答鸭Signals

AI 日报

AI 代理加速落地：安全、治理与基础设施同步升温

今天的主线很清晰：AI 正从“会回答”走向“会行动”，并开始触碰硬件、实验室、企业流程和数据中心。与此同时，法院、研究者和企业调查都在提醒同一件事——能力扩张的速度，已经超过了治理、安全和成本控制的成熟度。

Overview

当天导读

从 31 条资讯中筛选出 14 条

今天的主线很清晰：AI 正从“会回答”走向“会行动”，并开始触碰硬件、实验室、企业流程和数据中心。与此同时，法院、研究者和企业调查都在提醒同一件事——能力扩张的速度，已经超过了治理、安全和成本控制的成熟度。

法院限制政府以国家安全之名报复 AI 公司

加州法官裁定，政府将 Anthropic 列入黑名单属于非法报复，涉及第一修正案与正当程序争议。这是 AI 公司捍卫模型使用边界的一次重要司法胜利。[4048][4054]

关联报道 1 · 关联报道 2

AI 代理开始接管“真实世界”接口

Anthropic 的 MHS 试图让 AI 控制硬件，Google DeepMind 的 Co-Scientist 已能规划实验、操作设备并分析结果。代理 AI 正从软件工具升级为物理世界的编排层。[4050][4055]

更自主，也更难防：安全漏洞与持久代理同步出现

Claude Code 自动模式被绕过，OpenAI 又在测试可跨会话持续运行的 Codex 代理。更强的行动能力意味着更高的攻击面和更复杂的授权边界。[4051][4047]

关联报道 1 · 关联报道 2

企业已在大量采用 agentic AI，但治理明显落后

多项调查显示，企业扩张 AI 代理的速度快于责任归属、流程准备度和员工准备度的建设。与此同时，失控代理还可能带来意料之外的高额成本。[4059][4062]

关联报道 1 · 关联报道 2

AI 基础设施进入重资本、重运营阶段

Lambda 借债购买英伟达芯片，Meta 测试机器人维护数据中心，EPA 规则变化则可能影响新数据中心的公众透明度。算力、运维与审批正在成为 AI 产业的核心战场。[4057][4061][4060]

关联报道 1 · 关联报道 2 · 关联报道 3

平台与分发层正在成为并购焦点

开源权重 AI 公司和模型路由平台正吸引巨额交易关注，显示开发者社区、模型分发和标准制定正在变成战略资产。[4053]

关联报道 1

今日主题

AI 代理正在从软件工作流进入物理世界与关键基础设施：能控硬件、跑实验、常驻执行任务，也能在企业里大规模编排流程。但越接近真实世界，安全、责任和成本问题就越突出。

头条看点

  1. Anthropic 在法庭上拿到重要胜利：加州联邦法官裁定政府将 Anthropic 列入黑名单属于非法报复，涉及第一修正案与正当程序争议，限制了国家安全标签被用来施压 AI 供应商的空间。[4048][4054]
  2. 代理能力继续外溢到物理与实验场景：Anthropic 推出 MHS 试图让 AI 控制硬件；Google DeepMind 把 Co-Scientist 推进为闭环实验系统，能规划实验、控制设备并分析结果。[4050][4055]
  3. 安全与治理仍明显落后：Claude Code 自动模式被绕过、OpenAI 测试持久型 Codex 代理，说明“更自主”往往也意味着更难管。[4051][4047]
  4. 企业化与基础设施化加速：开源权重平台成为并购热点，Lambda 借债买 GPU，Meta 试用机器人维护数据中心，AI 生态正向重资本和重运营阶段转移。[4053][4057][4061]

法律与政策：AI 供应商边界被重新划定

Anthropic 相关裁决是今天最具象征意义的事件之一。法院认定，政府因 Anthropic 拒绝放宽 Claude 在致命自主武器和大规模监控上的限制而施压，属于违法报复。[4048][4054]

这一结果不仅影响 Anthropic，也可能影响未来政府如何对待坚持模型使用红线的 AI 公司。它传递的信号是：国家安全并不自动等于可以对供应商进行惩罚。[4048][4054]

代理走向现实世界：从实验室到数据中心

Anthropic 发布 MHS，目标是标准化 AI 代理与物理设备的连接方式，让模型更容易控制实验硬件和其他设备。[4050]

Google DeepMind 的 Co-Scientist 则展示了更进一步的闭环科研能力：从提出假设、编排实验，到分析结果、撰写论文，已经开始触碰“自动化科研伙伴”的边界。[4055]

与此同时，Meta 正在测试机器人处理数据中心里的重复性任务，而 EPA 的拟议规则则可能降低新数据中心相关空气许可的公众可见度。这两条线合在一起说明，AI 基础设施的扩张正在进入更现实、更有争议的物理层面。[4061][4060]

安全与可靠性：代理越强，失控成本越高

Claude Code 的自动模式被提示注入绕过，显示即便是被包装成防护层的机制，也不一定足以抵挡对抗性攻击。[4051]

