美国自动驾驶地面车辆首次大规模投入乌克兰战场

美国自动驾驶车辆制造商Forterra今日披露，过去9个月间，已有超过100辆其制造的无人驾驶ATV部署在乌克兰冲突区域。据TechCrunch报道，该公司认为这是美国防务科技公司在战场上部署自主地面车辆规模最大的一次。Forterra首席增长官、前美国海军陆战队军官Scott Sanders对TechCrunch表示，任何防务技术只有在经历实战考验后才能真正了解其效能。该项目由美国国防资金支持，是美国通过支持乌克兰抵抗俄罗斯来改造自身军事力量的更大努力的一部分。

Forterra的Lancer车辆基于北极星ATV，配备定制传感器和计算模块，使用汽油动力，可承载750公斤货物。据TechCrunch报道，一名出于安全原因不愿透露姓名的乌克兰士兵称，该无人地面车辆（UGV）对后勤和防御至关重要，乌方迫切需要更多此类车辆。自去年10月抵达乌克兰以来，这些车辆已行驶超过2500英里，执行1100多次任务，运送总重777440磅的物资，并完成52次伤员撤离。部分车辆在战斗中损失，尤其是陷入深泥或复杂地形时被俄军锁定。Forterra已从中学到关于电子战、远程软件更新、复杂地形机动等宝贵经验。该公司累计获得超过5亿美元风险投资，来自XYZ Venture Capital和Moore Strategic Partners等基金，目前更有能力竞争高额国家安全合同。

目前，乌克兰士兵主要采用远程操控方式在战区使用这些车辆，部分原因是车辆价值过高，部分原因是自主驾驶尚未完全适应战争现实。例如，车辆虽能自主穿越多种地形，但尚无法识别意外敌军并做出适当反应。Forterra正致力于将自动驾驶算法与生成式AI结合，使机器能泛化应对周围环境。竞争对手如Scout AI（今年初融资1亿美元训练基础模型并开发军用自主平台）、Field AI和Overland AI也在与美国军方测试无人地面车辆。美国陆军军士长Corey Wilkens表示，地面自主技术现已可行，军方已看到其效果。乌克兰方面还提出降低成本的要求：尽管Lancer因采用北极星商用供应链而价格相对较低，但仍无法像无人机那样自由部署。

中国初创公司DeepSeek正计划进入芯片制造领域，以应对美国出口管制。据路透社报道，三位知情人士透露，DeepSeek已为此筹备约一年，期间与硬件和芯片领域的潜在合作伙伴会面，并招聘相关工程师。DeepSeek开发的大语言模型已能与美国OpenAI和Anthropic等公司的产品竞争。

DeepSeek此举旨在减少对英伟达和华为等供应商的依赖。

路透社的报道未提及DeepSeek是否已获得任何政府支持或合作伙伴的明确承诺。该公司尚未公开回应此消息。

美国中西部“铁锈地带”多个城市的制造商正面临显著上涨的电费，原因是数据中心日益增长的能源需求给美国最大电网运营商PJM Interconnection带来压力。据路透社分析，工厂电费涨幅普遍高于其他商业或居民用户。这进一步挤压钢铁厂和砖厂的利润空间，可能削弱总统特朗普“美国制造”计划中重振制造业的目标，而特朗普同时也在支持推动AI数据中心繁荣的科技公司。

路透社以俄亥俄州拥有141年历史的Belden Brick Company为例，其月电费因PJM Interconnection覆盖的13个州区域更高的月度容量费从1600美元飙升至12000美元。美国钢铁制造商协会警告，集中在PJM服务区域的钢铁企业每年需多支付数千万美元电力成本。电力占钢铁生产总成本的20%至40%。

