在 IT 运维领域，故障预测一直是企业级服务中的痛点。如今，一家由红杉资本孵化的初创公司 Empirik 正试图用 AI 改变这一局面。该公司于周二宣布，已获得 **2100 万美元** 的种子轮融资，投资方包括红杉资本、Canapi 和 Alumni Ventures，并正式独立运营。Empirik 的目标是像 Cursor 改变软件工程一样，为基础设施工程师提供智能化的故障预测与自动化运维工具。 ## 从“事后补救”到“事前预测” Empirik 的创始团队有着深厚的行业背景。联合创始人 Avon Puri 曾在 Rubrik 和 VMware 负责基础设施长达十余年，另一位联合创始人 Sudheer Dhurjati 也是红杉资本的技术高管。他们观察到，传统运维工具往往在故障发生后才发出警报，而大语言模型的崛起则为“预测故障”提供了新的可能。 Empirik 的核心产品是一款追踪系统变更并推断其潜在影响的工具。它像一位“智能交通警察”，能够识别低风险变更并自动放行，对高风险操作设置护栏，甚至将最危险的更新标记为需要人工审查。这种自主式基础设施工程师的角色，让 DevOps 和 SRE 团队从繁琐的日常排查中解放出来，专注于更高价值的任务。 ## 早期客户与市场定位 自今年早些时候上线以来，Empirik 已吸引了一批客户，包括 **S&P Global、Guardant Health** 以及一家大型消费品公司，覆盖从初创企业到财富 500 强的多元群体。红杉资本合伙人 Bogomil Balkansky 表示，现有可观测性工具往往无法理解复杂系统依赖关系，而 Empirik 是少数专注于大规模环境变更追踪的工具之一。 Empirik 的愿景是成为基础设施领域的“Cursor”或“Claude Code”——通过自动化加速工程师的工作效率。现任 CEO Kartik Chandrayana 曾担任 Quantum Metric 的 CPO 和 Salesforce 的可观测性副总裁，他指出，随着 AI 加速软件开发，基础设施工程师需要更智能的工具来跟上系统变化的节奏。 ## 行业意义与展望 Empirik 的融资与发布，反映了 AI 在 IT 运维领域的深入应用趋势。传统的监控工具通常是被动的，而 Empirik 试图通过主动预测和自动化干预，将故障对业务的影响降至最低。这种“预测性运维”不仅有助于降低宕机成本，还能提升系统可靠性，对于依赖数字基础设施的企业尤为关键。 尽管 Empirik 尚未披露具体的技术细节，但其团队背景和早期客户名单已显示出市场的认可。随着 AI 代理技术的成熟，基础设施工程师的工作方式可能迎来根本性变革。Empirik 能否像其宣称的那样，成为运维领域的“游戏规则改变者”，值得持续关注。
Atos 与 AWS 合作，通过为期三天的 AI League 活动，让 400 名工程师从零基础或有限经验，快速上手构建多智能体系统。这一实践导向的培训模式，不仅提升了工程师的技能，也为企业 AI 转型提供了新思路。 ## 背景：理论培训的局限 Atos 在推进 Agentic AI 战略时，面临一个常见难题：如何让工程师不仅理解理论，更能实际应用。传统的在线课程和课堂教学，虽然能打下基础，却难以让团队获得足够的信心和实践经验，以应对真实业务中的 AI 问题。 ## AI League：实践出真知 为此，Atos 与 AWS 合作，在 2026 年举办了 Agentic AI League 活动。为期三天的密集训练中，工程师们从有限的动手经验，逐步发展到能够构建带有路径规划、防护栏、记忆和微调模型的多智能体系统。活动通过实时排行榜激励竞争，评分标准兼顾性能与效率。 ## 参与者背景差异显著 参与者的技能水平差异很大：5% 对 Agentic AI 完全不了解，25% 仅有基本认知，50% 理解概念但无实际操作经验，20% 已有相关实践经验。这种多样性也验证了活动设计的包容性——无论基础如何，都能在实战中快速成长。 ## 为什么选择 AI League 形式？ Atos 志在建设全球多个主权 Agentic AI 工作室，需要快速提升工程团队的实战能力。AI League 相比传统培训优势明显： - **即时应用**：工程师直接构建可运行的 Agentic 系统，而非纸上谈兵。 - **竞争激励**：排行榜带来紧迫感和参与度，远胜于被动学习。 - **真实工具**：全程使用 AWS 原生服务，确保所学即所用。 ## 企业启示 对于计划开展类似 AI 赋能的企业，Atos 的经验表明：动手实践是技能转化的关键。短周期、高强度的实战训练，配合竞争机制，能有效激发学习热情，并加速 AI 技术在组织内的落地。