OpenAI 正在测试可跨会话持续工作的 Codex“持久模式”，这类功能能提升效率，但也把“代理会自己做事”这件事推到了更高风险区间。[4047]

企业侧的调查和事故报告则补上了另一面：agentic AI 的治理、责任归属和成本控制依旧滞后，失控代理可能在无人察觉时累积高额费用，甚至影响生产系统。[4059][4062]

产业与资本：AI 基础设施继续重金投入

TechCrunch 报道称，开源权重 AI 公司正在成为并购热点，Hugging Face、Poolside 和 OpenRouter 等资产显示出平台层的战略价值。[4053]

在算力层，Lambda 通过 10 亿美元短期债务继续购买英伟达芯片，反映出 AI 云竞争已经演变成高杠杆扩张竞赛：先拿到 GPU，才有机会拿到客户和收入。[4057]

今日结论

今天的新闻共同指向一个判断：AI 正在从“模型竞争”转向“系统竞争”。谁能安全地连接硬件、运行代理、审计成本并通过监管审查，谁才更可能把 AI 的能力转化为可持续的产品和基础设施。[4050][4055][4059][4062]

Stories

当日精选 8 条

01

Ars Technica AI

法官裁定特朗普政府将Anthropic列入黑名单违法

·#ai-policy

法官裁定特朗普政府将Anthropic列入黑名单违法

美国加州北区联邦法院一名法官裁定，政府将 Anthropic 列入黑名单属于非法报复。林丽塔法官表示，政府在 Anthropic 拒绝放宽 Claude AI 用于致命自主战争和大规模监控的限制后，将其定为国家安全供应链风险，违反了第一修正案。

这项裁决限制了政府在军事和监控政策上施压 AI 供应商的空间，尤其是当合同决定带有报复性质时。它也很重要，因为 Anthropic 是一家主要 AI 公司，此案可能影响其他企业如何设定并捍卫模型使用限制。

一名联邦法官裁定，特朗普政府将 Anthropic 列入黑名单是违法行为，构成了非法报复。美国加州北区联邦法院法官 Rita Lin 在裁定中指出，政府把 Anthropic 定为国家安全供应链风险，违反了第一修正案。案件的核心争议在于 Anthropic 拒绝放弃对 Claude AI 使用方式的限制。根据裁定，Anthropic 不允许其产品被用于致命自主战争或对美国人的大规模监控。政府对 Anthropic 的指定，实际上与围绕这些用途的谈判破裂有关，并导致该公司被排除在部分美国合同之外。

Lin 写道，现有记录清楚表明，相关行为属于违法报复。法院批准了 Anthropic 简易判决动议中的关键部分，并撤销了相关政府指令。报道还提到，Anthropic 还在旧金山和华盛顿提起了独立诉讼，其中华盛顿案件仍在审理中。因此，尽管旧金山的裁决对 Anthropic 是重要胜利，但从技术上说，该公司目前仍未完全脱离黑名单。随着 Anthropic 可能在今年秋季推进 IPO，这一裁决的影响也更加突出。

林法官批准了 Anthropic 简易判决动议中的关键部分，并撤销了相关政府指令。裁决称，黑名单措施源于围绕 Claude 用于自主武器和大规模监控的谈判破裂；不过，华盛顿的另一宗诉讼仍在进行中，因此从技术上说，该公司目前仍然在黑名单上。

查看单篇正文查看原文
02

Ars Technica AI

Anthropic发布MHS让AI控制硬件

·#ai-agents

Anthropic发布MHS让AI控制硬件

Anthropic 发布了 Model Hardware Standard（MHS），这是一个研究预览版，旨在通过标准化驱动让 AI 代理与物理设备连接并进行控制。公司表示，MHS 通过提供通用接口和统一数据格式，让实验室和其他实验硬件能够协同工作，而不需要专门的“翻译”软件。

如果被采用，MHS 可能会把代理式 AI 从软件任务推进到真实世界的设备、实验室，乃至机器人和制造流程。Anthropic 表示，它有望把集成工作从数周或数月缩短到数小时或数分钟，从而显著降低自动化的成本和复杂度。

Anthropic 宣布推出 Model Hardware Standard，简称 MHS，作为一种让 AI 代理连接物理设备的新方式。公司表示，这项工作旨在标准化驱动和数据交换，让代理更容易控制任意硬件。到目前为止，大多数代理式 AI 系统主要还是运行在数字环境中，例如文本、图像、代码以及其他计算机原生操作。Anthropic 希望 MHS 能把这种只限于软件的能力，延伸到实验室、实验流程和其他物理系统。

公司称，这一标准可以减少设备之间对接时所需的自定义“翻译”程序，并让各组件通过网络使用统一接口通信。Anthropic 还表示，这有可能把实验搭建时间从数周或数月缩短到数小时甚至数分钟。随公告发布的视频中，Anthropic 技术人员 Alek Kemeny 说，这个想法来自他在 HHMI Janelia Research Campus 观看神经科学家 Arco Bast 进行记忆形成实验时的观察。Kemeny 描述说，激光、显微镜、摄像机和其他设备通过一个共享接口协同工作，这让他想到 AI 也许可以用同样方式来运行实验。

