工业企业一个简单数字化需求，往往要经历业务部门提需求、IT部门梳理、外部团队开发和多轮现场修改。当几个月后系统终于交付时，业务需求可能已经发生变化。更小、更碎的场景，则常常因为开发成本过高，根本没有机会被数字化。 AI正在改变这种工业软件交付方式。按照寄云科技当前的实践，基于一份相对完整的PRD和设计文档，AI可以在约30分钟内生成应用原型，并在一周左右在现场部署完成。但这只是表层变化，真正的难题，是怎样让AI理解异构数据、非标系统、企业SOP、工艺知识和业务规则。 寄云科技创始人兼CEO时培昕将工业智能体平台的核心归纳为“本体+技能”：本体负责组织来自不同系统的数据，技能承载解决问题的方法和业务逻辑。平台不用先治理企业全部数据，而是从具体问题出发，先生成技能，再由技能规划本体和所需数据。 时培昕此前参与过数百个工业数据分析和应用开发项目，长期的定制化交付经历，让时培昕重新思考工业软件的开发与实施模式：AI降低代码门槛以后，需求理解、私域知识和业务型FDE反而成为更稀缺的能力。 围绕工业智能体架构、应用开发、长尾数字化和FDE交付，爱分析与时培昕展开了交流，以下为访谈实录。 核心观点 本体负责组织数据，技能决定AI如何解决问题。企业SOP、工艺模型和业务规则，必须转化为AI可执行的技能。 工业本体应从具体问题出发生成。先定义问题和技能，再由AI规划本体并寻找所需数据。 工业私域知识，给专业厂商留下至少五年窗口。场景高度碎片化，基础模型厂商难以仅靠模型和通用FDE模式覆盖工业市场。 长尾数字化是工业智能体最先释放的价值。工艺数据分析、质量追溯和实时监控等碎片化需求，正在获得低成本落地机会。 FDE决定工业智能体能否规模化落地。代码能力退居次位，业务理解、技能沉淀和生态交付成为核心。 01本体组织数据，技能承载业务逻辑 爱分析：寄云最近推出了工业智能体平台，进展和反馈怎么样？

2015年，优锘科技CEO陈傲寒在硅谷参加Strata大数据会议，在与Palantir的产品和项目人员的交流中发现对方也是在做“数字孪生”，但与优锘不同：优锘更强调建立数字对象，并通过可视化工具交给客户使用；Palantir则从建模到分析一路深入客户现场，做法很重，也带有强烈的项目制色彩。 “我当时是不看好Palantir的。”陈傲寒回忆。在他看来，这不像硅谷公司擅长的平台和产品生意，太重，太依赖人，复制和扩张都很困难。 十年后，Palantir成为全球资本市场最受关注的企业AI公司，而陈傲寒也推翻了自己当年的判断。让他改变看法的不是Palantir变了，而是AI出现了。 在他看来，AI同时改变了这条重路线的两端：建设侧，AI大幅降低了业务建模、治理和持续维护的成本；使用侧，AI突破了专业分析人员稀缺造成的"认知带宽瓶颈"。过去只有反恐、军事和顶级机构决策才养得起的重投入，第一次有了走向普通企业日常经营分析的经济性。 一条被判过死刑的路线，被AI整体激活了。 与此同时，企业AI要从文档问答走进经营分析，就必须理解企业中有哪些业务对象、对象之间是什么关系、数据和操作分布在哪里。本体，由此从知识图谱领域的一个专业概念，变成了AI理解企业、获取数据和调用能力的一张地图。 访谈中，陈傲寒通过实际案例说明，企业AI落地的最大瓶颈，不是模型不够聪明，而是AI不认识你的企业。通用大模型拥有近乎全部的公共知识，却不知道一家企业里有哪些业务对象、对象之间什么关系、数据和操作分布在哪里。文档问答之所以走不进经营分析，AI幻觉之所以难以根除，根源都在这里。 本体，就是补上这个缺口的东西，一张AI可理解、可计算、可操作的企业地图。人与人对不齐认知时，打开地图就能对齐；人与AI之间同样如此。当企业的对象、关系、数据与行为被语义化地组织起来，AI才真正从"会聊天"走向"懂业务"。 这也解释了优锘自身的

