近半年来，新股/次新股确实火爆，尤其是AI板块。今天老俞就近期再次燃爆市场的次新股，滴普科技（01384）为引子来谈谈这个板块要怎么玩。前两日他们才入选“2026福布斯中国人工智能科技企业TOP 50”，创始人也在不久前发表了一篇原创《记忆，是智能体的灵魂》，借由此，我小小改编了下：记忆，才是AI 落地的 “灵魂”。
大家都有同一个疑问：现在AI大模型参数卷得越来越大，技术迭代飞快，为什么真正落地在企业、大厂里面能用、好用的产品并不算多？（TO B的很少，TO C的还好）
有一说一，很多AI概念热闹有余，落地不足。我们看看滴普科技创始人赵杰辉说啥了:
首先，他认为我们一直忽视了一个问题：从 2023 年到 2026 年，关于 AI 的讨论，主旋律一直是"模型"——模型更强、跑分更高、上下文更长、推理更准。但有一个事实，你只要做企业 AI 落地就一定会遇到：模型变强，并不直接等于企业的专业岗位能用上 AI 员工规范的执行。
为什么？
AI 产业化要走通，归根到底要回答一道经济学题——每一个 Token 在价值端创造的生产力价值，能否大于在成本端它所消耗的算力、人力、运营成本。这就是 "Token 经济" 的根本约束。
是的，老俞100%同意该观点。在老俞眼里，AI产业化从来不是单纯的技术比拼，本质上就是一道直白的经济账：每一个Token产生的业务价值，能不能覆盖掉算力成本。很多人盲目追捧大参数、高跑分模型，但忽略了企业真实使用场景里最大的痛点：无效成本太高。
这几年行业内也在持续优化AI记忆能力，整体经历了三代清晰的技术迭代，每一代都解决了部分问题，但始终没有完全打通企业落地瓶颈。
第一代属于会话级记忆，以LangChain、Dify工具为主。2023年这一类工具快速普及，实现了单次对话内的上下文保留，避免AI一句话反复遗忘。依靠对话缓冲区动态留存内容，让普通开发者也能快速搭建简易AI对话程序。但它的短板十分明显，会话结束记忆直接清空，企业的业务流程、产品资料、客户数据无法长期沉淀，只能满足最简单的临时对话需求。
第二代升级为任务级记忆，典型代表是Manus、DeepResearch。这一代技术把记忆范围从单次聊天，拓宽到完整复杂任务。面对长时间、多步骤的工作，AI可以留存中间数据、推理逻辑和参考资料，形成专属工作空间。这让AI能够独立完成研究、分析、整理等复杂工作，不过任务一旦结束，记忆依旧会归档封存，无法实现跨任务、跨周期的知识沉淀，并不适配长期稳定的企业业务场景。
第三代是持久化记忆，OpenClaw、Hermes Agent是行业标杆。这一代真正做到了跨会话、跨任务长期留存记忆，还具备基础自我迭代能力。AI可以自动总结过往任务、沉淀使用技巧、优化执行方式。但放到企业场景中，依旧存在硬伤：所有业务数据都需要转化为文本、向量格式储存，转换过程必然造成信息损耗；同时海量文件反复加载，Token消耗依旧偏高，很难兼顾推理精度和使用成本。
纵观三代记忆迭代，行业逐渐达成统一共识：通用存储模式已经走到瓶颈，下一代企业级AI，必须走向“本体驱动”。
很多朋友听不懂本体，老俞直白解释一下：本体就是企业原本真实的业务结构。（包含组织架构、产品层级、业务流程、故障因果、合作关系，是企业原生、未经改动的逻辑体系）。
不管是海外的Glean、Snowflake，还是国内科技厂商，如今都在发力企业知识图谱与语义层，本质都是向着本体结构靠拢，这已经是行业不可逆的发展趋势。
赵的文章中可以看出，他认为滴普科技最亮眼的优势，就是跳出通用记忆框架，打造出第四代大模型本体范式记忆，也是目前最适配实体企业的落地解法。简单来说，不需要二次翻译转化，直接以企业原生业务逻辑作为AI记忆载体，从根源减少信息损耗。
