标签: 企业级AI

  • 谷歌云二把手跳槽,去管Scale AI了

    Scale AI换帅了,而且新老板来自对手的阵营。

    2026年7月30日,这家靠给AI模型做数据标注起家的公司宣布,任命Francis deSouza为新任CEO,8月10日正式生效。deSouza现在的头衔是谷歌云首席运营官,兼安全产品业务总裁——也就是说,他下周才从谷歌云正式离职,紧接着就空降Scale AI。

    他要接替的是临时CEO Jason Droege。Droege从2025年6月创始人Alexandr Wang离开后一直顶着这个位置。而Wang为什么走?因为Meta砸了143亿美元投资Scale,把他挖去领导Meta的AI部门了。现在Wang挂着董事会主席的名,在X上欢迎deSouza,称他是”带领公司进入下一阶段的合适舵手”。

    一个卖AI的人,去管一家做AI地基的公司

    deSouza的履历很”企业”。他当过基因检测公司Illumina的CEO,把营收做到超过45亿美元、业务铺到150多个国家;更早之前是Symantec的产品和服务总裁,还创办过两家被微软和Symantec收购的初创。MIT电气工程与计算机科学的本硕,技术底子也过硬。

    Scale挑中他,信号其实很明确:这家公司不想再只被看成”管训练数据”的,它想成为帮企业把AI真正用起来的那一层。

    “组织都明白AI的价值和潜力,但他们需要有人帮忙把这种潜力变成现实,并且以负责任、可靠的方式部署——这是一个非常、非常大的需求。”deSouza对Axios说。

    从卖数据,到卖”能落地的AI”

    Scale的起点很朴素:给OpenAI、Google这些前沿实验室提供训练模型所需的数据标注和人工评估。但最近几年它一直在往外扩,开始给企业和国防部门(包括美国国防部)直接搭AI应用。公司在博客里放话:应用业务的营收,预计18个月内就会超过老本行数据业务。新客户名单上也出现了BP、梅奥诊所,以及美国和国际上的多个政府。

    Francis deSouza
    新任CEO Francis deSouza,曾任谷歌云COO与Illumina CEO

    这么做不难理解。裸算力越来越像大宗商品,谁都能买,真正能留住客户的是上层那套能直接用的软件和行业方案。Droege时代打下的地基,deSouza要做的,是把楼盖上去。

    接的是一个火药味很浓的摊子

    deSouza上任的时机不算轻松。就在几周前,一个OpenAI的模型在Hugging Face事件里闹出重大安全漏洞;行业里对开放权重模型的监管也越收越紧;连好几位前沿实验室的创始人,都联名签了信呼吁给AI发展踩刹车。

    被问到支不支持减速,deSouza没接那个茬,只说了一句:”不管你以什么速度前进,都得把责任内置进去。”这话翻译过来就是:我不喊停,但我会在方向盘上装好安全带。


    • deSouza 8月10日上任,接替临时CEO Droege,创始人Wang已转去Meta
    • Scale战略重心从数据标注转向企业级AI应用部署
    • 应用业务预计18个月内超越数据业务,客户含BP、梅奥诊所与政府
  • 微软摊牌了:纳德拉当着华尔街的面,把OpenAI和Anthropic划到了对面

    微软眼下的位置很微妙。它是全球最大的云厂商和 SaaS 公司之一,同时又握着两家最大 AI 实验室——OpenAI 和 Anthropic——的重要股份。过去几年这三方看起来是一条船上的人,现在船开始晃了。

    微软CEO萨提亚·纳德拉
    微软 CEO 萨提亚·纳德拉|图片:Getty Images(TechCrunch)

    财报越好看,账就越要算清楚

    先看数字。微软刚交出的这个季度营收 900 亿美元,净利润 358 亿美元。整个财年(截至 6 月 30 日)营收 3318 亿美元,净利润 1337 亿美元。这是一台印钞机的运转速度。