一家国际大型保险公司要上一套智能体系统，预算千万级别。招标名单上，腾讯、阿里、百度、火山等大厂都来了，十家公司同台竞技。最后POC拿第一名的，是一家叫容智信息的AI公司。 容智信息创始人兼CEO柴亚团，没有把这场胜利归结为运气。在他这里，智能体的胜负手从来不在模型能力，而在产品和交付能力。行业里有公开数据，95%的智能体项目都失败了，但容智过去2年没有失败的项目。 柴亚团认为，市面上很多人做的是模型套壳，做简单推理没问题，但在企业内执行任务不行。而容智的强项，是他手里那几个别人拿不出的产品：自研的本体底座、能自动锻造工具的Auto Forge，以及企业客户要的百分之百准确率。 这个强项能力不是一天长出来的。柴亚团记得很清楚，容智从2023年开始押注AI，2024年摸索前行，2025年初见成效，那一年交付了20个政企项目。到今年，容智产品线从去年的两个智能体，扩到了九个产品组成的产品矩阵，并且打造出了Agentic OS基座。 而柴亚团真正的判断，比这些数字更锋利。过去一年，企业AI的关键词换得很快，从无代码开发到客户端Work，市场对智能体该长什么样始终没有定论。他认为，这些都不是终局。企业AI的终局，是Agentic OS，一个能替代传统业务系统、把隐性知识沉淀下来、自主规划的操作系统。传统业务系统是记录型的，留不住人的经验；Agentic OS要做的，是让系统自主运行，系统具有判断力，能够将隐性知识沉淀下来的系统，而不是一个AI外挂。 柴亚团说，去年容智还在造零件，今年是把整辆车造出来。 核心观点 WorkBuddy不是企业AI终局。WorkBuddy类客户端代表了一种趋势，但在To B场景里，安全、集中管控、算力配额、后台长流程任务等都无法只靠客户端解决。 传统业务系统要从Record System走向Agentic OS。过去的软件系统记录流程和显性知识，Agent

AI对企业最深刻的影响，最终会发生在决策与执行层。 今天的Agent已经能够写代码、处理文件、调用工具，但这些能力通常仍依附于单一员工的身份、权限和工作空间，在人的指令下完成任务。对企业而言，这类应用主要解决的是员工个人提效和局部流程自动化问题，还没有进入组织运行。 在爱化身科技CTO郭林看来，企业级AI的建设逻辑需要发生根本性转变。企业真正需要解决的，不是部署更多模型和Agent，而是如何让AI理解企业真实的业务世界，如何基于持续产生的经营数据进行建模和推演，以及如何让大规模Agent在明确的身份、权限和治理边界下协同工作。 这背后对应着一套新的企业智能基础设施：通过本体定义企业中的业务对象、关系、规则和语义，让系统建立对企业的理解；通过世界行为模型理解业务状态如何变化、事件为何发生以及未来如何演进；再通过Agent集群，将推演和决策进一步转化为任务和行动，进入真实业务流程。 这也意味着，企业级AI的竞争不会发生在模型能力或Agent产品之间。企业数据如何被理解，不同模型如何被调度、Agent如何协作，以及技术服务商如何深入复杂业务现场、完成交付，都将影响AI最终能够进入多深的业务环节，以及能否持续转化为经营结果。 围绕企业级AI所处的阶段、本体与知识图谱的边界、世界行为模型、Agent集群、FDE交付模式及未来竞争格局，爱分析与郭林进行了一次深入对话。 核心观点 企业级AI正在从个人提效走向组织级生产力。当前主流Agent仍依附员工的身份、权限和指令，尚属于个人助手为主。真正的企业级AI需要理解企业，参与推演与决策、协同Agent协作和并持续进化。 打通数据、推演和执行闭环，企业AI才能实现业务价值。本体定义企业中的业务对象、关系、规则和语义；世界行为模型基于企业运行数据理解状态变化，完成成因分析和趋势预测；Agent则将决策进一步转化为任务和行动建议。人据此形成决策，

