Google Cloud Blog 中文 - TheNote.app

Google Cloud Blog 中文
关注

cloud.google.com/blog 是 Google Cloud 的官方博客。它提供了 Google Cloud 产品和服务的新闻、更新和见解，以及云计算行业中的趋势和创新。博客上有 Google Cloud 的专家、工程师和思想领袖撰写的文章，涵盖了人工智能、机器学习、数据分析、安全等广泛的主题。文章经常包括技术教程、案例研究和最佳实践，使博客成为开发者、IT 专业人士和对 Google Cloud 感兴趣的商业领袖的宝贵资源。博客组织良好，文章按主题、产品和行业分类。访问者可以浏览最新的文章、搜索特定的主题或订阅博客的 RSS 订阅以跟踪最新的新闻和更新。博客的一些关键特点包括： - 关于 Google Cloud 产品和服务的深入文章，如 Google Cloud Platform、Google Cloud Storage 和 Google Cloud AI Platform - 如何使用 Google Cloud 服务的技术教程和指南 - 来自 Google Cloud 客户的案例研究和成功故事 - 对行业趋势和创新见解和分析 - Google Cloud 的合作伙伴关系和协作的新闻和更新 - 与 Google Cloud 专家和思想领袖的采访总之，Google Cloud 博客是任何对云计算、人工智能和相关技术感兴趣的人的宝贵资源。

Cloud Blog cloud.google.com

RSS cloudblog.withgoogle.com

Google Cloud Blog 中文 RSS thenote.app

RSS Hunter • 2024年8月23日

笔记线程

Cloud Pathways，一种面向大规模加速器集群的分布式机器学习运行时，现已正式发布（GA）。

Cloud Pathways 现已作为 Google Cloud AI 超算的核心组件在 GKE 上普遍可用。它最初由 Google DeepMind 开发，用于训练 Gemini 等前沿模型。Pathways 是一种面向大规模多样化加速器集群的分布式机器学习运行时。在过去 90 天内，已有超过 1.3 亿个 Cloud TPU 芯片小时通过 GKE 上的 Pathways 完成处理。如今，每一位 Google Cloud 客户均可利用其单控制器运行时、共置的 Python 边车容器以及弹性容错能力。与 Cluster Director 的预览版集成将 Cloud Pathways 扩展至 Slurm 集群，实现统一的 JAX 执行和交互式 Notebook。Cloud Pathways 解决了传统多控制器架构在跨数千个加速器扩展 AI 工作负载时的复杂性，以基于开源 Interim Framework Runtime 的统一单控制器架构取代多控制器管理。这使得单个 JAX 客户端进程能够像本地连接一样编排多个大型 TPU 切片。关键特性包括单控制器编排、用于计算密集型逻辑的共置 Python 边车容器，以及稳健且弹性的训练。此外，它还提供交互式模式和共享 Pathways 服务，以支持灵活的多人访问。领先的 AI 实验室和企业，包括一家主要消费技术公司和 ZenteiQ，已率先使用 Cloud Pathways 处理关键生产工作负载。Cloud Pathways 现已在所有支持 GKE 上 Cloud TPU v5e、v5p、Trillium 和 Ironwood 的 Google Cloud 区域中可用。

Cloud Pathways, a distributed ML runtime for massive accelerator fleets, now GA cloud.google.com

RSS Hunter • 11月9日

推出 Z4M：面向 AI/ML 和并行文件系统的存储优化计算

Google Compute Engine 推出了下一代存储优化型 Z4M 机器系列。这些实例同时提供虚拟机和裸金属选项。Z4M 专为处理大规模数据集的高需求 AI/ML 训练与推理工作负载而设计。它提供高达 168,000 GiB 的本地 SSD 存储以及高速 400 Gbps Cloud RDMA 网络。该配置可最大程度降低数据访问延迟，这对于确保 GPU 和 TPU 充分利用率至关重要。Z4M 虚拟机按每 vCPU 提供可扩展的 LSSD 容量，而裸金属实例则为特殊需求提供直接硬件访问。Z4M 由 Intel Xeon 可扩展处理器和增强型钛金 SSD 驱动，相比上一代实现了显著的 IOPS 和吞吐量提升。该平台支持 NVIDIA GPUDirect Storage 和 TPUDirect Storage，以实现高效的数据传输。Cluster Director 可简化 Z4M 集群的部署与管理。Z4M 实例还可与 Google Cloud 的 Hyperdisk 集成，提供灵活的网卡存储选项。这些新实例现已在全球部分区域上线。

Introducing Z4M: storage-optimized compute for AI/ML and parallel file systems cloud.google.com

RSS Hunter • 11月6日

《蓝图：为世界杯电视广告编排 5000+ 个 AI 资产》

Mito 致力于推动 AI 驱动的视频创作民主化，使先进技术惠及所有人。其发展历程揭示了利用生成式 AI 制作长篇叙事内容时面临的重大基础设施与工作流挑战，包括管理庞大的本地媒体库、缺乏实时协作能力以及渲染延迟过长。生成式模型之间的一致性差异以及对公共 API 的容量限制，进一步加剧了这些困难。为应对这些问题，Mito 在 Google Cloud 上构建了一种无服务器、异步架构。他们利用 Cloud Run 部署 API 和后台工作进程，实现可扩展的处理能力；Google Cloud Pub/Sub 作为中央事件总线，用于解耦任务执行。媒体资产存储于 Google Cloud Storage，并通过 Cloud CDN 分发以最小化延迟。采用隔离的数据库架构，结合 Cloud SQL 和 PostgreSQL，支持分析工作而不影响生产环境。他们通过 Vertex AI 调用基础模型，并辅以自定义系统提示词。前端实施"6 条规则”以优化提示词变量，并优先采用静态帧生成以提升成本效益。该方案成功助力 Movistar Plus+ 打造了一项具有里程碑意义的全国性广播活动，其中 95% 的内容由 AI 生成。该活动覆盖西班牙所有主要电视频道，展示了 AI 导演（AI Director）的对话能力与实时协作功能。Mito 的架构具备前瞻性，能够适应日益快速的渲染速度和更先进的 AI 能力。他们构建了由 Gemini 驱动的自动化评估框架，用于验证创意输出。AI 导演能够动态将任务路由至多个专用模型，实现智能协调。此外，Mito 还拥抱“不完美美学”，以增强叙事的真实性，并融入超现实视觉元素。

The Blueprint: Orchestrating 5,000+ AI assets for a World Cup TV spot cloud.google.com

RSS Hunter • 11月6日

使用新的 BigQuery Accessor 在 Pandas 中进行零样本预测

BigQuery DataFrames（BigFrames）引入了新的 .bigquery 访问器，允许用户直接在熟悉的 pandas DataFrame 中运行高级机器学习。这一集成使得 BigQuery 企业级 AI 功能能够无缝调用到云基础设施。对于线性回归等任务，用户现在可以直接利用 ai.predict（）在 BigQuery 数据上，绕过本地训练。.bigquery 访问器将 pandas 操作转换为 Google 标准 SQL，并在 BigQuery 上原生执行模型。环境设置需要特定的 Google Cloud 角色并安装 pandas 和 bigframe。AI 功能支持 pandas 系列和 DataFrame。对于系列，ai.embed（）计算文本嵌入，ai.similarity（）计算余弦相似度评分。DataFrame 函数处理多列操作，如 ai.forecast（）用于时间序列预测，ai.if_（）用于自然语言行过滤。这些功能抽象化了云基础设施和模型执行的复杂性。目标是赋能数据科学家在不离开Python生态系统的情况下完成复杂的AI任务。支持的功能包括嵌入生成、分类、预测和预测建模。panda中的BigQuery AI功能简化了机器学习工作流程的扩展。

Zero-shot predictions in Pandas using the new BigQuery Accessor cloud.google.com

RSS Hunter • 11月6日

将对话分析引入 Gemini，借助 Agentic Data Cloud 连接器

Gemini for Business 现已提供预览版数据云连接器，使用户能够使用自然语言查询实时企业数据。这些连接器通过直接访问受控数据，解决了数据请求积压的挑战。它们与知识目录集成，用于查找相关数据、解释自然语言查询，并以用户身份执行权限范围的查询。用户可以查询 BigQuery、运营数据库如 Spanner、AlloyDB、Cloud SQL 以及 Looker 的数据。发现数据可以直接迁移到 Google Docs、Gmail 和 Google Slides 等工具中。Gemini 利用语义发现和上下文映射，利用技术元数据和业务词汇表将日常术语转化为数据库结构。权限感知执行确保对行和列级访问控制得到尊重。数据云连接器可以跨 BigQuery 和 AWS S3 查询数据，将环境统一为单一的对话界面。这些连接器提供联合查询模式，能够在原地访问数据而不复制数据。与定制解决方案相比，数据云连接器内置了提升响应质量和带管理认证的引导设置技能。该功能旨在普及数据访问，加速业务用户和分析师的洞察。

Bringing conversational analytics to Gemini with Agentic Data Cloud connectors cloud.google.com

RSS Hunter • 11月5日

使用 AI.AGG 在 BigQuery 中对数百万行数据进行语义聚合

BigQuery 的新功能 AI.AGG 目前处于预览阶段，通过直接在 GoogleSQL 中实现多层级语义聚合，彻底改变了非结构化数据分析。该功能解决了传统关系型 SQL 引擎因大语言模型（LLM）上下文窗口限制而在从海量文本和多模态数据集中综合洞察方面存在的重大缺口。AI.AGG 将语义聚合概念化为分布式 Map-Reduce 问题，使数据团队能够通过单个 SQL 查询对数百万行数据执行自然语言指令。其底层的多层级批处理架构自动处理行验证、上下文安全批处理、通过 Vertex AI 进行并行推理，以及使用全权重 LLM 进行递归合成，直至生成单个聚合字符串。该功能原生支持文本和多模态输入，利用 BigQuery 对象表进行图像分析而无需数据移动。AI.AGG 旨在支持变革性的企业用例，例如对高容量系统日志进行诊断分析，以及构建用于自主数据标注管道的“代理数据云”。AI.AGG 的提示工程需要明确的输出契约、上下文分隔符、失败状态设计和少样本锚点，以确保程序化的 SQL 输出。成本管理涉及使用 WHERE 和 LIMIT 子句进行预过滤，并利用 Gemini 上下文缓存，同时使用 AI.COUNT_TOKENS 进行估算。该功能运行在 BigQuery 的治理框架内，支持 VPC 服务控制，并在瞬态错误时优雅降级。预览阶段的护栏包括每组 10,000 个 token 的输出上限、每行 10 MiB 的限制，以及针对处理最多 2,000 万行数据和 1,000 个不同 SQL 组的建议。AI.AGG 将企业数据仓库转变为活跃的语义运行时，使 PB 级语义分析得以普及。