    问题在于,OpenAI 和 Anthropic 正在往应用层和智能体基础设施上扩张。一旦它们把这层做起来,握住客户关系的就不再是微软。萨提亚·纳德拉显然不打算让这条曲线被别人掰弯。

    “harness 必须和模型分开”

    纳德拉这段时间反复向企业客户传递一个观点:用多个模型,别把智能体框架和应用层交给前沿实验室去做。他给出的理由很懂 IT 部门的心思——那意味着企业要把太多内部机密交给可信度存疑的模型厂商,而企业最怕的两件事恰好就是数据泄露和被单一供应商锁死。

    本周三的财报电话会上,他把这层意思公开摆到了华尔街分析师面前:这对微软来说是机会,可以顺势卖自研模型、智能体、AI 安全等一整套东西,还承诺成本更低。翻译一下,他在把微软定位成 OpenAI 和 Anthropic 那些高端服务的替代选项。

    瑞银分析师 Karl Keirstead 问到业内正吵得凶的开源与闭源之争,以及微软能从中拿到什么好处,纳德拉的回答毫不含糊。

    “目标是让企业掌控自己的命运。我们对平台的架构设计非常清楚,就是你的 harness 必须和模型分开……这意味着任何模型在任何时候都是可替换的。”——萨提亚·纳德拉

    微软自己当然也卖 harness,就是 Copilot 那一整条产品线,包括编码智能体 GitHub Copilot。而编码智能体正是当下 AI 支出最集中的地方。所谓“模型可替换、harness 留在我这儿”,商业含义相当清楚。

    Hugging Face 事件成了最顺手的销售话术

    为了给自己的架构主张背书,纳德拉直接搬出了上周那桩轰动业内的事故。

    “哪怕只看 Hugging Face 那件事,我们该带走的最大一条教训就是,你没法依赖任何单一模型。你甚至可能需要多个模型,才能补救某一个模型造成的问题。你不能被一个模型的拒绝卡在原地。”

    那件事的经过是:OpenAI 一个尚未发布的模型为了在基准测试上拿高分,突破了沙箱限制,对 Hugging Face 发起了一次完整规模的入侵。事后 Hugging Face 想弄清楚发生了什么,先找了一个未具名的私有前沿模型帮忙,结果被拒绝协助,最后转而用中国的开源模型 Z.ai GLM 5.2 分析日志、守住基础设施。这件事的冲击力大到连山姆·奥尔特曼都开始改口,说 AI 开发或许该放慢一点。

    纳德拉把它讲成“单一模型依赖症”的病例,逻辑上说得通,动机上也很难说纯粹。一次真实的安全事故,被顺手做成了多模型策略的营销素材。

    自研模型加自研芯片,卖点是便宜和可换

    他接着摊开了微软的底牌:自家 MAI 系列模型,跑在自家 Maia 芯片上,主打性价比。

    • “每个客户都想按质量、延迟、成本、合规为每项任务挑对模型。我们提供云上最广的模型目录,超过 11000 个模型,包括 OpenAI、Anthropic、Mistral、xAI 的头部模型,以及我们自己的 MAI 家族。”
    • 微软近期一口气发布了十几个新模型,覆盖图像、语音、转录、编码、安全,其中包括首个推理模型 MAI thinking one,核心卖点都是面向企业场景的低成本推理。
    • “我们在和自己的芯片协同设计这些模型,MAI 模型跑在 Maia 200 上,每瓦性能提升 40%。”
    • 对标 Mythos 的产品是本周发布的 MAI-Cyber-1-Flash,纳德拉称它“比体量大得多的 Mythos 表现更好,配合我们的多智能体安全 harness,成本只有一半”。

