AX 严选

这事核心不是AI“看错”，而是情报根本没送到决策者手里。2019年就有分析员标注那栋楼是学校，但标注工具没连上美军80年代建成的核心目标数据库MIDB，数据库里用的还是七年前的卫星图。等于左边有人写了张便条说“这是学校”，右边翻的却是过期档案。Anthropic的Claude模型嵌入Palantir系统后，第一天就建议了约1000个目标，但人工复核的人手长期不够。五角大楼自己的AI先驱Jack Shanahan说，目标分析这个岗位早在2017年就萎缩到他几乎招不到人。 《洛杉矶时报》的调查把技术故障和流程断裂串起来了：多个情报系统互不打通，自动化替换系统MARS进度落后好几年。AI在这里被当成补丁，但底层管道是漏的。正文没披露Claude模型在建议目标时是否收到了学校标注，也没说模型本身的误判率。如果是真的因为数据库没更新导致误炸，那问题不在模型，在信息基建。这点先别急着怪AI，但也要看到，当决策速度被AI拉快，老旧的人工核验流程根本跟不上。

Cursor 发了 iOS 公测版，付费用户现在能用手机给云端智能体派活，或者遥控自己电脑上正在跑的智能体。你可以用语音或文字描述需求，智能体会自动生成代码改动、截图和日志，你直接在手机上看 diff、合并 PR。团队自己已经在用它处理线上报警和紧急修 bug，比如吃饭时收到告警，手机上启动智能体排查问题，回到电脑前 PR 已经等着审了。 云端智能体跑在独立虚拟机里，有完整开发环境，还能把活传回本地电脑接着干。到 7 月 5 号前 Composer 2.5 运行费用打 25 折，但正文没披露打完折具体多少钱。这点先别太激动，没价格就不好算实际成本。 目前看下来，这个产品解决的是“人不在电脑前但想推进度”的场景，适合处理小范围任务或紧急修复。但正文没提复杂项目的完成质量、智能体中途跑偏的概率，也没说云端虚拟机的配置上限。如果是真的能稳定跑通，对 on-call 轮值和碎片时间利用确实挺省钱省事，但大规模日常开发能不能替代桌面端，还得看后续实测数据。

这条技术路线挺聪明：RedKnot 先统计出 83.4% 到 96.8% 的注意力头其实只关心附近几十个 token，那给这些头存完整长序列就是浪费。他们干脆按头分配稀疏策略，局部头只留局部 KV，全局头才看全图，再配上稀疏 FFN 和 SegPagedAttention 把存储和计算粒度对齐。在 8 卡 H800 上，首 token 延迟最高降了 3.54 倍，单卡并发能扛原来的 7.8 倍，预填充计算量砍掉六七成。DeepSeek-V4-Flash 跑 128K 上下文时首 token 加速 5.16 倍，KV 传输量最多省 6.3 倍，精度保持在稠密模型的 95% 以上。 不过正文没披露这个精度是在哪些 benchmark 上测的，也没说稀疏策略对不同任务类型（比如需要长程推理的文档问答）会不会掉得更厉害。另外，这套方法依赖对注意力头的分类，如果换一个模型架构或训练数据分布，局部头的比例会不会变，文章也没提。如果是真的稳定，这比单纯砍层数或量化 KV 来得更精细，值得跟一下后续开源代码和更多模型上的复现结果。

这条新闻的核心矛盾是：AI数据中心把高带宽内存（HBM）的价格推上天，但扩产周期太长，短期根本压不住涨价。Jefferies预测2026年Q3内存涨40-50%，Q4再涨30-40%，2027年还要涨40-45%，连续涨到2028年新产能上线15-20%才可能缓解。三星和SK海力士控制全球约80%的HBM市场，两家联手扩产说明供给端确实被逼到墙角了。 不过5900亿美元这个数字要打个折看。原文里800万亿韩元建四座厂、81万亿韩元建封装中心、30万亿韩元投研发，加起来约911万亿韩元，按当前汇率换算确实接近5900亿美元，但这是15年的总盘子，不是一次性砸下去。苹果已经因为内存涨价调高了Mac售价，说明成本压力正在往消费端传导。 正文没披露这四座新厂的具体投产时间表，也没说HBM产能占比多少。如果大部分产能是普通内存而非HBM，对AI算力成本的缓解可能有限。另外，韩国政府支持的具体形式（补贴、税收优惠还是贷款担保）也没写清楚，这些都会影响实际落地速度。

作者用两条提示词把 vibe coding 的可靠性往上拉了一截。第一条“第一性原理”让模型别抄近路、从基本事实重新推，结果挖出一个流量路由隐患，逼着项目重写——这说明纯靠类比写代码确实容易埋坑。第二条“对抗式审查”让模型扮演恶意用户攻击自己的代码，抓出了内存溢出死循环和未来时间戳污染这类手工审查很难发现的 bug。两条组合成一个“先写再打”的闭环，项目最近一周请求量超过一千万次，这个量级本身算是一个压力测试。 不过文章只给了思路，没放出具体 prompt 原文，也没说这两条提示词在什么模型上跑、单次调用成本多少、误报率如何。对抗式审查如果太激进，可能把正常逻辑也标成漏洞，反而拖慢开发节奏。另外，一千万次请求背后是纯 vibe coding 写的代码在扛，还是有人工兜底，正文也没交代。如果是真的全靠模型生成加自我审查撑住这个量，那这套方法值得试试；如果中间有人修过关键逻辑，那“纯 vibe coding”这个说法就得打个折。

这篇推演把 AI 成本账算得很直白：Anthropic 这种头部玩家，算力开销已经碾压人力成本，人均 200 万美元。但别急着拿这个数字去套自家公司，行业里前 1% 的公司人均 AI 花费也才 8.9 万美元，中位数更是只有 137 美元，差距巨大。 文章给了三种 2029 年的可能走向，核心变量就两个：token 价格会不会继续一年跌 10 倍，以及让模型进业务流程干活的 agent 模式会不会让 token 消耗量暴增（高盛预测到 2030 年涨 24 倍）。乐观情况下，人均 AI 开销会冲到 59.6 万美元，赶上现在一个 SaaS 员工创造的全部收入。 不过，正文没给出 2027 年该按哪种情况做预算的建议，也没讨论开源模型质量追上来后，对成本结构的实际冲击有多大。这些缺口让数字推演更像一个思考框架，而不是可以直接拿来用的预测。