社区

数据是 AI 时代卖铲子的生意，但这把铲子的形态一直在变。 从孤立词语音到连续语音，从自动驾驶的百万帧标注，到大模型的思维链和 Agent 轨迹数据，数据需求的量级、形式和质量标准，跟着模型技术一路变迁。 通识标注中基础性、重复性的需求正在减少，专识标注更加依赖专业知识和专家资源；合成数据的讨论仍在继续，具身智能又带来了新的数据需求。 海天瑞声是这个行业里少有的长跑者，也是数据服务领域唯一一家上市公司。自2005年成立以来，海天瑞声持续服务于AI技术研发与应用。随着行业发展，其客户群体从以头部科技互联网大厂为代表的企业，逐步拓展至自动驾驶、大模型和具身智能等领域。 海天瑞声联合创始人、CEO 李科是算法出身，对数据这门生意的判断很直白：需求跟着模型走，壁垒在可复用的资产，技术路线尚未收敛时保持审慎投入。 本次访谈，爱分析和李科重点就以下主题进行了深入交流：数据需求的变迁、专识标注的规模化难题、具身数据市场的发展，以及中美数据市场的需求差异。 核心观点 数据需求永远跟着模型走。每一波技术变迁都在重塑数据需求的量级、形式和质量标准，需求侧的变化是常态。 数据质量要求持续提升，垂直领域的数据需求更加依赖专业知识和专家参与。 随着模型能力提升和应用场景拓展，数据不仅要准确，还需要满足具体领域和任务的要求。医疗、编程、法律等领域的专识标注，对参与人员的专业知识和实践经验提出了更高要求，获取并组织合适的专家资源，成为数据生产的重要能力。 专识标注的规模化需要以标准化为基础。做好数据工程基础标准件，才能在面对多样化数据需求时快速实现标准件组合自动化。大模型时代，管理对象由大规模执行人员转向少量专家，标准化的难度和对人的要求都在提升。扩充资源池、提高资源在不同客户和项目之间的复用效率，也是其中的重要工作。 模型继续进化，需要失败数据和纠错轨迹。后训练、强化学习和 Agent 数据

随着Palantir受到关注，国内企业开始研究其技术架构、Ontology和AIP平台等能力。市场关注的重点也逐渐从单项产品能力转向一个更具体的问题：Palantir将数据治理、业务建模、AI应用和软件部署组织为一套全栈体系，中国企业是否具备采用这套体系的条件。   Palantir的全栈架构经过长期复杂项目演进，解决了数据分散、业务语义缺失和行动闭环等企业长期面对的问题。与此同时，中国大型企业通常已经拥有数据平台和业务系统，AI应用的建设方式也在快速变化。研究Palantir，需要理解其架构为何有效，也需要判断哪些平台边界源于特定的客户环境和发展阶段。 本文重点回答三个问题：Palantir为什么形成全栈技术体系；这套体系在中国市场适用需要满足哪些条件；进入AI时代后，中国企业应当如何重新组合数据、本体与Agent能力。 本文的目的是，希望在完整复制和全盘否定之外，找到一条更适合中国企业的技术路径。 01 Palantir是一套以Ontology为核心的完整技术体系 根据Palantir官网，当前标准架构由Foundry、AIP和Apollo组成：Foundry承担数据运营及业务开发，AIP负责连接大模型并支持Agent与自动化，Apollo负责持续部署和运行。这三个平台，共同构成Palantir所称的企业操作系统。 图1：Palantir全栈技术体系及平台关系 Ontology位于这套架构的核心，把企业数据转化为客户、订单和设备等业务对象，同时连接业务逻辑与行动，而安全治理贯穿对象访问和行动执行。Palantir进一步将Ontology分为Language、Engine和Toolchain：Language用于表达业务，Engine支撑查询及状态更新，Toolchain负责开发和治理。 Palantir是一套由数据基础、业务表达和AI应用共同构成的技术体系。F

随着Palantir受到关注，国内企业开始研究其技术架构、Ontology和AIP平台等能力。市场关注的重点也逐渐从单项产品能力转向一个更具体的问题：Palantir将数据治理、业务建模、AI应用和软件部署组织为一套全栈体系，中国企业是否具备采用这套体系的条件。   Palantir的全栈架构经过长期复杂项目演进，解决了数据分散、业务语义缺失和行动闭环等企业长期面对的问题。与此同时，中国大型企业通常已经拥有数据平台和业务系统，AI应用的建设方式也在快速变化。研究Palantir，需要理解其架构为何有效，也需要判断哪些平台边界源于特定的客户环境和发展阶段。 本文重点回答三个问题：Palantir为什么形成全栈技术体系；这套体系在中国市场适用需要满足哪些条件；进入AI时代后，中国企业应当如何重新组合数据、本体与Agent能力。 本文的目的是，希望在完整复制和全盘否定之外，找到一条更适合中国企业的技术路径。 01 Palantir是一套以Ontology为核心的完整技术体系 根据Palantir官网，当前标准架构由Foundry、AIP和Apollo组成：Foundry承担数据运营及业务开发，AIP负责连接大模型并支持Agent与自动化，Apollo负责持续部署和运行。这三个平台，共同构成Palantir所称的企业操作系统。 图1：Palantir全栈技术体系及平台关系 Ontology位于这套架构的核心，把企业数据转化为客户、订单和设备等业务对象，同时连接业务逻辑与行动，而安全治理贯穿对象访问和行动执行。Palantir进一步将Ontology分为Language、Engine和Toolchain：Language用于表达业务，Engine支撑查询及状态更新，Toolchain负责开发和治理。 Palantir是一套由数据基础、业务表达和AI应用共同构成的技术体系。F

假期后才短短三个工作日，AI行业又出了不少新动向。我们挑了最重要、也与大家最相关的三件，分享我们的看法。 大厂在找出路，明年AI预算在定方向，国产开源模型出海也面临新门槛。先从Google和OpenAI的两条路线说起。 01 大厂各找出路，AI需求不足问题仍无解 10月7日，OpenAI用Intelligent UI把图表、计算器、表单搬进ChatGPT。一天后，Google把Gemini agent接进Gmail、文档、表格和日历。OpenAI持续强化ChatGPT入口，Google将智能体嵌入现有产品体系。 路线背后是家底。Google有Workspace、云服务和企业数据；OpenAI有超过12亿周活跃用户。国内也有类似分野：阿里靠阿里云、钉钉和企业客户，字节则押注豆包这个个人入口。 我们更看好OpenAI和字节的路线。需求不足，仍是AI落地的主要难题。企业对省人、缩短流程有付费意愿，Coding也能赚钱，但单纯提效的长期价值有限。对比移动互联网时期的电商、短视频等杀手级应用，AI真正的大机会，还得等新的消费产品出现。 Google和阿里走企业提效路线，OpenAI和字节走个人入口路线。前者靠现成的企业用户业务需求，更容易先赚到钱，但这条路线有明显天花板；后者靠海量个人用户的高频使用，更有机会试出新的消费场景。 02 明年AI预算重点来了，AI厂商该提前布局 2027年政府和央国企的AI预算，重点会投向中试基地。10月，中央文件把中试基地和高价值应用场景列为重点方向。此时，政府和央国企正在制定明年的规划和预算，政策赶在预算敲定前明确方向，中试基地会成为项目储备和资金安排的优先选项。 政策重点已从推广AI，转向推动AI进入产业、实现规模化落地。2024年提出“人工智能+”，2025年设定智能终端和智能体普及率目标，2026年3月要求商业化、规模化应用，到了10月，进一步

高盛最近在一份Palantir研报中提出，Palantir的可触达市场（TAM，total addressable market）可能正在酝酿新一轮跨越式扩展，而且这次主要体现在业务覆盖深度上。 这个判断抓住了Palantir下一阶段增长的关键：企业采购AI，已经转向让AI进入核心业务，并在真实运营中持续改进。 对Palantir来说，关键在于能否把这种深度定制沉淀为企业自己的AI能力，并扩展到客户更多业务、复制到更多行业。做到这一点，TAM扩展就会转化为可持续积累的业务增长。 01 主权AI把企业需求推向更深处 主权AI（sovereign AI）正在改变企业采购重点。企业希望掌控的，已经不只是数据和模型，还包括业务规则、权限边界、运行轨迹、模型权重和实际行动。 当AI接入ERP、CRM等核心系统，进入供应链等核心流程，它必须理解企业内部的业务对象、适用规则和授权关系，并能在执行后说明发生了什么、结果如何。 这使模型部署、业务上下文、权限审计、Agent执行、评估和模型改进成为一个连续问题，而不再是几个可以分开采购的功能。 AI的价值因此向企业内部更深的运营层移动，这正是Palantir所面对的市场变化。 02 Ontology是核心，价值来自整套技术栈 Ontology承担核心业务上下文和可执行行动，把企业对象、关系、权限、规则和可执行动作组织起来，使Agent能够围绕真实业务对象工作，并把执行过程纳入可追溯体系。 但持续改进并不来自单一组件，而是整套技术栈的协同：Foundry提供数据和运营基础；Ontology组织业务上下文与行动；AIP承载Agent、工作流和评估；FDE与AI FDE推动系统进入真实业务；AIP Evolve和模型后训练，则把运行经验转化为下一轮改进。 Palantir CTO Shyam Sankar在2026年Q2财报电话会上，也将这条链路概

