美暂缓拉黑DeepSeek等中企"

admin 2026-10-22 04:59:57 网络安全文章 来源:ZONE.CI 全球网 0 阅读模式

cover_image

美暂缓拉黑DeepSeek等中企

原创

ladon
ladon

306Safe

2026年6月18日 08:39
北京

在小说阅读器读本章

去阅读

板块:网络安全攻防 × AI安全

6月16日,路透社爆出一条重磅消息:美国政府已暂缓将中国AI初创公司DeepSeek、存储芯片制造商长鑫存储(CXMT)等100多家中企纳入\"实体清单\"。

这是十多年来,美国实体清单更新间隔最长的一次。

一、发生了什么

去年,美国一个跨部门委员会(成员包括商务部、国防部、能源部、国务院及财政部)已审核批准,将涉及先进半导体生产、半导体制造设备、AI模型开发的大批中国公司列入实体清单。

按规矩,一旦进入清单,美国企业未经许可不得向这些公司出售货物、软件和技术。

但据两名知情人士透露,自去年10月以来,美国商务部未再更新实体清单——这是十多年间隔最长的一次。

已批准,未执行。

二、为什么暂缓

核心原因:避免升级中美贸易紧张关系。

美国商务部负责工业与安全的副部长杰弗里·凯斯勒(Jeffrey Kessler),自2025年底以来一直试图避免将中企列入清单。

维度 美方考量
技术遏制 继续卡脖子,阻止中国AI和半导体发展
贸易稳定 避免在关税战期间再开新战线
筹码博弈 中国掌握关键矿物,美方投鼠忌器
内部矛盾 OpenAI/Anthropic催促下狠手 vs 商务部求稳

智库战略与国际研究中心研究员菲利普·勒克指出:「新增名单的稀缺,反映出特朗普政府缺乏行动能力。」

三、DeepSeek为何让美国焦虑

2025年1月,DeepSeek推出低成本AI模型,震惊美国科技界。今年4月,DeepSeek又发布全新V4系列,算力产出稳居全球第三,力压ChatGPT。

美国AI巨头OpenAI和Anthropic坐不住了,不断渲染\"中国威胁\",催促特朗普政府对中国AI下死手。

但事实是:

  • DeepSeek用更少算力做出了同等性能的模型

,证明\"堆卡\"不是唯一路线
* 中国控制着国防、汽车、芯片制造所需的关键矿物

,这是对等博弈筹码
* \"小院高墙\"挡不住中国创新

,这一点已被反复证实

四、中方回应

外交部发言人毛宁此前明确回应:

\"小院高墙\"挡不住中国创新发展的步伐,也不利于包括美国企业在内整个产业的健康发展。美方应当遵守市场经济和公平竞争原则。

五、安全视角解读

从网络安全和AI安全角度,这件事释放了三个信号:

  • AI技术已成大国博弈核心筹码

——实体清单的\"暂缓\"恰恰说明中国AI实力的威慑效应
* 供应链安全是双向的

——美国能卡芯片,中国能卡稀土,博弈正在走向双向制衡
* 自主可控是唯一安全路线

——暂缓不等于放弃,随时可能重启,国产替代不能停

来源:路透社、观察者网、澎湃新闻


    美暂缓拉黑DeepSeek等中企" 网络安全文章

    美暂缓拉黑DeepSeek等中企"

    美国政府暂缓将中国AI初创公司DeepSeek等百余家中企纳入实体清单,创下十多年来最长更新间隔。此举旨在避免升级中美贸易紧张关系,核心考量包括技术遏制、贸易稳定、筹码博弈及内部矛盾。DeepSeek凭借低成本高性能模型引发美国焦虑,中方回应称小院高墙挡不住创新。从安全视角看,AI技术已成大国博弈核心筹码,供应链安全走向双向制衡,自主可控仍是唯一安全路线。
    最近听过最过瘾的推荐系统和LLM技术分享。" 网络安全文章

    最近听过最过瘾的推荐系统和LLM技术分享。"

    本文记录了作者参加快手技术沙龙的收获,重点探讨了推荐系统在大模型时代的演进。核心内容包括快手提出的Onerec生成式推荐框架验证了推荐系统的ScalingLaw,以及Onereason推理模型通过预训练、SFT和RL三阶段让推荐系统学会思考。文章指出单纯模仿推理链(SFT)效果不佳,强化学习(RL)才是提升推理能力的关键,并介绍了Fast-SlowThinking线上部署方案及在广告场景取得的显著收益。最后展望了从Reasoning到Agentic推荐的未来方向。
    工信部AI+通信三年规划" 网络安全文章

    工信部AI+通信三年规划"

    工信部印发《人工智能+信息通信创新发展实施意见(2026—2028年)》,部署17项核心任务,明确2028年与2030年两大节点目标,涵盖网络智能化、算力底座、应用创新与治理能力四大方向,并指出网络智能体安全、AI赋能安全及供应链安全为安全从业者关键关注点。
    三、大语言模型基础——如何更好地使用大语言模型及大语言模型的相关局限性" 网络安全文章

    三、大语言模型基础——如何更好地使用大语言模型及大语言模型的相关局限性"

    本文详细阐述了大语言模型(LLM)的核心交互技术,重点解析提示工程中的模型采样参数(temperature、top-k、top-p)、零/单/少样本提示、指令调优及思维链等关键方法,并深入剖析文本分词的底层逻辑与字节对编码(BPE)算法,旨在指导开发者通过精准提示词与分词技术提升模型在复杂任务中的性能表现。
    评论:0   参与:  0