-
报告1 day agoKELA 2026 中期 AI 威胁景观报告：AI 正在成为双刃剑
人工智能不再只是帮助网络犯罪者加快速度——它正越来越多地成为复杂攻击的积极参与者。这是 KELA 2026 中期 AI 威胁景观报告的核心结论，该报告认为网络安全已经进入了一个新时代，代理 AI、开源大型语言模型和自主攻击技术正在改变网络犯罪的方式。该报告描述了一个威胁景观，AI 正在加速从漏洞发现和勒索软件操作到钓鱼活动和企业间谍活动的一切，同时也为防御者创造了全新的攻击面。自主网络攻击的崛起多年来，AI 主要作为开发人员、安全专业人员和攻击者的生产力工具。KELA 认为，2026 年标志着从 AI 助手到能够以有限的人类参与执行多步目标的 AI 系统的根本转变。这些系统不再只是生成代码或回答问题，而是可以识别漏洞、分析软件、链接利用、升级权限，并在攻击生命周期中提供帮助，速度惊人。虽然早期的演示来自专有的前沿模型，但 KELA 认为更大的长期问题是开源模型（如 DeepSeek、Qwen 和 Kimi）的快速采用。由于这些模型可以自托管、修改和去除安全限制，犯罪集团不再依赖商业 AI 提供商，可以在完全控制下构建自己的攻击性 AI 系统。补丁窗口正在消失报告中最令人担忧的预测之一是所谓的自主漏洞发现和利用（AVDE）。传统上，组织在公开披露漏洞和广泛出现的工作利用之间有宝贵的时间。这个窗口允许安全团队在攻击者利用漏洞之前测试补丁和保护系统。代理 AI 威胁着要消除这种优势。这些系统不再仅仅依赖于已知的漏洞，而是可以分析大量的代码库，推理复杂的软件逻辑，识别缺陷，自动验证并生成利用代码，速度远远快于人类研究人员。一旦软件补丁公开，AI...
-
思想领袖1 day ago不要在借来的访问权限上构建您的企业 AI
所有的 AI 应用程序和企业部署都建立在这样的假设之上：即访问前沿 AI 模型的权限将保持可能和几乎无限的状态。这种思维方式在过去是正确的，但现在可能已经不再适用。过去的趋势是，前沿模型的新功能会在 6 个月内被商品化或开源，因此重点仅仅放在了解未来功能的早期阶段。能够通过尽早理解和适应新前沿功能来构建产品的公司、团队或个人一直是胜利者。然而，几个信号可能表明这种时代即将结束。美国商务部决定限制外国人访问 Anthropic 的 Fable 和 Mythos 模型的决定只是一个开始。然而，这个限制后来在与 Anthropic 协调后被解除，这表明访问条件可以迅速变化，以及企业 AI 系统需要适应性。四个原因为什么前沿模型访问权限不再保证如果前沿模型的可用性不再被保证，那么仅仅针对前沿模型的思维方式可能不再正确。至少有四个原因可能导致这种情况。首先，前沿 AI 的经济基础是建立在补贴价格之上的，这种价格不会持续下去。最近，OpenAI 和 Anthropic 的 IPO 准备迫使他们开放财务状况，清楚地揭示了当前赞助 AI 服务的真实成本，这可能在...
-
思想领袖1 day agoAI智能体如何转变大规模推荐系统和AI
大规模推荐系统变得越来越难以改进，因为它们不再作为独立的模型运行。现代推荐系统通常包括数百个相互连接的模型、数据管道、排名层、监控系统和商业规则。每个组件可能优化不同的信号，但整个系统仍然需要改进更广泛的商业结果，例如收入、购买、参与度或最终用户满意度。下一个进步阶段集中在可以吸收更多系统上下文、减少开发摩擦并逐渐承担更广泛责任的AI智能体上。这一转变不仅仅是关于自动化。它是关于推荐系统可以监控、诊断、修复和改进自己，而不需要不断的人类干预。大规模推荐系统进化缓慢开发周期是大规模推荐系统中的主要瓶颈。一个小的改变可能需要经过多个层次才能产生可衡量的结果。一个模型可能影响候选生成，另一个模型可能影响排名，另一个模型可能优化参与度、转化或盈利。这些模型通常属于不同的团队，具有独立的部署周期，创建了隐藏的依赖关系，使得协调变得困难。这种复杂性也使得调试更加困难。当性能下降时，根本原因可能不在表现出回归的模型中。上游的改变可能影响下游的排名，或者用户行为的变化可能同时改变多个模型的数据分布。最近的技术工作反映了人们对能够跨越更广泛的技术背景和支持更自治的改进循环的系统的日益增长的兴趣，这加强了在这个领域使用AI智能体的理由。AI智能体提供了更快迭代的途径AI智能体可以减轻理解大型、相互连接的系统的负担，这些系统会减慢工程团队的速度。一个新工程师可能需要数月时间来理解一个大型推荐系统栈。有了正确的文档、遥测、实验、代码路径和日志，AI系统可以更快地处理更广泛的系统上下文。这并不意味着智能体已经准备好从头到尾拥有大规模推荐系统。今天的模型仍然面临信任限制。它们可能会产生幻觉、错过依赖关系或在上下文不完整时做出错误的假设。最强的早期用例是更狭窄的：检测回归、总结实验结果、比较模型行为、提出有限的修复或验证更改以满足已知目标。长期的愿景更加雄心勃勃。多个智能体可以分别在特定的垂直段上工作：数据质量、特征监控、排名性能、实验分析、回归检测或基础设施成本。