刚刚过去的云栖大会上，作为CEO首次公开亮相的陈宇森，给千问办公的定位是：“打造一个帮助组织AI转型的产品“，并认为“千问办公将是企业构建AI Native组织的核心引擎”。 由此可以看出，千问办公定位的落点在组织变革，但这听起来完全不像是AI Work产品的定位。Codex定位是生产力Agent，WorkBuddy定位是桌面工作台，千问办公当前两个最大的对手，都与组织变革无关。 AI Work的本质是释放生产力，随之配套的才是组织变革。生产力是根、组织变革是叶，没有根哪来叶，千问办公定位看起来有点本末倒置。 爱分析认为，本末倒置的根源是钉钉。钉钉一直以来的定位是组织管理工具，它看世界的方式就是从组织出发。 钉钉原CEO无招卸任之后，陈宇森接任，此后阿里把钉钉与千问办公收进同一个组织单元，千问办公事业部成为ATH事业群下属的一级事业部，陈宇森兼任CEO。目前，钉钉与千问办公都归陈宇森管理，千问办公也继承了钉钉这套组织管理工具的定位。 这个错误定位影响重大，最直接的是，导致千问办公在两个重要产品策略上都作出了错误的选择。第一个错误，是对于AI Work交付物的理解；第二个错误，是对于构建企业上下文的路径抉择。这两处失策的来源，都是钉钉。 所以，千问办公当务之急只有一件事，切割钉钉。 01 办公不是AI Work的全部 首先要明确的一个点，办公仅仅是Work里的一个场景。受钉钉影响，千问办公当前视角过于狭隘，忽视了更高价值的Work场景。 办公对应的是汇报、纪要、方案这类面向内外部协同的工作，但是Work的范围比办公大得多，询盘报价、排产排程、设备运维、科研实验等都是Work。办公与Work的核心区隔，在于交付物的边界与价值。 AI Work交付物分四层，价值度逐层提高。 第一层是给人看的文档，Word、PPT、Excel、报表等都在这一层。文档的价值止于浏览汇报，被人读完就归

Anthropic内部约95%的业务分析查询已由Claude自动完成，整体准确率约为95%。支撑这一结果的，既有大模型能力，也有权威数据集、分析Skills、持续评测与反馈闭环。这个案例揭示了Data Agent进入生产环境的关键：企业需要让AI找到正确的数据、采用正确的方法，并持续交付可验证的业务结果。 《2026 爱分析·Data+AI应用实践报告》聚焦通用Data Agent与工业Data Agent两类市场，围绕场景选择、数据与知识准备、任务执行和持续运营，提炼项目落地的关键成功要素，并结合Anthropic自助数据分析与新能源企业智能运维实践，为企业提供可参考的建设路径。 1. Data Agent从试点走向规模化应用四部曲 Data Agent项目往往可以在短时间内完成演示：用户提出问题，系统生成查询、图表或一段分析结论。真正进入生产环境后，企业需要面对更具体的检验：是否真正解决了业务问题，以及上线后如何保持效果。这些问题前后衔接，构成Data Agent从试点走向规模化应用的完整链条。 基于对Data+AI市场及相关厂商实践的调研，爱分析将影响项目成败的关键环节归纳如下。 1.1 Data Agent落地应从高痛点、低风险、易衡量的场景切入 Data Agent落地首先要确定它应该解决什么问题，后续开发围绕这个问题展开。在项目早期，企业容易从平台能力出发，集中展示自然语言问数、自动生成报告、调用多个工具等功能。可一旦缺少清晰的业务目标，项目上线后便很难回答两个基本问题：业务人员是否愿意持续使用，投入是否带来了可以验证的收益。 适合作为起点的场景，通常具备三个特征。一是业务痛点突出，现有工作需要频繁取数、反复分析或依赖少数专家，响应速度已经影响经营和运营；二是实施风险可控，Agent出现偏差时能够被及时发现和纠正，不会直接造成重大经营或生产损失；三是效果容易衡量

这个国庆假期，AI 行业一天没歇。 国产模型出海商业化取得重大进展，并且在算力限制层面开始突围。OpenAI一口气放出700多篇数学论文，也重点披露了模型安全问题。 01 国产模型出海的三条商业化通路 10 月 6 日，智谱 GLM-5.3 上架AWS Bedrock；两天前，它刚被Cursor接入了API。Kimi走得更快，K3 已于 9 月 18 日登陆Bedrock，9 月 30 日起还能在 OpenAI 的企业版本Codex 里直接调用。路透社披露，Kimi还在和微软、谷歌谈判上架事宜，向云厂商要价分成最高30%。 爱分析认为，上述通路将是国产模型出海的最核心三种模式。 第一种，云厂商托管。智谱、Kimi上架AWS Bedrock的案例中，云厂商提供算力和销售渠道，收入也先进云厂商口袋，再分给模型厂商。模型厂商零算力成本，收入即利润，代价是拿小头。 第二种，经推理服务商中转。Codex案例中，海外推理服务商Baseten提供算力，OpenAI为销售渠道。企业付钱给OpenAI，OpenAI转包给Baseten，Baseten再与模型厂商分。交易链路上多了一层，模型厂商到手收入预计比云厂商托管更少，但依然收入即利润。 第三种，直连应用。Cursor案例中，Cursor是销售渠道，模型厂商需要自己提供算力服务。预计未来，Cursor肯定会从交易中抽成。此模式中，模型厂商收入体量最高，毛利率高低完全取决于自身的定价。 这三条通路，彻底打开了中国开源模型的出海市场，海外收入不再依赖自建算力节点。为此，智谱已把年末ARR指引上调到30亿美元。 毛利率层面，预计国产模型厂商出海毛利率并不比国内更乐观。 一方面，国产模型厂商肯定会采取低价策略占领更大的海外市场；另一方面，海外多了一笔销售渠道开支，这在国内并不需要。 渠道成本可以参考Anthropic，2025年其付给云厂商的渠道

一块关键部件到货后，应该分给哪家工厂？选错了，部件可能等着其他物料配齐，另一家本可开工的工厂却在停工。对英伟达（NVIDIA）来说，这是一道牵动供应商、工厂产能和交付承诺的高价值决策。 在9月份Palantir举办的AIPCon上，英伟达展示了围绕GB200 NVL72（机柜级AI超节点）等复杂产品的物料分配实践：供应商、工厂产能和交付承诺不断变化，有限的关键部件需要每周重新安排。 图1： NVIDIA GB200 NVL72 英伟达与Palantir围绕这项“受限物料分配”（CMA）建设的系统，记录求解器方案、规划人员的修改依据和后续生产结果，再从中筛选训练材料及独立评估案例。由此，企业有机会把资深专家的判断经验沉淀进模型，并用真实业务记录检验后续版本模型是否持续改进。 一、英伟达如何把每周物料分配变成模型学习材料 先选定要改善的结果 英伟达把供应链目标描述为“从晶圆到第一个Token”：设备最终要完成组装、部署，才能在客户数据中心真正运行。此次公开案例聚焦其中的前半程，即从芯片离开晶圆厂到机柜系统抵达数据中心，受限物料分配正是这一段反复发生、影响重大的决策。 分配以周为单位，覆盖本季度和下一季度；最近几周已有交付承诺，每周新增的信息主要改变更远期的安排。GPU、CPU或内存哪一种最紧缺，也会随着到货和产能变化而改变。对于规划人员来讲，核心要解决的问题是：在现有承诺不能随意改动的前提下，哪些物料应在什么时间送往哪些制造站点，才能尽快形成完整产品？ 英伟达用持有时间（Time of Ownership，以下简称TOO）衡量这件事：从制造站点收到一项物料，到它作为组件或产品离开站点，经过了多久。系统希望缩短关键物料的等待时间，并观察供应链有效产出，即吞吐量（Throughput），这两个指标给每周的分配定下了业务目标。 让系统知道一块零件会牵动什么 规划人员过去需要拼接表格、

并行科技举办并行计算性能优化比赛已经十几年，每年比赛结束，组委会都会复盘做一件事，把比赛中所有参赛队使用的优化技术点汇总之后，可以得到一个最高性能的版本，冠军、亚军、季军基本上是使用了其中技术点数量最多的前几名。 “你看，优化能力不是一招鲜，而是把很多点拼起来，所以算力优化能力会随时间趋同的。谁优化得快，谁就先上到一个层面，但最终大家会追平。”并行科技董事长陈健认为，并行科技真正需要抓住的，不仅是优化能力，更是终端的用户。 并行科技是一家从超算、高性能计算体系里走出来的算力服务商。陈健不把并行科技定义成卖卡的公司，也不把Token工厂简单看成新的云服务生意。 过去十几年，并行科技建立了覆盖全国的算力网——并行算网，以及围绕高校、科研和企业做按需算力服务，积累了数万用户、60多个合作算力中心和几十个行业的应用特征数据。到了大模型时代，这套体系被迁移到推理和Token生产上。 在访谈中，陈健反复强调：“算力生意不是资源业，是服务业。”但这并不意味着资源不重要。相反，在Token工厂这场供给侧淘汰赛里，订单、卡和优化能力缺一不可。小玩家如果没有订单、没有足够的卡，也投不起持续优化的钱，最后很难活下来。 核心观点 Token工厂的胜负取决于订单、卡和优化能力。有订单才能开工，有卡才能产出Token，优化能力决定单位卡的产出效率，三者缺一不可。 长期看，优化能力会趋同，订单和卡是终极门槛。优化是集大成者，推理涉及约30多项技术，但领先优势随时间收窄，最终决定生死的是订单和卡。 小厂不适合做Token工厂。优化能力至少需要每年数千万元的研发投入，卡的成本差异可能达到数倍，账期和供需周期又会持续挤压现金流，小玩家很容易被淘汰。 算力生意的本质不是资源业，而是服务业。服务好客户的业务，才是并行科技一切打法的出发点。 不押注重资产，基于算网模式穿越周期。 根据市场供求关系平衡算力资

