ITPub博客

我们很高兴地宣布对 AWS Well-Architected 生成式 AI Lens 进行更新。本次更新包含 Well-Architected 生成式 AI Lens 的多个新章节，包括新的最佳实践、高级场景指导，以及关于负责任 AI、数据架构和智能体工作流的改进前言。 AWS Well-Architected Framework 提供了在 AWS 上设计和运营生成式 AI 工作负载的架构最佳实践。生成式 AI Lens 使用 Well-Architected Framework 来概述对生成式 AI 工作负载执行 Well-Architected Framework 审查的步骤。 生成式 AI Lens 为客户提供了一致的方法，用于评估使用大语言模型（LLM（大语言模型））实现业务目标的架构。

在一项对120种AI智能体评估方法的调查中，希伯来大学、IBM和耶鲁大学的研究人员总结了近期趋势，并指出了四种可以改进测试以推动该领域发展的方式。 如果说“有一个应用可以做到”定义了智能手机时代，那么它的现代等价物——“有一个智能体可以做到”——或许可以概括这个时代。 从编程到客户服务，大语言模型（LLM（大语言模型））智能体正在承担越来越复杂的任务，这些任务涉及与真实世界的人和环境的交互。为了实现这一点，智能体正在磨练新的技能组合，从调用外部工具和其他智能体，到通过多步骤问题进行“推理”，以及对中间步骤进行“反思”以最小化错误并适应不断变化的条件。 评估这批新型LLM智能体的基准也在不断演进。

在负样本数据上进行微调，产生了一个非常适合化学领域的模型，因为在化学领域中成功的实验十分罕见。失败的实验让化学语言模型更加准确。 负面结果未必是坏事。事实上，一次失败的实验可能与一次成功的实验同样具有信息价值。无论化学实验产生了意外的产物还是完全没有产物，它都为成功反应所需的条件提供了新的见解。IBM Research 的科学家已经证明，这对 AI 模型同样适用。一个研究团队训练了一个语言模型来预测化学反应，结果发现，当他们用成功和失败的化学实验混合数据对其进行调优时，模型的准确率高于仅用成功实验进行调优的情况。 科学界对负面发现的接纳程度比十年前要高得多，而 Transformer（深度学习中的注意力模型架构） 革命正在凸显其中一些数据的用途。

昨天，我们在 MongoDB.local NYC 欢迎了数千名开发者和高管，这是我们 .local 系列的最新一站。在过去一年中，我们在全球 20 个城市与数万名合作伙伴和客户建立了联系。但身处纽约尤其意义重大，因为 MongoDB 正是在这里创立，我们的总部至今仍设在这里。 在活动期间，我们展示了新功能，进一步巩固了 MongoDB 作为全球领先现代数据库的地位。借助 MongoDB 8.2——我们迄今为止功能最丰富、性能最佳的版本——我们正在提升开发者所能达到的标准。我们还分享了更多关于 Voyage AI 的嵌入和重排序模型的信息，这些模型为构建可靠、安全的 AI 应用带来了最前沿的精度和效率。

IBM 正在探索一个未来：生成式 AI 不再局限于提示窗口中的内容。 AI 行业在相对极短的时间内经历了巨大的变革。十年前，最流行的 AI 模型能把你照片变成梵高风格的画作，或者从图表中提取数据，然后你还得自己去分析。过去几年的发展让那些显得颇为古雅。生成式模型如今可以为你的同事写出莎士比亚风格的十四行诗，编造企业吉祥物的传说，还能把会议记录变成俳句、打油诗，或者当天需要的任何诗歌形式。 但是，尽管我们在生成式 AI 领域看到了所有这些进步，我们与这些模型交互的方式仍然笨拙，不适合扩展以解决企业面临的一些最大问题。 目前，当我们需要完成某件事时，我们会用完整的英文句子写一系列陈述来提示模型。这催生了一个完整的领域，叫做提示工程，基本上就是在提示不起作用时摆弄提示中的词语，直到它效果更好。