过去，人们谈AI基础设施，更多关注谁拥有最多GPU、谁建设最大的算力集群。但随着AI进入规模化应用阶段，算力的价值正在从资源供给走向产业运营。 北电数智认为，未来AI基础设施竞争的核心，不只是建设算力资源，而是让算力真正进入产业。基于这一判断，北电数智将城市型算力中心定位为连接算力、模型和产业需求的重要节点，通过深入地方产业、挖掘本地企业需求，推动AI能力规模化落地。 与此同时，随着AI基础设施向机柜级、系统级演进，服务器产业也正在迎来新的变化。北电数智判断，未来服务器竞争将不再只是传统组装能力的竞争，而是围绕芯片适配、生态整合和AI基础设施运营能力展开。 城市型算力中心如何寻找产业价值？服务器产业为何迎来重构机会？北电数智副总裁赵鸿宇在本次爱分析访谈中，分享了他对AI基础设施未来发展的判断。 核心观点： 算力需求增长远超预期。通过城市的算力规划可以看到，多个城市的算力需求呈现爆发式增长的态势，供需缺口非常明显。 城市型算力中心是新物种。与基地型算力中心不同，城市型算力中心的核心是让本地产业用起来，而非单纯对外售卖算力，这是本质区别。 AI时代服务器竞争格局会被重塑。传统服务器厂商的优势建立在过去CPU时代的供应链和组装模式上，但随着AI基础设施走向机柜级交付、芯片多元化、模型适配复杂化，服务器产业会出现新的机会。 AI国际化时机已到。除芯片外，中国在算力中心全产业链具备竞争优势，全球对中国AI解决方案的需求旺盛。 01 算力需求的真实增长远超预期 爱分析：当前算力市场的需求增长情况如何？ 赵鸿宇：算力需求的增长速度远超外界预期，多个城市的算力规划都呈现出爆发式增长的态势。例如长三角某市2027年智算总规模目标突破5万P，打造东南沿海重要算力枢纽。再如，国内一些经济强市，GDP超过5000亿，坐拥50+上市公司，但全市可用智算仅200P.总体而言，供需缺口非常明显

企业AI竞争的重心，正从提供模型转向承接生产级应用。围绕这一变化，云厂商正在争夺企业AI应用的建设和运行入口。 Foundry正是微软对这一变化的回应。它从围绕模型选择、微调、评估、部署和调用的MaaS平台，逐步扩展为覆盖AI应用及Agent开发、运行和治理的平台。微软争夺的已经不只是模型调用量，而是企业AI应用的核心入口。 一旦这一入口形成，Foundry就可能持续带动Azure基础设施、模型、数据、安全和Microsoft 365等产品的采用。它能否把平台地位转化为持续的收入和利润增长，将决定Foundry能否成为微软在AI时代的重要增长引擎。 一、Foundry正在从模型入口走向应用入口 Foundry走向AI平台，不是因为MaaS不再重要，而是企业AI的瓶颈已经从获得模型转向让应用稳定进入生产。MaaS让企业可以选择、微调、评估、部署和调用模型；生产应用还要连接数据与系统，处理权限、流程和审计，让企业能够对AI的执行过程和结果负责。 这背后，有三股力量推动了这一变化：模型从问答走向Agent和长程任务，系统责任随之扩大；模型选择越来越多，企业不愿把数据和流程绑定在单一模型上；AI投入从试验转向生产，评价标准也从模型分数和Token数量转向任务质量、业务效果和单位成功任务成本。 Foundry的演进与此同步。2023年的Azure AI Studio已经提供模型选择、训练数据接入、微调、评估和部署；2024年Azure AI Foundry强化统一开发平台和Agent Service；2025年更名为Microsoft Foundry，并加入Foundry IQ和Control Plane；2026年继续完善Hosted Agents、工具连接、状态管理、追踪和评估。 图1：微软Foundry产品与定位演进 后一阶段并没有取代MaaS，而是在其上增加了AI应用及Age

爱分析于2026年9月9日正式发布2026爱分析·中国AI厂商Token收入榜单。 前沿模型的能力比拼没有减缓，通往AGI的赛跑仍在加速。与此同时，商业竞争的重要性也越来越凸显，正成为与模型能力并列的核心指标。Anthropic每月披露的Token ARR增速，已经成为整个行业的晴雨表。 Token收入成为了这场商业竞争的标尺。鉴于此，爱分析将中国最重要的9家AI厂商，统一按2026年8月的Token收入年化数据，排出座次，并以此展现中国AI市场格局和趋势。 这份榜单试图回答三个问题：中国Token经济发展态势如何，各家厂商的谁强谁弱、排名如何，每一家入榜厂商的优势与短板是什么。 本榜单报告正文分为四部分。第一部分是厂商排名，第二部分是逐家拆解上榜厂商，第三部分是Token行业趋势洞察，最后一部分是榜单的制作方法和数据说明。 1、榜单排名 从统计数据和排名结果来看，本榜单鲜明折射了当前中国Token市场发展格局，以及AI厂商的梯队结构。 榜单第一名的字节和最后一名百度，两者收入相差超过十倍，说明中国Token市场正在呈现高度集中的趋势。同时，上榜9家厂商分别归属于三个档位，百亿、50亿、30亿，而且各个梯队之间存在清晰的断层。 图1：中国AI厂商Token收入榜单 第一梯队，百亿俱乐部，字节、阿里、智谱三家入围。即使这一梯队也明显拉开档次：字节以约300亿元年化ARR位居第一，约为第二名阿里160亿元的两倍，是智谱的三倍。字节依靠视频场景的定价权占据领先位置；阿里是唯一把芯片、云、模型、应用四层打通后兑现Token收入的一家；智谱押注Coding赛道，并在IPO之后完成商业化逆袭。 第二梯队，50亿元量级，DeepSeek、Kimi、MiniMax、可灵四家上榜。这一梯队，均依靠扎实的模型能力实现增长，但增长结构不同：DeepSeek依靠API价格上涨，Kimi依靠K3单款

