10月27日，胡润研究院发布《2026胡润百富榜》。1529位企业家上榜，总财富32万亿元，同比增长7%，上榜人数与总财富均创历史新高。但比总量更值得拆解的，是榜单顶端的结构性位移：43岁的张一鸣以6700亿元第二次成为中国首富，刷新中国首富财富纪录；41岁的梁文锋首次上榜，便以2800亿元空降第七，成为今年263位新面孔中的“新人王”。 首富与“新人王”之间，隔着2000亿元的财富增量，也隔着两种截然不同的AI造富路径：张一鸣是把AI嵌入一个已经拥有数亿用户的超级平台，让存量流量在模型能力升级中被重新定价；梁文锋则是从零构建一个模型底座，用开源能力和商业化速度在三年内完成从“不商业化”到2800亿元财富的跨越。 两条路径指向同一个结论：财富榜的顶层定价权，正在从消费与制造，向AI与算力迁移。 综合 | 胡润百富 上证报  编辑 | Echo 本文仅为信息交流之用，不构成任何交易建议 张一鸣的6700亿元，几乎全部来自字节跳动。胡润方面给出的核心归因只有一句话：AI业务进展推动公司估值进一步走高。 字节跳动当前的估值约3.3万亿元，张一鸣持股20%以上。支撑这一估值的，早已不是单纯的抖音和TikTok广告现金流。豆包在2026年3月的月活达到3.45亿，在AI原生App中排名第一；到6月，月活进一步攀升至约3.24亿，超过阿里Qwen、DeepSeek和腾讯元宝。 有分析测算，仅豆包这一款产品，对标智谱、MiniMax等公司的市值，为字节带来的估值增量就可达到500亿美元量级。 这意味着，张一鸣的财富增长逻辑已经完成了切换。2024年他首次登顶时，字节的估值锚更多来自短视频的全球渗透率和广告变现效率；而2026年这2000亿元的财富增量，对应的是AI能力对搜索、推荐、创作工具和办公场景的系统性渗透。 豆包不是一个孤立的聊天机器人，它是字节把大模型能力分发给数亿存量

Palantir让市场看到，本体可以将企业数据、业务逻辑与Action组织进统一的运营语境。但当这套范式进入中国企业，一个更具体的问题随之出现：Action调用成功之后，订单风险真的解决了吗？由谁负责最终的验收？依据是什么？ 本体已经不是企业AI市场里的陌生概念，越来越多企业开始用本体为AI补充企业特有的业务语义和规则。但从“看懂业务”到“推动业务完成”，仍有一段距离。AI可以发现问题、提出建议、创建任务，甚至调用工具写回业务系统，却未必能够验证行动是否改善了经营结果。如果系统不能继续观察结果、核验完成条件，并让结果进入下一轮判断，本体就仍然停留在认知层，而没有真正进入企业运行。 百特搭联合创始人兼CPO戚雨长期参与BPM、企业应用与业务系统建设。在大量项目中，他反复观察到一种断层：系统显示流程已经结束，接口也返回成功，但业务问题并没有真正解决。由此，他将企业本体的研究重点从语义理解和Action调用，进一步推进到结果依据、验收责任与持续反馈。 在戚雨看来，企业本体建设的下一步，不只是让AI理解企业，而是让这种理解能够支撑一条完整链路：识别问题、理解上下文、形成决策、制定方案、执行动作、验证结果，再将结果反馈给下一轮决策。围绕这一判断，百特搭提出“本体运营六步法”，将企业本体的价值，从建立共同业务认知，进一步走向推动业务持续闭环。 核心观点 本体建设不是从数据清单开始，而是从关键业务决策开始。先明确企业需要作出什么决策，再反向定义对象、关系、指标、规则、权限与动作。 本体不是要替代数据模型、知识图谱和业务系统。既有系统记录经营事实，本体将这些事实与业务对象、规则、权限和动作连接起来，让人和 AI 能有共同的业务依据。 中国企业建设本体，不必从大而全的体系建设做起。边界清晰、人工决策密集、跨部门协同突出、业务结果可衡量的高价值场景，更适合作为早期落点。 企业可以把行