9月28日，AMD宣布约82亿美元收购World Labs，一支由李飞飞带队、成立仅两年、累计融资12亿美元的70人团队。 这是AMD历史上第二大收购，官宣当天，AMD股价收跌约3.6%，市场的第一反应是疑虑多于兴奋。 那么，芯片厂为什么急着买模型公司？模型公司又为什么愿意在估值高位卖身？ 01 英伟达有物理AI全栈，AMD一片空白 物理AI是英伟达布了十年的局，构建了上下五层的全栈基础设施。 具体而言，Omniverse重建世界，Newton构建物理引擎，Cosmos生成世界，Isaac和GR00T训练机器人，Jetson Thor边缘部署机器人。 图1：物理AI技术栈对照 五层连起来是一条流水线，场景搭好、物理算准、数据造够、模型练熟、芯片部署，全栈闭环。如果说CUDA，是英伟达AI芯片的真正壁垒；那么这套技术栈，就是英伟达物理AI芯片的真正壁垒。 在这个全栈体系下，从芯片、物理引擎、世界模型到边缘部署层层咬合，每一层都在为下一层供给数据与场景。客户采购的解决方案，覆盖从训练算力到仿真环境再到机器人大脑，一站式配齐，迁移成本极高。 对照之下，AMD的技术栈一片空白。 爱分析认为，AMD在AI训练与推理市场尚且可以做跟随者，而物理AI近乎空白的布局，连跟随的资格都还没拿到。AMD要补的不只是某一款产品，是整个层次结构。收购World Labs，是补全这份技术栈清单速度最快的方式。 通过收购，AMD一下补齐了世界构建、世界生成和训练评估三层。此前，AMD与World Labs已经有过一年的技术合作，但技术合作只能带来模型与硬件的适配优化，只有收购才能真正具备与英伟达对抗的话语权。 而且，模型迭代以月计算，AMD从零自建团队很难在1-2年内补齐5层短板。从补齐时间角度出发，AMD无法参考英伟达自研模型的方式，唯有收购一条路。 02 趁还卖得出价，赶紧上岸 World Labs

大模型普及带动推理需求快速爆发，Token推理服务商业价值持续凸显，第三方服务商已然成为AI算力生态的重要组成部分。 海内外产业发展形成显著落差：海外市场已沉淀出经过验证的商业化实践，国内行业却深陷算力内卷、价格厮杀、毛利率持续承压的发展困局。不少本土服务商在客户选择、业务路线、是否布局自研芯片等关键战略决策上，缺少可借鉴的行业参照。 基于上述背景，爱分析正式发布《2026 爱分析・Token市场海外对标研究报告》。报告跳出国内市场的局部视角，以海外成熟产业实践为对标样本，剖析不同商业模式的得失，为国内Token服务商研判赛道、制定战略提供务实参考。 1、报告综述 Token服务正在成为AI产业链价值分配的核心环节。向上，Token服务支撑AI应用；向下，Token服务调用模型与算力资源。 根据爱分析预测，2026年全球Token市场规模将达到1350亿美元。迅速崛起的Token产业与开源模型生态，使得模型原厂提供的Token服务已经无法满足市场需求，从而催生了众多第三方Token服务商。 过去两年，第三方Token服务在海外跑出了一个相对成熟的格局，市场清晰地分化出两条发展路线。一条路线提供MaaS服务，做算力调度和推理性能优化；一条路线自研推理芯片，重新定义推理服务的成本结构。 而中国市场，当前正在重走这个过程，路途中荆棘遍地。为此，爱分析这份报告通过海外市场的对标研究，回答两个核心问题：第一，Token服务的毛利率未来将会如何变化；第二，第三方Token服务商做芯片，这个命题是否成立。 我们的核心判断有三层。 第一层，Token服务包含两门生意，服务终端企业和服务模型厂商。两者看起来都在卖算力和推理能力，但财务模型完全不同。服务企业，能自主定价、毛利高，且自持算力资产较轻，对于现金流压力小；服务模型厂商，缺少话语权、毛利被集采压到个位数，而且需要自持的资产比例也更高，

做了十几年产业互联网的张宗兵，太清楚SaaS的痛了：非标化、数据孤岛、对人的重度依赖，让这个行业做得特别辛苦。 AI Agent，让他看到了一个完全不同的解法：把业务的Know-how封装成可被AI调用的Skill，让Agent去理解、规划、执行，替代过去要靠大量人工去填的坑。 为此，张宗兵把千匠网络过去十年积累的2900多个组件，一个一个拆解开，重新封装成了2600个原子化的Skill。这不是一次普通的版本升级，而是从SaaS到AI原生的彻底重构。 张宗兵的判断很直接："走原有的SaaS加AI的方式，只会越走越艰难。" 张宗兵有着二十多年企业服务经验。这位从用友、商派一路走来，后来创办千匠网络的连续创业者，如今最关心的，已经不是再把软件功能做得多一点，而是怎么把软件里最重、最难复制的那部分能力重新拆开再造。 与爱分析的此次交流过程中，他分享了软件厂商如何做AI重构、未来Know-how壁垒的变化以及商业模式向运营结果延伸等行业洞察。 核心观点 SaaS+AI是死胡同，必须走AI原生重构的路。在原有软件上叠加智能体能力，研发成本永远降不下来，最终会被AI原生的新进入者取代。 产业互联网过去十年发展辛苦，根源在于非标化、业务复杂、数据贯通和专家依赖四重困境，Agent正在后两件事上打开突破口。 企业应用真正的壁垒从来不是技术，大厂三年之内就能把所有技术能力开源。真正的壁垒是行业Know-how的积累和转化速度。 软件公司必须从卖工具转向卖运营结果。AI让软件厂商有能力延伸到运营服务层，通过"平台订阅+AI运营"的模式，打开比卖软件大得多的商业空间。 以下为本次访谈实录，在不改变原意基础上略有修改。 一、十年SaaS，卡在了"非标"两个字上 爱分析： 过去这十年，产业互联网、供应链软件发展得都比较辛苦。不管是做采购软件、供应链软件，还是做交易的，都觉得重。原因在哪？

近期爱分析访谈了红熊AI 的CEO温德亮，以下是本次访谈文章。 一段看似普通的售后对话，最能暴露AI应用的短板。用户只说了一句“手机闪屏了”，系统往往还要从头追问型号、订单、设备、账号，再把这些零散信息拼起来回答问题。 红熊AI的CEO温德亮不认可这种工作方式。在他看来，如果一个系统已经知道用户买过什么、当前在用什么、此前发生过什么，它就不该每一轮都“重新认识一次用户”。 这也是红熊AI切入记忆赛道的起点。与不少把记忆当作大模型外挂、插件或能力补丁的公司不同，红熊AI创始人温德亮更愿意把它定义为一套类人脑记忆引擎。记忆不是在推理之后被动补充，而是应该先进入记忆，再决定系统如何理解上下文、如何生成回答、如何执行动作。 顺着这条逻辑，红熊AI没有先做一套纯底层能力等待市场成熟，而是先从客服、营销、售后等最容易出商业结果的场景切入，用应用收入反哺底层技术，再把记忆、反思和工作流逐步沉淀成更通用的能力。 从2024年“客户和投资人都听不懂”开始，到2026年赛道被重新点燃，温德亮讲的已经不只是记忆怎么做，而是一个更现实的问题：当概念热度过去之后，谁能把记忆真正做成一门能交付、能赚钱、也能过合规门槛的生意。 核心观点 记忆不是外挂，而是推理入口。真正有效的记忆系统，不是推理完再补记忆，而是先调记忆、再做推理，只有这样才能深度进入复杂业务场景。 没有记忆约束，垂直场景的AI准确率很难稳定超过95分。在温德亮看来，记忆的价值不只是记住更多，而是系统性压低事实性幻觉，把业务准确率拉到企业可接受的水平。 记忆赛道的第一桶金，不会先来自纯基础设施。 红熊AI选择先做智能体应用，不是放弃底层，而是先用订单和现金流验证需求，再反哺底层能力建设。 行业已经从技术竞争，走向商业化竞争。 Gemini和DeepSeek相关论文把记忆赛道点燃之后，市场真正分化的不是谁讲得更前沿，而是谁

数据生产方式正在被AI改造。 在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。随着数据Agent进一步发展，一个智能体负责生产，另一个智能体负责质检，人将逐渐从生产闭环内部转向闭环外部，从逐条标注转向制定规则、监督过程和验收结果。 同时，在医疗、教育和模型后训练等高标准场景中，即使机器完成99%的工作，最后1%仍要由专家兜底。 伴随生产方式的变化，数据服务的边界也在同步扩展。 过去的数据标注主要依靠人给图片、语音和文本打标签；现在，数据厂商需要从需求规划开始，完成采集、治理、标注、质检和持续运营，最终交付能够直接进入模型训练的高质量数据集。数据公司的价值，也转向建设自动化生产能力、组织行业专家并持续提升模型效果。 飞数前身可以追溯至科大讯飞2001年成立的语音制作部门。2024年4月，相关数据团队孵化成立安徽飞数，将二十余年的数据生产经验转化为自动化平台和专家网络。 飞数执行总裁谭昶将飞数的能力概括为高难度、高知识密度和高效率。目前，飞数已储备数千名专家资源，并将业务从教育、医疗逐步延伸至科研和工业制造。 大模型后训练和具身智能正在带来新一轮数据需求。谭昶判断，大规模基础数据会率先经历生产高峰，随后转向难例、真机数据和高知识密度数据的竞争。 在本次与爱分析的交流中，谭昶系统分析了高质量数据的判断标准、自动化与专家的分工、具身数据的市场周期，以及飞数依靠技术平台和专家网络建立长期能力的路径。 核心观点 数据标注正在升级为完整的数据生产。 AI企业需要的是可以直接用于模型训练的数据产品，服务范围已经覆盖规划、采集、治理、标注、质检和持续运营。 模型效果是高质量数据的最终标准。 准确率、完整性和时效性是基础指标，数据能否提升模型性能，决定了它的实际价值。 机器可以完成99%，专家必须守住最后1%。 自动化会持续压缩人工工作量，但在高标准场景中，专家仍要制定

