数十年来，家庭出入方式基本保持不变，主要依赖于传统钥匙而非数字系统。虽然传统钥匙可靠，但其灵活性不足，也难以融入快速发展的数字世界。如今，智能锁正在重新定义家庭出入方式，并已成为家居环境中一个互联、数据驱动的层面。在连接性和人工智能进步的推动下，智能锁现在能够适应用户行为，并与更广泛的生态系统集成，提供更无缝、更安全的出入体验。这个曾经只属于早期采用者的小众品类，如今不仅在家庭，而且在公寓、酒店和房地产领域都具有了大众市场相关性。由于消费者日益关注智能、无钥匙进入，全球智能锁市场预计到2032年将达到130亿美元以上。这一转变并非仅由新奇感驱动；它是持续技术进步的结果，包括人工智能驱动的自动化、改进的互操作性和增强的安全性，这些进步已将智能锁提升到足以满足主流采用所需的便利性、可靠性和信任度。对于在智能出入生态系统中运营的企业和品牌而言，理解推动主流普及的力量对于整个行业的持续增长至关重要。智能锁进入主流近年来，由于设备创新和消费者期望的改变，智能锁的普及运动已显著加速。最终用户现在期望通过应用程序无缝控制从照明到气候的一切，而在集成的数字体验方面，出入控制也不例外。对于房主和居民而言，智能锁的价值主张集中在日常便利性和安心感上。诸如无钥匙进入、为访客或服务提供商提供临时数字访问权限、以及远程检查或控制门状态等功能，正迅速成为期望中的标配，而非例外。然而，只有当这些好处以近乎完美的可靠性和直观的易用性交付时，尤其是在像家庭前门这样私密且重要的物品上，广泛采用才成为可能。低能耗与始终在线访问影响智能锁设计的最重要的技术限制之一是电源，因为智能锁的电池性能是用户信任的基础。用户通常既担心电池寿命，也担心智能锁电量耗尽时失去访问权限的风险。现代智能锁，如Nuki，现在通过更长的电池寿命和替代访问选项来解决这些消费者担忧。Nuki应对这一挑战的独特方法是其由长效锂电池供电的改装智能锁设计。通过在门内现有的锁舌上安装智能锁，Nuki锁保留了传统钥匙作为故障保险的完整使用功能，同时锂电池提供超过六个月的可靠运行，确保了智能出入的便利性。能源效率与即时访问之间的平衡对于更广泛的接受至关重要，尤其是在需要最小化维护需求的家庭住宅或租赁物业场景中。像Nuki这样的公司理解这对用户的重要性，并花费数年时间开发能够在几秒钟内解锁门并使用锂电池来最小化充电时间并保持持久电力的设备。Nuki智能锁也是一种改装解决方案，这意味着用户始终可以根据偏好或紧急情况使用他们的传统钥匙进行访问。这样的设计对于大规模普及至关重要，因为微小的延迟或不一致会破坏感知的可靠性。在智能出入控制方面，响应能力不是奢侈品；而是基本要求。从碎片化到互操作性早期的智能家居采用因碎片化而受阻，但互操作性正在改变消费者看待智能锁能力的方式。早期，设备各自为政，需要客户自行集成，限制了可扩展性。现在，由于Matter等通信标准的出现，我们看到了行业的转折点。基于Thread的Matter实现了低功耗、基于网格的连接，非常适合像智能锁这样的电池供电设备。它简化了跨主要生态系统的互操作性，允许设备与Apple Home、Google Home、Samsung SmartThings和Amazon Alexa等领先平台无缝集成。这个共享的基础对于兼容性以及实现智能的跨平台体验至关重要。随着互操作性的改善，人工智能越来越多地被叠加其上，使智能锁从反应式设备转变为情境感知系统。实施人工智能有助于品牌分析使用模式、时间行为以及来自整个生态系统的存在信号，以自动化出入决策、检测异常并减少用户摩擦，同时不损害安全性。