随着生成式AI的规模化采用，成本治理成为首要挑战。Jamf通过IAM客户管理策略、Amazon Athena成本视图和无服务器Lambda循环，为Amazon Bedrock构建了实时、按用户的支出控制，在不中断活跃会话的情况下应用分层模型限制。本文深入解析其架构与实现，为AI成本治理提供可复用的生产级模式。
Amazon Quick 的概念验证（POC）项目往往在小型试点团队中进展顺利，但当安全和合规团队审查生产计划时，项目常常会停滞不前。一个适用于十名试点用户的权限模型，在扩展到五个部门时往往就会失效。Agents 可能会返回其预期范围之外的数据，合规团队也难以审计数据集、Agents 和 Spaces 之间的关联。Amazon Quick 将仪表板、Chat Agents、Flows 和 Spaces 与知识库相结合，每种功能都引入了标准仪表板控制无法覆盖的安全面。本文以 AnyCompany 场景为例，介绍如何设计仪表板、Spaces、知识库、Agents 和 Flows，并确保安全控制能够随着用户和部门的增加而保持有效。文章涵盖四种模式：数据集整形、Agent 隔离、文档分类和审批门控，并提供了治理框架和生产就绪检查清单。 ### 场景概述 假设 AnyCompany 有 5,000 名员工、5 个部门和 5 个地点，三类受众需要不同级别的相同数据： - **HR 领导层**：需要完整的员工数据，包括薪资和流失风险。 - **部门经理**：只需自己团队的运营指标。 - **全体员工**：可访问公司政策和匿名化趋势。 如果仅依赖权限控制，将所有数据暴露给三类受众，极易出现配置错误。 ### 解决方案概览 该方案将一份源数据集整形为三个符合授权级别的视图，并为每个视图连接一个专用 Agent。同时，为每个受众发布对应的仪表板，将 Spaces 范围限定为内容所有权，并通过带有“人在环”控制的 Flow 来门控出站操作。 - **HR 领导仪表板**：提供全员工可见性，包括薪资、流失风险和职位级别细分。 - **部门经理仪表板**：通过行级安全（RLS）将操作指标限定在单个部门内，移除敏感列，每位经理只能看到自己部门的员工。 - **公司趋势仪表板**：提供匿名化趋势和政策信息。 ### 四种安全模式 #### 数据集整形 通过创建视图或数据集副本，仅保留特定受众所需的列和行，从而减少敏感数据暴露面。例如，部门经理视图不包含薪资列，并应用 RLS 过滤行。 #### Agent 隔离 每个 Agent 仅连接到为其受众整形后的数据集或知识库。Agent 的系统提示和防护栏进一步限制其行为，确保其不会跨出预期范围。 #### 文档分类 在将文档添加到知识库之前，根据敏感级别（如公开、内部、机密）进行分类，并设置相应的访问策略。 #### 审批门控 通过 Flow 实现人工审批环节，例如当 Agent 尝试访问高权限数据或执行出站操作时，需要指定审批人批准。 ### 治理框架 建立跨职能团队（包括安全、合规、数据所有者和 IT）来定义数据所有权、访问策略和审计流程。定期审查权限和日志，确保合规。 ### 生产就绪检查清单 - 所有数据集是否已整形并应用 RLS？ - 每个 Agent 是否仅连接至授权数据源？ - 文档分类是否已实施并验证？ - 审批门控是否覆盖高风险操作？ - 是否建立了监控和审计机制？ 通过从 POC 阶段就融入这些安全控制，企业可以顺利将 Amazon Quick 扩展到全组织，同时满足安全与合规要求。
农业机械巨头约翰迪尔（John Deere）近日宣布，正在测试一款名为“JD”的AI助手，旨在帮助农民利用自身数据做出更明智的决策，从而提高收益。该助手基于用户的“田地、机器和运营数据”，回答关于设备设置、燃料消耗、收获时机等问题，并提供最佳实践和历史趋势分析。 目前，JD助手已向部分美国客户开放，集成在约翰迪尔运营中心（Operations Center）中，未来计划扩展到网页、移动端，甚至拖拉机等农机的驾驶室显示屏。公司还透露，将增加针对特定作物和地区的定制功能。 值得注意的是，约翰迪尔并未透露JD助手背后的AI技术，但此举正值公司与农民及联邦贸易委员会（FTC）就维修权问题争执多年之际。为此，约翰迪尔在新闻稿中强调了其“农民数据承诺”十项原则，包括：农民拥有数据控制权、约翰迪尔不会出售数据、数据使用透明、允许农民选择第三方共享等。这些措施旨在缓解农民对数据隐私的担忧。 业内专家认为，AI在农业领域的应用潜力巨大，如精准农业、产量预测等，但数据隐私和所有权问题仍是推广的关键障碍。约翰迪尔此举或为行业树立标杆，但能否真正赢得农民信任，尚待观察。