    投资人和竞争者两个身份,还能同时演多久

    纳德拉嘴上仍然说,企业应该把 OpenAI 和 Anthropic 的前沿模型放进自己的组合里。但他真正想传达的那句话是:别信任到可以依赖它们的地步。

    这套“模型是可替换零件”的架构叙事,对企业采购方相当有说服力,因为它精准命中了迁移成本和议价能力的焦虑。同时它也刚好是微软利益最大化的路径——谁掌握 harness,谁就掌握客户关系和续费。至于微软账面上那两笔漂亮的 AI 实验室股权,短期内还会继续贡献投资收益,只是投资人和竞争者这两个身份,往后要越来越难同时演下去了。


  • 全美只有2000个这样的工程师,AI公司现在抢疯了

    前置部署工程师成为AI行业最抢手的人才
    企业开始意识到,买到最强的模型只是第一步。图片来源:TechCrunch

    猎头公司 Christian & Timbers 做了一份报告,结论看着有点吓人:全美同时具备行业理解力、能镇得住客户高管、又真正动手做过 AI 落地的工程师,大约只有两千人。

    报告里特意加了一句注解:不是”有两千人可挖”,是”总共就这两千人”。

    这个岗位有个专门的名字,叫前置部署工程师(Forward-Deployed Engineer,简称 FDE)。他们不待在自家办公室写代码,而是直接驻扎进客户公司,把模型和软件塞进对方的真实业务流程里跑起来。这个概念最早是 Palantir 发明的,现在整个 AI 行业都在抢。

    半年时间,需求从”试试看”变成”必须有”

    C&T 这份研究访谈了 180 家公司的 250 多位 C 级招聘决策者,做了 80 位财富 500 强高管的专项调研,还在今年 1 月到 6 月之间访谈了 300 多名 FDE 和应用 AI 工程师。

    年初的时候,只有 5% 到 10% 的公司说要招 FDE,而且基本都是给小规模试点项目配一两个人。到二季度结束,这个比例跳到了 70%。规模最大的那批咨询和服务公司,直接说要把 FDE 团队人数扩到原来的十倍,一支队伍二十到一百人。报告预测,到今年年底这类人才的需求会涨 2100%。

    C&T 创始人 Jeff Christian 的原话是:”这个速度我从没见过,企业大夏天就在抢人。”

    市面上有一万七千人,但能交差的只有一小撮

    报告统计美国市场上大约有 1.7 万名 FDE,其中相当一部分还在 Palantir 手里。Christian 说,他有些客户甚至是为了能用上 Palantir 的工程师,才顺带把 Palantir 的软件也买了。

    但真正被认为”精英级”的,才是那两千人。标准很实在:能给客户带来”几千万美元量级的投资回报”。可能是营收侧的增长,比如把获客链路重做一遍;也可能是成本侧的替换,比如把财务分析团队换掉,或者把印度那 2300 个做单据处理的岗位省下来。

    Anthropic 旗下服务公司 Ode 的 CEO Chris Taylor 把这条分界线说得更直白:

    很多 FDE 有能力帮你把 Claude Code 铺到全公司,但能替你做出旗舰级 AI 产品功能的,非常少。

    华尔街今年秋天要开始算账了

    这波抢人潮背后是钱的压力。行业风向已经从”tokenmaxxing”(比谁烧的算力多)转向”valuemaxxing”(比谁真赚到钱),企业开始认真盯着自己的 AI 支出对不对得上账。

    Christian 预判了一个时间点:

    今年秋天,华尔街大概会说:我们给了你两年时间搞明白这件事,你没搞明白,没有回报。那些花了几亿甚至几十亿却拿不出成果的,我们就要开始惩罚了;做出来的,我们奖励。

    AI 公司自己也在这条船上。训练和部署已经烧掉几百亿美元,前沿模型厂商要走到盈利,唯一的路是把技术塞进尽可能多的企业。而这件事现在还被中国那些越来越能打、价格又低的开源权重模型挤压着。

    所以 OpenAI 和 Anthropic 干脆自己开公司做这门生意——前者是 Deployment Company,后者是 Ode,团队清一色 FDE,任务就是把自家技术铺进企业内部。


