核心观点 - 谷歌DeepMind开发的AlphaEvolve系统，通过将算法源代码作为基因组，并利用大语言模型作为遗传算子进行“自然选择”，成功进化出全新的博弈论算法[1] - 进化出的算法（如VAD-CFR和SHOR-PSRO）采用了反直觉的、人类研究者从未想过的底层机制，在几乎所有测试的博弈中，性能全面碾压人类几十年设计的经典方案[1][20][21] - 这标志着AI从单纯执行算法，转向了自主发明算法，代表了算法设计范式的根本性转换[1][22][23] 技术框架与工作原理 - 系统名为AlphaEvolve，是一个进化式编码智能体，其工作方式更接近于达尔文的自然选择而非传统编程[5] - 它将算法的源代码当作基因组，使用大语言模型（如Gemini）作为遗传算子，对代码进行有语义的变异，例如重写逻辑、注入新控制流、改变符号操作[5][17] - 系统在一组博弈论基准游戏上评估每个“后代算法”的适应度，核心指标是可利用度，适应度高的算法存活并进入下一代，持续进行变异、评估和筛选[5][14] 目标算法与应用领域 - AlphaEvolve瞄准的目标是多智能体强化学习中两个核心的算法家族：反事实遗憾最小化和策略空间响应预言[6] - 这些算法是不完全信息博弈（如德州扑克）中寻找纳什均衡的关键技术，曾被用于开发Libratus和Pluribus等碾压人类扑克高手的AI[7] - 过去几十年，人类研究者通过手动调参和直觉设计了一系列变体，如CFR+、DCFR等[10] 算法设计的挑战与突破 - 不完全信息博弈是AI领域最难的挑战之一，其特点是玩家无法看到全部信息[12][13] - 算法设计的核心挑战在于设计空间是组合爆炸级别的，涉及如何折现历史遗憾、区别对待正负遗憾、策略平均的时机与权重等众多选择[14] - 传统方法受限于数学可推导性，只能在“优雅但有限”的设计空间搜索，而AlphaEvolve将搜索空间扩展到任意可执行代码，利用LLM进行“有意义的变异”，使得搜索可能性从几百种暴涨到近乎无限[16][17] 进化算法的具体成果 - 进化出的第一套算法VAD-CFR采用了三项反直觉机制：在局势混乱时果断忘掉旧经验、发现好招时立刻加倍下注、前500轮纯学习不做总结[20] - 进化出的第二套算法SHOR-PSRO学会了在训练和考试时使用不同策略：前期大胆试探，后期精准收网；训练时求稳，考试时求准[21] - 这些规则并非来自教科书，而是AI自主“进化”的结果，其有效性让人类专家感到惊讶[22] 性能与影响 - 在11个测试博弈中，AI进化出的算法碾压了所有人类设计的前辈算法[23] - 论文结论指出，自动发现的算法机制（特别是管理遗憾缩放和动态混合调度的机制）对人类直觉而言难以捉摸，但在实践中极其有效[25] - 这不仅是效率的提升，更是算法设计范式的转换，从“人类设计算法，机器执行”转变为“机器设计算法，机器执行”[17][23] 未来方向 - 公司计划将该进化框架应用于深度强化学习智能体的完整设计[25] - 公司还计划探索在合作博弈中的机制发现，预示着让AI进化出整个学习范式的可能性[25]

谷歌AI研究：元控制器与内部强化学习 - 谷歌团队通过引入元控制器操控模型内部残差流，使智能体在稀疏奖励环境中学会了“跳跃式思考” [1] - 该研究揭示了大模型内部可自发形成类似人脑的层次化决策机制，为AI在需要多步的复杂任务提供了全新的训练范式 [1] - 研究标志着AI研究从单纯优化模型输出，转向理解和操控模型内部认知过程 [22] 传统方法的局限与问题 - 传统大模型依赖逐词生成（token-by-token）的探索方式，在奖励稀疏的复杂长序列任务中难以完成 [2] - 这导致智能体需要外挂规划器才能完成复杂任务，如同蒙眼走迷宫，只有到达终点才能获得反馈 [1][2] - 在需要多个正确步骤才能获得奖励的“组合式任务”中，传统方法难以让智能体掌握层次化解决问题的能力 [4] 元控制器的工作原理与架构 - 元控制器通过接收基模型的残差流，能够生成一系列简单的内部控制器 [5] - 