阿里全面禁用Claude：国内云厂主动出清闭源模型依赖

头条：阿里7月10日全面禁用Claude

2025年7月3日，据智东西、新浪财经、腾讯科技等多家媒体报道，阿里巴巴内部宣布全面禁用Anthropic旗下Claude全系产品。全体员工被要求卸载Sonnet、Opus等大模型，以及Claude Code等Agent工具，禁令于7月10日正式生效。

这不是一次普通的工具替换，而是国内云厂对前沿闭源模型依赖风险的一次主动出清。从公告发布到生效仅有7天时间，窗口极短、覆盖范围广，透露出阿里宁愿承担短期协作成本，也要尽快切断对前沿闭源模型依赖的坚决态度。

禁令背后的三条主线

第一，蒸馏攻击指控将中美AI供应链的裂痕推上台面。 Anthropic此前曾指控阿里对Claude进行蒸馏攻击。所谓蒸馏攻击（Distillation Attack），是指通过大量调用目标模型的API接口，收集其输入输出对，再以此数据训练一个规模更小、成本更低的"学生模型"，从而在不获取原始权重的情况下，将目标模型的能力迁移复制出来。这一技术本质上是知识蒸馏（Knowledge Distillation）的逆向商业应用——原本用于模型压缩的合法技术，被用于未经授权地"盗取"闭源模型的能力边界。Anthropic、OpenAI等公司均在服务条款中明确禁止此类行为，但在实际执法层面存在极大难度，因为调用行为本身难以与正常使用区分。在这一指控背景下，国内云厂若继续使用前沿闭源模型，将同时面临合规与商誉的双重风险。禁用Claude，某种程度上是对这一风险的主动规避。

第二，企业级AI部署的可控性被重新定价。 大型云厂在自研模型与开源模型两端持续投入，对外部闭源模型的依赖越强，自身的溢价空间就越窄。主动出清外部依赖，反而成为云厂向客户展示可控性的核心筹码。

第三，落地节奏被刻意压缩到7天。 值得关注的是，Claude Code作为此次禁令中覆盖的核心工具之一，是Anthropic推出的命令行式AI编程Agent工具，能够直接读写本地代码库、执行终端命令、调试代码并提交PR，代表了从"AI辅助编码"到"AI自主执行开发任务"的范式跃迁。与GitHub Copilot等补全工具不同，Claude Code具备多步规划与工具调用能力，在国内大厂工程师群体中渗透率极高。禁用它意味着开发者需要切换到通义灵码或其他国产替代方案，短期内会对工程效率产生实质冲击。卸载窗口仅7天，本身就是一种明确的态度表达——切断依赖的优先级，高于短期的协作便利。

对企业级AI部署的三层意义

这一事件的影响远不止阿里一家公司的内部管理，对整个国内企业级AI部署格局都有深远意义。

第一层：闭源前沿模型在国内大客户侧不再是默认选项。 过去采购AI能力时，Claude、GPT等前沿闭源模型往往是首选。而如今，合规性与可控性正成为采购前的硬门槛——模型来源的安全边界，权重正在快速上升。

第二层：自研模型路线进一步提速。 云厂对开源生态和国产芯片的持续投入，预计将在明后两年进入密集兑现期。届时，国内会看到一批自研模型与国产算力方案加速落地。

第三层：Agent工具的国产替代将从大客户向中小团队扩散。 随着Claude Code这类Agent工具被禁用，国产替代方案将首先在大客户侧站稳脚跟，进而向中小团队渗透，整个开发者生态的重心正在向国内厂商迁移。

AMD推对华特供版AI芯片，绕开H20限制

7月4日消息，据腾讯云、开发者社区等多家媒体报道，AMD计划在中国市场推出基于Radeon AI PRO R9700的特供版AI芯片，对标英伟达此前面向中国的合规版本。