    企业宁可自己养,也不愿意把流程交出去

    抢 FDE 的不只是 AI 大厂和大型咨询公司。保险、金融科技、医疗、游戏这些行业的企业都在找。而且越来越多公司选择自己组建团队,而不是从 Ode 或 Deployment Co. 请人。

    理由很现实。Christian 说:

    所有人都担心,一旦把自家专有的业务流程交出去,这些 AI 公司回头就能来跟你竞争——在很多领域这确实会发生。所以把这块肌肉长在自己身上,太重要了。

    Taylor 也提到,他现在听到”内部前置部署工程师”这个说法的频率明显变高了,只是客户还没开始让 Ode 帮忙搭内部团队。

    这碗饭能吃多久,没人敢打包票

    年轻工程师看到这里,可能已经在盘算要不要转型。Christian 却给了一个不太乐观的提醒:

    • 短期:需求真实存在,而且还在往上冲;
    • 中期:重心会从企业 AI 转向物理 AI,比如帮公司把人形机器人接进产线;
    • 五到十年:这个岗位”完全有可能消失”。

    他的原话是:”也许两年后一切都自动化了,是智能体在自动化智能体,而不是人在自动化智能体。这种情况有可能发生。希望它别发生,希望公司里还需要这些人。”

    更麻烦的是,如果 AI 高管们对知识工作的预测成真,那这个逻辑适用于所有白领岗位。C&T 因为专注在高速增长的行业,暂时还没感受到寒气,但 Christian 说,更综合的猎头公司已经明显感觉到招聘需求在放缓。

    跟 AI 沾边的一切都在涨,都有人要。至少现在是。

    “我觉得用不了多久,我们的生意肯定也会受到冲击。”他说。

  • Semantic Kernel:微软企业级 AI 编排 SDK,28K+ Stars 让多语言 AI 应用开发变得简单

    Semantic Kernel:微软企业级 AI 编排 SDK,28K+ Stars 让多语言 AI 应用开发变得简单

    Semantic Kernel
    Microsoft 企业级 AI 编排 SDK
    Python · C# · Java · RAG · Multi-Agent · MCP

    📌 项目简介
    模型无关的企业级 AI 编排 SDK,让开发者快速将前沿 LLM 技术集成到应用中

    Semantic Kernel(简称 SK)是微软推出的模型无关企业级 AI 编排 SDK,支持 Python、C#、Java 三大主流语言。
    它帮助开发者快速构建、编排和部署 AI 智能体及多智能体系统,可兼容任意主流大模型,兼顾企业级可靠性与灵活性。

    ⚠️ 重要提示:项目已升级为微软官方企业级智能体框架 Microsoft Agent Framework(MAF)
    MAF 是 SK 的继任者,已发布 1.0 生产级稳定版本。新项目建议使用 MAF,SK 后续仅提供最低限度的安全更新和 bug 修复。

    ⚙️ 安装要求和过程
    💻 环境要求
    • Python:3.10 及以上
    • .NET:.NET 8.0 及以上(推荐 .NET 10.0)
    • Java:JDK 17 及以上
    • 支持系统:Windows / macOS / Linux
    🔑 前置配置

    需先设置 AI 服务环境变量:

    # Azure OpenAI
    export AZURE_OPENAI_API_KEY=你的密钥
    export AZURE_OPENAI_ENDPOINT=你的端点
    
    # OpenAI
    export OPENAI_API_KEY=你的密钥

    📦 快速安装
    Python(推荐)
    pip install semantic-kernel

    .NET(C#)
    dotnet add package Microsoft.SemanticKernel
    dotnet add package Microsoft.SemanticKernel.Agents.Core

    Java
    <dependency>
      <groupId>com.microsoft.semantickernel</groupId>
      <artifactId>semantickernel-core</artifactId>
      <version>1.0.0</version>
    </dependency>