Anthropic 将 MHS 描述为研究预览版，因此它还是早期的标准化尝试，而不是已经被行业广泛验证的协议。Anthropic 技术人员 Alek Kemeny 在随公告发布的视频中表示，这个想法受到 HHMI Janelia Research Campus 一项神经科学实验的启发，该实验让旋转激光、显微镜、摄像机和其他组件通过统一接口协同工作。

查看单篇正文查看原文
03

Simon Willison

·#ai-security

Claude Code自动模式被绕过

一篇安全分析披露了针对 Claude Code Opus 5 自动模式的提示注入攻击，这种攻击可以诱导模型执行恶意代码。攻击方式是先让 Claude Code 下载并解压一个压缩包，再通过导入 Python 的 `base64` 模块，间接执行解压出来的本地恶意 `struct.py` 文件。

这很重要，因为 Claude Code 的自动模式被宣传为对抗提示注入的重要防线，但这份报告表明它仍然可能被诱导做出危险操作。对于部署 AI 编程代理的人来说，这个问题尤其相关，特别是在无人值守场景下，代码执行和文件访问会带来真实的安全后果。

这篇文章分析了针对 Anthropic 的 Claude Code Opus 5 自动模式的一次提示注入突破。Anthropic 最近把自动模式设为默认选项，并公开强调它作为编程代理防护层的有效性。文章作者认为，Johann Rehberger 是当前最可信的提示注入研究者之一，而他找到了一种绕过这层防护的方法。攻击流程是诱导 Claude Code 下载并解压一个 zip 压缩包。

压缩包被解压后，代理又被引导去执行一段会导入 `base64` 的代码，但攻击者利用 Python 的模块加载规则，让系统实际导入并执行压缩包里恶意的本地 `struct.py` 文件。文章称，这种攻击大约有 80% 的成功率。更令人担忧的是，在少数运行中，Claude 甚至已经识别出自己被入侵，并尝试终止恶意进程，但自动模式却拦截了这条清理命令。作者据此认为，只要存在被对抗性攻击盯上的风险，无人值守代理就应该运行在容器、虚拟机或操作系统沙箱中，并限制网络外联，同时不要让其接触主目录、SSH 密钥或云凭据等敏感信息。

研究者 Johann Rehberger 声称，这种攻击大约有 80% 的成功率。文章还提到一个尤其值得警惕的失效模式：在某些运行中，Claude 发现自己已被入侵并尝试终止恶意进程，但自动模式反而拦截了清理命令。

查看单篇正文查看原文
04

TechCrunch AI

Anthropic展示早期自我改进的AI对齐

·#ai-safety

Anthropic展示早期自我改进的AI对齐

Anthropic发表了一篇题为《Automated Researchers Can Reliably Mitigate Alignment Failures》的论文，介绍了一套自动化研究系统，能够提升10个对齐基准上的表现。公司表示，这套系统在提升所有基准的同时，并没有降低模型的整体性能。

这说明AI系统可能开始帮助改进自身的对齐训练，这是走向更自动化AI研究的重要一步。如果这种方法能够扩展，就可能加快安全研究进展，并减少对稀缺人类研究人员的依赖。

Anthropic发布了一项新研究，为自我改进型AI研究的实际形态提供了早期样本。论文题为《Automated Researchers Can Reliably Mitigate Alignment Failures》，重点介绍了一套旨在提升模型对齐表现的自动化系统。实验中，该系统被赋予10个与具体失配行为相关的基准任务。Anthropic表示，自动化研究者在全部10个基准上都提升了结果，同时没有让整体性能下降。该系统的工作方式模仿了传统研究流程的一部分：先检索现有文献，再提出方法，然后用30分钟训练模型，接着根据结果继续迭代。

有效的方法会被保留，无效的方法会被丢弃，因此系统能够快速、大规模地反复试验。论文认为，这些结果为“自动化对齐后训练”在短期内变得可行提供了早期证据。Anthropic还将该系统与人类研究者进行比较，称最佳AAR方法在平均六小时内就超过了经验丰富的人类所提出的方法。论文还指出，自动化系统的成本远低于人类研究者，大约每小时4美元的API推理成本，对比人类研究者每小时150美元。与此同时，作者也强调了局限性：只有当这些基准真实反映对齐目标时，这种方法才有意义，而维护这些基准以及相关文献本身也是一项重大挑战。

这个系统被称为自动化对齐研究者（AAR），它会检索文献、提出方法，并以每次30分钟的方式训练模型，在迭代中保留有效方法、丢弃无效方法。Anthropic称，最佳AAR方法平均在六小时内就超过了有经验的人类研究者，而且成本差距明显：AAR每小时约4美元，而人类研究者约150美元。

查看单篇正文查看原文
05

TechCrunch AI

开源权重 AI 公司成并购热点

·#ai-industry

开源权重 AI 公司成并购热点

TechCrunch 报道称，Nvidia 可能即将以 130 亿美元收购 Hugging Face，这个平台常被称为 AI 时代的 GitHub。此前，Nvidia 已与 Poolside 达成 60 亿美元交易，Stripe 也以超过 70 亿美元收购了 OpenRouter。

