AI 与科技

发生了什么

北京机器人运动会上，人形机器人们上演了大量令人眼花缭乱的表演。最直观的震撼来自速度：机器人跑得比乌塞恩·博尔特还快，先以力量和爆发力抓住了观众的目光。

不过，真正让人叹为观止的节目并不是比谁跑得快，而是用镊子完成的精细操作。那些动作看起来并不张扬，却要求机器人在极小的范围内保持稳定、精准和克制——这考验的是控制与判断，而不是单纯的肌肉。

为什么重要

这场运动会的有趣之处在于，它把焦点从“能不能更快”转向了“能不能更准”。当机器人能在高速奔跑之外，还用镊子完成细致动作，说明它们的感知、决策和执行系统已经能协同处理更复杂的任务。

速度与力量固然吸引眼球，但精细操控能力更接近现实世界中对机器人的实际需求。真正的进步，可能不在于跑赢人类，而在于做好那些人类手指习以为常的小动作。

关键事实

北京机器人运动会展示了大量人形机器人特技。

人形机器人的奔跑速度超过了乌塞恩·博尔特。

最令人震撼的是用镊子完成的精细操作，考验的是机器人的大脑而非蛮力。

接下来看什么

后续机器人竞赛是否会增设更多考验精细操控与决策能力的项目。

厂商能否把镊子级别的精准度带到更多真实应用场景中。

来源

• WIRED

发生了什么

据《连线》杂志报道，来自全国各地的超过15名政治人物已签署一份名为“AI契约”的协议，承诺对数据中心和人工智能实施监管。

内布拉斯加州参议员候选人丹·奥斯本在表态中说：“我们必须把这件事做好。”这番话反映出部分政界人士对AI治理议题的重视。

为什么重要

这标志着数据中心和AI安全正成为多地政治议程上的共同关注点，而不再只是科技行业内部的讨论。

跨地区的政治人物联合承诺，可能为未来制定统一的监管框架奠定基础，但具体如何落实仍有待观察。

关键事实

超过15名政治人物签署了这项AI契约。

签署者承诺对数据中心和AI进行监管。

内布拉斯加州参议员候选人丹·奥斯本表示“我们必须把这件事做好”。

接下来看什么

关注这些候选人若当选，是否会将其承诺转化为实际的立法或政策行动。

关注AI契约是否会获得更多政治人物签署，以及后续是否会出台具体的监管细则。

来源

• WIRED

发生了什么

谷歌DeepMind推出Gemini 3.5 Transcribe，据称提供更智能的语音转文字转录功能。

用户现在可以使用这一新工具，将语音内容转换为文字。

为什么重要

语音转写是人工智能应用的重要方向，更智能的转录能力有望提升信息处理效率。

这一发布表明语音理解技术正在持续进步，为用户提供更自然、更准确的交互体验。

关键事实

Gemini 3.5 Transcribe 来自谷歌DeepMind。

该工具提供更智能的语音到文本转录功能。

该功能现已可用。

接下来看什么

Gemini 3.5 Transcribe 的实际转录效果值得关注，尤其其智能程度如何体现。

后续Gemini系列产品可能将这一技术整合到更多应用场景中。

来源

• Google DeepMind

发生了什么

谷歌宣布更新Gemini Audio，引入新一代Gemini 3.5模型，带来更精准的语音转录能力。

新功能能够自动识别专业术语，并支持超过85种语言，同时还能去除“嗯”“啊”之类的填充词。

此次更新推出Gemini 3.5 Live、3.5 Live Experimental和3.5 Transcribe三个模型，旨在提升语音控制AI的精确度，减少背景噪音或语音不清带来的问题。

