SAP 高管谈如何构建跨企业级 AI:从孤立试点走向自主企业框架
SAP 推出自主企业框架(autonomous enterprise framework),帮助企业把 AI 从孤立 POC 转为统一数据层与流程上下文结合的企业平台。
SAP 推出自主企业框架(autonomous enterprise framework),帮助企业把 AI 从孤立 POC 转为统一数据层与流程上下文结合的企业平台。
JioStar 首席架构师 Vijay Seshadri 分享了在 5 亿用户规模下做 AI 发现的实践经验,涵盖评估、护栏以及将 AI 投入生产等要点。
Resend 联合创始人兼 CEO Zeno Rocha 在播客中讲述如何为 AI 智能体设计产品。在一项 AEO 研究中,Claude Code 在可提取的 102 次邮件推荐里有 64 次首选 Resend;录制时 Resend 拥有 430 万用户和 12 万付费客户,其 MCP server 的工具数已从发布时的约 20 个增至 80 多个。
走访弗吉尼亚州 Data Center Alley 后可见,美国数据中心抵制潮的核心是电力而非文化战争。当地数据中心平均功率达 54 兆瓦,超过丹佛国际机场用电量;AI 训练最小需 300 兆瓦,理想规模达 6000 兆瓦,相当于芝加哥全市用电。Anthropic 据报已同意支付 34 亿美元购买燃气轮机自建供电。
The Decoder 的 Frontier Radar 第 5 期盘点了 27 家由大厂离职研究者创办的独立 AI 实验室,按持续学习、语言之外的世界模型、稀缺数据、算力、自动化科研和模型周边工具六类技术押注分组。
哈佛商学院教授 Willy Shih 在 Decoder 播客中讨论 AI 基础设施大规模建设对全球供应链的隐性成本,并解释关税与制造业回流的现实困境。他指出,面对对华关税,制造商的第一反应往往是经越南、墨西哥等地绕道规避,而非真正回流美国。其新书《Where Does My Stuff Come From?》聚焦全球供应链背后的经济学逻辑。
Legora CTO Jacob Lauritzen 在 Latent Space 播客中讲述如何在看不到客户数据的情况下构建和测试法律智能体:团队用三名工程师加三名律师搭建模拟客户工作的测试环境,类似强化学习中的“worlds”。
面向 AI 编程智能体的按 token 计费模式正让高价值工作流变成最贵的一环,Uber 据称在 4 月就耗尽全年 AI 预算,GitHub Copilot 也从固定费率转向按量计费。文章主张改用「每个已合并 PR 的成本」衡量投入产出,并搭配返工与缺陷指标。HPE 称其混合 AI 平台将 150 多个内部应用的常规负载路由到本地开源权重模型,token 成本下降 30% 至 50%。
OpenAI CEO Sam Altman 在 Cheeky Pint 播客中表示,从全球资源分配角度看,让每个人把有限的 DRAM 放在自己电脑里、只使用 5% 时间是"相当糟糕的",供应受限环境下应追求云端最大利用率。
MIT Technology Review 探讨工业 AI 在自主决策与人类控制之间如何取得平衡。文章指出,随着 AI 在工业场景中承担更多自主判断,企业需要设计相应机制,让人类保留关键环节的控制权。
Latent Space 播客邀请 Anthropic 的 Katelyn Lesse 和 Angela Jiang 讲解 Claude Platform 的工程实现,包括 Opus 5.5 的发布、将模型“大脑”与智能体“双手”分离、API 扩容以及构建可靠的托管智能体。
工业智能将制造商的积累经验、运营实践与生产数据结合,让知识在决策现场可用并接入物理生产环节。Toyota Industries 打通原本割裂的涂装车间数据后,分析周期从五天缩短到四小时以内,试点中相关涂装缺陷减少约 25%。Rockwell Automation 新加坡工厂用维护 copilot 整合制造数据、设备手册与老员工经验,新员工掌握数百台设备故障排查的时间从九个月降至三个月。
Moshi CEO Anekha Sokhal 在 AI Engineer New York 播客中介绍,Moshi 是面向交易员的推荐引擎,把市场信息与交易员持仓关联起来,她形容其像 Bloomberg、Claude 与 Netflix 的结合体。
Moshi 正在为大宗商品交易员构建推荐引擎,把市场信息与交易员持仓组合真正相关的部分连接起来。CEO Anekha Sokhal 称 Moshi 像是 Bloomberg、Claude 和 Netflix 的结合体:市场数据、操作界面加上针对交易员的推荐。她还在 AI Engineer New York 与 swyx 讨论了可信信源、文档抽取以及自建还是采购模型。
Celonis 企业 AI 首席科学家 Devavrat Shah 提出"决策智能",认为 AI 智能体必须理解任务在业务流程中的角色与约束,否则会遗漏关键限制、犯错或浪费算力。他建议企业从具体业务决策入手,先找出最难环节再测试 AI 能否改善,并以速度与价值增益决定是否扩展。落地还需投入员工教育,让员工能理解 AI 输出而非直接交出决策权。
