大家都在讨论企业 AI 代理,但很少有人真正准备好实现它们所需的全部条件。
成千上万的初创公司正在构建专用于狭窄任务的代理,尤其是面向客户的任务。但是,真正的企业转型不仅仅依靠推出聊天机器人——它需要整合智能系统以指导行动、记录系统以执行操作以及交互系统以提供可用体验。Salesforce Inc. 是唯一一家构建这一完整堆栈的主流企业。
在最近的一次采访中,我与 theCUBE 的 Dave Vellante 一起与 Salesforce 联合创始人、董事长兼首席执行官 Marc Benioff ( pictured ) 进行了对话,探讨该公司如何为代理时代重新构建企业软件。Benioff 阐述了为何这种“下一次演进”——从软件即服务 (SaaS) 向服务即软件 (SaSo) 转变——比 15 年前开启的云计算和移动浪潮更具颠覆性。云计算使应用程序成本更低、获取更便捷;而企业 AI 代理结合人工监管,则彻底重新定义了这些应用程序的运行方式。
以下是我们对话的亮点。
如何让企业 AI 代理助力提升人类生产力
Benioff 将当下的热情比作 Salesforce 早期初创时期的景象。他表示,目前的 CEO 代表着“最后一代只依靠纯人工劳动力的高管”。他正在 Salesforce 内部积极推动这一愿景,目标是在工程、服务和支持等职能中通过“代理层”实现 50% 的生产力提升。
他预计这种增长将年复一年地持续叠加,这正是企业 AI 代理的一个关键承诺。
数字劳动力市场
虽然 Salesforce 今年通过其 SaaS 业务将产生约 409 亿美元的收入,而整个企业软件行业规模约为 5000 亿美元,但数字劳动力市场的规模可能达到 3 至 12 万亿美元。企业 AI 代理以及基于代理的数字劳动力将 SaaS 转变为 SaSo。
这一变化代表了一种根本性转变,正如例如 OpenTable Inc. 的客户案例所展示的那样,其生产力提升是“一两年前根本无法实现”的。客户和合作伙伴将能够通过一个类似于 Apple App Store 的代理商店来交换这些服务。
Salesforce 整合 vs DIY
Salesforce AI 战略的架构基础由三个深度集成的层次构成。Salesforce 正在“下大力气”重写并深度整合 Data Cloud 内的核心应用。
Data Cloud 整合了来自外部和 Salesforce 源的数据,从而提供一个丰富的 4D 业务状态图。以 Tableau 为例,它在 Data Cloud 上重建,实现了 Sales Cloud、Service Cloud 以及其他应用之间的流动性。这种整合使得 Tableau 能够出现在其他应用中,甚至嵌入到 Slack 内。再加入 Agentforce(第三层)就构成了完整的架构。
另一种选择是那些颇具实力的组织尝试 DIY 的整合工作,但即便如此,它们也很难达到同样的可靠性——尤其是在大规模构建和部署企业 AI 代理的情况下。
成为纯软件超大规模交易商
Salesforce 正在朝着成为“纯软件超大规模交易商”的方向发展,提供云级别的应用与平台能力,而无需建立实体数据中心。Salesforce 提供“数据流动性”,即将数据与其他数据平台及孤立的应用进行联合。但是,当数据进入 Data Cloud 后,数据网络效应会使数据得以丰富,远比之前封闭在各自孤岛中的数据更具价值。
例如,迪士尼的一位客户如今实现了“代理流动性”,数千名主题公园游客所依赖的企业 AI 代理能够同时访问客户偏好、游乐设施可用性数据以及多个系统中的其他信息,从而提供人工工作人员难以协同完成的推荐。
回应 Nadella 关于代理将使 SaaS 消失的论调
几个月前,微软 CEO Satya Nadella 曾在网络上引发热议,他建议企业 AI 代理直接访问数据库架构将使 SaaS 消失。这听起来更像是在挑衅。“若仅仅通过某种法律发现 API 将所有数据倾倒进一个大型存储库,再让所有员工在其中乱窜,必然会引发重大问题。”
治理数据和通过元数据对数据进行定义的要求不会因为 AI 代理的出现而消失。必须有一个确定性的软件层来调控访问,同时叠加非确定性的代理能力。我们对他将 Microsoft 365 Copilot 描述为 Clippy 的说法提出了质疑,但他表示 Salesforce 也将能够将这些数据联邦整合到 Data Cloud 中。至于是否会迎来 Klarna 时刻,Benioff 并不愿意给出具体时间框架。
好文章,需要你的鼓励
多伦多大学研究团队提出Squeeze3D压缩框架,巧妙利用3D生成模型的隐含压缩能力,通过训练映射网络桥接编码器与生成器的潜在空间,实现了极致的3D数据压缩。该技术对纹理网格、点云和辐射场分别达到2187倍、55倍和619倍的压缩比,同时保持高视觉质量,且无需针对特定对象训练网络,为3D内容传输和存储提供了革命性解决方案。
浙江大学与腾讯联合研究团队提出MoA异构适配器混合方法,通过整合不同类型的参数高效微调技术,解决了传统同质化专家混合方法中的表征坍塌和负载不均衡问题。该方法在数学和常识推理任务上显著优于现有方法,同时大幅降低训练参数和计算成本,为大模型高效微调提供了新的技术路径。
耶鲁、哥大等四校联合研发的RKEFino1模型,通过在Fino1基础上注入XBRL、CDM、MOF三大监管框架知识,显著提升了AI在数字监管报告任务中的表现。该模型在知识问答准确率提升超过一倍,数学推理能力从56.87%提升至70.69%,并在新颖的数值实体识别任务中展现良好潜力,为金融AI合规应用开辟新路径。
加州大学圣巴巴拉分校研究团队开发出能够自我进化的AI智能体,通过《卡坦岛拓荒者》桌游测试,这些AI能在游戏过程中自主修改策略和代码。实验显示,具备自我进化能力的AI显著超越静态版本,其中Claude 3.7模型性能提升达95%。研究验证了AI从被动工具向主动伙伴转变的可能性,为复杂决策场景中的AI应用开辟新路径。