为什么重要

这表明语音AI在自然语言理解上更进一步，用户无需刻意保持标准发音或避免使用口语化表达。

自动消除语气词能让转录文本更干净，对会议记录、访谈整理等场景尤为实用。

关键事实

谷歌更新了Gemini Audio，加入Gemini 3.5系列模型。

新转录功能支持超过85种语言，并能自动检测专业术语。

新模型包括Gemini 3.5 Live、3.5 Live Experimental和3.5 Transcribe。

接下来看什么

该功能在实际使用中能否准确应对不同口音和嘈杂噪音环境。

谷歌是否会将这些转录能力进一步整合到更多语音控制产品中。

来源

• The Verge

发生了什么

GoDaddy 将原有分析系统从传统商业智能工具迁移至 Amazon Quick，这一过程持续了两年。

迁移后，公司每年节省约 15,000 小时，仪表板数量下降了 50%，渲染耗时缩短至 5 秒以内。

AI 驱动的自助式分析能力现已向每一位员工开放。

为什么重要

这表明大型企业可以借助云原生分析工具，显著降低报表维护成本并提升运行效率。

让普通员工而非仅限数据专家使用 AI 分析，有助于推动数据驱动决策在组织内普及。

关键事实

转型为期两年，用 Amazon Quick 替代了传统 BI 工具。

每年节省 15,000 小时，仪表板数量减少 50%。

渲染时间低于 5 秒，AI 自助分析对全员可用。

接下来看什么

后续其他企业可能参考 GoDaddy 的路径，加速从传统 BI 向 AI 驱动的云分析迁移。

GoDaddy 如何继续深化 AI 分析能力，值得关注。

来源

• AWS Machine Learning

发生了什么

Natera 在 Amazon Bedrock AgentCore 上构建了一个自动化语音代理，使患者能够通过自然对话预约移动采血服务。

该方案采用了双 WebSocket 桥接、事件驱动延迟掩盖以及渐进信任认证等技术，实现了 100% 的工具调用准确率和低于 7 秒的响应延迟。

为什么重要

这一实践展示了生成式 AI 代理在医疗场景中的落地能力，将预约流程从传统表单或人工客服转向自然语言交互，有望提升患者体验。

文章提到的技术细节也反映出构建生产级语音代理时，需要同时考虑连接管理、延迟优化和身份验证等多个关键环节。

关键事实

Natera 在 Amazon Bedrock AgentCore 上构建了自动化语音代理。

患者可通过自然对话预约移动采血。

方案包含双 WebSocket 桥接、事件驱动延迟掩盖和渐进信任认证。

系统实现了 100% 工具调用准确率和低于 7 秒的延迟。

接下来看什么

类似的语音代理架构是否会被更多医疗或客户服务场景采用，以替代传统预约方式。

后续是否会公开更多关于渐进信任认证和延迟优化的具体实现细节。

来源

• AWS Machine Learning

发生了什么

AWS 发布了关于 Amazon SageMaker AI 的更新，介绍其 Python SDK v3 对脚本模式进行了重新设计，核心是引入统一的 ModelTrainer 和 ModelBuilder 类。

该发布通过两个端到端示例进行说明：一个使用 scikit-learn 的随机森林模型，另一个是基于多 GPU 的 Stable Diffusion 3.5 LoRA 微调任务。