这些人工智能驱动的功能只有在设备能够跨平台可靠地通信和共享数据时才可能实现。随着这些增强，智能锁不再是独立的产品；它们是更广泛的数字生态系统（如家庭甚至车辆）中的智能、可互操作的组件。Nuki最近宣布了其针对iOS 26更新的CarPlay Widget，这说明了将安全访问控制扩展到互联汽车体验中，并为前门之外的人工智能驱动交互打开大门这一转变。速度与精度：为何分秒必争出入是一种对时间特别敏感的交互相。用户接近门时带有即时性的期望；犹豫或失败会立刻被注意到。因此，该行业越来越注重精确性。不仅要识别用户是谁，还要知道他们在哪里以及何时应该进行访问。超宽带技术在这方面代表了重大进步。与早期基于接近度的解决方案不同，UWB能够实现高度精确的距离和方向感知，减少误触发，并实现更快、更可靠的自动解锁体验。展望未来，像Aliro这样的计划旨在使这些能力与主要技术平台更紧密地结合。通过将智能锁与智能手机、可穿戴设备和联网车辆协调一致，该行业正朝着一个未来迈进，在那里，出入不再是一个孤立的动作，而是数字身份的无缝延伸。人工智能与情境感知访问人工智能也在智能出入解决方案中扮演着更有意义的角色，不是作为头条功能，而是作为一个无形的智能层。通过分析来自多个来源的数据，包括传感器、GPS、Wi-Fi信号和使用模式，人工智能可以更准确地预测用户意图。这为诸如确定用户到达门前的精确时刻，或在最后一位居住者离开时自动锁定物业等用例打开了大门。对于房主来说，这些能力可以转化为更高的安全性、能源效率和操作简便性。信任作为终极差异化因素随着智能锁功能越来越强大，围绕隐私和安全的风险也随之增加。出入控制本质上是敏感的；任何信任的破坏都可能带来严重的现实后果。因此，技术进步必须伴随着对安全优先设计的严格承诺。该领域的一个重要趋势是向基于边缘的处理发展。通过在本地处理关键功能，而不是将所有数据通过云端路由，智能出入系统可以减少延迟、限制暴露并增强弹性。这种方法也符合日益增长的关于数据最小化和隐私的监管和消费者期望。该领域的领先品牌，包括Nuki，一直强调该领域的创新必须考虑到用户信任。这意味着默认加密、透明的实践以及尽可能优先考虑本地决策的架构。Nuki特别使用端到端加密，并且默认情况下所有数据都保留在客户本地。展望未来：智能出入作为基础设施智能锁的演变不仅仅是关于用应用程序取代钥匙；它标志着一个向功能完善的数字基础设施的更广泛过渡，一个将家庭、建筑、车辆和服务连接成一个连贯、智能系统的系统。最大的机会不在于单个产品，而在于构建可扩展的互操作系统。随着行业标准成熟、精确技术改进以及人工智能变得更加情境感知，智能锁有望成为人与物理空间之间的基础接口。人工智能将越来越多地实现主动的出入决策、异常检测以及在便利与安全之间取得平衡的适应性体验。下一阶段的增长将集中在结合便利性、互操作性、人工智能智能和信任的解决方案上。包括Nuki在内的品牌将继续专注于在后台默默实现出入，利用人工智能减少摩擦，同时将隐私、安全和用户信心置于所有创新和增强的最前沿。智能锁行业的前瞻性理念将是创造能够如此无缝、安全地工作，以至于用户几乎注意不到它们的技术。
