美国终于做了件好事，赖清德万亿军购，美国收9400亿却不交货！
赖清德当局高调宣布2027年防务预算将首度突破万亿元新台币，然而，还没等到预算真正落实，就被岛内媒体曝光了一组扎心的数字：美国已经收下了近千亿新台币的军购款，可绝大多数武器装备至今仍未交付，这其中包含着许多令人费解的逻辑。
当我们试图理清这笔巨额军购的账目，会发现背后的真相远比表面上复杂得多，触及到利益输送、产能瓶颈，乃至整个台海局势的微妙平衡。
然而，令人咋舌的是，早在预算获批之前，台湾就已提前将大笔预付款打给了美国。
根据央视网的报道，截至2026年10月，美国尚未交付的军售订单总额高达9361亿新台币，几乎等同于明年的全年防务预算。
也就是说，台湾几乎是将一整年的军费提前交给了美国，换来的却是张张延期交付的欠条。
正如F-16V战机的例子，延期交付了整整三年，2架战机才姗姗来迟。
民进党当局为此大肆宣扬，却很少有人提及，剩余的66架战机，最新的交付时间已经推迟到了2028年底。
台防务部门的报告显示，25项对美军购案中，仅有一项进度超前，F-16V战机、AGM-154空对地导弹、Mk48重型鱼雷等关键装备均面临延宕。
常人只看到交钱不交货，却忽略了这笔钱的时间成本。
9000多亿新台币的巨款提前数年打往美国，美国却不必支付任何利息。
若这笔钱投入银行，每年都能产生数百亿新台币的利息，相当于台湾变相地为美国提供了一笔巨额无息贷款，这就是第一重逻辑——成本转嫁。
美国巧妙地将自身的资金压力转移到台湾，通过预收军购款来维持军工企业的现金流，而无需承担扩产能的实际成本。
更令人深思的是，许多延宕的订单甚至可以追溯到十几年前就签署的合同。
美国用台湾的资金免费占用了整整十年。
那么，美国为什么收了钱，却迟迟不交货？真的是故意坑台湾吗？或者，事情的本质远不止于此？据日本《日经亚洲》统计，截至2025年10月，美国已核准但未交付台湾的武器总额超过215亿美元，折合新台币6700多亿，加上后续新增订单，才凑成如今的9361亿。
过去十多年，美国军工企业奉行小批量、高利润的策略，大幅裁减产线，大量流失工人。
俄乌冲突持续至今，中东局势也日益紧张，美国不得不优先满足乌克兰和以色列的弹药需求，原本就捉襟见肘的产能更是被挤得水泄不通。
台湾的订单自然只能排在后面，成为被牺牲的对象。
比如，F-16的生产线，原本已经准备关停，正是因为有了台湾的订单才重新启动，工人需要重新招募，供应链也需要重新搭建，进度延缓是必然的结果。
同样，AGM-154导弹的产线也早已停产，为了满足台湾的订单才勉强重启，交付时间因此被推迟了两年多。
但可以肯定的是，美国从未将台湾的订单放在优先位置。
同样是购买武器，欧洲盟友的订单能插队，乌克兰的援助更是优先供应，唯独台湾的订单，要全额预付，却只能在产能队列里排在最后，这就是第二重逻辑——收益截留。
美国利用台湾预付的巨额资金，扩充产能，弥补其他战线的空缺，而台湾却只能拿到剩余的、并不充足的产能。
然而，这种说法只是自欺欺人。
钱已经花出去了，债务已经背上了，局势的紧张也已经造成，但这不过是推迟了获得装备的时间而已。
谁来为这笔巨大的军购账单买单？绝不是民进党政客，而是台湾普通百姓。
早在2025年，赖当局就已将2026年防务预算编列到历史新高，高达9495亿新台币，占GDP的3.32%，比2025年暴增了1768亿。
这笔巨额开支的资金来源，是举债和削减民生预算。
据岛内机构估算，2026年，台湾当局可能因军购举债高达4000亿新台币。
这些债务最终将由每个台湾民众承担，用未来几十年的税收来偿还。
与此同时，民生相关的预算却不断缩减，老年福利、教育经费、基建投入，凡是能削减的都毫不留情。
台湾网友的讽刺：防空导弹买了一堆，老百姓的养老金快没了，并非空穴来风。
更令人担忧的是，风险也随之外化。
美国拿着钱，赚着利润，却将台海局势的潜在风险全部转嫁给台湾。
军售越多，台独势力越嚣张，两岸局势也更加紧张，最终承受风险的，仍然是台湾的普通民众。
这种交钱不交货的局面，实际上成为了美国拿捏台湾的筹码。
只要台湾依赖美国的武器，就必须看美国脸色，不断追加预算，讨好美国政客，生怕订单被取消。
对于我们而言，这笔巨额军购也直接影响到两岸的经贸交流、人员往来，甚至可能波及到产业供应链。
更重要的是，要认识到核心事实：靠买武器无法换来安全，靠讨好美国也无法换来和平。
赖清德当局挥霍民脂民膏，执迷不悟地搞以武拒统，最终只会掏空台湾，让老百姓的生活更加艰难。
两岸和平发展，才是真正惠及所有人的最佳出路。
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型
Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。
这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。
此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。
这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。
此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。
这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。
嵌入数据代表了模型从数百万张卫星图像中学习到的内容。
OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。
Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。
该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。
其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。
不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。
这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。
在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。
亚马逊保护团队的MAAP监测项目报告了这一活动。
2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。
我们如何得知这一事实？ 嵌入数据给出了明确答案。
无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。
而同样的比较放在2020年至2024年间，这一面积降至9平方公里。
关闭行动的效果显而易见。
Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。
而在浏览器工具中，初步分析仅需几秒钟即可完成。
仅凭少量标签对某个区域进行分析，无需使用GPU。
当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。