滴普第二季度业绩亮眼，据2026H1中报，其Q2收入约2.30亿元，净利润约3010万元，净利率达到约13.1%。 对于一家仍在投入企业大模型、本体和智能体平台的厂商，这是一道重要的盈利分界线：当收入达到一定规模，滴普现有业务已经能够覆盖研发、销售和管理费用，并产生不低的利润。 但一个季度赚到钱，不等于已经形成持续盈利能力。 滴普Q2收入占上半年约81%，是Q1的4.27倍。同期，综合毛利率同比只提高1.5个百分点，上半年经调整利润和经营现金流仍为负。三组数据放在一起，指向一个更直接的问题：Q2的高净利率，究竟来自AI平台形成的可持续经营能力，还是主要来自项目集中验收后，收入规模对期间费用的摊薄？ 判断一家企业AI厂商的利润能否持续，主要看这三件事：收入增长能否摊薄费用，单个客户是否持续增购，平台能否降低项目交付成本。概括下表达，就是规模摊薄、客户价值和平台复用三种经营杠杆。 滴普Q2单季体现了规模摊薄效应，但另外两种杠杆效应并没有显现。 一、滴普Q2跑出的利润，只是规模摊薄杠杆效应 滴普Q2利润反转，最显著的变量是收入，而不是毛利率或期间费用。 按中报数据推算，滴普Q1收入约5393万元，Q2升至约2.30亿元；Q1净亏损约6200万元，Q2净利润约3010万元。两个季度之间，收入增加约1.76亿元，利润改善约9210万元。 图1：滴普2026Q2收入大幅增长，净利润由负转正 毛利率改善提供了一小部分增量，但不足以解释如此大的利润变化。2026H1，滴普综合毛利率为56.5%，同比提高1.5个百分点；核心AI业务DeepexiOS毛利率为57.2%，同比提高2个百分点。 从这里可以看出，平台能力可能已经开始改善直接成本，但幅度仍然很有限。 滴普也没有通过大幅裁员和削减投入换取利润。上半年，销售及营销费用同比增长33.2%至6568万元，研发费用增长23.8%至7213万元

9 月 16 日，神州问学发起的城市巡回技术沙龙"问学极客行"走进北京亦庄·模数 OPC 社区。本次活动由北京经济技术开发区信息技术产业局指导，神州问学主办，爱分析、WaytoAGI 模数 OPC 社区联合主办，神州数码通明湖研究院提供智库支持。本次活动聚焦"Agent 如何接进企业系统、跑通真实任务"这一核心命题，以主题分享与圆桌对话两种形式展开。 活动现场 当前，北京亦庄正在推进全域人工智能之城建设，着力聚集汽车、集成电路、生物医药、智能制造等多样化产业集群。本次活动参会单位覆盖科研、能源、通信、信创、金融、制造等多个领域。现场围绕Agent如何接进企业系统、跑通真实任务展开讨论。 AI落地的起点在业务线，不在蓝图 现场分享从一家制造企业的真实处境开始。晶澳太阳能科技股份有限公司数字化总监张毅柱在《AI跑通企业真实任务的落地路径》分享中提到，在光伏行业产品同质化、成本趋同的背景下，企业之间的差距更多来自运营效率。 晶澳太阳能科技股份有限公司数字化总监张毅柱 晶澳的做法是，把AI落到营销服务这一条业务线上，把客户管理、技术方案与销售运营拆成可执行的任务，让AI依次接住，而不是先铺开一套覆盖全公司的蓝图。 企业不缺单点尝试，缺的是把点连成线 一条业务线如何跑通，已有答案；新的命题随之而来：单个场景的经验，如何扩散至整个组织？神州数码AIBG资深AI产品经理石磊在《神州问学驱动行业由点-线-面的智能化跃迁》分享中，把这条路概括为点、线、面三个阶段：点解决的是让一个人做事更快，线解决的是让一件事跑得更快，面则是把多个流程串联起来，推动组织形态的重构。 神州数码AIBG资深AI产品经理石磊 石磊认为，企业在AI落地中普遍面临知识分散、流程割裂、结果难追溯、经验难沉淀四类问题，AI的价值不在于生成，而在于能不能把知识、流程与规则沉淀下来，被持续调用。 沿着这条路径再往深一层，就落到

最近，Harness正在成为企业级AI落地中的高频关键词。 Harness工程爆火，反映出企业客户对AI落地可控性的迫切诉求，尤其在金融、能源、政务、制造等复杂场景中，如何让大模型真正接入核心流程，正在成为产业端关注的关键问题。 海致科技是国内较早布局图智能、知识图谱和图模融合的厂商，也在Harness工程方向进行了大量深度实践与场景落地。 近日，爱分析与海致科技联合创始人杨娟进行了一次访谈，重点围绕Harness工程的本质、图智能为何迎来新一轮爆发、RAG与图模融合的核心差异，以及企业Ontology如何从分析走向执行等主题展开讨论。 核心观点 1、Harness工程是AI向产业深水区演进的必然结果。 大模型走向产业端落地，企业需要解决的问题逐步增加，从Prompt设计到Context管理，再到Skill管理与任务调度等。Harness将这些能力系统化，成为支撑AI进入更复杂的企业业务流程、实现“可解释、可追溯、高可信”落地的系统工程。 2、企业客户更关注AI结果的可控、可靠、可审计。 真正阻碍大模型深入业务的关键是信任问题。相比单纯追求模型能力，客户更在意结果稳定、过程可验证、责任可追溯。 3、图智能进入新一轮爆发期。 过去图技术的短板主要是计算效率低于向量，应用范围受限。在Harness框架下，图技术可用于调度任务和Skill执行，通过优化执行路径，进而节省token、降低成本、缩短响应时间，这成为了图智能新一轮爆发的核心驱动力。 01 Harness工程的核心价值是让AI可控 爱分析：您怎么看Harness工程，会不会跟Prompt、Context工程一样昙花一现？ 杨娟：这是一个技术逐步发展、内涵不断深化的过程。大模型从消费端的简单问答走向产业端落地，工程化需应对的挑战逐步显现。 最开始是prompt工程，构思prompt直接影响模型产出，这是人机交互的

前一天深夜，朱鹰还在自己的工作台里处理招聘、会议纪要和项目资料。第二天见面交流时，他直接展示了这套工作台，会议逐字稿、部门待办、管理干部review、跨项目关联，以及不断被修正和索引的企业文档，都在同一个工作台里流动起来。这个工作台月均处理约3000+份文档，渗入到他的日常工作中。它不是一次“AI演示”，而是一套在CEO日常经营里连续运行、持续纠错、能反过来塑造组织节奏的管理基础设施。 朱鹰是慧工智能创始人兼CEO。在他看来，Agent和Chatbot的区别，已经不只是界面是不是一个对话框，而在于系统背后有没有企业自己可掌握的上下文工程，或者说可控的记忆结构：可追溯的数据来源、可版本化的规则、可调用的工具、可评测的结果，以及可审计的权限边界。企业真实运转中的会议、项目、流程、客户和现场经验，能不能被持续组织起来，变成可调用、可复用、可迭代的context，才是这一轮AI进入工业软件的关键。 正因如此，本次交流很快从“怎么做一个Agent”，扩展到工业软件问题。当企业know-how开始被压进skill和小模型，当workflow不再只是固定流程，而要围绕目标和意图重新设计，当软件越来越像服务，工业软件公司未来的壁垒到底会在哪里？接下来两三年，工业企业又该如何重新理解自己的组织、产品和客户关系？ 核心观点 1、Context才是新壁垒。企业级智能体真正难复制的不是模型调用，而是谁能持续拿到真实工作里的上下文，并把它变成可调用的记忆结构。更进一步说，谁能把每一次会议、交付、异常、客户反馈变成下一次Agent判断的证据，谁才有复利。 2、Know-how会迅速被压缩进skill和小模型。过去靠经验、流程文件和提示词守住的秘密，会越来越难单独构成护城河。 3、智能体会改变组织管理半径，一号位的认知和投入变得更关键。信息能力增强后，管理者可以直接管理更大的团队，但组织也需要重新思考一

互联网大厂的算力胃口越来越大，但曾把这个行业一手带大的智算中心第三方服务商，却正在迎来巨大的挑战——当他们苦熬多年把AIDC供应链调教成熟后，运营商带着成本与补贴武器杀入市场，而跨界的新能源巨头和激进的上市公司，正用绿电和资本杠杆改写游戏规则。 国内基建价格内卷，只能出海“下南洋”；算力利润被卡死，只能下场“折腾电”。本期，爱分析对话时石资本创始人陈峻，带你撕开中国AIDC产业最残酷的B面，看看服务商们究竟该如何活下去。 时石资本，是一家深耕绿色数字基础设施领域的产融结合平台，业务触角遍布国内核心算力枢纽，以及东南亚、中东等海外市场。发展至今，时石资本实现了算力租赁、股权投资、资产管理与电力交易的深度闭环，是少有的全产业链参与者。 其创始人陈峻，拥有20年私募基金与实物资产投资经验，曾任黑石中国区董事总经理，并历任思科系统、博时基金、景顺投资等跨国巨头及头部金融机构要职。兼具清华电气工程学士与金融、管理双硕士背景的他，更能看清算力与电力、资本与资产交织的产业终局。 核心观点： 1、AIDC的商业逻辑已被运营商深度改写，第三方服务商价值被挤压。2025年起运营商深度下场，凭借成本与补贴优势斩获大厂过半订单，并直接沿用了第三方培养成熟的供应链。传统第三方服务商要么退出竞争，要么降格为分包商并背负二次结算风险。 2、国内基建供应链卷到极致，出海东南亚成为AIDC新窗口。国内服务器与基建投资额高达10:1，基建被卷到几乎没有利润空间。而东南亚造价是国内的3-4倍，中国企业通过预制件海运出海，在基建端反而能赚取两位数的利润率。 3、AIDC的增利之道不在“算”而在“电”，终局是绿电成本的对决。智算机房的租赁收益已被大厂卡死，唯一的利润想象空间全在电价差上。随着“一对多”绿电直连政策放开，每度电省下的几分钱将直接变成数据中心翻倍的净利润。未来只有手握最便宜、最稳定绿电的玩家才能活下来。

