Richard White, Fathom的创始人兼首席执行官，是一位连续创业者和以产品为中心的企业家，他最出名的是将个人挫折转化为定义类别的软件。在创立Fathom 之前，他创立并领导了 UserVoice 近 13 年，将其发展成为一个盈利的反馈管理平台，被数千家公司使用，范围从初创公司到像微软这样的大型企业，同时还开创了如今无处不在的网站“反馈”标签。在他职业生涯的早期，他完全独自一人构建并运营SlimTimer 超过十年，领导了 Ruby on Rails 生态系统中具有影响力的开源项目，如 AjaxC并曮，如 AjaxScaffold 担任产品设计主管，这些经历共同塑造了他关于可用性、客户同理心愥及建能够悄无声息但意义深远地改善团队工作方式的工具的哲学.Fathom.成立于 2020 年，秉承了相同的理念，致力于解决一个普遍的痛点：在试图进行眐实寕时做笔记所带来的认知过载。该平台自动录制、转录和总结会议—最显著Zoomaa 上——允许用户实时突出显示重要时刻，分享短视频片段而非原始笔记，并保留在书面摘要中常常丢失的细微差别。随着Ymmärtää...
Ven Raju 是 Innovation Works的首席执行官，他是一位经验丰富的风险投资者和生态系统构建者，在早期和成长期股权投资方面拥有深厚的经验。他自2022 年 10 月起领导 Innovaatio Works，同时兼任首席投资官和投资委员会主席，负责监督美国最活跃的早期投资者之一的战略和资本部署。在此之前，他曾担任Riverfront Ventures 的董事总经理，投资领域涵盖 SaaS、机器人技术、物联网、健康科技、人工智能和生命科学；更䅖䛋前， 的董事总经理兼副总裁，在那里他制定了技术投资主题并主导尽职调查，促成了多项成功的投资和收购。他的背景还包括在Chestnut Street Ventures 担任合伙人，领导了多次促成首次公开募股和收购的成长型股权投资，弌拥有多年在宾夕法尼亚大学担任客座讲师的经验.Innovation. Toimii 是一家总部位于匹兹堡的风险投资公司和初创企业支持组织，专注于加速高潜力科技公司的成长。它提供早期资金、实践指导和结构化的加速器项目，旨在帮助创始人从想法走向可扩展的业务。通过诸如AlphaLab, AlphaLab...
Protege 是一家专注于为 AI 开发解锁可信真实世界数据集的人工智能数据平徱収领投的 3000 万美元 A 轮扩展融资.此次新融资延续了该公司于 续了该公司于 2025 年 8 月2500万美元 A 轮融资，使其自 2024 年成立以来的总融资额达到 6500 万美元。回归焆苅自Jalkatyö, CRV, Bloomberg Beta, Flex Capital...
Ali Sarrafi, Kovant的首席执行官兼创始人，是一位常驻斯德哥尔摩的经验丰富的技术和人工智能高管，拥有建立和发展高增长人工智能公司的良好记录。自2024 年底创立 Kovant 以来，他借鉴了在企业人工智能战略、市场进入执行和运营扩展方面的深厚经验。此前，在Silo AI 被 AMD 收购后，他曾担任其战略副总裁，负责制定企业人工智能战略并推动大规模采用。在其职业生涯早期，他联合创立了Combient Mix，领导公司实现快速增长并被 Silo AI 成功收购，此后他还在教育和人工智能初创公司担任顾问和董事会职伌佌务！ Kovant-työt. 是一家企业人工智能公司，专注于帮助组织从实验性的人工智能应用轌吐全可运营的、自主的业务流程.该公司开发了一个基于智能体的平台，旄业务流程.跨复杂的运营领域（如采购、供应链、合规和客户运营）协调人工智能智工智能智体团队。通过强调安全、企业级的部署和快速的实现价值时间，Kovant 将自己定位为战略人工智能雄心与日常执行之间的桥梁，帮助大型组织尥智能直接嵌入核心工作流程，而不是将其视为独立的工具或试点项目。. Spotify 领导重大人工智能计划，发展并成功退出了 Combient Mix，随后在 Silo AI...
Jacob Ideskog 是一位身份专家，也是 Curity 的首席技术官。他的大部分时间都花在 Web API 和领域的安全解决方案上。他曾为大型企业部署以及小型初创公取设计和AuIDth和Curity 是一个现代化的身份和访问管理平台，围绕 Curity Identity Server构建。这是一个基于标准的解决方案，旨在为大规模的应用、API和数字服务提供安全的身份验证和授权。它支持 OAuth 2.0 和 OpenID Connect 等协议，以集中登录流程、执行细粒度的访问策略，并为人类用户和机器户和机噻
Amanpal Dhupar，Tredence 的零售业务负责人，是一位经验丰富的零售分析和人工智能领导者，拥有超过十年的专业经验，专注于设计和开发数据驱动解决方案，为企业决策者提供可操作的见解。在他的职业生涯中，他曾为各大零售商的高管领导战略分析转型，制定人工智能产品路线图以推动可衡量的业务关键绩效指标，并将分析团队从初创阶段扩展到大规模运营——展现了深厚的技术功底和多元化的领导能力。Tredence 是一家数据科学和人工智能解决方案公司，专注于通过高级分析、机器学习和人工智能驱动的决策，帮助企业释放商业价值。该公司与全球品牌（尤其是零售和消费品领域的品牌）合作，解决商品销售、供应链、定价、客户体验和市场进入运营等方面的复杂挑战，将洞察转化为现实世界的影响力，并帮助客户实现分析和智能能力的现代化。零售商通常会运行数十个人工智能试点项目，但很少有能进入全面部署的。阻碍人工智能转化为可衡量业务成果的最常见组织性错误有哪些？麻省理工学院索兰最近的一项研究发现，95% 的人工智能试点项目未能实现全面部署。现实情况是？试点容易，但投入生产很难。在 Tredence，我们发现了导致这一差距的四个具体组织原因。首先是未能理解最终用户的工作流程。零售商通常将人工智能插入到现有但已失效的流程中，而不是思考如何以人工智能为核心重新构想工作流程本身。其次是缺乏对智能体人工智能的平台化方法。组织不应将智能体视为一次性实验，而需要在整个企业范围内，从智能体设计、开发到部署、监控和治理，简化整个生命周期。第三是薄弱的数据基础。在干净的平面文件上构建试点很容易，但要扩展规模则需要一个强大、实时的基础，使人工智能模型能够持续访问准确的数据。最后，我们看到 IT 推动与业务拉动之间存在摩擦。只有当业务领导者将人工智能视为与可衡量影响相关的增值项，而不是 IT 强推的干扰项时，成功才会发生。在 Tredence，我们的重点始终放在“最后一英里”，即弥合洞察生成与价值实现之间的差距。Tredence 与许多全球最大的零售商合作，支持着数万亿美元的收入。根据您在行业内观察到的情况，那些成功规模化应用人工智能的零售商与那些仍停留在实验阶段的零售商之间有何区别？在 Tredence，支持数万亿美元的零售收入让我们得以近距离观察到一个清晰的行业分水岭：将人工智能视为一系列分散实验的零售商，与构建工业化“人工智能工厂”的零售商。主要的区别在于对智能体人工智能平台基础的承诺。最成功的组织不再从零开始构建，而是投资于一个强大的生态系统，其特点是可重用的组件库、标准设计模板以及与特定零售用例对齐的预构建智能体模式。当您在这个基础上叠加成熟的 LLMOps、全栈可观测性和嵌入式负责任人工智能护栏时，其影响是变革性的——我们通常看到新用例的价值实现速度提高了 80%，因为繁重的架构工作已经完成。然而，平台的好坏取决于它所消耗的上下文，这就引出了数据基础。规模化需要的不仅仅是原始数据的访问；它需要一个丰富的语义层，其中强大的元数据和统一的数据模型使人工智能能够真正对业务进行“推理”，而不仅仅是处理输入。最后，真正的领导者认识到这不仅是一次技术革新，更是一次文化革新。他们通过超越简单的自动化，实现人机协作，重新设计工作流程，使员工和商家信任并与他们的数字伙伴协作，从而弥合“最后一英里”，将算法潜力转化为可衡量的商业现实。超过 70% 的零售促销活动仍然无法实现收支平衡。人工智能如何能切实改进促销规划、衡量和实时优化？70% 的失败率之所以持续存在，是因为零售商通常依赖“后视镜”分析，将总销售额与增量提升混为一谈——本质上是在补贴那些无论如何都会购买的忠实顾客。