AI服务生活

多智能体AI正推动供应链从“预测”迈向“执行”时代。通过需求、库存、采购、物流、风险等专业Agent协同，结合Supervisor统一决策，并直接对接ERP/WMS/TMS系统，实现问题发现到执行的闭环。案例显示，决策速度提升3倍，交付准确率提高30%。核心价值在于“受控自治”：低风险自动执行，高风险人工审批，设置财务与运营阈值作为保险丝。尽管面临供应商非标准化等挑战，但企业正逐步将Agent嵌入真实供应链，开启高效、敏捷的智能运营新范式。

AI Agent正成为恶意软件新分发渠道，攻击者通过伪造GitHub项目（如FakeGit）利用AI推荐机制传播恶意软件。传统攻击依赖欺骗用户，而今攻击者转向“AgentBaiting”——通过优化项目可信度（Stars、Downloads、文档）诱导AI推荐恶意MCP工具，实现间接提示注入与工具投毒。由于AI Agent具备访问私密数据、处理不可信内容并对外通信的能力，一旦被操控即引发严重安全风险。这标志着软件供应链已扩展至AI信任链，安全验证需从静态检查转向持续信任评估。

如果只看这篇新闻，你可能觉得"原来有 7 家公司在做 AI 文档验证"。文档欺诈正在从传统图像造假，进入 AI 生成、数字取证和欺诈网络分析阶段。过去我们只问"这张图有没有 P 过"，现在要问一连串问题：文件是否被修改过？是不是 AI 生成的？和历史文件、其他申请有没有关联？里面的数字是否符合业务逻辑？是不是欺诈团伙的一部分？。AI 正在从"识别内容"走向"判断内容是否可信"。在银行、保险、贷款、电商、供应链、企业开户等场景中，"内容可信度"本身正在成为一种重要的 AI 能力。

GPU利用率仅5%却任务排队，根源在于“利用率≠可用性”。Kubernetes关注的是资源是否被分配，而非算力使用率。真正瓶颈常为：GPU被整卡独占、显存已满、调度约束不满足或应用层瓶颈（如数据传输慢）。解决需按“分配→显存→放置→应用”顺序排查，优先启用MIG/MPS实现多任务共享，而非盲目扩容。

Salesforce 推出 Agentforce Coworker，将AI从“聊天机器人”升级为企业的“数字同事”。在Adecco全球2.7万名员工中，该系统通过统一数据层（Data 360），让AI不仅能理解自然语言、跨系统查询信息，还能协调专业Agent执行任务，如提交请假、更新客户信息等。这标志着企业AI正从“信息检索”迈向“任务执行”，成为连接员工与业务系统的智能操作入口，真正实现“AI协同工作”。

三星使用 Mistral AI 模型制造芯片”的新闻。第一阶段，我们让 AI “会说话”。第二阶段，我们让 AI “会理解”。第三阶段，我们让 AI “会预测”。让 AI 参与真实世界的决策。这也是为什么未来真正值得关注的 AI，不一定只是参数更大的模型。模型如何连接数据，如何连接专业知识，如何连接优化算法，以及最终如何连接真实世界的生产系统。三星把 Mistral AI 放进半导体制造体系，本质上就是这样一个案例。AI 的终点并不是聊天窗口。

CloudNC 获得 2000 万美元融资当然是新闻本身。但从技术角度，更值得关注的是它代表了一条非常明确的路线：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;CAD工程师CAMCNC正在逐渐变成：fill:#333;important;important;fill:none;color:#333;color:#333;

让程序员可以逐步查看和控制 AI 的加工策略决策。其官方介绍强调，工程师可以在刀路发送回 GibbsCAM 等 CAM 软件之前，对 AI 建议进行检查和控制。CloudNC 官方也明确强调 CAM Assist 的设计目标是让人保持对加工过程的控制，而不是简单地把工程师从流程中拿掉。而这，正是下面要讲的 Physical AI 真正有意思的地方。的应用，同时推动新的 AI 产品，包括面向加工报价和估算的。这正是理解制造业 AI 的关键。，计划进一步扩大其 AI 精密加工技术在全球供应链中的应用。

如果只把 MG Ship 理解成"一家物流公司推出了 AI 路线规划功能"，那么其实低估了这件事情。物流 AI 正在从预测系统向决策系统演进。过去 AI 说的是"这批货可能晚三天"。现在 AI 说的是：如果继续走当前路线，预计延误 3 天；如果切换路线 B，成本 +8% 但延误概率下降 23%；如果更换承运商 C，成本 +4% 但准时率提高 12%；综合成本、时效和风险后，推荐路线 B + 承运商 C。这才是真正有业务价值的 AI。因此未来我们理解 AI 基础设施时，不能只问"这个系统用了什么模型？

