AI領域一週觀察：Codex 商業增速逆襲 Anthropic，具身智能迎來“GPT-2時刻”

AI領域一週觀察：產業研究政策多方向進展彙總 01、產業 Mythos 2 不發，Astra 停訓，前沿模型的安全策略初現 8 月 18 日，OpenAI 披露，公司此前暫停了兩週針對擬部署模型的強化學習訓練。截至公告發布，最大規模的前沿 RL 訓練仍未恢復，較小規模的訓練和評測還在繼續。Anthropic同樣有一個新模型受阻，SemiAnalysis 主編 Dylan Patel 在 8 月 17 日的採訪中稱，據他獲悉，Anthropic 的下一代模型 Mythos 2 已經完成訓練，但不會發布。

兩家前沿實驗室最近做出了表面相似、性質不同的選擇：Anthropic 把一個更強模型留在內部，OpenAI 則因為 Astra 可能具備“關鍵網絡安全能力”，直接收緊了部分訓練和推理工作負載。從Astra的暫緩，我們看到持續了近3個月的模型安全爭端，正在逐漸走向一種更成熟的處理方法。過去，安全評估多在模型訓練完成後展開，先測試能力，再決定能否發佈。據OpenAI透露，Astra 讓控制點前移。模型在 RL 和評測中已經能夠執行代碼、調用工具、接觸內部系統，有時還能訪問網絡。研究集群不再只是存放實驗數據的後臺，也成了模型可以採取行動的環境。

OpenAI 因此要求 Sol 級別以上模型只要在 RL 或評測中使用工具，就進入新的監測系統。這套系統逐 token 掃描模型活動，再把可疑行為交給計算量更高的自動調查器。最高優先級警報會同時通知安全、研究和安保團隊。如果 30 分鐘內無法確認是誤報，相關活動應被暫停。OpenAI 估算，監測約佔被監測推理算力的 20%。它開始消耗集群預算，並影響訓練吞吐、權限配置和實驗排期。安全團隊也由發佈審查者變成了訓練調度的一部分。Anthropic走了另一條路徑去規避安全問題。Model 2 沒有變成產品，卻已經成為內部生產資料。

它可以生成代碼、測試、評測題和訓練軌跡，幫助研究人員改進後訓練、工具鏈與下一代實驗。播客進一步猜測 Anthropic 正用它推進 Mythos 3。雖然Anthropic不發佈的另一大原因是，從System Card上看，Mythos 2 提升幅度較Fable 5有限，因此可能不符合預期。但無論如何，現在面對安全瓶頸的兩條路都比較明確了。一條是如果不夠好，那就乾脆不發，規避問題，直到解決為止。另一條則是提出更前移的安全監測，在訓練期更深度的加強安全。

Codex增速反超，Anthropic 旗艦模型鎩羽 TrickerTrends的指標顯示，最近一個月來 Codex最近四周的年化收入增速為20.8%，Claude Code只有5.2%。企業端也不太好看，Ramp企業支出數據則顯示，三季度至今OpenAI增長約82%，Anthropic約76%。Codex似乎已經有反超的趨勢了。回頭看二季度收入，情況正好相反。Anthropic收入約116億美元，環比增長超過100%，《華爾街日報》8 月 18 日援引知情人士報道，OpenAI 二季度收入由一季度的 57 億美元增至 67 億美元，環比增長僅有 18%。短短三個月，攻守之勢異變。

Anthropic降速主要是來自兩個方面。首先是新旗艦Fable 5的採用，似乎並不理想。Ramp數據表明，目前單看B端旗艦模型GPT-5.6 Sol佔OpenAI企業token的25%、模型支出的23%。而 Fable 5只佔Anthropic token的6%、支出的11.4%。Fable 5的受阻並不難理解。這款模型6月9日開放，三天後因美國政府指令下線，約18天后才恢復，而更強的Mythos 5仍只向獲批客戶開放。Fable 5每百萬輸入和輸出token分別收費10美元和50美元，約為GPT-5.6 Sol當前促銷價4美元和20美元的2.5倍，部分企業還面臨30天數據保留要求。