要打破这个循环，我们需要从描述性报告转向更具预测性的方法。在规划阶段，我们使用因果人工智能来模拟结果并建立“真实基线”，精确识别在没有促销的情况下会售出什么。这使得零售商能够停止为自然需求付费，而只针对净新增销量。在衡量方面，人工智能通过量化光环效应和蚕食效应来解决“组合难题”。人类商家通常在孤岛中规划，但人工智能提供全品类视角，确保一个 SKU 的促销不会仅仅是从另一个 SKU 那里窃取利润。这种整体衡量有助于零售商了解他们是在做大品类蛋糕，还是仅仅以不同的方式切分它。最后，对于实时优化，行业正朝着由人工智能智能体“实时”监控活动的方向发展。这些智能体不是等到活动结束后几周才进行事后分析，而是自主推荐调整方案——比如调整数字广告支出或更换优惠——以便在促销结束前挽救损益表。这种方法将重点从单纯清理库存转向设计盈利增长。预测误差和缺货继续造成重大收入损失。是什么让人工智能驱动的商品销售和供应链系统比传统的预测方法更有效？第一个转变在于预测，人工智能使我们从仅仅依赖内部历史数据转向吸收外部数据——如当地天气、社会活动和经济指标。当预测捕捉到这些外部背景时，准确性的提升不仅改善了销售数字；它还会向下游传导，优化库存管理、产能规划、劳动力排班和仓库运营，以与真实需求保持一致。第二个转变在于缺货问题，大多数零售商仍然无法准确衡量。人工智能通过检测销售模式中的异常情况来解决这个问题——识别“幽灵库存”（即系统认为有库存但销售已停止的情况）——并自动触发循环盘点以纠正记录。除了数据之外，我们看到计算机视觉的兴起，可以实时物理标记货架空缺并跟踪后仓库存，确保产品不仅仅是“在仓库里”，而是可供顾客购买。智能体商务正成为零售创新的一个主要主题。与当今搜索驱动的购物体验相比，基于推理的人工智能智能体如何有意义地改变产品发现和转化？在当今搜索驱动的购物中，消费者仍然承担着大部分繁重工作。他们必须知道要寻找什么，比较选项，并从无尽的结果中理出头绪。基于推理的智能体通过动态生成“合成货架”来颠覆这一点——这些是根据特定意图聚合多品类产品的定制集合。例如，一位以“健康早晨”为目标的购物者，无需分别搜索五件商品，而是会看到一个从高蛋白麦片到搅拌机的、具有凝聚力且临时的货架，瞬间将发现漏斗从几分钟压缩到几秒钟。在转化方面，这些智能体更像“购物礼宾”，而非搜索引擎。它们不仅仅是列出选项；它们会根据开放式的需求主动构建购物篮。如果顾客询问“四人份、50美元以下的晚餐计划”，智能体会通过库存、价格和饮食限制进行推理，以建议一个完整的套餐。这种推理能力弥合了“信心差距”——通过阐明为什么特定产品适合用户的生活方式或目标，智能体减少了决策瘫痪，与沉默的产品缩略图网格相比，推动了更高的转化率。最后，我们看到这延伸到了超个性化内容领域。与其向所有人展示相同的主页横幅，智能体人工智能可以生成动态着陆页和视觉内容，反映顾客当前的购物任务。然而，要实现规模化，零售商发现他们需要将这些智能体建立在具有严格品牌和安全治理的统一数据模型中，确保人工智能的“创造力”不会产生幻觉产品或违反品牌声音。许多零售商受困于过时的数据架构。企业应如何现代化其数据基础，以便人工智能模型能够提供可信且可解释的推荐？人工智能成功的最大障碍不是模型，而是其下的“数据沼泽”。要实现现代化，零售商必须停止仅仅收集数据，转而构建统一的语义层。这意味着实施标准的“数据模型”，其中业务逻辑（例如“净利润率”或“流失率”的确切计算方式）被定义一次，并且可以普遍访问，而不是隐藏在组织内零散的 SQL 脚本中。其次，企业需要转向“数据产品”思维。成功的零售商不是将数据视为 IT 的副产品，而是将其视为具有明确所有权、服务等级协议和严格质量监控（数据可观测性）的产品。当您将这种干净、受治理的“黄金记录”与丰富的元数据相结合时，您就解锁了可解释性。人工智能不仅仅是输出一个黑盒推荐；它可以通过语义层追溯其逻辑。零售商与...
Shahar Azulay， maankansi 的首席执行官兼联合创始人，是一位连续研发领导者.Shahar.在网络安全和机器学习领域拥有丰富的经验，曾在 Apple、DayTwo 和 Cymotive Technologies等公司担任领导职务.Shahar 曾在以色列总理办公室的网络安全部门工作多年，并拥有以色列理工学院和特拉维夫大学的物理学、电气工程和计算机科学三个学位.Shahar. 致力于运用从这一丰富背景中获得的技术知识，以最敏锐、最具创新性皏其应用于当今云原生战场，让开发者的世界变得更美好.groundcover. 是一个云原生可观测性平台，旨在为工程团队提供对其系统的完整、实时可见性，而无需传统监控工具的复杂性或高昂成本。它基于eBPF 技术构建，无需更改代码即可跨云原生和 Kubernetes 环境收集并关联日志、指标、追踪和事件，从而实现更快的根本原因分析和更清晰的系统洞察。该平台强调可预测的定价、灵活的部署（将数据保留在客户的云环境中）以及涵盖基础设施、应用程序和现代 AI驱动工作负载的端到端可观测性。回顾您的历程——从领导以色列总理办公室的网络安全研发团队，到管理Apple 的机器学习项目——哪些经历最终促使您创立了 groundcover？您最初是在何时认 系统在可观测性方面存在空白的？创立 groundcover 的动力源于我在...
Saeema Ahmed-Kristensen 教授是一位领先的设计工程学者，也是埃克塞特大学负责研究与影响的副教务长，同时担任DIGIT Lab的主任。DIGIT Lab 是一个专注于数字创新与转型的重大跨学科研究计划。她的研究涵盖设计创造力与认知、数据驱动与数字设计，以及将先进技术整合到复杂的工程与产品开发中，并高度重视通过行业合作、政策参与和大规模研究计划，将学术见解转化为现实世界的影响力。您的职业生涯横跨剑桥大学、丹麦技术大学、伦敦帝国理工学院、皇家艺术学院，现在又到了埃克塞特大学。回顾过去，哪些经历或转折点对您关于设计、创造力以及数字技术作用的思考产生了最大影响？我的设计工作跨越了许多不同的文化和学科。我始于布鲁内尔大学，当时那里是少数几个将技术、以人为本的设计和对形式的理解结合起来的课程之一。这让我很早就认识到，创造力和创新是紧密相连的。随后在剑桥大学的学习进一步开阔了我的思维。学院环境让我接触到许多学科，并向我展示了创新如何依赖于跨领域知识的汇聚。我的博士研究专注于航空航天领域，考察了工程设计人员如何寻找和使用信息。我研究了人们如何获取知识，如何支持或复制专业知识，以及认知、计算机科学和工程设计之间的交叉点。这种以人为本的视角从那时起就一直伴随着我。随着数字技术的发展，我工作中的问题也在不断演变。物联网数据、人工智能和先进计算的兴起，使设计从仅仅以人为本转向以社会为中心。这持续塑造着我在埃克塞特大学的工作，在那里我领导 DIGIT Lab，专注于大语言模型在创意过程中的作用、行业采用它们所面临的障碍，以及数据如何驱动创新。我在帝国理工学院和皇家艺术学院的时间强化了一个认识：设计远不止是塑造产品或服务。有了合适的人员、流程和文化，设计可以成为驱动新的、可扩展的技术、材料和理念的动力，以应对当今和未来的全球挑战。DIGIT Lab 非常关注大型成熟组织内部的数字化转型。从您的角度来看，您认为领导者对人工智能将如何改变设计、创新和决策最常误解的是什么？几十年来，人工智能在研究领域取得了进展，并在某些行业得到应用，但其进步常常受到技能差距、领导层理解力以及对所需价值和基础设施的清晰度不足的限制。随着大语言模型和 DALL·E 等生成式工具的兴起，人工智能现在变得更加易于使用，并且需要的专业知识和设置要少得多。但这也引发了关于隐私、数据安全以及通用模型如何适用于特定领域的新问题。在设计和创新领域，这些问题尤为明显。我们的研究检查了超过 12,000 个由人类和人工智能生成的想法，结果表明，人工智能生成的想法往往围绕相似的概念聚集。这凸显了将人类专业知识融入通用工具、为特定领域调整人工智能，或者理解何时以及如何将人工智能与人类创造力和决策结合使用的必要性。您的许多研究都探讨了设计中的创造力和认知。如今，生成式人工智能能够大规模地产生想法、概念和迭代，您认为创造力的哪些方面是独一无二的人类特质——哪些部分可以负责任地转向人工智能驱动的流程？对我来说，创造力从来不仅仅是生成备选方案。它关乎意图、文化意义以及设计所创造的情感连接。