支付系统依赖于一个简单的模式:用户决定购买商品,然后银行或卡网络处理交易。随着Visa测试智能体如何发起支付,这种模式正在发生变化。银行业的新发展表明,在某些情况下,软件智能体可能很快就能承担这一角色。
Visa最近的一个例子是在欧洲推出其"智能体就绪"项目,测试金融系统如何处理智能体发起的交易。这项工作涉及与包括德国商业银行和DZ银行在内的银行合作。目标是为软件智能体能够搜索产品并做出决策,然后代表用户完成购买的场景准备现有的支付基础设施。
根据Visa发布并由The Paypers报道的信息,该项目专注于实现由AI系统作为发起方的安全交易。智能体可以在被给定目标或规则集后执行任务,而不是由客户确认购买。
支付系统基础设施面临的挑战
支付系统围绕人类身份和意图构建。今天的卡交易依赖于验证一个人已经授权购买。如果智能体开始发起交易,银行将需要新的方式在系统层面确认身份和意图。这包括决定智能体如何证明它代表用户行事,以及它应该拥有多少自主权。
在Visa的模式中,软件智能体可以基于用户定义的规则,以有限的人工输入处理日常或重复购买。例如,系统可以监控供应水平并比较价格,然后在满足某些条件时完成交易。来自《世界报》和Investing.com的报道称,该公司认为这在规模上类似于向在线支付的早期转变,当时银行必须适应新的交易流程类型。
银行合作伙伴的早期试验
参与早期试验的银行正在测试这些想法在实践中如何运作。德国商业银行和DZ银行正在探索如何在不违反合规规则的情况下将智能体集成到现有系统中。这包括与欺诈、审计跟踪和客户同意相关的检查。这些领域受到严格监管,这意味着对交易发起方式的任何改变都必须仍然符合监督标准。
RepRisk报告发现,银行已经在处理与AI相关的更频繁和更昂贵的问题。报告指出,这些事件可能导致数百万美元的损失。
Visa的工作专注于基础设施而非面向消费者的工具。它正在研究当"客户"是一个软件时,支付网络应该如何表现。这包括定义智能体如何进行身份验证以及如何批准交易。它还涵盖了如果出现问题时如何处理争议。
对企业和机构的影响
在大型组织中,采购通常涉及多个审批步骤。智能体可以通过在设定限制内处理日常购买来压缩这一过程。这可以减少手工工作,但也意味着公司需要明确规定智能体被允许做什么。没有这些规定,错误或滥用的风险会增加。
大型机构正在投资AI来自动化后台工作并降低成本。一些机构还在重组团队,更多地关注数据和AI战略。监管机构正在更密切地关注AI在决策中的使用,特别是在信贷和欺诈检测等领域。
综合来看,这些发展表明支付可能成为智能体能够以更大自主权行动的首批领域之一。银行仍需要制定规则、监控活动并处理例外情况。但在某些情况下,发起交易的日常行为可能需要更少的直接人工输入。
Visa目前的阶段专注于测试和系统设计。随着AI系统承担更多责任,金融基础设施将需要适应新类型的用户,这种用户不持有卡片但仍能进行购买。
Q&A
Q1:Visa的"智能体就绪"项目是什么?
A:这是Visa在欧洲推出的一个测试项目,旨在测试金融系统如何处理智能体发起的交易。该项目与德国商业银行和DZ银行等银行合作,目标是为软件智能体能够搜索产品、做出决策并代表用户完成购买的场景准备现有的支付基础设施。
Q2:智能体发起支付会带来什么挑战?
A:主要挑战在于身份和意图验证。传统支付系统围绕人类身份构建,需要验证人员授权购买。智能体发起交易时,银行需要新方式在系统层面确认身份和意图,包括智能体如何证明代表用户行事,以及应拥有多少自主权等问题。
Q3:这项技术对企业有什么好处?
A:智能体可以基于用户定义的规则处理日常或重复购买,监控供应水平并比较价格,在满足条件时自动完成交易。在大型组织中,智能体可以在设定限制内处理日常采购,压缩多步骤审批流程,减少手工工作,提高效率。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。