模型能力雖強，價格、供應和合規摩擦卻阻礙了企業鋪開使用。另一個原因則是OpenAI Codex 本身追趕迅速，尤其是運營策略相當成功。Codex被裝進Plus、Pro、Business和Enterprise訂閱，部分用戶獲得免費使用、雙倍額度或推廣credits。ChatGPT Business年付價格從每席25美元降到20美元，符合條件的團隊成員和學生還能獲得100美元額度。Codex周活用戶到6月已超過500萬，較2月增長六倍，近期據Tibo的推特，整體月活已經突破千萬，穩步增長。OpenAI用已有賬戶、訂閱和支付體系，把模型進步迅速變成使用增長。

二季度收入覆蓋4月至6月，記錄的是Anthropic前一輪Claude Code爆發和企業合同擴張。OpenAI的GPT-5.6、價格調整和Codex推廣主要發生在6月底至8月，最早影響的是調用量、活躍用戶和credits消耗，合同擴容與收入確認通常更晚。但這次OpenAI Codex的崛起，是否很快能追平Anthropic的優勢呢？並不容易。最新報道中的年化收入約為Anthropic 650億美元、OpenAI 400億美元，相差約1.63倍。即使Anthropic停止增長，OpenAI也要再增長62.5%才能追平。82%對76%的增速差只能說明方向發生變化，無法立即消除收入鴻溝。

更重要的是收入質量。Vercel的6月生產數據中，Anthropic用32%的token獲得61%的支出，並在coding agent、後臺agent和應用生成等任務中取得至少72%的支出；OpenAI則是10.3%的token和16.1%的支出。在當下，企業用戶沒有大規模轉投的情況下（增速差距不大），Claude仍控制著企業最願意付高價的任務。Codex的許多新增使用則包含在訂閱額度或優惠credits裡。只有用戶耗盡額度後繼續付費、企業擴大合同並在續約時保留這些工作負載，使用增長才會變成可持續收入。降價還能換來採用，卻可能壓低單位收入。OpenAI必須證明推理成本下降得比價格更快。

OpenAI 把 Codex 做成平臺，但這和DSH想做的方向不同 2026 年 8 月 19 日，OpenAI 發佈《Codex as a platform》，把 Codex 明確描述為可複用的開放 Agent Harness。過去大家更多把它當成編程應用、CLI 或 IDE 插件，現在 OpenAI 希望開發者調用底層能力，把 Agent 嵌進運維後臺、安全調查、客服系統和企業內部工具。但這裡開發者不用再從頭搭線程管理、上下文維護、工具調用、沙箱、人工審批和任務續跑。OpenAI 提供了三種接入方式。

簡單任務可以直接用命令行，連續任務可以用 SDK 保存狀態，想自己做界面和業務流程，則可以接 App Server。應用能夠創建、恢復或分叉線程，啟動和打斷任務，切換模型，設置工作目錄與權限，注入上下文並接入動態工具。Codex 的擴展能力比普通 API 深。開發者可以改指令、添加 Skills 和 MCP 工具、配置子 Agent，還能通過 Hooks 卡在工具調用、上下文壓縮和 Agent 停止等節點上。比如，一條 Shell 命令執行前，Hook 可以檢查參數，攔截危險操作，甚至改寫命令。工具跑完後，它還可以給 Agent 補充信息，要求再做一輪。

看到這裡，很容易以為 Codex 已經把 Agent Loop 完全開放了。可如果拿它和 DSH 相比，底層差別仍然很大。Codex 更像一臺已經裝好發動機和變速箱的車。開發者可以換輪胎、改儀表盤、設駕駛規則，也能在幾個位置加傳感器；但發動機怎麼點火、何時換擋、故障後怎麼重試，還是由 Codex 內核決定。從目前官方公開接口看，OpenAI 沒有把規劃器、記憶、調度器、壓縮算法和主循環拆成可以隨時替換的模塊。開發者當然可以 fork 開源代碼硬改，但這意味著維護自己的分支，不是平臺原生支持的結構重組。DSH 瞄準的更底層。