我们最近的 DIGIT Lab 调查清楚地揭示了这一点：82% 的人告诉我们，由人类主导或混合完成的工作感觉更有意义，71% 的人表示他们对纯人工智能设计的情感连接较弱。许多人将人工智能生成的作品描述为“缺乏情感”（48%）或“过于完美”（40%），36% 的人认为其影响消退得很快。这些回应强化了我长久以来的信念。情感参与并非可有可无；它对于人们体验和评价创意作品至关重要。我们比较人类和人工智能想法的研究也表明，人类设计师更擅长创造多样化、新颖的想法，并确保创意产出（无论是艺术品、产品设计还是服务）具有深度和意义。创意专家所拥有的技能集目前尚无法复制。设计师需要在生成想法之前理解问题，而大语言模型在收集信息以帮助设计师从一个问题转向另一个问题方面非常有用。如果我们可以将人类专业知识的模型构建到人工智能工具中，它们也能支持想法的评估，让人工智能更好地利用人类的创造性技能。我们正在实验的思维链方法支持大语言模型遵循专家推理，而不仅仅是给出分数。在所有情况下，都需要人类监督来解释结果，并确保设计选择与用户的生活经验保持一致。显然，我们必须要么创建能够捕捉人们体验产品、服务和互动方式的模型，并以计算机可以解释的形式呈现；要么将厚数据（提供背景的丰富定性见解）与我们收集的薄数据或大型传感器数据相结合。开发这些模型并非易事，而这正是人类参与仍然至关重要的地方。因此，对我来说，关键点并非人工智能在创造力中没有一席之地。远非如此。关键在于，人工智能和人类贡献了不同的优势。人们始终对人类或混合工作反应更积极，这一事实恰恰告诉我们重心所在。人工智能可以帮助探索更广阔的设计空间、分析模式并提供结构化的批评，但那些关于平淡、算法完美和情感距离的感知表明，人工智能仍然需要人类判断，才能将可能性转化为能引起共鸣的东西。这就是为什么我认为创造力的未来本质上是协作性的。人工智能可以拓宽可能性的领域。设计师则带来同理心、文化理解和意图感，赋予这些可能性以意义。当两者协同工作，由人类判断设定方向，人工智能丰富探索过程时，结果将是一个更严谨、更具想象力，并且最终在成果上更具人性的创意过程。您在量化用户体验和结构化设计知识方面开创了方法。随着人工智能系统越来越多地负责生成产品和服务，我们如何确保人类体验、情感和文化信号在设计过程中保持核心地位？为了以人类体验为中心，我们需要将感知和情感的知识嵌入到我们的方法中。主要有两种方法。第一种认识到需要定性数据，以实现对人类体验、感知和情感的丰富理解，从而为有效的人机协作提供信息。第二种——我的工作一直专注于此——旨在将这些知识转化为人工智能系统能够理解和使用的模型。这些模型的开发很复杂，因为它们必须整合用户体验、人类感知以及所设计产品或系统的特性，以便预测人类反应和整体体验。您广泛涉足复杂行业——航空航天、医疗、制造和消费品。在这些高风险环境中，您如何平衡人工智能支持设计的潜力与对安全性、可追溯性和信任的需求？在医疗保健、航空航天和制造等高风险领域，问题不在于能否使用人工智能，而在于如何对其进行治理。在这些环境中，信任取决于设计和决策过程每个阶段的明确问责制、可追溯性和可解释性。人工智能可以在模拟、优化和早期探索中发挥强大的支持作用，但它不能成为最终权威。这些领域中的许多都受到严格监管，并需遵守严格的安全要求，这要求对所有数据（无论是个人数据还是商业敏感数据）进行安全处理。在这些背景下，通常需要使用本地数据来开发提示或查询，以确保针对性和相关性，并且这些领域的组织构建和维护自己的人工智能工具也很常见。我们更广泛的研究一致表明，混合系统至关重要：人工智能应该增强专家判断，而不是取代它。人类监督必须内置于每个关键决策点，特别是在涉及安全、风险和责任的环节。为了让监管机构和最终用户信任人工智能赋能系统，组织还需要透明地记录模型如何训练、使用什么数据以及输出如何生成。没有这种透明度，无论技术变得多么先进，信任都无法扩展。许多组织在“试验人工智能”和将其有意义地整合到产品开发之间存在差距。对于试图从试验转向战略实施的团队，您会推荐哪些实际步骤？许多组织在试验阶段停滞不前，因为他们采用人工智能时缺乏明确的战略目的。第一个实际步骤是明确人工智能在开发过程中应扮演什么角色，无论是支持构思、加速测试、改进评估还是增强决策。没有这种清晰度，试点项目就与现实业务和设计成果脱节。团队还需要奠定正确的基础。这意味着投资于高质量、治理良好的数据，特别是反映真实用户体验而非纯粹技术性能的数据。这也意味着要现实地看待人工智能当前的局限性，尤其是在创造性和以人为本的判断方面，专家监督仍然至关重要。许多行业开始制定人工智能政策，指导团队从构建商业案例、运行试点到更广泛采用人工智能的整个过程。这些政策帮助组织识别人工智能真正能增加价值的地方，同时也确保在必要时人类仍参与其中。最后，组织应通过结构化的、低风险的试点项目推进，这些项目应嵌入到实际工作流程中，而不是孤立运行。这些试点应该是跨学科的，汇集设计师、工程师、数据科学家和领域专家，以便共享和转移学习成果。当人工智能被设计到日常实践中，而不是被视为一个独立的实验层时，它才能提供价值。您在结构化和自动化知识的方法开发方面有着长期的记录。我们距离能够真正推理设计意图、用户需求和上下文，从而增加价值而非仅仅生成内容的人工智能系统还有多远？在某些领域，预测用户偏好相对简单，因为可以使用浏览历史或观看过的电影或电视节目记录等数据来提供推荐。这些领域受益于现成的数据。相比之下，产品和服务设计的一个关键挑战是，关于人们的选择、需求和生活经历的数据通常不易获得。我与 Digit Lab 的近期研究调查了大语言模型在给定一个关于人们如何感知和响应设计特征的模型时的能力。然而，当前的模型基于数据中的模式运行，无法将意义置于上下文中。早期将形状与感知联系起来的研究表明，即使形式上的微小变化也可能改变情感反应，而这种细微差别在没有人类指导或引入复杂模型的情况下，人工智能很难预测。因此，人工智能在意图推理方面正在改进，但它仍然是对人类专业知识的补充。随着人工智能加速从构思到原型的设计周期，设计师将需要哪些新技能？大学和组织应如何重新思考对下一代创意人才的培训？设计师需要同时精通人类感知和人工智能赋能工具。理解形式、材料和比例如何塑造情感反应，将仍然是良好设计的基础。同时，设计师必须能够自信地使用支持想法生成和评估的人工智能系统。这不仅意味着使用工具，还要理解它们优化的目标及其局限性所在。随着人工智能在设计工作流程中更加深入，批判性地解释其输出并将其与人类判断相结合的能力，将成为最有价值的创意技能之一。随着人工智能加速从构思到原型的设计周期，设计师将需要超越传统工艺技能的新能力组合和思维方式。他们需要理解数字技术如何工作，不同类型的数据可以（和不可以）揭示什么，以及如何将设计专业知识与人工智能素养相结合。这包括知道如何使用反映真实用户体验的高质量、治理良好的数据，而不是仅仅依赖技术性能指标。除此之外，设计师还需要具备判断力，以识别人工智能在何处有帮助，以及在何处人类的创造力和批判性思维必须保持核心地位。为了满足这些需求，大学和组织将不得不重新思考如何培训下一代创意人才。一些大学已经开始将数据科学整合到设计课程中；这是重要的一步，但仅此还不够。目前仍然缺乏的是为数字时代现实情况配备的设计思维方法：这些方法能帮助设计师与人工智能协作、跨学科工作，并在保持伦理和以人为本的监督的同时，驾驭快速实验。解决这一差距至关重要。这正是为什么我和我的同事韩冀博士正在与剑桥大学出版社合著一本关于《数字时代的设计思维》的书，该书汇集了与人工智能有效协同设计所需的框架、技能和思维方式。DIGIT Lab 强调负责任的转型。在您看来，随着人工智能嵌入各行各业的设 计工作流程，哪些伦理或社会风险需要更多关注？一个例子是确保数据的伦理使用，包括获得知情同意，并对用于开发人工智能产品的数据集及其可能包含的任何潜在偏见保持透明。例如，必须仔细检查嵌入医疗保健系统中的数据集，以确保它们充分代表全部人口，识别任何可能代表性不足的群体，并确认人工智能系统适合其用途且具有包容性。从社会角度来看，人们常常担心人工智能会取代工作岗位；然而，重要的是要理解在哪些地方人类专业知识仍然必不可少，以及如何利用人工智能来增强而非取代人类能力。然而，还有更深层次的伦理问题。当设计师依赖人类数据时，他们必须负责任地处理隐私、偏见和透明度问题。DIGIT...