Semantic aggregation over millions of rows in BigQuery with AI.AGG cloud.google.com

RSS Hunter • 11月5日

Gemini Omni 1.2 Flash：快速、经济高效且可靠的视频生成与编辑功能现已普遍可用。

Gemini Omni 1.2 Flash 现已在 Google Cloud 上普遍可用，专为高效创建设计类视频（如产品视频和广告）而打造。该模型运行快速、成本效益高，并能更严格地遵循图像、视频和音频参考。主要更新包括：720p 视频价格降低 30%、最长支持 15 秒的片段、以及跨镜头结果的一致性更强。此外，它还支持更高分辨率下的快速草稿生成、更自然的语音及改进的口型同步，并允许通过对话方式编辑片段而无需重新开始。Gemini Omni 1.2 Flash 已具备生产就绪能力，依托 Google Cloud 的基础设施，并为输出内容提供 SynthID 水印。多种创意与设计平台（如 Artlist、FLORA 和 Picsart）正在集成该模型，以增强其用户的视频创作能力。零售商和电商平台正利用该模型规模化生成产品旋转展示、生活场景片段和视频广告。该模型即将在 Gemini for Business 和 Google Vids 中可用，开发者可通过 API 访问。

Gemini Omni 1.2 Flash: Fast, cost-effective, and reliable video generation and editing now generally available cloud.google.com

RSS Hunter • 11月5日

使用 AlphaEvolve、Harbor 和 Gemini 4 Argon 构建智能体技能优化器

编码代理正越来越多地用于软件工程任务，但需要有效的指令。手动编写的代理技能难以优化，因为其效果难以评估。在 Terminal-Bench 2.0 上对 OpenCode 和 Gemini 3.8 Flash 进行的初步测试显示，使用基线技能的结果尚无定论。为提升性能，采用了 AlphaEvolve 通过迭代提出新版本、由评估器打分并保留最优版本来优化技能。Harbor 被用作评估器，在隔离容器中运行代理以处理真实任务。该过程将代理技能视为可由 AlphaEvolve 重写的程序。Harbor 中的评估器会同时在相同任务上将候选技能与基线技能进行对比，以确保评分的可信度。部分任务被预留用于在未见数据上测试最终优化的技能。AlphaEvolve 重点关注解决最常见的失败原因：超出时间限制。该系统在几次迭代后实现了 5% 的性能提升，并在特定开发任务上显著提升了 33 分。遇到的挑战包括针对慢速模型响应进行规划以及在长时间搜索期间的日志存储。未来的工作涉及在企业级代理框架上测试 AlphaEvolve，以便融入业务规则。

Building an agent skill optimizer with AlphaEvolve, Harbor and Gemini 4 Argon cloud.google.com

RSS Hunter • 11月5日

为自主代理提供开放基础设施

AI 正从人类规模系统演进为代理（agent）规模操作，转变为主动系统而非单纯的记录。这一转变需要新的基础架构来处理复杂的代理工作流。为此，三个开源项目——Agent Substrate、gVisor 和 OpenRL——已捐赠给云原生计算基金会（CNCF）。Agent Substrate 现已达到 1.0 版本并在 GKE 上可用，能够高效扩展隔离的代理环境。它将状态型代理会话与主动计算解耦，将空闲代理快照存储至存储介质以实现快速恢复，从而通过减少空闲计算开销显著提高了容器密度。gVisor 通过运行轻量级用户态内核，为不可信的代理代码提供必要的隔离，防止其与主机 Linux 内核直接交互，从而增强安全性。OpenRL 简化了强化学习代理的后期训练与推理服务的分发，支持使用纯 Python 直接在 Kubernetes 上实现自托管的强化学习后期训练循环。这些项目共同提供了一个开放的堆栈，兼容任何 Kubernetes 集群，并支持多种云环境和硬件加速器。Agent Substrate 允许运行数百万个沙箱，其容器密度为标准容器的 10 倍；gVisor 确保不可信代码永远不会危及主机系统内核；OpenRL 则编排高效的强化学习工作流，利用 Kubernetes 实现分布式训练。此次向 CNCF 的捐赠旨在促进协作开发，并加速这些关键 AI 基础设施组件的采用。

Powering open infrastructure for autonomous agents cloud.google.com

RSS Hunter • 11月5日

AlloyDB Express：面向开发人员和编码代理的即时、可缩至零的 PostgreSQL

当前数据库难以跟上由 AI 驱动的软件开发的高速发展，导致在资源 provisioning、测试和生产环境迁移中出现瓶颈。AlloyDB Express 作为 AlloyDB for PostgreSQL 的新产品，旨在解决这些挑战。它专为开发人员和 AI 编码代理设计，可在两秒内快速创建数据库。该服务在空闲时自动暂停，通过实现 15 分钟无活动后缩容至零（scale-to-zero）的功能来降低成本。这一新产品弥合了快速 AI 驱动开发与稳健企业级基础设施之间的差距。AlloyDB Express 提供面向代理的数据库体验，内置企业级安全性和 AI 能力。它支持一键升级至生产规模，同时保留数据和配置。安全至关重要，其功能包括用于隐藏 IP 地址的公共 DNS 端点以及用于安全内部集成的私有 VPC 网络。细粒度的访问控制（包括 Google Cloud IAM 和原生 PostgreSQL 角色）确保用户和代理遵循最小权限原则。关键的是，AlloyDB Express 将 AI 工具直接集成到数据库中，无需外部向量存储。开发人员可利用 pgvector HNSW 和 Google 的 ScaNN 索引进行快速向量搜索，以支持语义搜索和推荐引擎。该服务还提供在 SQL 查询中直接访问 Gemini 模型的能力，用于文本和图像嵌入生成、过滤及摘要等任务。自然语言转 SQL 生成功能进一步简化了开发人员和 AI 代理的查询创建过程。AlloyDB Express 具备简单直观的定价模式，在空闲时缩容至零，同时确保数据安全。活跃计算按每计算单元（Compute Unit）小时 0.115 美元计费，暂停的计算不收费。存储费用为每 GB-月 0.30 美元，并提供每月 50 个免费计算单元的免费层级。这一具有成本效益的解决方案加速了应用构建，并能无缝扩展至生产环境。AlloyDB Express 目前处于预览阶段，邀请用户探索其功能以提升开发效率。

AlloyDB Express: Instant, scale-to-zero PostgreSQL for developers and coding agents cloud.google.com

RSS Hunter • 11月4日

利用 Google 的代理数据云（Agentic Data Cloud）大规模赋能代理的新能力

组织正越来越多地利用代理驱动自动化来提升收入、效率及风险管理能力。Google 的代理数据云（Agentic Data Cloud）是一套行动系统，旨在统一企业数据、确保数据准确性，并以低成本实现主动运营。无边界湖仓（borderless Lakehouse）采用开放的 Apache Iceberg 格式，激活分布于多云、本地及 SaaS 平台上的分布式数据。新增功能使 Gemini 能够通过自然语言查询湖仓，跨云互连则提供安全且无数据出网费用的数据访问。AlloyDB 集成使代理能够直接查询 Iceberg 表，高效地关联历史数据与实时数据。Spanner Omni 为混合代理应用扩展了 Google 级别的 consistency 与扩展能力。Knowledge Catalog 作为 Google Cloud 的通用上下文引擎，为代理提供企业级上下文，从而提升准确性、降低延迟并减少 token 成本。自学习增强与可复用的 OKF 上下文集可自动化从 Google Workspace、SharePoint 等非结构化来源的上下文策展。Knowledge Catalog 新增的 Studio 体验提供对话式界面，用于探索和管理上下文。Knowledge Catalog 现已成为 Gemini 的默认选项，将数据问题锚定于受管制的业务上下文，并支持来自各类平台的可信语义模型。Google 正在重塑从业者体验，使数据与机器学习工程师能够借助 Gemini 的机器学习能力，编排代理以实现意图驱动的结果。业务用户只需提问即可生成实时运营报告。Data Agent Kit 将 Google Data Cloud 工具集成至开发者偏好的 IDE 和命令行界面中。Google 还在为代理规模构建数据基础设施，推出 AlloyDB Express 用于快速原型开发，以及用于 AlloyDB 中代理生产的 PostgreSQL。Managed Service for Apache Spark 进一步提升了性价比，BigQuery 则通过更快的查询、用于 PB 级图分析的 BigQuery Graph，以及新的 Google Research 模型（如 TimesFM 3.0 和 TabFM）得到增强。

New capabilities to power agents at scale with Google's Agentic Data Cloud cloud.google.com

