ServiceNow 本月发布了全新的 AI Control Tower,它为整个 AI 生态系统提供了整体视图。公司还宣布推出了自有的 agentic 通信系统,该系统支持现有协议。
AI Control Tower 充当“指挥中心”,帮助企业客户治理和管理所有 AI 工作流程,包括代理和模型。
AI Control Tower 让 AI 系统管理员及其他相关利益方能够监控和管理系统中每个 AI 代理、模型或工作流程——甚至包括第三方代理。它还提供端到端生命周期管理、不同行业指标的实时报告,以及内嵌的合规与 AI 治理功能。
AI Control Tower 的设计理念是为用户提供一个集中位置,展示企业中所有 AI 的所在位置。
ServiceNow 的 AI 应用与创新集团副总裁 Dorit Zilbershot 在新闻发布会上表示:“我可以在一个地方查看所有 AI 系统,包括已接入或当前部署的数量,以及哪些是 AI 代理或传统机器学习系统。我可以在一个平台上进行管理,确保对整个企业的状况拥有全面治理和了解。”
她补充道,该平台能帮助用户深入了解不同供应商及系统类型,从而更好地掌握风险与合规情况。
AI 系统的整体视图
企业已经开始部署 AI 代理和由 AI 驱动的工作流程,哪怕只是通过小规模的试点项目。不过,就像接入不同 SaaS 提供商或软件一样,容易忽视这些 AI 功能的全貌。
其他公司也开始为客户提供查看与管理所有 AI 系统的方法,特别是用于监控代理行为方面。Writer 最近推出了其 AI HQ 平台,该平台将包含一个可观察性功能。
自去年九月向企业提供预构建 AI 代理以来,ServiceNow 就一直在考虑代理管理问题。公司的代理库允许客户选择最适合其工作流程的代理,并内置编排功能帮助管理代理操作。从那时起,公司已开始扩展代理库中代理的数量,以满足企业更多的使用场景。
Agent Fabric
ServiceNow 还发布了其 AI Agent Fabric,这是一种让其代理与其他代理或工具进行通信的方式。
公司表示,Agent Fabric 将兼容其他 agentic 通信协议,如 Anthropic 的 Model Context Protocol (MCP)、Cisco 的 AGNTCY 以及 Google 的 Agent2Agent (A2A)。
Zilbershot 表示,ServiceNow 仍将支持其他协议,并将继续与其他公司合作制定 agentic 通信标准。
她说:“当我们看待 AI Agent Fabric 时,重点不在于协议,而在于功能。目前,我们真正视自己为开放平台,能够支持市面上所有常见协议,并确保我们的客户能够从这些卓越的创新中受益。”
AI Agent Fabric 现已对早期采用者开放,但将在第三季度普遍推出。
许多企业一直在考虑如何使一家公司的代理与另一家公司的代理或构建于不同系统的代理互通。互操作性可能会推动 AI 代理更大规模的爆发,因为代理不再局限于单一系统,而是可以从其他系统获取上下文和数据以完成任务。但尽管有 MCP 和 A2A 等流行协议,目前业界尚未选定统一的互操作性标准,主要原因在于这些协议仅存在了几个月时间。
好文章,需要你的鼓励
这项研究由新加坡国立大学团队开发的DualParal技术,通过创新的双重并行架构解决了AI视频生成的长度限制问题。该方法同时在时间帧和模型层两个维度实现并行处理,配合分块降噪机制、特征缓存和协调噪声初始化策略,使生成分钟级长视频成为可能。实验表明,在生成1,025帧视频时,DualParal比现有技术减少了高达6.54倍的延迟和1.48倍的内存成本,同时保持了高质量的视频输出,为内容创作者提供了生成更长、更复杂视频叙事的新工具。
SoloSpeech是约翰霍普金斯大学研究团队开发的创新语音处理技术,针对"鸡尾酒会效应"问题提出了全新解决方案。该系统通过级联生成式管道整合压缩、提取、重建和校正过程,实现了高质量目标语音提取。与传统判别式模型相比,SoloSpeech采用无需说话者嵌入的设计,直接利用提示音频的潜在空间信息与混合音频对齐,有效避免特征不匹配问题。在Libri2Mix及多个真实世界数据集上的评测显示,SoloSpeech在清晰度、质量和泛化能力上均达到了领先水平,为语音分离技术开辟了新方向。
这项由北京大学深圳研究生院、伟湾大学、腾讯ARC实验室和兔小贝智能联合研究的Sci-Fi框架,通过创新的对称约束机制,解决了视频帧间插值中的关键问题。研究团队设计了轻量级EF-Net模块,增强结束帧约束力,使其与起始帧形成平衡影响,从而生成更自然流畅的中间过渡帧。实验证明,该方法在各种场景下都优于现有技术,特别适用于电影制作、动画创作和视频编辑领域,显著降低了人力成本。
这项来自西北大学和谷歌的研究突破了传统马尔可夫强化学习的局限,通过贝叶斯自适应RL框架解释了大语言模型中涌现的反思性推理行为。研究团队提出的BARL算法通过维护多个解题策略的后验分布,指导模型何时何地进行反思性探索,在数学推理任务上展现出显著优势,比基线方法减少高达50%的标记使用量,同时提高了准确率。这一研究不仅解释了"为什么反思有用",还提供了实用的指导原则,为AI系统的自适应推理能力开辟了新方向。