跳到正文
目前篩選:一手
10月22日週四
10月21日週三
  1. AWS Machine Learning Blog62

    Octave 如何在 Amazon Bedrock 上打造安全的多租戶 AI 基礎平台

    Octave 為 Reliance 在 Amazon Bedrock 上建立三層多租戶 AI 基礎平台,以支援受監管產業的文件搜尋與 AI 工作流程。平台採用 Cohere Embed v4,並以每租戶向量儲存、AgentCore 隔離執行環境及 Amazon Bedrock Guardrails 分層控制資料存取與內容風險。

    推薦理由:文章拆解多租戶合規場景中的隔離、身份與內容安全取捨,並呈現如何把共用基礎設施轉化為可重用的 AI 功能底座。

  2. AWS Machine Learning Blog66

    AWS Agent Registry 如何在執行時探索工具

    AWS 的示例展示如何透過 AWS Agent Registry,在執行時搜尋已核准的 MCP 伺服器、智能體及技能,並按結果建立本次請求所需的用戶端。示例以訂單狀態、價格折扣及退貨退款三種情境,展示 MCP 單獨呼叫、MCP 與 A2A 串接,以及語義搜尋。搜尋結果只提供連線描述資料,不含呼叫憑證;記錄須經核准才會透過可搜尋資料平面提供,各項能力所需的呼叫憑證須另行處理。

    推薦理由:文章以 MCP 與 A2A 的訂單管理示例拆解執行時探索流程,並説明搜尋描述資料、核准治理與能力呼叫憑證之間的責任邊界。

  3. GitHub Blog · AI & ML62

    3 位 Java Champion 如何運用 GitHub Copilot 提升生產力

    三位 Java Champion 分享在生產環境及開源項目中運用 GitHub Copilot 的做法,並提出提升開發效率與確保程式可靠性的實踐。其中一人以 Copilot 將 15 份簡報、約 900 張投影片由 Reveal.js 遷移至 Marp,約用 8 至 10 小時,並透過截圖、動畫及 PDF 比對驗證。

    推薦理由:三位 Java Champion 的實例涵蓋功能開發、遷移和除錯,呈現需求釐清、驗證證據與人工審核如何支撐 AI 輔助開發。

  4. AWS Machine Learning Blog56

    AWS 與 Keyfactor 示範以 X.509 PKI 保護 AI 智能體身份

    AWS 與 Keyfactor 展示一套結合 X.509 PKI、Keyfactor EJBCA 及 AWS 服務的參考架構,為多智能體系統建立身份驗證與授權鏈。架構採用已簽署請求封套、用戶簽署的委派聲明、RFC 8693 受眾限定存取權杖,以及即時 OCSP 撤銷檢查。文章逐步説明用戶登入、智能體間呼叫、MCP 工具伺服器驗證及登出撤銷流程,並指出此模式可應用於其他兼容 MCP 的工具伺服器。

10月20日週二
  1. GitHub Blog · AI & ML62

    GitHub Copilot app 工作階段如何在 VS Code 延續

    GitHub Copilot app 的工作階段可直接在 VS Code 開啟,並保留原有對話、程式碼變更及工作脈絡,讓用戶在同一工作樹繼續工作。用戶可在 VS Code 逐行檢視差異、手動修改及本機測試,完成後把變更推送至該工作階段關聯的 pull request。

    推薦理由:文章示範如何把 Copilot app 工作階段及其工作脈絡帶入 VS Code,讓智能體產生的修改可在原有工作樹中接續檢視、測試及推送。

  2. AWS Machine Learning Blog49

    Deepgram 如何藉助 AWS Trainium 大規模優化語音 AI

    Deepgram 與 AWS 把 Nova-3 語音轉文字模型移植並調校至 AWS Trainium2,以提升離線批次推理效率。單一 Amazon EC2 trn2.3xlarge 執行個體配置八個模型副本後,每美元可處理的音訊量較 Deepgram 原有運算方案增加 11–70%。這項成果有助 Deepgram 更有效率地擴展服務,並以較低價格向客戶提供模型。