新方案中的 SourceCode 功能可以在运行时将用户本地代码同步到任意容器中，从而使开发者无需重新构建 Docker 镜像即可进行迭代。

为什么重要

这项更新降低了自带模型进行训练和微调的门槛，开发者可以更专注于代码本身，而不是容器构建的繁琐流程。

统一的类设计有望简化不同框架间的使用体验，让从传统机器学习到生成式 AI 的工作流衔接更顺畅。

运行时同步代码的方式能够显著缩短迭代周期，对需要频繁试验的模型调优场景尤其有价值。

关键事实

SageMaker Python SDK v3 重新设计了脚本模式。

新版本统一了 ModelTrainer 和 ModelBuilder 类。

文章包含两个端到端示例：scikit-learn 随机森林和多 GPU 的 Stable Diffusion 3.5 LoRA 微调。

SourceCode 可将本地代码在运行时同步到任意容器中。

此方法无需重建 Docker 镜像即可迭代。

接下来看什么

未来可能会有更多基于 SDK v3 脚本模式的示例或最佳实践发布，帮助开发者更快上手。

随着生成式 AI 微调需求的增长，多 GPU 场景下的脚本模式支持是否会进一步扩展值得关注。

本地代码运行时同步机制的实际性能和安全性，可能在后续使用中得到更多验证。

来源

• AWS Machine Learning

发生了什么

这是关于监督微调数据准备的两篇系列文章中的第二篇，重点讨论进阶策略。

文章涵盖四个主要方向：利用学习曲线评估数据就绪程度、挑选高价值数据子集、通过合成与蒸馏示例增强数据，以及混合数据源以避免灾难性遗忘。

为什么重要

对于从事模型微调的团队，数据质量与构成直接影响微调效果。这些进阶策略有助于更高效利用数据资源，并减少训练中的遗忘问题。

学习曲线等方法让数据准备从依赖经验转向可评估、可判断的流程，帮助团队在投入大规模训练前做出更明智的决策。

关键事实

本文是两篇系列文章中的第二篇，聚焦进阶数据策略。

文章介绍了用学习曲线评估数据就绪度、选择高价值数据子集。

还涉及使用合成与蒸馏示例增强数据，以及混合数据源防止灾难性遗忘。

接下来看什么

读者可以回顾该系列的第一篇文章，以理解基础流程并更好衔接进阶策略。

后续可关注这些策略在真实微调任务中的应用效果，以及是否有配套工具或实践案例发布。

来源

• AWS Machine Learning

发生了什么

AWS Machine Learning 于2026年8月26日发布文章《为监督微调准备数据 第一部分：格式与质量》。这是关于监督微调（SFT）数据准备的两部分系列中的第一篇。

文章强调，数据准备决定了任何监督微调项目效果的上限。作为开篇，它聚焦于SFT数据准备的基础工作：质量检查、对话型数据的JSONL格式化、推理与工具调用所需的模式，以及具有代表性的训练集与评估集划分。

为什么重要

对于进行监督微调的团队而言，数据环节是影响模型表现的关键前置步骤。本文选在系列开头讲解格式与质量，说明在进入模型训练之前，开发者需要先建立规范的数据处理流程。

合理的划分与格式不仅影响训练效率，也关系到模型在推理和工具调用等场景上的能力边界。这篇基础性文章为后续实操提供了起点。

关键事实

文章来源为 AWS Machine Learning，发布于2026年8月26日。

该文章是两篇系列中的第一篇，主题为格式与质量。

内容涵盖质量检查、对话（JSONL）格式、推理与工具调用模式，以及训练/评估划分。

数据准备被视为决定监督微调项目上限的关键因素。

接下来看什么

关注该系列的第二部分，进一步了解SFT数据准备的其他方面。

实践者可在项目中应用本文介绍的质量检查与格式规范，探索其对微调效果的影响。

来源

• AWS Machine Learning

发生了什么

Google Cloud 宣布推出 Fault Injection Testing 预览版，该服务旨在帮助开发者和架构师在云环境中自动化故障测试。

该服务在此预览版中支持两种主要故障场景：触发高可用 Cloud SQL 实例的故障转移，以及通过第 7 层负载均衡器增加延迟和 HTTP 错误码来降低应用流量。

Fault Injection Testing 包含注入前的自动化预检（dry run），允许手动启动，并提供停止和回滚功能，以终止实验并恢复资源。

为何重要

现代分布式系统非常复杂，使得高可用性越来越难以保证，尤其是在云环境中对底层基础设施的直接访问受到限制的情况下。

如果没有原生的韧性测试工具，组织将面临风险，包括客户信任受损、合规和监管处罚，以及大规模迁移的延迟。

在真正发生故障之前进行故障实验，有助于验证安全机制是否按预期工作，并确保关键任务服务在不利事件期间保持在线。

关键事实

Fault Injection Testing 预览版可通过 Google Cloud 控制台、gcloud CLI 和 REST API 使用。

该服务在执行任何故障注入之前，会进行只读预检，以检查权限并列出受影响的资源。

KeyBank 和 Servier 等合作伙伴已经在使用 Fault Injection Testing 来验证其部署。

Google Cloud 建议在预览期间于非生产环境中使用 Fault Injection Testing。

下一步关注

组织可以通过其 Google Cloud 客户团队申请预览访问权限，启用 Fault Testing API，并分配 roles/faulttesting.operator 角色来运行实验。