Tom Yeshurun ja Civ Robotics的首席执行官兼联合创始人，自公司成立以来一直领导着公司，为建筑环境技术领域带来了机器人技术、建筑和运营领导力的融合。在创立Civ Robotics 之前，他曾担任 Civdrone 的首席执行官，致力于早期自主和机器人系统的研发；在其职业生涯早期，他曾是一名建筑工程师，负责管理大型道路项目，并承担分包商、合同和财务监督的责任.他的背景还包括担任地面部队军官的经历，这塑造了一种根植于执行力、纪律性和解决现实问题的领导风格.Civ.Civ. Robotics 是一家建筑技术公司，专注于通过自主机器人和 GPS驱动系统实现布局和测量任务的自动化。其机器人解决方案旨在显著提高工地的速度和精度，使施工团队能够以最少的人工劳动和更低的错误风险来标记和验证布局.通过瞄准基础设施、太阳能和大型土木工程项目，Civ Robotiikka致力于实现该行业最耗时工作流程之一的现代化，帮助施工团队更快、曢队更快、曢队更快、 、更一致地交付项目。您的职业生涯涵盖了道路建筑工程、Civdrone的领导工作，并最终联合创立了 Civ Robotics。这些早期经历如何影响了您决定创立一家专门专注于太阳能电站区设司？在我职业生涯早期，我就认识到了土地测量工作的重要性。我亲眼目睹了测量工作的挑战以及可能导致项目延误和返工的错误。作为一名现场工程师，后来成为一名高速公路的项目经理，我监督了许多分包商，包括参与施工过程每一步的测量员。在我们的项目中，我们在测量专业标记坐标上花费了超过 200万美元。在研究这一领域时，我接触到了太阳能电站的建设，那里的浘量天必须在非常恶劣的条件下标记数千个坐标，这使其成为自ヨ化的主覟邢 大型太阳能项目经常在测量和布局阶段停滞不前。是什么使得这一阶殤囂殤囂难，为何直到现在它仍然是一个持续存在的效率瓶颈？每台打桩机每天叏200-300 根桩；大多数项目部署4–10...
Arun Kumar Ramchandran ja QBurst的首席执行官，一位拥有超过25年领导经验的资深技术和服务高管，其经验涵盖全球咨询、大额销售、损益所有权和企业转型。他于2025年4月出任首席执行官，负QBurst 的业务，并塑造其作为一家以人工智能为主导的技术服务和数字工程公叼QBurst 之前，他曾在 Hexaware Technologies（包括担任总裁和生成式人工智能咨询负责人） 、Capgemini/Sogeti（担任执行客户和销售领导职务）以及Infosys 和 Virtusa 担任高级职务，期间他建立并扩展了业务部门，领导了重大战略项目，并在多个地区和行业垂直领域推动了增长.QBurst. 是一家全球数字工程合作伙伴，围绕“高AI-Q ”定位自身，将人工智能赋能交付与应用人工智能及数据驱动方法相结合，帮助企业实现现代化、构建和扩展。公司强调端到端的数字体验工程、现代化和产品工程——支持客户实施可组合数字平台、对话和客户体验解决方案以及支持人工智能的数据基础等举措——旨在为广泛的国际客户群带来可衡量的成果，如提高生产力、加快交付速度和增强客户体验。您在 Hexaware、Capgemini、Infosys 和其他全球组织担任领导职务多年后，接任了 QBurst的首席执行官一职.是什么在 QBurst当前的发展阶段吸引了您？您的背景将如何塑造您希望带领公司前进盐柖 的决定是机遇与潜力的结合。吸引我的是 QBurst...
2026年有望成为企业人工智能体的一个转折点。在经历了数年的炒作和实验之后，人工智能体正在从令人印象深刻的演示演变为嵌入日常工作流的可靠商业工具，这得益于过去一年基础模型的快速发展——包括更快、更小的模型、巨大的上下文窗口以及思维链推理。随着人工智能体变得足够强大且可靠以进行规模化应用，企业正在学习如何最好地将这些自主程序与人类团队协同使用。从试点到主流应用2025年被许多人誉为“人工智能体之年”，几乎所有大型科技公司和无数初创企业都启动了智能体试点。然而，对于大多数组织而言，人工智能体在2025年仍处于试点或概念验证阶段。年底的调查显示，虽然62%的公司至少在进行智能体AI的实验，但只有23%的公司甚至有一个智能体系统在试点之外实现了规模化应用，通常还仅限于单一业务职能。在任何特定职能（如IT或财务）中，不超过10%的公司规模化应用了AI智能体，这突显了采用仍处于早期阶段。2026年，这种情况将发生改变。许多早期试验预计将升级为全面生产部署，将AI的潜力转化为切实价值。一份近期的行业综述预测，如果说2025年是智能体试点之年，那么2026年将是企业最终将AI潜力转化为可靠、规模化自动化的一年。未来一年，我们可能会看到AI智能体在更多职能和工作流中实现规模化，特别是在IT服务管理、知识研究和客户支持等早期智能体用例已成熟的领域。我们甚至可能见证“AI优先”组织的崛起——一些先驱公司将组织结构设计成由AI智能体驱动核心战略、创新和客户体验（而不仅仅是辅助人类）。能够行动，而不仅仅是聊天的人工智能体2026年最大的转变之一是AI智能体从被动助手演变为能够采取行动的主动智能体。直到最近，大多数企业所知的AI还是聊天机器人或分析引擎，在被询问时响应提示或分析数据。今天的AI智能体则强大得多：它是一种能够自主行动以理解、规划和执行任务的软件程序，并且能够与工具和数据库交互以实现用户目标。换句话说，智能体不仅可以回答问题，还可以被赋予一个高层次目标，并自行找出实现该目标的步骤，在此过程中调用API或软件工具。2025年，我们看到了第一波此类智能体——本质上是增强了基本规划和函数调用能力的大语言模型。例如，一个智能体可以将一个复杂请求（“研究我们的主要竞争对手并起草一份战略报告”）分解为子任务：浏览网页获取信息、使用电子表格工具进行分析，然后生成书面摘要。这些早期智能体并不完美，有时需要大量人工指导，但它们标志着超越静态聊天机器人的新范式。2026年将巩固AI智能体自主行动而非等待逐步提示的时代。正如Salesforce的研究部门所言，“2025年实现了超越简单提示和被动文本生成的企业AI，进入了一个数字智能体不仅会‘说’——更会‘做’的新现实。”在实践中，这意味着业务智能体将主动承担整个任务或工作流。不再是人类触发每一个动作，智能体可能会监控事件并主动采取行动。例如，如果在应用程序中检测到性能问题，AI智能体可以自动创建工单、通知开发人员智能体分析和修复错误、测试解决方案并部署补丁——所有这些都无需人工提示。这种事件驱动的自主性将变得更加普遍，使组织能够从被动工作转向主动运营。至关重要的是，可靠性的提高支撑了这一转变。早期的生成式AI经常产生“幻觉”或错误，使得完全自主使用存在风险——当员工不得不花费数小时反复检查AI输出时，这种现象被称为“工作废料”。然而，在过去一年中，新技术使智能体变得更加可信。显著的进步包括函数调用，它允许AI安全地调用外部工具（例如数据库、计算器）来获取事实结果而非猜测；以及更长的上下文窗口，它允许智能体在决策时考虑更多的背景信息或文档。此外，像思维链提示这样的训练方法改进了推理能力，使智能体能够更可靠地分解问题和处理多步骤任务。得益于这些发展，企业在2026年终于可以大规模地将高价值流程委托给智能体，同时减少故障。简而言之，AI智能体正在成为真正的“自主同事”——不是人类的替代品，而是能够在最少监督下执行指令并实现成果的数字工作者。人机协作与新的劳动力角色与其说是取代员工，不如说2026年的AI智能体将增强人类工作者并重塑团队工作流。企业的主流愿景是建立一个混合劳动力，其中AI智能体处理重复性或数据密集型的任务，从而解放员工专注于更复杂、更具创造性或需要同理心的工作。