Google 近日面向 Workspace 用户推出了全新的创意设计工具套件 **Google Pics**，旨在让企业用户更轻松地编辑和生成“专业级”AI 图像。该工具基于 **Gemini** 和 **Nano Banana** 生成式 AI 模型构建，提供了比传统聊天机器人更精细的图像生成和控制能力，用户可以直接点击图像中的特定对象或文本，并通过自然语言描述进行修改，有效避免了以往 AI 生成营销素材时常见的“翻车”情况。 Google 在官方公告中表示：“虽然 AI 图像生成在个人使用中取得了巨大成功，但在商业领域情况却大不相同。团队在创建营销活动、客户演示和产品故事的图像时，常常面临效果不稳定、提示词反复试错以及多应用切换的繁琐流程。” Google Pics 正是为解决这些痛点而生。 Google Pics 将作为独立的 Workspace 应用推出，同时深度集成到 **Google Docs** 和 **Slides** 中，并计划在未来几周内集成到 **Drive**。用户可以在文档或演示文稿中直接选中图片，调用 Pics 的 AI 工具进行编辑，无需切换到第三方设计软件。 在功能上，Google Pics 支持从零生成图像，也允许用户通过提示词选择并编辑图中的单个对象，包括修改、重排和翻译文本。此外，它还提供 **2K/4K 分辨率放大**、快速裁剪为网页、社交媒体、印刷或数字格式，以及与他人协作分享设计等功能。这些特性与 Canva、Adobe Express 等专业创意平台类似，但 Google Pics 的 AI 深度集成使其在自动化与精准控制上更具优势。 目前，Google Pics 已开始向 Workspace 用户逐步推送，具体订阅方案和定价尚未完全公布。随着 AI 图像生成工具在企业级市场的竞争日益激烈，Google 此举无疑将加剧与 Canva、Adobe 等老牌玩家的较量。未来，Google Pics 能否凭借 Gemini 的底层能力脱颖而出，值得持续关注。
亚马逊正在为其AI购物助手Alexa推出一项名为“Update Me When”的新功能，能够向消费者发送个性化通知，告知他们可能引发购买的新动态，如品牌发布新产品线、热门剧集新季上线、艺人巡演、作家新书发布等。这一功能标志着Alexa从被动响应转向主动预测用户购物需求，体现了亚马逊AI战略的转变。 ## 从“被动回答”到“主动提醒” 过去，Alexa主要是在用户主动询问时回答产品相关问题。现在，它能够提前预判用户可能感兴趣的商品或事件，并在用户尚未想到询问时主动推送提醒。初期，用户需要手动配置这些提醒，但未来亚马逊可能会自动生成提醒，或在用户浏览商品时建议订阅相关提醒，这无疑将提升购物体验。 ## 其他Alexa购物功能 在Alexa for Shopping的其他功能中，最实用的当属**价格追踪**功能：用户可以要求Alexa在商品降至特定价格或折扣时发出提醒，甚至可以选择在满足条件时自动下单。此外，Alexa还能用于： - 寻找个性化优惠和购物指南 - 根据历史购买记录构建购物车 - 追踪产品价格历史 - 在搜索或产品详情页提供AI概览 - 转录手写清单以添加至购物车 - 进行商品对比等 ## AI驱动的电商竞争 此次发布是亚马逊在AI购物领域的一系列举措之一，显示其正加大投入，利用AI技术优化购物流程，增强用户粘性。随着电商竞争加剧，AI驱动的个性化推荐和智能提醒可能成为亚马逊的差异化优势。 ## 未来展望 尽管“Update Me When”目前需要用户主动设置，但其未来潜力巨大。随着AI技术的成熟，亚马逊可能会进一步自动化这一过程，让Alexa成为更智能的购物助手，真正实现“先人一步”的购物体验。
在 AI 代理（Agent）自主执行任务日益普及的今天，一个关键难题是如何让代理安全地进行支付。t54 公司通过结合 Amazon Bedrock AgentCore 的支付能力，构建了一个名为 x402-secure 的信任层，已成功处理超过 2000 万笔由代理发起的交易，全程无需人工审批。每笔交易金额介于 0.001 至 0.01 美元之间，属于高频小额支付，人工审核完全不可行。 ## 问题的核心：给代理钱包容易，治理难 t54 的客户部署的代理系统需要自主付费调用第三方服务。例如，金融服务团队运行的代理系统需实时监控股票投资组合，并从付费 API 获取市场数据。简单给代理一个钱包很容易，但难点在于治理：如何防止单一配置错误的循环耗尽账户？如何隔离凭证，让代理永不接触原始密钥？如何审计每笔交易以满足合规要求？这些挑战在多个代理调用数百个端点时尤为突出。 ## 解决方案：支付基础设施 + 信任智能 Amazon Bedrock AgentCore 支付提供了会话级消费限额、凭证保管和多提供商支持等基础设施。而 t54 的 x402-secure 则负责信任智能——实时评估每个端点，决定哪些可以安全支付。两者结合，为团队提供了无需定制集成即可实现的受治理代理支付。 ## 实际效果：无人工干预的规模化管理 通过这种双层架构，t54 已安全处理超过 2000 万笔代理交易，实现了真正的无人值守自动化。这不仅降低了运营成本，还避免了人工审核带来的延迟和错误。 ## 行业启示：代理支付治理的范式转变 t54 的案例展示了代理支付治理的可行路径：将支付执行与信任评估分离，利用云服务商的基础设施能力，结合专业信任层的智能判断。随着代理系统在各行业的普及，这种模式有望成为标准实践，让自动化支付既高效又安全。
