Oracle正在为其Fusion云应用套件增加更高级别的人工智能自主能力。
在今天举办的AI世界巡回伦敦站活动中,Oracle发布了业务软件中智能体决定如何实现目标的能力,并以比以往更强的自主性来实现这些目标。
根据新闻声明,Oracle将这一发展定位为从企业软件记录系统向"结果系统——让事情发生"的转变。声明表示:"碎片化的工作流程、审批瓶颈和无休止的状态追踪让企业丧失了速度。Fusion智能体应用让企业能够以不再受人力能力限制的速度执行工作。"
Oracle推出了超过20个智能体应用,涵盖企业资源规划、人力资本管理、供应链管理和客户体验等领域。应用示例包括自动化现金收集风险分析、具备实时缺口检测的劳动力调度,以及基于设计数据的AI驱动采购。
Oracle应用开发执行副总裁Steve Miranda表示:"现代企业的工作方式已经无法匹配业务的速度、复杂性或期望,因为太多时间花在管理流程上,而不是推动结果上。我们正在推动企业软件超越被动的记录系统,为客户提供能够推理、决策和行动以追求既定业务目标的应用。这是行业的巨大进步,将帮助我们的客户实现更快的结果,将宝贵时间专注于战略活动,并重新定义工作方式。"
据介绍,这些应用能够通过访问已内置到Oracle Fusion套件中的企业数据、工作流程、政策、审批层级、权限和交易上下文,在业务流程中做出决策并执行。Oracle将此与"copilot、AI助手或其他AI附加组件"进行对比。他们认为,原生集成到交易系统意味着应用能够在企业规模下实时执行,并具有完整的治理能力。
在今天活动前的简报中,Oracle云应用开发高级副总裁Natalia Rachelson表示:"我们有信心这些Fusion智能体应用是独特的,因为它们植根于记录系统,这就是为什么它们能够在企业规模下运行,具有护栏、安全性和治理能力。我们还没有看到任何其他公司有类似的产品。这里的新颖之处在于推理部分。随着大语言模型的进步,推理能力变得可用。它们(智能体)不断相互沟通和推理,努力实现目标。就像一个蜂巢,蜜蜂在酿造蜂蜜。"
Oracle表示:"Fusion智能体应用在护栏内自主推进常规操作,只显示异常情况、权衡和需要人类判断才能实质性改变结果的决策。"
据说这些应用针对特定业务目标运行,维护"跨时间和步骤的共享、持久上下文,使智能体能够记住意图、历史、先前决策和当前状态,减少用户在工作进展中重申或重构上下文的需要"。
Oracle表示,这些应用部署具有"基于角色的访问、审批框架和端到端可追溯性"的AI工作流程。
Oracle还宣布了其AI智能体工作室的更新,包括支持工作流程编排、内容智能、上下文记忆和投资回报率测量的新功能。
Oracle应用开发执行副总裁Chris Leone表示:"随着组织从试点阶段转向在整个企业范围内部署AI,他们需要能够根据独特的工作流程、专业知识和运营优先级定制AI的能力。构建者可以使用自然语言创建AI自动化和智能体应用,这些应用由能够推理、跨业务系统采取行动并持续执行流程的企业AI智能体提供支持。这使组织能够超越仪表板和copilot,转向积极运营业务的AI驱动应用,同时具备企业所需的治理、信任和安全性。"
其中一个更新是"内容智能"。据说这有助于组织将非结构化的第一方和第三方数据与交易数据结合起来。在新闻简报中,Rachelson举例说明了物流公司如何将来自外部源的天气信息纳入考虑。
Q&A
Q1:Oracle的Fusion智能体应用有什么特别之处?
A:Fusion智能体应用的独特之处在于它们植根于记录系统,能够在企业规模下运行,具有护栏、安全性和治理能力。与其他AI助手或附加组件不同,这些应用原生集成到交易系统中,能够实时执行,并具有完整的治理框架。
Q2:这些智能体应用如何实现自主决策?
A:这些应用通过访问已内置到Oracle Fusion套件中的企业数据、工作流程、政策、审批层级、权限和交易上下文来做出决策并执行。它们能够推理、相互沟通,在护栏内自主推进常规操作,只在需要人类判断的异常情况下才会介入。
Q3:Oracle推出了多少个智能体应用,覆盖哪些领域?
A:Oracle推出了超过20个智能体应用,覆盖企业资源规划、人力资本管理、供应链管理和客户体验等领域。具体应用包括自动化现金收集风险分析、具备实时缺口检测的劳动力调度,以及基于设计数据的AI驱动采购等。
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。