在预览期间，早期用户可以提供反馈以影响产品发展，Google Cloud 可能会在 Cloud SQL 故障转移和负载均衡器流量降级之外，扩展支持的故障场景。

来源

• Google Cloud

发生了什么

优步一直在调整技术策略以管理不断扩张的网络，确保整个平台的应用流量平稳运行。

作为该功能的早期设计合作伙伴，优步在其云互连部署中启用了应用感知功能，先从亚利桑那州凤凰城和弗吉尼亚州阿什本开始。

该功能通过 DSCP 标记和队列配置，将流量分为六个类别，并采用严格优先级或带宽共享策略来保护关键业务流量。

为什么重要

传统云互连通常依赖过度配置带宽来应对峰值需求，但对优步这样的全球化规模而言，这种方法成本高昂且可靠性不足，尤其随着人工智能工作负载增加，网络饱和风险更大。

应用感知功能在拥塞期间保障关键应用性能，不仅改善了日常运营，也让优步有信心推进谷歌云迁移，降低切换中断风险。

关键事实

应用感知功能是跨混合网络应用优先级排序的行业首创工具。

该功能包含流量处理、拥塞响应、延迟管理和成本效率四大特性。

优步率先在凤凰城和阿什本的 Cloud Interconnect 部署中启用了该功能。

接下来看什么

其他组织如何借鉴优步的做法，在混合云或多云迁移中利用应用感知功能保障关键流量。

随着优步持续扩展人工智能相关的大规模数据分析，该功能将如何进一步支持其网络需求。

来源

• Google Cloud

发生了什么

Google Cloud 在博客中介绍了 OKF 规范的最新进展：v0.1 定义了由 Markdown 文件与 YAML frontmatter 组成的可移植格式，包含一个必填字段和五项约定；v0.2 则加入 provenance、verification、freshness、attestation 等信任信号，使团队能发布可信的上下文包供自家智能体使用。

文章指出，OKF 尚未解决跨团队共享问题：每个 bundle 使用一个 git repo 虽然可移植，但无法与所描述的数据一起被搜索，无法用组织统一的身份与合规策略治理，也无法和数据团队已有的 schema、lineage、ownership 等元数据并列。

解决方案是将 OKF bundle 映射到 Knowledge Catalog 的现有类型。该平台是 Google Cloud 的智能体上下文引擎，统一索引 BigQuery、Cloud Storage、运营数据库和应用中的资产；发布只需一次性设置和一次推送，设置会注册 EntryGroup、okf-bundle 的 EntryType 以及 okf 的 AspectType。

为什么重要

这一整合把 OKF 从单团队格式提升为组织级上下文层。没有目录时，每个下游智能体都必须知道每个 bundle 的位置，难以规模化；借助 Knowledge Catalog 的统一索引，bundle 能与数据资产并列出现，并复用搜索、IAM、lineage 与跨项目发现能力。

对治理而言，这意味着智能体上下文不再游离于现有安全体系之外，而是受基于 IAM 身份的统一访问控制约束。由于每个概念都带有技术元数据和 OKF 信任信号，AI 应用可以在与数据团队相同的治理框架下消费上下文。

关键事实

OKF v0.1 定义可移植格式：Markdown 文件加 YAML frontmatter，含一个必填字段和五项约定。

OKF v0.2 加入 provenance、verification、freshness、attestation 信任信号，用于机器生成的上下文包。

Knowledge Catalog 是 Google Cloud 的智能体上下文引擎，统一索引 BigQuery、Cloud Storage、运营数据库和应用中的资产。

发布 OKF bundle 到 Knowledge Catalog：一次性设置调用 gcloud dataplex，推送交给同仓库中的 kcmd CLI。

okf AspectType 由 okf-aspect.json 定义，包含 13 个字段，覆盖完整 OKF v0.2 规范。

接下来看什么

值得关注 OKF 是否会围绕组织内共享进一步增加约定，例如 bundle 的命名、版本化或授权模型。

同时观察 Knowledge Catalog 是否会继续强化对 OKF 信任信号的利用，使 provenance、verification 等信息在检索排序和审计中发挥更大作用。