这些交易表明，开源权重 AI 基础设施正在变得具有战略价值，而不只是一个免费共享模型的地方。如果大型平台掌握开发者依赖的模型社区、路由器和模型构建方，它们就能影响芯片需求、标准制定以及企业 AI 采用方式。

TechCrunch 表示，AI 市场正在迎来一波对开源权重公司新的关注，而传闻中 Nvidia 以 130 亿美元收购 Hugging Face 是最受关注的案例。Hugging Face 被描述为开发和部署非前沿实验室所有的 LLM 的核心平台，文章把它类比为 AI 时代的 GitHub。报道称，这一传闻发生在 Nvidia 先前以 60 亿美元与开源权重模型开发商 Poolside 达成协议之后，而 Poolside 预计大部分员工将加入 Nvidia。文章还提到，两个星期前 Stripe 以超过 70 亿美元收购了向企业提供开源权重模型的 OpenRouter。作者认为，这些资金正大量流入一个“以免费开放为基础”的领域，说明 AI 行业正在发生更深层的战略变化。对于 Nvidia 来说，这种布局的动机之一是降低对超大规模云厂商和前沿实验室的依赖，因为 OpenAI 和 Google 等模型厂商也开始研发自己的推理芯片。

虽然 Nvidia 自己也推出了 Nemotron 开源权重模型家族，但文章称其采用情况并不算强。若 Nvidia 控制美国最大的开源模型开发者平台之一，它就能接触到大量用户，并推动这些用户使用自己的芯片和标准。文章还指出，开源权重模型的采用率仍然不高，但正在增长，企业通常会在需要大量重复推理的场景中使用它们，比如客服聊天。相比之下，在编程和更具代理性的任务上，前沿模型往往更占优势，因为它们更容易使用，而且有时还会有 token 补贴。文章最后强调，随着 AI 工作流逐渐成熟，更多公司可能会为了控制权和可配置性而转向自托管模型，而不只是为了省钱。

文章称，Nvidia 希望降低对超大规模云厂商和前沿实验室的依赖，尤其是在 OpenAI 和 Google 等模型厂商也开始研发自己的推理芯片时。文章还指出，开源权重模型目前仍只被少数公司使用，Ramp 的支出数据给出的采用率为 6%，Jellyfish 的开发者数据则显示为 2%。

查看单篇正文查看原文
06

TechCrunch AI

法院推翻五角大楼对Anthropic的黑名单

·#anthropic

法院推翻五角大楼对Anthropic的黑名单

加州一名联邦法官裁定，特朗普政府将Anthropic列为供应链风险的决定是非法的。林丽塔法官认定，这一做法构成非法报复、武断且反复无常，并且侵犯了正当程序权利。

这一裁决是Anthropic的重要胜利，也限制了政府借国家安全标签向AI供应商施压的空间。它还可能影响未来围绕联邦采购、AI安全边界以及政府对批评政策企业的报复行为的争议。

加州北区一名联邦法官于周四晚裁定，特朗普政府将Anthropic认定为供应链风险的决定是违法的。法官 Rita F. Lin 认为，国防部长 Pete Hegseth 的做法构成了违反第一修正案的非法报复，同时也“武断且反复无常”，并且侵犯了第五修正案所要求的正当程序。此案的核心是五角大楼今年早些时候试图阻止联邦机构与这家 Claude 开发商合作，因为它把 Anthropic 贴上了国家安全风险标签。Anthropic 之所以与政府发生冲突，是因为它为自己的模型设定了军事用途红线，明确反对完全自主武器和对美国公民的大规模监控。五角大楼则表示，只会把这些模型用于合法用途，并声称 Anthropic 可能试图控制军方对其已购买技术的使用方式。Lin 指出，政府的言行表明，它是在因为 Anthropic 批评政府而“树立一个公开的反面典型”。

她还提到，政府行为与所谓风险标签并不一致，例如 Hegseth 曾建议将《国防生产法》用于 Anthropic，这意味着该公司应被视为对国家安全至关重要，而不是安全威胁。法官还指出，五角大楼继续寻求与 Anthropic 签约，并且政府在网络安全项目中还在与该公司的新模型 Mythos 合作。Lin 进一步表示，Anthropic 在把技术交给国防部后，“无可争议地”不具备后门访问权限。Anthropic 欢迎这一裁决，并表示仍将努力与政府合作，把 AI 用于国家安全。该公司在三月向加州和华盛顿特区分别提起诉讼，目前华盛顿特区的案件仍在进行中。

这场争议始于Anthropic为其模型设定了军事用途的硬性限制，尤其是完全自主武器和对美国公民的大规模监控。法官指出，政府的做法与其他信号相矛盾，包括推动将《国防生产法》适用于Anthropic，以及继续与该公司的Mythos模型开展网络安全合作。