它不只讓人配置 Agent，還把 Harness 本身變成實驗對象，組件可以更換，運行結構可以重新生成，再由任務評測決定保留哪些改動、回滾哪些方案。所以，OpenAI 所謂“平臺”，不是把 Agent 內部結構全部交出來，而是提供一個能力完整、接口穩定、便於嵌入的內核。對法律、金融、客服和研發工具團隊，這種自由度已經夠用，落地也更快。此舉主要是要降低垂直行業使用 Agent 的成本，讓更多產品建在 OpenAI 的執行底座上。而DSH 想探索 Harness 能不能自己長出更好的組織方式。雖然都在爭奪Runtime，但邏輯並不完全一致。

DeepSeek還是太ACMer了，OpenAI還是一貫的商業導向。NVIDIA 部分 AI 整機報價據報將上調 15% 以上 Bloomberg 在 8 月 22 日的媒體報道中援引知情人士稱，NVIDIA 已通知部分大客戶，搭載 Vera Rubin、Grace Blackwell 等 AI 芯片的許多服務器配置將在 2027 年初交付時漲價 15% 以上，主要原因是內存成本上升。過去一年，我們都在計算新模型推出後，單位智能的價格下降如何迅速。但單位 token 價格下降只反映模型服務的一項邊際成本，而訓練和推理集群還要支付高帶寬內存、CPU、網絡、機架、電力、冷卻和交付週期的費用。

模型越便宜、Agent 調用越密集，企業越可能增加總調用量。如果內存和整機同時漲價，模型端節省的預算會在基礎設施端被吃回去。這也有可能會帶來一輪新的模型漲價潮，就類似在手機行業看到的那種一樣。02、研究 GEN-1.5 10秒學習可以做新動作，具身智能的新路線開始見效 8月19日，Generalist發佈機器人基礎模型GEN-1.5。公司稱，模型觀看3至12秒的傳感器—動作演示後，無需更新參數便能執行新任務，在十項短時操作上的平均成功率為59%。如果使用1至5分鐘、約10至50次演示訓練，模型只需更新1至10步，十步平均成功率達到83%，權重變化不到0.15%。

除模仿外，它還會換手開蓋、清除障礙或處理卡住的物體。官方也承認，測試以拉拉鏈、開罐和取物等短時操作為主，上下文學習比微調模型更脆弱。這次發佈延續了過去一年的技術演進。2025年11月，GEN-0展示物理預訓練的規模效應。2026年2月，DreamZero正式提出世界動作模型（WAM），聯合學習未來世界狀態和機器人動作。4月，GEN-1使用超過50萬小時真實交互數據，在多項簡單任務上達到99%以上成功率，並出現重抓、換手等恢復行為。而6月發佈的Behavior Prompting Policy則發現，任務多樣性是行為提示能力的主要驅動力。而 GEN-1.

5可以看作今年具身智能路線匯合後的代表系統。廣義WAM式時序建模、多樣化預訓練、帶糾錯過程的真實交互數據，再加上測試時快速適應都出現在了它的介紹文檔中。雖然沒有具體的模型開源，但從其報告敘述中可以看出，它至少不是單純的VLA模型，而是從連續物理經驗中學習狀態、動作和後果之間的關係。新演示更像在已有策略空間裡指定目標。同時Generalist強調的是高保真採集會自然保留力反饋、滑落、微調和恢復。模型不只看到標準軌跡，也看到人怎樣修正偏差。數據又覆蓋不同任務、物體、環境和機器人形態，模型因而可能形成可複用的抓取、施力和糾錯方式。這也解釋了few-shot為何能起效。

預訓練已經讓模型接近掌握許多基礎動作，幾秒演示主要告訴它“這次要完成什麼”，再把已有能力組合起來。微調較少時，模型保留的預訓練先驗更多，遇到演示之外的障礙有時反而更會變通。它的成功，至少證明26年這整套新配方能夠降低新任務的數據與訓練成本，併產生策略重組和現場恢復。但目前只能說到了GPT 2時刻，裡ChatGPT還差著一些關鍵步驟。目前有效的長程任務還是解決不了，單次展示帶來的 59% 學會率也只覆蓋公司選擇的短程原子任務，泛化也相對狹窄。