来源

• Google Cloud

发生了什么

AWS机器学习团队发布了一篇技术文章，介绍如何将Amazon Bedrock AgentCore代理连接到跨账户的知识库。该知识库由Amazon Redshift Serverless支撑，位于另一账户中，无需复制源数据。

文章详细说明了整体架构和安全边界，并展示了两种编排模型：一种是基于代码的Strands代理，另一种是声明式的AgentCore harness。

为什么重要

跨账户访问知识库的能力让企业可以在保持数据隔离的同时，复用已有的数据资产，避免为了AI应用而迁移或复制敏感数据。

安全边界的明确划分有助于团队在多个AWS账户环境中管理权限，减少数据暴露风险。

提供两种编排模型意味着用户可以根据自身的开发偏好和复杂需求，在灵活编码与简化声明之间做出选择。

关键事实

Amazon Bedrock AgentCore代理位于一个账户中。

知识库由另一个账户中的Amazon Redshift Serverless提供支持。

整个过程不需要复制源数据。

文章涵盖了架构、安全边界以及两种编排模型。

接下来看什么

后续可能会看到更多关于AgentCore跨账户能力的示例，特别是与不同数据源组合的架构模式。

开发团队需要评估Strands代理与声明式harness各自的使用场景，以确定哪种方式更适合自己的治理和运维流程。

来源

• AWS Machine Learning

发生了什么

Particle 推出了名为 Radar 的播客智能平台，能够对超过 130,000 个播客进行转写和分析。

该平台使播客对话内容可在网页上被搜索，并通过 API 和 MCP 开放给 AI 智能体使用。

为什么重要

播客长期以来是难以检索的音频内容，Radar 的出现将它们转化为可查询的文本数据，提升了信息的可及性。

通过 API 和 MCP 接入，AI 智能体可以基于播客内容进行交互，这可能催生新的应用场景，如自动摘要、问答或内容整合。

关键事实

Radar 是 Particle 推出的播客智能平台。

该平台覆盖超过 130,000 个播客的转写与分析。

播客内容可通过网页搜索，并借助 API 和 MCP 供 AI 智能体调用。

接下来看什么

未来是否会有更多播客平台接入 Radar，以及该技术如何与现有搜索和 AI 工具整合。

需要关注播客内容的版权与使用边界，以及 AI 智能体在利用这些数据时的准确性和合规性。

来源

• TechCrunch

发生了什么

一群曾任职于Meta的科学家正在推动一项新计划，旨在把视觉人工智能技术应用到工厂环境中。

他们推出的Perceptron系统提供一种AI模型，据称既能帮助机器在物理世界中定位和移动，也能提供深入的视觉信息理解。

为什么重要

如果该技术奏效，工业机器人或许能更灵活地感知周围环境，而不仅仅是执行预设程序。

将前沿视觉AI从实验室带到工厂，可能意味着生产自动化将变得更智能、更适应复杂现实场景。

关键事实

该团队由前Meta科学家组成。

Perceptron提供一个AI模型，用于机器导航和视觉智能分析。

该技术针对的是工厂车间场景。

接下来看什么

未来需要观察Perceptron的模型在实际工厂环境中的表现和接受度。

值得关注这一技术如何与传统工业自动化系统结合，以及是否会被大型制造商采用。

来源

• TechCrunch

发生了什么

比尔·盖茨主张设立机器人税，并创建“人类保留”岗位，以应对人工智能可能带来的负面影响。

报道指出，盖茨总体上属于负责任AI阵营，但这次提出的一些想法此前未曾听到过。

为什么重要

这一表态反映出主流科技人物开始更直接地思考AI对就业与社会结构的潜在冲击，而不仅仅是关注技术进展。

机器人税和“人类保留”岗位若被认真讨论，可能影响未来政策方向和企业用人策略。

关键事实

盖茨希望看到机器人税的实施。

盖茨支持设立“人类保留”岗位来缓解AI带来的伤害。

