CrossnoKaye
2 节点1 篇3 来源
CrossnoKaye 在其 AWS 博客中披露了 AURA 工业 AI 代理的核心架构：为解决大语言模型在数百万传感器读数上统计计算不可靠的问题，AURA 将推理与计算分离。模型负责规划调查，而 Python 代码在 Amazon Bedrock AgentCore 的隔离微虚拟机沙箱中执行实际运算，输出经 Schema 验证后以 Parquet 格式交付。配合四层纵深安全防线，这套方法让覆盖 100+ 工厂、13,000 资产的工业场景中每个数字都可追溯验证。【背景】传统外挂式 AI 因无法访问专有控制逻辑和分散凭证而难以落地，CrossnoKaye 通过 ATLAS 平台统一了设施模型与控制软件，使 AURA 能在单一安全边界内原生访问全厂状态。
事情怎么走到这一步
AWS Machine Learning Blog 发布文章《How CrossnoKaye grounds physical AI with Amazon Bedrock AgentCore》，详细介绍 AURA 如何利用 AgentCore Code Interpreter 在隔离沙箱中运行 Python 以验证计算结果。
aws.amazon.com ↗AINewsTrend 报道 CrossnoKaye 集成 Amazon Bedrock AgentCore，指出其 ATLAS 平台在不更换现有 PLC/DCS 硬件的情况下，实现了闭环控制，并报告吞吐量提升 11–17%，能源成本平均降低 21%。
ainewstrend.com ↗
还没定论的部分
- AURA 的四层安全防线在具体客户部署中的合规性认证进展如何？
- 除食品、制冷和采石场外，该架构在其他重工业领域（如化工）的扩展案例有哪些？
- AgentCore 沙箱的高频调用对整体云基础设施成本的影响是否有公开数据？