一个更高层次的智能体可以协调这些信号并确定模型的失败或改进如何影响更广泛的推荐系统。智能体的研究工作表明，AI系统正在开始探索迭代研究和改进工作流程。安全采用取决于有界执行、验证和渐进式自治自治推荐工作流程在智能体在明确的边界内运行时变得更加可靠。团队可以限制智能体的访问权限，仅允许其访问批准的工具、工作流程、测试环境、仪表板、实验模板和回滚程序，而不是给予其对生产系统的无限制访问权限。这降低了不稳定变化、成本激增或循环推理的风险。一个实用的自治模型可以包括： 有界执行。智能体通过批准的工具、权限和工作流程运行，而不是开放的生产访问权限。 验证优先的开发。每个任务都有一个明确的起点、一个可衡量的结果和自动化测试来确认进展。 基于关键性的交接。低风险系统成为早期的智能体执行候选者，而高影响区域保留更严格的人类审查。 增量协调。可靠的子智能体可以稍后连接到更广泛的工作流程中，一旦每个组件表现出一致性。 这种方法偏爱在更广泛的系统所有权之前实现较小、可衡量的胜利。关于自治智能体的技术研究表明，在智能体执行复杂的技术工作时，结构化环境、任务分解和验证的重要性。在推荐系统中，这些原则转化为在更广泛的智能体协调之前进行受控的实验。组织需要合适的人才组合、运营模式和绩效衡量标准AI智能体并没有消除经验丰富的工程师的价值。它们增加了能够有效利用AI的工程师的价值。最强的个人简介是将深厚的专业知识与利用AI进行更快分析、实验和实施的能力相结合。两个人才群体变得尤为重要。基础设施专家构建智能体周围的框架：工具、护栏、工作流程、权限、可观察性和执行环境。机器学习（ML）研究人员指导优化逻辑、模型策略和算法方向。这些群体共同创造了智能体高效运行而不成为另一个脆弱系统的条件，这些系统需要人类不断维护。绩效衡量也发生了变化。指标可以分为一个等级制度。在顶部是滞后性的商业结果，例如收入、购买、转化或交易量。以下是领先指标，例如点击、浏览、滚动、观看时间或会话深度。在智能体级别，团队可以跟踪任务精度、成功率、失败率、完成时间和交互次数。这些智能体级别的指标变得有意义，当它们与业务影响联系起来时。克服模型限制自我改进推荐系统的未来取决于三个模型级别的进步：降低幻觉率、更大的可用上下文窗口和更强的推理。幻觉削弱了对自治决策的信心。上下文限制了智能体理解整个系统的能力。推理缺口使得连接一个模型中的变化与另一个模型中的结果变得更加困难，减少了系统更广泛的进步。如果这些限制得到改进，智能体可以从优化狭窄的任务转变为理解整个系统的行为，这包括检测回归、识别可能的原因、测试修复、监控结果和推荐下一个优化路径。关于自我改进和智能体系统的研究反映了更广泛的技术运动，即AI系统能够参与迭代改进循环。通往闭环智能的道路自我改进推荐系统代表了超越基本AI自动化的下一步。路线图从有界的智能体任务、强大的护栏、测试驱动的验证和人类判断在正确的控制点开始。随着时间的推移，小的自治胜利可以积累成更广泛的系统所有权，连接早期执行和后期自治。随着模型能力的改进，组织可以更接近推荐系统，可以监控、修复和优化自己，同时保持与有意义的商业指标的对齐。目标是AI不仅减少工程努力，还有助于维持其支持系统的性能，将技术进步与商业结果联系起来。
-
访谈2 days agoIrisGo创始人兼CEO Jeffrey Lai – 采访系列
Jeffrey Lai，IrisGo的创始人兼CEO，是一位具有深厚智能助手和语言技术根基的AI企业家和产品领导者。在2025年创立IrisGo并在AI Fund担任创始人之前，Lai在苹果公司工作了超过12年，期间他帮助构建和扩展了Siri，最终担任Siri语言工程经理。他的工作重点是推进多语言对话式AI，包括开发Siri的中文版本。在苹果公司之前，他曾在思科系统担任工程角色，并在NASA Ames研究中心的智能机器人小组完成了实习。凭借跨越机器人、企业软件和消费者AI的职业生涯，Lai始终专注于使复杂技术更加易用和实用，以适应日常工作流程。IrisGo 正在开发一种为新一代AI个人电脑设计的AI操作系统。与作为独立聊天机器人运行不同，该平台旨在观察用户在应用程序中执行任务的方式，学习这些工作流程，并通过智能的设备内助手来自动执行这些任务。其核心方法围绕允许用户演示一次任务，然后将该过程转换为可重用的工作流程，帮助减少重复的数字工作。通过利用现代AI PC中的专用AI处理能力，IrisGo旨在实现更私密、更响应和更上下文感知的自动化，定位自己在日益增长的代理AI系统市场中，这些系统可以代表用户主动执行任务，而不仅仅是提供推荐。在帮助构建苹果Siri之后，您有哪些具体经历让您相信是时候开始IrisGo了？您认为人机交互中还有哪些关键问题尚未解决？当我们构建Siri时，我们非常专注于自然语言理解。但Siri在上下文方面遇到了困难，这是一个挑战，因为人们实际工作和交流的方式充满了隐含的上下文。当你问同事“可以把那份报告发给我吗？”他们知道你指的是哪份报告。他们知道你们共享的历史，你们当前的项目，你们讨论过的内容。