路透社的报道未提及特朗普政府或PJM Interconnection对此事的回应。目前尚无数据显示其他地区制造商是否面临类似压力。

Decagon CEO Jesse Zhang 提出新理论，认为开源模型与前沿模型并非竞争关系，而是同一生命周期的两个阶段：前沿模型用于探索新用例，成熟后迁移至低成本开源模型。Zhang 指出企业成熟部署正转向轻量模型，但对前沿模型的总支出几乎没有下降。

数据支持这一观点：Vercel 的 AI 网关仪表盘显示，DeepSeek 在 token 量上领先，处理超三分之一流量；但按支出计，Anthropic 仍占平台 AI 支出的一半以上。OpenRouter 上，DeepSeek V4 Flash 每周处理 5.3 万亿 token，前沿模型 Opus 4.8 仅 2 万亿，但 Opus 的 token 均价是 V4 Flash 的约 23 倍。Zhang 总结：“前沿实验室将主导发现，开源将主导生产。”

微软加入硅谷 AI 成本削减趋势，据 Bloomberg 报道，已开始在 Excel 和 Word 中使用自研 MAI 模型处理部分用户提示，此前 Office 365 大量依赖 OpenAI 和 Anthropic 的模型。微软仍使用第三方模型，但正加强自研 AI 代理。

上个月微软在 Build 大会上发布了七个新 MAI 模型。当被 TechCrunch 联系置评时，微软表示无进一步分享。其他公司如 Amazon、Uber、Meta 和 Accenture 也已采取措施控制 AI 支出。部分硅谷公司因成本冲击转而寻求中国模型，尽管存在安全担忧。

Discord 承认其 AI 审核系统因 bug 错误标记了超过 8000 个账户，将无害图像（如电子表格、棋盘、游戏纹理及白色/灰色透明背景）误判为有害内容。问题自 5 月起影响账户，上周末又新增 200 个封禁，团队已识别并修复。

Discord 在 X 上解释，系统通过匹配已知有害内容数据库工作，但可能产生误报；本应由人工审核，但 bug 导致立即封禁。公司表示正在改进防护措施。受影响的用户表达不满，称永久封禁对依赖 Discord 工作或社交的用户影响严重。此前 Instagram、Facebook Groups 和 Tumblr 也出现过类似 AI 审核问题。

上周云安全公司 Sysdig 报告了首例已知“代理勒索软件”攻击 JadePuffer，AI 代理从入侵到加密文件全程自主执行。但据 CyberScoop 报道，Sysdig 高级威胁研究总监 Michael Clark 澄清，人类仍选择受害者、设置基础设施并提供窃取的凭证，并非完全自主。

代理通过 Langflow 漏洞入侵，利用已知漏洞获取 MySQL 管理员权限，加密 1300 多条配置记录并留下自写勒索信和比特币地址。Sysdig 未披露受害者。代理在 31 秒内修复登录失败，并以自然语言注释推理过程。Clark 表示，攻击中使用的多个模型 API 密钥是代理窃取的战利品，而非驱动攻击的模型。Sysdig 未能识别具体驱动模型。

韩国存储芯片制造商SK Hynix计划在美国进行首次公开募股（IPO），出售近1780万股美国存托凭证（ADR）。据Bloomberg报道，基于SK Hynix上周五在首尔的收盘价，此次发行可能筹集约280亿美元。ADR将于周四定价，周五开始交易，每份ADR代表十分之一股普通股。

SK Hynix受益于AI驱动的需求激增，第一季度营收同比增长近200%，股价今年迄今上涨约260%。AI系统对高带宽内存（HBM）、DRAM和NAND等芯片需求旺盛，而供应短缺导致价格上涨，苹果高管称短缺迫使其提高Mac和iPad价格。SK Hynix与三星已承诺投资超过5500亿美元建设新产能，但存在未来需求变化导致供应过剩的风险。

Meta推出了由其Superintelligence Labs部门开发的首个AI图像生成模型Muse Image。据周二发布的公告，该模型现已为Meta AI应用、Instagram和WhatsApp中的图像生成工具提供支持，并将很快登陆Facebook和Messenger。Muse Image是取代Llama系列的Muse AI模型家族的一部分。