每个内部控制器对应一个时序抽象动作，并附带终止条件，通过按时间组合多个控制器，智能体能够在新任务上实现高效探索 [5] - 通过自监督的下一步动作预测，元控制器发现如何生成时间上稀疏变化的简单内部控制器序列 [7] - 元控制器能通过变分推理自动识别有意义的行为模块，相当于无监督发现抽象动作 [9] - 元控制器能动态控制抽象动作的持续时间，并能将学到的抽象动作重新组合以解决新任务 [9] 内部强化学习范式与效果 - 内部强化学习在元控制器发现的抽象动作空间中进行学习，与传统在原始动作空间学习的强化学习不同，搜索空间大幅减小 [11] - 在需要组合泛化的任务中，内部强化学习的成功率显著高于所有基线方法，包括先前最先进的分层强化学习方法CompILE [11] - 智能体学会将长序列任务分解为可重用的子程序，使搜索空间变小，奖励不再稀疏 [13] - 该方法通过对动作空间降维，将高维残差流空间压缩到低维抽象空间，并在抽象时间尺度上操作，使得在抽象层面进行奖励分配更加高效 [13] “觉醒-睡眠”训练循环的实现 - 该研究可视为“觉醒-睡眠”训练循环的具体实现 [15] - “睡眠”阶段对应自回归基础模型的预训练，模型通过下一个token预测的目标，在大量未标注行为数据上进行自监督学习 [15] - “觉醒”阶段则是元控制器及其驱动的内部强化学习，学习如何操控基础模型的内部残差流激活以生成抽象动作 [16] - 研究发现，只有当基础自回归模型在元控制器训练期间被冻结时，才会涌现出与子目标对齐的正确切换表征 [20] - 这印证了分阶段、迭代式训练的理论优越性，符合“先睡眠（构建模型）、后觉醒（学习控制）”的方案 [21] 研究的理论意义与潜在应用 - 研究表明，预测下一个词的训练方式结合元控制器，能够诱导出层次化的时间抽象，这与人类的问题解决方式高度相似 [22] - 该研究在不依赖手动奖励塑形的情况下解决需要多步才能完成的任务，是迈向能够导航复杂、开放式搜索空间的自主智能体的关键一步 [22] - 与稀疏自编码器等解释性方法相比，元控制器直接通过残差流干预降低预测误差，具有内部记忆，支持长时间跨度的干预，且能够发现可解释的、长时间持续的干预策略 [22] - 该技术潜在应用广泛，包括让机器人执行需要多步协调的复杂任务、自主分解复杂数学问题为推理步骤、以及在稀疏奖励环境中进行高效科学探索和假设检验 [23] - 该内部强化学习范式尤其适合需要长期规划和组合推理的场景，为实现真正通用的智能系统提供了新路径 [24]

消费行业 - 彪马2025年第四季度营收同比下降27.2%至15.6亿欧元，净亏损3.37亿欧元，上年同期盈利2450万欧元 [1] - 瑞幸咖啡2025年总净收入492.88亿元，同比增长43%，门店总数超3.1万家，累计交易客户数突破4.5亿 [1] - 商务部数据显示，春节假期重点平台入境游订单增长18.4%，上海、四川离境退税销售额同比分别增长1.5倍和3.2倍 [17] - 春节假期重点平台智能眼镜、具身智能机器人销售额分别增长47.3%和32.7% [17] - 中国商业联合会监测显示，春节假期百家重点大型零售企业商品日均零售额同比增长24%，金银珠宝类增长33.4%，食品类增长23%，服装类增长17.3% [18] - 《网络餐饮服务经营者落实食品安全主体责任监督管理规定》将于6月1日实施，重点整治“幽灵外卖” [9] 出行与汽车行业 - 领克因车主语音误操作关闭大灯导致事故，已通过云端推送优化方案，后续在行驶状态下只能手动关闭大灯 [2] - 吉利汽车以约6312万港元回购384.1万股，加权均价16.43港元，当前库存股占已发行总股本约0.22% [2] - 梅赛德斯-奔驰中国与Momenta升级合作，合作开发的智能辅助驾驶系统将覆盖高速、城区及泊车场景，并将在年内上市的9款新车型上落地 [3] - 2026年1月，中国品牌乘用车共销售132.9万辆，环比下降32.1%，同比下降8.9%，占乘用车销售总量的66.9% [10] 科技与互联网行业 - 2026年中国手机市场或面临全品类、全品牌同步普涨，新品涨幅最低达1000元以上 [4] - 百度2025年总营收达1291亿元，AI业务营收达400亿元，第四季度AI业务收入占一般性业务收入的43% [5][6] - 京东上线“百亿超市”频道，计划未来3年内投入超200亿元商品补贴，目标帮助品牌实现额外销售增量2000亿 [7] - 爱奇艺2025年总收入272.9亿元人民币，Non-GAAP运营利润6.4亿元，连续四年运营盈利 [8] - 魅族宣布将暂停国内手机新产品自研硬件项目 [15] - 谷歌发布新一代图像生成模型Nano Banana 2，旨在使高质量图像生成更快、成本更低 [21] 大健康与医药行业 - 赛诺医疗2025年净利润暴增30倍，迈得医疗营收增长63%并实现扭亏 [4] - 国家卫健委领导更新，刘金峰已任国家卫生健康委员会副主任、党组成员，国家中医药管理局局长、党组书记 [12] - 石药以2.3亿元出售子公司 [14] - 我国肠道健康市场规模超1200亿元，五味子多糖获国家发明专利，通过“抗炎修护+菌群调节”双通路作用 [19] - 中外制药股价创新高，市值达1087亿美元，成为亚洲首家跻身全球药企“千亿美元俱乐部”的企业，2025年营收达12579亿日元，营业利润率高达49.8% [20]

美国稀土供应链重建与REalloys的核心地位 - 美国稀土产业格局脆弱，多数公司仍停留在上游的矿山、氧化物、分离试验和规划阶段，而REalloys是唯一一家处于下游、拥有实际运作供应链的公司[1] - 重稀土元素（特别是镝和铽）对国防至关重要，它们是确保精密制导导弹和导弹防御拦截器等武器系统在极端条件下保持磁性能不可或缺的原料[1][2] - REalloys是美国国防部稀土金属和合金的供应商，其国内生产的国防级材料已嵌入现有项目供应链，在2027年采购规则变化导致中国材料不合规时，其材料无需修改即可保持合规[3] - 该公司是北美唯一能将重稀土转化为国防系统所需高性能金属和合金的设施，填补了从原材料氧化物到成品磁体的关键缺口，提供了当下可用的供应链[4] - 美国赢得战略竞争的关键在于实现磁体材料的大规模国内生产，而REalloys是少数已投入运营并进行金属加工的公司之一[5] - 其能力决定了美国能否大规模制造军事装备、能否快速补充消耗的武器，以及工业能否跟上数万亿美元规模经济的需求[6] REalloys的供应链布局与产能扩张 - 公司与萨斯喀彻温研究理事会签订了具有约束力的商业加工和长期承购协议，获得其萨斯卡通稀土加工设施升级后年产量的80%，预计2027年初开始重稀土生产，届时将成为北美唯一的商业规模氧化镝和氧化铽供应商[7] - REalloys承诺投资约2100万美元用于扩建设施，目标将重稀土加工能力提升约300%，轻稀土（钕镨）产能提升50%[8] - 设计年产能为高达30吨氧化镝、15吨氧化铽和400吨高纯度钕镨金属，扩产后钕镨年产能将增至600吨，首批产品预计明年年初产出[8] - 公司已与北美、哈萨克斯坦、格陵兰和巴西的供应商签署了非约束性的长期原料供应协议，并在美国国内直接加工，避免了海外转运[4][9] - 具体协议包括：与哈萨克斯坦AltynGroup的非约束性长期承购协议[9]、与巴西St George Mining的承购备忘录（可获取Araxá项目高达40%的稀土产量）[10]、与格陵兰Tanbreez项目的10年期承购意向（可获取高达15%的年产量）[11] 核心技术能力与行业瓶颈 - 位于俄亥俄州欧几里得的设施能够将稀土氧化物分离、在受控气氛下还原成金属，并合金化成磁体级材料，该工艺将稀土转化为可直接使用的原料而非中间品[12] - 美国正在数十年来首次重建稀土供应链，且面临中国的积极施压[14] - 将稀土氧化物转化为成品金属的工业化能力在中国以外几乎不存在，这是大多数西方供应链几十年前放弃的关键环节[15] - 战略与国际研究中心指出，稀土金属化和合金化是中国以外最不发达、最难重建的能力，这是一个依赖经验积累的瓶颈，无法快速复制[16][17] - REalloys正在运营CSIS所指的最难重建的转化环节，将氧化物转化为金属和合金，其化学规格已获下游认可，这一能力目前在美国本土运营的设施中实现[17][18] 