Siri没有这些信息。多年来，AI被设计为对你做出响应。输入一些内容，得到一些回应。这是我们从搜索引擎和聊天机器人继承来的交互模型。但大多数人在计算机上实际做的事情不是一个问题，而是一个工作流程。编译这份报告，交叉引用这些电子表格，从三个不同的应用程序中提取数据并将其格式化为文档。这种工作不适合在一个提示中完成。说服我开始IrisGo的是意识到该行业并没有针对日常使用场景进行建设。每个人都在构建更智能的模型，改进语言理解，实现更快的响应。但基本的差距仍然存在，即AI可以真正完成工作，而不仅仅是对请求做出响应。这就是我们试图解决的问题。回顾您在Siri工作的那些年，您从中获得了关于语音助手的局限性的最大教训，特别是在理解上下文、意图和用户行为方面？我学到的最大的教训是上下文是最重要的。人们很少以孤立的命令进行交流；他们的请求受到他们正在处理的内容和他们试图完成的目标的影响。早期的语音助手是围绕回答个别请求而设计的，这对于许多任务来说效果很好，但对于跨多个应用程序和工作流程的持续工作来说效果较差。这种经验教会了我，理解意图需要理解上下文，这个见解成为IrisGo背后的基本思想之一。我们了解到，意图通常是分层的。有人说一件事，但意思是另一件事。正确理解这一点需要理解这个人，而不仅仅是理解这些话。这一理解从一开始就融入了IrisGo的设计中。IrisGo经常被描述为AI操作系统，而不是AI助手。二者之间有什么区别？您为什么认为该行业需要一个新的软件层来适应AI PC时代？AI助手等待您的输入。您打开它，输入一些内容，它会响应，然后就完成了。交互模型基本上与搜索引擎相同，即用户发出请求，AI生成响应。IrisGo作为一个AI操作系统，与您正在做的所有事情一起工作，跨您的整个系统，始终如此。它可以访问您的文件、应用程序、浏览器和电子邮件。它了解您如何工作，因为它一直在观察，当然是在您的许可下。最重要的是，它可以采取行动，而不仅仅是提供建议。想想Windows对个人计算机的影响。Windows之前，您必须是技术专家才能使用计算机。Windows创建了一个通用、直观的层，位于人们和软件之间。AI PC时代需要它自己的这种层，将AI模型的原始能力转化为真正对日常工作有用的东西。这就是IrisGo的作用：AI PC的智能层。当您在设备上预装IrisGo时，它就在您打开盒子时就已经存在了。您不需要搜索它，下载它，或决定给它一个机会。这是一个巨大的优势。IrisGo的一个核心理念是，用户可以通过一次演示来教会系统一项任务。为什么您认为“观察和学习”比提示或手动构建工作流程更自然？使“观察和学习”功能如此强大的原因在于，它基于我们实际上如何相互教学。当您为新员工提供培训时，您不会给他们写一份40步的提示。您向他们展示一次，他们观察，学习，然后接管。这种方式很直观，很自然。提示的问题在于，它将负担放在用户身上，要求用户以AI可以理解的格式准确表达他们想要什么。对于简单的查询，这很好。但对于复杂的、多步骤的工作流程，涉及您的特定文件和您的特定工作方式？它可能会迅速崩溃。大多数人无法以足够精确的方式描述他们的工作流程，以便AI能够正确地执行它们。演示比解释更容易。这不是一个新见解；这是常识。观察和学习将这种逻辑应用于自动化。你按照正常方式执行任务一次。IrisGo学习这种模式。从那时起，它就可以为你处理这种工作流程。当前的许多AI代理仍然需要大量的设置和监督。真正的自治代理与简单地遵循指令的聊天机器人之间有什么区别？简短的答案是，真正的自治代理拥有自己的上下文，自己做出判断，并且即使您不在观察，也会继续工作。聊天机器人按设计是反应性的。它依赖于提示。您给它一个指令，它执行，然后它停止。如果有什么变化，如果一个步骤失败，或者如果它需要适应，它就会迷失。它会问您下一步该怎么做。真正的自治代理有一个目标，而不仅仅是一个指令。它对其运行的环境有上下文。它可以处理异常。它可以决定是否继续、重试或将某事标记为需要人工审查。并且重要的是，它可以在后台运行，而您可以专注于其他事情。今天被称为“AI代理”的大多数产品实际上只是具有额外步骤的复杂聊天机器人。这些产品与真正的自治之间的差距是巨大的。IrisGo之所以与众不同，是因为它从对您的工作方式的理解开始，这种理解是通过观察您而获得的，并利用这种理解来做出正确的判断，而不仅仅是遵循指令。您已经谈到了持久记忆和本地上下文的重要性。为什么这些能力对于AI超越回答问题并开始代表用户采取行动是必不可少的？想象一下，您雇佣了一位助理，每天早晨都没有记忆力，根本不知道您是谁，您在做什么项目，您喜欢事情的完成方式是什么。那将会非常令人沮丧。您将会花费大量时间重新解释上下文，您也会变得非常沮丧。这基本上就是大多数AI工具今天要求您做的事情。持久记忆意味着系统了解您。它了解您的项目、工作流程、偏好以及事情如何随时间变化。您不需要每次会话都重新建立上下文。AI会将上下文带入下一次会话。本地上下文同样至关重要，因为您的工作不在云端，而是在您的计算机上，在文件中，在应用程序中，在电子邮件中，在浏览器标签页中。