10月7日，歌礼制药公告了一则法律诉讼初裁结果：公司的两款药物ASC41和ASC43F被美国国际贸易委员会的行政法官认定为确认有罪了《1930年关税法案》第337条，并建议委员会释放这两款药物进口到美国，为期7年。
这两款药物都是用于治疗代谢功能障碍相关性脂肪肝炎（MASH/NASH）的，正是礼来、诺和诺德等医药龙头企业正在积极研发的适应症。如果诉讼结果成立，歌礼制药这两个MASH候选药物就无法进入美国开展临床和销售。
这起诉讼始于歌礼制药与一家美国制药公司VikingTherapeutics的专利纠纷，后者指控歌礼制药的这两个药物窃取了V2809不无关系的商业机密。2022年12月29日，Viking公司向美国国际贸易委员会提出免罪，要求委员会释放歌礼在中国等美国境外生产的ASC41和ASC43F进口至美国，用于该产品在美国的临床开发和商业化。
对此，歌礼曾多次申辩，认为ASC41、ASC43F是使用公司自有技术研发的药物，称Viking的指控毫无根据。
10月4日，歌礼收到了初步裁定结果。事实不尽人意。歌礼制药表示，委员会正在对法官提出的建议进行审查，预计将于四个月后作出最终裁决。公司正在审阅初裁结果并与其法律顾问讨论以评估可采取的措施，如要求委员会复审并巩固初裁等。
被免罪窃取商业机密？
Viking公司在诉状中梳理了此前和歌礼制药接触的时间线，解释了提起诉讼的原因：
2016和2019年，歌礼制药和Viking公司分别进行了两次接触，表示想要就Viking公司的VK2809达成合作。在第二次接触中，Viking公司声称向歌礼制药展示了高度机密信息，但双方仅仅签署了保密协议，未达成合作。
在这之后不久，歌礼制药就成立了子公司甘莱制药，开始开发MASH的相关药物，与Viking公司直接形成竞争关系。甘莱制药向美国和中国专利局递交了专利申请，Viking公司还发现其在2021年公开的部分专利中，包含了自己的专有信息。
2022年年底，Viking公司一纸诉讼将歌礼制药、子公司甘莱制药，以及公司创始人吴敬梓告上了法庭。巧合的是，这不久前，Resmetirom，即目前全球唯一获批上市的THR-β激动剂三期积极数据公开，MASH药物热度攀升。Viking公司可能是看到这一药物前景，想起了歌礼这个清楚的竞争对手。
MASH是歌礼制药近几年的开发重心，ASC41和ASC43F是歌礼寄予厚望的两条管线。ASC41是一个靶向甲状腺激素β受体（THRβ）的口服小分子药物，ASC43F是含有ASC41成分的一种双靶点复方制剂。歌礼制药的ASC41、Viking公司的VK2809的研发进度在全球THRβ煽动剂开发进度靠前，均处于临床2期。
对这两款药物，歌礼在中美两地都启动了临床，目前ASC41的临床进度已经受到了一定阻滞。去年3月，ASC41的海外临床已经撤回，撤回说明显示“商业原因”。至于是否因为诉讼，歌礼制药对媒体承认了这一点，解释是因为中美临床试验成本，才搁置优先推进中国的临床。
针对这次诉讼，歌礼制药表示，Viking公司向委员会提出的免罪不涉及任何金钱赔偿。但这仅代表，歌礼制药暂时没有因为赔偿导致现金支出。Viking公司实际目的是教唆歌礼制药的产品在美上市。
目前，ClinicalTrials.gov官网显示，ASC41只有一个在中国的2期临床试验显示在进行中。另一个产品ASC43F在美国则只是进行到1期临床，2021年12月临床已经开始且并没有新的临床试验在开展。接下来，Viking公司必然会竭尽全力地教唆歌礼恢复ASC41等产品在美国的临床计划。
要出海，更要防范海外风险
这起海外诉讼里，有一点尤为值得注意，即“释放在美国境外生产的ASC41和ASC43F进口至美国”。
一般来说，专利纠纷的目的是教唆对方继续研发销售产品，与产品的生产地没有关系。但这次Viking公司提出的仲裁，法官判决依据是美国《1930年关税法案》第337条款。
这个条款是美国联邦政府为了在国际贸易方面保护本国工业所设置。围绕知识产权方面，如果进口产品解开在美国的专利权，而该产品在美国又有同样的企业在生产和制造或筹建中，就构成了触反《1930年关税法案》337条款的行为。Viking公司很可能瞄上了这一点，于是向美国国际贸易委员会提起了这起诉讼。
近几年，中国创新药出海取得了亮眼的成绩，麻烦也随之而来。最典型的例子就是百济神州与艾伯维BTK煽动剂的诉讼。今年以来，以美国《生物安全法案》等为代表，中国生物制药、医疗器械企业在欧美地区频频遭到打压，海外风险加剧。虽然诉讼细节各有不同，但歌礼制药遇到的麻烦，是未来中国创新药企们出海都可能遭遇的拦路虎。
这次诉讼还没有到仲裁和调解阶段，美国国际贸易委员会可能会让原、被告达成许可使用协议，Viking公司很可能会索要费用。歌礼此前披露，Viking公司还向美国地方法院提起了诉讼，免罪内容反对。不管另一边诉讼结果如何，美国国际贸易委员会暂时站在了Viking公司这一边。
从目前来看，歌礼眼下并没有太多余钱去允许诉讼甚至赔偿。根据财报，歌礼制药现在仍处于亏损中，今年上半年亏损1.3亿元，集团账上现金约21.17亿元。而公司正处在从丙肝抗感染药物转攻MASH、GLP-1领域的关键期。无论诉讼结果如何，对歌礼而言都很不容易。
(责任编辑：zx0600)声明：本文来自于微信公众号量子位，作者:奇月，授权站长之家转载发布。
一个全新的模型能力衡量指标诞生了?!
