Databricks公司与OpenAI今日宣布建立多年期1亿美元合作伙伴关系,将使OpenAI的最新模型(包括GPT-5)在Databricks Data Intelligence平台上原生可用,服务全球超过2万名Databricks客户。
这项合作旨在简化企业人工智能智能体的部署,使企业能够直接在其治理数据之上构建生产就绪的AI应用程序。Databricks此前在3月份与Anthropic公司也达成了类似协议。
根据协议,OpenAI的模型将与Databricks的AI开发环境Agent Bricks紧密集成。这为组织提供了一个统一平台来开发、评估和扩展AI智能体——这些系统能够在很少或无需人工监督的情况下自主执行任务——而无需处理数据迁移或管理独立工具的复杂性。
Databricks客户将能够在其现有企业数据上运行大语言模型,通过SQL或应用程序编程接口访问,并通过内置的治理和可观测性控制安全地大规模部署这些模型。
两家公司都强调,这项合作旨在通过简化企业从AI实验到全面生产部署的过程来加速企业AI采用。"我们与Databricks的合作将我们最先进的模型带到安全企业数据所在的地方,使企业更容易实验、部署和扩展具有实际影响的AI智能体,"OpenAI首席运营官Brad Lightcap在声明中表示。
两家公司将此次合作描述为解决两个长期存在的企业挑战的方式:对先进AI能力的需求以及对数据安全和准确性的严格要求。通过将数据保留在现有治理框架内,企业可以在遵守合规和性能标准的同时部署AI模型。该合作伙伴关系还承诺提供专门用于在客户工作负载中运行OpenAI模型的高容量处理能力。
Agent Bricks将在联合产品中发挥核心作用。它允许组织通过任务特定的评估方法测量模型准确性,为特定领域任务微调大语言模型,并在各种用例中实现工作流程自动化。随着GPT-5的集成,两家公司表示企业可以期待更快的开发周期和更可靠的AI输出。
合作的另一个关键组件是Databricks的Unity Catalog,用于数据和AI模型治理。Databricks表示,它可以帮助数据血缘追踪、控制访问并在跨部门和地理位置扩展AI部署时执行合规性。可观测性功能还帮助团队监控性能、准确性和安全性。
这项合作建立在两家公司现有合作的基础上。OpenAI已经在使用Databricks的基础设施处理AI数据以改善产品性能,并且是首批在Databricks上发布其开放权重模型gpt-oss的公司之一。
Q&A
Q1:Databricks与OpenAI的合作内容是什么?
A:这是一项多年期1亿美元的合作伙伴关系,将OpenAI的最新模型(包括GPT-5)原生集成到Databricks Data Intelligence平台上,为全球超过2万名Databricks客户提供服务,简化企业AI智能体部署。
Q2:Agent Bricks有什么功能?
A:Agent Bricks是Databricks的AI开发环境,提供统一平台来开发、评估和扩展AI智能体。它允许组织测量模型准确性、为特定领域任务微调大语言模型,并在各种用例中实现工作流程自动化。
Q3:这项合作如何保障企业数据安全?
A:合作通过将数据保留在现有治理框架内来保障安全,利用Databricks的Unity Catalog进行数据和AI模型治理,包括数据血缘追踪、访问控制、合规执行以及可观测性功能来监控性能、准确性和安全性。
好文章,需要你的鼓励
谷歌地图将集成Gemini人工智能技术,旨在将其升级为一个"全知型副驾驶"助手。这一整合将大幅提升地图服务的智能化水平,为用户提供更加个性化和全面的导航体验。通过AI技术的加持,谷歌地图有望在路线规划、地点推荐和实时信息服务等方面实现重大突破。
这项由圣母大学和IBM研究院联合开展的研究,开发出了名为DeepEvolve的AI科学助手系统,能够像人类科学家一样进行深度文献研究并将创新想法转化为可执行的算法程序。该系统突破了传统AI要么只能改进算法但缺乏创新、要么只能提出想法但无法实现的局限,在化学、生物学、数学等九个科学领域的测试中都实现了显著的算法性能提升,为AI辅助科学发现开辟了新的道路。
微软研究人员发布新的仿真环境来测试AI智能体,研究显示当前智能体模型容易受到操纵。该名为"Magentic Marketplace"的合成平台让客户智能体与商家智能体进行交互实验。测试包括GPT-4o、GPT-5和Gemini-2.5-Flash等模型,发现智能体在面临过多选择时效率下降,且在协作方面表现不佳。研究揭示了AI智能体在无监督环境下的性能问题。
卡内基梅隆大学研究团队通过3331次大规模实验,系统揭示了代码训练如何提升AI推理能力。研究发现,代码的结构特性比语义内容更重要,适当的抽象形式(如伪代码)可以达到与原始代码相同的效果。不同编程语言产生差异化影响:低抽象语言有利于数学推理,Python更适合自然语言任务。这些发现为AI训练数据的科学化设计提供了重要指导。