从Alexa到Strands:AWS如何把AI Agent推向云规模
在这场演讲中,AWS的Antje Barth用Alexa和Amazon Q的真实案例,展示了AI Agent如何从“单点智能”走向“云规模协作”。她不仅给出了AWS内部的实践数据,还首次系统讲述了Strands Agents与MCP背后的方法论。
在这场演讲中,AWS的Antje Barth用Alexa和Amazon Q的真实案例,展示了AI Agent如何从“单点智能”走向“云规模协作”。她不仅给出了AWS内部的实践数据,还首次系统讲述了Strands Agents与MCP背后的方法论。
当市场开始担忧AI是否陷入泡沫时,最新一季财报却给出了相反答案:从Meta、Microsoft到OpenAI,AI正在直接拉动收入与利润。这篇文章梳理了视频中的关键数字、公司故事与判断,解释为什么“泡沫与赚钱”在当下并不矛盾。
这是一场关于实时语音AI的“反直觉”分享:模型能力并不是决定体验的关键,延迟才是。来自 OpenAI 和 Daily 的工程师,用一次紧张又好笑的现场 Demo,拆解了语音 AI 成败背后的真实技术逻辑。
这不是一场教你“点按钮出图”的AI教程,而是一套关于如何避免“通用感”、保留设计判断力的方法论。Meng To在40分钟里反复强调:AI只负责基线,真正拉开差距的,是人类的选择、品味与编辑能力。
在这场关于LLM评测的演讲中,Red Hat 的 AI 开发者倡导者 Taylor Jordan Smith 用大量真实经验说明:生成式 AI 的最大风险不在“不会用”,而在“用得太快”。这篇文章提炼了他关于企业级大模型落地、评测体系与渐进式成熟路径的核心洞见。
这场来自 Waymo 的技术分享,讲述了自动驾驶从早期神经网络到基础模型时代的关键跃迁。核心不在于“再堆一点模型”,而是如何用多模态、可解释的方式,解决规模化中最棘手的长尾安全问题。
一个看似荒诞的故事:从网上看到一个创业点子,用AI快速做出来,公开在推特上边做边吆喝,8天后直接卖掉,进账1.5万美元。更猛的是,这套方法并不靠运气,而是可复制的“AI时代造项目流水线”。
Google披露其月度AI Token处理量在两个月内翻倍,成为观察AI产业进入“自我加速期”的关键证据。本文从谷歌财报、OpenAI云合作、马斯克的XAI筹资博弈,以及Lovable的爆炸式增长,串联起AI基础设施、应用和资本的最新变化。
Pydantic作者Samuel Colvin在一次AI Engineer演讲中,抛出了一个反直觉观点:在生成式AI飞速变化的今天,真正不该被忽视的,是类型安全和工程基本功。他用真实代码演示解释了,为什么Agent并不神秘,以及为什么类型系统正在成为AI应用可维护性的核心。
这场Latent Space Paper Club的特别版,不只是回顾一年多的论文讨论,更借DeepSeek R1/V3这篇“经得起时间考验”的论文,系统讲清了推理模型、蒸馏路线以及训练方法上的关键取舍。你能看到一个技术社区如何成长,也能理解DeepSeek为何在推理能力上引发关注。