今年5月，meta给自家工程师划了一道红线。
应用AI工程部门的人，不能再随便用Claude Code和Codex了。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
据The Information获取的内部指南，一份备忘录甚至直接要求，暂停某些依赖这两个模型的任务。文件措辞极为严厉，明确指出此类行为可能引发「与合作方的严重升级」。
然而，反常之处恰恰就在这里。
Meta曾是Claude Code全球最大的客户之一。它今年在内部AI使用上的总支出，正朝着数十亿美元规模狂奔。
一个日常深度依赖、公司重金采购的工具，如今却在内部被严格限制。而限制的理由，恐怕出乎多数人意料。
并非因为它们不好用——恰恰相反，是太好用了。
这条红线目前仍在执行
据The Information报道，该限制政策自5月起正式实施，至今持续有效。
Meta为何如此高度警觉？这要追溯至其内部一项关键AI项目。
今年初，Meta组建了专门的应用AI工程团队，核心目标正是迭代优化自研编程助手MetaCode（前身为DevMate）。
其战略意图清晰：逐步摆脱对外部AI编程模型的依赖，构建真正属于自己的代码大模型能力。
Claude Code官方界面。它与OpenAI的Codex，已成为职业开发者构建智能体编程系统的事实标准。
但要训练出一个真正可靠的代码生成模型，并非易事。
必须投入海量高质量数据，更需设计大量兼具代表性与挑战性的编程题目，用于训练、验证与持续评估。这套题库与评测体系，几乎直接决定着编程模型最终的能力上限。
问题正出在此环节。
Meta面临的真正挑战，是如何在加速推进MetaCode研发的同时，确保工程师不无意识地过度调用外部工具来“代劳”关键环节。
它所警惕的，正是第三方模型输出悄然混入训练或评估流程，导致自研模型在不知情中习得竞品的知识路径与推理范式。
要理解这种担忧，需回归模型学习的本质：它学什么，就成为什么。
MetaCode的能力边界，取决于工程师亲手构建的数据集与测试题库。
一旦这些题目、参考答案，甚至评分逻辑本身源自Claude或Codex，那么MetaCode所强化的，便不再是“人类工程经验沉淀”，而是“Claude的解题风格”或“Codex的判分偏好”。
它在对手划定的考卷上反复作答，越练越趋近于对方。
更隐蔽的风险在于评测闭环。
每一道题的反馈——是否正确、哪里出错、如何改进——决定了模型优化的方向。若出题与判分均由Codex主导，MetaCode实质上是在向“Codex认可的标准”对齐，等于将竞品的隐性知识标准，无声无息地内化为自身演进的底层逻辑。
正因如此，Meta这份指南不仅禁止AI担任“出题人”与“阅卷人”，甚至细致到规定：任何AI生成的内容，均不得存入Meta内部模型可访问的数据容器或训练资源池。
只要竞品模型的输出在训练或评估任一环节出现，那条“谁教会了谁”的权责边界，便已模糊。
本质上，Meta暂停相关任务，是在为训练数据链路实施物理级隔离。
它害怕的，不是AI写得不好；而是AI写得太好——好到让人分不清，那些精妙的代码逻辑、严谨的漏洞识别、创新的解题思路，究竟是工程师长期积累的成果，还是从Claude和Codex那里“借来”的能力。
而后者，终究是租用的，而非拥有的。
细致到近乎严苛的管控边界
需要强调的是，Meta内部文件中并未记录任何员工已实质性违反外部模型服务协议的确凿案例。
Meta发言人亦表示，公司始终推行“清晰、统一的AI工具使用规范”，旨在引导团队聚焦高价值、创造性工作。因此，这份文件更像是一份前置性风险预警，而非事后追责依据。
具体而言，指南明令禁止以下三类行为：
第一，严禁利用Claude或Codex的输出，设计用于验证MetaCode能力的编程挑战。文件原话强调，此类任务“明确属于工程师不可离席的范畴”，“我们拒绝一切源自外部模型的任务输入”。
第二，禁止借助外部AI对源代码执行漏洞扫描，亦不得由其基于代码分析生成研发建议或测试方向。
第三，所有经AI生成的文本、代码或方案，一律不得进入Meta内部模型可读取、可索引、可参与训练的数据基础设施。
简言之，凡涉及“测什么”“怎么评”“是否达标”的决策权，均须牢牢掌握在工程师手中。上述三条禁令，封堵的正是模型蒸馏最易渗透的三个接口。