Palantir在中国企业市场持续升温，本体也成为企业AI落地的热词。作为当年阿里云DataWorks和PAI研发负责人，不少人来找陈廷梁讨论本体，但他的第一反应是泼冷水：太阳底下无新鲜事。 在陈廷梁看来，Palantir以及本体当然值得尊敬，但这并不是凭空出现的新东西，更像是传统数仓建模、关系网络、知识工程等旧脉络，在长期行业实践中的一次系统化和哲学化。 真正的问题，不在于中国厂商能不能学习这套技术，而在于为什么同样的技术逻辑，在美国可以长成Palantir，在中国却很难长出来。陈廷梁的判断很直接：中国做Palantir，最难的不是本体，而是2B软件市场本身。 陈廷梁现任数新智能创始人兼CEO，长期从事企业级数据与AI平台建设，当前正在推动Data与AI融合，把数据平台做成操作系统和行业机床。 本次爱分析与陈廷梁的访谈，围绕以下六个问题展开：本体与数仓建模、知识工程的关系，Palantir为何诞生于美国，中国厂商如何平衡平台与服务，低客单价对FDE能力的限制，AI给数据基础设施带来的新出口，以及基础平台与行业本体的分工。 核心观点 本体不是新发明，而是数仓建模的现代化。Palantir的Object Type、Link Type延续了传统数仓建模逻辑，并在长期行业实践中完成系统化和哲学化。 中国做不出Palantir，卡点不是技术，而是商业土壤。美国2B市场盈利水平高、认可软件和服务价值，中国软件2B市场客单价低、账期长、客户强势，技术和交付容易被销售导向逆淘汰。 中国版Palantir的机会，在于平台与服务螺旋上升。项目沉淀产品，产品支持项目，两者交替演进，持续提高交付效率。 能活下来的软件厂商，要学习制造业的精益生产。独立厂商要把人均产值做到接近100万，同时把人均成本压到50万以内，用更低成本对抗大厂的高薪团队。 AI不是数据行业的冲击，而是新的价值出口。AI完成了

Palantir高度重视Ontology，却没有一条独立的本体平台产品线。在Palantir的标准架构中，AIP、Foundry和Apollo三条产品线共同构成企业操作系统，Ontology并非独立产品。 中国市场呈现出另一番景象。过去一年，越来越多厂商开始建设独立本体平台，围绕平台划分产品模块、参与评测、进入产品分类和项目方案，再以平台为载体承接实施。 同一种核心能力，为什么在Palantir那里藏在系统里，到了中国却要被摆到产品、合同和目录中？ 一种常见解释是技术路线不同：Palantir采用全栈一体化架构，中国企业已经拥有大量数据平台和业务系统，只能增加一个独立本体层。这种解释有一定道理，却没有触及决定产品形态的更直接因素。 真正的差异在于，双方以什么作为一笔交易的基本单位。 Palantir的交易对象是覆盖数据、决策和行动的完整解决方案，而国内政企和大型企业软件项目则更多按照“软件产品＋实施服务”成交。前者可以把本体作为系统内核整体售卖，后者需要一个能够报价和验收的软件产品。 爱分析认为，本体是否需要成为独立平台，首先取决于企业购买什么、厂商以什么完成交易。 图1：两种交易结构塑造两种本体产品形态 一、Palantir不需要单独卖本体平台，因为完整系统已经是产品 Palantir没有将本体平台独立，并不是不重视本体，恰恰相反，Palantir将Ontology称为其架构的核心。 Palantir的本体既描述企业中的对象、关系和规则，也承载实时状态、权限、行动和反馈，使数据能够进入具体工作流。 但在Palantir的产品架构中，Ontology并没有被列为与AIP、Foundry、Apollo并列的独立平台。Foundry承担数据运营、逻辑开发、本体建设、分析和工作流开发，AIP进一步把模型、Agent和自动化连接到企业运行流程，Apollo负责底层软件交付，而Ont