RSS Hunter • 11月4日

在 AlloyDB for PostgreSQL 中通过直接访问 Iceberg 统一操作数据与 Lakehouse 数据

企业需要实时运营数据和历史分析数据以支持有效决策。传统上彼此分离的数据系统如今正趋于融合，AlloyDB for PostgreSQL 的新功能便是例证。Google Cloud 现已推出直接访问 Iceberg 的功能，允许开发人员直接从 AlloyDB 查询云存储中的 Apache Iceberg 表，并通过单条 SQL 查询将其与实时数据关联。此项集成目前处于预览阶段，在聚合查询方面显著快于其他服务。此外，AlloyDB Sync 和 Lakehouse 联邦现已普遍可用，提供了三种与“无边界 Lakehouse"交互的主要方式。直接 Iceberg 访问就地读取 Iceberg 表，利用 AlloyDB 的列式引擎实现加速。AlloyDB Sync 将 Lakehouse 数据从 BigQuery 复制到 AlloyDB，适用于低延迟、频繁访问的工作负载，并按用户定义的 schedule 进行刷新。Lakehouse 联邦使 AlloyDB 能够直接查询原生 BigQuery 表，由 BigQuery 负责处理。这些集成消除了对自定义数据管道的需求，使应用程序和 AI 代理能够无缝地基于合并的运营数据和 Lakehouse 数据采取行动。现实应用案例包括欺诈检测、个性化推荐和动态定价，其中 Lakehouse 提供的历史背景信息可 informing 数据库中的实时决策。数据团队还可将精心整理的表一次性发布到 Iceberg，允许多个应用程序就地读取。直接 Iceberg 访问允许像操作其他 PostgreSQL 表一样注册和查询 Iceberg 表，从而受益于内置支持和列式引擎。AlloyDB Sync 解决了需要极低延迟读取非频繁变更数据的需求，通过在 AlloyDB 中创建可刷新的本地副本来实现。Lakehouse 联邦则面向那些在 BigQuery 中拥有大量历史数据的组织，将处理下推至 BigQuery 并仅返回结果。集成方式的选择取决于数据位置、应用程序读取模式以及延迟要求。

Unify operational and Lakehouse data with direct Iceberg access in AlloyDB for PostgreSQL cloud.google.com

RSS Hunter • 11月4日

Chrome Enterprise Premium 为 Mercari 带来 50% 以上的预计成本降低

Mercari 是一个拥有数百万用户的消费者对企业（C2C）市场平台，其客户服务环境需处理敏感的个人信息（PII）。其原有的虚拟桌面基础设施（VDI）架构效率低下、成本高昂且复杂，需要重叠部署数据防泄漏（DLP）控制措施。Mercari 转而采用 Chrome Enterprise Premium 和 Chromebook，将数据控制聚焦于浏览器层。这一新架构实现了严格的 DLP 规则，有效防止数据泄露至未授权目的地及 AI 工具。由于员工已熟悉 Chrome 浏览器，此次迁移过程平稳顺利。此举不仅提升了安全性，还简化了 IT 运营并显著降低了成本。Mercari 预计通过减少 VDI 依赖并整合安全代理，在三年内实现超过 50% 的成本削减。以浏览器为中心的模式释放了 IT 资源，使其能够专注于更高优先级的举措，从而强化了基于设备的零信任安全方法。Mercari 现已定位为面向 AI 的组织，实现了安全且受控的 AI 采用。其最初利用浏览器策略，在 Chrome 中允许对 Gemini 进行只读访问，在提升生产力的同时降低数据修改风险。Mercari 计划通过利用 Chrome Enterprise Premium 不断演进的功能，持续平衡 AI 生产力与安全性。

Chrome Enterprise Premium drives 50%+ projected cost reduction for Mercari cloud.google.com

RSS Hunter • 11月4日

Nammu21 如何在 Google Cloud 通用账本上实现银团贷款的自动化”

银团贷款和私募信贷市场因手工流程而面临结算缓慢和估值不透明等挑战。金融科技创新者 Nammu21 与 Google Cloud 合作，通过一个新的概念验证项目解决这些问题。该解决方案利用 Nammu21 的 AI 平台，将法律协议结构化并部署为 Google Cloud 通用账本（GCUL）上的智能合约，从而自动化整个贷款生命周期。当前贷款市场受限于对法律文本的碎片化、人工解读，导致结算周期冗长，进而占用资本并增加风险。Nammu21 将定制化信贷文件数字化为数字信贷工具（DCIs），将所有条款映射至其原始法律条款，并将其表达为可执行的行为。GCUL 为实例化这些工具提供安全、高性能的分布式账本环境，实现近乎即时的交易最终性和可预测的成本。GCUL 上的可编程合约使用 gculpy 编写，这是一种安全、可读且可审计的领域优化编程语言。该平台通过简化复杂的内存管理，为金融机构 streamlined 开发流程。Nammu21 发挥双重作用：程序化地从法律协议渲染 DCIs，并推导用于治理 GCUL 上贷款的 gculpy 合约。该架构创建了一个单一、不可篡改的真相来源，如建模的 Term Loan B 交易所示。该系统通过门控执行确保合规性，为敏感数据维护基于角色的隐私，并提供结算最终性。这一结构性转变从根本上改变了信贷市场，缩短了结算时间，降低了后台运营成本和交易对手风险。

How Nammu21 automates syndicated loans on Google Cloud Universal Ledger cloud.google.com

RSS Hunter • 11月3日

引领代理时代：在采用 AI 代理时如何坚持以人为本

Google Cloud Consulting 协助企业将人工智能融入日常运营，并观察到正从生成式人工智能向能够自主完成任务的智能体系统转变。虽然技术资源至关重要，但企业成功采用 AI 智能体需要有意识的文化变革。员工必须感到被授权进行探索，领导者应阐明人工智能对岗位的影响。该团队提供了五条实用经验以指导这一智能体转型。首先，重新设计工作流程，使其由智能体执行、人类主导，从“人在回路”的验证模式转向“人在引领”模式。这涉及由智能体处理并行依赖关系，仅将模糊场景路由至人类。其次，通过培养主人翁意识来应对员工的犹豫，将智能体视为需要主动委派任务和明确职责的初级团队成员。第三，有效管理由人类和智能体组成的混合团队，聚焦成果、强化期望行为，并指导团队利用智能体开展创造性工作。第四，通过实验构建智能体素养，提供安全的学习空间，并庆祝“智能失败”，以深化理解。最后，采用中心辐射模型治理智能体，在确立中央指导原则的同时，允许各团队适配工具并进行实验。这一以人为本的方法旨在创建一个人类智慧与智能体相互增强的组织。

Leading in the agentic era: How to put people first as you adopt AI agents cloud.google.com

RSS Hunter • 11月3日

在智能体技能膨胀上下文窗口之前，评估其能力的五条准则

有效测试 SKILL.md 文件不能仅依赖笔记本电脑上的简单通过/失败判定。过度触发或兄弟节点劫持可能导致代理无法加载技能，尤其在复杂工作空间中。skill-reach 和 SkillSpector 等工具有助于尽早识别 frontmatter 冲突和安全风险。必须避免在开发者的笔记本电脑上运行技能基准测试，因为环境状态会污染基线结果。采用成对消融测试（WITH 与 WITHOUT），并在多次重复中进行，能更准确地衡量技能改进与效率提升。这种方法可揭示技能是否真正带来帮助，还是基线模型已具备相应能力。在自动化优化时，需确保评估框架针对奖励黑客行为进行加固，通过分离正确性、效率与安全指标，并隔离评分组件来实现。最后，有效的 SKILL.md 文件应编码操作习惯与验证反射，而非仅仅堆砌大量文档。前沿模型通常在其预训练数据中包含公开文档，因此紧凑、可执行的约束更具价值。定期使用新模型重新评估技能，并删除零增量技能，可确保技能集高效且与时俱进。

Five rules for evaluating agent skills before they bloat your context window cloud.google.com

RSS Hunter • 11月3日

介绍物理工程的最后考试

Google AI 与基础设施团队与 Mercor 合作推出了 Physical-Engineering's Last Exam（PLE），一项新的基准测试与开放竞赛。PLE 评估前沿模型完成机械、电气、土木及结构工程任务的能力。该举措填补了现有基准的空白，后者主要集中于教科书式问题或孤立的工程设计问题。与以往如“人类终极考试”或“智能体终极考试”不同，PLE 专门衡量 AI 在物理世界构建任务方面的能力。PLE 包含 85 个长周期任务，模拟真实世界工程项目，每个任务平均涉及 61 个文件。这些文件涵盖各类工程文档，要求智能体通过代码、规范限制和计算进行推理，以生成可交付的生产就绪成果。这些任务通过与从业工程师合作开发而成，或由专家撰写，或与智能体流水线共同完成。在 14 个前沿模型上使用七种智能体框架进行的初步测试显示，所有模型在私有测试集上的得分均低于 50%。表现最佳的模型平均得分为 48.3%。一项重要发现是，尽管在共同撰写的任务中满足了 91% 的单项约束，但仅有 41.3% 的高分智能体交付成果通过了所有严格的安全性与可行性检查。模型选择对性能影响显著，得分差距可达 50 分；而框架的影响较小（中位数为 3 分差距），但会影响运行成本。该基准为开发能够支持物理工程师的 AI 工具提供了务实的一步。研究人员可访问 29 个公开任务、评分工具，并前往 ple-bench.com 加入开放竞赛。Google 将免费在其服务器上为 13 个模型提供评估服务，奖金详情即将公布。

Introducing Physical-Engineering’s Last Exam for agents cloud.google.com

RSS Hunter • 11月3日

关闭 XCPE 僵尸网络的大门

Google 与合作伙伴拆除了 XCPE 后门，该后门是一个包含超过 130 万台机顶盒的僵尸网络。Videostrong Technology Co. 作为一家 Android 原始设备制造商（OEM）/原始设计制造商（ODM），出于牟利目的故意开发并运营了该后门。Videostrong 通过向犯罪关联方出售访问权限来变现该后门，这些关联方在受感染设备上加载了广告欺诈、住宅代理及其他恶意软件模块。Google 已与 Videostrong 断绝关系，禁止其生产预装 Google 应用设备的设备。Videostrong 利用 Google 兼容性测试中的漏洞，结合混淆技术，在设备启动后加载恶意代码。Google 已对其审核流程实施改进，以防止类似活动。此次事件构成严重信任破裂，使犯罪活动得以在用户设备上未经同意大规模开展。Google 的处置措施包括对 Videostrong 及其关联方所使用的命令与控制（C2）域名和服务器基础设施采取法律行动。该公司还加强了对认证 Android TV 设备的固件完整性检查。XCPE 僵尸网络采用模块化三阶段架构：主要系统级后门（x.cpe）、加载器与执行引擎（com.abc.nexus），以及多种变现模块。该僵尸网络采用两阶段 C2 流程，涉及用于配置的 HTTP 请求和用于命令的持久 MQTT 连接。这使得能够静默安装应用、禁用 Google Play Protect、执行任意 Shell 命令、进行屏幕截图以及实施网络侦察。

