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
OpenAI发布ChatGPT新功能Pulse,可在用户睡眠期间生成个性化报告,提供5-10条简报帮助用户快速了解当日重要信息。该功能旨在让用户像查看社交媒体一样优先使用ChatGPT。Pulse首先向每月200美元的Pro订阅用户开放,未来计划扩展至所有用户。功能支持连接Gmail、日历等应用,可解析邮件、生成日程安排。报告以卡片形式展示,包含AI生成的图像和文本,涵盖新闻摘要、个性化建议等内容。
这项由谷歌DeepMind研究团队完成的开创性研究首次系统阐述了AI智能体经济的概念框架。研究提出"沙盒经济"模型,从起源性质和边界渗透性两个维度分析AI智能体经济形态,预测未来将出现自然涌现且高度透水的AI经济网络。研究详细探讨了科学加速、机器人协调、个人助手等应用场景,提出基于拍卖机制的公平资源分配方案和使命经济概念,并深入分析了技术基础设施需求、社区货币应用以及相关风险防范措施。
AI平台公司Clarifai发布新推理引擎,声称能让AI模型运行速度提升一倍,成本降低40%。该系统采用多种优化技术,从CUDA内核到高级推测解码,能在相同硬件上获得更强推理性能。第三方测试显示其在吞吐量和延迟方面创下行业最佳记录。该产品专门针对推理过程优化,特别适用于需要多步骤响应的智能体和推理模型。
中国人民大学研究团队提出LoFT方法,通过参数高效微调基础模型解决长尾半监督学习中的数据不平衡问题。该方法利用预训练模型的良好校准特性改进伪标签质量,并扩展出LoFT-OW版本处理开放世界场景。实验显示,仅使用传统方法1%的数据量就能取得更优性能,为AI公平性和实用性提供了新的解决方案。