企业发现，当智能体承担起繁琐的工作——编制报告、录入数据、起草初始内容——人类专家可以将更多时间用于战略、创新和基于关系的任务。例如，使用AI智能体自动化潜在客户筛选和数据输入的销售代表，可以将时间投入到建立客户关系和达成交易上。客户支持人员可以依靠AI即时检索客户历史记录甚至解决简单查询，从而使人工客服能够专注于高价值或敏感案例。这种人与AI的协作对生产力产生了“乘数效应”：人们用更少的倦怠感完成更多工作，因为他们的AI助手在幕后处理了繁重的工作。至关重要的是，企业正在学习如何把握人在回路监督的适当平衡。商业领袖越来越将AI智能体视为赋能员工的工具，而不是孤立运作的自主决策者。“我们应该授权员工决定他们希望如何利用智能体，但并非在所有情况下都取代他们，”IBM的AI专家Maryam Ashoori建议道。实际上，这意味着每个团队决定哪些任务可以安全地委托给AI，以及哪些地方必须保持人类判断的核心地位。常规且定义明确的流程（如转录和总结会议、检查库存水平）可以卸载给智能体，而任何需要细致判断、创造力或人际交往技能的任务仍然需要人类参与。组织也在建立明确的升级路径：如果AI智能体遇到边缘案例或不满意的客户，人类主管可以迅速介入。2026年，随着公司适应拥有AI“同事”，我们还将看到新的角色和指标出现。例如，开发人员正从纯粹的编码转向成为“智能架构师”，指导和策划AI智能体的工作。许多程序员将用自然语言描述预期功能，并让智能体生成和测试代码，而不是编写底层代码——这一趋势有些人称之为“自然语言编程”或“氛围编码”。这并不会使人类开发人员过时；相反，他们充当其AI助手的管理者和教练，验证输出并处理边缘情况。事实上，新一代“AI原生”工程师正在崛起——他们擅长与AI协同工作，并能将多个智能体整合到复杂的项目中。Salesforce预测，那些正式采用这些AI-人类结对编程实践的团队，将能快30-50%地交付功能，将经验丰富的工程师的专业知识与AI智能体的速度和知识广度相结合。甚至公司衡量其劳动力的方式也可能改变。一些专家预见，“智能体数量”将与员工人数一起成为组织中的关键指标。管理者可能很快就会说“我们有100名员工和50个AI智能体在各个部门工作”，而不是说“我们的团队有100名员工”。从这个意义上说，每个知识工作者都可能在其个人工作流中拥有一个或多个AI智能体，充当他们不知疲倦的助手。重要的是，人类仍将处于决策和监督的中心。文化转变在于，各级员工将习惯于将某些任务委托给AI，并与智能体作为团队的一部分进行协作。那些投资于提升员工与AI有效协作技能的公司——将AI素养视为核心工作技能——将获得竞争优势。编排多智能体系统2026年企业将以不同方式使用AI智能体的另一个方面是部署多个协同工作的专业智能体，而不是依赖一个通用AI来完成所有事情。早期的企业AI采用通常始于针对单个任务的单一“副驾驶”助手（例如一个AI回答客户聊天）。但公司正在发现孤立智能体的局限性。一个单独的智能体可能很强大，但最终会成为一个“数字孤岛”——它可能擅长一项狭窄的任务，但无法在整个组织内扩展或处理更复杂的跨职能流程。未来是经过编排的AI劳动力：一个主要的编排器智能体协调一群更小的专家智能体，每个智能体都像公司中的部门一样专精于某个领域（财务、IT、营销等）。编排器处理高层规划，并将子任务委托给相应的专家智能体。这种方法反映了高效的人类团队——专业化与自上而下的协调相结合——并承诺比一个处理所有事情的大型单体AI具有更大的可扩展性和可靠性。早期采用者已经在朝着这些多智能体系统迈进。到2026年，许多企业将实施多个AI智能体协作，以自动化端到端工作流。例如，在销售流程中，一个智能体可能自主研究潜在客户并进行资格筛选，然后移交给另一个起草个性化销售邮件的智能体，同时第三个智能体分析活动指标——所有这些都由一个总体的AI“经理”协调。这种分工允许每个智能体更简单、更专注，从而减少错误。事实上，2026年可能是专业AI智能体之年：公司将部署数十个与明确目标一致的小型、特定领域的智能体，而不是一刀切的AI。每个智能体都可以针对其细分领域进行优化（例如，一个在财务规则方面受过深入培训的会计智能体，或一个精通招聘流程的人力资源智能体）。为了使多智能体生态系统有效运作，企业将继续投资于智能体编排框架。协调许多自主智能体并非易事——它需要智能体之间能够通信、共享状态或上下文，并且不会相互干扰。另一个基础是集成的上下文：所有智能体都从一个共享的、统一的数据源或记忆中获取信息，以便每个决策都能考虑相关的企业知识。许多公司苦于数据分散、孤立，这使得任何AI都难以获得完整的上下文。到2026年，预计将会有重大努力来连接数据源，并为智能体提供“准确的上下文工程”。成功的实施可能会使用集中的知识库或向量数据库，供多个智能体查询。最后，需要强大的多智能体治理和可观测性工具来监控所有这些动态部分。2026年，共识是编排对于企业级AI至关重要。最终目标是实现一个“智能体化企业”，在这个平台上，人类、AI智能体、应用程序和数据都能流畅地集成，打破孤岛，实现全公司范围内的自主流程。实现这一愿景还需要几年的历程，但2026年将为那个由智能体驱动的未来奠定关键基础（通用平台、互操作性标准、记忆层等）。信任、治理与“影子AI”的兴起随着企业在2026年部署更多的AI智能体，信任和治理成为成败的关键因素。2026年的座右铭是，公司必须在每一步都平衡AI自主性与人类监督。具体来说，这意味着随着AI智能体融入运营，需要实施严格的治理框架——从权限和监控到故障安全机制。一个新兴的挑战是“影子AI智能体”在没有适当监督下运作的风险。就像员工采用未经授权的应用程序时出现“影子IT”一样，我们可能会看到善意的员工悄悄使用未经IT或合规部门审查的AI智能体或自动化脚本。专家警告说，具有广泛访问权限的未经批准的智能体可能充当不受监控的数字内部人员，给安全带来巨大的盲点。到2026年，有远见的董事会和首席信息官将开始对AI智能体提出“他们向人提出的同样问题：谁被允许做什么，使用哪些数据，在谁的监督下？”公司将需要制定政策来清点所有正在运行的AI智能体，并防止恶意自动化行为溜进来。治理的一部分还将涉及明确的问责制：如果AI智能体出错，例如删除记录或进行未经授权的交易，组织中的某个人仍需承担责任。商业领袖们认识到，不能仅仅责怪“AI”——你需要审计追踪来追溯每个智能体的行为，并确定是谁部署或批准了该智能体。为了建立信任，2026年的公司正在实施几项最佳实践。透明度和可解释性是关键：企业将要求AI智能体为其决策提供推理或证据，或者至少其决策过程可以在事后进行审计。这可能涉及记录智能体的“思维过程”（其提示、工具调用和中间结论），以便人类可以审查它是如何得出某个行动的。公司也正在将沙盒测试和模拟作为标准程序。在让AI智能体在生产系统中自由运行之前，可以在受控环境或“数字孪生”模拟中进行测试。另一个治理重点是安全网和回滚机制。公司将坚持要求每个自主行动在出错时都是可逆的。例如，如果允许AI智能体执行更改（比如调整价格或更新数据库），应该有一种自动方式来撤销这些更改或在智能体偏离脚本时停止它。此外，合规性和伦理准则将被嵌入到智能体设计中。受监管的行业（金融、医疗保健）将为智能体编程约束，以防止它们暴露敏感数据或违反法规。我们还将看到更多组织成立AI治理委员会或指派AI风险官来监督部署。最终，那些在AI智能体规模化应用上取得成功的公司，将是那些像对待创新一样认真对待治理和战略的公司。AI领导者强调，可持续的AI未来需要两件事齐头并进：强大的AI治理和专注于业务价值的清晰AI战略。治理确保AI与人协作并在设定的边界内工作，而战略确保AI被应用于真正驱动经济价值的地方，而不是仅仅为了用而到处使用。