AI智能体已成为许多IT公司开发过程中不可或缺的一部分，它们承诺能加速流程、减少错误，并将开发者从日常任务中解放出来。但它们真的像其创造者所宣称的那样有效吗？在Waites，我们开发并维护一款产品，该产品利用IIoT、ML、AI和云技术来检测工业设备性能偏差并预防故障。我的团队在将GitHub Copilot Agent和其他工具集成到日常工作流程方面获得了实践经验。在本文中，我想分享我们的经验，并概述一些步骤，这些步骤可以帮助将AI智能体实施到日常流程中，使其成为真正的助手，而非问题的来源。AI智能体真的能加速开发吗？AI智能体常被宣传为近乎自主的开发者：它们可以编写代码、生成测试、执行代码审查、优化性能，甚至创建完整的应用程序原型。例如，GitHub Copilot Agent可以分析项目结构，适应开发者的风格，并提出现成的解决方案——从单元测试到重构。根据我团队的经验，Replit Agent擅长创建可用于验证商业想法的演示项目。GitHub Copilot Agent在使用Node.js、TypeScript和JavaScript的前端项目中表现出色：该智能体能处理代码审查、编写测试并对Pull Request进行评论，使团队负责人能够快速审查和批准变更。生产力显著提高：测试和审查更快，开发者花在日常任务上的时间更少。与此同时，使用PHP或Python的后端项目显示出不太一致的结果：智能体在处理遗留代码、大型文件或非标准架构时遇到困难，有时会产生破坏测试的错误。我同意AI智能体具有巨大潜力，但我认为它们目前还无法取代开发者。它们是加速工作的助手，但需要持续的人工监督——特别是考虑到ISO/IEC 27001或SOC2等安全标准。如果你希望智能体能实质性地提升团队生产力，关键在于正确的配置以及培训你的团队有效地使用它们。集成的实践步骤如果没有适当的集成、培训和监督，AI智能体很快就会变成无脑的任务。我们在Waites的经验证实了这一点。当我们首次将GitHub Copilot Agent连接到我们的工作环境时，最初的几周充满挑战。在智能体适应每个开发者的风格和项目期间，它产生了大量错误。后来，在我们理解了智能体的工作原理、提供了所有必要的访问权限、并生成了包含指令、编码标准以及服务依赖关系高层架构图的文件后，我们才得以建立顺畅、不间断的运作。以下是我给刚刚踏上这条路的人的建议：1. 明确目标并建立基准指标在开始试点之前，必须清楚地了解你为什么需要智能体：是为了减少审查时间、自动化测试，还是为了减少错误数量。没有关键绩效指标，团队将无法证明智能体的价值，项目也可能最终“无疾而终”。创建基准指标：每项任务的平均时间、QA中的错误数量、重复任务的百分比。例如，这使我们能够衡量代码审查的平均时间以及首次审查后的修改数量。2. 将智能体集成到工作流程中AI智能体需要存在于团队工作的地方：GitHub、Jira、Slack或IDE中——而不是在一个单独的“沙盒”里。否则，没有人会在实际发布中使用它，其建议也会变得过时。我建议将智能体连接到CI/CD（GitHub Actions、Jenkins等），使其能够创建PR、评论构建结果并响应代码事件。在Waites，我们是逐步进行的：Copilot Agent被集成到GitHub中以创建Pull Request，并嵌入到审查流水线中。起初，智能体检查结果，然后由团队负责人进行验证。3. 教导人们如何与智能体互动智能体不是一个魔法按钮——它是一个需要正确提示和结果验证的工具。如果不准备团队，有些人会忽略智能体，而另一些人可能会过度信任它，从而导致编码错误。进行简短的入职培训：教导开发者将任务表述为动作（“创建测试”、“重构这个”）而非问题。在Waites，我们最初给了智能体时间来“适应”每个开发者的风格。正如我之前提到的，Copilot Agent在分析了项目结构——DTO、服务、提供者和模型——大约一周后才开始有效工作。此后，团队生产力显著提高，测试和代码审查也变得快得多。4. 确保安全性和策略智能体可能会无意中将内部数据发送到外部API，或插入带有不兼容许可证的代码片段。