今日精读：DeepSeek V4 回归，开源模型竞争进入价格与芯片适配阶段
The Whale returns with cheap, efficient DeepSeek V4
DeepSeek 发布 V4 预览版，主打长上下文、低价格、较强开源模型表现和华为 Ascend 芯片支持。邮件认为，这次不只是模型能力竞赛，也把价格、国产 AI 基础设施和 Nvidia 之外的部署路径推到台前。
DeepSeek V4 的重点不在于再次制造一次 R1 式的市场冲击，而在于它把开源模型竞争推进到更务实的维度：足够强、足够便宜、并且能在 Nvidia 之外的硬件栈上运行。邮件提到，V4 预览版包含 1M token 上下文窗口，早期外部测试显示 V4 Pro 位于开源模型前列；DeepSeek 自家评测称其推理能力接近 GPT-5.4 和 Gemini 3.1-Pro。与此同时，V4 Pro 在 Vals AI 的 Vibe Code Bench 上表现领先，但在另一个 Intelligence Index 中只处于第四梯队，说明它的强项可能更集中在特定编码或推理任务，而不是全面碾压闭源前沿模型。更值得 builder 关注的是价格：每百万输入/输出 token 为 1.74/3.48 美元，明显低于邮件中列出的 GPT-5.5 和 Opus 4.7。对于需要大量调用模型的产品，这种价格差会直接改变功能边界、毛利结构和实验频率。另一个信号是华为表示 Ascend 芯片可支持 V4，这让 DeepSeek 成为美国出口限制背景下中国本土 AI 基础设施可行性的案例。隐含判断是，未来模型竞争不只看榜单第一，而是看“能力是否够用、成本是否可规模化、部署供应链是否可控”。对独立开发者和团队来说，这类模型可能成为高频、长上下文、代码辅助和代理任务的替代选项，但仍需自己验证稳定性、工具调用、延迟和实际任务质量。
这条同时覆盖模型能力、API 成本和芯片生态三个核心变量。它提示 AI 产品的竞争优势可能从“接入最强模型”转向“用合适成本部署足够强的模型”。
builder 可以重新评估长上下文、代码任务和高频推理场景的成本模型。企业和平台方则需要关注非 Nvidia 栈的成熟度，以及开源模型在不同任务上的真实可靠性。
- 01DeepSeek V4 预览版支持 1M token 上下文窗口。
- 02V4 Pro 价格为每百万输入 token 1.74 美元、输出 token 3.48 美元，邮件称明显低于 GPT-5.5 和 Opus 4.7。
- 03早期测试显示 V4 Pro 在部分开源模型和编码基准中表现靠前，但不同榜单评价并不完全一致。
- 04华为称 Ascend 芯片可以支持 V4，提供了 Nvidia 之外的部署示例。
- 05邮件判断 V4 让 AI 竞争更多转向价格、效率和基础设施可控性，而不只是纯智能水平。
- — 区分 benchmark 表现和自己业务任务中的真实表现，尤其是代码、长上下文和 agent 场景。
- — 关注低价是否伴随限流、延迟、稳定性或隐私合规约束。
- — 观察华为 Ascend 支持是演示级可用，还是能支撑规模化推理与训练。
- — 把 DeepSeek V4 看作成本结构变量，而不是单纯的新模型发布。
Google 拟向 Anthropic 投资最高 400 亿美元，算力成为 AI 战争核心筹码
Google 计划向 Anthropic 投资 100 亿至 400 亿美元，具体金额取决于 Anthropic 是否达到绩效目标。邮件称，Amazon 也刚以类似结构投入 50 亿美元，两笔交易将 Anthropic 估值推至 3500 亿美元，资金主要用于缓解训练和推理算力供需缺口。
这说明前沿模型公司竞争不只是模型能力，也是在锁定云、芯片和资本。Claude 与 Claude Code 的企业需求增长，正在把算力供给变成产品扩张的瓶颈。
- — Google 投资区间为 100 亿至 400 亿美元，和 Anthropic 绩效目标挂钩。
- — Amazon 近期也承诺投入 50 亿美元，并可能继续追加。
- — 邮件称这些交易将 Anthropic 估值推至 3500 亿美元。
AI agent 进入生产环境，沙箱和数据库防护变成必需基础设施