消息来源称，盖茨总体属于负责任AI阵营，但其中包含此前未听过的新想法。

接下来看什么

关注盖茨是否会进一步阐述这些提议的具体机制，以及科技界和政界的反应。

此类讨论是否会被纳入更广泛的人工智能治理议程，值得持续观察。

来源

• TechCrunch

发生了什么

Tata Communications企业正以超过现有架构支持速度的速度，在消息、语音和数字渠道部署AI代理、语音AI和自动化；但全球客户交互套件主管Gaurav Anand指出，大多数部署是将对话式AI附着在从未为其设计的遗留系统上。

Anand表示，虽然许多企业采用了数字工具，但很少有平台真正集成、可扩展并具备无缝编排能力；这种差距给人工客服带来沉重认知负担，因为他们必须在割裂的工具间拼凑上下文，才能理解AI系统已向客户告知的内容。

Anand认为，传统CX架构是为线性、人工驱动的路由而构建，无法管理自主AI系统、数据湖和人类员工之间的实时数据流；企业现在需要的不是更多智能，而是协调整个企业已有的智能，并建立共享上下文层。

为什么重要

随着企业积累越来越多的机器人、代理和AI工具，管理它们的复杂性呈指数级增长；竞争优势不再取决于部署多少自动化，而在于系统间如何智能地交接工作、协作和升级。

仅把语音AI代理放在现有系统前端，可能会重蹈覆辙，用确定性电话菜单取代AI本应改善的体验；AI的真正价值在于规模、速度和编排。

行业正在经历整合浪潮，成熟联络中心供应商收购AI原生公司，反映出企业需要的不只是渠道和自动化，而是一个能跨业务编排AI、人员、数据和工作流的智能层。

关键事实

Gaurav Anand是Tata Communications客户交互套件全球主管。

Anand称，自动化解决单个任务，而编排把任务连接成端到端成果；下一步是上下文感知的编排。

Tata Communications的解决方案是Interaction Fabric，一个统一联络中心、消息、协作、AI和客户数据的编排层，并持续连接身份、对话、交易和运营数据。

接下来看什么

企业是否会从零散的AI部署转向构建共享企业本体，即统一客户数据、产品、政策、SOP、交易和工作流的通用业务词汇。

Tata Communications的Interaction Fabric等编排层能否真正让AI代理、渠道和企业系统在实时协调中保持客户交互的连续性，仍有待观察。

来源

• VentureBeat

发生了什么

Z.ai正式对外确认，此前身份成谜的开源模型Ox Alpha正是由这家AI实验室打造，揭开了外界的猜测。

Ox Alpha在多项基准测试和排行榜上表现出色，位居前列。Z.ai同时表示，该模型的权重文件即将对外公开发布。

为什么重要

Ox Alpha一直以神秘姿态出现，如今确认幕后实验室为Z.ai，外界可更清晰地评估其技术方向与实力。

权重即将开放意味着开发者可以自由下载和研究该模型，这有望推动开源AI生态的进一步竞争与创新。

关键事实

Z.ai确认其是Ox Alpha模型的开发方。

Ox Alpha是一个开源模型，在基准测试和排行榜上处于领先位置。

Ox Alpha的权重即将发布。

接下来看什么

关注权重正式发布后，开源社区对该模型的测试、反馈和二次开发情况。

观察Ox Alpha在实际应用中的表现是否能与其在排行榜上的成绩相匹配。

来源

• TechCrunch

发生了什么

谷歌云指出，互联网已经连接了数十亿人和移动设备，如今正进入下一次重大技术转型：部署数百万自主AI智能体，与员工和终端用户协作。为此，谷歌云宣布为Gemini Enterprise新增FinOps控制，帮助组织管理项目级AI支出并消除“token冲击”。

智能体时代的规模给基础设施每一层都带来了新约束。AI工作负载架构难度大、资源密集且具有明显的突发性，容易造成扩展瓶颈以及计算资源的大规模闲置或误用。谷歌云在博客中提出了动态容量管理的最佳实践，即通过调度和利用策略，在单一灵活的基础上以可预测的成本和性能运行企业应用与AI应用。