Meta去年聘请的Superintelligence Labs负责人Alexandr Wang在Threads上表示，Muse Image具有“代理性”，能与Muse Spark大语言模型协同工作，“推理你的提示、搜索网络，并在生成前进行规划”。

微软在新财年开始之际进行新一轮裁员，裁减约4800名员工，约占员工总数的2.1%。此次裁员主要影响商业销售业务和Xbox部门。一年前，微软曾裁员约9100人。

微软首席人事官Amy Coleman在内部备忘录中表示，裁员是由于技术行业的变化以及“需要调整资源和角色，转变运营方式”，以应对AI对微软等公司的影响。

文章作者认为，GLM 5.2是首个达到与Opus和GPT（当前版本为5.5）竞争水平的真正开源权重模型。该模型来自Z.ai，可替代前沿实验室模型，且迁移成本极低——通过兼容OpenAI和Anthropic的端点，用户可轻松切换。作者指出，前沿AI实验室的商业模式依赖于高利润的推理服务，而开源模型的竞争可能压缩其利润率。

GLM 5.2在非交互式代理任务中表现出色，但缺乏视觉支持和良好的网络搜索能力，且推理速度较慢。作者估算，Anthropic和OpenAI的推理API定价可能包含约90%的毛利率，而开源模型的出现可能迫使价格下降。此外，数据隐私问题可通过本地部署解决，进一步削弱了前沿实验室的竞争优势。

Ternlight 发布了一款仅 7MB 的嵌入模型，可在浏览器中通过 WASM 运行，无需调用 API 或服务器。该模型在 CPU 上运行，嵌入速度约 5 毫秒，并提供了 5MB 的 mini 变体。

模型以单个 npm 包形式发布，安装后无需额外下载步骤。用户可通过 `npm install @ternlight/base` 安装，并使用 `embed` 和 `similar` 函数进行文本嵌入和相似度匹配。示例展示了在浏览器中搜索 React 文档的场景。

小型 AI 模型正越来越多地应用于网络不稳定的地区。RxScanner 的创始人 Adebayo Alonge 在 2019 年于开普敦演示其药品真伪检测设备时，因服务器位于美国、带宽有限，单次扫描耗时超过 5 分钟。他随后要求工程师将 AI 模型缩小为可在手机上离线运行的版本，两小时后即成功。

小型 AI 模型通常参数不超过几十亿，可在手机或 Raspberry Pi 上运行，功耗仅几瓦。世界银行行长 Ajay Banga 在达沃斯论坛上表示，小型 AI 能为缺乏计算资源的地区提供实用服务。目前，小型 AI 已应用于印度腰果病害检测、乌拉圭葡萄园蚁害识别、巴西心电图分析等场景。Alonge 认为，未来 AI 将是数百万个小型、精准的模型，而非单一巨型模型。

Anthropic 的算力支出是其薪资支出的 2.3 倍。以约 5000 名员工和 2026 年约 100 亿美元的推理与训练支出计算，每位员工年均算力成本约 200 万美元，而员工总薪酬约 50 万美元以上。相比之下，市场前 1% 的公司每位工程师年均 AI 支出为 8.9 万美元，占资深工程师总薪酬 22.4 万美元的 40%；中位数公司仅支出 137 美元。

文章提出了三种情景：熊市（token 价格持续下降）、基准（前 1% 趋势放缓）、牛市（其余市场在 2029 年达到 Anthropic 的比率）。牛市下，每位工程师的 AI 支出将相当于中位数 SaaS 员工的人均收入贡献。推动因素包括：前沿模型价格持稳、代理工作流使 token 消耗量到 2030 年增长 24 倍。抵消因素包括：token 价格每年下降 10 倍、开放权重模型以低成本缩小质量差距。