在HPE Discover 2025大会上,AI智能体再次成为企业界关注焦点。今年大会的主题围绕将自动化工作流机器人部署到各个可能的应用场景,无论智能体AI技术在所有用例中是否已经成熟。
虽然硬件仍是重点,但HPE首席执行官Antonio Neri在拉斯维加斯主题演讲中最引人注目的是GreenLake Intelligence——一个"全新的智能体AI框架"。据公司介绍,这意味着在几乎所有可行的细分领域都将加入智能体AI功能。
HPE解释称,GreenLake Intelligence框架旨在作为跨HPE各系统的智能体AI统一接入点,全部通过中央HPE Greenlake混合云平台进行管理。
在主题演讲和相关发布会中,HPE给出了多个应用示例。在网络领域,HP的Aruba产品将整合"新型智能体网格技术",配备"多模态对话式网络助手",能够对网络问题进行根因分析,并使用各种推理智能体来确定人类需要如何修复发现的问题。
据HPE介绍,智能体还将应用于OpsRamp、存储管理等其他领域,用于自动化成本运营、可持续性和业务服务等工作。
对于那些希望HPE混合堆栈中智能体AI的加入意味着智能体最终能够在无人监督下采取行动的人来说,答案是否定的。尽管多年来一直承诺AI很快就能接管所有这些基础工作,但我们仍未完全达到那个水平。
HPE在本周活动的所有文献中都将GreenLake Intelligence智能体描述为"自主的",但他们也解释说,人类仍将参与其中做最终决策。换句话说,是自主但顺从的。
当被问及AI智能体的真正自主性时,HPE高级副总裁兼云和OpsRamp总经理Varma Kunaparaju告诉记者,这些事情需要时间,但这不是推迟智能体未来的理由。
"一些定义明确的用例是自主的,"Kunaparaju解释道。修复网络错误或解决存储问题——基本上任何存在于严格控制的单一域中的事情都已经实现了。除此之外,情况就变得模糊了。
"但如果你广泛应用可能的根本原因进行自我修复,我会说这是一个爬行-步行-奔跑的旅程,"这位OpsRamp负责人说。"我们仍在爬行并做一点步行。"
Kunaparaju告诉我们,到达那里不会是瞬间的,但他认为明年将在AI智能体自主性方面取得相当大的进步——毕竟,一年前世界几乎还没有谈论AI智能体。
"让整个企业自主运行是一个旅程,"Kunaparaju说。"系统需要演进,流程需要演进,实施复杂性需要达到这些系统能够集成以充分实现AI驱动效率的程度。"
Kunaparaju表示,软件会达到那里,但硬件已经准备好支持未来的AI效率——换句话说,构建它,你梦想的AI迟早会到来。
新硬件全面服务AI需求
HPE本质上是一家硬件公司,本周的活动也发布了新的物理系统。不过,新系统让位于AI,所有硬件发布都是为了推进人工智能产品。
HPE发布了支持八个Nvidia Blackwell GPU的新型HPE Compute Cray XD690系统,以及配备Blackwell的新型ProLiant系统,这些都是HPE扩展Nvidia AI工厂(Nvidia提供的用于在公司数据上训练AI的一体化软件和硬件堆栈)联盟的一部分。
HPE和Nvidia自去年以来一直合作在HPE硬件上提供Nvidia AI工厂,今年只是延续了这一合作。2024年,来自HPE的Nvidia AI工厂仅面向使用HPE私有AI云的企业客户,现在增加了面向服务提供商和大规模运营公司的"可组合"服务层,以及面向政府和其他有增强数据安全和主权要求客户的"主权"层。
还有其他小的发布,但它们甚至不如新的Nvidia驱动、AI优先的硬件值得正式记录。如果说去年Discover大会的主题是HPE登上Nvidia的炒作列车,那么今年只是在全力推动世界拥抱智能体AI之前的一个短暂停留,无论准备好与否。
好文章,需要你的鼓励
本文评测了六款控制台平铺终端复用器工具。GNU Screen作为老牌工具功能强大但操作复杂,Tmux更现代化但学习曲线陡峭,Byobu为前两者提供友好界面,Zellij用Rust编写界面简洁易用,DVTM追求极简主义,Twin提供类似TurboVision的文本界面环境。每款工具都有各自特点和适用场景。
韩国汉阳大学联合高通AI研究院开发出InfiniPot-V框架,解决了移动设备处理长视频时的内存限制问题。该技术通过时间冗余消除和语义重要性保留两种策略,将存储需求压缩至原来的12%,同时保持高准确性,让手机和AR眼镜也能实时理解超长视频内容。
网络安全公司Snyk宣布收购瑞士人工智能安全研究公司Invariant Labs,收购金额未公开。Invariant Labs从苏黎世联邦理工学院分拆成立,专注于帮助开发者构建安全可靠的AI代理工具和框架。该公司提供Explorer运行时观察仪表板、Gateway轻量级代理、Guardrails策略引擎等产品,并在工具中毒和模型上下文协议漏洞等新兴AI威胁防护方面处于领先地位。此次收购将推进Snyk保护下一代AI原生应用的使命。
纽约大学研究团队通过INT-ACT测试套件全面评估了当前先进的视觉-语言-动作机器人模型,发现了一个普遍存在的"意图-行动差距"问题:机器人能够正确理解任务和识别物体,但在实际动作执行时频频失败。研究还揭示了端到端训练会损害原有语言理解能力,以及多模态挑战下的推理脆弱性,为未来机器人技术发展提供了重要指导。