中科闻歌交付周期持续缩短，毛利率却改善有限，揭示了企业级AI厂商规模化盈利的真正难题。 企业AI厂商一直在寻找一条摆脱低毛利项目制的路径。 最常见的答案是平台化：把数据治理、行业知识、业务流程、模型和智能体能力沉淀到统一平台，将一次项目中形成的模块复用到后续客户。随着复用率提高，交付周期和单位成本就会下降，当收入增长不再依赖同比例增加交付人员，企业AI也就有机会形成类似C端应用的规模效应。 中科闻歌正是这条路径的典型样本。 作为中科闻歌CEO，罗引曾将2B AI厂商的规模化归结为三个问题：产品能否复制、交付周期能否持续缩短、客户是否愿意长期增购。其基本逻辑是，平台持续沉淀行业知识、业务流程和智能体能力，后续项目交付效率就会提高，边际成本也会逐步下降。 从经营指标看，中科闻歌已经证明了平台化可以让项目交得更快。根据中科闻歌财报，其本地化部署项目的平均交付周期由2023年的185天，缩短至2024年的105.9天、2025年的80.2天，2026年上半年进一步降至72天，三年间缩短约61%。 但是，项目交得越来越快，毛利率和盈利能力却没有得到同等幅度的改善。 图1：中科闻歌本地化部署项目平均交付周期与综合毛利率变化 2026年上半年，中科闻歌销售成本中的人工成本同比下降28.5%，采购成本却增长260.7%；综合毛利率仅由54.6%提高至55.0%，增幅只有0.4个百分点。报告期内，经调整净亏损仍为5290万元，若剔除投资收益和公允价值收益，实际亏损约9767万元，亏损同比反而扩大。 这组数据提出了一个比交付效率更关键的问题：对于AI厂商来讲，改善经济模型的命门，究竟是把同一个项目交付得更便宜，还是让一次交付变得更值钱？ 一、平台化提高了效率，但成本没有下降 首先需要明确，平台化并非没有带来经济收益。 2023年至2024年，中科闻歌综合毛利率由44.0%提高至50.4%，增加

产业AI的竞争，正在从能力展示进入价值交付阶段。 2026年，人工智能产业的关注重点继续向应用价值迁移。模型推理、长上下文、多模态和代码能力快速进步，智能体开始进入真实工作流，企业对大模型的期待也从生成内容延伸至执行任务、交付结果。 在这一阶段，模型能力仍是基础，但进入业务流程、理解行业know-how和持续创造业务价值的能力，正在成为更具决定性的竞争变量。 云知声正是产业AI加速走向业务深处的代表厂商。2026年上半年，云知声实现收入5.62亿元，同比增长38.7%；毛利1.86亿元，同比增长42.0%；客户复购收入占比超过60%。 整体来看，云知声三大业务中，企业智能化服务作为基本盘持续增长，Token业务快速放量，端侧AI进一步拓展收入边界。 01 营收增长38.7%背后，业务结构正在发生变化 云知声已经形成由企业智能化服务、模型调用和端侧AI共同构成的收入结构，覆盖云端与终端、项目与调用等不同商业形态。 从业务构成看，企业智能化服务仍是云知声的基本盘。2026年上半年，该业务实现收入4.78亿元，同比增长35.7%，占总收入的85.1%，这部分业务覆盖医疗、保险、交通、高端制造等十余个领域。 增长最快的板块来自大模型调用Token业务。报告期内，该业务实现收入2,976.6万元，占总收入的5.3%。其中，第二季度收入超过2,500万元，环比增长超过500%；根据管理层披露，其毛利率超过60%，显著高于公司整体水平。由此，Token调用成为连接模型能力与标准化收入的重要出口。 海外市场正在成为端侧AI业务的新增长点。 端侧AI业务同期实现收入5,379.8万元，占总收入的9.6%；海外芯片出货量同比增长50%，显示国际市场需求加速释放，为端侧AI业务打开新的增长空间。 客户复购收入占比超过60%，客户黏性与持续经营能力得到验证。 在首个场景完成落地

