跳到正文

#部署/工程

今日 0 条

11月9日

星期一
  1. 特种化学品公司 Lubrizol 如何用 AI 加速研发创新

    特种化学品制造商 Lubrizol 正构建连接业务流程、现代数据平台与云基础设施的数字底座,支持研发团队更快验证想法。其 IT 副总裁 Girish Rao 表示,公司通过“融合团队”把科学家、数据科学家和 IT 人员围绕共同目标组织起来,先从小型试点建立信任,并强调 AI 不是取代科学判断,而是给科学家更好的工具。

  2. NVIDIA 助力韩国各行业推进物理 AI

    NVIDIA 正帮助韩国制造业与工程领域的领军企业将物理 AI 从开发推向实际生产。三星电子借助 NVIDIA cuISS、cuDSS、cuEST 等加速半导体工程计算,其 sMOL 平台部分量子化学计算端到端提速最高 5x,AI 均质化案例实现约 1,600x 加速,仿真时间从约 18 小时降至 41 秒。

  3. 斯坦福如何教授 AI 原生工程:Mihail Eric 谈 CS146S 课程与 Monaco 的智能体实践

    斯坦福 CS146S 课程在第二期引入开源维护者参与教学,学生需学习陌生代码库、提出修改并向可能合并代码的维护者解释补丁。授课者 Mihail Eric 同时负责 Monaco 的 AI 工作,他披露团队自建智能体工作区、外购代码审查工具,并让值班智能体接入 Datadog 与 GitHub。他总结的原则是“买来学习,自建来保留”。

11月7日

星期六
  1. 基于 Amazon ECS Fargate 的无服务器 MCP server,为 AI 智能体提供数据湖访问

    亚马逊 NASC 团队在 Amazon ECS Fargate 上构建了无服务器 MCP server,作为 AI 智能体访问企业数据湖的集中式网关。新增数据集只需一个 JSON 元数据文件,由服务在下次管道同步时自动发现,无需为每个数据集编写集成代码。该架构支持任意 MCP 兼容客户端调用同一套工具,并在 MCP server 层集中执行权限控制,测试中端到端交互延迟保持在 15–20 秒。

  2. AWS Quick 中的智能体原语分类体系

    AWS Quick 团队提出一套智能体原语分类体系,用 When、What、Who、How 四个问题拆解智能体工作,对应触发器、智能体与能力三层结构。触发器分人类发起、智能体委派、定时和事件驱动四类;智能体被定义为持久学习型执行者,由指令、能力和学习上下文构成。能力涵盖工具、技能和工作流,按智能体自主程度与确定性程度排列。

11月6日

星期五
  1. Amazon Marketplace 如何用 Amazon SageMaker AI 评估内容质量

    Amazon Marketplace 用视觉语言模型(VLM)将完整商品详情页渲染为单张快照做整体质量评估,再把 VLM 语义评分与 OCR 可读性信号输入基于专家标注训练的 CatBoost 分类器,并用 SHAP 解释评分、生成改进建议。该多模型融合方案在 Amazon SageMaker AI 上实现从数据接入、标注到模型托管与生产监控的端到端流水线。

11月5日

星期四
  1. 高通押注数据中心业务,智能手机销量下滑约20%

    高通在2026财年Q4财报电话会上确认,预计数据中心芯片最终将占其业务约30%,并预测该业务收入将从2027年Q1的约6.5亿美元增至2027年底的50亿美元、2029年的150亿美元。由于智能手机销量较2025年下滑约20%,高通正通过与亚马逊、Meta等公司的合作切入AI数据中心市场。公司2026年总营收为104亿美元。

11月4日

星期三
  1. 用 Amazon Quick 打通结构化与非结构化数据

    Amazon Quick 支持将 S3 知识库中的非结构化文档与带语义描述的 enriched datasets 结构化数据接入同一个 Space,再由自定义聊天智能体在单次对话中判断查询知识库、数据集或两者并返回带引用的合并回答。该方案需 Enterprise 订阅,S3 桶默认只读权限,回答遵循提问用户的权限。