跳到正文
世界时间EU--:--UK--:--USA--:--CN--:--PLDEFRIT中文EN

关于人工智能与技术的门户事件 · 分析 · 访谈 · 技术背景

搜索
直播
›

智能体AI撞上身份缺口:企业RAG无人解决的问题

中国互联网络信息中心9月29日发布的数据显示,截至6月底,中国生成式人工智能用户规模突破7亿,比2025年底的60200万增长16%。对企业来说,搭建检索增强生成系统的难点不在采用,而在治理。

人工智能与模型分析林晓雯发布: 2026年10月2日10 分钟阅读资料来源 14
智能体AI撞上身份缺口:企业RAG无人解决的问题

中国互联网络信息中心的数据显示,截至6月底,中国生成式人工智能用户超过7亿,普及率超过总人口的一半。《南华早报》9月29日报道了这一数字。2025年底中国有60200万生成式AI用户,普及率42.8%,如今增长了16%。同一项调查发现,76%的用户用AI找答案,48%用来生成图片或视频,38%用于文本处理,33%用于工作总结、会议记录或演示文稿。

这些数字描述的是消费者行为,并不能说明在公司内部回答这些问题的系统是否可信。

这个信任问题如今处在企业RAG讨论的中心。检索增强生成让语言模型的输出以查询时取回的文档为依据,已成为企业AI的默认架构。搭一个能跑的原型只要几天,做到足以支撑业务流程的可靠程度,则是另一门工程手艺,《VentureBeat》9月27日这样写道。多数部署卡在两者之间的缺口里。

智能体归谁所有

《The Hacker News》9月28日发表了一套框架。它把每个AI智能体当作一个非人类身份,配有真人所有者、明确用途、限定授权、有效期和持续监控。文章列出传统身份与访问管理从未设计去捕捉的五种失效模式:没有所有者、长期有效的密钥、无边界的委托、不可见的实例化、没有有效期。文章引用《OWASP大语言模型应用十大风险》,其中把过度自主列为LLM06,意思是获得宽泛权限或高度自主的智能体,会执行超出其批准任务的能力。

文章区分了配置与遥测。静态角色分配无法约束智能体在运行时的行为,审查配置也测不出它做了什么。配置发现描述的是可能性,遥测描述的是实际发生了什么。这直接挑战了多数企业当前审计AI系统的方式。

治理问题的规模在数字里看得见。据《Data Center Knowledge》报道,Foundry的《2026云计算研究》发现,74%的企业去年加快了云迁移。VMware的《2026私有云展望》显示,83%的企业已完成或计划将工作负载从公有云迁回。安全、成本、合规和性能方面的顾虑推动了这一转变。这些工作负载越来越多地包含AI推理。《Data Center Knowledge》报道,推理正在迁入托管机房,运营商可以在那里提供风冷的35 kW机柜,以及液冷的70至150 kW机柜。

原因不只是功率密度。受监管行业的企业更愿意在私有托管套间里对机密的财务、运营和研究数据做推理。这些套间有专用网络线路和自营防火墙。另一种做法是把数据发给第三方AI初创公司。这种偏好对RAG架构有直接影响,因为检索意味着系统每次查询都必须接触企业语料库。

基础设施厂商进场

基础设施厂商正围绕这一需求重新定位。CoreWeave 9月30日在旧金山举行的Fully Connected活动上发布Forge,这是一个用于开发、运行和改进AI模型与智能体的集成软件平台。CoreWeave产品管理高级副总裁Corey Sanders在媒体吹风会上说,公司已从专注做AI基础设施的最佳供应商,转向交付AI服务,让客户在其平台上构建应用。Forge分Free、Pro和Enterprise三个版本,包含CoreWeave Notebooks、用于观测生产环境智能体的Agent Lens,以及RL Rollouts。早期合作伙伴包括VAST Data、CrowdStrike和ClickHouse。

IDC分析师Dave McCarthy对《Data Center Knowledge》说,CoreWeave试图把自己与Nebius、Lambda、Vultr这类专业AI云厂商区分开,同时与AWS、Google Cloud和Microsoft Azure竞争。他的看法是,赢下AI实验室不足以支撑可持续的生意。企业需要更大的软件生态,以及感觉像开箱即用、而非自己动手搭建的能力。

微软在同一天走了相反的路。据InfoQ报道,Azure Container Apps Express正式可用。这个部署模式省去了环境准备这一步,用一套有主张的默认值取代了大部分配置。它与Azure Container Apps Sandboxes的正式可用一同推出,后者是Express运行所在的隔离计算层。Sandboxes从预热池中分配,启动时间不到一秒。它们把每个工作负载隔离在各自硬件隔离的微虚拟机边界内,并支持带完整状态快照的挂起与恢复。InfoQ引用的微软文档称,Express完全建立在这一层之上,并把该产品描述为开发者优先、智能体优先。