AI為抗癌出了力，但不是AI改寫了抗癌史 2026年8月19日，默沙東與Moderna在美國新澤西州拉韋和馬薩諸塞州劍橋宣佈，全球III期INTerpath-001試驗達到預定目標。研究對象不是等待腫瘤縮小的晚期患者，而是已經通過手術完整切除腫瘤、但仍有較高復發風險的IIB至IV期黑色素瘤患者。1,137人接受“Keytruda加intismeran”或“Keytruda加安慰劑”的實驗。聯合組在延緩復發和遠處轉移上都更好，也沒有發現新的安全信號。此前IIb期的長期結果已經顯示療效，III期是在更大人群中確認這條路線。

這個新藥開發的過程大概是這樣的：醫生先拿患者的腫瘤組織和正常樣本做DNA測序，找出癌細胞獨有的突變，再看腫瘤RNA，確認哪些突變真的在表達。一個腫瘤可能有很多突變，但多數不適合放進疫苗：有的沒有表達，有的蛋白不會被切出合適片段，有的片段裝不進患者的HLA。HLA就像細胞表面的展示架，T細胞並不直接看mRNA，它檢查的是“蛋白小片段＋HLA”。AI的工作就在這一步。它根據腫瘤DNA、RNA表達和患者的HLA型號，給候選突變打分，預測哪些片段最可能被展示、又最可能讓T細胞認出來，最後選出最多34個，編碼進一條患者專屬的mRNA。它沒有設計新的T細胞受體，也不直接參與殺傷。

沒有現代AI，傳統生物信息學和實驗也能篩選，但每名患者都要重新做一遍，逐個驗證會很慢、很貴。AI縮小了實驗範圍，目標是提高選靶命中率，也讓“一人一配方”更接近可交付的工業流程。注射後，脂質顆粒把mRNA送進樹突狀細胞等免疫細胞。細胞照著mRNA生產帶有腫瘤突變特徵的蛋白，切成小片段，放到HLA上展示。人體原本就有大量識別器各不相同的T細胞，少數剛好能認出這些標記的T細胞會被激活、複製，然後到全身尋找展示同一標記的癌細胞。Keytruda阻斷PD-1，避免腫瘤把這批T細胞重新按住。mRNA過一段時間會被分解，不進入細胞核，也不改寫DNA。

因此，這次結果證明的是整套組合在這類患者中有效，測序找突變，算法篩候選，mRNA遞送教材，HLA負責展示，T細胞執行殺傷，Keytruda解除免疫剎車。AI很重要，但它主要提高速度、候選命中率和生產可行性，不是免疫反應成立的原因。這一套機制的各個組件之前已經相對成熟，AI只是Moderna在這次試驗中的一種附帶嘗試。本身試驗成功即使無AI，傳統方法依然可以奏效，只是後續工業化成本就會非常高。谷歌新論文，讓Harness的訓練環境跟著 Agent 的弱點變化 訓練 Agent 最難的問題之一就是構造合適的數據場景去訓練。題目太難，做十遍還是不會。題目已經學會，繼續刷也不會再進步。

可多數訓練環境一旦寫好，開局、規則和判分辦法就固定了，不管來的是哪個 Agent，也不管它練到了什麼程度。如果能夠構造出一套能自己生成合適難度題目的Agent訓練框架這一切就比較容易了。8月20日， Google Cloud AI Research 等團隊提出的 EnvHarness，想讓環境跟著 Agent 的弱點變化。它不重寫原來的環境，而是在 Agent 和環境之間加一層外殼。原系統照常運行，原評分器繼續判分，外殼只改變 Agent 面對題目的方式。外殼有三種用法。Stage 改開局。

原任務要求把杯子洗淨後放到桌上，它可以先把杯子藏進抽屜，逼 Agent 學會搜索；如果任務太難，也可以提前洗好杯子，只讓它練擺放。Contract 改規則，可以少給提示、攔住不合理動作，或者要求代碼 Agent 跑完測試才能提交。Chain 把兩道題接在一起，做完一件還得繼續處理下一件，用來練長任務。決定怎麼改題的是 EnvRigger。它先看 Agent 做題的過程，找出毛病：是在原地打轉，讀不懂長說明，還是靠捷徑過關。接著，它寫出新外殼，讓 Agent 再做幾次。題目若被改得無解，就放鬆限制，如果仍然太簡單，就繼續加難。它更像會看錯題的教練，不是隻會出新卷子的題庫。