Shutting the Door on the XCPE Botnet cloud.google.com

RSS Hunter • 11月2日

LLMJacking 的兴起：威胁行为者如何变现被入侵的云资源和模型资源

Mandiant 在 2026 年多次应对涉及"LLMJacking"的事件，其中威胁行为者劫持了企业对大型语言模型（LLM）的访问权限。这些入侵事件影响了全球多个行业的组织，导致巨额欺诈性云费用，有时每日超过 100,000 美元。Google 威胁情报组（GTIG）识别出多种以财务为动机的威胁集群，并指出在初始访问提供者和"LLM 混子”（LLM Mixers）之间存在分工，后者将被盗的访问权限变现。攻击生命周期包括通过公开暴露的 LLM 端点或被盗的云身份令牌（如 IAM 凭据和 GitHub PAT）获取初始访问。威胁行为者还直接针对 LLM API 密钥，以隐蔽方式验证以避免检测。随后，威胁行为者提升权限、巩固访问并执行内部侦察，枚举云服务和仓库以获取敏感凭据。他们滥用云身份权限和虚拟机配置，创建未授权账户并注入 SSH 密钥以实现持久化。部分行为者利用 LLM 路由软件中的漏洞获取管理员控制权。最终目标是通过对令牌代理、自动化模型流和 GPU 配置进行 LLM 变现，累积大量欺诈性费用。威胁行为者托管自己的代理端点和代理工作负载，部署容器化后门并配置高性能 GPU。他们还通过 LLM 混子出售被盗的 API 配额访问，利用开源网关池化被盗凭据。一个典型案例 jet-night.com 利用被盗 API 密钥提供低于市场价格的访问，将巨额成本转嫁给受害组织。

The Rise of LLMJacking: How Threat Actors Monetize Compromised Cloud and Model Resources cloud.google.com

RSS Hunter • 11月2日

Google Cloud 与 NASA：为深空任务测试机器人系统

NASA 的阿尔忒弥斯计划需要保障乘员安全并实现独立于地球的自主能力，以支持未来的深空任务。前往火星的通信延迟将使实时医疗指导变得不可能。Google 公共部门正在开发乘员医疗官数字助手（CMO-DA），以远程协助宇航员。目前，他们正在构建一个机器人系统的概念验证，以支持这些任务。这款多功能机器人将负责后勤和设备管理，从而让宇航员专注于科学任务。它也能灵活切换至医疗支持模式，例如为医护人员准备超声检查。在狭小的航天器内安全运行，需要具备灵活且由人类指挥的机器人。喷气推进实验室正在改造卫星工具，使机器人能够理解其三维环境。在测试真实硬件之前，先使用模拟器进行安全演练。通过视觉 - 语言 - 动作模型，宇航员可以通过文本提示指挥机器人。太空任务需要边缘计算，因此模型在 Google Cloud 上进行训练，并在高效设备上本地运行。最终目标是打造一款能够在宇航员监督下通过语音指令执行多种任务的机器人。此次合作旨在使更具挑战性的科学任务成为可能。

Google Cloud and NASA: Testing robotic systems for deep space missions cloud.google.com

RSS Hunter • 10月27日

易于集成，合规即设计：将瑞士法郎引入 Google Cloud 通用账本

传统支付系统缓慢且成本高昂，促使稳定币为高效交易而兴起。然而，受监管的银行因显著风险及监管不确定性而回避公共稳定币。银行渴望代币化货币的速度，但希望建立在自身可信基础之上，这解释了其转向 Google Cloud Universal Ledger（GCUL）的原因。GCUL 为银行发行和结算自有代币化存款提供安全的基础设施，支持全天候可编程支付，同时不干扰核心运营。该方法既提供了稳定币的速度与低成本优势，又解决了监管问题及对银行储备金影响方面的担忧。瑞士 Crypto Finance Group 成功试点了这一概念，在 GCUL 网络上实现了两家瑞士银行之间的即时账户间转账。该试点验证了商业银行现代化支付操作的架构，并严格遵循金融安全框架。GCUL 的设计强调稳健性、高性能和易于集成，使银行能够连接其现有系统。监管合规与治理已内置于 GCUL 之中，由类似 Crypto Finance 的“货币运营商”制定网络运营规则。该系统通过发行限额缓解交易对手风险，并通过定期结算实现资本效率。Crypto Finance 的试点展示了 GCUL 在国内转账方面的潜力，未来应用还包括跨币种结算和自主支付。最终，GCUL 使银行能够在保持资本效率和监管合规的同时，提供类稳定币的速度。

Easy to integrate, compliant by design: Bringing the Swiss Franc to Google Cloud Universal Ledger cloud.google.com

RSS Hunter • 10月26日

统一企业上下文与语义：LookML 现已在知识目录中正式推出通用版（GA）

将 AI 代理迁移至生产环境，企业需要的不仅是数据访问能力，更需要数据理解能力。Google Cloud 的 Looker Core 知识目录现已对 LookML 语义语言进行索引，填补了这一空白。AI 代理需要上下文，包括表结构、血缘关系和治理信息，同时也需要用于指标计算的确定性业务语义。单一工具无法同时提供广泛的组织上下文和精确的指标定义。知识目录提供广泛的企業上下文，而 LookML 提供确定性的数学语义。此次集成将 LookML 业务逻辑索引至知识目录，供 Gemini Enterprise 及自定义 AI 代理使用。若无明确的语义规则，LLM 代理可能生成相互冲突的指标定义，并因简单的连接发散而生成错误的 SQL。知识目录与 Looker 通过仅在 LookML 中建模一次语义，并在 Google Cloud AI 生态系统中跨组件访问，解决了这一问题。此次新发布将 LookML 的确定性语义作为知识目录中的一等层进行索引，为代理提供精确的定义、连接路径和血缘关系。该元数据无需自定义代码即可自动供 Gemini Enterprise 使用，使其能够通过引用技术架构、术语表及索引的 LookML 逻辑生成准确的 SQL。Google Cloud 上的 Looker Core 会自动将 LookML 模型、探索、视图、血缘关系和仪表板直接索引至知识目录。此集成使代理能够同时从知识目录获取广泛上下文，并从 LookML 获取明确的数学关系。

Unifying enterprise context and semantics: LookML in Knowledge Catalog is now GA cloud.google.com

RSS Hunter • 10月26日

使用 IAM Helper Agent Skills 和 MCP Tools 安全地扩展代理规模

在应用程序开发中自主代理的日益普及，为身份与访问管理（IAM）带来了重大挑战。这些代理能够以机器速度配置云资源并部署服务，却可能遭遇安全摩擦，从而拖慢持续集成/持续部署（CI/CD）流水线。为应对这一“代理时代”的 IAM 挑战，Google Cloud 推出了 IAM Helper。IAM Helper 提供面向代理的智能构建模块，可自动化自主代码助手和部署流水线中的复杂 IAM 工作流。它作为 Google Cloud IAM 的原生代理编排层，与现有引擎（如策略智能和特权访问管理器）集成。这种集成使自主代码能够直接调用 IAM 技能，降低管理开销并提升安全性。IAM Helper 赋能代理动态管理访问权限，将策略评估和复杂编排的负担转移至 Google Cloud 后端。这些端到端工作流和护栏采用 Agent Skills 标准封装，可与 Gemini、Claude 等常见代理协同工作。IAM Helper 技能内置护栏，将只读发现与策略变更分离，并提供自动化诊断与模拟。策略变更需通过可定制的风险等级获得人工确认。例如，代理遇到权限错误时可自动排查问题、请求临时授权并解决该问题。自主流水线可通过生成最小权限策略、对照日志验证并将变更路由至审批流程来实现自愈。IAM Helper 还协助编写合规策略，生成并验证 IAM v1 和 v2 规则，同时阻止高风险配置。它通过识别缺失权限实现 403 错误的快速排查，并允许在发布前模拟策略变更以评估影响范围。此外，它支持按需特权访问而非长期权限，确保访问经过审计且有时限。这些代理技能由基础 Google Cloud IAM MCP 工具驱动，提供原子性、只读函数以高效查询 IAM 端点。使用这些工具可避免定制 API 包装器，最大化 token 效率，并允许代理安全执行多步骤操作。团队可访问 IAM Helper 代理技能目录和官方文档，开始实施这些能力。

Scale agents securely with IAM Helper Agent Skills and MCP Tools cloud.google.com

RSS Hunter • 10月26日

扩展 Claude 在 Google Cloud 上的可用性和部署选项

Google Cloud 正在通过为开发者提供更多部署 Anthropic Claude 模型的选项来增强生成式 AI 服务。Anthropic 托管的 Claude 模型部署选项现已在 Google Cloud 上普遍可用。该选项补充了现有的 Google 托管部署选择。两种选项均提供对最新 Claude 模型的即时访问（Day Zero），并共享相同的定价和 Google Cloud 计费。主要区别在于数据处理器身份以及新 Claude 平台功能的可用性。Anthropic 托管选项提供对 Claude 托管代理（Claude Managed Agents）和代码执行等功能的即时访问，Anthropic 在其条款下担任数据处理器，同时仍利用 Google Cloud IAM 和计费整合。相反，Google 托管选项在现有客户协议下将 Google Cloud 作为数据处理器，优先确保严格的治理和合规性，支持如 VPC Service Controls 和 CMEK 等功能。新的 Claude 平台功能将随时间逐步集成到 Google 托管的基础设施中。Google 托管选项还提供与 Google Cloud 服务的原生集成。无论选择哪种部署方式，用户均可使用 Claude 模型，包括 Opus、Sonnet 和 Haiku。

Expanding Claude availability and deployment choice on Google Cloud cloud.google.com