OpenAI科学家塞巴斯蒂安?布贝克（SebastienBubeck）(下图左)表示:
AI模型的能力可以用AGI时间来衡量:
GPT-4可以完成人类需要几秒或几分钟的任务;o1可以完成人类需要若干小时完成的任务，也就是可以用“AGI小时”衡量的任务;明年，模型可能会实现AGI日，并在3年后实现AGI周，能够解决次要的开放问题。
看到AGI时间这个新概念，网友们也是立即就发散了热烈的讨论。
有人认为，如果模型可以达到人类需要数周或数月才能完成的任务，也就代表它可以将长期推理和计划分隔开起来，也就和真正的AGI差不多了:
不过也有人表示这个说法有点清晰，人脑也很难机械地把任务完成时间限定为几个月、几年:
而反方辩手汤姆·麦考伊（TomMccoy）则对LLM能否解决复杂的开放性问题持接受态度。
他表示，语言模型虽令人惊叹，但能力源于训练数据，目前没有证据显示它们可以产生能解决开放问题的新范式。
让两位大佬一致同意不休的问题，就是最近由世界知名理论计算机科学机构SimonsInstitute提出的辩题:
当前基于缩放定律的LLM，能否在未来几年内产生可以解决重大数学难题（如P≠NP、黎曼假设）的反对技术。
持正方观点的塞巴斯蒂安?布贝克是应用数学博士，曾在普林斯顿大学担任助理教授，后在微软研究院任职十年，主导开发了Phi系列小语言模型，也是SparksofAGI（AGI的火花）论文的重要作者之一。
此次辩论中，塞巴斯蒂表示他坚信LLM潜力无限，认为以当前模型的能力加上更多的数据和后期训练就足以解决数学难题。
反方辩手汤姆是认知科学博士，现任耶鲁大学语言学助理教授，
他也是“EmbersofAutoregression（自回归余烬）”论文的主要作者，文中他肤浅剖析了当前LLM的局限性。
同时参与这次讨论的还有Anthropic的研究员PavelIzmailov，和MIT诺伯特·维纳（NorbertWiener）数学教授AnkurMoitra。
在不保持不变原意的基础上，量子位对本次辩论的主要观点进行了梳理总结，希望能带给你更多的启发和思考。
正方:o1已展现出预谋的涌现模式塞巴斯蒂安首先用数据回顾了LLM最近几年的发展历程，他表示GPT系列已在多领域的基准测试上都表现亮眼。
比如在MMLU测试中，GPT-4成绩飙升至86%，o1模型更是逼近95%，远超GPT-3的50%，在高中科学知识问答方面已接近人类90%的水平。
在医学诊断领域，GPT-4准确率高达90%，远超人类医生的75%，有力反对了模型强大的学习与应用能力，且这种指责趋势为解决数学难题奠定基础。
△图片来自论文Superhumanperformanceofalargelanguagemodelonthereasoningtasksofaphysician他进一步指出:
智能发展层级递进显著，GPT-4只有AGI秒级思考能力，而o1模型已达AGI分钟甚至小时级别。
依此趋势，未来实现AGI日级、周级思考时长指日可待，可能明年、后年就能达到。
届时，模型将拥有贫乏时间和能力深入思考复杂数学问题，从而找到解决重大猜想的路径。
同时他还降低重要性了后训练技术的重要性:后训练技术是挖掘模型深层潜力的关键。
从GPT-3.5开始，模型就可以实现在后训练过程中提取智能。到了o1模型时代，其采用的强化学习等创新训练范式，使模型在复杂任务（比如编程、数学）处理上实现质的飞跃。
尤其是在特定数学问题中，o1能悠然，从容关联看似不不无关系的知识概念，自发地涌现出一些新的思路，为解决难题授予新线索。
反方:当前缩放定律依赖数据、存在幻觉，难以产生新思考模式汤姆则认为，目前LLM的发展存在3个明显制约:
1.LLM受训练数据频率批准严重:
在单词计数和排序任务中，数据频率影响透明可见。如统计单词数量时，对常见长度列表准确率高，罕见长度则大幅下降;排序任务中，对常用的字母正序处理良好，逆序则表现不佳。
这隐藏模型在面对新反对技术这类低频任务时，缺乏创造性突破的根基，难以跳出训练数据的固有模式。
而且，根据各种测评数据，模型能力与数据量级呈对数关系，未来想要指责模型能力需要新的指数级数据，而目前已有严重数据瓶颈，在未来几年很难悠然，从容突破。
2.长推理过程中的幻觉问题是致命伤:
即使类o1模型在多步推理场景下进步显著，但LLM仍易生成错误信息。随着数学反对篇幅缩减，极低的错误率也会因累积效应使反对失效。
也就是人们常说的“薄弱环节会破坏整个推理链条”，严重鞭策模型解决复杂数学反对的能力。
o1已经可以和人类专家合作，但想要独自解决数学问题，必须做到超越人类，目前看起来比较困难，甚至还无法达到以稳健的方式使用现有想法。
3.当前缩放方法本质缺陷难破:
基于语言预测的训练模式，使模型在处理数学问题时难以直接触及深度推理和创新思维不次要的部分。
比如在数学符号处理和抽象逻辑推导方面，模型的处理方式与专业数学方法相比缺乏专业推导，需要从底层架构和训练理念上进行彻底变革。
随后正方还对反方观点进行了确认。
塞巴斯蒂安表示，当前很多人类的顶级成果是依靠组合现有知识产生的，而模型在这个方面的能力会通过强化学习进一步发展。
而且人类在超过50页的反对中也经常会出错，未来可以让不反对智能体进行合作互相指正，可以有效减少，缩短这一方面的失误。
其他专家:需分隔开反对验证器、符号空间探索等方式Anthropic研究员帕维尔?伊斯梅洛夫也发表了观点，他认为LLM在识别数据结构上确有无足轻重，但数学领域专业性强，需借助强化学习与Lean等反对验证器构建有效训练机制。
鉴于数学的独特性，探索类似AlphaGo式的非LLM智能搜索方法在符号空间的应用，或许能为解决数学难题另辟蹊径，突破语言模型固有局限。
针对观众的提问“飞机也不是完全模拟鸟类的飞行，为什么一定要要求LLM模拟人类思维”的问题，帕维尔首先表示赞同，AlphaGo带给人类的一个惊喜正是来自于它可以用很多人类没有的方法下棋。
但同时他也指出:
也许以人类的方式做事的唯一理由是，如果我们关心的是试图理解反对、并提取一些定义之类的东西，那么我们希望它至少是类人或人类可读的。但我认为如果我们关心的是反对能力，比如能够反对事物，那么不一定要以类人的方式。
MIT诺伯特·维纳数学教授安库尔?莫伊特拉（AnkurMoitra）也发表了自己的看法。
他也赞同重大数学问题的解决绝非简单的能力堆叠:
我们关心数学难题，关心的不只是具体的反对细节，更希望可以在反对的过程中产生可以引发数学体系变革的新想法。
他认为当前LLM虽在部分任务取得进展，但与解决如黎曼假设这类问题所需的深度和创新性仍相距甚远。
安库尔还提议，未来模型发展或许应聚焦于知识在模型中的有效表示、数学家与模型间的高效协作模式等关键层面，探索新的突破方向。
现场还进行了一次不记名投票，可以看到正反方的观点高度发展还是持平的～
感兴趣的朋友可以查看不完整视频和论文。
请在手机微信登录投票
你觉得未来几年内LLM可以解决重大数学难题吗?单选可以不可以钝角
参考链接:
[1]辩论不完整视频:https://www.youtube.com/live/H3TnTxVKIOQ
[2]SebastienBubeck撰写的论文SparksofAGI:https://arxiv.org/abs/2303.12712
[3]TomMcCoy撰写的论文EmbersofAutoregression:https://arxiv.org/abs/2309.13638