在受监管行业中，组织往往面临一个持续存在的矛盾：既要赋予开发者进行临时分析的灵活性，又要严格锁定环境以满足合规要求。ZS Associates通过构建一个基于Amazon SageMaker的安全强化平台，成功平衡了开发者敏捷性与严格治理，目前该平台已服务超过1000名日常活跃用户，覆盖200多个SageMaker域。 ## 构建医疗级ML平台 ZS选择Amazon SageMaker Studio作为企业ML运营的基础，并集成了一套全面的安全框架，将独特的安全标准直接融入开发者体验中。这种方法使得整个组织的数据科学家和分析师能够访问ML能力，同时保持对医疗行业要求的合规性。 该解决方案默认在无互联网模式下运行，通过Amazon VPC端点实现与所需AWS服务的受控通信。对于包管理，ZS集成了JFrog Artifactory，具备向上仓库链接和实时包扫描功能，以防止未经授权或被篡改的代码进入环境。 ## 技术架构 平台采用多租户架构，每个租户拥有独立的Amazon SageMaker域，每个域都维护隔离的Amazon EFS卷、不同的IAM角色和可控制的网络设置。这种设计提供了强隔离性，支持细粒度的成本跟踪和访问控制。 ZS实现了三层IAM角色结构：域执行角色作为用户默认角色，Studio用户角色覆盖域默认值以实现细粒度控制，空间执行角色管理共享工作区。这一层级结构在整个平台中应用了最小权限原则，并保持了操作灵活性。 在数据保护方面，团队启用了AWS KMS加密，确保数据在静态和传输过程中都得到保护。 ## 业务影响与经验 通过这一平台，ZS显著降低了ML项目启动的摩擦，将新项目环境的搭建时间从数周缩短至数天。同时，安全治理的自动化减少了合规审计的负担，使团队能够更专注于核心分析工作。 ZS的经验表明，在受监管行业中，安全与敏捷并非不可兼得。通过将安全控制嵌入平台架构和开发者工作流，组织可以既保持创新速度，又满足严格的合规要求。 对于其他面临类似挑战的组织，ZS建议从清晰的IAM策略和网络隔离开始，逐步扩展安全功能，并确保开发者体验始终是设计核心。
随着企业逐步将AI代理接入更多核心系统，围绕AI代理所使用的技能、插件、MCP服务器等新工具，一个新兴的软件供应链正在形成。AI安全初创公司**AIR**今日宣布走出隐身模式，并已完成**5000万美元**的两轮种子融资，旨在为企业提供监控这一供应链的解决方案。 ## 创始团队与融资背景 AIR由以色列情报部队**8200部队**的退伍军人**Yair Saban**（CEO）和**Niv Hoffman**（CTO）共同创立，两人此前专注于进攻性网络安全。本轮融资中，**红杉资本**领投了第一轮（1000万美元），**Greenoaks**领投了第二轮（4000万美元），两轮融资在数周内相继完成。此外，Swish、Netz、Cognition总裁Zach Frankel、Wiz联合创始人Yinon Costica、Eon联合创始人Ofir Erlich、Anne Neuberger、Omer Adam、Clay联合创始人Varun Anand等天使投资人也参与了投资。 ## 平台功能：发现、审核、拦截 AIR的平台能够**发现企业内部运行的AI代理**，持续**审核**这些代理所使用的技能、工具和组件，并**阻止**它们与不符合安全标准的软件或外部来源进行交互。同时，AIR还提供了一个经过审核的AI代理技能和插件市场。 Saban将AI代理的使用比作操作系统，但强调当前对技能、插件等组件的监管远不如对驱动程序或应用程序的监管严格。他指出，在2000年代初期，安装驱动程序无需签名，而现在每次安装驱动都会验证签名，因为驱动会加载代码到内核。但技能、插件或MCP（模型上下文协议）服务器目前缺乏类似机制，这构成了潜在风险。 ## 风险与解决方案 Saban认为，随着AI代理在数据库、企业系统及互联网上更加自主地工作，攻击者可能转而**污染AI代理消费的内容**，而非直接攻击代理本身。AIR的解决方案是提供**可见性产品**，能够发现公司环境中活跃的代理，识别使用未经IT部门批准的AI工具或使用个人账户的员工，从而帮助企业防范此类供应链攻击。 AIR的融资和产品发布反映了AI安全领域的新趋势：随着AI代理的普及，确保其运行环境的安全将成为企业的刚需。