1. 企业智能体平台竞争力榜单 企业智能体平台，正在成为AI市场最拥挤的赛道之一。不同背景的厂商蜂拥而入，产品密集发布，同质化问题日益突出。只看功能清单，各家平台几乎无明显差异。 因此，爱分析对市场主流产品开展系统研究，从产品能力和市场影响力两个维度绘制企业智能体平台竞争力榜单，穿透产品同质化表象，回答企业最关心的问题：哪些平台具备把智能体带进生产环境的能力？  图1：2026中国企业级智能体平台竞争力榜单 1.1 领导者 领导者在产品能力和市场影响力两个维度均表现突出。该象限汇集了字节跳动、腾讯、阿里等大型科技厂商，也包括神州数码（神州问学）、百融智能、迈富时、蓝凌智能等企业服务厂商。 大型科技厂商的优势主要来自完整的产品体系，其布局通常覆盖模型、智能体开发及AI办公入口，并拥有强大的客户触达和持续投入能力。企业服务厂商则依靠既有客户基础、行业知识及项目交付经验，将智能体平台带入具体业务场景。两类厂商路径不同，均已形成较为完整的产品与市场闭环。 1.2 实践者 实践者的市场影响力较大，产品能力仍有进一步提升空间。三大运营商中移九天、联通元景万悟、电信星辰等位于这一象限。 这类厂商普遍拥有较强的客户覆盖、项目交付或渠道能力，在政企客户和重点行业中积累了较多实践。其进一步发展需要将项目经验转化为标准化平台能力，并持续完善智能体规划、生态资产和经验沉淀等能力。较好的市场基础也为产品迭代提供了更多真实业务场景。 1.3 创新者 创新者的产品能力出色，市场影响力仍处于积累阶段。Dify、滴普等厂商位于这一象限。 这类平台通常在开发框架、数据能力、协作形态等方向上形成较鲜明的产品特点。部分开源平台拥有较强的开发者影响力，部分专业厂商则围绕数据分析、知识工程或行业场景建立产品优势。扩大标杆客户覆盖、验证跨行业复制能力，是其将产品创新转化为商业规模的重要路径。 1.4 探索者

1、市场定义 在今天的AI行业里，记忆是被滥用最严重的一个词。有人认为记忆就是知识库，有人认为记忆是模型的超长上下文窗口，有人认为记忆是历史对话的临时缓存。同一个词指向完全不同的技术实现，投资人难以判断边界，企业甲方难以评估价值。 爱分析认为，市场混乱的根源，是记忆一直没有被认真定义。本章先纠正三个记忆的普遍误区，再给出记忆的明确定义，最后建立一套可用的分类框架。 1.1 记忆的定义 记忆的本质，是智能体在成长过程中持续积累的经验资产。爱分析定义为，记忆是智能体在长期交互中形成、存储并动态更新的经验资产，支撑智能体跨会话、跨模型复用过往信息，并做出更有效的决策与行动。 要理解这个定义，有三件事要说清楚。 第一，知识与记忆的边界。知识是静态的事实，可以长期稳定的调用；记忆是只属于这个智能体或组织的经验，越用越多、越用越准。记忆记录的，是这个智能体、这个组织在具体情境里经历过什么、学到了什么。误把知识系统当记忆系统，正是误区一的来源。 第二，记忆的内涵远不止于模型记忆。模型记忆是单次推理的上下文，让模型在当下这一轮里想得更全，记忆是跨会话的经验积累，让智能体在更长的时间尺度上变得更强。模型记忆服务于思考，记忆服务于成长，前者只是后者在推理瞬间的一小片工作区。 第三，记忆的构成是复合的。它既包含个体经验，也包含组织经验；既包含事实性信息，也包含行为模式、决策逻辑与长期反思。记忆不是简单的数据留存，它同时记录了发生过的事实，以及智能体由此形成的判断习惯、行动方式和复盘结论。 1.2 记忆的四项核心能力 判断一套记忆系统是否成立，要看它能否同时做到理解、进化、可用、可信。 多模态能力，解决的是理解。记忆应能统一理解文本、图片、音频、视频以及业务系统数据。智能体面对的不是单一格式的输入，一份工业图纸、一段设备时序日志、一条语音指令，都可能成为需要沉淀的经验。记忆系统如果不能把这些异构信

