Cloudflare推出了Dynamic Workers,这是一个基于隔离技术的运行时环境,专为更快、更高效地运行AI生成代码而设计,相比传统容器技术具有显著优势。该公司将轻量级、一次性执行环境作为企业AI应用的基础架构。
该服务能让企业在毫秒级时间内启动执行环境,标志着从容器重型架构向更加短暂的运行时环境转变,专为高容量的智能体工作负载而设计。
对许多企业而言,这指向了AI系统构建和执行方式的重大转变。企业不再只是编排预定义工具,而是开始让模型按需生成和执行代码,这一转变在安全性和成本方面引发了新的考量。
Dynamic Workers基于Cloudflare现有的Workers平台构建,使用V8隔离技术执行运行时生成的代码(通常由大语言模型生成),无需完整的容器或虚拟机。
Cloudflare在博客文章中表示:"隔离环境只需几毫秒启动,使用几兆字节的内存。这比典型容器快约100倍,内存效率高10到100倍。这意味着如果你想为每个用户请求按需启动一个新的隔离环境,运行一段代码片段,然后丢弃它,你完全可以做到。"
Cloudflare将这一运行时与其"代码模式"方法相结合,鼓励模型针对定义的API编写简短的TypeScript函数,而不是依赖多个工具调用,该公司表示这种方法可以减少Token使用量和延迟。
从企业角度来看,该平台包含诸如凭据管理的出站请求拦截、自动化代码扫描以及V8安全补丁的快速推出等控制功能。Cloudflare指出,基于隔离的沙盒与硬件支持的环境相比具有不同的安全特性。
Dynamic Workers目前在Cloudflare的Workers付费计划下提供开放测试。虽然定价为每个独特Worker每天0.002美元,还有标准的CPU和调用费用,但在测试期间免收每Worker费用。
对企业IT团队而言,转向基于隔离的执行可能会重塑AI工作负载的架构方式,特别是对于需要高并发和低延迟性能的用例。
Counterpoint Research研究副总裁Neil Shah表示:"Cloudflare本质上是在重新定义应用程序生命周期,从依赖集中式服务器的传统'构建-测试-部署'周期转向新模式,而传统模式往往依赖高开销、高延迟的容器。转向V8将启动时间从约500毫秒减少到5毫秒以下,大约提升100倍,这对可能需要冷启动的智能体AI请求爆发具有重要意义。"
这一转变也可能带来成本影响。如果智能体能够在本地生成和执行脚本来产生结果,而不是反复调用大语言模型,企业可能会看到效率和延迟的双重改善。
然而,Shah指出该模型引入了企业领导者不能忽视的新安全考量。
Shah说:"允许智能体动态生成和执行代码引入了新的攻击向量和风险。虽然Dynamic Workers通过沙盒技术限制了潜在妥协的影响,但AI生成逻辑的不可预测性需要强大的安全框架和明确的防护措施。"
其他专家表示这些风险超出了沙盒技术的范畴,需要在AI执行生命周期中进行更广泛的治理。Gartner首席分析师Nitish Tyagi表示,虽然基于隔离的环境改善了遏制能力,但并不能消除风险。
Tyagi说:"在隔离环境中运行智能体和执行代码在理论上看起来很安全,但这并不能确保完全安全。"
他指出了风险,如AI生成代码中的漏洞、间接提示注入攻击和供应链威胁,其中被攻击的外部源可能导致智能体暴露敏感数据或执行有害操作。
Tyagi还警告了操作风险,包括自主智能体进入递归执行循环的风险,这可能导致成本上升和资源耗尽。
为了减轻这些风险,Tyagi表示企业需要更强的治理机制,包括对智能体行为的实时监控、对出站流量的更严格控制,以及对AI供应链和依赖关系的更好可见性。
Q&A
Q1:Cloudflare的Dynamic Workers有什么优势?
A:Dynamic Workers使用V8隔离技术,启动时间只需几毫秒,比传统容器快100倍,内存效率高10到100倍。它专为AI智能体工作负载设计,能够按需快速启动执行环境来运行AI生成的代码。
Q2:Dynamic Workers会带来哪些安全风险?
A:主要风险包括AI生成代码中的漏洞、间接提示注入攻击、供应链威胁,以及自主智能体可能进入递归执行循环导致成本上升和资源耗尽。虽然有沙盒保护,但AI逻辑的不可预测性仍需要强大的安全框架。
Q3:Dynamic Workers的收费标准是什么?
A:正式版定价为每个独特Worker每天0.002美元,另加标准的CPU和调用费用。目前在开放测试期间,每Worker费用暂时免收,用户只需支付Cloudflare的Workers付费计划费用。
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。