美国白宫发表报告称,中国的半导体技术发展已经威胁到了美国的芯片制造商和美国的国家安全,并建议对中国芯片产业采取更严密的审查。
这份报告题为《给总统的报告:维持美国在半导体行业的领军地位》,正文内容长达32页,由美国总统奥巴马的科技顾问委员会撰写提交。报告由挑战和机遇、影响中国的行为、在美国创造一个更有支持力的商业环境、为延续美国的领先地位开发一项超越战略和结论等五个方面组成。
白宫报告指出,在过去10年间,中国为了在半导体设计和制造方面获得领先地位,在该行业至少投入了1500亿美元。美国想要在半导体行业维持竞争力,就必须做出有效的回应。
奥巴马的科学技术顾问在报告中写道:“我们认为,中国的政策正在削减美国所占有的市场份额,威胁到美国的国家安全。”
自从去年11月当选美国总统以来,特朗普屡次在推特上发文挑衅中国,并提名对华鹰派人物纳瓦罗来执掌白宫贸易政策。奥巴马在即将卸任之际发布这项报告,可能给候任总统特朗普提供了更多产业和贸易方面针对中国的弹药。
彭博社本周早些时候援引知情人士消息称,一旦特朗普对中国贸易商品采取惩罚性措施,中国也将对在华美国企业进行更严密审查。具体方式可能包括,对知名的美国企业或在中国有大量业务的企业进行税务或反垄断调查,其他可能的措施包括发动反倾销调查以及削减政府对美国产品的采购量。
“中国从全球的开放性中受益。”这份白宫报告称,“目前,在全球范围内,更多的国家开始质疑经济开放性的益处,这种趋势将影响美国如何应对半导体行业的挑战,而美国对这一挑战的应对方式又会反过来对该趋势的走向造成影响。”
国外资本对美国企业进行收购,一直以来需要因国家安全原因接受美国财政部下属外国投资委员会的严格审查。该委员会对于中国向美国半导体行业的投资向来不欢迎。在这份报告发布之前,美国就已经开始采取对中国芯片产业的狙击。
去年12月初,美国政府以“国家安全”为由,一再干预中国宏芯投资基金对德国芯片企业爱思强的收购,最终令该收购案功亏一篑。
《德国商报》(Handelsblatt)援引德国情报部门一名消息人士称,美国情报部门通过驻柏林大使馆向德国总理府、经济部、内政部、国防部的代表提交了一份报告,提醒德方中国可能会将从爱思强处获得的技术用作军事用途。
这份白宫报告建议,美国政策制定者对“抑制创新的”中国的芯片业政策进行反击,并改善美国芯片制造企业的商业环境。报告建议,在特定情况下把这个被看做国家安全威胁的问题,放进美国外国投资委员会的审查内容中,美国应当加强与同盟国的协调,控制中国在半导体行业的收购,并限制半导体产品出口中国;通过国家安全审查来“回应”中国半导体收购对美国国家安全造成的威胁。
部分美国芯片行业的领军人物却不希望特朗普与中国的关系陷入僵局。英特尔公司CEO Brian Krzanich在CNBC的采访中表示,特朗普把工作机会带回美国应该主要依靠为企业提供税收优惠,“正确的做法不是贸易战,也不是设置限制,而是让美国更有竞争力。降低税收,让人们在美国进行生产变得更容易,这样制造业就会慢慢回到美国。”
美国的半导体行业在20世纪60年代开始起步,以英特尔和高通等为代表的企业推动着这个3000亿美元的市场不断创新。但据彭博社报道,到2015年,中国在全球前十大芯片供应商中未占一席,但无疑是全球芯片采购量最大的国家。
白宫报告还指出,中国为了加强芯片制造,不得不依靠政府对国内供应商的补贴。这有助于中国企业打价格战,从而减少美国企业的市场份额;中国鼓励国内消费者购买中国供应商产品的行为,以及用技术转让来换取市场准入的要求也不利于美国企业。
2015年,高通就在中国同意支付了创纪录的9.75亿美元罚款,以了结中国发改委提出的有关该公司违反中国反垄断法的指控,从而结束了长达两年的专利争端。
好文章,需要你的鼓励
杜克大学研究团队建立了首个专门针对Web智能体攻击检测的综合评估标准WAInjectBench。研究发现,现有攻击手段极其多样化,从图片像素篡改到隐藏弹窗无所不包。虽然检测方法对明显恶意指令有中等效果,但对隐蔽攻击几乎无能为力。研究构建了包含近千个恶意样本的测试数据库,评估了十二种检测方法,揭示了文本和图像检测的互补性。这项研究为Web智能体安全防护指明了方向,提醒我们在享受AI便利时必须保持安全意识。
生成式AI的兴起让谷歌和Meta两大科技巨头受益匪浅。谷歌母公司Alphabet第三季度广告收入同比增长12%达742亿美元,云服务收入增长33%至151.5亿美元,季度总收入首次突破千亿美元大关。Meta第三季度收入512.5亿美元,同比增长26%。两家公司都将大幅增加AI基础设施投资,Meta预计2025年资本支出提升至700亿美元,Alphabet预计达910-930亿美元。
加州大学圣地亚哥分校研究团队系统研究了AI智能体多回合强化学习训练方法,通过环境、策略、奖励三大支柱的协同设计,提出了完整的训练方案。研究在文本游戏、虚拟家庭和软件工程等多个场景验证了方法有效性,发现简单环境训练能迁移到复杂任务,监督学习初始化能显著减少样本需求,密集奖励能改善学习效果。这为训练能处理复杂多步骤任务的AI智能体提供了实用指南。