IrisGo在您的设备上运行，这意味着它可以访问您的整个工作环境，并可以代表您在所有这些环境中采取行动。这些能力——记忆和本地访问——使AI能够停止成为一种工具，而成为一种为您工作的系统。我们看到越来越多的科技行业开始认识到这种方法的重要性，包括大型科技公司，所以这对我们的方法是一种明确的认可。隐私仍然是AI领域最大的担忧之一。您如何平衡个性化和记忆的需求与用户对安全和数据所有权的期望？首先要挑战的假设是，隐私和个性化是相互冲突的。我们构建IrisGo，使个性化可以在设备上进行，而不仅仅是在云端。IrisGo的大部分处理都发生在本地，在您的计算机上。您的工作流程、文件、上下文都留在您身边。只有在您明确授权时，才会进行云处理，而且即使这样，也是端到端加密的。您控制着数据流向哪里。这种模型使IrisGo更加强大，因为它可以访问您整个工作环境的完整上下文。并且这意味着用户不必在有用的AI和安全的AI之间做出选择。人们信任他们的个人电脑来处理敏感工作。我们的目标是让IrisGo值得这种信任。这是产品设计的基本方面。IrisGo已经开始在Acer的AI PC上发布，并计划扩展到其他制造商。您认为分销合作伙伴关系在决定哪些AI平台最终达到主流采用方面有多重要？分销对于主流采用至关重要。看看科技领域平台竞争的历史。Windows获胜是因为它几乎在每台PC上都存在。Android获胜是因为它是非iPhone移动设备中使用最广泛的操作系统。那些仅通过产品质量而没有分销支持的公司基本上都没有成功。AI PC市场遵循着类似的模式。当IrisGo预装在设备上时，它就在您打开盒子时就已经存在了。您不需要搜索它，下载它，或决定给它一个机会。这是一个巨大的优势。我们已经在今年将要发货的300万台Acer笔记本电脑上预装了IrisGo，并且我们正在与其他一线PC制造商进行谈判。我们的目标是成为PC的默认AI操作系统。这种分销策略是我们成为该类别标准的核心部分。随着AI代理开始处理发票、研究、报告和其他商业工作流程，组织今天应该为哪些新的治理、监督和信任挑战做好准备？第一个挑战是可审计性。当AI代理完成一个工作流程，例如处理发票或生成报告时，您是否可以看到它做了什么，为什么做，以及数据来自哪里？这种透明的审计跟踪对于合规性和在错误扩散之前捕获错误至关重要。第二是定义边界。哪些工作流程适合自主执行，哪些需要人工审查？公司需要围绕此类问题制定明确的政策。人们倾向于让AI做越来越多的事情，逐渐增加，然后意识到太晚，高风险的决策是在没有足够监督的情况下做出的。第三是信任校准。员工需要了解AI可以做什么和不能做什么，以及何时验证其输出而不是假设它是正确的。这是一个文化和培训问题，就像技术问题一样。我相信今天为此做准备的组织将拥有显著的优势，因为随着AI能力的增长，治理框架将变得更加复杂。五年后，您认为人们是否仍将主要通过聊天界面与AI交互，还是AI将越来越多地融入背景并在未被要求的情况下主动完成工作？轨迹已经表明，AI将越来越多地融入背景。我们正在朝着一个模型发展，即您的计算机了解您的工作并处理例行工作的基础部分，因此您的注意力可以集中在真正需要您的事情上。想想自动驾驶飞行的工作原理。飞行员并不是每秒都手动控制飞机。系统处理基础工作，人类在需要判断和专业知识时介入。这是AI辅助知识工作的未来。您的计算机处理重复、基于规则的工作流程，您专注于战略、创造力和需要真正的人类判断的决策。五年后，最富有成效的人将是那些与理解用户操作方式的系统并肩工作的人。过去，人们在计算机上做所有的工作。在未来，您的计算机也会为您做工作。感谢这次精彩的采访，希望阅读本文的读者可以访问IrisGo以了解更多信息。
-
融资2 days agoTripo AI 获得 1.5 亿美元 A3 轮融资，3D 基础模型向交互式世界迈进
Tripo AI 已获得超过 1.5 亿美元的 A3 轮融资，汇集了来自汽车、游戏、互联网和技术等多个领域的战略和财务投资者。该轮融资标志着人们对能够生成、编辑、模拟和最终维持 3D 环境的 AI 系统的兴趣日益增长，这一类别正开始超越创作者工具，转向交互式娱乐、智能制造、虚拟现实和具身 AI 的基础设施。跨行业融资，跨行业技术本轮融资汇集了具有不同商业利益的投资者。汽车投资者包括 吉利资本，而游戏公司 4399 网络、坦旺和巨人网络也参与了其中。战略投资者复星资本和奥林诺资本加入了本轮融资，金融投资者包括科石资本、艾德资本、T 资本和木华科技创投。现有股东英创资本和基因资本也增加了他们的投资。这种投资者组合很重要，因为 3D 生成不仅限于一个市场。对于游戏公司来说，更加快速的 3D 资产创建可以重塑生产流程。对于汽车和制造业投资者来说，AI 生成的 3D 模型指向设计迭代、模拟、训练环境和数字孪生。对于互联网和娱乐公司来说，长期的机会在于更加交互式的内容，用户不仅仅是消费平面媒体，还可以进入、修改和分享持久的数字空间。Tripo 的核心竞争力：将想法转化为 3D...