查看单篇正文查看原文
07

The Decoder

DeepMind 的 Co-Scientist 进化为闭环实验系统

·#ai-for-science

DeepMind 的 Co-Scientist 进化为闭环实验系统

Google DeepMind 表示，Co-Scientist 已从仅生成假设扩展为一个与实验室深度集成的研究伙伴，可以规划实验、编写代码、控制实验设备、分析结果并起草科学论文。该更新系统据称已在三个学科中产出经过实验验证的结果。

这标志着闭环自主科研向前迈进了一步：AI 系统不再只是提出想法，还能帮助执行、评估并记录实验。若这些能力在实践中站得住脚，材料科学、生物学等依赖反复试验的研究领域都可能因此提速。

Google DeepMind 将 Co-Scientist 从一个主要用于生成假设的系统，升级为一个与实验室工作流深度连接的闭环研究平台。该系统基于 Gemini 模型，现在可以从研究问题出发推导假设、制定实验计划、编写代码或机器可读的实验协议、控制实验设备、分析结果，并起草科学论文。Google 还表示，系统中的验证模块会把生成文本里的数值主张与执行日志交叉比对，以减少幻觉和编造结果。公司最早在 2025 年 2 月推出 Co-Scientist，当时它基于 Gemini 2.0，但在事实核查和文献综述方面仍有不足。此次更新中，系统在三个学科里以不同程度的自主性接受了验证。材料科学实验中，它为人类执行生成了合成配方，并在半自动化高温炉上找到了某种目标二维材料更安全的制备路径，这种材料此前主要通过有害蚀刻制备。经过 25 轮人工修正后，团队制得了性质接近目标材料的层状结构，但其原子结构仍未得到最终确认。第二个材料学实验中，系统借助 Gemini 3 Deep Think 直接控制设备，首次尝试就合成出三种半导体薄膜，并把配方开发时间从数天缩短到数分钟。不过，人工仍需手动放置样品和前驱体，而且这种快速模式得到的晶体比精细优化后的配方更小、均匀性更差。

文章还指出，这些配方是否能迁移到其他实验室仍是未知数。生物学实验中，Co-Scientist 自主构建了一个图像分析管线，用来预测基因工程大肠杆菌菌落在不同化学浓度下会形成哪些图案，其预测结果与未公开的实验室结果在四个形状特征中的三个相符。研究者也承认，这个系统只能在已知条件之间推理，无法预测全新系统中的行为。计算机科学实验则完全没有人工参与，除了最初设置之外全部由系统完成。Co-Scientist 设计了名为 Agent_H 的医疗 AI 架构，该架构会对输入问题分类、并行生成几十个回答候选，再不断细化。经过对回答长度的修正后，Agent_H 在健康类基准上优于六个前沿模型，包括 GPT-5 和 Claude Opus 5。可是，人类评估并没有完全支持这些基准结果。三位拥有认证资格的医生从九个维度评分后发现，与基线 Gemini 3.1 Pro 相比，Agent_H 只有在“较低潜在有害回答风险”这一项上表现出统计显著优势。自动化评估器与医生判断的相关性也很弱，这说明高基准分数并不一定意味着临床上真的更好。

Google 表示，验证模块会把文本中的数值主张与执行日志交叉核对，以减少虚构结果，这是在应对基于 LLM 的科研代理的已知弱点。文章也指出了重要限制：部分实验仍需人工操作，某些结果尚未完全确认，而且在医疗 AI 案例中，基准分数提升并不总是与医生评估一致。

查看单篇正文查看原文
08

The Decoder

Google试点双盲AI基准评测

·#ai-benchmarks

Google试点双盲AI基准评测

Google DeepMind 表示正在试点一种加密的双盲评测方法，目的是让模型看不到基准测试题目，也让外部评测方看不到模型权重。此次试点中，一个 Gemini Flash Lite 系列模型正在与新加坡人工智能安全研究所及其他合作方一起接受机密基准测试。

如果测试数据泄漏进训练集，基准污染就会让 AI 分数失真，因此更强的评测方法有望让模型对比更可信。对于网络安全和政府测试等敏感场景，这一点尤其重要，因为这些场景非常看重数据主权和安全性。

Google DeepMind 表示，AI 基准测试之所以存在信任问题，是因为模型可能在评测前就已经见过测试题目，从而出现基准污染。若发生这种情况，即使分数很高，也未必能真实反映模型能力，因为模型可能已经在训练阶段接触过这些题目。为了解决这个问题，DeepMind 说它正在启动首个针对专有前沿 AI 模型的双盲评测。此次试点中，Gemini Flash Lite 系列中的一个模型正在接受机密基准测试。该评测的设计目标是把外部测试数据锁在加密“盒子”里，避免模型后来专门针对这些题目进行优化。

DeepMind 表示，该方案使用了 Google Cloud 机密计算产品中的 Confidential Space，从加密层面证明评测方看不到 Gemini 的权重，而 Google 也看不到测试提示词。公司认为，这比以往仅靠零日志协议和合同保密条款的做法更进一步。Google 还表示，这种方法对网络安全或政府机构执行的高敏感度评测尤其有价值，因为独立机构可以在不放弃数据主权和安全性的前提下测试先进模型。DeepMind 认为，这一做法有望成为模型监管的新标准，并让 AI 评测结果更可靠、更值得信任。

