主要科技厂商正围绕单一的人工智能代理通信协议展开合作,这有望终结限制企业AI部署的碎片化问题。谷歌将其Agent2Agent协议捐赠给Linux基金会,使亚马逊云服务、思科、微软、Salesforce、SAP和ServiceNow作为创始成员共同参与新的标准化工作。
此举解决了企业技术领导者面临的根本挑战:如何部署能够跨不同平台协同工作的AI代理,而无需为每个供应商关系进行定制集成。当前的企业AI实施往往创建孤立的系统,无法共享信息或协调任务,这限制了推动AI投资决策的自动化潜力。
**技术基础实现跨平台代理通信**
a2a协议作为通信层运行,允许AI代理发现彼此的能力、安全交换信息并协调复杂任务,无论其底层技术堆栈如何。该系统使用基于HTTP的JSON-RPC 2.0进行标准化通信,通过服务器发送事件实现代理间的实时流式交互。
代理发现通过"代理卡片"进行,这些卡片充当包含能力描述和连接信息的数字名片。当代理需要完成需要专业知识的任务时,它可以查询可用代理、审查其能力并在无需人工干预的情况下建立安全通信渠道。
该协议支持同步请求-响应模式和异步工作流,适应可能需要人工批准或跨越多个工作日的企业场景。身份验证机制确保只有授权代理才能访问特定能力,同时为合规要求维护审计轨迹。
亚马逊云服务已通过创建将Bedrock代理通过a2a端点公开的工具展示了实际实施。这使使用AWS基础设施的企业能够使其AI代理可被运行在其他平台上的代理访问,从而创建企业架构所需的互操作性。
**市场趋同加速标准采用**
Linux基金会的公告代表了先前竞争的代理互操作性方法的整合。现在有超过100家科技公司支持a2a协议,从谷歌4月首次发布规范时的50个合作伙伴扩展而来。
微软已将a2a支持集成到Azure AI Foundry中,并通过Copilot Studio启用a2a代理调用。这种集成允许已承诺使用微软AI工具链的企业参与多供应商代理工作流,而无需替换现有投资。
Salesforce贡献了成为a2a能力发现机制核心的代理卡片概念。该公司将代理互操作性定位为达到其所称的"第4级多代理编排"的关键,即专业代理跨企业系统协作。
这种趋同对思科的AGNTCY倡议产生了特殊影响,该倡议一直在为其所称的"代理互联网"开发基础设施。思科没有与a2a竞争,而是将a2a支持直接集成到AGNTCY的核心组件中,包括目录、身份、SLIM消息传递和可观察性框架。这种方法将AGNTCY从潜在的竞争标准转变为增强a2a能力的互补基础设施。
**对技术决策者的战略意义**
Linux基金会的治理模式提供供应商中立性,解决了企业对被锁定在专有生态系统中的担忧。技术领导者可以信心满满地投资a2a实施,因为协议将通过社区输入而非单一供应商控制来发展。
标准化为企业实施模块化AI策略创造了机会,来自不同供应商的专业代理可以在复杂工作流上协作。例如,客户服务工作流可能结合用于CRM交互的Salesforce代理、用于事件管理的ServiceNow代理和用于数据分析的AWS代理,所有这些都通过a2a协议进行协调。
然而,成功实施需要仔细的架构规划。企业需要在部署生产系统之前建立代理治理框架、实施监控能力并制定代理间数据共享策略。该协议提供了技术基础,但组织准备程度决定成功与否。
技术领导者应在承诺多代理架构之前评估其当前的集成能力和安全态势。虽然a2a降低了代理互操作性的技术壁垒,但它并未消除企业AI部署所需的强大数据治理、身份管理和合规框架的必要性。
好文章,需要你的鼓励
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。