RSS Hunter • 10月22日

在知识目录中推出新的自学习上下文增强功能

Google Cloud 知识目录（Knowledge Catalog）正在通过新增预览功能增强其代理（agent）上下文引擎。自学习上下文丰富化（Self-learning context enrichment）分析代理与用户的交互，自动识别并更新缺失或过时的业务上下文。知识工作室（Knowledge Studio）提供可视化的上下文图谱及对话式探索功能，用于管理此类上下文。此举解决了随着代理数量扩展而手动策展上下文的挑战。由 Gemini 驱动的丰富化功能从各类业务文档和代码仓库中提取经核实的定义，并将这些定义组织为受管制的、可复用的代理上下文集。这显著提升了代理的准确性，并大幅降低了延迟和 token 用量。丰富化能力可连接结构化与非结构化数据源。拟议的上下文更新将附带来源引用和置信度评分以供审查。用户与代理的交互可精准定位代理难以处理的领域，从而实现自动修复。自动化配置可设定置信度评分阈值以自动发布变更。上下文集允许对更广泛的上下文图谱进行策展后的、特定领域的子集划分。这些集合强制执行数据治理和细粒度访问控制。知识工作室将知识目录转变为上下文管理的交互式指挥中心，提供可视化导航、对话式探索及变更版本控制。这些新功能旨在保持上下文的时效性，并提升组织内代理的整体性能。

Introducing new self-learning context enrichment in Knowledge Catalog cloud.google.com

RSS Hunter • 10月22日

深入 Agent 计算引擎：构建智能体时代的计算基础

软件行业面临周期性的架构变革：在 Web 规模爆发之后，出现了仓库级计算和容器技术，而张量处理单元（TPU）则是为了满足深度学习需求而开发。谷歌还推出了 Titanium，以提供基于硬件的安全保障。如今，一个根本性的转变正在发生，即代理式人工智能（agentic AI）的兴起：AI 代理不再仅限于回答问题，而是能够执行行动。这些代理正越来越多地编写代码、运行工具并编排工作流，从而迅速消耗计算和存储资源。传统的计算原语已不足以以低成本和低延迟运行数百万个此类代理。这催生了一种新的形态，即 Agent Compute Engine，一项谷歌云服务，为 AI 代理提供硬件隔离的微虚拟机（microVM）。Agent Compute Engine 旨在弥合虚拟机隔离性与容器的速度和密度之间的差距。现有虚拟机启动和停止速度过慢，难以满足频繁暂停和恢复代理的需求；而容器虽然快速，却缺乏某些代理任务所需的隔离性和内核级控制。该系统需要高效地管理代理，识别其活跃或空闲状态，以避免资源浪费并保留工作状态。Agent Compute Engine 被设计为一个统一平台，为持久化、硬件隔离的计算提供微虚拟机抽象。这一新架构支持多样化的工作负载，包括交互式代理界面、自主软件工程、大规模评估以及针对谷歌服务的轻量级沙箱。安全至关重要，采用纵深防御策略，以通过 Titan 硅芯片和 Titanium IPUs 实现的硬件根信任为基石。主机完整性通过无状态、不可变设备得以维持，代理会话则在单租户微虚拟机内进行隔离。零密钥架构确保敏感凭证不会驻留在沙箱内，即使 guest 操作系统被攻破也能保障安全。网络访问受到严格限制，所有流量均通过中介代理流转，由策略驱动的出站代理机制进行管控。对传输中及静态数据均实施了端到端加密。系统配备了自动补丁、运行时检测以及持续的安全措施，并严格分离代理运行环境与沙箱。系统基于“沙箱可能被攻击者控制”的假设运行，因此不持有任何凭证，且无直接网络访问权限。治理通过一等代理身份实现，由注册表和认证管理器统一管理；该认证管理器充当代理的保险库和代理。

Inside Agent Compute Engine: Building the compute foundation for the agentic era cloud.google.com

RSS Hunter • 10月22日

介绍 Agent 计算引擎和扩展的代理治理

扩展如 Gemini 等自主智能体需要强大的执行与控制基础设施。Google 正在推出 Agent Compute Engine，这是一项专为 AI 智能体的动态需求而设计的专用计算服务，提供隔离的运行环境安全性和效率。该服务目前为 Gemini 的工作任务提供支持，并即将向客户开放预览。配套的开源选项 Agent Substrate on GKE 则为采用 Kubernetes 标准化的用户提供了定制化和多云可移植性。这两种解决方案均通过硬件隔离和快速启动/暂停能力增强了安全性。Agent Compute Engine 利用带有写时复制内存共享和快速检查点功能的微虚拟机（microVMs）来提升效率，而 Agent Substrate 则采用零信任架构以支持高密度的智能体部署。为应对智能体舰队扩展的挑战，Google 正在扩展 Gemini for Business 的智能体治理功能。Agent Gateway 作为中央策略执行器，Agent Registry 管理已批准的智能体，Agent Identity 提供安全身份识别。这些治理功能现已覆盖更广泛的 Google Cloud 运行时、多云环境乃至本地端点。新的治理增强功能包括细粒度的成本控制、智能模型路由以及扩展的安全合作伙伴集成。该公司旨在提供兼具高性能执行与全面治理的稳健智能体基础设施。

Introducing Agent Compute Engine and expanded agent governance cloud.google.com

RSS Hunter • 10月22日

BigQuery ObjectRef 现已进入 GA：完全使用 SQL 构建用于对话分析的多模态数据平台

BigQuery 现已提供 ObjectRef 和多模态数据分析功能，将其转变为综合代理数据平台。ObjectRef 允许将来自 Cloud Storage 的非结构化数据表示为 BigQuery 表中的原生列。此集成使得用户能够在单个 SQL 或自然语言查询中直接访问非结构化文件与结构化数据进行分析。用户可利用 BigQuery 的无服务器计算和内置推理能力构建复杂的数据管道，而无需独立的底层架构。提取的特征和标注可与原始非结构化数据一同存储，保留细微差别以支持更深入的分析。这种方法消除了此前遇到的数据拼接开销和数据库不一致问题。ObjectRef 支持独立生命周期、零拷贝架构以及结构化与非结构化数据的统一治理。已验证的使用案例包括内容审核、威胁检测、库存合规和客户体验分析。新的通用（GA）功能包括灵活的认证、统一的元数据支持以及用于对比分析的支持数组功能。企业如今可以整合其基础设施，并将 AI 直接引入其存储层，从而实现稳健的多模态数据分析。

BigQuery ObjectRef now GA: Build multimodal data platforms for conversational analytics entirely in SQL cloud.google.com

RSS Hunter • 10月21日

ZenteiQ 借助由 llm-d 驱动的 GKE 推理网关，将批量推理性能提升了 4 倍。

ZenteiQ 是由印度科学研究所（Indian Institute of Science）孵化的一家 AI 初创公司，致力于构建主权科学基础模型。这些模型需要理解物理学、方程及数值求解器，从而区别于通用语言模型。ZenteiQ 采用大规模合成数据生成管道对这些模型进行预训练。该管道生成了数十亿个推理 token，涵盖复杂的科学推导与求解器验证。此前，ZenteiQ 在 Kubernetes 上遭遇了路由瓶颈，导致引擎队列分布不均并产生冗余计算，这显著拖慢了数据生成进程并推迟了预训练。为克服这些问题，ZenteiQ 部署了由 llm-d 驱动的 Google Kubernetes Engine（GKE）推理网关。该解决方案为其推理请求提供了智能的、基于负载与缓存感知的路由机制。GKE 推理网关实时监控其服务节点上的实时队列深度与 KV 缓存利用率，有效路由请求，避免瓶颈并复用缓存的提示前缀。这种智能路由大幅提升了吞吐量，每日生成的 token 数量从 14.7 亿增长至近 60 亿，同时也确保了预训练运行的可预测性。ZenteiQ 计划利用此架构支持未来的高级 AI 训练阶段。

ZenteiQ scales batch inference 4x with GKE Inference Gateway powered by llm-d cloud.google.com

RSS Hunter • 10月21日

“响应核心 PHP 漏洞 CVE-2026-109618 和 CVE-2026-109619"

已披露两个关键 PHP 漏洞 CVE-2026-109618 和 CVE-2026-109619，存在未经身份验证的远程代码执行和内存泄露风险。根据 Wiz Research 和 PHP 的信息，这些漏洞的 CVSS 评分为 9.2，影响 PHP 5.4 至 8.5.11 版本。漏洞源于内存不足处理问题及过期的内部请求状态。Google Cloud 建议其用户立即将 PHP 应用程序更新至 8.2 或更高版本并重新部署。针对 App Engine、Cloud Run 和 Google Kubernetes Engine 用户提供了具体指导。Google Cloud 自身不受影响，但运行在 Google Cloud 平台上的客户 PHP 应用程序可能受到影响。PHP 项目已为较新版本发布补丁，但旧版（已停止维护）将不再修复。Google Cloud 正在为某些无服务器平台推出自动补丁。使用自定义容器镜像的用户必须使用已修补的 PHP 版本重新构建并重新部署。On-Demand Scanning AP 和安全命令中心（Security Command Center）等监控工具可帮助识别和检测易受攻击的工作负载。更新 PHP 对于保障应用程序安全并维护服务完整性至关重要。

Responding to core PHP vulnerabilities CVE-2026-109618 and CVE-2026-109619 cloud.google.com

RSS Hunter • 10月21日

Google 公共部门增加合作伙伴投资以推动一线采用

Google 公共部门正在加强其合作伙伴计划，以推动协作并扩大面向政府和教育客户的任务交付。这些更新聚焦于四个关键领域，以支持其宝贵的合作伙伴网络。新的激励措施将奖励合作伙伴在售前技术专长和解决方案设计方面的贡献。由合作伙伴主导的用户成功计划将通过针对性投资提升 Gemini 的采用率。Google 正在推出“前置部署工程师学院”，以培训合作伙伴组织内的精英工程师。售前加速举措包括增加对合作伙伴主导的客户研讨会和概念验证的资助。售后采用方面，将投入 4500 万美元用于合作伙伴专业服务，以在美国公共部门部署 Gemini。为支持专项任务，将设立新的 ISV 智能体工厂，加速定制公共部门智能体的创建。此举与 ISV ATO 加速器相辅相成，为认证提供大量资金。正在建立战略联盟，包括与 SHI 的新联盟以调动其销售团队，以及与 Accenture Federal Services 合作开展 Gemini Launchpads。这些举措旨在推动机构从实验阶段迈向任务执行阶段。最终，这些努力确保公共部门客户获得其所需的就绪型任务能力。