10月19日週一
  1. viAct · 視覺 AI 及工地安全28

    南非礦山運礦卡車安全:主要風險與控制措施

    南非礦山運礦卡車安全須結合交通管理、工程控制、設備維護及持續監察,以應對盲點、疲勞、道路狀況、粉塵和機械故障等風險。南非《礦山健康與安全法》相關規定要求 TMM 偵測行人及其他機器、發出警示,並在無人採取行動時自動減速及制動;礦山死亡人數由 2021 年的 74 人降至 2022 年的 49 人,2025 年為 41 人。

10月17日週六
  1. OpenAI News49

    Benefit Street Partners 使用 Codex 更快回應問題

    Benefit Street Partners 使用 Codex 建立貸款估值追蹤及信貸協議分析工具,讓團隊更快回應投資委員會問題,並常在會議期間作答。追蹤工具首版約用 1 day,總開發時間約 10–12 hours;信貸協議分析工具以 GPT‑6 Astra 重構,約 20 min 產生初步分析,之後仍需 1+ hour 人手審核。

  2. AWS Machine Learning Blog68

    AWS 以 Amazon Bedrock AgentCore 建立可用於正式環境的 AI 智能體評估框架

    AWS Sales, Marketing, and Global Services(SMGS)團隊以 Amazon Bedrock AgentCore Evaluations 建立九階段評估框架,涵蓋 AI 智能體由開發到正式環境運作的完整生命週期。

    推薦理由:文章把工具、單一智能體與多智能體協作納入九階段評估流程,並展示如何透過回歸門檻、線上監測及追蹤資料定位品質退化。

10月15日週四
  1. AWS Machine Learning Blog52

    AWS以 Trust in Depth 框架提升智能體自主性並保留控制

    AWS將一套分層治理方法稱為 Trust in Depth,主張以可驗證規則支撐智能體在保留控制下承擔更多自主工作。框架分為 Scope、Know、Bound、Observe 四個環節,並以自動推理檢查可精確表述的規則;需要情境判斷的部分則交由人處理。以員工離職流程為例,Amazon Bedrock AgentCore 會阻止未先封鎖登入或查核法律保留的操作,並記錄每一步。

  2. viAct · 視覺 AI 及工地安全37

    新加坡建築自動化:應用、效益與實施指南

    新加坡建築自動化運用 AI、電腦視覺及物聯網感測器,協助承建商監察工地安全、施工進度及設備運作,並自動整理報告。可自動化的工作包括工地巡查、進度記錄、資源監察、安全檢查及項目協調;相關技術還包括邊緣裝置、LiDAR、無人機及 AI 智能體。新加坡建設局預計,2026 年建築需求將達 S$47–53 billion。

  3. viAct · 視覺 AI 及工地安全33

    港口安全 AI 影片分析完整指南

    港口安全的 AI 影片分析透過電腦視覺分析攝影機畫面,識別預設危險、不安全行為及限制區域闖入,並發出警示。應用涵蓋起重機與碼頭作業、設備禁區、碼頭交通、PPE 合規、出入監察及火警偵測;viAct Port Safety Solution 是文中列舉的方案,系統不能取代實體隔離、設備檢查、吊運程序或應急系統。

  4. OpenAI News51

    Block 如何利用 OpenAI 技術打造 AI 安全防護

    Block 使用包括 OpenAI Daybreak 在內的 AI 系統加快漏洞處理,讓安全團隊把時間投放於策略性工作。團隊可在不足1小時內,將建議的偵測變更與7個月的生產遙測資料重播;近期紅隊演練中,從提交概括描述的漏洞到產生自動建議修補程式需時18分鐘。每季約600分析員工時從誤報分流中釋出,另完成約1,100分析員工時的調查,分流處理量提升50%;每項結果仍由人員驗證。

  5. AWS Machine Learning Blog58

    使用 Amazon Bedrock AgentCore 建立可自我改進的文件處理系統

    AWS 的教學示範如何使用 Amazon Bedrock AgentCore 建立文件處理系統,讓多個智能體分類、擷取及驗證文件,並從修正中學習。方案包含八個專職智能體;新文件格式會生成並修正擷取提示詞,驗證通過後保存供重用,範例中首輪與後續採購單處理耗時分別為 3 分 49 秒和 1 分 30 秒。