对于企业开发团队而言，文档编写与维护始终是技术债务的主要来源之一，尤其是在涉及多个企业应用和数据源的复杂集成工作流中。Boomi 推出的 **Boomi Scribe** 正是为解决这一痛点而生——这是一款运行在 AWS 上的 AI 智能体，能够自动生成详尽的集成流程文档，并支持版本对比，从而显著减轻开发者的负担。 ## 从手动到自动：告别文档之痛 过去，记录集成工作流（即自动化业务流程）的文档完全依赖人工，耗时且极易出错。随着流程版本迭代，手动更新文档不仅效率低下，还容易遗漏关键变更，导致团队协作时产生误解，甚至引发返工。更关键的是，缺乏准确文档会为审计和合规留下隐患。 Boomi Scribe 的核心理念，是将这些流程表示为 **有向无环图（DAG）**，每个节点对应工作流中的一个具体步骤，如数据获取、转换、路由和交付。AI 智能体能够解析这些 DAG，自动生成结构清晰、内容准确的文档，让流程对所有相关方透明可读。 ## 技术栈：多方协同的 AWS 架构 Boomi Scribe 的实现依托于多项 AWS AI/ML 服务，包括 **Amazon Bedrock**（搭配 Claude 模型）、**Amazon SageMaker AI**、**Amazon S3**、**Amazon DynamoDB** 和 **AWS Lambda**。这种组合架构支持高并发解析、文档生成和版本对比，能够弹性扩展以应对大规模流程处理需求。 ## 不止于文档：智能洞察与版本对比 除了自动生成文档，Boomi Scribe 还提供**具体的洞察和版本对比功能**。开发者可以直观地看到不同版本组件之间的差异，从而更高效地进行规划、沟通和变更管理。这对于团队协作、项目交接以及满足业务和合规要求都至关重要。 ## 实际价值：提升效率，降低风险 通过自动化文档流程，Boomi Scribe 不仅释放了开发者的生产力，还确保了文档的准确性和一致性。在快速迭代的集成开发环境中，这种能力正在成为企业保持敏捷和合规的关键支撑。
在硅谷，AI代理替人处理日常任务的趋势正热，但初创公司Fambot却把目光投向了更贴近生活的场景——家庭管理。这家公司近日推出了一款名为“AI chief of staff”的服务，专为父母设计，旨在帮助他们应对孩子活动、学校通知、家长群消息等繁杂的家庭后勤事务。 Fambot由前Instagram工程师Greg Karlin（现任CTO）、前Uber产品主管David Reich（现任CEO）以及曾就职于Google和LinkedIn的Jason Morrow共同创立。Reich本人就是三个孩子的父亲，他坦言，每天下班后本应陪伴孩子，却常常要花一个小时处理40封邮件，这种“精神负担”让他萌生了用AI解放父母的想法。 Fambot的使用方式很简单：家庭可以连接自己的邮箱、日历以及需要关注的WhatsApp群组。之后，AI会每天生成一份待办清单，并提前预览未来日程。与市面上其他AI代理（如Poke、Instinct）不同，Fambot不仅限于文本交互，而是主动推送信息，更像一个贴心的私人助理。 在技术层面，Fambot采用了多种AI模型的组合，并强调不会使用用户数据进行训练，以保护家庭隐私。这一差异化定位，让Fambot在众多AI代理中显得格外务实——它不追求炫技，而是切实解决家庭生活中的痛点。 目前，Fambot尚未公布具体的定价和上线时间，但其“家庭参谋长”的定位，无疑切中了许多双职工家庭的刚需。随着AI代理从办公室走向客厅，Fambot或许能成为“AI+生活”赛道的一个有趣样本。
Sonos 正在将其软件与人工智能深度融合，因为 AI“如今非常热门”。这些新功能（包括代理式自动化）均为可选加入。 ## 从音箱到音频操作系统 Sonos 长期以来被视为音频行业的宠儿，但 2024 年的一系列软件更新让用户大为不满，导致其应用几乎被所有用户诟病，功能缺失如音量控制和辅助功能被移除。Sonos 最终承认错误，更换了 CEO，并公开道歉以挽回用户。如今，Sonos 宣布推出全新的应用更新，并融入大量生成式 AI 功能，同时发布新款条形音箱和第二代头戴式耳机。 Sonos 临时硬件负责人 Brandon Holley 表示：“多年来，人们一直将我们视为音箱公司，但实际上我们是一个音频操作系统。”该系统被称为 **Sonos 27**，首先体现在 Sonos 应用的更新上。 ## 全新 Sonos 应用 Sonos 深知“新应用”这个词可能会让用户心生恐惧。软件副总裁 Sid Patel 表示，新应用采用了“以客户为中心的反馈倾听方法”，积极与社区互动并参与 Reddit 等论坛。新功能包括改进的标签导航、更好的房间排序以及音量旋钮的调整。今年秋季，Sonos 将推出系统健康视图，帮助用户诊断每个产品的连接问题。 ## AI 集成：Sonos 27 voice 重大亮点是 **Sonos 27 voice**，这是 Sonos 的生成式 AI 集成，目前处于早期访问阶段。它允许用户像使用 Alexa 或 Google Home 一样与音箱对话，比如根据心情点歌。该功能还支持 **Model Context Protocol**，可连接用户选择的 AI 服务（如 ChatGPT）来控制音乐播放。Sonos 还强调了 **Sonos Custom Agents**，用户可自定义代理执行多种任务。 ## 新品发布 Sonos 还发布了 **Sonos Ace Ultra** 耳机，这是其第二款头戴式耳机，以及 **Sonos Beam Ultra** 条形音箱，均支持 Sonos 27 系统。此外，公司还推出了 **Sonos Fabric**，但具体细节尚未透露。 ## 小结 Sonos 正试图通过 AI 重塑其品牌形象，从硬件公司转向软件平台。尽管新功能令人期待，但用户对过去问题的记忆犹新，新应用能否真正赢回信任，仍需时间检验。
随着 AI 推理需求的激增，算力已成为一种稀缺资源。如今，一些公司开始将目光投向普通电脑爱好者的家用服务器，让他们通过出租闲置算力来获取被动收入。 ## 从车库到云端：家用服务器的价值重估 长期以来，电脑爱好者们喜欢在自家地下室或车库里搭建小型服务器机架，用于个人项目、数据存储或实验。这些设备通常拥有不错的 GPU 和 CPU，但在多数时间处于闲置状态。如今，一些初创公司看到了其中的商机，开始搭建平台，将这些分散的算力整合起来，提供给需要 AI 推理能力的企业。 ## 如何运作？ 这些平台通常采用类似“算力共享”的模式：服务器所有者注册并接入平台，平台负责与客户对接、任务调度和支付。当有 AI 推理任务时，平台会将任务分发到符合条件的家用服务器上，完成后所有者即可获得报酬。对于服务器所有者来说，这几乎是一种“睡后收入”，无需额外投入，只需利用现有设备即可。 ## 为什么是 AI 推理？ AI 推理相比训练而言，对算力的需求更分散，且任务通常较短、实时性要求高。这使得将推理任务分发到边缘或分布式设备成为可能。家用服务器虽然单个性能不如数据中心，但胜在数量庞大、成本低。通过高效调度，这些平台可以在保证服务质量的同时，提供更具性价比的算力。 ## 潜在的风险与挑战 当然，这种模式也并非没有风险。**安全与隐私**是首要问题——企业数据在第三方设备上处理，必须确保严格的隔离和加密。此外，家用服务器的**稳定性**和**网络带宽**也可能成为瓶颈，影响任务执行的质量。平台方通常需要通过冗余机制和监控来缓解这些问题，但这会增加运营成本。 ## 对行业的影响 如果这种模式能够规模化，它可能会改变算力市场的格局。一方面，它降低了 AI 推理的门槛，让小企业也能以较低成本获得算力；另一方面，它也为个人硬件所有者开辟了新的收入渠道。不过，目前这一模式仍处于早期阶段，其长期可持续性和市场规模还有待观察。 对于拥有闲置算力的爱好者来说，这无疑是一个值得关注的新方向。但在投入之前，务必仔细研究平台的信誉、条款和安全措施，确保自己的设备与数据安全。
英伟达官方宣布，**DLSS 5**将于本周正式发布，此前该技术在3月份的公告中引发了广泛争议。DLSS 5将正式支持**RTX 50系列**桌面和笔记本电脑GPU，以及云游戏服务**GeForce Now**。目前唯一确认支持该技术的游戏是《NBA 2K27》，该游戏将于9月3日太平洋时间晚上9点在PC平台上线。 英伟达将DLSS 5称为“自2018年实时光线追踪问世以来，公司在计算机图形学领域最重要的突破”，并强调该技术利用AI基于游戏源内容增强游戏，使画面更加逼真。同时，英伟达表示开发者可以控制DLSS 5在游戏中的呈现效果。 然而，英伟达在3月发布的示例遭到了广泛批评和调侃，例如《生化危机：安魂曲》主角Grace Ashcroft被“美化”得面目全非。目前，《安魂曲》以及其他在3月展示中出现的游戏（如《EA Sports FC》、《星空》、《霍格沃茨之遗》）均未支持DLSS 5，英伟达也未回应关于其他游戏何时支持DLSS 5的问题。 在针对《NBA 2K27》的媒体简报中，DLSS 5带来的变化似乎没有之前展示的那么夸张。 **DLSS 5的争议点** * **过度美化角色**：DLSS 5的AI增强可能导致角色外观发生显著变化，被批评为“实时生成式AI滤镜”。 * **性能需求**：DLSS 5需要RTX 50系列GPU，这限制了其普及度。 * **游戏支持有限**：目前仅确认《NBA 2K27》支持，其他游戏的支持情况不明。 **DLSS 5的潜在优势** * **画质提升**：通过AI增强，游戏画面可能更加逼真。 * **开发者控制**：开发者可以调整DLSS 5的效果，以适应游戏风格。 总体而言，DLSS 5的正式发布标志着英伟达在AI图形技术上的进一步探索，但其争议性和有限的游戏支持可能影响其市场接受度。未来，随着更多游戏的支持，DLSS 5的实际表现将得到更全面的检验。