-
思想领袖2 days agoOpenAI 的 Patch the Planet：为开源软件提供 AI 驱动的安全保障
OpenAI最近推出了一个雄心勃勃的新计划，旨在解决数字世界最紧迫的安全挑战之一：保护支撑现代技术的开源软件。该计划，称为 Patch the Planet，是 OpenAI 的 Daybreak 计划的一部分，旨在帮助开源维护者通过 AI 辅助的安全研究和专家人工审查来加强关键软件的安全性。维护者面临的困境开源项目构成了商业软件行业的基础。然而，这种共享基础设施面临着一个关键的漏洞：维护这些项目安全的维护者经常被压垮。许多维护者已经被要求处理更多的报告，速度更快，时间和资源却相同。OpenClaw 的创造者和该计划的关键人物 Peter Steinberger 在 视频中描述了这种压力的影响： “我差点就要删除所有东西，因为正确的压力太大了。就在六个月前，当 OpenCore 开始爆发时，我收到了大量的安全事件。”尽管开源软件被广泛采用并在现代技术中发挥着至关重要的作用，但由于其分散和监管不力的结构，许多开源软件都是不安全的。问题不仅仅是数量的问题，也是资源和责任的不匹配。正如 Steinberger 所说： “通常你只有一个或两个开源维护者，但你有一个整支队伍的人会运行安全工具并向你报告事件。”2021 年的 log4j 漏洞提醒我们，开源软件中单个的漏洞可以在整个技术领域中蔓延，影响无数的商业应用程序。Patch the Planet...
-
思想领袖2 days ago拥有智能，赢得客户：零售商的代理商务指南
根据埃森哲最近的数据，74% 的全球消费者表示他们会信任个人 AI 代理而不是他们的最好朋友来代表他们进行购买。我不知道这说明了现代友谊的质量如何，但它肯定表明代理商务已经准备好成为主流。事实上，麦肯锡估计，到 2030 年，AI 代理将在全球范围内促成 3-5 万亿美元的消费者商务交易。我们看到意图和购买之间的距离正在实时缩小，但大多数零售商和电子商务公司并没有为这一变化做好准备。多年来，行业的北极星是“无缝的客户体验”，但代理商务改变了这一体验的含义。以前从店铺开始，现在开始于您不拥有的平台上的对话，由您可能已经外包给第三方以获得增量提升的信号所塑造。赢得代理商务竞争需要像 AI 本地运营一样思考，这意味着拥有体验下的智能。换句话说，您必须拥有教导代理了解客户实际想要什么的数据——即使在他们到达之前。这种范式转变需要更深入地探索使代理 AI 运营成为可能的层次，并立即采取行动，以便在获得必要的训练数据方面获得优势。 您放弃的数据是代理商务城堡的关键阻止零售商为代理商务做好准备的最大挑战之一是，他们通过与以前的点解决方案相同的视角来对待 AI：搜索供应商、聊天机器人、推荐引擎、生成内容工具、视觉搜索插件。 每个解决方案都解决了一个狭窄的问题。而且，虽然转换率提升可能会立即出现，但所有的学习都在别人的产品中积累。同时，零售商留下了一个分散的堆栈和更分散的数据。 真正具有区别的代理体验运行在这些供应商无法（或不愿）提供的东西上：对您的客户的纵向、所有权图像。他们犹豫了什么。他们回来了什么。他们在会话中询问了什么、在购物车中放弃了什么、六周后最终购买了什么。 当以代理可以使用的方式组织时，这种数据使得我们称之为 智能层 成为可能。这是意图被解释、决策被做出的地方。这些决策包括排名、推荐、个性化和产品理解等较低风险的调用，以及物流、退货和解决支付问题等更大的决策。 对于大多数零售商来说，无法被复制的优势在于他们如何理解客户、产品、场合、品牌声音和服务时刻。为了将这一点带入代理商务的未来，需要利用您已经拥有的数据资产，并在此基础上进行战略建设。 不要让混乱的数据阻碍代理商务之路大多数零售商将混乱的数据视为开始的障碍，但为 AI“做好准备”而进行多年的清理是一个代价高昂的误解，它将在失去客户、攀升的获取成本和未被捕获的高意图信号方面带来更多损失。 这是代理商务中以前不存在的复合维度：延迟一个月就是您没有产生的训练数据，而您的竞争对手却在产生。 因此，相比于彻底清除您的 PIM、OMS、CDP...