AI辅助的工作流创建和更新应用的速度,远快于任何人手工配置基础设施的速度。

这句话出自微软自己的文档,最清楚地说明了身份问题为何变得紧迫。如果智能体创建和修改基础设施的速度快过人类审查的速度,那么治理层也必须自动化。InfoQ指出,Reddit上的反应显示,Sandboxes这一原语在发布之前就已被使用。一位评论者声称它支撑着包括Foundry Hosted Agents在内的核心Azure服务,而微软自己的材料并未提及这一点。

研究在两端推进

过去一周发表的研究文献从不同角度呈现出同样的张力。Yining Lu、Aurelie Lozano、Xi Yang、Naoki Abe、Yu Deng和Meng Jiang 9月29日提交到arXiv的一篇论文提出MoFlow。该方法生成智能体工作流,同时优化准确率、成本、延迟、鲁棒性和一致性,而不是锁定在某一固定取舍上。作者把问题表述为多目标马尔可夫决策过程,用凸包蒙特卡洛树搜索求解。MoFlow在覆盖数学、代码和问答的六个基准上与六个基线比较,取得了最高的平均超体积。作者承认,与单标量优化器比较并不容易,因为这些基线针对每种测试偏好各跑了一遍,而MoFlow从未见过它们。

另一篇arXiv论文由Tianyu Chen、Mingyuan Zhou和Jiaxing Wu 9月30日提交,直接攻击检索这一步。他们的VHOP-Router把一个嵌入模型训练成自回归的多步检索器,直接在视觉潜空间中运作。它在一次工具调用中取回相互关联的图像链,智能体无需构造中间文本查询。报告的结果很大。检索性能从不足5%升到76.3%。任务成功率提高52.7%。平均token长度从1886降到728,下降61%。上下文内图像减少到原来的1/23,累计API负载减少到1/35。相比之下,升级智能体本身只带来3.7%的提升。

第三篇论文由Sumit Asthana、Michael Ion和Kevyn Collins Thompson 9月29日提交,讨论用于微调对话系统的合成数据。作者认为,直接提示大语言模型得到的数据多样性低,会塌缩到主导模式上。他们提出在潜在对话结构上训练生成流网络,对交互特征使用高斯混合密度。在辅导和情感支持两类对话中,他们报告的保真度、模式覆盖和真实性平衡优于强化学习和端到端大语言模型基线,且不复制训练数据。

同一时间段还有两篇arXiv投稿,范围更窄,但对大规模运行检索的人有用。Junoh Kang、Kiseop Lee和Bohyung Han 9月26日提交的论文描述ReLOBGen,一种生成限价订单簿消息的方法,生成结果在构造上就可回放。它在500条消息的回放中实现了100%的可回放率,每条回放消息相对LOBS5基线加速2.7到3.6倍。Julien Moreau和Marc Lelarge 9月28日提交的论文提出EnJoi,一种基于扩散的数据同化算法,学习过去与未来状态的联合分布。在观测稀疏且不均匀的流体和交通流模拟中,它显示出更好的重建效果。

这些论文都没有直接提到企业RAG。它们的相关性是结构性的。每一篇都在设法让生成系统的行为更可预测、更可测量或更可控。而这正是《The Hacker News》那套身份框架所说多数企业部署所缺少的东西。

底下的数字

硬件压力也在加重问题。《Data Center Knowledge》9月24日报道,光学频率梳发生器正被评估用于AI数据中心链路。它们用单个泵浦激光器产生许多等间距波长,而不是靠一排独立激光器。Solinide首席执行官兼联合创始人Marcello Girardi对该刊说,四个波长对激光器阵列来说是已解决的问题。困难从八个开始,到16个时元件数量就成了限制。Quintessent产品管理总监Steven Estrella说,频率梳减少了相同通道数所需的激光器数量,这意味着更少的故障点和更低的波长控制复杂度。他指出,在当前磷化铟连续波DFB激光器供应短缺的情况下,减少所需激光器数量比以往更重要。

环境账也在被清算。弗劳恩霍夫硅光伏中心受德国矿产资源署委托做了一项研究,《pv magazine》10月1日报道。研究发现,截至2023年底德国安装的组件构成约535万公吨的材料存量,其中包括385万吨玻璃、663000吨铝、208000吨硅、53500吨铜和3900吨银。潜在材料价值为48亿欧元。到2030年可能产生超过60万吨光伏废弃物。但2022年至2024年间,记录在案的报废组件数量反而下降,与预期相反。研究人员把旧组件出口列为可能原因之一。2024年,可用的回收产能超过5万吨,而实际进行初步处理的只有约9300吨。

