智能体协同
-
轮胎研发从半年缩到几天:中策橡胶如何用AI虚拟工厂重做验证流程
轮胎研发最耗时的验证环节,过去从样胎交付到车企认可通常至少需要半年。中策橡胶自2025年6月部署18个AI智能体,把胎面设计与虚拟测试前移至“虚拟工厂”,将验证压缩到几天,开发周期缩短50%。但高频仿真能否真正替代早期实车试错,关键仍取决于数据积累、模型校准与结果可信度,制造企业该如何复制这条路径?
-
制造企业上马AI智能体前,先把“感知—决策—执行”闭环做对
制造企业上马AI智能体,真正难的不是选一个更大的模型,而是让现场数据、业务规则和执行系统形成一条可追踪的链路。设备出现异常后,系统能否判断影响、生成维护任务并核验结果?质检发现缺陷后,能否追溯批次、隔离风险并触发复检?供应链发生波动时,能否…
-
OpenAI Agents API开放公测:托管式Codex执行框架如何影响企业智能体开发?
OpenAI于2026年9月10日宣布Agents API进入公测,提供复用Codex执行框架的云端智能体基础设施,托管会话管理、上下文压缩、任务编排与沙箱执行。企业可减少底座建设,但仍须负责工具、数据、安全、权限、验收、成本及迁移风险。
-
从一万个智能体协同解题看AI科研组织方式正在发生什么变化?
一万个智能体协同解题的价值不在数量,而在任务拆分、角色分工、证据回流与结果验证。资料整理、假设比较、代码运行和交叉质询形成研究流程,但通信成本、错误传播和汇总偏差仍需警惕。人类研究者须把握问题边界、证据标准与最终判断权。
-
OpenAI称AI智能体88小时给出纳维—斯托克斯方程解法,数学界争议焦点在哪里?
OpenAI称约1万个AI智能体协同运行88小时,针对纳维—斯托克斯方程相关问题提出解法,并公开166页论文和Lean验证代码。关键争议在于,形式化验证不等于数学界认可,成果的正确性、题目覆盖范围及研究独立性仍待外部专家核验。
-
Gemini 3.7 Flash面向编程与智能体场景推出,低价策略会改变开发者选型吗?
谷歌推出 Gemini 3.7 Flash,聚焦编程、软件开发、知识工作与 AI 智能体,并接入 Gemini Spark。其 API 在 2026 年底前首发价为输入每百万 0.75 美元、输出每百万 3.75 美元,但选型仍应综合任务效果、调用结构、长期成本、安全与人工复核。
-
GPT-6 Astra与“AGI已到来”争论:大模型能力跃升后,行业为何仍需要冷静刹车
GPT-6 Astra凭借计算机操作、多智能体协同和复杂任务执行能力引发“AGI已到来”争论,但AGI定义、基准验证、长期稳定性与安全边界仍未统一。行业应警惕企业宣传超前,以独立评估、监督机制和可回退方案检验能力跃升。
-
新一轮AI办公竞争从编程延伸到工作台:阿里Qoder为何强调“不止于编程”
Qoder正从AI编程工具扩展为以编程智能体为核心的智能体工作台,覆盖开发、终端、云端执行及办公任务,强调理解上下文、规划、调用工具和验证结果的闭环。但公开定位不等于成熟能力,企业仍需重点评估权限、治理、可追踪性与人工审核。
-
微信内测“小微AI社交”:让智能体先替用户聊天,社交入口会如何改变
9月7日报道称,微信正在内测“小微AI社交”:用户先向小微提出约饭、确认安排等需求,由双方AI在对方授权后先行沟通,关键决定再提醒用户确认。该功能可能让社交入口从聊天框转向任务表达,但隐私、责任与可控性仍待验证,尚未正式上线。
-
全国首个化工AI大模型3.0 Pro发布:从“会回答”到“会执行”,工业AI落地的4个真相
2026年8月31日,中科院大连化物所联合科大讯飞、阿里云发布智能化工大模型3.0 Pro,构建“大模型—智能体—工具—场景”四层技术体系,集成400余个化工智能体,从“能理解、会回答”迈向“能规划、会执行、可验证”,300余家机构注册、API调用超1400万次。本文深度拆解其技术架构与落地案例,剖析化工为何成为工业AI先锋队,并提炼工业AI落地的4个真相与To B创业者的行动建议。
-
多智能体协作是什么?这一篇文章讲清楚!
【软盟资讯百科词条】多智能体协作(Multi-Agent Collaboration),是人工智能领域新一代分布式智能技术范式,指多个具备独立感知、自主决策、自主执行能力的AI智能体(Agent),依托标准化通信、动态协调、任务调度与冲突规避机制,通过分工配合、信息共享、协同联动,共同完成单一智能体无法高效实现的复杂、多维、动态化任务的技术体系,也是当前AI从单点智能走向群体智能的核心支撑技术。
-
AI正在”拉帮结派”组团干活,你还只信”单打独斗”的模型?
【软盟资讯】人工智能正从”单兵作战”迈向”团队协作”的范式跃迁。多智能体协作(Multi-Agent)通过让多个专业化AI分工配合,解决单一模型难以企及的复杂长链路任务。本文深度解析Multi-Agent的核心原理、主流协作框架,结合金融、制造、零售、客服等行业的真实落地案例,客观剖析其价值与局限,并对安全、成本、治理等冷思考展开探讨,为读者提供一份兼具专业深度与产业视角的AI新范式指南。