在人工智能领域，大型推理模型通过生成扩展的思维链（CoT）轨迹，在复杂任务上取得了显著成绩。这一过程通常依赖于带有可验证奖励的强化学习（RLVR）。然而，当前的RLVR方法虽然基于正确性奖励信号取得了不错的效果，但对推理过程本身的质量指导有限，导致内部推理结构未能充分优化。 最近，一项名为ERR+的研究提出了一种两阶段RLVR框架，旨在通过序列熵解析来提升推理效率与决策果断性。该研究在多个模型家族上进行实证分析，发现一个一致的模式：正确的推理轨迹在思考阶段表现出更频繁且更大的token级熵降。基于此，ERR+的第一阶段训练使用熵缓解奖励（ERR），该奖励与思考阶段累积的token级熵降成正比，并通过响应长度进行对数归一化。与以往抑制熵的方法不同，ERR奖励不确定性的解决，同时不约束探索性的高熵状态。第二阶段引入鲁棒相对效率奖励，通过tanh变换的组内z分数对每个响应的长度进行评分，与共同生成的同伴进行比较。 研究者还提供了形式化分析，表明两个目标的联合优化在训练早期会引发梯度冲突，因此设计了顺序执行方案。在五个数据集上的实验显示，ERR+在准确性和响应简洁性方面均取得了一致改进，适用于多种模型骨干。 这一研究的价值在于，它从信息论角度揭示了推理质量与熵变化的关系，为优化推理过程提供了新思路。通过奖励熵降而非单纯抑制熵，ERR+鼓励模型在保持探索性的同时，更高效地收敛到正确结论。此外，顺序训练策略有效避免了联合优化中的冲突，为RLVR框架的设计提供了参考。 尽管ERR+在多个数据集上表现优异，但其可扩展性和实际应用场景仍需进一步验证。未来，结合更多样化的任务和模型，ERR+有望在提升AI推理能力方面发挥更大作用。
**核心发现** 一项最新的机器学习安全研究揭示，平滑的Transformer前馈网络（FFN）在特定访问条件下存在一个额外的结构提取通道。该研究由Munawar Hasan和Apostol Vassilev完成，发表于arXiv（编号2608.28843），展示了如何仅通过黑盒查询，就能恢复隐藏的FFN内部结构，并实现功能替换。 **攻击模型与漏洞机制** 研究者假设攻击者拥有**选择输入-原始输出**的访问权限，即可以任意选择输入并获取FFN分支的原始输出，但无法访问模型参数、梯度或内部激活。他们发现，当FFN使用GELU或SiLU这类平滑激活函数时，输入Hessian矩阵（二阶导数）的投影会泄露内部权重矩阵的秩一因子信息。这些Hessian矩阵实际上是同一组隐藏对称秩一因子的不同混合，通过收集多个投影Hessian，可以将其形式化为一个**部分对称分解**问题，从而在理论上保证局部可辨识性和稳定性。 **高效查询策略** 为了降低查询成本，研究者利用**向量输出模板复用**技术，将结构查询的开销降低了16倍。在独立训练的CIFAR-10视觉Transformer上，仅需**16个投影Hessian**（对应**8193次黑盒查询**），就能恢复隐藏的FFN方向，平均绝对余弦对齐度超过0.94，其中95.1%的GELU方向和91.9%的SiLU方向对齐度超过0.90。这种恢复效果在多个独立训练模型、重复提取实验以及所有Transformer块中均保持稳定。 **功能提取可行性** 恢复的结构不仅能用于方向识别，还能支持**功能提取**。在固定恢复方向后，仅拟合剩余FFN参数，即可获得高保真度的替代模型，其**top-1一致率超过93%**，测试准确率分别保持在GELU和SiLU目标模型的0.90%和0.62%以内。此外，研究者还测试了防御措施的影响：输出舍入和高斯噪声会显著降低恢复效果，但通过调整有限差分步长，平均对齐度可恢复至0.9603（GELU）和0.9398（SiLU）。 **安全启示** 这项研究揭示了一个端到端的攻击路径：从黑盒二阶观测到隐藏FFN结构恢复，再到功能替换。它表明，在特定的oracle模型下，平滑FFN的曲率特性会暴露内部参数几何，而这种暴露是单纯行为保真度无法揭示的。这为模型安全评估提供了新的视角，尤其是在API仅暴露原始输出的场景中，模型设计者需要警惕此类二阶信息泄露。 **研究局限与展望** 尽管结果显著，但研究基于特定的oracle假设（选择输入、原始输出），实际攻击场景可能受限。未来工作可能探索更现实的攻击条件，或研究其他激活函数和网络架构的鲁棒性。