数据是 AI 时代卖铲子的生意，但这把铲子的形态一直在变。 从孤立词语音到连续语音，从自动驾驶的百万帧标注，到大模型的思维链和 Agent 轨迹数据，数据需求的量级、形式和质量标准，跟着模型技术一路变迁。 通识标注中基础性、重复性的需求正在减少，专识标注更加依赖专业知识和专家资源；合成数据的讨论仍在继续，具身智能又带来了新的数据需求。 海天瑞声是这个行业里少有的长跑者，也是数据服务领域唯一一家上市公司。自2005年成立以来，海天瑞声持续服务于AI技术研发与应用。随着行业发展，其客户群体从以头部科技互联网大厂为代表的企业，逐步拓展至自动驾驶、大模型和具身智能等领域。 海天瑞声联合创始人、CEO 李科是算法出身，对数据这门生意的判断很直白：需求跟着模型走，壁垒在可复用的资产，技术路线尚未收敛时保持审慎投入。 本次访谈，爱分析和李科重点就以下主题进行了深入交流：数据需求的变迁、专识标注的规模化难题、具身数据市场的发展，以及中美数据市场的需求差异。 核心观点 数据需求永远跟着模型走。每一波技术变迁都在重塑数据需求的量级、形式和质量标准，需求侧的变化是常态。 数据质量要求持续提升，垂直领域的数据需求更加依赖专业知识和专家参与。 随着模型能力提升和应用场景拓展，数据不仅要准确，还需要满足具体领域和任务的要求。医疗、编程、法律等领域的专识标注，对参与人员的专业知识和实践经验提出了更高要求，获取并组织合适的专家资源，成为数据生产的重要能力。 专识标注的规模化需要以标准化为基础。做好数据工程基础标准件，才能在面对多样化数据需求时快速实现标准件组合自动化。大模型时代，管理对象由大规模执行人员转向少量专家，标准化的难度和对人的要求都在提升。扩充资源池、提高资源在不同客户和项目之间的复用效率，也是其中的重要工作。 模型继续进化，需要失败数据和纠错轨迹。后训练、强化学习和 Agent 数据

随着Palantir受到关注，国内企业开始研究其技术架构、Ontology和AIP平台等能力。市场关注的重点也逐渐从单项产品能力转向一个更具体的问题：Palantir将数据治理、业务建模、AI应用和软件部署组织为一套全栈体系，中国企业是否具备采用这套体系的条件。   Palantir的全栈架构经过长期复杂项目演进，解决了数据分散、业务语义缺失和行动闭环等企业长期面对的问题。与此同时，中国大型企业通常已经拥有数据平台和业务系统，AI应用的建设方式也在快速变化。研究Palantir，需要理解其架构为何有效，也需要判断哪些平台边界源于特定的客户环境和发展阶段。 本文重点回答三个问题：Palantir为什么形成全栈技术体系；这套体系在中国市场适用需要满足哪些条件；进入AI时代后，中国企业应当如何重新组合数据、本体与Agent能力。 本文的目的是，希望在完整复制和全盘否定之外，找到一条更适合中国企业的技术路径。 01 Palantir是一套以Ontology为核心的完整技术体系 根据Palantir官网，当前标准架构由Foundry、AIP和Apollo组成：Foundry承担数据运营及业务开发，AIP负责连接大模型并支持Agent与自动化，Apollo负责持续部署和运行。这三个平台，共同构成Palantir所称的企业操作系统。 图1：Palantir全栈技术体系及平台关系 Ontology位于这套架构的核心，把企业数据转化为客户、订单和设备等业务对象，同时连接业务逻辑与行动，而安全治理贯穿对象访问和行动执行。Palantir进一步将Ontology分为Language、Engine和Toolchain：Language用于表达业务，Engine支撑查询及状态更新，Toolchain负责开发和治理。 Palantir是一套由数据基础、业务表达和AI应用共同构成的技术体系。F

随着Palantir受到关注，国内企业开始研究其技术架构、Ontology和AIP平台等能力。市场关注的重点也逐渐从单项产品能力转向一个更具体的问题：Palantir将数据治理、业务建模、AI应用和软件部署组织为一套全栈体系，中国企业是否具备采用这套体系的条件。   Palantir的全栈架构经过长期复杂项目演进，解决了数据分散、业务语义缺失和行动闭环等企业长期面对的问题。与此同时，中国大型企业通常已经拥有数据平台和业务系统，AI应用的建设方式也在快速变化。研究Palantir，需要理解其架构为何有效，也需要判断哪些平台边界源于特定的客户环境和发展阶段。 本文重点回答三个问题：Palantir为什么形成全栈技术体系；这套体系在中国市场适用需要满足哪些条件；进入AI时代后，中国企业应当如何重新组合数据、本体与Agent能力。 本文的目的是，希望在完整复制和全盘否定之外，找到一条更适合中国企业的技术路径。 01 Palantir是一套以Ontology为核心的完整技术体系 根据Palantir官网，当前标准架构由Foundry、AIP和Apollo组成：Foundry承担数据运营及业务开发，AIP负责连接大模型并支持Agent与自动化，Apollo负责持续部署和运行。这三个平台，共同构成Palantir所称的企业操作系统。 图1：Palantir全栈技术体系及平台关系 Ontology位于这套架构的核心，把企业数据转化为客户、订单和设备等业务对象，同时连接业务逻辑与行动，而安全治理贯穿对象访问和行动执行。Palantir进一步将Ontology分为Language、Engine和Toolchain：Language用于表达业务，Engine支撑查询及状态更新，Toolchain负责开发和治理。 Palantir是一套由数据基础、业务表达和AI应用共同构成的技术体系。F

假期后才短短三个工作日，AI行业又出了不少新动向。我们挑了最重要、也与大家最相关的三件，分享我们的看法。 大厂在找出路，明年AI预算在定方向，国产开源模型出海也面临新门槛。先从Google和OpenAI的两条路线说起。 01 大厂各找出路，AI需求不足问题仍无解 10月7日，OpenAI用Intelligent UI把图表、计算器、表单搬进ChatGPT。一天后，Google把Gemini agent接进Gmail、文档、表格和日历。OpenAI持续强化ChatGPT入口，Google将智能体嵌入现有产品体系。 路线背后是家底。Google有Workspace、云服务和企业数据；OpenAI有超过12亿周活跃用户。国内也有类似分野：阿里靠阿里云、钉钉和企业客户，字节则押注豆包这个个人入口。 我们更看好OpenAI和字节的路线。需求不足，仍是AI落地的主要难题。企业对省人、缩短流程有付费意愿，Coding也能赚钱，但单纯提效的长期价值有限。对比移动互联网时期的电商、短视频等杀手级应用，AI真正的大机会，还得等新的消费产品出现。 Google和阿里走企业提效路线，OpenAI和字节走个人入口路线。前者靠现成的企业用户业务需求，更容易先赚到钱，但这条路线有明显天花板；后者靠海量个人用户的高频使用，更有机会试出新的消费场景。 02 明年AI预算重点来了，AI厂商该提前布局 2027年政府和央国企的AI预算，重点会投向中试基地。10月，中央文件把中试基地和高价值应用场景列为重点方向。此时，政府和央国企正在制定明年的规划和预算，政策赶在预算敲定前明确方向，中试基地会成为项目储备和资金安排的优先选项。 政策重点已从推广AI，转向推动AI进入产业、实现规模化落地。2024年提出“人工智能+”，2025年设定智能终端和智能体普及率目标，2026年3月要求商业化、规模化应用，到了10月，进一步

Anthropic内部约95%的业务分析查询已由Claude自动完成，整体准确率约为95%。支撑这一结果的，既有大模型能力，也有权威数据集、分析Skills、持续评测与反馈闭环。这个案例揭示了Data Agent进入生产环境的关键：企业需要让AI找到正确的数据、采用正确的方法，并持续交付可验证的业务结果。 《2026 爱分析·Data+AI应用实践报告》聚焦通用Data Agent与工业Data Agent两类市场，围绕场景选择、数据与知识准备、任务执行和持续运营，提炼项目落地的关键成功要素，并结合Anthropic自助数据分析与新能源企业智能运维实践，为企业提供可参考的建设路径。 1. Data Agent从试点走向规模化应用四部曲 Data Agent项目往往可以在短时间内完成演示：用户提出问题，系统生成查询、图表或一段分析结论。真正进入生产环境后，企业需要面对更具体的检验：是否真正解决了业务问题，以及上线后如何保持效果。这些问题前后衔接，构成Data Agent从试点走向规模化应用的完整链条。 基于对Data+AI市场及相关厂商实践的调研，爱分析将影响项目成败的关键环节归纳如下。 1.1 Data Agent落地应从高痛点、低风险、易衡量的场景切入 Data Agent落地首先要确定它应该解决什么问题，后续开发围绕这个问题展开。在项目早期，企业容易从平台能力出发，集中展示自然语言问数、自动生成报告、调用多个工具等功能。可一旦缺少清晰的业务目标，项目上线后便很难回答两个基本问题：业务人员是否愿意持续使用，投入是否带来了可以验证的收益。 适合作为起点的场景，通常具备三个特征。一是业务痛点突出，现有工作需要频繁取数、反复分析或依赖少数专家，响应速度已经影响经营和运营；二是实施风险可控，Agent出现偏差时能够被及时发现和纠正，不会直接造成重大经营或生产损失；三是效果容易衡量

