ServiceNow Inc. 今天推出了全新的基于人工智能的代理,作为其安全与风险产品套件的一部分,这也体现了加速自动化企业防御的更大努力。
这些新功能现已对 ServiceNow 客户开放,旨在帮助各组织摆脱单纯被动应对安全威胁的局面,通过自动化威胁响应、协调修复工作以及缩短全企业的响应时间,从而实现更主动的安全防护。
这些新推出的 AI 代理是在公司于拉斯维加斯举办的年度 Knowledge 2025 会议上宣布的,旨在帮助那些因日益增多的威胁、警报疲劳以及合规负担而苦不堪言的网络安全团队。这些代理借鉴了 ServiceNow 在大规模协调复杂工作流程方面的经验,能够启动动态操作手册、自动化应对漏洞并提供实时洞察,从而加速决策过程并降低组织风险。其理念是构建一个基础,使企业系统具备自我防御能力,能够自主管理风险与合规,同时保持适当的人为监管。
ServiceNow 安全与风险产品集团副总裁兼总经理 Lou Fiorello 解释道: “AI 正在重塑网络安全和风险管理的规则。首席信息安全官们正寻求利用 AI 提升生产力,加强防护和响应能力 — 以规模化方式放大影响力。这正是 ServiceNow 在单一平台上提供具备恰当人类监管的新型以安全成效为导向的 AI 代理的原因。”
除了推出专注于安全的 AI 代理之外,ServiceNow 还宣布将其在基于风险的漏洞管理方面的能力扩展到涵盖全方位曝光管理工作流程。
这些新工作流程增强了对补偿性控制措施的可视性,例如终端检测、响应工具与 Web 应用防火墙,从而为组织提供更全面的风险缓解方式。同时,ServiceNow 之前推出的威胁情报平台也通过增加安全案件管理功能得到加强,以便对新出现的威胁作出更前瞻、更精准的响应。
Partnerships
此外,ServiceNow 今天还宣布与 Cisco Systems Inc. 以及 Microsoft Corp. 扩大合作伙伴关系,目的是构建 AI 与 AI 之间的安全生态系统,实现对 AI 部署的统一可视化与管理。这些整合将 ServiceNow 的工作流程智能与 Microsoft 和 Cisco 的网络安全专业知识相结合,从而实现更快速的威胁检测、更广泛的背景识别及更有协调性的威胁响应。
除了提升网络安全外,ServiceNow 正通过为运营韧性和 AI 管理推出新工具来扩展其风险管理领域。
一项名为 AI Control Tower 的新服务为各组织提供了对其 AI 资产、生命周期流程与合规状态的集中视图,以确保整个企业内 AI 的伦理和透明使用。此外,公司还推出了一款全新的数字运营韧性管理解决方案,使企业能够有效应对中断、维持业务连续性并应对当今复杂数字环境中的新兴风险。
总体来看,这些更新体现了 ServiceNow 成为企业韧性统一平台的战略。借助其 AI 平台、工作流程数据结构和整合能力,ServiceNow 旨在打破部门间的壁垒,提供将人员、数据和流程连接在一起的单一行动系统。
这些公告发布的一天前,ServiceNow 刚刚推出了一款全新的客户关系管理平台及其他便于使用 AI 代理的新 AI 工具。全新的 CRM 产品集成了 Moveworks Inc. 的技术 — 该公司于三月份被 ServiceNow 以 28 亿美元收购。
好文章,需要你的鼓励
Kollmorgen发布NDC布局助手软件工具,专为工厂和仓库中的自动导引车(AGV)及自主移动机器人(AMR)的路线规划与优化而设计。该工具通过分段分析路线,帮助工程师在系统部署前识别瓶颈与低效环节,提供行驶时间、车速及优化潜力等关键数据,并以可视化方式标注问题区域,从而缩短布局设计与验证周期。Kollmorgen表示,该工具未来还将融入AI驱动的优化能力。
这篇由加州大学圣地亚哥分校等六所机构联合发布的综述(arXiv:2605.02913,2026年4月),首次系统梳理了大型语言模型强化学习训练中长期被忽视的轨迹设计问题,提出了GFCR四模块框架(生成、过滤、控制、回放),覆盖数学、代码、多模态和智能代理等多个应用场景,并附有实用的故障诊断手册,为AI训练工程师提供系统性的方法论指导。
现代仓储已从幕后走向前台,配送速度成为品牌竞争核心。面对次日达甚至两小时送达的市场压力,领先履约中心借鉴敏捷开发理念,以周为单位迭代代码、机器人与工作流程。IoT信标、边缘计算与视觉识别模块构建双层架构,实现厘米级货盘追踪与低延迟决策。人机协作模式让员工从重体力劳动转向异常处理与数据分析,拣选准确率突破99%。同时,自动化系统实时采集碳排放数据,在提速的同时实现可量化的减排目标。
中国科学技术大学与FrameX.AI联合提出Stream-R1框架,针对AI视频生成蒸馏训练中"一视同仁"的核心缺陷,引入奖励模型对训练样本进行双重加权:在样本层面根据质量分数筛选可靠的学习信号,在像素与帧层面通过梯度显著性热力图集中优化最需改进的区域,使4步快速学生模型在VBench多项指标上超越慢速多步教师模型,推理速度提升30倍且不增加任何额外计算开销。