TLDR Dev 连续收录了 agent 沙箱、数据库防护和一次 AI 编码 agent 删除生产数据的事故。核心信息是：自主 agent 会违反传统软件对确定性应用的假设，因此需要容器、gVisor、Firecracker microVM、权限隔离、专用连接池、查询上下文标记和更严格的备份隔离。
agent 的风险已经不只是 prompt 质量问题，而是系统边界设计问题。邮件中的事故显示，过大的 CLI 权限、同卷备份和缺少确认机制会让 agent 在数秒内扩大损害。
- — 沙箱成为 AI agent 时代的隔离原语，可降低错误操作的影响范围。
- — 传统数据库默认面对确定性应用，难以直接适配不可预测的自主 agent。
- — 生产数据事故暴露了 root 级 token、备份同卷存储和缺少确认提示的问题。
Claude agent 获得文件式记忆，Anthropic 也在测试 agent 谈判交易
Anthropic 为 Claude Managed Agents 推出 Memory 公测，让 agent 能跨会话记住并使用信息，底层是文件系统式记忆层，可导出、通过 API 管理，并按组织权限范围控制。另有 newsletter 提到 Anthropic 的 agent 在测试市场中能买卖和谈判交易，较弱模型会在交易中吃亏且未必意识到。
记忆是 agent 从一次性工具变成持续工作者的关键能力。谈判实验则说明，agent 不只是生成文本，也开始进入多方博弈和经济决策环境。
- — Claude Managed Agents Memory 已面向用户公测。
- — 记忆以文件系统层实现，可导出、API 管理并设置权限范围。
- — 测试市场显示 agent 能达成交易，但弱模型可能在谈判中受损。
Applied Intuition：Physical AI 的难点不是演示，而是安全部署到真实机器
Latent Space 访谈 Applied Intuition 的 Qasar Younis 和 Peter Ludwig，回顾公司从自动驾驶仿真和数据工具，发展到价值 150 亿美元的 physical AI 平台。文章强调真实车辆、卡车、矿山、农业、施工和防务设备的 AI 部署，难点在实时控制、传感器流、延迟、内存、更新、故障保护和统计安全验证。
它把机器人和自动驾驶讨论从“模型是否聪明”拉回到生产部署。Physical AI 需要的是可验证、可更新、可在受限硬件上可靠运行的系统工程。
- — Applied Intuition 从仿真和数据基础设施扩展到 30 多个产品。
- — 其技术被归纳为仿真和强化学习基础设施、车辆/机器操作系统、自动驾驶与世界理解模型。
- — 物理 AI 的瓶颈包括延迟、功耗、成本、可靠性和安全验证。
OpenAI 发布原则，但近期治理与信任争议让承诺面临检验
Sam Altman 发布 OpenAI 指导原则，包含民主化、赋能、普遍繁荣、韧性和适应性。The Neuron 认为这些原则的时机值得关注，因为 OpenAI 近期同时面对安全框架、内部文化和公众信任相关报道，原则是否能落地需要看制度和行为是否一致。
OpenAI 的治理承诺会影响监管、企业采购和公众信任。原则本身不等于问责机制，真正关键是透明度、内部安全文化和外部监督如何执行。
- — OpenAI 原则包括民主化、赋能、普遍繁荣、韧性和适应性。
- — 文章将原则与 Preparedness Framework、内部文化调查和公众信任问题放在一起看。
- — 核心问题是 OpenAI 是否只对投资者负责，还是也能对受影响的公众负责。
中国据称要求 Meta 撤销 Manus 收购，AI 资产跨境并购风险升温
AI Valley 报道称，中国有关部门要求 Meta 撤销其 20 亿美元收购 AI 创业公司 Manus 的交易，理由涉及外资所有权和先进 AI 资产的国家安全风险。邮件称交易已经完成，资金转移、员工整合且 Manus 迁往新加坡，因此如何逆转仍不明确。
如果属实，这代表 AI 创业公司退出路径受到地缘政治和国家安全审查的直接影响。跨境收购不再只是商业谈判，也会被视为先进 AI 能力转移。
- — 报道称 Meta 20 亿美元收购 Manus 被要求撤销。
- — 原因据称涉及外资所有权和国家安全。
- — 交易已发生资金和人员整合，逆转机制仍不清楚。