一种已有数十年历史的衡量算法复杂度的方法，可能为更好地理解 AI 系统如何进行计算提供一扇窗口。 20 世纪中叶，随着可计算性理论和图灵机等模型的发展，计算机算法研究实现了重大飞跃。图灵机由 Alan Turing 发明，用于形式化定义一个问题可计算的含义，它是一种简单的抽象计算模型，使用算法——用于解决问题的逐步指令——来处理信息。一个算法可以像按照食谱烤蛋糕一样简单，也可以像 Dijkstra 算法一样复杂，后者用于寻找图中节点之间的最短路径。这些理论突破为今天我们所看到的算法系统性研究奠定了基础。 这些进展促成了计算复杂度理论的诞生；这是一个专注于量化实现算法所需资源（如时间和内存）的子领域。计算复杂度理论为根据问题固有难度来研究问题提供了基础，引入了一种将问题分类为复杂度类的结构化方法。

各企业的开发团队都陷入了同样的循环：他们在弄清楚要构建什么智能体之前，就先说"让我们试试LangChain"。他们在没有定义用例的情况下探索CrewAI。他们在确定智能体实际需要什么知识之前就实施RAG。几个月后，他们有了一个令人印象深刻的技术演示，展示了多智能体编排和工具调用——但无法阐明投资回报率，也无法解释它如何解决实际的业务需求。 根据麦肯锡的最新研究，虽然近八成公司报告使用了生成式AI，但已部署的用例中只有不到10%能走出试点阶段。MIT研究这一挑战的研究人员发现了一种"生成式AI鸿沟"——成功部署AI的组织与陷入无休止试点的组织之间的差距。在他们对52个组织的样本中，研究人员发现的模式表明失败率高达95%（第3页）。

IBM 院士 Kush Varshney 解释了 IBM Research 如何应对生成式 AI 不断演变的安全风险。 在 ChatGPT 成为家喻户晓的名字之前数年，Kush Varshney 就已经在思考基于海量数据训练的 AI 模型可能出现的失范行为。他与 IBM Research 的同事一起，帮助构建了科技行业首批用于减少 AI 驱动应用（从招聘到贷款）中算法偏见和危害的工具。 如今，生成式 AI 在放大偏见、隐私、安全以及大规模制造虚假信息等旧有担忧的同时，也引入了新的问题。作为 IBM Research 以人为本的可信 AI 研究负责人，Varshney 带领一支由设计师、科学家和工程师组成的团队，试图预判并缓解所有可能出错的环节。 这是忙碌的一年。

今天，我们很高兴地宣布 MongoDB SQL Interface for MongoDB Enterprise Advanced 正式发布。它建立在 MongoDB Atlas SQL Interface 所奠定的基础之上，后者最初将 SQL 连接能力扩展到了自管理 MongoDB 部署。现在，团队可以直接从 Tableau 和 Microsoft Power BI 等熟悉的 BI 工具中使用标准 ODBC 和 Java Database Connectivity (JDBC) 连接查询 MongoDB 数据，无需学习 MongoDB Query Language (MQL)、构建提取、转换和加载 (ETL) 管道，或移动数据。

Google DeepMind 首席运营官 当你把强大的新技术直接交到 100 位教师手中时，会发生什么？北爱尔兰一项为期六个月的试点项目给出了答案：他们以真正令人振奋的方式驾驭了这项技术。 我有幸见到了来自北爱尔兰教育局 C2k 项目的教育工作者和管理人员，他们有机会将 Gemini 和 Google Workspace 工具融入课堂。教师们的聪明才智和他们所实现的效率提升令我印象深刻。试点项目的成功源于 C2k 与 Google for Education 之间的紧密合作——Google 提供了技术，教师们则利用它产生了有意义的影响。 他们的工作印证了我们的核心理念：AI 不是学习或教师的替代品。