AMD Radeon AI PRO R9700基于RDNA 4架构，原本定位于专业图形与AI推理市场。在英伟达H100、A100因美国出口管制无法对华销售后，英伟达曾推出降规版H20应对，但2024年底美国商务部进一步将H20纳入管制范围。AMD此次推出特供版的逻辑类似：通过主动降低互联带宽、内存规格等关键参数，使芯片性能落在出口管制的合规阈值以内，从而合法进入中国市场。这一模式揭示了算力管制的结构性困境——每一轮管制划定的红线，都会催生围绕红线边缘的"合规版"设计，管制的实际效力持续被技术变通所侵蚀。

在美国持续收紧高端AI芯片对华出口的背景下，「特供」「阉割」「合规」成为关键词。这一动向意味着中美算力脱钩正进一步向消费级GPU与终端推理芯片渗透，国内云厂与算力中心的选型空间持续被压缩。这与阿里禁用Claude的逻辑一脉相承——从模型到算力，国内厂商都在被推向自主可控的路线。

前沿模型公司也在下场造芯

7月3日消息，Anthropic已启动自研AI芯片的早期开发工作，并计划与三星合作，采用2纳米制程工艺。这意味着继OpenAI之后，又一家顶级AI实验室入局自研芯片。

Anthropic选择三星、采用2纳米制程，跟随的是一条已被谷歌（TPU）、Meta（MTIA）、亚马逊（Trainium/Inferentia）、微软（Maia）验证过的垂直整合路径。对前沿模型公司而言，自研芯片的核心驱动力有两层：一是训练阶段对英伟达H系列GPU的高度依赖导致算力成本极高，自研芯片可通过硬件-软件协同设计大幅降低单位算力成本；二是推理阶段随着用户规模扩大，每次调用的推理成本成为盈利的主要瓶颈，专为特定模型架构优化的推理芯片可将吞吐量提升数倍。2纳米制程是目前量产工艺的前沿节点，台积电已率先量产，三星正奋力追赶，Anthropic选择三星或许兼顾了成本与供应链多元化的双重考量。

在训练算力持续紧缺、推理需求高速增长的双重压力下，自研芯片已从头部云厂的护城河，演变为前沿模型公司的必选项。当模型公司也开始垂直整合硬件，AI产业的竞争正在从算法层向更深的算力底层延伸。

其他值得关注的动态

全球首个地层学AI大模型发布

7月3日，中国发布了全球首个地层学AI大模型，面向地球科学领域构建跨地域、跨岩性的共享数据库。地层学是研究地层形成顺序、时代及其空间分布规律的地球科学分支，是油气勘探、矿产开发、古气候重建的核心基础学科。传统地层对比依赖地质学家的人工判读，耗时长且难以跨区域统一标准。该模型由国内科研机构联合发布，覆盖沉积岩、火成岩、变质岩三大岩类，支持地层对比、古环境重建与油气勘探等场景。其核心价值在于构建了跨地域、跨岩性的结构化知识图谱，能够将全球不同盆地的地层数据纳入统一语义空间进行对比分析，从而基于已知盆地的地层模式预测未勘探区域的储层分布概率，显著降低勘探风险。这是继生物医学、地质大模型之后，国内行业大模型在垂直科学领域的又一次重要落地，标志着AI大模型的落地场景正从商业应用向基础科研延伸。

AI测试工具开源方案全景图

本周GitHub趋势项目带来了一张AI测试工具开源方案全景图，覆盖单元测试、接口测试、视觉测试、AI Agent评估四大方向。开发者可直接基于开源工具链，搭建从单元测试到智能体层的完整质量门禁，无需采购商业平台。对中小团队而言，这是一套将AI测试能力内化进研发流水线的实用方案。

结语

从阿里禁用Claude，到AMD特供芯片、Anthropic自研芯片，近期的多条新闻串起了一条清晰的主线：AI产业的供应链正在沿着地缘政治的裂痕加速重构。对国内厂商而言，自主可控不再是可选项，而是生存底线；对全球前沿模型公司而言，垂直整合硬件也已成为必答题。这场围绕模型与算力的博弈，才刚刚开始。

核心要点