会懂网AI资讯，10月3日，近日，ServiceNow的CoreAI推出AutoSynthData，这是一套自动化的数据生成框架，用于训练企业智能体，其核心机制是识别目标模型无法稳定解决而更强教师模型能解决的任务，把这些能力缺口转化为结构化、可验证的合成训练工作流。这反映出人工智能技术正在从单点突破走向系统级能力的构建，企业与应用侧对此高度关注。
具体来看，具体而言，AutoSynthData会筛选出目标模型在至多三次尝试中只成功一次、而更强教师模型至少三分之二成功的企业任务，将这些能力缺口与系统规格、用户提示配对，并配合自动化验证器生成结构化训练数据，同时不暴露原始评测提示，从而在不牺牲评测集保密性的前提下扩充训练语料。在算力供给持续扩张与推理成本快速下行的背景下，这类进展对开发者和行业用户都意义重大。
从技术细节出发，这一产品的价值在于解决企业智能体训练中最实际的痛点，即缺乏与真实业务场景匹配的高质量训练数据，通用语料难以覆盖企业内部的任务逻辑，而人工标注成本高昂，合成数据通过教师模型的引导与自动化验证器，能够以较低成本生成与真实任务对齐的训练样本。业内普遍认为，相关能力的成熟将直接拉动上下游生态的协同创新与商业落地速度。
在产业层面，ServiceNow此前已推出对话式AI服务台Flow by ServiceNow，用户可在Microsoft Teams、Slack、网页应用或邮件中获得帮助而不必离开手头工作，产品一天内即可运行且不需要实施项目与基础设施，通过预置连接器连接一百多个系统，无法自动解决时升级人工处理，定价采用消费模式。
对开发者与企业用户而言，业内分析认为，ServiceNow正把AI能力从对话体验延伸到智能体的训练与治理，AutoSynthData瞄准的是企业智能体落地中的长尾能力缺口，教师模型加验证器的合成数据管线若能跑通，将显著降低企业自建智能体的门槛，这也与近期企业AI采购重心从模型性能转向治理与可衡量收益的趋势一致。
展望后续，对ServiceNow而言，其优势在于把合成数据训练能力与既有ITSM工作流、治理框架结合，让企业智能体不仅会说话，还能在受控的权限与流程内真正做事。相关进展将持续影响行业格局，值得长期跟踪。从产业节奏看，头部厂商正把模型能力转化为可直接调用的服务，竞争焦点已转向工程化与可用性。
暂无评论内容