美军要AI排打击优先级，做Jira的先裁了1600人

01美军要让AI排打击优先级，同周OpenAI承认模型还分不清该听谁的指令

一名美国国防官员本周透露，军方正在考虑用生成式AI对打击目标排序，由AI推荐优先级，再交人类审核。这是美军首次公开描述生成式AI在目标决策中的具体角色。

同一周，OpenAI连发两篇安全研究，讨论的恰好是这类系统最基础的问题：模型能否分清哪条指令该听、哪条该忽略。

第一篇聚焦prompt injection防御，描述了约束高风险操作、保护敏感数据的方案。第二篇提出IH-Challenge训练方案，专门解决「指令层级」问题：当来自不同来源的指令互相矛盾，模型该优先执行哪一条。这是当前大模型最顽固的安全短板之一，训练目标是让模型学会区分可信指令与不可信指令。

军方的流程里有人类审核环节，但审核有个前提：AI给出的排序基于对指令的正确理解。如果模型本身还在学习「该听谁的话」，审核员面对的就不是可靠系统的输出，而是一个可能因指令混淆而跑偏的建议。

国防官员没给出部署时间表，OpenAI也没宣布问题已解决。建造这些系统的公司还在发论文研究怎么让模型正确执行指令，打算部署的机构已经在讨论把它们放进打击决策链。

02OpenClaw刚验证机器人agent可训练，Nvidia带着NemoClaw进场抢生态

一篇叫OpenClaw-RL的论文刚证明，机器人agent可以用统一框架来训练：对话、终端操作、GUI交互产生的所有信号都能直接作为强化学习的训练源。赛道的技术可行性算是被验证了。

几天后，Nvidia宣布将开源自己的机器人agent框架，直接对标。这个框架叫NemoClaw，已在接触企业合作伙伴，计划赶在GTC大会前后推出。

时机不是巧合。Nvidia的扩张遵循一条逻辑：哪个软件层能创造GPU购买需求，就进入哪个软件层。之前是语言模型，通过投资开放权重模型让更多团队训练和部署，消耗更多算力。现在轮到机器人agent。赛道刚被验证走得通，Nvidia立刻带着企业资源入场。

这是它的一贯打法：让开源社区承担早期验证的风险，等信号明确，再用企业合作网络快速占位。对OpenClaw团队来说，最大的对手不是另一个研究组，而是自己的芯片供应商。

03Atlassian裁员1600人转向AI，做Jira的公司发现自己的客户不再需要那么多开发者

Atlassian靠一个前提赚钱：软件团队人多，协作需求就大，按席位收费的工具就卖得好。上周这家公司裁掉了1600人，约占员工总数的15%，管理层称裁员是为了将资源集中到AI产品上。

裁员的背景不只在公司内部。乐天最近公开了接入Codex的成果：这家日本电商巨头的工程团队故障修复时间缩短了一半，代码审查交给agent自动处理，原本耗时数月的全栈项目几周就能交付。这些不是概念验证，是生产环境里跑着的流程。

agent接管审查、修复、测试这些过去需要多人协作的环节之后，团队自然缩编。这家公司拿裁员省下的钱投入AI开发，但它的客户也在用这类工具缩减工程团队。Jira按席位收费，每减少一个工程师，就少一份订阅收入。