其他关键公司在稀土及关键矿物领域的角色 - **微软**：通过“循环稀土经济”战略转型，2025年初与西部数据合作，从其全球数据中心报废约5万磅硬盘中，以无酸环保工艺回收了超过90%的钕镨，处理排放估计减少95%[20] 同时通过KoBold Metals投资AI驱动矿产勘探，并利用其智能处置与路由系统，到2026年底已成为“回收”稀土氧化物的许可供应商，助力美国战略关键矿物储备[21][22] - **英伟达**：作为稀土行业现代化的“技术引擎”，2026年与卡特彼勒合作将“物理AI”部署于全球矿场，通过Jetson Thor平台实现高精度开采[23] 并利用Omniverse平台为稀土精炼厂创建数字孪生，优化溶剂萃取工艺[24] 2025年通过“磁体换芯片”框架，利用其在AI芯片的主导地位推动西方稀土供应链重组[25] - **谷歌**：通过DeepMind的GNoME 3.0 AI模型预测超过200万种新晶体结构，致力于研发无稀土高性能永磁体[26] 其Google Cloud是萨斯喀彻温研究理事会AI驱动分离设施的“数据支柱”，Vertex AI模型使该工厂仅需6人即可运营，实现“软件定义精炼”[27] 同时通过ROCKS计划提供机器学习框架，分析高光谱卫星图像寻找稀土矿藏[28] - **特斯拉**：作为关键矿物和磁性材料的全球重要需求驱动者，其电动汽车牵引电机等设计选择对钕镨磁体及镍、锂、钴市场有深远影响[29] 其大规模制造足迹和全球供应协议使其成为北美和欧洲关键矿物需求趋势的风向标[30] - **通用汽车**：为支持其Ultium平台，持续在锂、镍、钴价值链获取直接权益和长期合同[31] 投资Lithium Americas的Thacker Pass项目以获得一期锂供应优先权，并扩大镍钴供应安排以多元化采购[32] 同时通过北美正极合资企业和电池回收合作伙伴关系进行下游整合[33] - **IperionX**：利用其专利HAMR™和HSPT技术，以100%回收钛废料为原料，在美国本土生产低碳高性能钛部件[34] 2026年初，其弗吉尼亚州钛制造园区年产能达1400公吨，并获得美国国防部超4700万美元资助进行扩产[35][36] 公司还在推进田纳西州的Titan项目，以提供国内钛和稀土加工原料[37] - **Olin Corporation**：作为西方关键矿物和稀土加工行业的“不可或缺的公用事业”，是全球领先的氯碱产品生产商，提供分离稀土和提纯锂盐所需的大量盐酸和烧碱[38] 2026年加强“Beyond250”成本削减计划，目标每年节约超1.2亿美元，并与国内矿物加工商签订长期高利润供应协议[39] 其温彻斯特弹药部门也是主要的现金流驱动因素[40]

市场整体表现 - 美国三大股指期货齐跌 道指期货跌0.40% 标普500指数期货跌0.22% 纳指期货跌0.10% [1] - 中概股盘前表现分化 阿里巴巴跌0.95% 京东跌0.59% 拼多多涨0.41% 百度涨0.88% [1] 人工智能与半导体行业动态 - 英伟达盘前反弹0.8% 此前一个交易日收跌5.46% [1] - 市场担忧英伟达算力需求逻辑 因数据显示2026年2月中国AI模型周调用量达4.12万亿Token 首次超越美国的2.94万亿Token 且中国主流MoE体系使得Token使用量与GPU需求不再线性挂钩 [1] - 云基础设施商CoreWeave盘前跌近10% 因公司预计2026年资本支出高达300亿至350亿美元 远高于2025年的103.1亿美元 巨大资本开支引发市场对其短期亏损风险的担忧 [2] - 摩根大通认为市场对AI取代企业软件的担忧过度 指出AI全面取代最早也要到2028年以后 当前工具仅为辅助而非取代 [2] - Meta与谷歌达成一项价值数十亿美元的AI芯片租用协议 以开发新的人工智能模型 [2] 公司特定新闻 - 流媒体巨头奈飞盘前涨近9% 因公司拒绝提高对华纳兄弟的收购报价 