  6. OpenAI News57

    Third Moment Research 如何讓 10,000 個智能體持續運作 36 小時以上

    Third Moment Research 使用 GPT-6 Astra、GPT-6 Sol、GPT-6.1 Sol 和 Codex,支援 10,000 個智能體同時進行 36–48 小時自主研究。Codex 配合 GPT-5.6 找出快取優化和記憶體打包技術,將回測時間由約 3 小時縮短至約 3 至 5 分鐘。Daybreak 會在模擬啟動前自動測試智能體能否脱離研究環境並存取更廣泛的網絡。

10月14日週三
  1. AWS Machine Learning Blog48

    Tamnoon 如何藉助 Amazon Bedrock 建構 AI 雲端安全修復方案

    Tamnoon 以 Amazon Bedrock 建構 Tami,一個 AI 智能體雲端修復協調平台,可自主調查 CNAPP 等來源的安全發現、評估修復安全性,並在護欄和治理機制下生成及協調修復。該方案在 90 天內令嚴重雲端安全暴露減少逾 90%,期間沒有生產環境問題。不同智能體可透過單一 API 使用各自合適的基礎模型。

  2. viAct · 視覺 AI 及工地安全37

    印尼建築科技:AI 如何提升工地安全

    印尼建築工地運用 AI、電腦視覺及數碼監測,協助安全團隊識別預設風險、接收警示並檢視反覆出現的安全事件。攝影機可監測工作區域,感測器則可收集環境狀況,AI 可分析影像中的預設安全事件。AI 是輔助技術,不能取代 SMKK、風險評估、實體控制、工人培訓或合資格的 HSE 監督。

  3. viAct · 視覺 AI 及工地安全34

    港口電腦視覺 AI 的 6 個已驗證應用案例

    港口電腦視覺 AI 的六類已驗證應用,涵蓋岸邊貨櫃起重機監測、RTG 危險區域偵測、碼頭車輛監測、裝卸工人個人防護裝備偵測、碼頭閘口監測及貨櫃火警偵測。系統分析 CCTV 影像,識別工人、車輛、設備和可見安全風險,並記錄偵測事件及相關片段。偵測準確度視乎模型、鏡頭視角及作業環境。

  4. AWS Machine Learning Blog61

    如何以 Anchor Browser 與 Amazon Bedrock AgentCore payments 建立可處理 x402 付款的 AI 智能體

    Anchor Browser 整合 Amazon Bedrock AgentCore payments,讓 AI 智能體可在同一瀏覽器工作階段自動支付受 x402 保護的網頁和 API。

    推薦理由:文章梳理 Anchor Browser 與 AgentCore payments 處理 x402 付款的端到端流程,説明預算控制及私鑰簽署如何由受管基礎設施承擔。

  5. AWS Machine Learning Blog57

    Orca Security 以 Amazon Bedrock 建構自然語言安全查詢系統

    Orca Security 在 Amazon Bedrock 上建構 Discovery AI,將自然語言問題轉換為 Sonar 查詢,並已在生產環境每日處理數千次查詢。相較初始基準,輸入 token 減少 93%、查詢成本降低 90%,端到端延遲由約 60 秒降至 15 秒。系統結合 RAG 範例檢索、Cohere Rerank 3.5、按階段分配模型,以及專家持續標註。

10月13日週二
  1. AWS Machine Learning Blog64

    如何在 Amazon Bedrock 上以 Grok 4.7 建立長時程智能體

    文章展示如何在 Amazon Bedrock 上以 Grok 4.7 建立工具呼叫智能體,並以三項需要搜尋的任務比較 low、medium、high、xhigh 四種推理力度。

    推薦理由:文章以三項答案可窮舉驗證的任務比較推理力度與 token 用量,並提供可移用於自有 Agent 評測的測試設計和生產監控方法。