整套体系分为两大板块，分工清晰且形成闭环。第一，Deepexi企业大模型负责静态本体记忆，把行业规则、产品架构、合规流程等长期不变的业务知识，编码融入模型本身，让AI从底层吃透行业逻辑；第二，FastAGI企业智能体平台承载动态记忆，实时对接企业业务系统，同步新增工单、客户资料、故障记录等动态数据，持续更新知识体系。并且动态沉淀的业务数据，还能反向迭代优化大模型，形成良性循环。
为了夯实技术壁垒，滴普科技还沉淀了两大核心资产。其一为Deepology数据集，积累108个行业本体集合，深耕四大行业；其二是Skill技能库，内置280余项可直接落地的专业Skill。长期的数据和经验积累，是同行短期内难以复刻的核心优势。
看完整篇文章，老俞对AI行业后续发展，总结出三点清晰判断。
第一，行业竞争逻辑彻底转变。过去所有人比拼模型参数、跑分数据，未来AI竞争核心会转向记忆机制。能不能贴合企业原生业务、能不能低成本沉淀知识并应用于业务场景操作执行中，才是拉开差距的关键。
第二，通用大模型与企业大模型并非对立，而是互补协同。通用大模型负责压低Token单价，降低行业基础算力成本；企业大模型提升单Token价值密度，精准解决产业痛点，二者结合才能实现商业化平衡。
第三，科技壁垒永远靠时间沉淀。企业本体建模、业务逻辑梳理、行业经验积累，最少需要三至五年深耕。比如，滴普科技从2018年布局数据治理，一步步迭代至企业大模型，长期积累的产业Know-How，就是最扎实的技术壁垒。
投资科技赛道，老俞一直坚持一个原则：优先选择解决真问题的企业。当下不少AI企业追逐热点、炒作概念，忽视实体落地难度，但我们要找到其实是实打实优化算力成本、贴合企业业务需求，不靠噱头讲故事，商业化落地能力突出的标的。
举一些他们实际的客户案例。
刚刚，滴普科技公众号发布了一则客户实践相关的最新消息，滴普连续三年获全球知名市场研究机构IDC认可：
近日，IDC公布2026 IDC中国工业AI领航者大奖评选结果——滴普科技助力上海船舶研究设计院打造的生成式AI船型方案智能生成平台项目，成功斩获工业AI智能体创新先锋奖项。
这并非滴普科技首次助力客户斩获IDC工业AI重磅奖项。2024年，其助力兴森科技搭建的数据治理及数据底座平台项目，2025 年赋能大族智控打造的装备智能化解决方案研发项目，均获评奖项。
▪兴森科技的项目，聚焦企业全域数据标准化治理，搭建完善的AI-Ready体系，将数据质量达标率提升至80%，数据服务响应时长缩短至2小时，为产业AI应用夯实底层基座。
▪大族智控的项目，则通过融合大语言模型、多模态大模型与垂直专业模型，整合企业数据、运营规则及行业经验，搭建专属知识库与工业
AI智能体，打通全场景业务闭环，提升模型Token输出效能，为终端用户及售后工程师提供智能支持。
▪上海船舶研究设计院的项目，则依托FastAGI企业智能体平台部署多款工业基础智能体，并与研发管理系统深度对接，研发人员输入需求即可由AI员工完成全流程设计，实现多智能体高效协同办公。
由此可见，滴普确实不是纸上谈兵。客户满意度，也是衡量一家企业有没有实实在在沉淀和落地的标准之一。
滴普创始人赵杰辉说，记忆是智能体的灵魂。没有长期记忆的AI，哪怕算力再强，也只是一台没有思考能力的冰冷机器。唯有贴合业务、懂得沉淀、持续迭代的AI，才能真正成为企业可用、好用的数字员工。
AI行业依旧处于成长周期，短期热度波动无关紧要。那些沉下心扎根产业、踏实解决痛点的企业，终将穿越行业震荡，迎来长期成长红利。
本人的言论仅代表个人观点，不构成任何投资依据，股市有风险，入市需谨慎！
精彩评论