Google Public Sector increases partner investments for frontline adoption cloud.google.com

RSS Hunter • 10月21日

Google Cloud 扩展了模型选择与灵活性，将 OpenAI 模型带给客户。

Google Cloud 正通过将其模型花园（Model Garden）集成 OpenAI 模型来增强其人工智能服务。此举使 Google Cloud 成为唯一能够访问三大主流闭源大语言模型（LLM）及其他众多模型的超大规模云提供商。该平台强调为客户提供灵活性，使其能够根据特定工作负载选择最合适的模型，在成本、能力和性能之间取得平衡。新的 OpenAI 模型，如 GPT-6 Astra、GPT-6.1 Sol 和 GPT-6 Luna 正在推出，每个模型均针对不同的使用场景和效率水平进行了定制。此次集成允许客户在不产生架构锁定或需要单独供应商合同的情况下动态切换模型。用户活动将整合到统一的 Google Cloud 账单中，并利用现有的云承诺和灵活节省计划（Flexible Savings Plans）。安全与数据治理至关重要，严格的数域（data perimeters）确保客户数据不会被用于模型训练。隔离的访问边界和统一的审计机制为企业工作负载提供了强大的安全性和可见性。这些新的 OpenAI 模型目前正面向精选企业客户进行私有预览。未来与 Gemini for Business 和 Google Antigravity 的集成将进一步扩大开发者和企业的选择范围并提升效率。

Google Cloud expands model choice and flexibility, bringing OpenAI models to customers cloud.google.com

RSS Hunter • 10月21日

Google Cloud 与 NVIDIA 扩大联合工程合作，以扩展基础设施以应对智能体时代

企业正转向复杂的代理式 AI 工作流，亟需兼具原始性能与关键灵活性的基础设施。这一新时代要求能够针对特定任务运行多样化模型，并保障数据与运营主权。谷歌云携手 NVIDIA 推出多项创新以应对这些挑战。由 NVIDIA Vera Rubin 平台赋能的新 A5X 实例提供加速计算能力并扩大全球可用性。Virgo 网络增强了横向扩展能力，支持跨站点构建大规模 GPU 集群。存储解决方案现已包含集成 NVIDIA GPUDirect Storage 的托管 Lustre，实现 GPU 对数据的直接访问。A5X 实例上的高级 KV 缓存提升了代理工作流的长上下文内存能力。谷歌 Kubernetes 引擎（GKE）将编排这些 A5X 实例，简化分布式 AI 运营。谷歌云主权云（Sovereign Cloud）组合中，对 Gemma 和 Mistral 等开源模型的支持正在扩展。NVIDIA 的 Nemotron 模型与 Cosmos 仿真已集成至 Gemini，用于定制化和虚拟世界生成。通过谷歌分布式云（Google Distributed Cloud），主权 AI 能力正延伸至本地环境，包括 NVIDIA Blackwell Ultra GPU 和 Gemini Flash 模型，以支持空气隔离部署。公有云中的机密计算通过机密 G4 实例和机密裸金属选项得到增强。这些创新旨在通过硬件强制的安全机制保护敏感知识产权和用户数据。与 NVIDIA 全栈平台共同打造的谷歌云 AI 超算中心，为 AI 扩展提供了统一基础。

Google Cloud and NVIDIA expand co-engineering collaboration to scale infrastructure for the agentic era cloud.google.com

RSS Hunter • 10月21日

全球规模硬件级安全：搭载 NVIDIA Blackwell 的机密计算 G4 现已正式发布

Google Cloud 推出了机密型 G4 实例，这是保护人工智能工作负载的一项重大进展。这些实例由 NVIDIA RTX PRO 6000 Blackwell Server 版 GPU 驱动，提供机密计算能力。这意味着由自主代理处理的敏感数据和知识产权可在实时得到保护。该技术将 NVIDIA 机密计算集成至 Google Cloud 的 AI 超计算机中，确保在计算过程中保障隐私，同时不牺牲性能。机密型 G4 实例现已在多个区域普遍可用，支持 Compute Engine 虚拟机和 GKE 节点上的多种消费模式。支持机密空间（Confidential Space）的功能即将推出，该功能可实现安全的多方数据共享。机密型 G4 实例利用基于硬件的安全特性，如不可导出密钥、远程证明和内存加密。这使得组织能够满足严格的监管要求并保持成本效益。该解决方案提供端到端的机密性，将数据与模型参数与主机管理员及云服务商隔离。通过基于硬件的远程证明建立可验证的密码学信任，确保在敏感操作开始之前验证完整性。至关重要的是，部署无需重构代码，从而简化了采用过程。性能测试表明，机密型 G4 实例提供的吞吐量与标准 G4 实例相当，性能损耗极小。这一进展使企业能够安全地扩展人工智能部署，在保持对其宝贵人工智能资产的控制、机密性和问责性的同时推进发展。

Hardware-backed security at global scale: Confidential G4 with NVIDIA Blackwell is GA cloud.google.com

RSS Hunter • 10月21日

Claude Opus 5.5 和 Claude Sonnet 5.5 现已在 Google Antigravity 中可用”

Google Cloud 现已通过 Antigravity 提供 Claude Opus 5.5 和 Claude Sonnet 5.5，为开发者提供了更多模型选择。Claude Opus 5.5 擅长处理复杂任务，而 Sonnet 5.5 则提供更高的速度与成本效益。管理员可在 Antigravity 中启用这些模型，与 Google 的 Gemini 模型并列。开发者随后可直接从 Antigravity 各工具中的模型选择器挑选首选模型。此集成实现了模型选择的统一计费与安全环境。该平台支持多模型工程模式以提升代码质量并管控成本。一种模式是在实现与验证阶段使用不同模型，以避免模型特定偏差。开发者可为实现阶段分配 Claude Opus 5.5 或 Gemini 4 Argon，而验证阶段则使用另一模型。另一种模式将强大的推理模型与更快速的"Flash"子代理配对以提升效率。子代理可配置为使用特定模型层级（如 Gemini Flash）处理高吞吐量任务。这通过将任务委派给专用模型实现了优化工作流。管理员可配置计费并授权合作伙伴模型供其组织使用。开发者应更新其 Antigravity 工具以访问这些新模型功能。

Claude Opus 5.5 and Claude Sonnet 5.5 are now available in Google Antigravity cloud.google.com

RSS Hunter • 10月20日

宣布 llm-d 1.0：在 Google Cloud TPU 和 GPU 上为智能体提供开放分布式推理

今天标志着 llm-d 1.0 的发布，这是一个由包括 Google、Red Hat 和 IBM 在内的社区共同开发的、基于 Kubernetes 的分布式大语言模型（LLM）推理开源栈。该项目整合了 PyTorch 和 Kubernetes 社区，以应对不断演进的推理需求。与现代基于代理（agent-based）的工作负载相比，简单的聊天交互涉及多步骤流程、工具使用以及突发流量模式。在单机上或通过基础负载均衡器提供这些服务效率低下，导致计算重复和交互式用户卡顿。llm-d 将集群转化为协调的服务池，已在单个端点上演示了支持 1,000 个代理的能力。其关键特性包括感知缓存的路由和分层 KV 缓存，以维护代理上下文，以及流量控制以在流量突发期间优先处理交互式请求。1.0 版本通过感知优先级的流量控制提供多租户服务质量，并具备经过加固的 API 以奠定稳定基础。它还支持通过高可用性和零停机更新实现更安全的升级，并具备感知代理的服务能力以支持上下文复用。扩展的 TPU 集成提供了原生的 PyTorch 模型服务，利用 TorchTPU 的时间切片技术提升吞吐量与资源利用率。llm-d 组件具有可组合性，允许用户仅采用必要的服务元素。该栈连接了 Kubernetes 原语、PyTorch 服务引擎以及感知加速器的调度，从而构建灵活的生产环境。

Announcing llm-d 1.0: Open distributed inference for agents on Google Cloud TPUs and GPUs cloud.google.com

RSS Hunter • 10月20日

TorchTPU 现已开源：在 TPU 上运行原生 PyTorch

PyTorch Conference 2026 推出了用于在 Google Cloud 及其他基础设施上运行 PyTorch 的新产品与集成方案。TorchTPU 作为 Google TPU 的原生 PyTorch 栈，现已在 GitHub 上开源。这使得用户能够借助 vLLM、SGLang 和 Hugging Face 等熟悉工具，在 TPU 上实现模型的无缝训练、推理与服务部署。该集成为用户提供包括 TPU、GPU 和 CPU 在内的多种计算选项，并保持一致的操作模型。TorchTPU 支持以最小代码改动和熟悉的 API 在 TPU 上运行现有的 PyTorch 工作负载；它支持 eager 模式调试，并通过 torch.compile 优化 TPU 利用率与内存使用。Hugging Face 模型现可原生运行于 TorchTPU，通过设置 device_map="tpu" 简化部署。推理优化通过 TorchTPU 与服务引擎的集成以及跨 TPU 和 GPU 的舰队路由实现。vLLM 在 TPU 上提供高吞吐服务与内存效率，支持连续批处理与量化等特性。SGLang 通过在请求间复用 KV 缓存，加速 TPU 上的代理式与结构化工作负载。llm-d 1.0 作为 CNCF Sandbox 项目，将 PyTorch 服务引擎与 Kubernetes 连接，以支持分布式 LLM 推理。TorchTitan 提供原生的 PyTorch 分布式高性能大规模训练，已在数千个 TPU 上得到验证。VeRL 这一流行的强化学习框架现已包含 TPU 后端，支持可扩展的后训练与强化学习工作负载。Ray 已添加原生 TorchTPU 支持，可在单一工作流中编排跨多种加速器的 AI 流水线。LiteRT 作为 Google 的端侧 AI 推理解决方案，现已加入 PyTorch 生态系统，使 PyTorch 模型能够在多样化设备上运行。TPU 代理套件也已在 GitHub 上进入早期预览阶段，用于自动化 PyTorch 模型在 TPU 上的接入、诊断与性能调优。