动态容量管理有三种实现方式：使用Dynamic Workload Scheduler为计划事件调度容量；通过托管实例组（MIGs）为每个应用建立自动化的硬件回退清单；以及利用Google Kubernetes Engine（GKE）作为智能体原生环境，在单一自适应控制平面上自动化整个容量管理生命周期。

为什么重要

企业部署智能体的意愿强烈，但现有基础设施准备不足。数据显示，90%的企业希望在三年内部署智能体，而只有17%的IT领导者对当前IT设置能否承受负载有信心。智能体访问企业应用和数据库的规模往往远超人类用户的典型用量，这要求基础设施具备动态响应能力。

仅靠定制硬件如Axion处理器并不够，基础设施团队还需要更智慧地利用这些资源，解决执行效率问题，从而在整个技术栈中释放更多灵活性。将可预测需求的资源预留与不可预测需求的自动化响应结合起来，是克服基础设施约束的关键路径。

关键事实

谷歌云宣布为Gemini Enterprise推出新的FinOps控制，用于管理项目级AI支出并消除token冲击。

动态容量管理包括三种做法：计划事件容量调度、基于MIGs的回退计划，以及通过GKE自动化容量管理生命周期。

90%的企业希望在三年内部署智能体，但只有17%的IT领导者对当前基础设施应对负载有信心。

这些能力是对按需、Spot和承诺使用折扣（CUD）消费模式的补充。

接下来看什么

随着智能体规模持续扩大，企业将需要更精细的容量调度和自动化能力。谷歌云通过Dynamic Workload Scheduler、MIGs和GKE等工具，帮助组织在计划内需求与突发事件之间取得平衡。

未来，企业应审视自身基础设施是否具备动态调整能力，并将容量管理纳入整体AI战略，以避免资源浪费和性能瓶颈。

来源

• Google Cloud

发生了什么

Google Cloud宣布扩展计费灵活性和新的成本管理工具，面向Gemini Enterprise及开发者工具中的AI代理工作负载。企业可以将现有的按用户订阅与新的按需付费选项结合使用，避免代理任务中途受配额限制。

Google Antigravity和Android Studio的AI使用现已被纳入Gemini Enterprise订阅，部分客户已可用并即将广泛推出。相关用量会在同一视图中汇总，不再需要分别管理许可证和计费。

同时推出的还有Flexible Savings Plans，企业可承诺月度支出以换取10%-20%的token成本折扣；管理员还能设置月度硬上限、估算代理运行成本并捕捉预算突增。

为什么重要

随着AI承担更复杂的工作，企业既要快速创新，又要保护利润和预算。此次更新试图让财务运营和成本管理跟上技术发展的节奏，提供更清晰的可见性和主动控制。

不同团队的AI使用方式差异很大：业务用户用量稳定，技术团队则可能以突发方式运行代理工作负载。混合计费模式让成本更贴合实际使用情况，避免为闲置容量付费。

统一配额池和延迟执行定价等机制，可能帮助企业在不增加管理负担的情况下提高资源利用率，并为可等待的负载争取更低成本。

关键事实

Gemini Enterprise应用新增按需付费的消费版，无预付款项或基础订阅费，按实际消耗的计算和token计费。

Google Antigravity和Android Studio的AI使用现包含在Gemini Enterprise订阅中，面向部分客户开放并将广泛推出。

Flexible Savings Plans允许企业承诺月度支出，享受10%-20%的token成本折扣，无最低或最高额度限制。

即将推出的延迟执行定价让符合条件的代理工作负载在非高峰时段运行，最高可节省一半推理成本并绕过标准配额限制。

接下来看什么

这些新选项将如何随客户范围扩大而落地，以及企业实际如何组合订阅、按需付费和节省计划来控制AI支出。

延迟执行定价和共享配额池在真实代理工作负载中的表现，尤其是对成本优化和资源利用率的实际影响。

随着更多开发者工具纳入统一订阅，企业管理AI支出和许可证的方式是否会进一步简化。

来源

• Google Cloud