Render Networks通过ClearWay平台进一步扩展其作为关键基础设施执行系统的影响力。
随着光纤宽带、电网现代化、分布式能源和AI驱动的数据中心扩建等基础设施投资加速,该公司表示,资本约束已成为核心关切。
Render指出,传统的数据分析方法和人工决策往往阻碍进展,部署风险现在直接转化为资本风险。运营商、公用事业公司和建设者必须减少变异性,加速资金转换,并在日益复杂的多资产部署中建立审计级别的问责制。
Render最初在电信领域起步,现在支持电力公用事业和多公用事业环境,在这些环境中,施工准确性是运营可靠性的先决条件。ClearWay专为治理"不可妥协"的基础设施环境而构建,旨在推进自动化而不削弱工程权威。
新平台构建用于将设计数据转换为实时工作范围,实时捕获经验证的现场进度,并协调工作流程以维护财务完整性。这产生了"无缝"流入运营的可辩护的竣工记录。ClearWay不是孤立AI功能的集合,而是在专门设计的联邦化智能体系统中运行,这些智能体旨在在身份、策略和审计控制方面自主运作。
每个智能体都具有独特定义的自主度、管理身份和最小权限访问。随着更多ClearWay智能体的引入,系统构建支持逐步更高的自主级别,受用户定义的操作策略衍生的确定性护栏约束。结果是决策选择由受控、可审计的自动化支撑,既保持第一级责任制,同时实现有意义的规模化。
ClearWay首次发布计划于2026年第二季度推出,将引入现场保证和跨电信与电力部署的工作批准功能,配备保证智能体和批准智能体。
前者实时验证现场捕获的证据与计划工作的对比,确保工作人员离开现场前的准确性。相比之下,后者基于工作类型、计划与实际单位的关联、照片和测试结果自主批准工作。当满足预定义标准时,智能体处理批准并仅在需要人工审查时上报异常。
通过确保工作在执行点正确且可辩护,Render相信ClearWay能够加速设计到建设的交付时间,减少施工返工,加速收尾并提高营运资金速度。这在宽带和电网现代化环境中"尤其重要",在这些环境中,施工准确性直接影响可服务性、网络可靠性和监管合规。
Render Networks首席执行官Stephen Rose表示:"我们始终专注于确保现场工作成为经验证的运营真相。下一步是确保这个真相在整个生命周期中驱动有纪律、受治理和快速的行动。随着资本效率成为电信和电力基础设施的核心,自动化必须确保快速决策制定得当,以强化控制和问责制。ClearWay正是为此而设计的。"
Render将在ClearWay架构中引入更多专业智能体,涵盖生命周期管理和财务对账、服务激活和运营监控,以及预测性维护和可持续性治理。
Q&A
Q1:ClearWay平台是什么?它有什么主要功能?
A:ClearWay是Render Networks开发的关键基础设施执行平台。它能够将设计数据转换为实时工作范围,实时捕获经验证的现场进度,协调工作流程维护财务完整性,并产生无缝流入运营的竣工记录。
Q2:ClearWay的智能体系统是如何工作的?
A:ClearWay采用联邦化专业智能体系统,每个智能体具有独特的自主度、管理身份和最小权限访问。系统支持逐步更高的自主级别,受用户定义操作策略的确定性护栏约束,确保决策既自动化又可审计。
Q3:ClearWay什么时候发布?首批功能有哪些?
A:ClearWay计划于2026年第二季度首次发布。首批将引入现场保证和工作批准功能,包括保证智能体(实时验证现场证据与计划工作)和批准智能体(基于多项标准自主批准工作)。
好文章,需要你的鼓励
Uber年度失物报告首次纳入无人驾驶出租车数据。过去一年,乘客在Uber平台的机器人出租车中遗留了数千件物品,包括手机、钥匙、钱包等常见物品,以及假牙、15磅溜溜球等奇特物件。乘客可通过App联系客服找回失物,支付15美元即可享受同城配送,或前往车辆停放站自取。Uber表示,将依托现有运营体系为自动驾驶业务提供全面支持,计划2025年底前在全球15座城市开通无人驾驶打车服务。
TREK方法通过引入外部验证解法对AI进行短期校准,解决了GRPO训练在困难题目上因无法探索正确解法区域而陷入瓶颈的问题,在数学推理和智能体任务上均取得明显提升。
Uber周三发布了一款基于现代Ioniq 5改装的数据采集原型车,搭载14个摄像头、8个固态激光雷达和9个雷达,通过英伟达双驱Thor计算机处理数据。Uber计划今年在全球部署500辆此类车辆,每月可采集200万英里高保真驾驶数据,供Avride、Waymo、WeRide等30余家自动驾驶合作伙伴使用。这是Uber自2020年出售自动驾驶部门以来首次自主组装车辆,也是其AV Labs部门的重要进展。
SkillOpt-Lite通过将智能体技能优化形式化为零阶优化问题,提出极简流水线:把执行轨迹存为文本文件,让AI直接用文件系统工具翻日志、找规律、改技能,配合独立验证门控,比复杂的多智能体优化框架跑得更快效果更好,并自然延伸至执行框架自动优化(HarnessOpt),使轻量模型能够超越大模型。