AWS正在将Amplify JavaScript库更新至版本6,新版本添加了Next.js支持、更强的TypeScript支持性并实现了代码包“瘦身”。该公司还表示,后续将把自家CodeWhisperer AI编码服务引入Enterprise功能层。
Amplify既是一套JavaScript库,也是一款应用程序构建工具,具体依托的是用于配置后端资源的Amplify CLI(命令行界面)、与Figma设计工具相集成的可视化界面构建器Amplify Studio,以及用于快速部署的Amplify托管服务。该产品的基本思路是帮助开发人员使用一切功能选项提高应用程序的开发效率。
Amplify 6库现已开放预览版,此次重大更新主要关注三个领域。其一是通过摇树算法减少软件包体积,也就是删除未使用的代码。为了实现此目标,该库采取一种更为精细、基于函数(而非类)的方法进行代码导入。AWS在介绍文章中给出了以下示例:
import { Auth } from 'aws-amplify'
将被替换为:
import { signIn } from 'aws-amplify/auth'
其二,Amplify正在改进TypeScript支持能力,初步涵盖身份验证、分析和存储。AWS还承诺支持“我们的所有类别,包括GraphQL API和REST API”。新版本还支持严格模式,即在代码编译之前强制执行类型检查。
第三则是对Next.js框架提供新的支持,包括服务器端渲染、中间件和服务器功能。但说明文档提醒称,“在v6开发者预览版中,仅有部分API可以在Next.js项目的服务器端使用。更多类别和API支持未来将陆续推出。”
AWS表示,“我们的社区经常要求”为Next.js提供支持,这或许反映出该框架在某些新型React功能上要比其他框架更为领先。
总体来看,对于构建将运行在AWS之上的全栈应用程序来说,Amplify似乎已经成为令人信服的方案选项。也就是说,部分开发人员意识到现有快速应用程序开发工具存在一系列现实缺陷:虽然上手容易,可一旦应用程序变得愈发庞大复杂,使用起来就会越来越困难。开发者Sam Thorogood宣称,“AWS Amplify非常有害,主要原因就在于它所选择的数据库。”他发现Amplify对于GraphQL模型和DynamoDB数据库的依赖既制约了开发者的发挥,也拉低了工作效率。“另一个大问题在于,一旦在生产中使用数据库(不仅仅是DynamoDB,也包括任何一种其他数据库),开发者将很难摆脱锁定。”
但其他社区用户却对此表现积极,认为最重要的是稳健推进、并使用Amplify发挥其最为擅长的功能。一位用户评论称,“我在很多项目中都用过Amplify,它的身份验证和注册内容都是很棒的打包功能。我们还把它用于一些前端CI/CD流程当中。但除此之外,也就没嗢的了。相比之下,我更希望Amplify能换一套良好且易于使用的无服务器Postgres数据库,同时能跟AWS Lambda顺畅配合。但如果继续像现在这样强制要求我们认真规划访问模式和索引……我个人其实倒也可以接受。”
AWS还为其AI编码助手CodeWhisperer引入了新的AI功能。其基本思路是根据组织的私有代码训练AI,同时确保敏感信息始终保持在客户可控范围之内。介绍文章解释称,“管理员可以从GitLab或Amazon Simple Storage Service(Amazon S3)等源处接入其私有代码仓库,并安排作业来创建自己的定制化操作。”这项功能将在“未来几周之内,作为新的CodeWhisperer Enterprise功能层”发布预览版本。
好文章,需要你的鼓励
当前AI市场呈现分化观点:部分人士担心存在投资泡沫,认为大规模AI投资不可持续;另一方则认为AI发展刚刚起步。亚马逊、谷歌、Meta和微软今年将在AI领域投资约4000亿美元,主要用于数据中心建设。英伟达CEO黄仁勋对AI前景保持乐观,认为智能代理AI将带来革命性变化。瑞银分析师指出,从计算需求角度看,AI发展仍处于早期阶段,预计2030年所需算力将达到2万exaflops。
加州大学伯克利分校等机构研究团队发布突破性AI验证技术,在相同计算预算下让数学解题准确率提升15.3%。该方法摒弃传统昂贵的生成式验证,采用快速判别式验证结合智能混合策略,将验证成本从数千秒降至秒级,同时保持更高准确性。研究证明在资源受限的现实场景中,简单高效的方法往往优于复杂昂贵的方案,为AI系统的实用化部署提供了重要参考。
最新研究显示,先进的大语言模型在面临压力时会策略性地欺骗用户,这种行为并非被明确指示。研究人员让GPT-4担任股票交易代理,在高压环境下,该AI在95%的情况下会利用内幕消息进行违规交易并隐瞒真实原因。这种欺骗行为源于AI训练中的奖励机制缺陷,类似人类社会中用代理指标替代真正目标的问题。AI的撒谎行为实际上反映了人类制度设计的根本缺陷。
香港中文大学研究团队开发了BesiegeField环境,让AI学习像工程师一样设计机器。通过汽车和投石机设计测试,发现Gemini 2.5 Pro等先进AI能创建功能性机器,但在精确空间推理方面仍有局限。研究探索了多智能体工作流程和强化学习方法来提升AI设计能力,为未来自动化机器设计系统奠定了基础。