Monday.com 委托 Nielsen 对 7 国 1700 名董事与高级管理者调查发现,超半数高管认为采用 AI 后更难评估员工工作,近半数管理者花更多时间审核团队产出。
Tenex 联合创始人 Alex Lieberman 与 CJ Hess 在 AIE New York 分享了公司如何把"按交付成果付费"的 AI 工程师激励模式扩展为完整工程组织,目前团队已达 75 人,客户覆盖财富 2000 强与中型企业。
企业 AI 的衡量重心正从 token 或 GPU 小时单价转向"每个有用产出的有效成本",即完成可被业务使用的请求或工作流所需的平台、模型、运营与容量总成本。
AWS AI 服务副总裁 Shawn Bice 提出 Trust in Depth 框架,主张用独立分层的信任机制替代逐个人工审批,让智能体在可验证的范围内自主行动。
推荐理由:AWS 高管把形式化验证引入智能体治理,读者可了解四层信任框架如何界定自主与控制的边界。
Dyna Robotics 联合创始人兼首席科学家 Jason Ma 在 Latent Space 访谈中介绍,Dyna-2 是基于超过一百万小时人类视频预训练的世界动作模型,后续的 Dyna-2.1 已作为实体机器人智能体落地。
Geoffrey Huntley 提出用 pre-commit hook 检查 git diff,发现绕过诊断模块直接调用可观测性模块的代码就拒绝提交,并向 AI 编码智能体注入提示词要求其改用诊断库。他认为与其手动更新 AGENTS.md 仍会漂移,不如用这种强制手段,效果"十全十美"。
Ornn、Silicon Data 与 Bloomberg 截至 2026 年 8 月的数据显示,AI token 价格持续下跌,但 H100 GPU 租赁价格保持稳定甚至上涨,a16z 称这是 AI 市场的教科书式杰文斯悖论。
NVIDIA 最新《State of AI in Telecommunications》报告显示,89% 受访者认为开源模型与软件对公司 AI 战略重要。NVIDIA 发布 300 亿参数的 Nemotron 3 Large Telco Model(LTM),由 AdaptKey 基于开源电信数据集微调,并开放完整微调流程。
TechCrunch Disrupt 2026 将于 10 月 13-15 日在旧金山 Moscone West 举行,多场议程聚焦创始人在开源与闭源模型间的选择。Together AI、Pathway、Oumi、Nvidia 等公司高管将分别讨论多模型策略、自建与定制 AI 栈的取舍,以及 AI 设计芯片对基础设施的影响。
Simon Willison 呼吁按用量付费的 API 和服务默认提供硬性预算上限,即达到 $X/月后直接切断并返回错误,而非仅发警告邮件。AWS 已在 9 月 16 日推出月度支出上限功能,项目达到限额后当月暂停,但目前仅向有限客户开放;Google Cloud 则在 7 月推出 Spend Caps。
MIT Technology Review 报告指出,企业 AI 正从工具转向“智能体式转变”的运营模式,2026 年全球 AI 投资预计达 2.5 万亿美元,同比增长 44%。报告认为企业 AI 的扩展瓶颈是结构性的,流程优先的公司正在领先,而多数企业仍未靠 AI 实现收入增长。关键路径是重建数据基础设施、采用可组合架构,并解决 AI 主权问题。
HPE 赞助内容指出,当 AI 从试验走向客服、IT、研究等常驻生产负载,按 token 消费的模式会让支出变成难以预测的月度变量,企业需评估自建容量的经济性交叉点。Deloitte 2026 企业 AI 报告显示,2025 年员工 AI 使用率上升 5%,至少 40% AI 项目投产的公司比例预计半年内翻倍。决策取决于模型、输入输出 token 比例、性能要求、能耗与运营模式,而非通用成本基准。
TypeSafe AI 发布首个大型可编程模型 Jev,定位为面向代码消费的 System 1 模型,按每美元智能优化,取名自杰文斯悖论。其核心创新是未发表的 RLCD(Reinforcement Learning for Calibrated Decisions),优化 System 1 任务上具有认知诚实概率的答案,而非 RLHF 的人类评分反馈或 RLVR 的可验证输出。
推荐理由:Jev 提出面向代码消费的 System 1 模型与 RLCD 训练目标,读者可据此理解程序化 AI 与聊天模型的路线差异。
NVIDIA 提出 AI 安全是工程问题,需要明确的安全需求、可执行的管控、指定负责人和防护有效的证据。其开源安全运行时 NVIDIA OpenShell 在智能体触及范围之外执行策略并提供沙箱化执行,Cisco DefenseClaw 在其上增加治理层,JFrog 则集成 OpenShell 扫描和验证智能体技能。
伯克利 EPIC Data Lab 提出近零推理成本时代数据系统面临三大挑战:为智能体设计的数据系统、运行智能体集群的数据系统、由智能体合成数据系统。GPT-4 级能力从 2023 年初约 $30/百万 token 降至如今不到 $1,部分厂商已低于 $0.10,推理价格年降幅在 9x 到 900x 之间,中位数约 50x。