2026年以来，中国模型API调用量正以前所未有的速度攀升。截至今年6月，豆包大模型日均Token调用量突破180万亿，过去一年增长超过了10倍。 量在涨，价也在涨。据摩根士丹利统计，第二季度中国模型输出的API均价已经上涨至每百万Token 21.9元，同比涨幅超过60%。 量价齐升，按常理所有Token厂商都应该能赚钱，但事实并非如此。 当前Token市场一共有三类玩家，但各自的毛利率走向截然不同。据爱分析统计，只有云大厂处于高毛利区间，模型厂商和独立厂商都在亏损或者盈亏平衡边缘挣扎。 图1：三类Token厂商的毛利率分布 爱分析认为，Token厂商能不能挣钱，不是由技术决定的，而是由五个变量决定的。在由这五个变量构建的利润公式中，谁能建立结构性优势，谁就能挣到钱。 图2：Token利润公式 简单解释下以上公式。Token的利润，首先取决于Token加权单价，也就是输入、输出和缓存价格加权在一起的Token单价；二是GPU利用率，指GPU卡有多少时间处于空闲状态；三是Token吞吐量，指每月能跑多少个Token。 这三个变量相乘，是Token收入。然后减掉两项成本，一项是GPU服务器的月租，另一项是模型的授权费用，开源模型已经开始针对大型Token服务商收费。 用这个利润公式，可以清晰看懂三类玩家的命运。 云大厂在这五项变量上，几乎全占优势：自研模型自主定价且无需支付授权费，通过长期协议锁定低成本的GPU月租价格，专职推理优化团队改善Token吞吐量。云大厂最大的优势就是GPU利用率，通过对内、对外同时提供Token服务，GPU利用率常年维持高位。 相比之下，模型厂商的优势仅在定价权和模型抽成上，另外两项变量GPU利用率和服务器月租，均不占据优势，导致的结果是，毛利率区间相比云大厂大幅下滑。 比较惨的是独立厂商，这五项变量中，没有一项具备独立定价权，全部暴露于

8月17日，香港交易所（00388.HK）宣布，董事会已批准与集团行政总裁陈翊庭续约三年，新任期自2027年3月1日起至2030年2月28日。根据香港《证券及期货条例》，该续任已获证券及期货事务监察委员会批准。 $香港交易所(00388)$ 综合 | 公司公告 每经头条  编辑 | Arti 本文仅为信息交流之用，不构成任何交易建议 现年56岁的陈翊庭（前称陈婉文）是港交所自2000年合并上市以来的首位女性行政总裁。 她的履历横跨法律、投行与监管三大领域：拥有香港大学法学学士及美国哈佛大学法学硕士学位，兼具中国香港和美国纽约州的律师资格；曾于2003年至2007年任职摩根士丹利（香港）法律及合规监察部执行董事，2007年至2010年担任港交所上市科首次公开招股交易部主管，后于2010年至2019年在达维律师事务所担任合伙人。 2020年1月，陈翊庭加入港交所；2024年3月1日起出任集团行政总裁兼执行董事。根据续聘合约，其基本年薪为1200万港元，另可收取酌情表现花红及股份奖授。2025年度，其计入综合收益表的酬金总额为3778.4万港元，包括薪金1030万港元、绩效现金奖励1169.4万港元、其他福利33.6万港元、退休福利支出103万港元等。截至公告日，陈翊庭持有港交所股份68,479股，并根据雇员股份奖励计划持有尚未授予的奖励股份合共164,546股权益。 港交所主席唐家成对续任表示：“在陈翊庭的领导下，香港交易所与时俱进、精益求精，持续拓展业务布局、优化上市制度，提升基础设施及市场微结构，增强我们市场的竞争力”。 在陈翊庭的首个任期内，港交所交出了一份扎实的成绩单： 业绩持续创新高。2025年全年，港交所实现营收291.61亿港元，同比增长30%；股东应占溢利177.54亿港

导语：AI已经很热，为什么企业还没有真正用起来？ 企业对AI的关注，已经从“要不要做”进入“怎么落地”。高层希望AI进入经营和生产，一线员工已经在大量使用模型、Agent和各种AI应用。可是，真正进入企业生产流程、持续产生业务结果的项目，仍然不多。 一位业内知名厂商CEO，把这种状态概括为“两头热，中间难”：高层很兴奋，员工也愿意使用，中间负责把AI接入数据、流程、管理和生产体系的部分，却困难重重。据其1000多家企业样本观察，只有5%的Agent进入工作流，约95%仍停留在Demo、试点或POC阶段。 这个比例虽然不是全行业统计，却足以说明企业AI当前的真实分水岭：大家已经能做出AI应用，但还没有普遍把AI变成组织流程或者生产系统的一部分。 因此可以看出，问题不是企业有没有买模型、知识库或Agent工具，而是这些能力能不能被纳入企业的业务和运营体系。 这也是今天企业AI市场最容易被忽略的矛盾：厂商在按组件销售，企业真正需要的，却是一套可以长期运行的系统。 一、Demo证明能做出来，生产要求能长期负责 AI Coding和Agent把原型开发的门槛大幅降低了。过去需要产品经理、设计师和开发团队协作数周才能完成的应用，现在一个业务人员经过几轮对话，就可能做出一个看起来完整的Demo。 这件事本身是进步，它让业务人员更接近软件生产，也让企业可以用更低成本验证一个想法。但Demo能够运行，只能证明“功能可以被做出来”，不能证明“企业可以对它长期负责”。 从Demo到生产，至少要多回答几类问题： 1. 数据是否持续、准确，并且能够稳定调用？ 2. 不同部门对同一个业务对象的定义是否一致？ 3. Agent是否拿到了完成任务所需的上下文？ 4. 它可以访问哪些数据、调用哪些工具，权限依据是什么？ 5. 它生成的建议是否需要审批？错误动作能否回滚？出现问题能否审计和追责？ 6. 项目交