在2026年，我们预计公司将超越最初的“AI淘金热”心态（即一些公司在没有明确计划的情况下采用AI），转向更务实的整合。领导者将提出关于投资回报和风险的尖锐问题。他们将识别特定的高投资回报率用例来进行智能体化，而不是“一切皆AI”——并确保他们具备相应的监督和培训来负责任地做到这一点。新的竞争优势与机遇随着AI智能体在2026年成为主流商业工具，它们也注定成为新的竞争优势和创新来源。一个有趣的预测是，品牌的形象将越来越多地由其AI智能体来定义。随着客户通过数字智能体（在网站、应用程序、服务中心）与公司互动，这些AI智能体的质量和个性会极大地影响客户体验。换句话说，如果你银行的AI助手提供及时、个性化和富有同理心的服务，客户会将这种积极体验与你的品牌联系起来——而一个笨拙、通用的AI可能会把他们赶走。深度个性化将成为常态；消费者已经习惯于在互动中记住他们历史和偏好的AI。那些部署具有“关系智能”——即AI能记住过去互动的上下文并定制响应——的智能体的公司将脱颖而出，而那些提供一刀切机器人的公司将开始显得过时。这给企业带来了压力，要求它们投资于定制AI智能体（其语气、知识和与客户数据的集成），将其作为一种数字客户服务卓越性的体现。AI智能体也在解锁新的收入流和商业模式。例如，自主收集和分析数据的智能体可能促成新的数据即服务产品。优化能源使用或供应链的智能体可以作为高级“智能自动化”产品提供给客户。在软件领域，我们很可能会看到AI智能体本身的市场蓬勃发展。随着开源AI模型和工具的兴起，任何开发者或小公司都可以构建一个有用的智能体——并可能将其出售给他人。我们还预计AI智能体将在历史上自动化滞后的领域推动创新。例如，网络安全正在被主动式AI智能体所改变。安全智能体不仅可以对攻击做出反应，还可以自主搜寻威胁，甚至像一个“自我修复的免疫系统”一样行动。到2026年底，公司可能会从传统的边界防御转向让自主安全智能体监控业务流程的“健康”状况，并实时自动隔离任何异常或违规行为。这种由智能体驱动的方法可以消除大量常规安全警报，从而使人类分析师能够专注于高级威胁搜寻。另一个领域是企业决策。随着智能体能够快速模拟场景，管理者可能会在做出重大决策之前使用AI智能体运行复杂的“假设”分析。AI处理数字和模拟结果的速度意味着企业可以探索更多的替代方案，并以手动无法实现的方式优化策略。即使是可持续性和运营也将受益。公司正在探索持续跟踪和优化能源使用、供应链排放和其他环境指标的智能体。到2026年，标准的AI治理可能包括衡量AI运营本身对环境的影响——例如，优化AI工作负载以降低能耗和用水量。这表明智能体不仅使业务更高效，还通过智能资源管理帮助实现ESG（环境、社会和治理）目标。最后，大规模采用AI智能体可能会改变跨行业的竞争格局。那些利用智能体以更快、更智能方式运营的企业将迫使其他企业效仿或落后。那些固守手动流程的组织可能会发现，在成本、速度和适应性方面，与“AI增强型”竞争对手相比处于严重劣势。就像那些迟迟不采用互联网或移动技术的企业一样，缓慢接受AI智能体的公司面临着效率和市场份额被更自动化的对手夺走的风险。2026年及未来展望2026年，AI智能体正在从一种新兴的、实验性的技术转变为工作如何完成的基础组成部分。企业将以不同于以往的方式使用AI智能体——不是作为噱头式的聊天机器人或孤立的试点，而是作为集成在整个企业中的数字同事和流程所有者。核心变化在于规模和思维模式的转变：AI智能体将被信任处理关键任务（在明确定义的护栏内），员工将例行与这些智能体协作以实现成果。成功驾驭这一转型的公司有望释放显著的生产力提升、创新和竞争优势。然而，这些收益只有在组织将采用与责任相结合时才能实现。这意味着需要投资于数据准备、员工培训和强大的治理框架，以确保AI智能体有效并与业务目标保持一致。在2026年，我们期望看到企业早期成功案例，这些企业已经“智能体化”了关键工作流——例如，一家公司使用一组智能体将其后台运营速度提高了50%，或者一个客户服务运营中，AI智能体无缝处理了80%的查询，只将最棘手的案例转交给人类。这些案例研究可能会证明AI智能体的价值并鼓励更广泛的采用。然而，挑战依然存在。完全自主的“通用AI”智能体仍然更多是理论而非现实——大多数智能体将在狭窄的领域表现出色，并在人类监督下运作。诸如AI伦理使用、偏见和安全等问题需要持续警惕。组织将通过试错来学习哪些流程真正受益于智能体自动化，哪些则不然。总体而言，2026年有望成为AI智能体成熟的一年：从炒作转向实际、规模化的应用。企业将以不同的方式使用它们，将它们嵌入到运营的结构中，就像过去几十年的个人电脑或互联网一样。那些将AI智能体视为合作伙伴——放大人类优势而不仅仅是削减成本——的公司可能会看到最好的结果。2026年及以后的目标显然是前者：利用智能体AI来赋能人类并推动业务向前发展，同时保持人在回路中。通过谨慎的实施，这个AI智能体的新时代确实可以将我们从繁琐工作中解放出来，并在整个企业中释放更高层次的创造力和生产力。未来一年将显示哪些公司能够掌握这种平衡，并将AI智能体的承诺转化为可持续的现实。一个关于这在实践中将如何呈现的早期例子是Unite.ai计划在2026年大规模部署AI记者，旨在通过专门的、各自具有独特个性的AI记者，及时更好地向公众提供信息——这说明了AI智能体如何能够经过深思熟虑地大规模部署，以增强而非取代人类主导的新闻业。有一点是明确的：学会如何有效部署AI智能体的企业将获得前所未有的扩展知识、执行和决策的能力。那些未能适应的企业将不仅仅是落后——它们将越来越多地被那些做到了的企业所取代。
David Mytton, Arcjet的创始人兼首席执行官，领导着这家专注于开发者的安全初创公司，帮助团队将机器人检测、速率限制、电子邮件验证、攻击缓解和数据编辑等强大保护直接嵌入应用代码。他于 2023 6. syyskuuta.的驻场专家等顾问职务，并在其云监控公司被收购后负责 StackPath 的产品工程，同时对可持续计算保持着浓厚兴趣，并积极撰写科技主题标科技主题栀围绕“安全即代码”的理念构建，让开发者通过简单的 SDK 集成来保护应用程序，将安全逻辑与业务逻辑放在一起，实现低延迟、上下文感知的决策，并无需单独的基础设施；该平台支持机器人拦截、速率限制和敏感数据过滤等保护措施，并不断发展，提供本地 AI安全模型和扩展的框架支持等功能，体现了其使命：让代码熅安全成丣现认选择。(fly.io)您在基础设施规模化运行远不如今天标准化的时代创立了Palvelin Tiheys，并最终发展并出售了该公司。回顾过去，关于为开发者构建产品和运营生产系统，您学到的最重要的经验教训是什么？这段经历如何塑造了您今天对软件的看法？大多数开发者工具赢得了演示，却输在了生产环境。让开发者安装任何新东西都很困难，因此“快速入门”必须是无摩擦的—但这只是基本要求。真正的失败模式发生在“它能用”之后：产品变得局限，因此认真的团队很快就会感到沮丧并将其移除。这就是为什么 Arcjet的代码内应用安全设计基于两个现实：你需要一个即时解决方案来应对注册垃圾邮件、账户欺诈、机器人攻击、API 滥用等，同时你也需要一个逃生通道，以便进入高级控制——例如按用户配额、基于风险的规则和上下文感知决策——而无需重写一切。产品不是用户界面。产品是运行时行为、边界情况、示例以及开发者可以信赖的参考文档。基于那段经历，是什么促使您创立 Arcjet？为什么您认为应用安全的下一个重大转变需要发生在代码内部，而不础设施层？边界安全是在优化错误的东西。开发者用代码构建和交付，而不是在仪表板中——AI 编码代理也不会"点击"安全控制台来保护应用。如果你的防护措施不能以代码形式表达、在拉取请求中审查、在CI...