-
思想领袖2 days ago为什么代理人AI需要成为您的运营管理策略的一部分
代理人AI不会作为一个编码化、垂直化的系统到来。它将以成千上万个小型、专门的数字工人出现在企业中，遍布整个组织。这些代理人将在零售、医疗保健和食品服务等行业协调交货、调整温度、重新安排人员、标记合规风险和实时重新订购库存。企业团队将设定目标和警戒线，而前线运营将看到代理人在处理例行决策和升级时默默地工作。人类团队将从他们的行政负担中解脱出来，专注于判断、策略和例外，而代理人将管理日常执行的流程。从自动化到自主协调过去十年中，企业自动化专注于消除重复性工作。物联网系统监测远程设备中的关键条件。工作流软件路由处方、批准和确认。机器人自动化加速了制造过程。这些工具减少了摩擦，但它们依赖于超特定的标准操作程序（SOPs）指令，由人类编写。代理人AI超越了传统的供应链规划过程，并改变了工作本身的架构。在传统场景中，需求预测、生产调度、采购和物流由不同的团队管理。每个团队都优化自己的目标。收入、利润率、服务水平和成本目标在每周会议上相互竞争。人类作为跨职能的协商层，人在环节（HITL）预防措施。代理人AI使数字代理人代表每个目标。一个代理人专注于需求生成。另一个管理供应约束。第三个优化生产批次大小。第四个在多级网络中定位库存。代理人之间不需要等待每月的销售和运营规划会议，而是实时协商，平衡收入、利润率、容量、税收、合规性和物流等方面的权衡。在医疗保健领域，这种协调可能意味着平衡人员配备水平、监管合规性、冷链要求和患者吞吐量。在食品服务中，它可能涉及根据可用库存调整促销活动，同时防止库存短缺。在零售中，它可能意味着在考虑运输成本和季节性需求的同时，将库存转移到各个地区以保护利润率。行政影响企业规划、采购分析、运输建模、定价决策，甚至税务结构都涉及结构化的目标和受限的决策空间。这些环境对于代理人来说是最佳的。考虑一个企业采购团队，其任务是优化供应商选择，平衡成本、质量、交货时间和监管要求。今天，分析师手动协调电子表格和场景计划。代理人系统实时评估权衡，标记出现的风险，并根据实时输入重新协商分配。即使公司范围内的旅行协调也是一个有效的代理人目标，如果正确地定义了目标。 “协调和购买员工的航班、汽车、巴士和酒店，根据预算和个人日历在不同日期选择”不是一个任务，而是一个带有约束的目标。预算限制、政策合规、旅行者偏好和风险暴露成为警戒线。代理人确定必要的任务，如搜索票价、预订行程和根据取消情况进行调整，同时保持在定义的边界内。企业领导者应该抵制将代理人分配给模糊的目标（如“在本季度将收入增加10%”）的诱惑。这种抽象缺乏可行的边界。相反，定义出操作性基础、具体的目标： 优化多级库存定位，以提高服务水平2个百分点，同时保持快速移动的A类商品的利润率 通过协调需求塑造和补货与现有产品X库存来减少过期产品浪费 重新平衡区域劳动时间表以满足合规性和成本目标 关键区别在于任务和目标之间。任务是一个离散的动作。目标定义了一个结果，受约束。代理人AI在目标层面上运行。目标的规模应该足够雄心勃勃，需要跨职能协调，但又足够狭窄，以便衡量和审计。自治时代的治理当代理人被授权决定自己的任务时，治理变得至关重要。警戒线将类似于政策手册和法律合同的混合体。它们将编码监管合规性、道德标准、预算约束和升级阈值。它们将定义代理人可以优化什么以及需要人工批准的内容。问责制问题将迅速浮现。如果代理人做出违反法规或造成财务风险的决定，责任将不在于算法，而在于部署代理人的组织或部门。所有权模型必须明确。审计跟踪必须记录推理路径。可解释性将很重要，不是因为高管要求它，而是因为监管机构会要求它。我们已经看到AI系统编写自己的代码，人类转向质量保证角色，而不是编写实际的代码行。这一转变将在运营中加速。曾经执行例行规划任务的员工将越来越多地监督代理人，验证输出，完善警戒线，并管理例外。企业领导者应该识别现有的反复出现的运营决策周期，并将它们转换为明确定义的、基于约束的目标，考虑以下指南： 在分配代理人时，阐明跨职能的目标和权衡 建立正式的警戒线，编码监管、财务和道德边界 分配负责的human赞助商来操作为已部署代理人的HITL层 建立监测和审计能力来跟踪性能和决策逻辑 从包含、影响大的领域开始，随着治理的成熟而扩展 代理人AI代表着运营管理的结构演变。它将优化从周期性的human协商转变为持续的机器介导的协调。它超越了前线，扩展到企业规划和行政领域，提升了human角色从执行到监督和判断。将代理人视为战略合作伙伴而非增量自动化工具的企业将建立更具弹性和适应性的运营。
-
融资3 days agoAligned 获得 6000 万美元 B 轮融资，以扩大其企业销售的 AI 交易工作空间
Aligned 已经获得了 6000 万美元的 B 轮融资，领投方为 PeakSpan Capital，现有投资者 Hetz Ventures、JAL Ventures 和 NFX 也参与了此次融资，公司的总融资金额达到 7380 万美元。这笔投资的到来是因为公司正在扩大其业务范围，从数字销售室扩展到成为一个 AI 驱动的执行层，买家、卖家和 AI 代理可以在整个 B2B 销售过程中进行协作。由 Gal Aga、Gal Deitsch 和...
-
AI 模型与平台3 days agoOmniOps 和 Allai Newroz Telecom 推出 KI，首个库尔德语对话式 AI 平台
OmniOps 和 Allai Newroz Telecom 合作推出 KI，一款库尔德语对话式 AI 平台，旨在运行于 Newroz Telecom 基础设施内的库尔德地区。该公司将 KI 描述为首个库尔德语对话式 AI 平台，支持索拉尼语、巴迪尼语和库尔曼吉语，以及阿拉伯语和英语。该推出具有两个重要意义。首先，它解决了长期以来限制库尔德语用户与主流 AI 系统交互的语言鸿沟。其次，它为 OmniOps 提供了一个在沙特阿拉伯以外的主权 AI 部署示例，展示了其基础设施如何被区域电信运营商、机构和企业使用，以满足他们对 AI 能力的需求，而无需将敏感数据移出本地环境。主权 AI 部署，而不仅仅是一个聊天机器人KI...