刚刚过去的云栖大会上，作为CEO首次公开亮相的陈宇森，给千问办公的定位是：“打造一个帮助组织AI转型的产品“，并认为“千问办公将是企业构建AI Native组织的核心引擎”。 由此可以看出，千问办公定位的落点在组织变革，但这听起来完全不像是AI Work产品的定位。Codex定位是生产力Agent，WorkBuddy定位是桌面工作台，千问办公当前两个最大的对手，都与组织变革无关。 AI Work的本质是释放生产力，随之配套的才是组织变革。生产力是根、组织变革是叶，没有根哪来叶，千问办公定位看起来有点本末倒置。 爱分析认为，本末倒置的根源是钉钉。钉钉一直以来的定位是组织管理工具，它看世界的方式就是从组织出发。 钉钉原CEO无招卸任之后，陈宇森接任，此后阿里把钉钉与千问办公收进同一个组织单元，千问办公事业部成为ATH事业群下属的一级事业部，陈宇森兼任CEO。目前，钉钉与千问办公都归陈宇森管理，千问办公也继承了钉钉这套组织管理工具的定位。 这个错误定位影响重大，最直接的是，导致千问办公在两个重要产品策略上都作出了错误的选择。第一个错误，是对于AI Work交付物的理解；第二个错误，是对于构建企业上下文的路径抉择。这两处失策的来源，都是钉钉。 所以，千问办公当务之急只有一件事，切割钉钉。 01 办公不是AI Work的全部 首先要明确的一个点，办公仅仅是Work里的一个场景。受钉钉影响，千问办公当前视角过于狭隘，忽视了更高价值的Work场景。 办公对应的是汇报、纪要、方案这类面向内外部协同的工作，但是Work的范围比办公大得多，询盘报价、排产排程、设备运维、科研实验等都是Work。办公与Work的核心区隔，在于交付物的边界与价值。 AI Work交付物分四层，价值度逐层提高。 第一层是给人看的文档，Word、PPT、Excel、报表等都在这一层。文档的价值止于浏览汇报，被人读完就归

高盛最近在一份Palantir研报中提出，Palantir的可触达市场（TAM，total addressable market）可能正在酝酿新一轮跨越式扩展，而且这次主要体现在业务覆盖深度上。 这个判断抓住了Palantir下一阶段增长的关键：企业采购AI，已经转向让AI进入核心业务，并在真实运营中持续改进。 对Palantir来说，关键在于能否把这种深度定制沉淀为企业自己的AI能力，并扩展到客户更多业务、复制到更多行业。做到这一点，TAM扩展就会转化为可持续积累的业务增长。 01 主权AI把企业需求推向更深处 主权AI（sovereign AI）正在改变企业采购重点。企业希望掌控的，已经不只是数据和模型，还包括业务规则、权限边界、运行轨迹、模型权重和实际行动。 当AI接入ERP、CRM等核心系统，进入供应链等核心流程，它必须理解企业内部的业务对象、适用规则和授权关系，并能在执行后说明发生了什么、结果如何。 这使模型部署、业务上下文、权限审计、Agent执行、评估和模型改进成为一个连续问题，而不再是几个可以分开采购的功能。 AI的价值因此向企业内部更深的运营层移动，这正是Palantir所面对的市场变化。 02 Ontology是核心，价值来自整套技术栈 Ontology承担核心业务上下文和可执行行动，把企业对象、关系、权限、规则和可执行动作组织起来，使Agent能够围绕真实业务对象工作，并把执行过程纳入可追溯体系。 但持续改进并不来自单一组件，而是整套技术栈的协同：Foundry提供数据和运营基础；Ontology组织业务上下文与行动；AIP承载Agent、工作流和评估；FDE与AI FDE推动系统进入真实业务；AIP Evolve和模型后训练，则把运行经验转化为下一轮改进。 Palantir CTO Shyam Sankar在2026年Q2财报电话会上，也将这条链路概

一块关键部件到货后，应该分给哪家工厂？选错了，部件可能等着其他物料配齐，另一家本可开工的工厂却在停工。对英伟达（NVIDIA）来说，这是一道牵动供应商、工厂产能和交付承诺的高价值决策。 在9月份Palantir举办的AIPCon上，英伟达展示了围绕GB200 NVL72（机柜级AI超节点）等复杂产品的物料分配实践：供应商、工厂产能和交付承诺不断变化，有限的关键部件需要每周重新安排。 图1： NVIDIA GB200 NVL72 英伟达与Palantir围绕这项“受限物料分配”（CMA）建设的系统，记录求解器方案、规划人员的修改依据和后续生产结果，再从中筛选训练材料及独立评估案例。由此，企业有机会把资深专家的判断经验沉淀进模型，并用真实业务记录检验后续版本模型是否持续改进。 一、英伟达如何把每周物料分配变成模型学习材料 先选定要改善的结果 英伟达把供应链目标描述为“从晶圆到第一个Token”：设备最终要完成组装、部署，才能在客户数据中心真正运行。此次公开案例聚焦其中的前半程，即从芯片离开晶圆厂到机柜系统抵达数据中心，受限物料分配正是这一段反复发生、影响重大的决策。 分配以周为单位，覆盖本季度和下一季度；最近几周已有交付承诺，每周新增的信息主要改变更远期的安排。GPU、CPU或内存哪一种最紧缺，也会随着到货和产能变化而改变。对于规划人员来讲，核心要解决的问题是：在现有承诺不能随意改动的前提下，哪些物料应在什么时间送往哪些制造站点，才能尽快形成完整产品？ 英伟达用持有时间（Time of Ownership，以下简称TOO）衡量这件事：从制造站点收到一项物料，到它作为组件或产品离开站点，经过了多久。系统希望缩短关键物料的等待时间，并观察供应链有效产出，即吞吐量（Throughput），这两个指标给每周的分配定下了业务目标。 让系统知道一块零件会牵动什么 规划人员过去需要拼接表格、

这个国庆假期，AI 行业一天没歇。 国产模型出海商业化取得重大进展，并且在算力限制层面开始突围。OpenAI一口气放出700多篇数学论文，也重点披露了模型安全问题。 01 国产模型出海的三条商业化通路 10 月 6 日，智谱 GLM-5.3 上架AWS Bedrock；两天前，它刚被Cursor接入了API。Kimi走得更快，K3 已于 9 月 18 日登陆Bedrock，9 月 30 日起还能在 OpenAI 的企业版本Codex 里直接调用。路透社披露，Kimi还在和微软、谷歌谈判上架事宜，向云厂商要价分成最高30%。 爱分析认为，上述通路将是国产模型出海的最核心三种模式。 第一种，云厂商托管。智谱、Kimi上架AWS Bedrock的案例中，云厂商提供算力和销售渠道，收入也先进云厂商口袋，再分给模型厂商。模型厂商零算力成本，收入即利润，代价是拿小头。 第二种，经推理服务商中转。Codex案例中，海外推理服务商Baseten提供算力，OpenAI为销售渠道。企业付钱给OpenAI，OpenAI转包给Baseten，Baseten再与模型厂商分。交易链路上多了一层，模型厂商到手收入预计比云厂商托管更少，但依然收入即利润。 第三种，直连应用。Cursor案例中，Cursor是销售渠道，模型厂商需要自己提供算力服务。预计未来，Cursor肯定会从交易中抽成。此模式中，模型厂商收入体量最高，毛利率高低完全取决于自身的定价。 这三条通路，彻底打开了中国开源模型的出海市场，海外收入不再依赖自建算力节点。为此，智谱已把年末ARR指引上调到30亿美元。 毛利率层面，预计国产模型厂商出海毛利率并不比国内更乐观。 一方面，国产模型厂商肯定会采取低价策略占领更大的海外市场；另一方面，海外多了一笔销售渠道开支，这在国内并不需要。 渠道成本可以参考Anthropic，2025年其付给云厂商的渠道

并行科技举办并行计算性能优化比赛已经十几年，每年比赛结束，组委会都会复盘做一件事，把比赛中所有参赛队使用的优化技术点汇总之后，可以得到一个最高性能的版本，冠军、亚军、季军基本上是使用了其中技术点数量最多的前几名。 “你看，优化能力不是一招鲜，而是把很多点拼起来，所以算力优化能力会随时间趋同的。谁优化得快，谁就先上到一个层面，但最终大家会追平。”并行科技董事长陈健认为，并行科技真正需要抓住的，不仅是优化能力，更是终端的用户。 并行科技是一家从超算、高性能计算体系里走出来的算力服务商。陈健不把并行科技定义成卖卡的公司，也不把Token工厂简单看成新的云服务生意。 过去十几年，并行科技建立了覆盖全国的算力网——并行算网，以及围绕高校、科研和企业做按需算力服务，积累了数万用户、60多个合作算力中心和几十个行业的应用特征数据。到了大模型时代，这套体系被迁移到推理和Token生产上。 在访谈中，陈健反复强调：“算力生意不是资源业，是服务业。”但这并不意味着资源不重要。相反，在Token工厂这场供给侧淘汰赛里，订单、卡和优化能力缺一不可。小玩家如果没有订单、没有足够的卡，也投不起持续优化的钱，最后很难活下来。 核心观点 Token工厂的胜负取决于订单、卡和优化能力。有订单才能开工，有卡才能产出Token，优化能力决定单位卡的产出效率，三者缺一不可。 长期看，优化能力会趋同，订单和卡是终极门槛。优化是集大成者，推理涉及约30多项技术，但领先优势随时间收窄，最终决定生死的是订单和卡。 小厂不适合做Token工厂。优化能力至少需要每年数千万元的研发投入，卡的成本差异可能达到数倍，账期和供需周期又会持续挤压现金流，小玩家很容易被淘汰。 算力生意的本质不是资源业，而是服务业。服务好客户的业务，才是并行科技一切打法的出发点。 不押注重资产，基于算网模式穿越周期。 根据市场供求关系平衡算力资