今年5月20日，迈富时完成了一笔不太起眼的新股认购，募资净额约5亿港元，认购价40.54港元。 这是个微妙的价格——几乎回到了两年前IPO发行价43.60港元的位置。股价兜了一圈回到原点，公告里则写下了一句不寻常的用途说明：这笔钱100%投向智算基础设施，采购GPU服务器、组网、AIDC租赁及模型软件，并且在2026年底前全部用完。 一家毛利率曾高达86%的营销SaaS公司，为什么开始买GPU？而且是在自由现金流净流出6.88亿元、年末借款18.43亿元的年份（即2025年度）之后？ 黄仁勋在GTC 2026上说，AI数据中心是“Token工厂”。大多数公司把这句话当修辞，迈富时却写进了战略——全栈Token工厂，并为此掏出真金白银。这可能是中国市场应用层厂商里，第一个认真给Token工厂开成本单、下重注的公司。 问题是，这张成本单，算得过来吗？ 要回答这个问题，得拆开三件事：实际投了多少、投在了哪里；产出和回报在哪里；风险有哪些，综合投入产出比是否成立。 先把“17亿”拆穿 公告发布之后，市场流传的说法是，迈富时2025–2026累计配股融资超17亿港元重投智算。不过，这个数字需要拆开看。 17亿，是两笔钱的粗加总。2025年2月配售净额12.02亿港元，加上2026年5月认购的5亿港元。但前者只有40%明确投向AI智能体的开发与商业化，其余是并购、全球扩张和营运资金——真正100%锁死智算基建的，只有5亿港元。 5亿港元是什么概念？有三个标尺可以参照。 按行业标尺，大约对应一个不到300张卡的推理小集群。目前行业普遍以B300为标杆，8卡的B300目前价格在1,200万上下，5亿港元的投入对应大约36台机器，即288卡的机器。如果采用国产的沐曦芯片，卡数可以更多。但这是业内属于轻量级投入，字节跳动2026年资本开支计划超过2000亿元，迈富时连巨头的零头都算不上。 按自

2026年，Token厂商密集冲刺资本市场。派欧云和硅基流动先后向港交所递交上市申请，无问芯穹累计融资超22亿元，趋境科技半年内融资超10亿元。这个赛道不缺玩家，也不缺资本。 但翻开派欧云招股书，这家日均处理超万亿Token、在中国独立AI云厂商中排名第一的公司，Token核心业务仍然在亏钱。爱分析研究了派欧云的完整招股书数据，试图回答一个问题：Token消耗量增长迅猛，为什么卖Token的公司越卖越亏？ 01 一年收入暴增十倍，为何依然亏损？ 派欧云自2024年开始，从CDN切入AI云服务，提供模型API、GPU云服务和Agent云服务。模型API是当前重心，即为开发者提供大语言和多模态模型Token服务，且多为开源模型。 先看派欧云AI云业务的核心数据。 图1：派欧云AI云业务核心数据 派欧云一年时间，AI云收入增长十倍，毛利率的亏损迅速收窄至-10.7%，且日均Token消耗量已经超过1万亿。整体增速极快，改善幅度也大。 这组数字让市场产生了两种截然相反的直觉。乐观者看斜率：从-95.1%到-10.7%，再给一年盈利只是时间问题。悲观者看绝对值：年增十倍还在赔钱，最后一口气未必跨得过去。 要判断谁更接近真相，需要先看清AI云内部三条产品线的构成。 图2：派欧云AI云产品线分析 基于爱分析估测，派欧云AI云收入主要来源于模型API，占比超过60%，也是导致AI云毛利率为负的主要原因。另外两块业务，GPU云服务按小时收算力租赁费，毛利率低但并非毛利率为负的拖累项；Agent云服务占比低，并非亏损主因。 派欧云每天1万亿的Token消耗量，说明需求真实，但Token价格不是派欧云定的，而且模型官方定价。爱分析对比了派欧云的定价页面和DeepSeek、GLM、Kimi等官方API文档，派欧云的定价和官方是一致的。 这并不是派欧云不想定高价,而是定价权在模型厂商手里。Token