-
访谈3 days ago安娜·韦克利奇，GPT4Telegrambot 的联合创始人 – 采访系列
安娜·韦克利奇，GPT4Telegrambot 的联合创始人，是一位专注于在 Telegram 上构建 AI 本土产品和社区的企业家和营销策略师。自 2023 年联合创立 GPT4Telegrambot 以来，她帮助发展了平台上最大的 AI 媒体生态系统之一，运营多个 AI 机器人和超过十个 Telegram 频道，总共覆盖了大约 3.5 亿活跃用户。除了她的创业工作外，她还担任 E-Quadrat 科学与教育公司的战略沟通和营销负责人，在那里她将沟通、增长和人工智能的专业知识结合起来，推动技术的采用和受众的参与。她的背景跨越了 AI 产品开发、社区建设和战略营销，将她置于生成性 AI 和消息平台的交叉点。GPT4Telegrambot 是一个适用于 Telegram...
-
融资3 days ago威尼斯AI以10亿美元估值获得6500万美元A轮融资
威尼斯AI 已完成6500万美元的A轮融资，由 Dragonfly Capital 领投，公司估值达到10亿美元。这次融资发生在威尼斯AI公开发布大约两年后。 总部位于拉斯维加斯的威尼斯AI由Erik Voorhees于2024年创立，提供超过200个跨文本、图像、视频和音频的AI模型。 本轮融资还得到了Coinbase Ventures、North Island Ventures 等的支持，这是威尼斯AI首次外部融资。 随着AI工具越来越深入地融入人们的搜索、写作、编码、图像创建、代理管理和数字工作中，人们对数据控制的不适感问题也日益突出。 这种转变也引发了一个更为令人不安的问题：谁控制着通过与AI系统的日常交互产生的数据？ 以隐私为先的AI使用投注威尼斯AI的核心论点是，AI将变得太重要，不能被视为传统的云软件产品。 随着人们越来越依赖AI系统进行个人、专业和创作工作，提示可能会泄露有关用户的商业计划、健康问题、政治、财务、关系或知识产权的敏感信息。 威尼斯AI表示，相比要求用户相信他们的数据会被负责任地处理，公司的设计从一开始就不具备这些数据。 公司称，会话保持在用户的设备上，请求在不存储的情况下转发，根据使用的模型和模式，隐私保护会有所不同。 其网站 描述了一种隐私架构，包括匿名访问、零数据保留推理、可信执行环境处理和Pro用户的端到端加密推理。 这种技术框架使威尼斯AI与许多专注于模型质量、生产力或企业工作流集成的AI界面区别开来。 威尼斯AI将隐私和用户主权作为核心基础设施，而不是次要功能。 超越聊天机器人尽管威尼斯AI经常被描述为私人AI助手，但公司的产品已经远远超出了基本的聊天功能。 其网站列出了支持文本生成、图像生成和编辑、视频创建、音频和音乐生成、编码、搜索和代理工作流等功能。 开发者端也变得越来越重要。 威尼斯AI提供了一个与OpenAI兼容的API，通过单个API密钥为开发者提供了对聊天、图像、音频、视频和嵌入模型的访问。...
-
融资3 days ago黎明卫士（Dawnguard）获得330万美元融资，网络安全从检测转向设计
黎明卫士（Dawnguard） 已经向公众推出了其安全架构自动化平台，并且获得了330万美元的预种子轮融资，这使得该公司的总融资金额超过630万美元。总部位于纽约和阿姆斯特丹的这家初创公司的明确论点是：随着人工智能辅助工程加速软件的设计、编写和部署，安全性不再能等到系统已经投入生产之后。新的融资包括现有投资者 BNVT Capital 的支持，以及来自 Curiosity VC 和 eCAPITAL 的新参与。黎明卫士还在纽约市开设了一个办事处，这标志着公司从欧洲基地向更广泛的推广，随着公司从设计合作伙伴转向一般可用性。安全问题正变得更加紧迫多年来，网络安全 大多围绕检测、警报、事件响应和补丁展开。这些功能仍然是必要的，但它们通常是在最重要的决定已经做出之后才进入流程：云系统如何构建、哪些服务连接、数据如何流动、哪些访问模型使用以及哪些假设构建到架构中。时间至关重要。配置错误的数据库、过度宽松的身份模型或不安全的网络模式并不总是可以简单地通过补丁修复的漏洞。在许多情况下，它反映了架构意图或安全团队认为正在构建的内容与工程团队实际部署的内容之间的差距。黎明卫士的平台旨在弥合这一差距。与其仅扫描完成的环境，该公司专注于将安全的架构转化为可部署的基础设施，为安全和工程团队提供一个共享的工作空间，设计可以在其中创建、审查、转化为基础设施即代码，并持续验证与生产中运行的内容是否匹配。从架构图到基础设施即代码在其网站上，黎明卫士将产品描述为三个核心工作流：设计、发现和部署。设计层允许团队从提示、代码、文档或图像引用生成云架构，然后在协作画布上精炼它们。该平台支持AWS、Azure和Google Cloud，并允许团队定义非功能性需求，可以将其转化为结构化的架构决策。这很重要，因为架构工作通常存在于静态图表、幻灯片、电子表格或文档中，这些文档可能会在实施开始后立即过时。黎明卫士的方法是使架构模型本身更加可行。设计可以转化为可部署的基础设施即代码，有助于减少批准内容和实际交付内容之间的距离。对于工程师来说，这将安全性从晚期审查的障碍转变为构建过程中的一个环节。