TorchTPU is now open source: Run native PyTorch on TPUs cloud.google.com

RSS Hunter • 10月20日

2026 年谷歌公共部门峰会公告与亮点

Google 正在举办一场峰会，探讨公共部门如何通过技术实现雄心勃勃的目标。公共部门领导层面临着在复杂性和资源有限的背景下，对速度与效率日益增长的需求。尽管许多机构已采用 AI 智能体，但其广泛普及仍受限于遗留数据孤岛和集成挑战。Google 旨在通过安全、可扩展的技术简化这些流程。该公司推出了 Gemini 智能体，这是一款适用于各类工作任务的通用助手，能够与现有系统集成并遵循组织的安全控制策略。"Gemini for Government Services"是一个专为公共部门安全和工作流需求设计的新平台，能够在无需数据迁移的情况下实现与现有系统的安全连接。Wiz 智能体现已在通过 FedRAMP 认证的"Wiz for Gov"环境中可用，以加速关键优先事项（如后量子密码学）的修复工作。Wiz 还通过其"Scan for Good"计划提供免费的安全评估服务。企业级搜索能力正被引入 Google Distributed Cloud 上的 Gemini，以支持隔离环境（air-gapped environments），从而在不牺牲互联网安全的前提下对机密数据进行分析。与 America.gov、SUNY、能源部、美国陆军及战争部的合作，展示了 Google 技术如何推动任务成效。这些合作聚焦于简化联邦服务访问、推进研究、加强国家安全以及优化后勤。凯斯西储大学（Case Western Reserve University）正利用 Gemini 提升学习与研究能力。Google 强调其作为智能体时代任务合作伙伴的角色，鼓励公共部门实体携手共建并创造影响力。

Announcements and highlights from Google Public Sector Summit 2026 cloud.google.com

RSS Hunter • 10月20日

开启主权 AI 的下一个时代：Google Distributed Cloud 最新创新

代理系统对企业日益重要，但拥有严格数据主权要求的组织在部署时面临挑战。将敏感数据发送至公有云往往不可行，而构建私有 AI 堆栈则耗时漫长。Google 分布式云（GDC）的隔离式创新现已解决这一问题，使代理系统能够直接部署在敏感数据所在之处。关键进展包括由 Gemini 驱动的企业主机搜索、对开放权重模型的支持、开箱即用的 ISV 应用程序以及加速的基础设施。GDC 旨在将孤立的基础设施转变为具备灵活性的现代代理创新平台，其灵活性源于基础模型与开放模型。GDC 上的 Gemini 企业搜索提供对话式界面，用于查询主权边界内庞大的数据仓库。它支持文本、音频和视频等多模态数据，具备低延迟推理和内置的检索增强生成（RAG）能力。GDC 隔离式现已普遍可用，支持 Gemini 3.5 Flash 以及 Gemma、Mistral 等领先的开放模型，赋予工作负载选择权。该平台具备全新的、升级的基础设施即服务（IaaS）堆栈，可共同运行 AI 与传统工作负载。其中包括搭载 NVIDIA Blackwell GPU 的 A4 Ultra 机器类型，用于高性能代理基础设施，以及高可用托管网络解决方案。不断扩展的 ISV 合作伙伴生态系统将 Teradata、Solo.io 和 Mattermost 等熟悉软件原生引入 GDC。这些集成使组织能够在不牺牲数据隐私、不遗留熟悉工具的前提下利用 AI，在合规、安全且受控的隔离环境中将敏感数据转化为可操作的洞察。

Enabling the next era of sovereign AI: The latest Google Distributed Cloud innovations cloud.google.com

RSS Hunter • 10月20日

引入Gemini用于政府服务

Google 推出了面向政府服务的 Gemini，这是一款专为公共部门组织设计的 AI 智能体。该通用智能体能够处理知识型工作、回答问题、创建媒体内容，并基于既定目标运行代码。它可连接现有机构系统而无需数据迁移，并严格遵守组织的安全与合规要求。政府版 Gemini 包含针对公共服务的专业技能，如政策研究和 FOIA（信息自由法）发现，并能与 Oracle 和 Microsoft 365 等系统集成。预制的合作伙伴智能体和系统集成商可用于定制与部署。Gemini for Government Services 运行于 Google Cloud，确保数据隐私及美国数据驻留。此举旨在自动化常规任务，使公务员能专注于更关键的工作。预览版是 Google 更广泛战略的一部分，旨在为特定行业量身定制 Gemini。该倡议致力于加速复杂的政府运营并提升公民服务。

Introducing Gemini for government services cloud.google.com

RSS Hunter • 10月20日

在主权边界内管理 RAG 搜索：GDC 企业搜索中的 Gemini

处理敏感数据如机密报告的组织需要安全的数据分析解决方案。公共云搜索功能常因数据主权要求而受限，防止数据流出。此前实现此功能需为断联环境开发复杂且耗时的定制基础设施。如今，谷歌分布式云（GDC）空隔离提供与Gemini的企业搜索，以应对这些挑战。这种全托管的检索增强生成搜索完全运行在安全的物理边界内，与互联网断开连接。用户可以上传文件，并请求Gemini查找、总结、比对或翻译信息，并附带引用来源和持续对话。这支持跨孤岛数据搜索，解锁来自音频、视频和图像等多种格式的洞察，无需单独转录步骤。系统与现有身份提供商集成，实现知情访问，确保隐私。数据在静止和传输中加密，安全控制符合政府标准。Gemini的本地代码执行引擎安全地处理结构化数据中的分析查询。该解决方案为主权数据中心带来了先进的多模态智能，同时不影响安全性。

Managed RAG search inside the sovereign perimeter: Gemini on GDC enterprise search cloud.google.com

RSS Hunter • 10月20日

在 Google Cloud 构建完整的虚拟车辆：从 AAOS 到最小 MCU

汽车行业正迅速向软件定义车辆转型，将核心功能从物理硬件迁移至数字系统。虽然信息娱乐系统和高性能计算系统常采用云原生方法开发，但许多关键微芯片和控制模块仍采用硬连线方式。这造成了显著瓶颈，使得制造后的更新与扩展变得困难，并将昂贵的缺陷修复工作推至开发周期的末端。Google 通过与 RemotiveLabs 等合作伙伴合作及其 Horizon 平台，旨在解决这些效率低下问题。Android Automotive OS（AAOS）已利用基于 Arm 的 Google Cloud 实例上的 Cuttlefish 等虚拟测试环境，实现座舱软件的无缝开发。RemotiveTopology 将该虚拟模型扩展至整车电气与电子（E/E）架构。通过将车辆网络转化为“车辆即代码”，RemotiveTopology 构建了一个完整的模拟 E/E 架构，连接 AAOS 与其他车辆系统。这使得开发者能够按需启动完整的虚拟车辆，实现持续的信号与跨域可见性。该系统基于标准 Linux 工具构建，可在多种平台上运行，从笔记本电脑到 Google Cloud。这种方法促进了所有车载系统在虚拟环境中尽早而非晚期的集成，在涉及物理硬件之前完成。关键的跨域交互（例如 ADAS 事件出现在信息娱乐集群中）可从一开始就持续测试。这种早期集成显著降低了在开发后期发现缺陷的可能性和成本。最终目标是实现可扩展的软件开发，即使针对最小的车辆组件，从而弥合通往完全软件定义车辆的差距。Google Cloud 基于 Arm 的基础设施（包括 Axion 的裸金属 C4A 实例）确保了云端开发软件与实际车辆控制模块之间的对等性。这一整体系统首次实现了整车系统的云端开发与集成测试，并可直接迁移至物理车辆。其优势十分显著，据早期客户参与情况衡量，集成周期可加快超过 10 倍。虚拟系统对于跟上 AI 辅助工作流至关重要，后者能够快速生成、测试和完善车辆软件。RemotiveTopology 使该架构易于访问，在 GitHub 上提供开源的简化车辆模型，可立即使用而无需新的第三方工具。制造商可以利用现有工具链，轻松将 RemotiveTopology 集成到基于 Arm 的 Google Cloud 环境中。对于那些目前仅将虚拟开发局限于座舱的厂商，是时候通过这一创新方法将云端虚拟开发扩展至整车了。

Building full virtual vehicles on Google Cloud: From AAOS to the smallest MCU cloud.google.com

RSS Hunter • 10月19日

谁在评判法官？三种有益的审计大语言模型评估者的方法

一个常见的技术误解是认为人工智能能够提供客观评估，但大语言模型（LLMs）与人类一样具有主观性。LLM 裁判表现出多种偏差，包括冗长偏差（verbosity bias）、位置偏差（position bias）和光环效应（halo effect），其中清晰的格式可能误导它们。它们还表现出讨好偏差（agreeableness bias），无法检测错误，以及自我增强偏差（self-enhancement bias），倾向于偏好自身的输出。因此，LLM 裁判并非客观，将其视为无误会危及工作质量。为提升 LLM 裁判的质量，建议采用三支柱方法。第一支柱是衡量内部稳定性，通过检查相同输入在多次运行中的一致性来实现。第二支柱涉及验证人类对齐性，使用校正偶然性的指标，以确保它们识别的是真实错误，而不仅仅是与宽松评分达成一致。第三支柱主张使用多裁判集成（multi-judge ensembles），采用分解提示（decomposed prompting）进行专业化评分，并同时运行多个模型以跟踪性能并识别分歧。与 Delta 合作有助于实施经过统计审核的评估流程。

Who judges the judge? Three helpful ways to audit your LLM evaluators cloud.google.com