arXiv:2608.28896v1 Announce Type: new Abstract: Industrial process networks do not maintain a single effective topology while operating: streams are throttled or bypassed, and units move between idle, transition, and active regimes. Models of such systems are typically trained on measured state trajectories while the operating mechanisms that generated them remain latent, and an unconstrained graph network can fit such a trajectory without assigning stable physical meaning to the recovered routi
生成式推荐系统正越来越多地采用语义ID（SIDs）作为物品表示，每个物品被编码为残差量化器产生的短序列层次化离散码，并通过自回归方式解码。在投入稀缺的A/B测试资源之前，团队通常需要离线判断哪些解码器或重排序变体值得测试，这正是离线策略评估（OPE）的用武之地。一个自然的问题是：模型自身的SID树能否作为OPE的动作抽象？近期一篇arXiv论文对此进行了探讨，给出了三部分答案。 ## 核心发现 **（i）物品级OPE在真实日志上几乎不可行**：真实推荐系统常采用近argmax的日志策略，导致物品级别的有效样本量通常很小，直接进行OPE误差巨大。然而，将物品粗化到代码前缀簇（code-prefix clusters）后，可恢复可估计的支持度并显著降低误差。 **（ii）获益主要来自粗化，而非层级本身**：但SID树使得粗化在生成式系统中变得可行——每个簇的质量可由解码器精确且廉价地返回，而扁平聚类则需要枚举物品/叶子质量，而纯代码解码器无法直接提供这些信息。 **（iii）分辨率深度是操作旋钮**：在支持度稀缺时，应选择更粗的粒度。论文还推导了一个条件偏差界限，将粗化偏差与量化器的最坏情况重建残差以及目标-日志策略散度联系起来。 ## 意义与启示 这项研究为生成式推荐系统的离线评估提供了实用指导。它表明，利用模型自身的SID层级结构进行粗化，可以在不牺牲太多准确性的情况下，有效缓解OPE的数据稀疏问题。对于实践者而言，这意味着在A/B测试之前，可以更可靠地筛选候选模型变体，从而节省宝贵的流量资源。 然而，论文也指出，粗化的收益并非源于层级本身，而是源于其提供的便捷性。因此，在其他系统中，若能以低成本实现类似的粗化，也可能获得类似的好处。此外，分辨率深度的选择需要权衡偏差与方差，论文给出的偏差界限为这种权衡提供了理论依据。 总之，这项研究为生成式推荐系统的离线评估开辟了新的思路，并提供了可操作的建议。未来的工作可以进一步探索如何动态调整粗化粒度，以及如何将这种方法扩展到更复杂的推荐场景。
**核心发现**：独立训练的神经网络在编码相同数据时，往往会产生相似的潜在空间几何结构。这些结构虽不直接兼容，但可能仅相差某种变换。传统对齐方法依赖共享样本对应（锚点），而新研究提出**HGA（超球面高斯对齐）**，直接优化两个潜空间之间的变换，最大化几何拟合度，实现**无监督或弱监督**下的对齐，在模型拼接和多语言词嵌入对应恢复等任务上媲美监督方法。 ## 背景与问题 深度学习模型中，不同实例或训练轮次产生的潜空间往往存在差异，但底层几何结构可能高度相似。例如，同一数据集训练出的两个编码器，其输出空间可能仅通过旋转或缩放等变换即可对应。现有对齐方法通常需要锚点——即已知对应的样本对——来建立映射，这限制了其在无标注场景下的应用。 ## HGA方法原理 HGA的核心思想是**利用潜空间的几何特征而非配对数据**来驱动对齐。具体而言，它假设潜空间中的概率分布（如高斯分布）在超球面上具有某种几何结构，通过最大化两个分布之间的几何拟合度（如测地线距离或重叠度）来学习变换。这种方法不依赖样本对应，因此可以纯无监督运行，也可利用少量弱监督信号。 ## 实验验证与应用场景 研究团队在**模型拼接**（model stitching）和**多语言词嵌入对应恢复**等任务上测试了HGA。结果显示，HGA在无监督或弱监督条件下，性能接近甚至达到监督方法的水平。例如，在跨语言词嵌入对齐中，HGA无需平行语料即可恢复不同语言嵌入空间的对应关系，这对低资源语言处理具有重要意义。 ## 意义与展望 HGA为潜空间对齐提供了一种新范式，**减少了对标注数据的依赖**，有望在领域自适应、模型融合、迁移学习等领域发挥价值。未来工作可能探索更复杂的几何结构或扩展到非高斯分布场景。