为防止数据泄露或法律问题，请制定内部AI政策。其中应明确规定哪些数据绝不能输入到智能体中（密钥、密码、客户数据），代码如何审查，以及谁对发布负责。在Waites，我们在架构层面解决了这个问题：所有具有代码访问权限的工具都在企业环境内运行（Gemini Enterprise、具有API限制的GitHub Copilot）。对于敏感项目，我们使用单独的隔离环境——类似于我们处理测试新数据库的方式——以避免数据泄露。此外，我们遵循ISO/IEC 27001的信息安全原则，这意味着所有输出始终由人工验证。5. 从一开始就规划扩展如果试点成功，你需要一个将智能体推广到其他团队的规划。没有这个规划，智能体将只是单个团队的“玩具”，无法产生系统性影响。我建议创建一个包含提示模板、集成和指南的内部平台。逐步添加功能——从测试到CI/CD再到文档。结论实施AI智能体不是关于一个“魔法按钮”；它是一种将混乱转化为效率的系统性方法。我们在Waites的经验表明，通过适当的集成、培训和对安全的关注，智能体可以显著加快工作速度、减少错误，并腾出时间用于产生新想法。从一个试点开始，衡量结果，然后进行扩展。AI在未来将成为一个更强大的工具，但请记住：成功的关键因素是管理这些技术的人员。如果你的团队已做好准备，请不要犹豫——AI智能体已经到来，随时准备帮助你的业务成长。
在美国各地，住房审批延误正对开发商、市政当局以及受持续住房危机影响的潜在购房者造成损害。但这些延误不仅仅是施工问题，也是一个许可审批问题，最大的瓶颈往往在破土动工之前就已出现。诸如人工蓝图审查、零散的工程文件以及同一辖区内不同的规范解读等复杂性和低效问题，可以将本应仅需数周的审批过程拖延至数月之久。由此产生的延误会迅速推高成本、阻碍开发，并进一步加剧本已不堪重负的住房供应，这种情况在住房需求最迫切的地区尤为常见。人工智能正在为这个棘手问题提供解决方案。毕竟，人工智能已经在无数其他行业中疏通了类似的瓶颈。在这个案例中，人工智能所能扮演的角色比许多人想象的要简单。它并非通过自动化系统来批准建筑，而是旨在利用其独特能力来精简审批流程，即在申请材料送达城市审查员案头之前，优化提交内容、审查提案并识别问题。因此，美国各地的城市和县开始将人工智能引入许可审批流程本身也就不足为奇了。但这并不意味着城市正在削减政府工作岗位，用人工智能系统取代人工审查员。市政当局也并非简单地将许可审批流程外包给一个远离监管审查的神秘“黑箱”审批系统。相反，越来越多的公务员认识到人工智能的实际价值，将其视为管理日益积压的申请、减少行政摩擦以及实现早就该升级的工作流程现代化的一种方式。人工智能正走向许可审批的前线许可审批延误不仅会拖慢项目进度，还会增加成本，并让住房供需各方利益相关者感到沮丧。那么，为什么当今如此多的许可审批部门仍在沿用几十年来未曾真正演进的工作流程？事实上，大多数部门仍然依赖PDF文件、人工检查清单或没有结构化数据的扫描文档。每增加一个审查周期，就会增加工程款支付、持有成本和不确定性，最终滚雪球般地演变成另一系列不可预见的费用。这与将数字化工作流程引入建筑生命周期其他过时领域的创新应用相去甚远。特别是对于小型开发商和房主而言，这些延误可能直接决定项目是继续推进还是彻底失败。反之，当审批流程得到改善时，其连锁效应同样深远。建筑商可以更快地交付项目，城市可以在不增加人员的情况下处理更多项目，住房供应可以在无需有争议的分区变更或激进仓促的建筑策略的情况下自然扩大。