2026年下半年，大模型这条路的竞争正在走过拐点。当大语言模型的窗口逐渐关闭，端侧、科学智能（AI for Science）成了新一批创业者的押注方向。 在这个节点上，元空智能创始人兼CEO逄大嵬同时做两件事：把模型塞进端侧设备做生产力交付，用机械臂和实验台驱动干湿闭环的科学智能。 逄大嵬的团队出自北京大学科学智能学院，做开发的人多是先学四年化学、再读两年AI的交叉学科背景。2023年3月，他们做出国内最早的AI Excel产品ChatExcel，三年时间从云端应用走到端侧设备。 这次访谈重点聚焦端侧AI未来的趋势，以及科学智能领域的自进化闭环。 核心观点 端侧AI的终局是一群垂直玩家。机会之所以分散，根因是数据分散，能力增长发生在无数设备上，单一的基础模型接不住这个循环。 端侧AI窗口在2026年打开。小模型智能密度、Harness能力、端侧芯片算力，三条曲线第一次同时成熟。 Work不是Office。办公只是Work生产力场景的一小部分，Work真正的价值，是交付物从文档变成业务结果。 科研是端侧价值密度最高的场景。当实验台成为数据入口，科研的竞争会从模型能力转向实验室资产，干湿闭环产生的数据成为最稀缺的壁垒。 01 端侧AI天然是分散市场 爱分析：为什么现在这个时点，开始进入端侧AI市场？ 逄大嵬：端侧技术我们储备了几年，选择今年发布，是因为有三件事第一次在端侧AI同时成熟。 第一是，模型智能密度提升。今天35B参数的模型，能力已经接近一两年前的全尺寸模型，而继续堆参数带来的增益正在显著变小。第二是，端侧芯片的算力在持续增长。一台40 TOPS（每秒40万亿次操作）的消费级电脑，已经能运行合适参数量级的模型。第三是，Agent的Harness框架走向成熟。 三条曲线分开看都不新鲜，但它们在今年交汇，本地运行真正具备生产力的AI成为可能。 爱分析：做端侧，最直接的驱动力

Personal Agent（以下简称PA）已经成为新的AI热点，PA所代表的意图经济也正在对互联网的注意力经济形成挑战。 在海外，大厂和创业公司都在争夺PA入口，市场共识是意图经济将取代注意力经济。除了Meta Muse、OpenAI Dots之外，还有Instinct、Cue、Fambot、Poke、Skye、Town等一批创业公司加入战场。 在国内，PA几乎全部出自互联网大厂和手机大厂之手，创业公司整体缺席。背后的市场共识是，意图经济是注意力经济的延伸，大厂通过PA产品继续垄断意图经济，创业公司无缘染指。 从PA的服务链路，可以分析出中外市场的区别。 图1：Personal Agent服务链路 第一环是理解用户，PA要知道用户是谁、需要什么、周边社交关系等一系列信息，因此需要用户授权一系列个人生活数据，比如IM、社交网站、个人笔记、信用卡账单等等。 第二环是发起任务。它可能来自用户的直接委托，比如用户需要订一杯咖啡、回复工作中的消息；也可能由PA主动提出，比如基于用户近期健康和预算情况，主动帮用户订购食材。 第三环是执行任务，PA调用Agent工具把任务完成。 第四环是完成交易，PA在电商平台完成下单、支付等动作。 任务和交易完成后，数据回到第一环理解用户，形成闭环。回流数据增多之后，PA产品将逐步从被动服务走向主动服务。 以上环节中，理解用户、发起任务和完成交易三环，中外差距悬殊，也将塑造完全不同的竞争格局和生态。 01 中国PA没有创业公司机会，根因在用户数据 第一环理解用户，原料是用户数据。 在海外，用户的生活数据并不在大厂体系内，账单、行程、日历等分散在邮箱、银行，以及各种垂类APP中。而且，这些数据只要拿到用户授权，就能获取到。授权即得，这使得海外的创业公司在理解用户这件事上与大厂处在相近的起点。 比如，Instinct最核心的用户数据来源就是邮箱、日历和信

决策模型Jev发布之后，海外大厂跟进迅速。 OpenAI在2周之内就发布了Decisions API，紧接着AWS发布了Strands Decider 2B，此后微软发布Microsoft-Decision-1。 而国产模型大厂中，只有阿里云上架了decision-model-preview，尚处于限时免费阶段。 单看这个对比，结论是国产模型又慢了一步。但爱分析认为，国产模型大厂暂时不选择跟进是理性的决策。 01 Jev创新了什么？ 首先，来看下Jev代表的决策模型是什么。 比如，一条客户投诉工单进来，需要判断三件事。工单该转给哪个部门？工单紧急度如何？客户要不要退款？专门做这三次微小判断的模型，就是决策模型。这三个判断，共享一个输入的上下文，且只需要输出明确的判定结果，无需完整的推理过程和自然语言形式的回答。 由于判断的输出特点，导致用目前的大语言模型作答，会存在以下三个问题。 第一是，输出速度慢。大语言模型输出时的答案必须一个token一个token往外吐，每个token依赖前一个，这导致输出速度缓慢。 第二是，决策成本高。大语言模型每次输出都生成一段带解释的文本，但实际决策结果并不需要这些解释文本，导致决策过程中产生很多冗余成本。特别是大语言模型生成每个token，都需要重新调用一次上下文，所以输出价格普遍比输入价格贵很多，这进一步推高了决策成本。 第三是，决策结果不可靠。从大语言模型输出的文本转换到决策所需要的判定结果过程中，可能发生结构违规，也就是格式跑偏。根据公开实测，在无约束的情况下，大参数模型发生违规的概率约6%、小参数模型18%。 在Agent执行长程任务过程中，这种微小的判断，可能要发生成百上千次。上述三个问题，经过成百上千次放大，会在速度、成本、结果三个层面都发生重大偏差。 因此，专门有一类模型为解决这些问题而生。以Jev为例，输入侧模型接收一段上下文

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