論文在五套測試環境裡做了實驗。研究人員先讓 Agent 在改造後的環境中練習，再把練出的經驗帶到沒改造過的新任務上。與直接從原環境學習相比，ALFWorld 在一類沒見過的任務上最高提高9.0點；在 SWE-bench Verified 上，平均操作步數從55.01降到49.61，少了約9.8%。不過並非每項指標都提高，Chain 也沒有進入自動改題流程，而是另行測試。這項工作的亮點，是換了一個擴展環境的辦法。以往往往是生成更多任務，連規則和評分器一起重寫。EnvHarness 不造新世界，只改舊世界的練法。它沒那麼開放，卻能繼續使用已經驗證過的環境和評分器。

對手裡已有可靠測試環境的團隊，這比從頭搭系統省事。它的天花板也很明顯。外殼只能利用原環境裡已有的東西，很難憑空創造新任務。環境還必須能夠恢復到初始狀態，所以不適合直接操作真實郵箱、訂單或物理機器人。Agent 社會化訓練開始展開 2026 年 8 月 13 日，Microsoft Research AI Frontiers 團隊 發佈論文《From Passive Delegates to Strategic Negotiators》，本週引發討論。過去我麼曾聊過，模型壓根兒沒進行過合作性的訓練，因此在合作中會出現各種問題。這次微軟的就專門做了合作相關的後訓練。

研究團隊使用 Qwen3-4B-Instruct-2507，在資源分配、商品議價、求職合同和日程協調等六個環境中訓練，希望讓 Agent 從被動完成任務的助手，變成能夠保護委託人利益的代理人。作者所說的社會推理，指的並非讓模型表達得更像人。它要求 Agent 在利益衝突中推斷對方偏好、保護己方隱私，並預測自己的動作會引發什麼反應。六個環境都採用結果獎勵。一輪互動結束後，模型才收到一個 0 到 1 的分數。是否達成協議並不直接決定獎勵，協議為委託人保留了多少價值才是評分依據。SocialRL 先為六個環境分別訓練專家。

Deal-or-No-Deal、CaSiNo、Job Interview 和 Calendar 直接使用 PPO。Craigslist 與 Marketplace 先通過監督微調學會低價錨定、隱藏底價等動作，再用 PPO 按最終收益篩選策略。研究團隊隨後測量六個專家之間的遷移關係，並據此安排多階段強化學習的訓練順序。最終的統一 4B 模型取得 0.627 的六任務平均效用，略高於 GPT-4.1 的 0.625、GPT-5.1 的 0.619 和 GPT-5.2 的 0.613，但低於 GPT-5.5 的 0.708。

最後，他們還嘗試了DeepSeek V4用的多教師OPD路線，結果只用了 60 個優化步驟，就吸收了約 92.6% 的專家平均優勢。訓練改變了模型的具體行為。在 Craigslist 中，低於目標價開局的比例從 3% 提高到 78%，洩露自身目標價的消息從 52.7% 降至 1%。Marketplace 基礎模型有 62% 的開場會暴露最高預算，PPO 後這一行為幾乎消失。Calendar 模型促成的會議減少了，但選中用戶最高偏好時段的比例從 16% 提高到 38%。雖然此前已經有 SOTOPIA-RL、談判強化學習和多智能體社會推理研究。

SocialRL 更準確的位置，是第一批把多環境訓練、跨任務遷移、統一模型和顯式心智推理放進同一套工程框架的工作。這篇論文真正改寫的是 Agent 的訓練目標。通用助手接受的訓練，鼓勵禮貌、透明和促成共識。在普通問答中，這是優點；當模型替用戶談價格時，過度透明就會變成洩露底價，過度友善則會變成無原則讓步。SocialRL 的實驗說明，許多所謂社會能力未必需要更大的模型，問題可能出在後訓練目標。Qwen3-4B 原本已經理解談判內容，只是不知道自己應該為誰爭取利益。換掉獎勵後，它開始隱藏私人邊界、拒絕不利方案，並把讓步留給價值較低的條件。風險也隨之出現。