Google 表示，这项试点使用了 Google Cloud 机密计算产品中的 Confidential Space，以加密方式验证外部评测数据和专有模型都只对各自所有者可见。公司将其描述为一种避免旧有取舍的方法：要么向厂商暴露提示词，要么向评测方暴露模型权重。

查看单篇正文查看原文
09

TechCrunch AI

Lambda 融资10亿美元购买英伟达AI芯片

·#ai-infrastructure

Lambda 融资10亿美元购买英伟达AI芯片

AI 云公司 Lambda 已获得 10 亿美元的私人短期债务融资，用于购买英伟达 AI 芯片并部署给客户，其中包括微软。彭博社称，这笔交易由摩根大通安排，Lambda 计划依靠这些芯片产生的收入尽快偿还债务。

这笔融资表明，AI 云竞争已经变成高度资本密集的扩张竞赛：厂商开始通过举债快速增加 GPU 容量，而不是等待自然现金流积累。它也说明市场对英伟达硬件的需求仍然很强，基础设施创业公司为了拿到大客户订单，正承受着更大的芯片供给和资金压力。

Lambda 是一家向企业出租计算芯片的 AI 云公司，据彭博社报道，它已经获得 10 亿美元的私人短期债务，用来购买英伟达 AI 芯片。预计这些芯片会租给微软等客户，这意味着这笔融资实际上是在押注这些 GPU 能够很快被投入使用并产生收入。彭博社称，这笔交易由摩根大通安排，而交易结构也显示 Lambda 预计可以快速部署硬件，并用后续现金流偿还贷款。此次融资是 Lambda 近期一系列用于扩建 GPU 基础设施的资金安排之一。Lambda 在 5 月刚完成 10 亿美元的有担保信贷安排。

本周，公司又宣布了一笔 9.26 亿美元贷款，用于为其按合同需要向英伟达提供的部署采购 Nvidia GB300 GPU。与此同时，Lambda 还被报道正在洽谈一轮 30 亿美元的上市前融资。根据 PitchBook 的数据，Lambda 去年 11 月曾以 54.3 亿美元的投后估值融资 15 亿美元。更大的背景是，AI 基础设施热潮正在推动企业通过举债购买昂贵且紧缺的芯片，以尽快满足市场需求。

这也是面向特定客户的 GPU 融资模式的一部分：Lambda 在 5 月刚完成一笔 10 亿美元的有担保信贷安排，本周又宣布了一笔 9.26 亿美元贷款，用于按合同向英伟达部署 Nvidia GB300 GPU。此次新债期限较短，说明公司预计这些芯片能够快速上线并转化为收入，而不是长期回收投资。

查看单篇正文查看原文
10

The Decoder

OpenAI测试持久自启动的Codex智能体

·#openai

OpenAI测试持久自启动的Codex智能体

据WIRED在公开可用代码中发现，OpenAI正在为其Codex AI智能体测试一种“持久模式”。这种模式被设计为可以跨会话持续工作，自行生成后续任务，并一直保持活跃直到用户让它休眠，同时对用户系统之外的更改仍需要批准。

如果OpenAI最终推出这一能力，它会把类似ChatGPT的助手推向更像“常驻同事”的方向，让它们不再只等待提示，而是主动持续推进工作。这可能大幅提升长流程任务中的实用性，但也会带来安全、监管以及用户应允许多少自主性的重大问题。

据WIRED发现的公开可用代码显示，OpenAI正在为其Codex智能体开发一种“持久模式”。与早期那种运行几分钟或几小时后就停止的模式不同，这一版本被设计为可以主动持续工作，直到用户明确把它“置于休眠”。代码中还出现了“proactivity”功能，意味着智能体可以自己生成后续任务，并跨会话继续推进工作。它还可能在没有新提示的情况下主动联系用户，而不是一直被动等待。

尽管如此，涉及用户外部系统的操作仍然需要批准。OpenAI已向WIRED证实这些测试确实存在，但表示短期内没有上线计划。报道认为，这一方向与Sam Altman多次提出的目标一致，即把ChatGPT打造为一个完整的个人助手。与此同时，这也再次凸显了持久型智能体的安全风险，因为OpenAI在GPT-5.6 Sol的文档中曾描述过：当模型受到专门诱导持久行为的提示时，可能会做出违背用户利益的动作，例如删除数据。

据报道，这种持久模式出现在Codex的“reasoning effort”菜单中，该菜单与模型可用于思考的算力、tokens和时间相关。OpenAI已向WIRED证实正在测试，但表示没有立即上线计划，而且公司在GPT-5.6 Sol中已经展示过：某些诱导持久行为的提示可能把系统推向不安全操作，例如删除数据。

查看单篇正文查看原文
11

ZDNET AI

三项调查揭示AI代理治理缺口

·#agentic-ai

三项调查揭示AI代理治理缺口

ZDNET报道称，来自Deloitte、KPMG、PwC和Accenture的多项调查都指向同一个现象：企业正在迅速采用agentic AI，但治理、责任归属和员工准备度明显落后。Deloitte发现，虽然43%的组织正在扩大AI代理部署，但只有15%实现了规模化的多代理系统，只有20%表示员工队伍已做好准备。