黎明卫士表示，其工程工作流可以生成与组织环境和要求相符的生产就绪基础设施即代码，同时自动应用护栏并减少安全审查周期。映射现有内容该平台不仅限于新系统。黎明卫士的发现产品通过只读访问连接到现有的AWS、Azure或GCP环境，然后自动导入资源和关系。目标是帮助团队可视化服务、数据存储和基础设施组件如何跨实时云环境连接。这很重要，因为许多组织没有可靠的当前云资产地图。环境会迅速变化，团队独立部署，架构文档通常落后于现实。黎明卫士的系统旨在不仅显示存在的内容，还显示服务、数据存储和基础设施组件之间的关系，以及这些关系所产生的安全或优化问题。该公司还强调了人工智能驱动的洞察力，可以在上下文中识别安全风险、配置错误和优化机会。与将每个问题视为孤立的警报不同，黎明卫士将洞察力与组织的要求、标准和护栏联系起来。一种不同的左移“左移”多年来一直是网络安全中的一个常见短语，通常意味着安全检查应该在开发生命周期的早期发生。黎明卫士的版本更进一步。该公司不仅试图更早地测试代码；它试图在代码或云配置固化为现实之前验证系统设计。其安全工作流允许组织将策略、标准和法规要求转化为可以应用于AWS、Azure和GCP的护栏。然后可以在设计过程的早期评估架构，安全和工程团队通过共享的审查工作流进行协作。这是黎明卫士的时机变得相关的地方。人工智能编码工具使团队能够快速生成软件，但速度也会增加不安全模式在管理跟上之前就被创建的风险。如果工程工作变得更加自治，依赖于手动审查队列的安全流程可能会变得越来越难以扩展。由网络安全专家打造黎明卫士由Mahdi Abdulrazak（CEO）和Kim van Lavieren（CTO）创立，团队成员拥有来自主要企业、云和军事环境的网络安全和技术经验。该公司表示，其使命是通过使安全成为系统设计的一部分而不是在部署后添加的内容来重新定义“真正的左移安全”。这种背景有助于解释该公司的关注点。黎明卫士并没有将云安全仅仅视为扫描问题或合规性报告问题。它将架构视为安全、合规性、恢复力、性能、可持续性和成本决策日益汇聚的控制层。该公司的网站还指出，黎明卫士符合ISO 27001标准，ISO 42001和SOC 2标准即将推出。向设计为中心的安全转变黎明卫士的推出反映了网络安全领域更广泛的变化。企业并没有放弃检测和响应，但这些工具单独使用已经不够了。随着云系统变得更加复杂，人工智能改变了软件的构建方式，在传统安全工具有内容可扫描之前就已经产生了更多的风险。这为设计为中心的安全层创造了空间：帮助团队在早期建模系统，在架构中编码要求，根据批准的设计生成基础设施，并持续检查生产环境是否仍然符合预期。黎明卫士面临的挑战将是执行。安全团队已经面临着拥挤的工具堆栈，工程团队也对可能减慢他们速度的平台持谨慎态度。为了成为可靠的基础设施，黎明卫士需要证明安全的设计工作流可以减少返工、提高可见性，并帮助团队更快地交付内容，而不会将架构审查变成另一个官僚主义的大门。然而，方向值得注意。如果人工智能加速软件创作，下一个安全前沿可能不是更快的警报控制台。它可能是防止有缺陷的系统被构建的能力。
-
思想领袖3 days ago代理商务中不可忽视的数据层
AI 代理已经从搜索助手转变为自治买家。最大的平台现在正在争夺拥有该交易层的权利，亚马逊的最新行动使这一点变得更加明显。Alexa for Shopping 由 Rufus 和 Alexa+ 合并而来，跟踪价格并记住上下文跨设备。然后，使用 Auto-Buy，它在产品达到目标价格时完成购买，无需手动结账或购物车审查。代理商务是一个预计到 2030 年将达到 5 万亿美元的全球商务量的市场。亚马逊并不是唯一一个试图在该领域占据一席之地的公司——谷歌、OpenAI 和 Perplexity 都已经大举进入代理商务领域。这种推动也增加了消费者对 AI 参与其购买决策的舒适度，AI 驱动的流量在 2026 年第一季度同比增长了 393%。消费者体验很容易理解。更不容易看到的是使其成为可能的基础设施。当一个 AI 代理自主交易时，它完全信任产品数据。没有人标记错误的变体或错误分类的产品。这使得数据层成为代理商务中最重要的部分。代理商务的基础关于代理商务的讨论主要是关于代理——模型、接口或体验。但真正决定成功的不是代理本身，而是支持电子商务的数据层。当消费者要求代理重新订购洗衣粉或购买最便宜的可以在明天到达的 HDMI...
-
网络安全3 days agoDeepKeep 发现“墨注入”（InkJect），一种新型的 AI 攻击，隐藏恶意提示在图像中
随着企业迅速采用能够理解文本和图像的多模态 AI，安全研究人员发现这些强大的新能力引入了同样复杂的新攻击面。以色列 AI 安全公司 DeepKeep 揭露了一种以前未被记录的视觉提示注入技术，称为 InkJect，证明了隐藏在看似无害的图像中的指令可以操纵领先的 视觉语言模型（VLMs），同时绕过了许多旨在阻止传统提示注入攻击的安全防护措施。根据 DeepKeep 的 研究，这一漏洞影响了今天最先进的多模态模型，包括 OpenAI 的 GPT-5.2 和 GPT-5.4 Mini，以及 Anthropic 的 Claude Sonnet 4.6 和 Claude Opus 4.5。这些发现揭示了...