哪些工作仍被允许？
搭建自动化工作流、整理代码与文档、构建测试基础设施等辅助性工程任务，仍可在合规前提下使用外部AI。指南将其定义为“测试脚手架（test scaffolding）”与“方案校准（solution calibration）”，即纯粹支撑性、非认知型的底层工作。
即便在这些场景中，也设有一条不可逾越的铁律：所有AI产出内容，在投入实际应用前，必须经过人工全流程复核与确认。
在Meta看来，一旦让竞品模型介入“命题”与“评判”环节，这场能力验证考试的主体性便已失守。
它真正誓死捍卫的，正是那条“谁教会了谁”的主权界线。
无法回避的“蒸馏陷阱”
Meta所防范的这一现象，业内统称为“模型蒸馏”（model distillation）。
其原理直观：以一个高性能大模型为“教师”，持续生成高质量输出；再将这些输出作为监督信号，用于训练一个轻量或新兴的“学生”模型。
类似让学霸完整作答一套高考真题，学渣照着标准答案反复练习，数月即可逼近前者多年苦修所得的能力。
他人在数据采集、算力投入与基础研究上耗费的巨额成本，由此被大幅绕过。
从零训练前沿大模型，动辄耗资数亿、历时经年；而一次成功的蒸馏，或许仅需一批高质量输出，就能实现能力迁移，成本与周期骤降至十分之一。
蒸馏本属行业常规技术路径——大厂普遍采用自有大模型蒸馏出小模型供终端部署。
真正的争议点在于：当“教师”是竞争对手的模型，“学生”是你自己的系统，所获得的能力，究竟是自主演化的成果，还是未经许可的间接吸收？界限已然模糊。
业内称之为“蒸馏陷阱”：你越是仰赖最强模型来构筑自身能力地基，就越难自证——这份智能，究竟源于自身积淀，还是来自他人的影子。
在美国现行法律框架下，模型蒸馏尚未被明文禁止，AI生成内容亦不受版权法保护。单纯使用竞品模型输出训练自有系统，法律层面几无阻拦。
唯一的硬性约束，来自服务协议。
OpenAI、Anthropic及谷歌在其模型服务条款中均明确禁止：不得将模型输出用于开发、训练或增强竞争性AI系统。
而该条款的解释权与执行权，完全掌握在竞品厂商手中。
去年，Anthropic曾单方面终止OpenAI对Claude API的访问权限，理由即为后者将其用于“模型能力比对”——尽管OpenAI坚称此举符合行业通用评测实践。
就连马斯克，也在今年4月30日加州联邦法院的庭审中被当庭追问：xAI是否对OpenAI模型实施蒸馏？他最终承认Grok的训练过程“部分”采用了该技术。
规则模糊，执法权却高度集中。谁愿拿数十亿美元的研发投入，去赌对手不会翻脸？
从这个意义上说，Meta的审慎，绝非过度反应。
此外，还有一层现实考量：降本。
据内部备忘录披露，Meta今年仅AI相关内部支出预计就达数十亿美元。公司已开始对员工API调用量设置硬性上限。即便是财大气粗如Meta，也正直面AI成本失控的压力。
若能将开发重心转向自研MetaCode，既规避蒸馏风险，又削减外部采购开销，实为一石二鸟。
一张悬于钢丝之上的路线图
科技法学者、法律顾问Mark Leiser对此评价精准：“这几乎就是一张走钢丝的地图。”
一边要充分汲取外部模型带来的效率红利，一边又要严防其知识脉络悄然渗入自身系统。
走在这条钢丝上的，远不止Meta一家。它所映射的，是整个AI产业当前最根本的张力所在。
当你用一个足够强大的AI，去构建另一个同样强大的AI，最终的答案越来越难界定：这份智能，究竟是你亲手锻造的，还是从别人的火种中悄悄引来的？
而这件事，离普通开发者也并不遥远。
你用AI撰写的代码、优化的方案、整理的技术文档，终将汇入下一代模型的训练洪流。
在这个永不停歇的循环里，谁站在谁的肩膀上，那条曾经清晰的原创性边界，正变得日益朦胧。
当AI开始协助人类创造AI，我们还能笃定地说出：这本事，到底是谁的吗？
参考资料：
https://www.php.cn/link/84ea2d894d6ef688084b36e59e2d9999
https://www.php.cn/link/ff3c7bd6e5e1f7c7aca3062555db9712
本文来自微信公众号“新智元”，作者：ASI启示录，36氪经授权发布。