装机产能与实际处理量之间的这种错配,在企业AI里有明显的对应物。能力铺开的速度,快过治理、衡量和退役它的系统。

两条线索交汇处

从意大利技术研究院分拆出来的初创公司Generative Bionics,提供了一个具体例子,说明承诺积累得有多快。《Il Sole 24 ORE》10月1日报道,该公司于2025年12月4日完成7000万欧元融资,由Cdp Venture Capital领投,Eni Next等参与。公司于1月7日开始运营,7月展示了机器人Gene.01。它与Fincantieri有一个为期四年的焊接人形机器人项目,预计2027年初首次投入使用。它还与Eni新签了协议,从Gene.01起步评估工业合作,涵盖巡检、遥操作、远程协助和复杂环境中的支持。

首席执行官Daniele Pucci对《Il Sole 24 ORE》说,什么都会做的机器人什么都做不好。他把公司的方法描述为一个通用平台,在三个层面做定制:AI模型、外观设计、手和脚。公司称这一策略最早在2月推出,如今看到别人也在跟进。

从焊接到医院物流,每一个部署场景都会引出身份框架提出的同一个问题:当智能体做出超出批准任务的行为,谁来负责?按这套框架的说法,答案不可能只来自配置审查。它必须来自运行时遥测,而多数企业还没有建起这种能力。

别处的需求也没有放缓迹象。据《Canary Media》报道,布鲁克林初创公司PopWheels正在为纽约的食品推车测试换电模式,以取代化石燃料发电机。它从7月起开展为期六个月的试点,在法拉盛草原可乐娜公园设置两个充电柜,有10家摊贩参与。试点由City Parks Foundation出资46000美元、Resilient Cities Catalyst出资30900美元支持。摊贩William Arevalo对该刊说,他的发电机每月燃料费大约500到600美元。公司已经向配送骑手收取每月65到95美元,供其从全市45个以上充电柜取用电动自行车电池。

更便宜、更清洁的基础设施不断到来。治理层却一直落后。

评论 0

资料来源

14
  1. 01China's generative AI user base crosses 700 million, covering over half the populationEN
  2. 02IAM for AI agents: A Practical Enterprise FrameworkEN
  3. 03CoreWeave Targets Enterprises with Forge PlatformEN
  4. 04Container Apps Express Reaches GA on a Newly Generally Available Sandbox LayerEN
  5. 05Enterprises Adopt Colocation for AI and Hybrid Cloud InitiativesEN
  6. 06The Role of Optical Frequency Comb Generators in AI Data CentersEN
  7. 07MoFlow: Multi-Objective Agentic Workflow GenerationEN
  8. 08Learning to Route in Visual Space via Multi-Step Embedding RetrievalEN
  9. 09Beyond Mode Collapse: Generating Diverse Synthetic Expert Conversations via Generative Flow NetworksEN
  10. 10ReLOBGen: Replayable Limit Order Book Message GenerationEN
  11. 11EnJoi: Ensemble Joint Score Filter for Generative Data AssimilationEN
  12. 12Germany could generate over 600,000 tonnes of PV module waste by 2030EN
  13. 13This startup helps food carts switch loud, dirty generators for batteriesEN
  14. 14Generative Bionics, la start up che in meno di un anno ha stretto accordi con Eni e FincantieriEN

本文所有数字与引语均来自下列来源,未添加来源之外的内容。

本内容由编辑部在人工智能辅助下制作完成。

林晓雯

林晓雯

人工智能、模型与技术

林晓雯负责FLASH24的人工智能、模型与技术方向,主要写科技、人工智能与模型、媒体与互联网三个领域。她习惯从论文预印本、开源代码库和厂商技术文档入手,先核对训练数据来源和评测口径,再决定是否落笔。遇到模型跑分,她会自己复现一遍小规模测试,并对照独立第三方榜单,确认数字没有注水。她常联系一线工程师和产品经理,也盯着各大会议截稿日,把不同版本的技术报告放在一起比。业余时间她玩3D打印、折腾老电脑,还关心模型从网络垃圾里学到的偏见问题,这让她对数据清洗格外敏感。她有一条原则:拿不到原始数据的性能宣称,不写。

编辑部 →

评论

0
  1. 还没有评论——来说两句吧。

写评论

评论公开展示。我们不发布辱骂、垃圾信息和广告内容。