谷歌近日宣布为Chrome企业版推出一系列专为企业设计的新功能,此次更新将AI能力直接带给办公用户,同时赋予IT团队更强的管控权,让管理者能够决定哪些AI工具可以在企业内部使用。Chrome企业版正逐步演变为一个集工作执行、AI内嵌操作与安全管控于一体的浏览器平台。
自动浏览功能正式登陆企业场景
此次更新中最引人关注的变化之一,是基于Gemini的"自动浏览"功能。该功能此前已在消费者版Chrome中推出,目前已向美国地区的Workspace用户开放。它能够像智能体一样,根据用户当前打开的页面自主执行操作任务。
在实际使用场景中,如果用户同时打开了一份Google文档、一个企业网站以及一套CRM系统,就可以让Chrome企业版中的Gemini跨标签页完成某项任务。谷歌举例说明,Gemini可以将Google文档中的内容转化为一条新的销售线索,自动提取相关信息、创建联系人,并在CRM中完成全部配置。不过,所有操作在执行前仍需用户确认与批准。
技能功能让AI工作流可复用
谷歌还为Chrome企业版引入了"技能"功能,允许用户保存并重复调用AI工作流。这一功能此前已在消费者版Chrome中上线,现已扩展至Workspace用户。其核心逻辑是:如果用户在工作日中反复向Gemini提出相同的请求,可以将该提示语保存为一项"技能",之后在浏览器任意页面一键运行。
操作方式十分简便:在Gemini侧边栏输入"/",选择对应的技能,即可在当前页面立即执行。随着时间积累,用户可以建立一套专属的可重复任务库,适配个人或团队的工作习惯。作为安全保障,大多数技能在运行前同样需要用户确认。谷歌表示,Workspace中的提示内容不会被用于训练其AI模型。
应对"影子AI"风险,强化企业安全管控
由于不少员工已在私下使用各类AI工具,谷歌指出企业正面临"影子AI"风险——敏感数据可能在未受监控的情况下被传输至第三方工具。为此,Chrome企业版新增了针对AI使用情况的可视化管控功能,涵盖员工访问了哪些工具、插件或智能体是否存在异常行为,以及未经批准的工具使用情况。
谷歌表示,其生成式AI与SaaS报告将标记已授权与未授权的工具,Chrome企业版的插件遥测功能也将帮助IT管理员识别可疑活动。相关数据可接入SecOps及其他SIEM平台。管理员可依据第三方风险评分屏蔽高风险插件、按类别进行限制,并支持远程卸载。
Gemini摘要模块与Okta集成提升管理效率
谷歌还在管理后台新增了"Gemini摘要"模块,利用AI对更新内容进行汇总、突出显示变更项,并为IT管理员提供操作建议,以精简的摘要视图帮助管理员快速掌握全局动态。
此外,谷歌与Okta的集成也带来了新的安全加固能力。双方新增功能可通过将身份验证会话与设备安全硬件绑定,有效防范会话劫持攻击,即便Cookie被窃取也无法被利用。IT团队还可以远程清除受感染设备上的Chrome浏览数据,包括Cookie等信息。
Q&A
Q1:Chrome企业版的自动浏览功能具体能做什么?
A:自动浏览是基于Gemini的智能体功能,可以根据用户当前打开的标签页内容,跨页面自主完成任务。例如,用户同时打开Google文档和CRM系统时,Gemini可以自动提取文档内容、创建联系人并在CRM中完成配置,但所有操作执行前需要用户确认批准。
Q2:Chrome企业版的"技能"功能如何使用?
A:技能功能允许用户将常用的Gemini提示语保存为可一键调用的工作流。在Gemini侧边栏输入"/"后选择已保存的技能,即可在当前浏览的任意页面立即执行。用户可以积累形成个性化的任务库,适配日常工作需求。大多数技能在运行前需要用户确认,且Workspace中的提示内容不会用于训练AI模型。
Q3:Chrome企业版如何帮助企业应对"影子AI"风险?
A:Chrome企业版新增了AI使用情况的可视化管控功能,IT管理员可以查看员工使用了哪些AI工具、插件是否存在异常行为。生成式AI与SaaS报告会标记授权与未授权的工具,管理员可屏蔽高风险插件、按类别限制使用,并支持远程卸载,相关数据还可接入SecOps等安全平台。
好文章,需要你的鼓励
今天讲的出海案例是开创电气,一家金华手持式电动工具制造商,在越南基地完成首款产品验收并形成80万台年产能力。
JETSPEC是由UC San Diego等机构联合提出的推测解码框架,通过树形因果掩码让草稿头在一次前向传播中生成分支一致的候选树,在MATH-500上实现最高9.64倍端到端加速。
研究人员意外发现,标准MOSFET晶体管可同时模拟神经元和突触行为,形成"神经突触随机存取存储器"(NSRAM)。该技术仅需一至两个晶体管即可实现传统需数十乃至数百个元件才能完成的神经信号处理,且与现有硅基制造工艺完全兼容,良率达100%。未来有望应用于边缘AI及高能效神经形态芯片,长远或可挑战GPU地位。
本文介绍了中国科学院自动化所的研究,揭示了大型语言模型在多轮工具调用强化学习中崩溃的根本原因,并系统评估了五种监督信号对训练稳定性和泛化能力的影响。