Gemini 3 是我们最智能的模型，帮助你实现任何想法。 Google 和 Alphabet 首席执行官 Google DeepMind 首席执行官 Google DeepMind 首席技术官兼 Google 首席 AI 架构师 你的浏览器不支持音频元素。 大约两年前，我们开启了 Gemini 时代，这是公司有史以来最大的科学和产品努力之一。从那时起，看到人们如此喜爱它，令人难以置信。AI Overviews 现在每月有 20 亿用户。Gemini 应用每月用户超过 6.5 亿，超过 70% 的云客户使用我们的 AI，1300 万开发者使用我们的生成模型进行构建，这只是我们所看到的影响的一小部分。

当我第一次开始使用 MongoDB 时，我除了“安装它，然后祈祷一切顺利”之外，没有任何计划。我读到过关于它有多灵活的介绍，而且感觉所有开发者都对它赞不绝口，所以我想不妨试一试。我把它启动起来，构建了我的第一个应用程序，并让一个功能正常运行了。 但我感觉好像少了点什么。 它用起来感觉很笨重。我的查询比预期要长，性能也不太好；我有一种感觉，我是在和数据库较劲，而不是与它协作。在做了几个这样的项目之后，我开始怀疑也许 MongoDB 并不适合我。 现在回头看，我可以说问题不在于 MongoDB，而是在键盘和椅子之间。是我自己。我沿用了多年使用关系型数据库的习惯，期望同样的规则也适用。 如果我刚开始时 MongoDB 的 Skill Badges 就已经存在，我想我的学习曲线会短得多。

无论你是经验丰富的开发者，还是凭感觉编程的爱好者，Gemini 3 都能帮你把任何想法变为现实。 Google AI Studio 和 Gemini API（应用程序编程接口） 产品负责人 今天我们推出 Gemini 3，这是我们最智能的模型，能够帮助将任何想法变为现实。Gemini 3 Pro 建立在最先进推理能力的基础之上，与之前版本相比，在每一项主要 AI 基准测试中都取得了无与伦比的结果。它在编程方面也超越了 2.5 Pro，精通智能体工作流和复杂的零样本任务。 Gemini 3 Pro 可直接融入现有的生产智能体和编程工作流，同时还支持此前无法实现的新用例。

以下介绍开发者如何使用 Nano Banana Pro（Gemini 3 Pro Image）——一款功能强大、具备高级特性与创意控制能力的全新图像生成与编辑模型。 产品经理，Google DeepMind 产品经理，Google DeepMind 今天，我们发布 Nano Banana Pro（Gemini 3 Pro Image），这是一款基于 Gemini 3 Pro 构建的更高保真度模型，让开发者能够获得工作室级质量的图像生成能力。此前，我们刚在几个月前发布了 Nano Banana（Gemini 2.5 Flash Image）。自那以来，我们很高兴看到社区将其核心功能投入使用——从角色一致性到照片修复，甚至利用其能力在无限画布中进行局部编辑。

印度跨国在线汽车交易平台 Cars24 为全球 3 亿用户提供服务。该公司提供的服务涵盖销售、保险、维护、融资等多个领域，重塑了整个汽车拥有体验。 在 2025 年 7 月于班加罗尔举行的 MongoDB .local 大会上，Cars24 技术负责人 Pradeep Sharma 分享了 MongoDB 如何成为 Cars24 数字化转型之旅的关键驱动力。他特别强调了两个近期用例，展示了 MongoDB Atlas 如何帮助 Cars24 实现规模化、提升搜索能力并降低架构复杂性。 Cars24 在多个国家开展业务，拥有多元化的客户群体。多年来，该公司利用客户数据、行为分析和运营工作流进行构建，从一个汽车买卖平台发展为一个端到端的生态系统，由互联系统枢纽提供支持。