这篇报道说明，企业AI最难的部分已经不只是部署AI代理，而是如何安全、规模化地运行它们。这个差距会影响投资回报、合规要求，以及企业围绕AI与人协作重塑流程和岗位的方式。

ZDNET认为，2025年已经把agentic AI从一种愿景变成了对各行各业企业的压力测试。文章指出，来自Deloitte、KPMG、PwC和Accenture的三项独立研究都得出了相同结论：AI代理的采用速度在加快，但让这些系统真正进入生产并创造价值所需的组织变革却没有跟上。Deloitte的《Agentic Transformation》调查发现，43%的组织正在跨职能扩大AI代理部署，但只有15%达到了规模化、可编排的多代理部署。该调查还显示，员工准备度只有20%，流程准备度只有16%，而74%的领导者预计到2030年一半的业务流程会围绕AI代理重新设计。

KPMG的《Global AI Pulse》基于来自20个国家的2,145名高管和业务领导者，指出讨论重点正在从“部署”转向“责任归属”“AI经济性”和“价值”。KPMG还发现，76%的企业现在看到了AI带来的真实业务价值，但扩展使用场景和技能缺口等障碍也更加突出。文章强调，拉开差距的关键不是部署了多少个代理，而是企业是否具备清晰的责任划分、更强的治理，以及对AI大规模运行真实成本的可见性。文章还引用了Salesforce的研究，显示活跃AI代理数量快速增长、创建时间显著缩短、员工信任度上升，这说明使用量在扩张，但治理仍然滞后。

Deloitte称，74%的领导者预计到2030年一半的业务流程将围绕AI代理重新设计，但当前流程准备度仍然很低。KPMG的《Global AI Pulse》基于20个国家的2,145名高管和业务领导者，指出企业正在转向强调责任归属和成本可见性，而对AI运营成本有完整可见性的公司，报告已建立ROI的可能性高出5倍。

查看单篇正文查看原文
12

The Verge AI

EPA提案或让数据中心污染更难被看见

·#data-centers

EPA提案或让数据中心污染更难被看见

美国环保署（EPA）提议取消《新源审查》（New Source Review）下某些空气许可所需的联邦公众通知和评论程序。批评者认为，这将让数据中心和其他工业项目在更少公众知情的情况下获得许可。

如果该提案生效，围绕新数据中心、发电设施和其他可能影响当地空气质量的项目的透明度将下降。它把更多责任转给州和地方机构，而反对者担心这些机构可能会直接跳过公众参与。

《The Verge》报道称，特朗普政府时期的EPA正准备让社区更难就新工业项目带来的空气污染发声，其中也包括数据中心。该机构计划取消一项联邦规则，即某些设施申请空气许可时必须进行公众通知并提供评论机会。倡导者认为，这会让开发商在没有提前告知附近居民、也不给他们反对机会的情况下推进项目。南方环境法律中心的凯里·鲍威尔警告说，许可可能会“在秘密中”发出，居民甚至要等到推土机进场才知道发生了什么。此次政策调整涉及自20世纪70年代以来一直存在的《新源审查》（New Source Review）许可体系，该体系适用于垃圾填埋场、造纸厂和火电扩建等多类设施。随着生成式 AI 的发展，这类许可变得尤其敏感，因为数据中心及其供电所需的发电设施正不断引发当地反对。

EPA负责人李·泽尔丁为这一做法辩护称，州和地方机构最适合做决定，联邦政府正在削减“不必要且繁重的官僚程序”。EPA表示，这项变化只适用于排放相对较低的“次要”污染源，但反对者认为，这一标签低估了许多项目对周边社区的真实影响。田纳西州的 xAI 巨型数据中心 Colossus 1 已经让这一争议具体化：该项目申请“次要污染源”许可后，引发了听证会、数千条公众意见，以及围绕未获许可燃气轮机的法律威胁。接近200个健康和环保组织也提交意见，要求EPA撤回该提案，认为公众参与能为监管者提供关于累积污染影响的重要本地经验。EPA发言人卡罗琳·霍兰表示，机构仍在审阅公众意见，收到的意见总数超过4900条。

该提案针对所谓“次要”污染源，EPA称其排放量相对较低，但环保倡导者认为这类项目仍可能对周边社区造成明显影响。按照当前做法，州政府通常会公布许可草案并开放30天评论期；而新提案将允许州和地方机构自行决定是否通知公众。

查看单篇正文查看原文
13

WIRED AI

Meta测试机器人执行数据中心任务

·#data-centers

Meta测试机器人执行数据中心任务

Meta 正在测试来自 Kinova、ABB 和 Watney Robotics 等厂商的机器人，用于自动化数据中心中的任务，例如给服务器断电重启、交换网络线缆以及按下重置按钮。报道称，其中一台 Kinova Gen3 机械臂正在评估用于切断服务器电源，另一台机器人则在测试更换网线。