《思考机器：黄仁勋、NVIDIA与全球最受追捧的微芯片》之所以有别于大多数关于人工智能的著作，是因为它从一个方向切入主题，而这个方向是许多具备技术素养的读者（包括我自己）历来重视不足的。和许多关注人工智能多年的人一样，我对这个领域的理解是由那些熟悉的里程碑事件塑造的。故事通常始于1956年的达特茅斯研讨会，历经早期的符号系统，然后跳跃到一些标志性时刻，例如IBM的深蓝击败加里·卡斯帕罗夫、DeepMind掌握围棋，以及最近OpenAI展示大型语言模型能在复杂的多人游戏环境中协调策略.这些时刻在智力上令人满足且易于记忆，因为它们都围绕着可见的胜利。斯蒂芬·威特这本书做得特别出色的一点，就是挑战了这种叙事框架。《思考机器》没有聚焦于人工智能令世界惊叹的时刻，而是关注这些成就之下不那么显眼的层面。它令人信服地论证道，现代人工智能时代的开启，主要并非仅仅依靠聪明的想法，而是源于计算本身执行方式的根本性转变。通过将叙事核心放在NVIDIA 及其联合创始人黄仁勋身上，威特将人工智能革命重新定义为关于计为关于计玗揀生态系统和长期信念的故事。其结果不仅仅是一部企业传记，更是更庺賁史中缺失的一章.从电子游戏到新的计算范式NVIDIA的起点与如今人工智能怂关联的崇高抱负相去甚远.该公司成立于1993年，是一家图形芯片制造啓！渲染日益逼真的电子游戏世界。当时的挑战并非智能，而是益速度。游账戏速度.海量计算，以模拟光线、运动和深度.NVIDIA追求的解决方案是并行计算迌.计算意味着同时执行许多计算，而非顺序执行.GPU不是依赖一个强大的核弃大的核执行指令，而是使用数千个较小的核心，同时对相似的数筦运算进行处理于涉及跨大型数据集重复相同计算的工作负载尤其强大。最初，这种椘䞶枋理而构建的.然而，威特展示了这一决策如何悄无声息地为数十年后的砥理想的基础.训练现代人工智能模型涉及对海量数据应用大量相同禀数 GP U早已为这类工作进行了优化.书中这部分引人入胜之处在于，威特清晰圍殡清晰在选择与生存联系了起来。NVIDIA选择并行计算并非因为它预见到了人工智能，而是因为这是在实时图形领域竞争的唯一途径).证明远超越游戏领域、具有变革性的计算模型.个故事的核心是黄仁勋，他被描绘成一位非传统的管理者，一个始终从畳品角度思考的人.威特笔下的黄仁勋要求严苛、作风强硬、常帼难以但Ｈ以䛸夤看待长期技术发展方面却表现出惊人的一致性。当竞争对手将GPU视为与渑渑绑定的可替换组件时，黄仁勋将其视为更广泛计算平台的基础适这一匳卾刀.要。产品会被取代。平台则会积累。在内部，NVIDIA体现了这种思维方弨巨.师被鼓励进行超前数年的思考。软件被视为与硅芯片同等重要的战畘资亁求出现之前，公司就已在工具和开发者支持方面进行了投资。当时，许堚才时，许得过度或不必要。但事后看来，它们构筑了一道竞争对手难以逾越的掳瀂逾越的掳埂确指出，NVIDIA的崛起并非必然。公司曾多次濒临失败。支撑其前进的并非區突破，而是一种持续的信念，即加速计算最终将远远超越其最初的用䛴耂A与许多人所错过的人工智能起源故事《思考机器》最重要的贡献之一，昂定义了CUDA在人工智能历史中的角色。在阅读本书之前，很容易将CUDA仅仅视为一个成功的开发者工具.威特展示了为何它值得更多关注.CUDA的创建溆亘创建.让并行计算能在图形处理之外得以应用。在CUDA之前，将GPU用于通用计算需要将问题强行塞进图形专用接口。这种方式脆弱、低效，且仅限于专家使 DA通过允许开发者使用熟悉的编程模型对GPU进行编程，改变了这一切。殕千核心作为一种通用资源变得可访问。这在当时很少有人充分认识到，宎降识到，宎讃降算的入门门槛。这正是本书与我自身学习人工智能历史的经」正是本书与我自身学习人工智能历史的经〆产生强与所吸收的叙事高度集中于模型和算法。《思考机器》清楚地表朎，讳䛪追在研究人员能够真正大规模训练它们时才变得切实可行。人工智能研竆辤到，神经网络与并行计算近乎完美匹配。训练涉及跨大型数据集重复相匂集重复相匂调整数百万乃至数十亿个参数。CUDA使得这一过程比CPU更快、更便宜、更可靠。随着深度学习加速以及后来基于Transformer的模型出现，这一点变得尤为重要.Transformer模型依赖规模。没有GPU加速，许多定义当今人工智能格局的模型可能仍停留在理论阶段，或者成本高昂到令人望而卂并未发明这些架构，但它使得它们的快速演进成为可能。威特捕捉得特嚄捕捉得特，这个结果并非完全计划之中.CUDA是为科学计算而构建的.现了它的威力，并将NVIDIA拉入了人工智能竞赛的中心。基础设施重于算法本书最有价值的见解之一是，人工智能的进步既受限于想法，也同样受龐亍多流行的记述聚焦于算法、训练技巧和数据集.算力，这些都无关紧要。从这个角度看，现代人工智能惭潮显得不那么盌延迟发生。神经网络已存在数十年。改变的是具备了能够以绥绬儃规模讚件.NVIDIA不仅仅提供了更快的芯片。它构建了一个硬件、软件库和开发者川相互促进的生态系统。随着研究人员为NVIDIA平台优化他们的工作，NVID IA也改进其产品以更好地服务于人工智能工作负载。这种反馈循环创造亍趧了原始性能的持久优势。本书悄然强调了一个在今天日益明显的事实：人工地位是由供应链、制造能力、软件生态系统和平台控制所塑由供应链、制造而不卓越。远见、风险与复合效应威特并未回避NVIDIA主导地位所带来的影响。随.着该公司成为全球人工智能基础设施的基础，其影响力也相应增长。黄五增长。黄五增长。黄五增长.算将定义技术发展下一阶段的信念贯穿全书。《思考机器》没有进行道従聚焦于一致的工程和战略决策如何随时间产生复合效应.NVIDIA并非通过追逐流而获胜。它通过早期投身并行计算、经受反复的市场周期、并持续䶎䵿幺仭涎不可或缺的工具而获胜.致希望理解人工智能如何真正实现绀模化的读获胜.人工智能历史头条事件的读者，本书填补了其下的缺失层面面面适它解释井丁能在当时实现规模化，以及为何NVIDIA在这个过程中成为如此核心的力量本迂。书适合那些希望将人工智能理严为一个工业系统，而非一系列聪明模型瀚与那些对芯片、数据中心以及那些常常无形中塑造技术实力的工程决以亅觀趖趄生强烈共鸣。《思考机器》之所以成功，是因为它从根本上重构了人工晃构了人工展示了并行计算、开发者平台和长期愿景如何构建了现代人工智能如人工智能如今肉
《深度学习速成课程：基于项目的动手实践人工智能入门》由Giovanni Volpe、Pinnedas、Jtvedess、in Kleen Midjamin Moberg, Harshith Bachmanchi, Joana B. Pereira ja Carlo Manzo共同撰写，他们是一群在物理学、机器学习和应用人工智能研究领域拥有深厚经验的研究者和教育者.在探讨这本书的内容之前，我想先做一个个人坦白，因为这塑造了我阅读此书的体验。这是我读过的第一本来自No Tärkkelys Press的书，在开始阅读时，我真的不知道会有什么样的期待.智能主题网站，但我也必须承认，按照现代AI标准，我的编码能力非常瀳HTML爑也必须承认SS、JavaScript和PHP的基础知识掌握得还算可以，但说到Python，我的技能就完全停留在平庸水平.这一点很重要，因为P ython是本书通篇使用的语言，并且在几乎每个项目中都扮演着核心角色。然而，我找到的不是挫败感，而是更有价值的东西。这本书耐心而不简单化，深入而不令人望而生畏，并且以一种极少有AI书籍能够做到的方式实现了实用性。它并不假设你已经精通机器学习文化、术语或工作流程。相反，它通过将解释与动手实践直接结合，一章一章地稳步建立你的信心.奠定基调的第一印象这是一本厚重的书，足足有六百多页，并且它有效地利用了这些篇幅。一个立即引起我注意的细节是，作者们在初稿完成后，决定将整个代码库从Te nsorFlow切换到PyTorch。这可不是一个小改动，尤其是对于这样一本大部头的书。这传递了一个重要信号：这不是一本固步自封或仅为完成任务而写的书.它旨在保持相关性，并与当今深度学习的实际实践方式保持一致.从一开始，这本书的基调就是务实和脚踏实地的。它没有以抽象的哲学或艰深的数学开篇，而是从构建模型、运行实验以及理解代码在做什么及其原因的机制开始。这种方法带来了巨大的不同，特别是对于那些对概念有高层次理解但难以将其转化为实际实现的读者.通过构建学习，而非死记硬背《深度学习速成课程》最突出的优点之一是其基于项目的结构。这不是一本你读上几个小时然后可能稍后再尝试的书.你是在不断地构建东西。每个主要概念都与一个具体的项目相关联，并且这些项目的复杂性随着你理解的深入而增加。你从使用PyTo rch从头开始构建和训练你的第一个神经网络起步。这些早期章节介绍了神经网络背后的核心思想，包括层、权重、激活函数、损失函数和优化。重要的是，这些思想没有被当作抽象的数学问题来处理。它们被介绍为解决特定问题的工具，并且你能直接在结果中看到每个设计选择的影响。作为一个不每天写Python的人，我很欣赏作者们仔细讲解代码的方式。你永远不你永远不不理解正在发生的事情.