称该交易已不再具备财务吸引力 [2] - 语言学习平台多邻国盘前大跌近23% 尽管其去年第四季度营收同比增长35%至2.829亿美元 调整后EBITDA为8430万美元均超预期 但公司对2026年第一季度营收指引为2.885亿美元 调整后EBITDA指引约为7360万美元 均低于市场预期的2.918亿美元和8400万美元 [3] 原材料供应链 - 美国航空航天和半导体公司的供应商面临稀土短缺加剧 至少两家供应商已开始拒接部分客户订单 短缺主要集中在钇和钪两类稀土元素 [3] 宏观经济数据预告 - 北京时间今晚21:30将公布美国1月份PPI数据 [4]

产品发布与市场地位 - 谷歌旗下AI图像生成模型Nano Banana 2正式发布，其定位为在保持“Flash级”极速生成的同时，提供“Pro级”的专业能力[4] - 根据2026年2月25日的Text-to-Image Arena排行榜数据，Nano Banana 2（模型名：gemini-3.1-flash-image-preview）在“产品、品牌与传播”类别中综合排名第一，得分为1324分[3] - 在竞技场总榜中，Nano Banana 2的得分超越其前代专业版Nano Banana Pro（得分1264分）达100分，确立了新的领先地位[2][3][16] 技术性能与功能升级 - 生成速度大幅提升，实测生成单张图片仅需几秒钟[4] - 主体一致性能力增强，在单个工作流程中最多可保持5个角色的一致性和最多14个物体的保真度[8] - 指令遵循能力得到增强，能够更严格地执行复杂的文本提示[10] - 支持广泛的生成规格，图像分辨率覆盖从512像素到4K，并支持控制各种长宽比[12] - 视觉保真度升级，提供更生动的光照、更丰富的纹理和更清晰的细节[12] - 整合了网络搜索功能，可结合实时信息来增强生成内容的质量[6] 定价策略与商业模式 - Nano Banana 2提供免费使用 tier[6] - 其付费API（型号：gemini-3.1-flash-image-preview）的定价已公布，图像生成按分辨率收费[14] - 生成一张1K分辨率的图像成本为0.067美元（约合人民币0.46元），此价格比Nano Banana Pro便宜了一半[15] - 服务包含每月5,000次提示词的免费网络搜索增强额度，超出部分按每1,000次搜索查询14美元收费[15] 市场整合与行业影响 - 谷歌已将Nano Banana 2集成到其搜索服务和广告业务中[18] - 市场反馈积极，有观点认为该模型凭借强大的免费功能和极低的付费成本“再一次提高了标准”[19] - 极低的生成成本引发了关于其对设计行业潜在影响的讨论，有评论惊叹“设计师的时代要结束了”[21] - 用户已开始基于Nano Banana 2开发创新应用，例如将其与视频生成模型（如Seedance 2.0）结合使用[22][24]

AlphaEvolve：AI驱动的算法自动进化 - 谷歌DeepMind开发了名为AlphaEvolve的智能体，其核心机制是通过类似生物进化的方式，利用大语言模型（LLM）自动改写和筛选算法代码，实现算法的自我进化 [2] - 该研究颠覆了传统认知，AI不仅限于编写辅助性代码，而是能够直接修改核心算法逻辑，在多项测试中超越了人类专家手工打磨的版本 [1] - 整个过程实现了全自动闭环：生成代码、运行测试、评估表现、筛选优胜版本并进入下一轮进化，人类仅需定义算法骨架和评价标准，不参与中间调参或手动筛选 [1][9] 技术方法与实验设计 - 研究团队没有让模型从零开始，而是选定了两个成熟的不完全信息博弈求解算法框架作为基础：CFR（后悔最小化）和PSRO（策略种群训练） [8] - 研究人员将算法核心逻辑拆解为几个可被改写的Python函数（如后悔值累积规则、策略生成方式等），仅开放这些“关键决策逻辑”供LLM修改，为进化定义了“基因范围” [8] - AlphaEvolve对当前算法代码进行语义上有意义的改写，生成多个版本，每个版本都会被自动编译并在真实博弈环境中对战，根据exploitability等指标进行评分和优胜劣汰 [8][9] 核心成果：VAD-CFR算法 - AlphaEvolve在CFR框架下进化出了全新的VAD-CFR算法，其直接修改了“后悔值怎么累计、怎么打折、什么时候开始平均策略”等核心逻辑 [11] - VAD-CFR引入了volatility-sensitive discounting（根据波动动态折扣）和hard warm-start schedule（前期蓄力、后期发力）等非直观机制 [11] - 在多项博弈测试中，VAD-CFR的表现超过了人类优化过多轮的CFR+、DCFR、PCFR+等版本，其收敛曲线下降更快、最终值更低，在约500次迭代后下降速度明显加快 [13] - 在规模更大、更复杂的测试游戏中，VAD-CFR依然保持优势，表明其改进是在算法结构层面找到了更高效的更新方式，而非针对特定游戏的技巧 [13] 核心成果：SHOR-PSRO算法 - 在PSRO框架下，AlphaEvolve进化出了SHOR-PSRO算法，其核心是重新设计了“元求解器” [13] - SHOR-PSRO将多种更新机制混合，设计了一种混合型meta-solver，并能随着训练进程动态调整，使训练过程自动从“多样性探索”过渡到“逼近均衡” [14] - 在对比测试中，SHOR-PSRO的曲线下降更快，在第100次迭代时的exploitability更低，在同样迭代次数下能更有效地逼近博弈均衡 [16] - 在更复杂的测试游戏（如4-player Kuhn、6-sided Liar's Dice）中，SHOR-PSRO依然保持优势，显示出良好的泛化能力 [16] 行业影响与反响 - 该研究成果以一篇37页的论文形式发布，题为《基于大语言模型的多智能体学习算法自动发现》，在技术圈引起了巨大反响 [4] - 有观点认为，这项技术像是DeepMind手中的一张王牌，可能导致谷歌在AI竞赛中赢得优势 [6] - 该进展引发了关于AI自我改进边界的深入思考，例如AI设计更好的学习算法后，是否也应优先考虑为自己设计“伦理引擎”以解决对齐问题 [7]

Klaviyo与谷歌的战略合作 - Klaviyo公司宣布与谷歌建立合作伙伴关系，旨在共同开发下一代能够实时适应购物者行为的自主客户体验[1] - 该合作专注于开发智能体人工智能，以自动化从发现产品到购买的整个流程[2] 合作的技术基础与目标 - 合作旨在结合谷歌在搜索、广告和人工智能方面的优势，以及Klaviyo基于超过80亿客户档案、每日34亿次互动所产生的实时数据优势[2] - 合作将打造能够解读客户意图并触发实时个性化行动的系统[2] 合作的具体整合方案 - 合作将推出三项主要整合：谷歌广告利用Klaviyo数据进行超精准广告投放和RCS富媒体通信服务消息推送[3] - 整合方案包括BigQuery，可将数据导入谷歌的数据仓库[3] - 整合方案还包括Nano Banana，该工具将通过公司的Remix编辑器创建品牌图像[3] 公司业务与市场覆盖 - Klaviyo公司提供基于云的软件即服务平台，业务覆盖美国、美洲其他地区、亚太地区、英国、欧洲其他地区、中东及非洲[4] 第三方观点 - Needham近期维持对Klaviyo公司的“买入”评级[4]

政策批准与核心内容 - 韩国政府于周五批准了谷歌将高精度地图数据导出至海外服务器的请求，这是经过二十年拒绝后的重大政策转变 [1] - 此次批准是在满足严格安全要求的前提下作出的，条件包括对军事设施等敏感设施进行模糊化处理，并限制在谷歌地图等产品上显示韩国领土的经纬度坐标信息 [1] - 谷歌需在本地服务器上处理地图数据，且仅允许导出与政府预先批准的导航及方向服务相关的数据 [1] - 韩国政府保留要求谷歌修订地图的权利，同时谷歌必须构建安全事件预防框架以应对紧急问题 [1] 历史背景与市场格局 - 谷歌与韩国政府的博弈可追溯至2007年，韩国曾是谷歌地图无法正常运行的少数国家之一 [1] - Naver和Kakao等本土公司因此得以主导韩国的数字地图服务市场 [1] - 长期以来，韩国以《测绘法》及国家安全为由，拒绝将高精度地理数据存储于境外服务器，担心危及针对朝鲜的防御部署及军事机密 [1] 政策转变的驱动因素 - 谷歌曾于2016年发起大规模公关攻势并再次提交申请，但因拒绝在韩设立数据中心及拒绝掩盖卫星地图中的涉密设施而被驳回 [2] - 进入2026年后，双方在多轮闭门磋商中达成了关键性的技术妥协，促成了政策转向 [2] - 政策转向的驱动力除了技术让步外，还源于日益增长的贸易外交压力，美国贸易代表办公室曾多次指责韩国的地图数据限制政策构成了变相的非关税贸易壁垒 [2]

