遭“美国政府封杀”后,Anthropic正式提起诉讼!

遭“美国政府封杀”后,Anthropic正式提起诉讼!

整理 | 苏宓

出品 | ZEEKLOG(ID:ZEEKLOGnews)

据路透社报道,当地时间周一,AI 初创公司 Anthropic 正式对美国国防部及特朗普政府提起诉讼,抗议五角大楼将其列为“国家安全供应链风险”主体的决定。

Anthropic 在向美国加州北区地方法院提交的诉讼文件中表示,这一认定“史无前例且非法”,已对公司造成“不可挽回的损害”。公司希望法院撤销该决定,并指示联邦机构停止执行相关认定。

划定 AI 应用红线,双方观点不一

正如我们此前报道,这场争端的核心在于 Anthropic 为其核心 AI 模型 Claude 设定的两条技术使用红线,与美国国防部的使用需求发生根本冲突。

此前,Anthropic 曾与五角大楼签署一份价值最高可达 2 亿美元的合作合同,Claude 也成为少数被纳入美国机密网络环境进行测试的 AI 系统之一。

对此,Anthropic 一直坚持两条底线:

  • Claude 等技术不得被用于对美国民众的大规模国内监控;
  • 不得用于全自主武器系统的作战决策。

而美国国防部认为,一旦政府采购相关技术,其有权在“任何合法用途”中使用,不应受到私营企业设置的技术限制。

2026 年 2 月下旬,五角大楼向 Anthropic 发出最后通牒,要求其在指定期限内取消上述使用限制,否则将被列为“供应链风险”。

Anthropic 首席执行官达里奥·阿莫代伊明确拒绝了这一要求。他表示,公司“无法昧着良心允许五角大楼无限制使用其 AI 模型”,并指出当前前沿 AI 系统的可靠性尚不足以支撑全自主武器等高风险应用,这类使用可能将作战人员和平民同时置于危险之中。

最终,2026 年 2 月 27 日,特朗普发布声明,要求全美所有联邦机构立即停止使用 Anthropic 的相关技术。随后,五角大楼正式将 Anthropic 列入“供应链风险”名单。

3 月 4 日,Anthropic 发文确认已收到美国国防部通知,认定其为对国家安全的供应链风险。

事态升级,Anthropic 起诉

在被列入“供应链风险”后,Anthropic 并未妥协。3 月 9 日,Anthropic 正式向美国国防部及其他联邦机构提起诉讼,指控这一认定缺乏法律依据。

起诉书指出:“Anthropic 与联邦政府签署的合同已经开始被取消。与私营部门的当前及未来合同也面临不确定性,短期内可能危及数亿美元的收入。除了直接的经济损失,Anthropic 的声誉及受宪法《第一修正案》保护的核心自由也正遭受攻击。如果没有司法救济,这些损害在未来数周乃至数月内只会进一步加剧。”

业界的声援

Anthropic 的起诉迅速得到行业回应。提交诉讼数小时后,包括 OpenAI 和谷歌 DeepMind 超过 30 名员工的联名支持声明出现在法院案卷中,其中包括谷歌 DeepMind 首席科学家 Jeff Dean。

声明指出,如果五角大楼对合同条款不满意,本可以“直接取消合同,并购买另一家领先 AI 公司服务”,无需对 Anthropic 施加惩罚性限制。

事实上,彼时在 Anthropic 被列入黑名单数小时后,OpenAI 首席执行官 Sam Altman 宣布 OpenAI 已与美国国防部达成合作,并在 X 平台表示,该机构“对安全高度重视,并希望通过合作实现最佳结果”。此举引发部分 OpenAI 员工抗议。

本次 OpenAI 和 Google 员工的联名声明进一步指出:“如果这一针对美国领先 AI 公司的惩罚性措施继续推进,无疑将影响美国在 AI 及相关领域的产业和科研竞争力,同时也会对本领域围绕 AI 风险与收益的公开讨论产生寒蝉效应。”

其提交的文件还强调,Anthropic 所设红线属于合理安全关切,必须以强有力的防护措施加以保障。在尚无明确公共法律规范 AI 使用的情况下,开发者通过合同条款和技术手段设定的限制,是防止灾难性滥用的重要安全保障。

许多签署声明的员工在过去几周也参与联名公开信,呼吁美国国防部撤回标签,并敦促公司领导层公开支持 Anthropic,拒绝单方面允许其 AI 系统被使用。

最后

目前,Anthropic 与美国国防部的诉讼尚未进入审理阶段,这场政企之间的对抗不仅关乎一家企业的商业利益,更将为全球 AI 技术的军事应用划定边界提供重要参考。

不过对于目前这种状况,Wedbush 分析师 Dan Ives 表示:“未来几个月,这可能对 Anthropic 和 Claude 在企业领域产生连锁反应,一些企业可能会暂停 Claude 的部署,直到法院做出裁决。”

Anthropic 财务主管 Krishna Rao 也在提交法院的文件中指出,政府的行动可能导致公司 2026 年收入减少数亿美元甚至数十亿美元。

参考:

https://www.anthropic.com/news/where-stand-department-war

https://techcrunch.com/2026/03/09/openai-and-google-employees-rush-to-anthropics-defense-in-dod-lawsuit/

https://www.reuters.com/world/anthropic-sues-block-pentagon-blacklisting-over-ai-use-restrictions-2026-03-09/

推荐阅读:

一天开13个会、一个Bug要修200天!前亚马逊L7爆料:这轮大裁员,AI只是“背锅侠”

48小时“烧光”56万!三人创业团队濒临破产,仅因Gemini API密钥被盗:“AI账单远超我们的银行余额”

全球26w+用户在线「养虾」:OpenClaw这一波泼天流量,到底让谁接住了?