尽管人工智能赋能的许可审批带来的好处日益明显，但这场讨论引发了一个关键问题，让一些建筑行业专业人士感到不安：我们真的能信任一个在幕后悄无声息地批准或拒绝建筑申请、看似无需人工干预的模型吗？这个问题误解了这些公共机构采用人工智能时所追求的功能。在实践中，它们并非旨在取代人工审查员。相反，它们采用人工智能是为了改进预检查和标准化流程，以便当许可申请送达人工审查员时，他们的工作已经变得更加轻松。这是双重监督，且毫无摩擦。通过采用这种方法，新兴的模式看起来更像是这样： 人工智能验证所有必需文件是否齐全、准确且符合法规。对于不符合的文件，它会根据预设规则标记常见问题。 这使得所有明显的问题在人工员工开始审查时都已浮出水面。 员工保留判断权和问责权，并且无需亲自筛选许可申请来识别潜在问题即可签字批准。 当规划图纸以更清晰、更完整、更易于批准的形式送达审查时，就减少了对冗长审查周期的需求。其结果是提交材料完全齐备、可避免的驳回减少、周转时间加快，同时安全或合规标准并未降低。将人工智能驱动的许可审批付诸实践在许可审批中使用人工智能的好处不仅仅是推测性的；它已经投入使用并取得了优异成果。2024年底，《休斯顿纪事报》报道称，哈里斯县批准了一项为期两年的试点计划，将人工智能引入其建筑许可工作流程的部分环节。目标很明确：利用人工智能对施工图纸进行自动化预检查，标记明显问题，然后将提交材料转交给员工进行全面审查。县官员还提到了奥斯汀，据报道，那里的一项类似试点将审查时间缩短了大约50%。与此同时，GovTech记录了州和地方政府如何将人工智能与GIS系统结合，以帮助加快许可审批、更清晰地展示申请状态，并使许可数据更易于搜索和透明。这些努力是渐进式的、操作性的，旨在支持现有员工，而非取代他们。人工智能正悄然成为审查您图纸的第一个系统。但最终决定仍由人类做出。悄然发生但影响深远的变革尽管许可审批过程繁琐，且很少像建筑过程中更引人注目的方面那样受到关注，但它仍然是整个拼图中至关重要的一块。它不仅提供了确保新建建筑安全合法所需的关键监管监督，还在影响时间线、决定成本以及最终实现住房目标方面发挥着重要作用。人工智能不断证明自己是市政当局可用的最实用工具之一。通过谨慎、渐进地将人工智能引入许可审批工作流程，并让人类仍然掌握任何特定批准的最终决定权，市政当局正在解决建筑行业中最顽固的瓶颈之一，而无需重写政策或增加人员编制。从长远来看，使许可和审批流程现代化，对于效率提升的价值可能与加快建筑速度同等重要。更快的审批意味着更多的住房开工、更少的项目取消，以及更少的时间浪费在等待文书工作上，而不是浇筑地基上。这是一个双赢的局面：无论是对于建造这些房屋的人，还是对于那些需要一个安身之所的人来说。
数十年来，人工智能以谨慎、近乎线性的步伐发展。研究人员构建模型。工程师提升性能。组织部署系统以自动化特定任务。每一次改进都严重依赖于人类的设计和监督。这种模式正在被打破。悄然但决定性地，AI系统正在跨越一个门槛：它们不再仅仅是由人类构建的工具。它们自身正在成为构建者。AI智能体已开始设计、评估和部署其他AI系统。在此过程中，它们创造了反馈循环，每一代都能改进下一代。这一转变并非以戏剧性的头条新闻宣告自身。它通过研究论文、开发者工具和企业平台悄然展开。然而，其影响是深远的。当智能能够递归地自我改进时，进步便不再遵循人类的时间线或直觉。它会加速。本文探讨了我们如何走到这一刻，为何递归智能至关重要，以及为何社会对此的准备远未达到应有的程度。智能爆炸，这个曾经是哲学概念的想法，如今已变成一个具体的工程挑战。智能爆炸的演进机器能够改进自身智能的想法早于现代计算机。