美军AI目标系统数据链断层导致学校误炸
今年2月，美军在对伊朗军事行动中曾误判打击目标，导致约120名儿童在导弹袭击中死亡。近日据《洛杉矶时报》报道，造成这一失误的原因可能在于美军AI辅助目标选择系统的数据库未能有效打通所致。
根据早前报道，美军在这场战争中首次大规模使用AI进行目标筛选。Anthropic的Claude模型被嵌入Palantir的Maven Smart System中，并在第一天就建议了约1000个目标。
问题出在数据链路上：一处目标早在2019年就被情报分析师通过内部工具标记为学校，但由于该工具与美军官方目标数据库MIDB并不联通，标记信息从未进入指挥决策链。最终约120名儿童在导弹袭击中死亡。
酿成本次惨剧的原因不是AI推理本身，而是AI系统所接入的数据基础设施出现问题。Claude成功完成了目标建议生成，但输入数据中缺失了最关键的一条上下文――"这是学校"。
五角大楼仍继续推进Agentic AI计划。但Agentic AI的"自主执行"特性意味着数据完整性问题将被进一步放大。任何在高风险场景推进AI自主决策的计划，都应该先把数据链路打通作为前提，而非后置补丁。
韩国5180亿美元芯片超级计划，AI内存价格明年看涨四成
6月29日，韩国总统李在明在青瓦台宣布"大韩民国大飞跃三大超级项目"：三星与SK海力士将在西南部各新建两座晶圆厂，合计投资约800万亿韩元（约5180亿美元），目标五年内DRAM产能翻倍；AI数据中心领域另计划投入逾1000万亿韩元。
三星与SK海力士合计控制全球约80%的高带宽内存（HBM）芯片市场。
投行Jefferies预测，AI数据中心需求将推动内存价格2026年Q3上涨40%-50%，2027年延续上涨40%-45%。新产能预计至2028年才能小幅缓解供需矛盾。苹果已因内存成本上涨上调Mac和MacBook售价，KOSDAQ指数消息公布当日大涨逾8%。
5180亿美元体量的投资计划，本质上是韩国以国家意志将AI算力基础设施从商业竞争升级为战略资产。80%的HBM市场集中度加上2026-2028年内存价格持续走高的预期，意味着全球AI产业的算力成本将在未来两年持续承压。苹果提价是消费端的第一声预警；对于AI初创企业和中小型应用公司，API调用成本和GPU租赁价格都将因此上升。这不是短期波动，而是将持续至少两年的结构性成本周期。
美团Owl Alpha登顶OpenRouter，国产ASIC完成超大规模训练验证
据AI at Meta研究员披露，美团龙猫旗下1.6万亿参数MoE模型Owl Alpha已成为OpenRouter平台使用量最高的模型，累计消耗10万亿tokens。该模型使用35万亿tokens完成训练，整个过程全程运行于5万块国产ASIC芯片之上，未使用NVIDIA GPU。
官方数据显示，Owl Alpha在Hermes Agent月活排行榜位列第一，Claude Code使用量排行第二，OpenClaw排行第三。
对此，两个命题被同时验证：
其一，国产ASIC芯片完成1.6万亿参数级别大模型的全流程训练――5万块国产芯片、35万亿tokens的训练规模，且最终在OpenRouter这个面向全球开发者的多模型API平台登顶使用量榜首。这意味着其实际推理能力通过了大规模商业负载的检验，而不仅是一份内部评测报告。
其二，国产模型在全球开发者生态中的真实渗透已超出此前市场预期。登顶OpenRouter不是中国市场的本地榜单，而是全球开发者以实际API调用量投票的结果。
英伟达Rubin Ultra原版取消，芯片制造执行力成新卡点
据行业分析机构SemiAnalysis披露，NVIDIA在Rubin Ultra发布仅约3个月后，原定的4-die Rubin Ultra已因制造执行问题被取消。“新Rubin Ultra”尺寸减半，实际性能约为原版的一半。
Rubin Ultra原本被定位为Blackwell之后的旗舰AI训练和推理芯片，面向超大规模数据中心客户。
对已签约的数据中心扩容计划而言，算力缺口将在短期内形成；对AMD和国内替代厂商，这是可利用的竞争窗口。
更深层的信号是：AI芯片竞争的核心变量正在从"谁能设计最好的芯片"扩展到"谁能把设计在规模上稳定交付"。就算NVIDIA这样的设计龙头，先进封装的量产良率与工程一致性仍然是硬约束。设计突破与制造执行之间的落差，已成为这轮AI算力竞赛中不亚于架构创新的决定性变量。
结语
美军误炸事件显示AI系统的可靠性上限受数据基础设施影响巨大，算法能力无法弥补信息链路的断层。韩国5180亿美元计划和英伟达Rubin缩水，分别从国家意志和企业执行力两个角度，展示了AI算力供给侧的紧张局面。美团Owl Alpha的国产ASIC训练验证，把"算力独立"从政策讨论变成了可核验的工程事实。
当前AI竞赛的真正门槛正在从模型能力本身向下游的基础设施层面下沉。 内存供应、芯片制造、数据链路、制造产能――每一项都需要以年为单位的建设周期。那些不只盯着模型发布，而是同时在这些基础设施层面提前布局的组织，才有可能拥有下一阶段真正的主动权。