meta公司近期對內部工程師使用外部AI編程工具做出了嚴格限制，特別是針對Claude Code和Codex這兩款熱門模型。根據內部文件顯示，meta要求暫停部分涉及這兩個模型的任務，以防止潛在的“知識蒸餾”風險，即自家模型可能無意中學習到競爭對手的技術能力。

作為Claude Code的全球最大客戶之一，meta每年在內部AI工具上的支出高達數十億美元。然而，公司現在卻要求工程師減少對這些工具的依賴，轉而專注于自主研發的metaCode（原DevMate）項目。這一轉變的背后，是meta對訓練數據純凈性的高度關注——公司擔心外部模型的輸出可能混入自家訓練數據，導致metaCode在不知不覺中模仿競爭對手的技術路徑。

AI模型的訓練過程高度依賴數據質量。如果工程師在開發測試題或評估標準時過度依賴Claude Code或Codex，metaCode可能會沿著“對手認為正確”的方向進化，而非基于人類工程師的原始訓練。這種風險在評測環節尤為突出——若由外部模型判斷答案優劣，metaCode的優化方向可能被對手的技術邏輯所主導。

meta的內部指南明確劃定了三條紅線：禁止使用外部模型輸出生成測試題、禁止AI直接參與代碼調試或測試方案設計、禁止將AI生成內容暴露給被測模型。這些措施旨在構建一道數據隔離墻，確保metaCode的能力完全源自自主訓練，而非“偷師”競爭對手。例如，工程師仍可利用AI工具搭建工作流或整理代碼，但所有輸出必須經過人工審核，防止意外數據泄露。

這一決策反映了行業對“知識蒸餾”的普遍擔憂。該技術指通過強模型的輸出來訓練弱模型，雖能大幅降低研發成本，卻可能引發知識產權爭議。盡管美國法律未明確禁止此類行為，但OpenAI和Anthropic等公司已在服務條款中限制用戶將模型輸出用于競爭性開發。去年，Anthropic甚至切斷了OpenAI對Claude API的訪問，理由是對方可能用于評測競爭產品。

meta的謹慎并非毫無道理。除了技術風險，成本壓力也是重要因素。隨著內部AI使用量激增，公司已開始限制員工的token配額。若能將開發流程遷移至自主平臺，meta既可節省巨額授權費用，又能避免潛在的法律糾紛。然而，這一轉型充滿挑戰——構建高質量的訓練數據集和評測體系需要大量人力投入，短期內可能影響開發效率。