早在20世纪60年代初，英国数学家I. J. Good 提出了“智能爆炸”的概念。他的推理是：如果一台机器变得足够智能，能够改进自身的设计，哪怕只是轻微改进，那么改进后的版本将更擅长改进下一个版本。这个循环可能迅速重复，导致增长远远超出人类的理解或控制。在当时，这是一个哲学思想实验，更多是在理论上而非实践中讨论。几十年后，这一想法通过计算机科学家Jürgen Schmidhuber的工作获得了技术基础。他提出的哥德尔机描述了一种系统，只要能够形式化地证明改动会提升其未来性能，它就可以重写自身代码的任何部分。与在固定架构内调整参数的传统学习系统不同，哥德尔机可以改变自身的学习规则。尽管仍是理论性的，这项工作将智能爆炸重新定义为可以被研究、形式化并最终构建的事物。从理论到实践的最终转变，伴随着现代AI智能体的兴起而到来。这些系统不仅仅是根据提示生成输出。它们会规划、推理、行动、观察结果并随时间调整行为。随着智能体架构的出现，智能爆炸从哲学领域进入了工程领域。早期的实验，例如达尔文哥德尔机概念，暗示了通过迭代自我改进而演化的系统。使此刻与众不同的是递归。当一个AI智能体能够创建并优化其他智能体，并从每次迭代中学习时，改进就会产生复合效应。当AI智能体开始构建AI两大趋势正在推动这一转变。第一个是智能体AI系统的兴起。这些系统在较长时间内追求目标，将任务分解为步骤，协调工具，并根据反馈进行调整。它们不是静态模型。它们是过程。第二个趋势是自动化机器学习。现在存在的系统能够设计架构、调整超参数、生成训练流水线，甚至在最少人工输入的情况下提出新算法。当智能体推理与自动化模型创建相结合时，AI便获得了构建AI的能力。这已不再是假设性的场景。像AutoGPT这样的自主智能体展示了单一目标如何能触发规划、执行、评估和修订的循环。在研究环境中，像Sakana AI的Scientist-v2和DeepMind的AlphaEvolve这样的系统展示了智能体设计实验、提出算法并通过迭代反馈优化解决方案。在神经架构搜索中，AI系统已经发现了媲美甚至超越人类设计网络的模型结构。这些系统不仅仅是在解决问题。它们正在改进用于解决问题的机制。每个循环都产生更好的工具，从而促成更好的循环。为了扩展这一过程，研究人员和公司越来越多地依赖编排器架构。一个中央元智能体接收一个高级目标。它将任务分解为子问题，生成专门的智能体来处理它们，使用真实世界数据评估结果，并整合最佳结果。糟糕的设计被丢弃，成功的则得到强化。随着时间的推移，编排器尽管人工智能智能体完全构建并改进其他人工智能系统的确切时间表尚不确定，但当前的研究轨迹以及来自领先人工智能研究人员和从业者的评估表明，这一转变的到来速度比许多人预期的要快。这种能力的早期、受限版本已经出现在研究实验室和企业部署中，智能体开始以有限的人力参与来设计、评估和完善其他系统。不可预测性的出现递归智能带来了传统自动化从未面临过的挑战。其中之一是系统层面的不可预测性。当许多智能体交互时，它们的集体行为可能会偏离其个体设计背后的意图。这种现象被称为涌现行为。涌现并非源于单个有缺陷的组件，而是源于多个胜任组件之间的相互作用。以自动化交易系统为例。每个交易智能体可能遵循旨在约束内最大化利润的合理规则。然而，当数千个这样的智能体高速交互时，可能会形成反馈循环。一个智能体的反应可能触发另一个智能体的响应，后者又可能触发下一个，直到系统失稳。市场崩盘可能在没有任何单个智能体发生故障的情况下发生。这种失败并非由恶意意图驱动。它源于局部优化与系统整体目标之间的错位。同样的动态也可能适用于其他领域。多智能体对齐危机传统的人工智能对齐研究侧重于将单个模型与人类价值观对齐。