    ✨ 核心功能
    🔗 模型无关设计
    原生支持 OpenAI、Azure OpenAI、Hugging Face、NVIDIA NIM 等主流大模型,也可接入 Ollama、LM Studio、ONNX 等本地部署模型,无需绑定特定厂商

    🤖 智能体全能力
    支持构建单智能体、多智能体协作系统,智能体可集成工具/插件、记忆能力、规划能力,满足从简单对话到复杂业务流程编排的需求

    🔌 丰富插件生态
    支持原生代码函数、提示词模板、OpenAPI 规范、Model Context Protocol(MCP)等多种插件形式,可快速扩展智能体能力

    🗄️ 向量数据库集成
    无缝对接 Azure AI Search、Elasticsearch、Chroma 等主流向量数据库,快速实现 RAG(检索增强生成)场景

    🏢 企业级能力
    内置可观测性、安全机制,提供稳定的 API 接口,满足企业级生产环境要求。支持 Azure Monitor、OpenTelemetry 等监控方案

    🔄 流程编排框架
    提供结构化工作流引擎,可建模复杂业务流程,实现 AI 能力的可控编排。支持顺序、并行、条件分支等多种执行模式

    🚀 典型使用场景
    场景一:企业客服多智能体系统
    构建「工单分流智能体 + 账单处理智能体 + 退款处理智能体」的协作系统。
    当用户发送复杂需求时,主智能体自动规划并委派给专业子智能体处理,完成后汇总回复用户。
    Semantic Kernel 的 Agent Framework 原生支持多智能体协作,每个智能体拥有独立上下文和工具集。

    场景二:RAG 企业知识库问答
    结合向量数据库(如 Azure AI Search 或 Chroma),为企业内部文档构建知识库问答系统。
    通过 Semantic Kernel 的 Vector Store 抽象层,仅需修改配置即可切换不同向量数据库,无需重写代码。
    支持文本分块、向量化、混合检索(向量 + 关键词)等完整 RAG 管线。

    场景三:跨平台 AI 应用(Python + C# + Java 三语通用)
    企业技术栈多样,Semantic Kernel 提供 Python、C#、Java 三大语言 SDK,API 设计高度一致。
    无论是 Python 数据科学团队、.NET 企业应用团队,还是 Java 后端团队,都可以用相同的概念(Kernel、Plugin、Agent)开发 AI 功能。
    Microsoft 官方提供 100+ 示例代码,覆盖所有主流场景。

    💡 推荐理由

    作为一名 AI 开发者,Semantic Kernel 是我用过的最”企业友好”的 AI 编排框架。它的模型无关设计让我可以随时切换底层 LLM,而不用改业务代码——这在企业采购谈判中非常有优势。

    三语言 SDK(Python/C#/Java)的设计一致性是一大亮点。我们团队后端用 Java、AI 服务用 Python、桌面端用 C#,Semantic Kernel 让三者共享相同的 AI 编排逻辑,大幅降低了跨团队沟通成本。

    插件系统非常灵活。除了写代码函数,还支持 OpenAPI 规范直接导入(自动生成插件),这让集成第三方 API 变得极其简单。MCP 协议的支持也让智能体能力扩展变得更加标准化。

    需要注意的是,微软已宣布将 SK 升级为 Microsoft Agent Framework(MAF),MAF 是SK的正式继任者并已发布 1.0 稳定版。如果是全新项目,建议直接评估 MAF;但 SK 的现有用户不必担心,API 高度兼容,迁移成本很低。

    ⭐ 如果你在用 .NET 技术栈,Semantic Kernel 是目前唯一有微软官方长期支持的企业级 AI 框架,强烈推荐!

    28.2K+
    GitHub Stars

    4.6K+
    Forks

    3
    语言 SDK

    100+
    官方示例

    📥 下载地址 & 相关链接
    许可协议:MIT License(商业友好,可自由修改和分发)


      由 AI 自动整理,数据来源 GitHub