、每次请求激活约 950 亿；Epoch AI 与 Stanford 研究者估算最耗算力的训练运行成本自 2016 年起每年上涨约 2.4 倍，而 Stanford 2025 AI Index 显示同等能力水平的调用价格大幅下降；发布时按公开 API 报价，Kimi K3 约为 Anthropic Fable 模型的三分之一。
  需要留意：核心信息来自两位匿名知情人士、且分成比例"尚未最终确定"，属未落地的计划；Chinasoft International 在监管文件中披露了与 Moonshot 的分成协议但未公开比例，DigitalOcean 确认有商业协议但拒绝提供细节，"最高 30%"同样出自匿名信源；文章还提到白宫指控 Moonshot 在研发中使用了取自 Anthropic 的技术、中方予以否认，这是各方立场对立而非已证事实；另外文章把 open-source 与 open-weight 的区别讲得很清楚——按 OSI 的开源 AI 定义还需公开训练数据信息与相关代码，这些"开源模型"多数并不满足。
  原文
• 为什么医疗 AI 界面必须按用户专业水平区别设计（2026-08-06 · Healthcare & Wellness AI / Human-AI Relationships）
  MIT 及合作者发表于 Nature Medicine 的研究发现，同一套 AI 可解释性工具，对不同专业水平的用户会产生方向相反的效果。在皮肤病诊断任务上，非专业者用了 AI 辅助后准确率提高，但提升主要来自"顺从模型"；而基层医生（primary care providers）表现最好的场景，恰恰是只给预测结果、不给任何解释的那一种界面。研究测试了四类呈现方式：仅预测＋置信度、相似病例图像、热力图、以及大模型生成的自然语言解释。LLM 解释造成的顺从效应最强——无论模型对错参与者都倾向相信，而且越是含糊笼统的解释反而越有说服力，拿到 LLM 辅助的人在答错时自评信心更高。研究还发现呈现时机很关键：先看解释再自己判断的人更容易被锚定，因此可行的设计是先让用户给出初步假设、再由 AI 提出备选诊断。
  关键数字：文中未给出任何准确率数值或百分比，属定性结论；可量化的仅有测试的 4 类界面形式与 2 类用户群体（非专业者、基层医生），以及一个附带发现——公平性约束模型（针对深色肤色偏差）既提升了准确率也缩小了不同肤色间的诊断差距（幅度文中未说明）。
  需要留意：这项研究的保留意见相当明确且由作者自己提出——AI 模型错误时对非专业者的伤害大于正确时带来的收益（Marzyeh Ghassemi 原话），Stanford 的 Roxana Daneshjou 进一步指出医学知识最少的人最容易被错误解释带偏；作者也强调结论不等于"解释在临床中没用"，只是适合患者/新手的解释格式不适合做鉴别诊断的受训者。此外研究范围仅限皮肤病影像，样本量、参与者人数与效应量均未在文中披露，能否外推到其他科室未验证。
  原文
• Stanford 的 Evo 2 模型生成了可杀灭大肠杆菌的噬菌体（2026-08-07 · Healthcare & Wellness AI / Governance, Regulation & Policy）
  Stanford 研究团队用生成式模型 Evo 2 产出的 DNA 序列，化学合成了近 300 个噬菌体，实验室筛选后留下 16 个对 E. coli 杀灭活性特别强的个体。目标对象是结构紧凑的噬菌体 ΦX174，模型被要求在一次从左到右的推理里端到端生成整个基因组，没有人工添加任何部分——这是在验证模型能否创造完整可存活的病毒基因组，而不只是做局部 DNA 编辑。研究生 Samuel King 另建了一套计算框架，先按 ΦX174 及近亲噬菌体的性状指标从数千个候选基因组里筛选，再送去合成，以此压低 DNA 合成开销。团队特意选多个噬菌体做混合鸡尾酒，因为单一噬菌体一旦被耐药就彻底失效；Stanford 称这个 16 株组合能迅速攻克对原生 ΦX174 已免疫的 E. coli。下一步是扩展到更长更复杂的 DNA，以及 MRSA、Pseudomonas aeruginosa 等耐药菌，还有可用于生产化学品、药物或燃料的工程微生物小基因组。
  关键数字：合成近 300 个噬菌体，筛出 16 个高活性个体；ΦX174 基因组不足 6000 个碱基对（文中另处提到 5400 字符的序列），人类基因组约 30 亿碱基对；模型生成了"数千个"候选基因组；耐药鸡尾酒由 16 株组成。部分 Evo 2 设计的噬菌体在实验中适应度高于原生 ΦX174，但高出多少文中未说明。
  需要留意：Evo 2 已开源发布，Stanford 承认这引发了安全与生物安保讨论；模型作者 Brian Hie 承认恶意方可以改造该工具，但主张现存病原体的风险更大、并称 AI 系统可用于应对天然大流行和人造生物威胁——文章明确标注这只是他本人对工具用途与风险的判断，属利益相关方立场。文章自己划出了这项成果的"操作边界"：模型生成的只是可能性，仍必须靠计算筛选＋化学合成＋湿实验才能定出可用噬菌体，模型并未替代实验环节。Hie 也承认解读哪怕 5400 字符的序列、逐基因搞清功能仍然很难，并把剩余难题归为两问：如何获得更大的遗传新颖性、如何获得更强的结果可控性。
  原文

主线观察

今天最清晰的转向在开放权重的商业逻辑上：Alibaba 和 Moonshot 都在把"权重免费下载"和"商业使用免费"拆成两件事，用收入门槛（2000 万美元）＋分成（最高 30%）把变现点从 API 调用挪到中间的服务商身上，而支撑这套定价权的恰恰是同一篇文章给出的另一组事实——2.8 万亿/ 2.4 万亿参数级 MoE 的自托管门槛高到 Moonshot 自己都因 GPU 压力在 7 月暂停新订阅，"能下载"因此并不等于"能替代供应商"。这与训练成本每年涨 2.4 倍、而同等能力调用价却大幅下降的剪刀差是同一因果链：厂商在推理端被迫贴钱竞价，就必须从许可条款上找回来。另外两篇则从相反方向印证同一个主题——模型能力的推进正在把风险从"模型不够强"转移到"人机交界处"：Evo 2 已经能一次生成可存活的完整病毒基因组，把风险交给了开源治理和湿实验这道闸；MIT 的研究则显示能力越强的模型配上越流畅的 LLM 解释，对最缺乏判断力的用户伤害越大，且错误解释造成的损失大于正确解释带来的收益。两篇合起来构成一个不太舒服的对照：可解释性和开源这两件被默认为"降低风险"的做法，在各自场景里都被证明会把风险重新分配而非消除。

本期编辑内容清单

软文（已隔离，未进要点）

以下条目被站点标记为 Sponsored Content 或来自 SEO 外包作者，属付费推广稿，不计入要点分析。