一项研究揭示，Google AI Overview中YouTube视频被引用率达53.1%，远超传统权威医疗网站。这背后是搜索范式从“找网页”向“找答案”的转变：传统搜索依赖网页排名，而AI搜索通过多源信息检索、理解与融合，生成综合答案。关键差异在于，AI更关注信息的可引用性而非页面排名，导致内容来源多元化，甚至非传统权威平台也能脱颖而出。这一变化标志着搜索正从“文档召回”迈向“信息生成”，用户不再仅需点击阅读，而是依赖系统整合与验证。

传统互联网产品是"用户 → App → 功能"的单向关系，而 AI 产品的箭头已经变成双向，并进一步延伸出记忆、上下文、个性化：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;用户AIMemoryContext。

现在很多 AI Agent 的宣传是"Agent 自主思考 → 自主调用工具 → 自主执行"。但银行不能简单采用这种模式，而更可能采用一条带治理关卡的链路：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;AI AgentRisk CheckExecution因此企业 Agent 真正落地之后，很可能不是，而是。

先把问题简单化。假设有订单 A~E 和车辆 1~3，系统需要决定每辆车送哪些订单、走什么顺序：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;车辆 1订单 A订单 C订单 E车辆 2订单 B车辆 3订单 D车辆容量：车辆最大容量 1000kg，若 A=400kg、B=300kg、C=500kg，就不能全部分给同一辆车。时间窗口。

自动驾驶最大的挑战已经不只是"汽车能不能自己开？"，而是"汽车能不能在复杂环境中稳定、安全、可预测地自己开？"而"可预测"又要求一整条链路：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;AI 理解世界AI 做出决策AI 能够解释决策人类理解 AI人类预测 AI人机安全协作CW-Net 最有价值的地方就在这里。

让 AI 能够以标准方式使用外部工具。但也正因为如此，它把 AI + Tool + Data + Permission 连接了起来。AI 终于开始真正拥有行动能力。fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;现在LLM理解意图选择 Tool调用 MCP访问数据修改系统完成任务以前LLM回答问题。

传统 AI 主要处理文字、图片、声音、代码，而 Physical AI 要解决的是真实世界的感知与行动闭环。Prime Air 可以很好地体现这一点：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;真实世界摄像头/传感器AI 感知AI 决策飞控系统无人机动作Sense → Think → Act（感知 → 思考 → 行动）。

攻击者和防御者都在获得新的 AI 能力。如果攻击者开始使用 AI（自动发现 + 自动分析 + 自动执行），而防御者仍然依赖（人工扫描 + 人工分析 + 人工响应），那么传统安全体系很可能逐渐无法匹配新的攻击速度。因此，企业真正应该做的事情不是简单地"禁止 AI"，更合理的路线是：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;企业 AI 安全。

NVIDIA 到底是在卖 GPU，还是在参与整个 AI 基础设施？两者都是。今天的 NVIDIA 已经不再只是芯片公司，而正在逐渐成为 AI Hardware + AI Software + AI Infrastructure + AI Ecosystem + Capital 组成的综合平台。而所谓的"循环融资"，恰恰把这个变化暴露得非常清楚：fill:#333;important;important;fill:none;color:#333;color:#333;

理解 Jetson Orin Nano 2 之前，首先要理解 Physical AI。我们可以把传统 AI 简化成：fill:#333;important;important;fill:none;color:#333;color:#333;important;fill:none;fill:#333;height:1em;用户输入AI 模型输出用户比如：fill:#333;important;important;fill:none;color:#333;color:#333;

所谓“循环融资”，通常指资金在关联方之间形成闭环流动的资本安排。在英伟达的语境下，这一模式大致呈现为：英伟达向 AI 实验室投入资金，而这些实验室在采购算力时，又将大量资金以购买 GPU 芯片和服务的形式回流至英伟达。由此，投资与采购相互交织，形成一种自我强化的资金循环。这种安排并非简单的财务操作，而是深度绑定芯片供应与资本回报的战略选择。对于 AI 实验室而言，获得英伟达的投资不仅意味着资金支持，更意味着在算力紧缺时期能够优先获取高性能 GPU；

本文结合公开报道，从这一融资事件出发，梳理小鹏在机器人领域的投入，并由此展望整个行业未来的走向。与此同时，大量重复性岗位可能被替代，劳动力市场将面临结构性调整，催生新的职业方向——机器人运维、AI训练师、人机协作设计师等新兴岗位将应运而生。站在这个起点上，我们既要拥抱机遇，也要以审慎的态度，为这场变革铺设好制度与伦理的轨道。它反映了资本市场对物理 AI 赛道的强烈信心——当大模型的能力从文本、图像延伸到物理世界，人形机器人被视为下一个万亿级市场的入口。如果机器人真正实现普及，其影响将是全方位的。