RSS Hunter • 10月19日

如何使用 Python UDF 日志实现管道可观测性

BigQuery 现已支持 Python UDF 日志记录，允许开发人员使用 Python 标准日志库直接将结构化日志输出到 Cloud Logging。此新功能无需外部插件即可实现运营监控和调试，尤其适用于构建容错数据管道。其工作流程包括在 Python UDF 内联执行验证、通过 Cloud Monitoring 基于日志指标进行实时告警，以及对隔离数据进行 SQL 分类与回放。一个实际示例展示了一个电商事件摄入管道。通用的 Python UDF 解析 JSON，为无效记录记录诊断信息，并返回 NULL 以防止查询失败。日志功能通过 BigQuery 会话中的 SET @@udf.properties 启用。可在 Cloud Logging 中配置针对 UDF 错误的特定日志过滤器以实现实时告警。对于取证分析，BigQuery 日志分析功能允许数据工程师通过 SQL 直接查询关联的 _AllLogs 视图中的隔离负载。由于原始负载得以保留，问题记录可被恢复并重新摄入生产表，确保无数据丢失。除数据验证外，此日志功能还支持影子执行（用于安全迁移）、PII 脱敏审计以及检测机器学习推理漂移等用例。最佳实践包括启用调试输出、避免在日志中包含敏感数据，并通过选择性日志记录管理日志成本。此集成简化了调试流程，并增强了 BigQuery 内数据管道的韧性。

How to Use Python UDF Logging for Pipeline Observability cloud.google.com

RSS Hunter • 10月19日

开发人员在 Gemini 中实现 MCP 应用的指南

企业助手主要依赖文本，这对于需要频繁调整的视觉化、多步骤任务而言效率低下。MCP 应用（Model Context Protocol 的扩展）通过将工具与直接在 Gemini 企业聊天流程中渲染的实时用户界面配对来解决这一问题。这些交互式 UI 嵌入在沙箱化的 iframe 中，可展开为全屏或侧边栏。编辑操作在本地处理，从而保持工作区与助手之间的同步。该方法无需重建核心基础设施，而是利用 Gemini 企业版进行身份验证、数据访问及默认助手功能。用户在私有 Cloud Run 服务上托管其 MCP 服务器。随着生成式发展，企业助手已从静态文本聊天机器人演进为调用实时 API 的助手，如今则进一步发展为具备实时工作区的交互式 MCP 应用。MCP 应用提供响应式用户体验、专为特定目的构建的工作流、企业级安全、人机协同治理以及广泛的连接能力。其架构包含三个解耦的层级：客户端浏览器、Gemini 企业版以及用户的 Google Cloud 项目。安全通过两层身份验证机制实施：Cloud Run IAM 和应用程序内 OAuth。构建 MCP 应用涉及创建服务器和 HTML 小部件，部署至 Cloud Run，并在 Gemini 企业版中注册。注册后，MCP 工具将被导入为可启用并连接至 Gemini 企业版应用的行动，从而实现无缝集成。

Developer’s guide to implementing MCP apps in Gemini cloud.google.com

RSS Hunter • 10月19日

Google 在 2026 年 IDC MarketScape 代理人工智能平台评估中被评为领导者。

组织在将 AI 代理部署到其业务中时面临重大挑战，需将质量、集成、安全与治理置于原始模型智能之上。Google 的 Gemini 被定位为一种基础平台，旨在解决这些部署障碍。它使代理能够在 Google Workspace 和 Microsoft 365 等熟悉的用户环境中运行，保持记忆与权限的一致性。Gemini 还倡导彻底的开放性，提供超过 200 种模型的选择，并直接集成到 Salesforce 和 SAP 等企业数据源中。该平台采用智能令牌经济学，通过为每项任务选择最合适的模型来优化成本，并支持可复用的技能，从而提升效率并减少冗余处理。此外，Gemini 内置治理与安全功能，包括专用代理身份、隔离沙箱和自动策略执行，这些防护措施保护敏感数据与基础设施。该平台旨在为构建者提供一个可靠且开放的环境，增强对 AI 部署的信心。Google 在首届 IDC 代理式 AI 平台市场图谱中的领先地位，凸显了 Gemini 在满足企业 AI 需求方面的能力。Gemini 的设计聚焦于赋予团队选择权与强大的安全能力，以支持 AI 集成。

Google named a Leader in the 2026 IDC MarketScape for Agentic AI Platforms cloud.google.com

RSS Hunter • 10月19日

Google Cloud 为 Reflection 的 Beam 提供 Day 0 支持：借助 llm-d 和 NVIDIA Dynamo 实现 5 倍性能提升

Reflection 推出了 Beam，这是一款专为高级软件工程及长周期代理任务设计的开放权重模型。Beam 采用 Apache 2.0 许可证，在其参数量级中展现出卓越的推理效率。Google Cloud 宣布立即支持 Beam，并在其 AI 超算平台及 NVIDIA AI 基础设施上提供部署方案。与 Reflection 合作，Google Cloud 利用 llm-d 和 NVIDIA Dynamo 优化了 Beam 的推理性能，以提升服务效率。在 Google Cloud 上部署 Beam，显著提升了代理任务的吞吐量并降低了延迟。此次发布强调模型与系统效率的协同提升，从而为代理任务带来更高的吞吐量和更低的延迟。通过 KV 缓存感知路由和推测解码等先进技术，实现了高效的多轮次服务。开发者如今可轻松获得针对代理任务的开箱即用型优化部署。代理任务的推理扩展需要在模型层和服务系统层同时进行优化。Beam 独特的架构仅激活其参数的一小部分以生成每个 token，大幅降低了计算需求。服务栈解决了长上下文场景中的瓶颈问题，如预填充计算和 KV 缓存容量。这一联合开发方案旨在为开发者提供强大且高效的 AI 工具。

Day 0 support for Reflection’s Beam on Google Cloud: 5x faster perf with llm-d and NVIDIA Dynamo cloud.google.com

RSS Hunter • 10月16日

发布 Wiz Runtime Sensor 附加组件用于 GKE：Kubernetes 的即开式威胁检测

人工智能时代加速了安全威胁，使得传统扫描无法有效应对主动攻击。Wiz 正在预览版中推出针对 Google Kubernetes Engine（GKE）的运行时传感器附加组件。该集成提供了低维护部署方式，并实现了对 Wiz eBPF 运行时威胁检测的自动化管理，解决了诸如复杂安装和凭据安全风险等常见部署挑战。Wiz 针对 GKE 的运行时传感器现已作为原生托管附加组件推出，简化了传感器的生命周期管理。该传感器与 GKE 的 Secret Manager 无缝集成，实现安全的凭据处理。平台运营人员可通过 gcloud CLI 或 GKE API 启用传感器，从而简化部署流程。组织策略约束强制实施舰队范围的治理，阻止未安装传感器的集群。该传感器提供内核级可观测性，同时保持最小开销，监控系统调用和网络活动。此外，传感器支持独立自动更新，确保持续抵御新兴威胁。此集成与 Wiz AI 应用保护平台相结合，提供实时风险评估和威胁检测。

Announcing Wiz Runtime Sensor add-on for GKE: Turnkey threat detection for Kubernetes cloud.google.com

RSS Hunter • 10月16日

SAVE 方法：掌握基础以构建可信的生成媒体”

Google Cloud Consulting 提出了一种名为 SAVE 的四步法，用于创建可信且符合品牌定位的生成式媒体。该方法超越了复杂的提示工程，以确保结果的一致性。第一步“分离”（Separate）涉及将提示拆分为研究人员和故事讲述者的不同角色：研究人员从源文档中提取经核实的事实，而故事讲述者则利用这些精选信息进行创意表达。第二步“仅批准事实”（Approving verified facts only）意味着生成式模型不应直接访问原始未编辑文件，而应仅接收经批准的陈述及带有明确约束的上下文包装。第三步“渲染前验证”（Verifying before rendering）强调在媒体生成前审查脚本和分镜，这使得文本内容易于编辑，从而尽早发现错误，节省时间与资源。第四步“工程化”（Engineer）涉及在系统中构建程序化护栏和独立安全网关，以确定性方式执行诸如字数限制和品牌合规等规则，而非单纯依赖提示的服从性。通过实施 SAVE，组织可以降低虚构细节的风险并确保生成式媒体的准确性。该方法将准确性责任置于系统架构之中。应用 SAVE 有助于借助 Google Cloud 工具在生成式媒体中构建信任。

The SAVE method: Learn the fundamentals to engineer trustworthy generative media cloud.google.com

RSS Hunter • 10月16日

架构自主性：面向生物技术的可治理高算力智能体的设计模式

现代 AI 代理充当简单的调度器，快速处理提示和 API 调用。然而，生物技术任务（如蛋白质折叠和化合物筛选）是复杂的持续模拟，与快速的 API 查找截然不同。由于超时和知识产权暴露风险，标准 AI 范式无法应对这些高需求的工作流。构建企业级研发代理需要一种新方法，超越单体助手模式。这涉及一个三层架构，将认知编排、计算执行和企业治理分离开来。执行层负责繁重的科学计算，工作负载在专用 GPU 或托管云端点上运行。为减轻 GPU 冷启动惩罚，维持热池和预加载权重对于响应性至关重要。容器化的 NVIDIA 推理微服务（NIMs）确保快速原型开发，同时为专有化学信息保持严格的数据隔离。认知层使用分层多代理结构编排代理工作流。关键的编排模式包括进程内原生代理交接以提升速度，以及通过云存储按引用传递大型负载以保持上下文窗口紧凑。工作流逻辑与生化推理解耦，将规划任务分配给通用大语言模型，将领域专业知识分配给专用模型。评估采用基于上下文的评估而非僵化的截断阈值，从而在药物候选评估中实现动态风险容忍度。性能最佳实践强调优化 I/O 和负载大小，而非原始 token 速度。将客户端并发与后端机制对齐，并避免深层工具链同样至关重要。按引用传递大型负载以及流式传输中间阶段完成结果可提升可见性和效率。将端到端管道封装在单一、清晰的接口之后可简化计算。Gemini 平台提供企业治理，包括代理身份、用于安全入口/出口的代理网关以及用于已批准工具的代理注册表。Model Armor 检查提示和负载的安全性。非对称自主权在可逆的自动化操作与需要人工审批的不可逆操作之间取得平衡。这种解耦的架构确保了可扩展、安全且可审计的研究系统，以应对未来复杂的模拟任务。

Architecting autonomy: A design pattern for high-compute, governed agents in biotech cloud.google.com

RSS Hunter • 10月16日