Craigslist 模型為了壓價，會編造環境中並不存在的市場參考信息。只獎勵委託人收益，不約束真實性、公平和對方福利，模型很容易把欺騙也學成有效策略。Agent 學會自我改進後，也會出現災難性遺忘 8 月 19 日，南京大學與伍倫貢大學團隊發佈論文 ，提出 Harness Continual Learning（HCL）。在 Agent 開始自動修改 prompt、記憶、skill 和工作流的當下，論文發現了一個容易被忽略的問題：模型權重即使完全凍結，僅僅更改Harness，Agent 仍然會遺忘過去學過的技能。

過去半年，RHI、Self-Harness 等工作已經證明，Harness可以根據反饋反覆改寫自己，讓低推理預算的 Agent 在特定任務上越做越好。但一次成功的修改，可能也是另一次退化的開始。為了處理新任務而改寫路由規則，可能讓舊任務選錯工具。新的記憶總結可能覆蓋過去有效的例外條件。一個看似更清晰的輸出模板，也可能破壞原有工具調用格式。模型沒有變，系統行為卻從成功退回失敗。論文把它稱為 harness-level forgetting，也就是 Harness 層的災難性遺忘。

HCL 把 Task Interface、Experience Memory、Capability Map 和 Adaptive Router 視為同一份可變狀態。每次任務結束後，Continual Optimizer 根據執行反饋生成候選 Harness，但不立即部署。Continual Evaluator 會比較候選版本和當前版本，必須滿足三個條件修改才會提交。這三個條件就是：1）新版本能否改善當前任務 2）是否讓過去已經解決的歷史樣本重新失敗 3）輸出和工具調用是否合法。第二個條件就是針對災難性遺忘的。

論文還設置了歷史損失容忍度 B：B=0 時，候選版本不能破壞任何已經成功的歷史 anchor；B 越大，系統越願意犧牲舊行為換取當前適應。這相當於給 Harness 自進化加了一套代碼合併門禁。Optimizer 負責寫補丁，歷史樣本組成迴歸測試，Evaluator 決定能否合併。實驗顯示，這個約束不是多餘的。在 ALFWorld 中，Static Harness 的最終平均成績為 47.12，RAG 基線為 55.56，Stability-HCL 達到 61.74，Plasticity-HCL 達到 62.98。但後者的平均遺忘達到 10.94 個百分點，前者只有 2.64。

另一組文本推理實驗中，隨著 B 從 0 放寬到無限制，平均遺忘從 0.39 上升到 3.45 個百分點，最終成績反而從 61.25 降到 60.13，表現最好的是允許損失一個 anchor 的 B=1。從算法結構看，HCL 和 RHI 沒有拉開很大距離，仍然是“生成修改、評估新舊、保留更優版本”的循環。真正的變化在評估對象。RHI 主要比較同一任務上前後兩個 Harness 的輸出，歷史記錄提供的是優化反饋；HCL 使用一套共享 Harness 連續處理不同任務，歷史記錄變成了必須重跑的迴歸用例。這項工作的價值不在於發明了新的自優化算法，而在於把災難性遺忘帶進了 Harness 研究。

過去人們擔心微調新任務會覆蓋模型權重裡的舊知識，現在同樣的問題出現在模型之外。Prompt、記憶和 skill 都是可修改的文本，卻也承擔著參數一樣的功能：保存系統已經學會的行為。03、政策 美國把 AI 研發、資本與數據流動納入國家安全科技框架 美國白宮在 8 月 20 日公開的政府文件《國家安全科學與技術戰略》中，把 AI 與自主系統列為軍事和國家安全競爭的優先技術，並將其與半導體、未來計算、通信、網絡安全、先進製造和核能放在同一技術組合中。文件用於落實 2025 年《國家安全戰略》，並回應《芯片與科學法案》要求；它給聯邦研發和科技活動提供方向，不是一項新禁令。

文件把“發展能力”和“保護能力”寫進同一套配置。聯邦政府需要確定研發重點、建設人才和基礎設施、與私營部門及盟友合作，同時保護敏感數據、知識產權、關鍵資產和供應鏈。AI 的位置因此不再侷限於單獨的模型研發預算。算力、芯片、數據、人才流動、資本來源和技術擴散，都可能按同一項國家安全目標被審視。戰略把國家安全科技姿態概括為聚焦、韌性、敏捷和安全。聚焦決定哪些軍事與國土安全任務優先拿到研發資源；韌性處理關鍵礦產、供應鏈和基礎設施依賴；敏捷要求縮短研發、採購和部署週期；安全則防止敏感技術、數據和知識產權被竊取或轉用。

