印尼科技巨头GoTo正在启动一项"务实且问题导向"的AI战略,该战略建立在其集团首席技术官熊威廉所描述的"有史以来最复杂、最具挑战性的云迁移项目之一"的基础之上。
在新加坡举行的阿里云全球峰会2025客户小组讨论中,熊威廉详细介绍了公司如何将一半基础设施迁移到阿里云,这一举措为其下一阶段AI驱动的创新发展奠定了基础。
这个为期九个月的项目涉及将GoTo金融的基础设施迁移到阿里云。这代表了GoTo 50%的业务,由于金融服务对可扩展性和安全性的需求,这次迁移至关重要。迁移涵盖了数十PB的数据和9,000项服务,同时确保依赖该平台的数千万用户、商户和司机的零停机时间。
公司现在使用阿里云的MaxCompute大数据平台为其所有服务提供支持,从按需交通到电子商务和金融服务。对于其不断增长的放贷业务(包含超过500个微服务),GoTo采用了云原生PolarDB数据库来提供高性能、低延迟的服务。此前,公司主要依赖自管理的开源数据库如MySQL。
"一开始,没有人相信这会成功,"熊威廉说。"迁移增强了我们数据平台的可扩展性和韧性。通过提供成本效率、性能对等和运营连续性,这次合作为GoTo生态系统加强了技术基础。"
熊威廉将这次高风险迁移的成功归因于"极其良好的组织"、快速决策、由数千名工程师组成的强大内部团队以及与阿里云的密切合作。"我们作为一个团队协作,这非常重要,"他补充道。
随着更统一、更可扩展的基础设施到位,GoTo现在将重点转向AI。然而,基于公司"务实且问题导向"的指导原则,它采取了谨慎的方法,熊威廉说。"我们希望有真正的业务问题陈述,并使用AI来卓越表现,为不同类型的客户提供更好的用户体验和服务,"他补充道。
这一战略的核心是Sahabat AI,这是GoTo与本地合作伙伴开发的自有大语言模型。熊威廉表示,目标不是与其他基础模型竞争,而是创建一个开放生态系统,为印尼提供最佳支持,包括其众多本地语言和方言。
同时,GoTo对使用其他模型保持开放态度,包括阿里云的通义千问,用于Sahabat AI尚未支持的特定用例,如视频生成。"我们对任何适合的模型都持开放态度来支持我们的业务,"熊威廉说。
GoTo对阿里云使用的增长恰逢这家中国科技巨头在新加坡成立十周年,阿里云推出了首个AI全球能力中心,旨在通过支持超过5,000家企业和培训100,000名开发者来加速全球AI采用。该中心是更广泛区域推进计划的一部分,包括在马来西亚和菲律宾建设新数据中心,以满足对AI和云服务日益增长的需求。
除了阿里云,GoTo还在使用腾讯云运行支持其按需服务的系统,这是在最近一次迁移之后实现的。在跨境和多云条件下执行的迁移涉及超过1,000个微服务。尽管复杂性很高,迁移在大约五个小时内完成——比计划提前了一个多小时。
2024年9月,GoTo还与Google Cloud合作,利用后者的生成式AI服务为Dira提供支持,Dira是GoTo在GoPay应用中基于AI的语音助手。该语音助手能理解印尼语指令,使其成为印尼快速增长的金融科技行业中首个支持该国国语的此类工具。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。