问题很简单：我们如何确保这一个系统按我们的意图行事？当系统包含数十、数百或数千个相互作用的智能体时，这个问题变得显著困难。对齐单个智能体并不能保证系统行为的对齐。即使每个组件都遵循其规则，集体结果也可能是有害的。现有的安全方法并不适合检测或防止这些故障。安全风险也成倍增加。多智能体网络中的一个被入侵的智能体可以污染其他智能体所依赖的信息。单个被破坏的数据存储可以将错位行为传播到整个系统。威胁一个智能体的基础设施漏洞可能向上级联，威胁到基础模型。攻击面随着每个新增的智能体而扩大。与此同时，治理差距持续扩大。微软及其他组织的研究发现，只有大约十分之一的公司拥有明确的策略来管理人工智能智能体身份和权限。预计到今年年底，将存在超过四百亿个自主身份。大多数身份在拥有对数据和系统的广泛访问权限的情况下运行，却没有应用于人类用户的安全协议。系统正在快速发展。监督机制却没有。 监督的丧失 递归自我改进引入的最严重风险并非原始能力，而是有意义的人类监督的逐渐丧失。领先的研究机构正在积极开发能够以极少或无需人力参与的方式修改和优化自身架构的系统。每一次改进都使系统能够产生能力更强的后继者，从而形成一个没有人类能可靠保持控制点的反馈循环。 随着人在回路中的监督减少，其影响变得深远。当改进周期以机器速度运行时，人类无法再审查每一次变更、理解每一个设计决策，或在微小的偏差累积成系统性风险之前进行干预。监督 在这种条件下，对齐性变得更难验证，也更容易被侵蚀，因为系统被迫通过连续的自我修改来延续其目标和约束。如果没有可靠的机制在这些迭代中保持意图，系统可能会继续有效运行，同时悄然偏离人类的价值观、优先级和治理。 核心要点人工智能已进入一个能够通过构建更好的版本来自我改进的阶段。递归的、由智能体驱动的智能承诺带来非凡的收益，但它也引入了风险，这些风险的扩展速度超过了人类的监督、治理和直觉。未来的挑战不在于能否阻止这种转变，而在于安全性、对齐性和问责制能否与能力提升保持同步。如果它们不能，智能爆炸将超出我们引导它的能力。
Сохраб Хосейни 是 orq.ai 的联合创始人，一位常驻阿姆斯特丹地区的技术领导者和企业家，在SaaS、大规模系统和应用人工智能领域拥有深厚经验。自 2022 年创立 orq.ai 以来，他一直专注于构建实用的基础设施，帮助团队将大型语言模型从实验阶段推进到可靠的生产应用。他的背景包括在Neocles 担任首席运营官和首席技术官的高级领导职务，在 Transdev 担任未来技术首席技术官，负责自动驾驶路线规划和车队管理，以及在 TradeYourTrip 担任首席运营官。同时，他还活跃于顾问和天使投资人的角色，为早期人工智能公司提供产品方向、技术判断和执行战略方面的支持。orq.ai是一个生成式人工智能协作和 LLMOps 平台，旨在帮助组织在现实环境中设计、运营和扩展人工智能驱动的产品和智能体。该平台将提示管理、实验、反馈收集以及性能和成本的实时可见性整合到一个统一的工作空间中，同时保持与所有主要大型语言模型提供商的兼容性。通过促进技术团队和非技术团队之间的紧密协作，orq.ai 帮助!业缩短发布周期、改善治理和透明度，并降低在生产环境中运行人工智能系统的复杂性和成本。在创立Orq.ai 之前，您曾在自动驾驶系统、车队管理技术和 SaaS 平台领域担任高级技术和运营职务——这段职业道路如何影响了您在 2022 г. 年决定为企业级人工智能智能体构建控制层的决策？我们的背景一直是领导工程团队并专注于赋能平台；比如云、DevOps...