我们正在提升内容透明度，推出在 Gemini 应用中直接验证图像是否由 Google AI 生成或编辑的功能。 Google DeepMind 科学与战略计划副总裁 Google 信任与安全副总裁 在 Google，我们长期以来一直致力于为你提供关于在线所见信息的有用背景。如今，随着生成式媒体日益普及且逼真度不断提高，我们正在部署相关工具，帮助你更轻松地判断你所接触的内容是否由 AI 创建或编辑。 从今天开始，我们让每个人都能更轻松地在 Gemini 应用中直接验证图像是否由 Google AI 生成或编辑，这得益于 SynthID——我们的数字水印技术，它可以将不可感知的信号嵌入到 AI 生成的内容中。 我们在 2023 年推出了 SynthID。

新研究显示，AI 行业正在快速演进，许多人能够接触到的本地设备可以运行更小、更强大的模型，来回答他们的大多数查询。IBM 最新的 Granite 模型足以胜任这一任务。 在摄影领域，有一句格言：最好的相机就是你随身携带的那一台。对于过去二十年发生的计算革命而言，这一点同样成立。我们手中的笔记本电脑和手机通常比强大的云集群更容易获取，而且往往足以完成我们需要完成的工作。这一点在 AI 领域也正迅速得到印证。 过去几年，大语言模型（LLM（大语言模型））的能力快速提升，但这通常是以其规模为代价的。最大的前沿模型需要数百 GB 来存储，运行时甚至需要更多内存。即使是高性能的现代笔记本电脑，也难以在本地运行庞大的 LLM，而调用云端获取答案的等待时间往往超出用户愿意等待的时长。

在今年的 AI Hardware Forum 上，IBM Research 及其合作伙伴展示了他们如何通过开放生态系统中的完整解决方案来变革 AI 时代。 AI 的下一次飞跃不会由一家公司或一个实验室完成，IBM Research 高级技术员工 Griselda Bonilla 宣称。“它将通过协作来实现。” 站在 Thomas J. Watson Research Center 礼堂的舞台中央，Bonilla 在第六届年度 AI Hardware Forum 开幕时发表了这些开场致辞，该论坛由 IBM Research AI Hardware Center 赞助。随后是一天的演讲和小组讨论，由来自产业界和学术界的 AI 研究人员主持，核心围绕构建支持未来 AI 异构硬件生态系统的开放软件。

当你想到处理 AI 任务的输入和输出时，图形处理器（GPU（图形处理器））可能是首先浮现在脑海中的主要基础设施组件。但它们只是拼图中的一块。如果没有合适的网络和存储基础设施，即使配备最先进的 GPU，当今的 AI 应用也会运行缓慢且成本高昂到令人望而却步。多年来，这对 AI 训练而言一直如此，而如今对 AI 推理同样如此。 基于大语言模型（LLM（大语言模型））的推理是现代 AI 应用的主要工作负载，它对所有三种基础设施资源（计算、网络和存储）造成了巨大压力，以至于全新的软件能力正在涌现，以支持推理的资源管理和优化。值得注意的例子包括 llm-d、vLLM 和 Dynamo。如果不对预计算的推理产物进行高效管理和复用，你既会让 GPU 因冗余的重复计算而不堪重负，又要等待很长时间才能让 LLM 响应每次查询。

今天，Cisco Talos 为 Cisco Secure Firewall 中的 Snort3 用户推出新功能。这些增强功能旨在让您在管理、组织和优先排序检测规则方面拥有更大的灵活性。它们还能让您更轻松地使 SNORT® 规则与您组织的特定安全需求保持一致。 在 Snort3 中，规则组允许您根据特定条件组织和检测规则。此前，只有两个顶级组可用： Rule Category：按 Snort2 类别对规则进行分组，例如 FILE-OTHER、MALWARE-CNC 等。 MITRE ATT&CK：按攻击者行为和技术对规则进行分组 这些组允许您设置从 0（禁用所有规则）到 4（启用所有规则）的安全级别。 新的 Severity 规则组引入了第三种组织规则的方式——按漏洞严重性，使用 CVSS 评分。