事件核心观点 - 五角大楼要求人工智能公司授权其模型用于军事“所有合法用途”，引发了硅谷科技公司与员工在商业利益与道德底线之间的激烈博弈和分化 [1] - 以Anthropic为代表的公司及员工坚持为军事AI应用划定红线，反对用于大规模监控和完全自主武器，而xAI等公司则已同意军方条款 [1][2] - 这一冲突导致部分科技公司与军方的合作面临不确定性，并可能影响AI行业的竞争格局与供应链 [1][4] 公司立场与行动 Anthropic - 公司首席执行官Dario Amodei拒绝了五角大楼关于允许Claude模型用于“所有合法用途”的要求，坚持不得用于大规模监控和完全自主武器两条红线 [2] - 因拒绝妥协，公司面临在周五前可能失去2亿美元合同，甚至被五角大楼列为“供应链风险”的威胁 [1] 谷歌及其员工 - 超过100名谷歌人工智能研发员工向管理层递交联名信，要求公司在与美军合作中划定明确红线，拒绝将技术用于大规模监控或无人类参与的自主武器系统 [1] - 逾百名谷歌员工向DeepMind首席科学家Jeff Dean发送联名信，明确反对美国军方使用其Gemini大模型监视美国公民或操控自主武器 [1] - 谷歌员工在信中恳求Jeff Dean阻止任何越过基本红线的交易，并表达希望对自身工作感到自豪的愿望 [2] - 谷歌高管Jeff Dean对Anthropic的立场表示声援，并在社交媒体上明确反对政府使用AI监视美国人，指出大规模监控违反第四修正案并可能被滥用 [3] OpenAI与xAI - 近50名OpenAI员工发表公开信，批评五角大楼试图通过分化科技公司来迫使妥协的谈判策略 [1] - 马斯克旗下的xAI已同意军方条款，允许其Grok模型按“所有合法用途”进入涉密系统 [1][4] 行业动态与博弈 军方策略与行业反应 - 五角大楼对Anthropic施压，要求其允许军方在涉密系统中将Claude模型用于“所有合法用途”，国防部长要求使用“不受政策约束影响”的模型 [2] - 面对Anthropic的坚守，五角大楼迅速寻找替代方案，已与xAI达成协议，与谷歌的谈判进入深入阶段，与OpenAI的讨论也在持续 [4] - 五角大楼威胁将动用《国防生产法》强制征用Anthropic的模型，并要求国防承包商评估对其依赖程度 [4] - 超过175名谷歌员工与OpenAI员工发表公开信，呼吁各公司“搁置分歧，团结一致”，批评五角大楼的分化策略 [1] 历史背景与内部张力 - 谷歌在2018年一项与五角大楼的合作计划曾引发员工大规模抗议，最终迫使公司放弃续签合同 [3] - 此后，谷歌在追赶OpenAI和Anthropic等竞争对手的过程中，集中了相关决策流程并放宽了部分AI安全程序 [3] - 本月早些时候，仍有800多名谷歌员工请愿，要求公司公开其技术如何支持联邦移民执法的细节，显示内部道德审视依然强烈 [3] 技术应用与潜在风险 军事应用风险研究 - 一项由伦敦国王学院主导的兵棋推演显示，在329个回合的模拟中，顶级AI模型在95%的情况下最终选择了使用核武器 [4] - 在模拟中，Anthropic的Claude模型表现出“老练的鹰派”特征，在风险攀升至核领域时果断实施打击，而谷歌的Gemini模型甚至在极早期就动用核武 [4][5] - 专家警告，AI对“核禁忌”的约束力远不如人类，在军事决策时间被极度压缩的未来，无限制的AI应用可能带来灾难性后果，这也是科技公司坚持划定红线的核心原因 [6]