大模型普及带动推理需求快速爆发，Token推理服务商业价值持续凸显，第三方服务商已然成为AI算力生态的重要组成部分。 海内外产业发展形成显著落差：海外市场已沉淀出经过验证的商业化实践，国内行业却深陷算力内卷、价格厮杀、毛利率持续承压的发展困局。不少本土服务商在客户选择、业务路线、是否布局自研芯片等关键战略决策上，缺少可借鉴的行业参照。 基于上述背景，爱分析正式发布《2026 爱分析・Token市场海外对标研究报告》。报告跳出国内市场的局部视角，以海外成熟产业实践为对标样本，剖析不同商业模式的得失，为国内Token服务商研判赛道、制定战略提供务实参考。 1、报告综述 Token服务正在成为AI产业链价值分配的核心环节。向上，Token服务支撑AI应用；向下，Token服务调用模型与算力资源。 根据爱分析预测，2026年全球Token市场规模将达到1350亿美元。迅速崛起的Token产业与开源模型生态，使得模型原厂提供的Token服务已经无法满足市场需求，从而催生了众多第三方Token服务商。 过去两年，第三方Token服务在海外跑出了一个相对成熟的格局，市场清晰地分化出两条发展路线。一条路线提供MaaS服务，做算力调度和推理性能优化；一条路线自研推理芯片，重新定义推理服务的成本结构。 而中国市场，当前正在重走这个过程，路途中荆棘遍地。为此，爱分析这份报告通过海外市场的对标研究，回答两个核心问题：第一，Token服务的毛利率未来将会如何变化；第二，第三方Token服务商做芯片，这个命题是否成立。 我们的核心判断有三层。 第一层，Token服务包含两门生意，服务终端企业和服务模型厂商。两者看起来都在卖算力和推理能力，但财务模型完全不同。服务企业，能自主定价、毛利高，且自持算力资产较轻，对于现金流压力小；服务模型厂商，缺少话语权、毛利被集采压到个位数，而且需要自持的资产比例也更高，

9月28日，AMD宣布约82亿美元收购World Labs，一支由李飞飞带队、成立仅两年、累计融资12亿美元的70人团队。 这是AMD历史上第二大收购，官宣当天，AMD股价收跌约3.6%，市场的第一反应是疑虑多于兴奋。 那么，芯片厂为什么急着买模型公司？模型公司又为什么愿意在估值高位卖身？ 01 英伟达有物理AI全栈，AMD一片空白 物理AI是英伟达布了十年的局，构建了上下五层的全栈基础设施。 具体而言，Omniverse重建世界，Newton构建物理引擎，Cosmos生成世界，Isaac和GR00T训练机器人，Jetson Thor边缘部署机器人。 图1：物理AI技术栈对照 五层连起来是一条流水线，场景搭好、物理算准、数据造够、模型练熟、芯片部署，全栈闭环。如果说CUDA，是英伟达AI芯片的真正壁垒；那么这套技术栈，就是英伟达物理AI芯片的真正壁垒。 在这个全栈体系下，从芯片、物理引擎、世界模型到边缘部署层层咬合，每一层都在为下一层供给数据与场景。客户采购的解决方案，覆盖从训练算力到仿真环境再到机器人大脑，一站式配齐，迁移成本极高。 对照之下，AMD的技术栈一片空白。 爱分析认为，AMD在AI训练与推理市场尚且可以做跟随者，而物理AI近乎空白的布局，连跟随的资格都还没拿到。AMD要补的不只是某一款产品，是整个层次结构。收购World Labs，是补全这份技术栈清单速度最快的方式。 通过收购，AMD一下补齐了世界构建、世界生成和训练评估三层。此前，AMD与World Labs已经有过一年的技术合作，但技术合作只能带来模型与硬件的适配优化，只有收购才能真正具备与英伟达对抗的话语权。 而且，模型迭代以月计算，AMD从零自建团队很难在1-2年内补齐5层短板。从补齐时间角度出发，AMD无法参考英伟达自研模型的方式，唯有收购一条路。 02 趁还卖得出价，赶紧上岸 World Labs

9 月 16 日，神州问学发起的城市巡回技术沙龙"问学极客行"走进北京亦庄·模数 OPC 社区。本次活动由北京经济技术开发区信息技术产业局指导，神州问学主办，爱分析、WaytoAGI 模数 OPC 社区联合主办，神州数码通明湖研究院提供智库支持。本次活动聚焦"Agent 如何接进企业系统、跑通真实任务"这一核心命题，以主题分享与圆桌对话两种形式展开。 活动现场 当前，北京亦庄正在推进全域人工智能之城建设，着力聚集汽车、集成电路、生物医药、智能制造等多样化产业集群。本次活动参会单位覆盖科研、能源、通信、信创、金融、制造等多个领域。现场围绕Agent如何接进企业系统、跑通真实任务展开讨论。 AI落地的起点在业务线，不在蓝图 现场分享从一家制造企业的真实处境开始。晶澳太阳能科技股份有限公司数字化总监张毅柱在《AI跑通企业真实任务的落地路径》分享中提到，在光伏行业产品同质化、成本趋同的背景下，企业之间的差距更多来自运营效率。 晶澳太阳能科技股份有限公司数字化总监张毅柱 晶澳的做法是，把AI落到营销服务这一条业务线上，把客户管理、技术方案与销售运营拆成可执行的任务，让AI依次接住，而不是先铺开一套覆盖全公司的蓝图。 企业不缺单点尝试，缺的是把点连成线 一条业务线如何跑通，已有答案；新的命题随之而来：单个场景的经验，如何扩散至整个组织？神州数码AIBG资深AI产品经理石磊在《神州问学驱动行业由点-线-面的智能化跃迁》分享中，把这条路概括为点、线、面三个阶段：点解决的是让一个人做事更快，线解决的是让一件事跑得更快，面则是把多个流程串联起来，推动组织形态的重构。 神州数码AIBG资深AI产品经理石磊 石磊认为，企业在AI落地中普遍面临知识分散、流程割裂、结果难追溯、经验难沉淀四类问题，AI的价值不在于生成，而在于能不能把知识、流程与规则沉淀下来，被持续调用。 沿着这条路径再往深一层，就落到

滴普第二季度业绩亮眼，据2026H1中报，其Q2收入约2.30亿元，净利润约3010万元，净利率达到约13.1%。 对于一家仍在投入企业大模型、本体和智能体平台的厂商，这是一道重要的盈利分界线：当收入达到一定规模，滴普现有业务已经能够覆盖研发、销售和管理费用，并产生不低的利润。 但一个季度赚到钱，不等于已经形成持续盈利能力。 滴普Q2收入占上半年约81%，是Q1的4.27倍。同期，综合毛利率同比只提高1.5个百分点，上半年经调整利润和经营现金流仍为负。三组数据放在一起，指向一个更直接的问题：Q2的高净利率，究竟来自AI平台形成的可持续经营能力，还是主要来自项目集中验收后，收入规模对期间费用的摊薄？ 判断一家企业AI厂商的利润能否持续，主要看这三件事：收入增长能否摊薄费用，单个客户是否持续增购，平台能否降低项目交付成本。概括下表达，就是规模摊薄、客户价值和平台复用三种经营杠杆。 滴普Q2单季体现了规模摊薄效应，但另外两种杠杆效应并没有显现。 一、滴普Q2跑出的利润，只是规模摊薄杠杆效应 滴普Q2利润反转，最显著的变量是收入，而不是毛利率或期间费用。 按中报数据推算，滴普Q1收入约5393万元，Q2升至约2.30亿元；Q1净亏损约6200万元，Q2净利润约3010万元。两个季度之间，收入增加约1.76亿元，利润改善约9210万元。 图1：滴普2026Q2收入大幅增长，净利润由负转正 毛利率改善提供了一小部分增量，但不足以解释如此大的利润变化。2026H1，滴普综合毛利率为56.5%，同比提高1.5个百分点；核心AI业务DeepexiOS毛利率为57.2%，同比提高2个百分点。 从这里可以看出，平台能力可能已经开始改善直接成本，但幅度仍然很有限。 滴普也没有通过大幅裁员和削减投入换取利润。上半年，销售及营销费用同比增长33.2%至6568万元，研发费用增长23.8%至7213万元

做了十几年产业互联网的张宗兵，太清楚SaaS的痛了：非标化、数据孤岛、对人的重度依赖，让这个行业做得特别辛苦。 AI Agent，让他看到了一个完全不同的解法：把业务的Know-how封装成可被AI调用的Skill，让Agent去理解、规划、执行，替代过去要靠大量人工去填的坑。 为此，张宗兵把千匠网络过去十年积累的2900多个组件，一个一个拆解开，重新封装成了2600个原子化的Skill。这不是一次普通的版本升级，而是从SaaS到AI原生的彻底重构。 张宗兵的判断很直接："走原有的SaaS加AI的方式，只会越走越艰难。" 张宗兵有着二十多年企业服务经验。这位从用友、商派一路走来，后来创办千匠网络的连续创业者，如今最关心的，已经不是再把软件功能做得多一点，而是怎么把软件里最重、最难复制的那部分能力重新拆开再造。 与爱分析的此次交流过程中，他分享了软件厂商如何做AI重构、未来Know-how壁垒的变化以及商业模式向运营结果延伸等行业洞察。 核心观点 SaaS+AI是死胡同，必须走AI原生重构的路。在原有软件上叠加智能体能力，研发成本永远降不下来，最终会被AI原生的新进入者取代。 产业互联网过去十年发展辛苦，根源在于非标化、业务复杂、数据贯通和专家依赖四重困境，Agent正在后两件事上打开突破口。 企业应用真正的壁垒从来不是技术，大厂三年之内就能把所有技术能力开源。真正的壁垒是行业Know-how的积累和转化速度。 软件公司必须从卖工具转向卖运营结果。AI让软件厂商有能力延伸到运营服务层，通过"平台订阅+AI运营"的模式，打开比卖软件大得多的商业空间。 以下为本次访谈实录，在不改变原意基础上略有修改。 一、十年SaaS，卡在了"非标"两个字上 爱分析： 过去这十年，产业互联网、供应链软件发展得都比较辛苦。不管是做采购软件、供应链软件，还是做交易的，都觉得重。原因在哪？