未来没有前后端,只有 AI Agent 工程师。

这场十倍速的变革已至,你的下一步在哪?

4 月 17-18 日,由 ZEEKLOG 与奇点智能研究院联合主办「2026 奇点智能技术大会」将在上海隆重召开,大会聚焦 Agent 系统、世界模型、AI 原生研发等 12 大前沿专题,为你绘制通往未来的认知地图。

成为时代的见证者,更要成为时代的先行者。

奇点智能技术大会上海站,我们不见不散!

Read more

Flutter for OpenHarmony:diffutil_dart 列表差异计算引擎,高性能 UI 局部刷新的秘密武器(Myers 算法) 深度解析与鸿蒙适配指南

Flutter for OpenHarmony:diffutil_dart 列表差异计算引擎,高性能 UI 局部刷新的秘密武器(Myers 算法) 深度解析与鸿蒙适配指南

欢迎加入开源鸿蒙跨平台社区:https://openharmonycrossplatform.ZEEKLOG.net 前言 在 Flutter 开发中,我们经常遇到列表更新的场景: * 用户下拉刷新,服务器返回了新的 20 条数据,其中 18 条是旧的,2 条是新的,还有 1 条被删除了。 * 我们需要更新 ListView 或 SliverList。 直接调用 setState 重新构建整个 List 确实简单,但性能有损耗,而且会导致 Scroll 位置丢失、动画生硬。我们希望能够: * 只插入那 2 条新数据。 * 只移除那 1 条旧数据。 * 并伴随优雅的插入/移除动画(使用 AnimatedList)。 diffutil_dart 就是解决这个问题的算法库。

By Ne0inhk
算法与数据结构---并查集(Union-Find)

算法与数据结构---并查集(Union-Find)

并查集(Union-Find)是一种高效管理动态集合的数据结构,核心解决两个问题:「查询两个元素是否属于同一集合」和「合并两个集合」。它广泛应用于图论(如连通分量检测、最小生成树Kruskal算法)、社交网络(好友关系连通性)、集合分类等场景,其优化后的时间复杂度接近常数级,是算法面试中的高频考点。 一、并查集的核心概念 1. 基本定义 * 元素与集合:每个元素初始时属于一个独立的集合(仅包含自身),集合用「根节点」标识(根节点的父节点是自身)。 * 核心操作: 1. find(x):查询元素x所在集合的根节点(判断两个元素是否同集,只需比较根节点是否相同)。 2. union(x, y):将元素x和y所在的两个集合合并为一个集合。 3. init(n):初始化n个独立集合(父节点数组、秩/大小数组初始化)。 * 设计思想:用「树结构」表示集合(每个集合是一棵多叉树)

By Ne0inhk

CLEAN算法仿真程序,用于雷达信号中的杂波抑制

CLEAN算法仿真程序,用于雷达信号中的杂波抑制(如旁瓣或强散射点干扰)。 CLEAN算法本质是一种迭代反卷积技术,通过识别和减去最强散射分量来“清理”信号。 CLEAN算法核心原理 CLEAN算法的核心思想非常直观,其处理流程如下图所示: 是 否 输入带噪信号 在测量谱中 寻找最大峰值 峰值强度 大于阈值? 生成并存储该分量 (位置、幅度) 从原始信号中 减去该分量模型 更新残差信号 重构“干净”信号 (所有分量合成) 输出高分辨率 的干净信号 MATLAB仿真程序 %% CLEAN算法用于杂波抑制 - 完整仿真程序 clear; clc; close all;%% 1. 参数设置 N =256;% 信号长度 f0 =0.2;% 主信号频率(归一化) f_clutter =[0.

By Ne0inhk
机器学习之逻辑回归

机器学习之逻辑回归

概要介绍         对于逻辑回归我们可以从一个问题入手,到底什么是逻辑回归的算法思想?        面试官问“请描述逻辑回归的算法思想”这个问题时,其实是在考察你对这个基础模型的 本质理解——是只会调用sklearn.learn.LogisticRegression,还是真正明白它为什么叫“回归”却做分类,它的核心在算什么。       “逻辑回归虽然名字里有‘回归’,但它实际上是一种用于解决二分类问题的线性模型。它的核心思想是:先拟合决策边界(线性回归的活儿),再把线性输出映射到0到1之间的概率(Sigmoid函数的活儿),最后根据概率进行分类。” 所以,逻辑回归的核心思想可以概括为:线性回归 + Sigmoid转换 + 最大似然估计。它简单、可解释性强、训练快,是很多复杂模型(如神经网络、推荐系统)的基础组件。 逻辑回归模型介绍: 概述: 属于有监督学习, 即: 有特征, 有标签, 且标签是离散的. 主要适用于: 二分类,是分类算法的一种. 原理: 把线性回归处理后的预测值 ->

By Ne0inhk