解释很详细，但保持了可读性，并且它们既关注正确性，也同样关注直觉。捕捉模式与理解数据一旦掌握了基础知识，本书就进入到捕捉数据趋势和模式的部分。这是将密集神经网络应用于更现实任务的阶段，例如回归和分类问题。你将学习模型如何泛化、如何失败，以及如何诊断这些失败。这一部分潜移默化地教授了机器学习中一些最重要的现实世界技能.诸如验证.过拟合、欠拟合和性能评估等主题，都是通过实验而非理论灌输自然引入的.你将学习如何解读学习曲线、如何调整超参数，以及如何推理模型行为，而不是盲目相信输出。对于那些仅通过API或预构建工具与AI交互的读者来说，仅此部分就值回书价.使用神经网络处理图像本书最引人入胜的部分之一聚焦于图像处理和计算机视觉。这正是卷积神经网络大显身手的地方。本书没有将CNN视为神秘的黑箱，而是将其分解为可理解的组件.你将学习卷积的实际作用、池化层为何重要，以及特征提取如何在各层间工作。更重要的是，你会将这些想法应用到真实的图像数据集上。项目包括图像分类、转换以及创造性的视觉实验，如风格迁移和类似DeepDream的效枈果。大地受益于本书的插图。视觉解释与代码相伴，使得将模型在数学上的操作与其产生的视觉结果联系起来变得更加容易。对于视觉学习者来说，本书的这一部分尤其令人满意。从压缩到生成随后，本书扩展到自编码器和编码器-解码器架构，包括U-Net。这些模型引入了降维、潜在表示和结构化输出生成等概念。你将看到模型如何学习复杂数据的紧凑表示，以及这些表示如何用于去噪和分割等任务。从那里开始，范围再次扩大到生成式建模。这包括生成对抗网络和扩散模型，它们构成了许多现代生成式AI系统的支柱。这些章节没有回避训练生成模型的挑战。不稳定性、收敛问题和评估都被公开讨论。我在这里最欣赏的是，这本书没有过度吹捧这些模型。它展示了它们的力量和局限性，这在常常被炒作主导的领域里令人耳目一新。序列、语言与注意力本书的另一个主要优势在于它如何处理序列数据和语言.循环神经网络被作为垫脚石引入，帮助读者理解模型如何处理时间序列和有序输入。之后，本书进入到注意力机制和Transformer架构。这些章熂解现代语言模型提供了坚实的概念基础，而无需你已经是该领域的专家。解释侧重于为什么注意力很重要、它如何改变学习动态，以及它如何使模型能够扩展。对于试图更深入理解当今AI系统如何工作的读者来说，这一部分串联起了许多知识点。图、决策与从交互中学习后面的章节探讨了图神经网络，用于建模关系数据，其中连接关系与个体值同样重要。这包括与科学数据、网络和结构化系统相关的示例.本书还介绍了主动学习和深度强化学习，在这些领域，模型通过与环境的交互和做出决策来学习。这些部分超越了静态数据集，进入了动态系统，展示了学习如何根据反馈和结果进行适应。到本书结束时，读者将接触到深度学习系统的完整生命周期，从数据摄取到决策智能体。超越书本的实用技能贯穿全书，都强调实用的习惯。你将学习如何设计实验、调试模型、可视化结果以及批判性地思考性能。这些是当你超越教程进入实际应用时最重要的技能。随附的笔记本和数据集使得实验、修改项目和进一步探索想法变得容易。这种灵活性使得本书不仅作为一次性读物有价值，也作为长期参考书。本书适合谁本书非常适合希望通过构建来理解深度学习的程序员、工程师、研究人员和技术上充满好奇的专业人士).背景才能取得进展。你需要的是好奇心以及愿意认真完成项目的态度.它也非常适合作为参考指南，而这正是我计划未来使用这本书的方式。作为一个越来越专注于氛围编码和高级系统设计而非端到端执行每一行代码的人，我认为这本书将是我会经常回顾的，以加深我的概念理解。其中的解释、图表和架构分解使得理解模型的结构、为何选择某些方法以及存在哪些权衡成为可能。从这个意义上说，这本书不仅成功地作为了一门循序渐进的课程，也成为了那些希望在实验、原型设计或更高层次推理时理解现代AI系统内部运作的读者的长期伴侣。最终感想《深度学习速成课程》e以一种非常真实的方式超出了我的预期。它不仅解释了深度学习，还让它显得平易近人和可实现。到最后，我感觉自己在阅读、修改和编写基于PyTorch的模型方面比开始时自如得多。努力的书.它尊重读者的智力而不假设其专业知识，并且提供了我在AI教育中遇到过的最实用的学习体验之一。对于任何认真想从AI观察者转变为AI构建者的人来说，这本书是一个强烈的推荐.
Pavle Jeremić, Aether的创始人兼首席执行官，是一位科学家企业家，专注于将先进研究转化为现实世界的工业影响。凭借在生物分子工程方面的背景以及在合成生物学和分子原型设计方面的早期实践研究，他创立了Aet hänen，以弥合AI驱动的发现与实际市场准备成果之间的差距.他的工作重点是将机器学习和自动化应用于传统化学和制造业难以大规模解决的问题.Aether是一家A. I原生生物技术公司，使用专有的AI模型和高通量机器人设计新型蛋白质。这些蛋白质作为分子机器，能够促进更强更轻的材料，分解持久的环境污染物，提取关键矿物，并支持更可持续的制造过程.在领先投资者的支持下并迅速进入商业化，Aether旨在通过用精确、可扩展且环保的生物替代方案取代缓慢、资本密集的化学过程来重新工业化关键行业。从早期的研究角色到创立Aether，您的路径显示出将科学转化为现实世界影响的一贯动力——这些早期经历如何塑造了您创立公司的决定并定义了其使命？ 我的动力在很小的时候就形成了。我在两个截然不同的世界中长大，一幉间在美国，另一部分时间在前南斯拉夫。我意识到，美国的大学城并不是世界上每个地方的现实，这激励我尝试找到一种方法来创造更多的丰裕、经の济自由和向个由和吤约10岁时，我读了一些关于纳米技术的书籍，并意识到这种技术可能泯一 然后，在中学和高中时，加州大学戴维斯分校的一位教授接纳了我，让我进行自己的合成生物学研究.通过这项研究，我意识到蛋白质是我们拥有的最接近真正功能性纳米级机器的东西.这就是Aether的创意诞生的地方.如果我们能够非常擅长使用基于蛋白质的构建块来构建纳米级机器，我们可以创造出什么样的令人难以置信的产品？我们能否创造一个丰裕的未来？这就是我们今天在Aether的使命. 对于不熟悉该领域的读者，您如何描述您的蛋白质功能模型以及它为何代表蛋白质工程的新范式？ 从高层次来看，我们的蛋白们功能模型可以将蛋白质功能映射到上设设。然而，由于纳米级水平的统计性质，一个蛋白质可以具有许多不同的傊 推动我们的蛋白质功能模型并使其在行业中独特的是我们生成敼据集或索们同时测试大量蛋白质与大量不同功能的面板。通过这样做，我们可以识别每种蛋白质的特定功能，然后赋予它我们希望它执行的功能.质Y结合金。无论在分子水平上的功能如何，我们的模型都可以输出一个暄输出一个 您在何时意识到AI设计的蛋白质可以从实验室概念现实地转变为商业工丳 如果您在Aether成立之初与我交谈，我会告诉您，我们作为公司需要做的最隍要做的最重情是设计这个新型蛋白质系统。但是，几年前我们做出了一个非常有意的决定，不仅要设计蛋白质，还要垂直整合并创造最终产品。因此，我们付出了努力，沿途学到了经验教训，今天我们正在享受令人难以置信的产品设计、我们的能力规模以及市场上有影响力的产品的好处. 是什么让AI设计的蛋白质在速度、效率或可扩展性方面优于传统化学制造斯 AI设计的过程为我们提供了大型化学工厂的精确性和复，但规模仅为其一小部分，使我们能够更快、更经济、更可持续地制一尓续地制造济 蛋白质提供特异性——它们是以精确方式构建、结合或分解的纳米机器。这使它们高效。通过使用AI，我们可以使它们变得更好。我们可以制造催化特定反应的蛋白质；例如，将单体缝合在一起以更快的速度组合. 您如何测试和验证新设计的蛋白质在国防、航空航天或矿物提取等严苛的现实环境中能可靠地工作？ 我们通过在实验室规模的催化反应器中进行广泛的内部原型设计来测试和验证蛋白质功能在现实条件下的可靠性。我们评估相关的性能参数；例如，对镝与铽的选择性，筛选出最佳候选者，然后进行放大验证以进行试点测试及更进一步. 在您当前的应用中，从先进材料到环境修复，您预计哪一个会首先扩䈺，我们最近筹集了1500万美元以扩大我们在超级材料方面的首个商业产品UpidPrint 3D的规模，它们的打印速度比行业基准快10倍，强度高2逍.它们用于串团无人机提供动力以及航空航天行业的复杂部件——这是我们目前看到需求最大的两个领域. 您如何评估您工作的环境效益，无论是在分解持久性化学品、捕获碳还是实现更可持续的制造方面？ 我们使用不同的方法来评估环境效益。例如，在实现更可持续的制造斌面，们评估我们的过程与传统化学途径之间在有毒化学品和能源使用方面的差 随着您深入商业化，您如何看待公司在产品和工业重点方面的发展？ Täydelliset laitteet 展望五年后，您希望Aether取得哪些进展，哪些里程碑将表明您走在正确的轨遁确的轍 展望未来五年，我们希望通过我们创造的分子组装技术，建立基础，以数量级更便宜和更有效的制造技术重新工业化美国.感谢这次精彩的采访，想要了解更多的读者可以访问Aether.