近期爱分析访谈了红熊AI 的CEO温德亮，以下是本次访谈文章。 一段看似普通的售后对话，最能暴露AI应用的短板。用户只说了一句“手机闪屏了”，系统往往还要从头追问型号、订单、设备、账号，再把这些零散信息拼起来回答问题。 红熊AI的CEO温德亮不认可这种工作方式。在他看来，如果一个系统已经知道用户买过什么、当前在用什么、此前发生过什么，它就不该每一轮都“重新认识一次用户”。 这也是红熊AI切入记忆赛道的起点。与不少把记忆当作大模型外挂、插件或能力补丁的公司不同，红熊AI创始人温德亮更愿意把它定义为一套类人脑记忆引擎。记忆不是在推理之后被动补充，而是应该先进入记忆，再决定系统如何理解上下文、如何生成回答、如何执行动作。 顺着这条逻辑，红熊AI没有先做一套纯底层能力等待市场成熟，而是先从客服、营销、售后等最容易出商业结果的场景切入，用应用收入反哺底层技术，再把记忆、反思和工作流逐步沉淀成更通用的能力。 从2024年“客户和投资人都听不懂”开始，到2026年赛道被重新点燃，温德亮讲的已经不只是记忆怎么做，而是一个更现实的问题：当概念热度过去之后，谁能把记忆真正做成一门能交付、能赚钱、也能过合规门槛的生意。 核心观点 记忆不是外挂，而是推理入口。真正有效的记忆系统，不是推理完再补记忆，而是先调记忆、再做推理，只有这样才能深度进入复杂业务场景。 没有记忆约束，垂直场景的AI准确率很难稳定超过95分。在温德亮看来，记忆的价值不只是记住更多，而是系统性压低事实性幻觉，把业务准确率拉到企业可接受的水平。 记忆赛道的第一桶金，不会先来自纯基础设施。 红熊AI选择先做智能体应用，不是放弃底层，而是先用订单和现金流验证需求，再反哺底层能力建设。 行业已经从技术竞争，走向商业化竞争。 Gemini和DeepSeek相关论文把记忆赛道点燃之后，市场真正分化的不是谁讲得更前沿，而是谁

数据生产方式正在被AI改造。 在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。随着数据Agent进一步发展，一个智能体负责生产，另一个智能体负责质检，人将逐渐从生产闭环内部转向闭环外部，从逐条标注转向制定规则、监督过程和验收结果。 同时，在医疗、教育和模型后训练等高标准场景中，即使机器完成99%的工作，最后1%仍要由专家兜底。 伴随生产方式的变化，数据服务的边界也在同步扩展。 过去的数据标注主要依靠人给图片、语音和文本打标签；现在，数据厂商需要从需求规划开始，完成采集、治理、标注、质检和持续运营，最终交付能够直接进入模型训练的高质量数据集。数据公司的价值，也转向建设自动化生产能力、组织行业专家并持续提升模型效果。 飞数前身可以追溯至科大讯飞2001年成立的语音制作部门。2024年4月，相关数据团队孵化成立安徽飞数，将二十余年的数据生产经验转化为自动化平台和专家网络。 飞数执行总裁谭昶将飞数的能力概括为高难度、高知识密度和高效率。目前，飞数已储备数千名专家资源，并将业务从教育、医疗逐步延伸至科研和工业制造。 大模型后训练和具身智能正在带来新一轮数据需求。谭昶判断，大规模基础数据会率先经历生产高峰，随后转向难例、真机数据和高知识密度数据的竞争。 在本次与爱分析的交流中，谭昶系统分析了高质量数据的判断标准、自动化与专家的分工、具身数据的市场周期，以及飞数依靠技术平台和专家网络建立长期能力的路径。 核心观点 数据标注正在升级为完整的数据生产。 AI企业需要的是可以直接用于模型训练的数据产品，服务范围已经覆盖规划、采集、治理、标注、质检和持续运营。 模型效果是高质量数据的最终标准。 准确率、完整性和时效性是基础指标，数据能否提升模型性能，决定了它的实际价值。 机器可以完成99%，专家必须守住最后1%。 自动化会持续压缩人工工作量，但在高标准场景中，专家仍要制定

AI数据服务公司澳鹏（Appen）正加速从传统数据标注向大模型数据服务转型。 自2023年报开始，澳鹏将LLM训练数据、多模态生成式AI、视频生成数据、模型安全与评测等项目统一归入生成式AI相关业务（以下简称GenAI业务），正式设为战略业务类别， 并明确提出向GenAI转型。 据财报披露，澳鹏GenAI业务收入占比由2023年的4%升至2025年的33%，2025Q4达到44.1%；2026H1为29.0%，较上年同期提高4.4个百分点。同期，集团收入同比增长17.5%，调整后EBITDA实现扭亏。 从业务结构到经营业绩，澳鹏GenAI业务转型已经初显成效。但进一步拆分可以发现，中国业务与海外业务的表现存在显著差异。 2026H1，Appen China分部（覆盖中国、日本、韩国，后续简称中国业务）贡献7620万美元收入，占集团收入的63.6%，并调整后EBITDA为1210万美元；同期，Appen Global分部（主要面向美国和欧洲市场，以下简称海外业务）收入为4370万美元，调整后EBITDA亏损450万美元。 中国业务是澳鹏当前经营表现中最积极的部分。2026H1，中国业务收入同比增长80.4%，调整后EBITDA同比增长315.5%，利润率由6.9%提升至15.9%，实现了收入和盈利能力的同步提升。 根据业绩会披露，中国业务的增长动力包括GenAI项目扩张、中国科技企业出海、消费级AI应用需求增长，以及预制数据集收入增加。 相比之下，海外业务虽然已经获得Coding、金融和医疗等大模型相关项目，但新增业务尚未完全弥补传统业务收缩。 因此，本篇澳鹏研究的重点，一是中国业务实现高速增长和盈利改善的核心动力，二是海外业务向GenAI转型面临的主要挑战，并在此基础上评估澳鹏集团整体业务调整进展。 01  GenAI业务收入占比达33%，业务

AI已经快速进入企业，但还没有真正进入组织。 数据显示，88%的企业已经在至少一个业务职能中使用AI，但AI对企业总营收贡献超过10%的企业仅占8%，真正实现AI深度融合的企业也只有7%。 这组反差说明：企业已经解决了“有没有AI”的问题，却还没有解决“AI能否成为组织能力”的问题。 今天，很多员工已经在使用AI生成内容、查询知识、分析数据，但这些能力往往停留在个人和单点工具层面：AI提出建议，仍要等待人工执行；生成结果，仍要依靠人工复制；它没有明确的组织身份和权限，无法进入正式业务流程，也无法把使用记录、业务反馈和规则修正沉淀为组织资产。 换句话说，AI进了企业，但没融入组织。 问题不在于模型还不够多、应用还不够丰富，而在于组织缺少承接AI的运行体系。治理上，AI没有清晰的身份、权限与责任；业务上，AI读不懂企业特有的数据关系和管理规则；流程上，AI仍是流程旁边的助手，而不是流程中的节点；运营上，经验无法持续积累，今天的AI并不比昨天更懂企业。 当AI无法进入组织的权责体系、业务流程、数据体系和知识体系，企业即使持续增加模型和应用，也很难把个人效率转化为组织收益。 基于这一判断，爱分析联合致远互联发布《让组织AI落地——AI-COP智能协同运营中枢白皮书》，提出建设智能协同运营中枢，为AI进入组织铺设一条可治理、可协同、可运营、可进化的轨道。 围绕“如何让AI真正融入组织”，白皮书首先从治理、集成、协同和进化四个方面，分析企业AI投入与组织收益不匹配的原因，并提出建设智能协同运营中枢，在既有业务系统之上形成统一连接、治理控制、任务编排、协同运行和反馈优化的组织级协调层。 在落地路径上，白皮书提出从单点智能、智能集成、智能协同到智能中枢的四阶段演进路径，并构建“1+1+N+X”体系，以AI-COP平台为能力载体，以持续运营机制为保障，通过拳头产品和专业场景推动组织AI落地。

最近，Harness正在成为企业级AI落地中的高频关键词。 Harness工程爆火，反映出企业客户对AI落地可控性的迫切诉求，尤其在金融、能源、政务、制造等复杂场景中，如何让大模型真正接入核心流程，正在成为产业端关注的关键问题。 海致科技是国内较早布局图智能、知识图谱和图模融合的厂商，也在Harness工程方向进行了大量深度实践与场景落地。 近日，爱分析与海致科技联合创始人杨娟进行了一次访谈，重点围绕Harness工程的本质、图智能为何迎来新一轮爆发、RAG与图模融合的核心差异，以及企业Ontology如何从分析走向执行等主题展开讨论。 核心观点 1、Harness工程是AI向产业深水区演进的必然结果。 大模型走向产业端落地，企业需要解决的问题逐步增加，从Prompt设计到Context管理，再到Skill管理与任务调度等。Harness将这些能力系统化，成为支撑AI进入更复杂的企业业务流程、实现“可解释、可追溯、高可信”落地的系统工程。 2、企业客户更关注AI结果的可控、可靠、可审计。 真正阻碍大模型深入业务的关键是信任问题。相比单纯追求模型能力，客户更在意结果稳定、过程可验证、责任可追溯。 3、图智能进入新一轮爆发期。 过去图技术的短板主要是计算效率低于向量，应用范围受限。在Harness框架下，图技术可用于调度任务和Skill执行，通过优化执行路径，进而节省token、降低成本、缩短响应时间，这成为了图智能新一轮爆发的核心驱动力。 01 Harness工程的核心价值是让AI可控 爱分析：您怎么看Harness工程，会不会跟Prompt、Context工程一样昙花一现？ 杨娟：这是一个技术逐步发展、内涵不断深化的过程。大模型从消费端的简单问答走向产业端落地，工程化需应对的挑战逐步显现。 最开始是prompt工程，构思prompt直接影响模型产出，这是人机交互的