四項要求落到 AI 上時會互相拉扯：擴大私營部門合作能加快採用，卻也增加數據、人員和供應鏈的保護範圍。文件沒有給出統一答案，而是要求各機構把這些取捨帶入項目與預算。這會改變企業讀取美國科技政策的方式。過去，研發資助、國防採購、出口管制、投資審查和數據安全常由不同部門分別發佈；新戰略為這些工具提供了一套共同語言，但沒有自動改變企業的法律義務。現在可以確認的是，AI 已被納入跨部門的科技資源配置，而不是隻有某一類高端芯片受到國家安全政策影響。對企業最直接的含義，是同一項技術可能同時面對“加快採用”和“限制擴散”兩種政府動作。

能夠進入聯邦採購、國防任務或關鍵基礎設施的模型與工具，會被要求更快證明性能和交付能力；涉及敏感數據、先進算力或外國合作的部分，則可能接受更嚴的來源、訪問和轉移審查。ChatGPT向FBI報警之後，誰來決定一個人有多危險 2026年8月，美國佛羅里達州一宗跟蹤威脅案，因為最初的報警者是OpenAI而引發爭議。前高盛分析師Darren Zhou在與ChatGPT談論分手時，多次寫下綁架、強姦和殺害前女友的具體計劃。OpenAI發現這些內容後通知FBI，聯邦調查人員隨後把約兩個月的聊天記錄交給棕櫚灘縣警方。這起案件並非只建立在對機器人說了狠話之上。警方找到女方後，她提供了現實中的短信和截圖。

Zhou被指在遭到拉黑後，繼續使用不同號碼聯繫她，發送帶有性意味和威脅性的內容。女方此前沒有報警，是因為仍有感情，也抱著不回應就能讓騷擾停止的希望。Zhou後來對嚴重跟蹤、書面死亡威脅和利用通信設備實施重罪三項指控認罪。法院未作正式有罪裁定，判處八年社區監管，前兩年佩戴電子腳環，同時禁止他接觸受害人和持有武器。OpenAI公開承認，公司會用分類器、推理模型和其他自動系統篩查潛在違規內容，被標記的對話可能交給人工複核。若對話顯示對他人存在“迫近且可信”的現實傷害風險，公司會通知執法機關。圍繞此案，社交平臺上出現了兩類意見。

支持者認為，潛在受害人尚未求助時，平臺提供的線索促使警方上門核實，很可能阻止了傷害。質疑者擔心是平臺憑什麼閱讀私人對話、由誰判斷危險，以及一次誤報會不會把小說創作、研究材料或侵入性念頭送進警方檔案。本案的確帶有《少數派報告》的影子，但仍有一條重要分界。電影中的人因為預測將要犯罪而受罰。在本案中，聊天記錄只是調查起點，警方後來取得了現實騷擾和威脅的證據。還有人認為審核標準不公開，會是一個缺乏透明性的規則。但為了防止jailbreak，此類規則都不會公開，否則真正準備犯罪的人會據此規避。按照OpenAI目前披露的制度，第一步不是工作人員實時“監聽”，而是自動系統主動檢測。

公司稱會使用分類器、推理模型、哈希匹配、黑名單等工具，分析用戶內容和行為，尋找違反政策或指向現實傷害的信號。判斷也不一定侷限於某句話。OpenAI表示，有些風險需要結合長對話、上下文，以及不同對話中逐漸形成的行為模式才能發現。這意味著，一個孤立的暴力詞語不應自動觸發報警；系統試圖識別的是反覆出現、逐步具體化的計劃。對話被標記後，才會進入人工環節。受訓審核人員可以查看相關內容、上下文和一段時間內的行為模式。OpenAI稱，這些人員只能在受控系統中訪問用戶信息，並受保密和數據保護要求約束。審核結果可能是排除風險、降低優先級、封禁賬戶，或者交給更高級別的團隊調查。針對賬戶限制，用戶可以申訴。

報警是更高一層。只有“有限的一