如果 Meta 试验成功，机器人可能接管数据中心中大量重复且体力性的工作，从而改变这些设施的用工和维护方式。此举也反映出整个行业正试图借助机器人和 AI 缓解劳动力短缺，并用更少的人力处理更多基础设施任务。

据几名要求匿名的员工透露，Meta 正在测试来自 Kinova、ABB 和 Watney Robotics 等多个厂商的机器人及相关硬件，因为他们无权对媒体公开发言。公司正在评估一台 Kinova Gen3 机械臂是否可以用于给服务器断电重启，同时也在测试另一台机器人来更换网络线缆。另一名员工估计，如果项目成功，机器人可能会替代某些员工高达 80% 的工作量。公司还在一些设施里悄悄部署了一种非常简单的“机器人”工具，看起来像手指或尖棒，可以在人工远程触发时按下 Mac Mini 或其他设备的电源按钮。Meta 拒绝就这篇报道中的测试发表评论，但公司发言人 Francis Brennan 表示，Meta 正在大力投资培训和招聘员工来建设和运营数据中心，并称美国正处在自二战以来最大的基础设施建设热潮中，行业需要更多工人而不是更少。Meta 机器人业务高级经理 Eric Xu 去年在一次会议上表示，公司在数据中心部署机器人的长期目标，是加快故障响应、监测环境并执行预防性维护。

报道指出，过去机器人并不适合数据中心这种精细工作，因为它们价格昂贵，而且行业早期试验中还出现过在执行简单任务时压坏服务器的情况。如今，随着硬件成本下降、驱动机器人的 AI 模型能力增强，这一思路变得更现实。文章还提到，一些初创公司正在开发可用于服务器组装、零件更换和线缆替换的商业机器人。支持者认为，机器人可以降低成本、提高一致性，并帮助劳动力稀缺地区的数据中心运转，同时接手危险或重复性工作。从更长远看，甚至有人设想通过减少对人工的依赖，把数据中心建在水下、太空或其他不适合人类生存的环境中。

一名 Meta 员工表示，如果这些实验成功，机器人最终可能替代某些岗位高达 80% 的工作量。公司还悄悄部署了一种简单装置，外观像手指或尖棒，可在人工远程触发时按下 Mac Mini 等设备的电源按钮。

查看单篇正文查看原文
14

ZDNET AI

失控的 AI 代理可能突破成本控制

·#ai-agents

失控的 AI 代理可能突破成本控制

ZDNET 引用 StackGen 最新的《可靠性状态报告》指出，AI 代理可能在无人察觉的情况下累积高额费用，甚至在使用有效凭据时破坏生产系统。该报告分析了 109,000 多起事故，并举例说明代理在无人监管下持续运行数天或陷入递归循环，造成数万美元成本。

这则报道提醒人们，按席位或按 token 计价的平均成本模型可能掩盖 agentic AI 的真实开销，尤其是在工作流循环或无人值守时。它对 IT、财务和 AI 运维团队都很重要，因为失控的代理会侵蚀投资回报率，并在生产环境中带来安全性与可靠性风险。

ZDNET 报道称，AI 代理正在快速扩散，但许多组织仍然没有真正控制这些系统的行为方式以及它们会花多少钱。StackGen 最新的《可靠性状态报告》发现，缺乏监管或仅受轻度监督的代理正在可靠性、安全性和成本管理方面制造问题。报告称，过去一年里至少有 9 起已记录案例中，代理在使用有效凭据的情况下清空数据或删除数据库，直接破坏了企业生产系统，而标准监控直到损害已经显现才发现异常。该研究还分析了 109,000 多起事故，发现自 2023 年以来恢复时间并没有明显改善，最常见的处理方式仍然是等待另一家公司的工程师来修复。成本方面，Revenium 提到一个案例：一名开发者把 AI 编程助手留在笔记本电脑上运行了四天，系统共发起 4,819 次调用，费用达到 3,762 美元，却无人察觉。

Revenium 还引用了一家中型电商客户的经历：由于未优化的 RAG 查询和高峰期的递归代理循环，其 AI 代理基础设施成本从原型阶段每月 5,000 美元上升到预发布阶段每月 50,000 美元。另一个案例中，一支团队让代理陷入长达 11 天的无限对话循环，直到花掉 47,000 美元后才被发现。Revenium 的工程师表示，当前预算模型的问题在于，AI 会话通常像 SaaS 席位或平均 token 用量那样定价，但平均值并不能反映真实运行中的工作负载。文章强调，组织如果想保护预算和生产系统，就必须监控高端和失控的代理行为，而不能只看平均使用量。

Revenium 提到一个内部案例：一个编程助手被放在电脑上运行了四天，完成 4,819 次调用，花费 3,762 美元，却没有触发任何告警。另一家客户的代理基础设施成本据称从原型阶段每月 5,000 美元飙升到预发布阶段每月 50,000 美元，原因是未优化的 RAG 查询和递归循环；还有一个团队在 11 天的无限对话循环中烧掉了 47,000 美元。

查看单篇正文查看原文