01 公司介绍 拓尔思信息技术股份有限公司（简称“拓尔思”）成立于1993年，是中文全文检索技术的开创者，也是国内最早将人工智能、大数据与行业场景深度融合、规模化落地的上市企业。公司深耕行业三十余年来，始终坚持“数据+智能”底层技术自主可控的核心发展路线，现已成为政务、泛安全、媒体等领域国家级数智化基础设施的核心建设者，赋能千行百业实现数智化升级。 02 产品服务介绍： 拓尔思提供动态本体一体化平台，并将其与数据中台、智能底座和场景应用结合，形成从数据处理、本体构建到智能应用的整体产品体系。其中，数据中台提供数据接入与治理能力，动态本体一体化平台组织业务对象及运行逻辑，智能底座支撑模型调用和智能体运行，上层应用根据行业需求完成具体业务任务。 动态本体一体化平台采用建模图谱、实例图谱和运行图谱三类图谱。建模图谱定义业务对象、关系和规则，同时描述可执行的行动；实例图谱将真实数据映射到业务对象，承载对象状态及关联证据；运行图谱记录任务推进、分析路径和行动过程，并支持结合历史或实时数据开展场景推演。三类图谱共同连接业务定义、实际状态和运行过程。 平台的工程架构包括语义层、动态层、动力层和审计层。语义层统一业务概念及数据含义；动态层管理对象的状态变化和行为轨迹；动力层连接业务规则、算法函数和执行动作，支持分析推演与方案生成；审计层记录数据来源、分析依据和操作权限，并为后续复盘提供依据。 平台核心功能覆盖业务本体建模、多源数据映射和动态状态管理。企业可以围绕具体场景定义对象及其关系，将不同系统的数据组织为统一业务视图，并随着数据变化持续更新对象状态。在此基础上，平台通过规则和算法开展关联分析，识别异常情况，比较不同处置方案的影响，并根据行动风险配置自动执行或人工审批。 平台同时支持过程追溯和本体持续迭代。业务人员可以查看结论对应的原始材料，核查分析过程，并根据复核结果调整规则和模型。相

企业Agent即将进入应用爆发期。大量企业有机会利用AI低成本快速补上企业数字化功课，并逐步走向AI原生。 "Claude Code在单机和coding的Harness架构上，对用户体验的追求更加极致。"景栗科技CEO赖罡斌说。在他看来，Harness不会被模型吃掉，两者是相互增强的关系，Harness更像是AI时代的新操作系统。 他把未来Agent平台的竞争，理解为一系列技术路线的选择：如何押模型能力和Harness，做本地还是云端，做工作流还是通用Agent。对中小科技公司来说，路线押错三个月到半年，一家公司就可能出局。 在访谈中，赖罡斌反复强调：上下文是与模型交互的唯一窗口。自进化、记忆、技能、连接器，本质上都是上下文的子问题。 景栗科技在过去一年时间内，实现了从一个企业服务软件和运营服务商，向企业智能体平台的进化。它选的路线是企业自建智能体平台：把企业上下文、知识库和应用插件深度整合进平台，完全云端部署，因此更容易连接到企业已有的业务容器。 很多企业会选大厂平台，也有很多企业会选择自建。如何比开源框架更开箱即用，比大厂平台更贴近业务场景，成为景栗智能体平台独特的发展路线。 此前十年，景栗是全国领先的私域营销软件和科技运营提供商，服务了大批零售、消费、医疗等头部企业；新的企业智能体底座跑起来之后，一方面把传统私域业务向上迁移，同时在企业自建智能体平台、知识库、数字员工解决方案上实现了突破和增长。 核心观点 这轮企业AI的主战场，是补数字化的课。中国企业的数字化建设落后于美国，正在用AI以极低的成本补齐基建。当前，国内真正有数据治理和知识库的企业凤毛麟角。 技术路线的前瞻性决定生死。这个行业拼的不是团队大小，是核心团队对于未来技术的路线判断。 上下文工程是Harness核心锚点。与模型交互的唯一产出物，就是上下文，自进化、记忆、技能、连接器等，本质上都是上下文的子问题。

Anthropic最该担心的竞争对手，不是OpenAI，而是Meta。 这不是因为Meta研发出了Coding能力更强的模型，也不是因为Anthropic的模型不再领先，而是Meta可能押中了下一轮AGI竞争的关键方向：Personal Agent。 过去一年，Anthropic凭借Coding能力建立了自己的竞争优势。当越来越多的人相信AI写代码、做任务才能通往AGI时，Meta却选择了一条不同的路。 去年夏天，扎克伯格重整AI团队后，在公开信中明确了Meta新的方向，个人超级智能（Personal Superintelligence），之后Meta研发Muse、收购Manus，都是这一战略的落地成果。 战略方向不同，会导致对下一代模型应该具备什么能力的判断完全不同。基于能力目标的设定，用什么标准评测模型、如何打磨模型、如何甄选训练数据，都将随之改变。 Meta首席AI官Alexandr Wang在接受David Senra访谈时，回顾了团队开发Muse Personal Agent的过程。他提到，团队从原型走向产品发布，经历了七个月的研发和打磨，并围绕100多项具体行为和能力建立评测体系，持续改进模型。这个过程不仅涉及基础模型的预训练，同时覆盖到后训练阶段，是全新的端到端训练重塑，从而让模型更好地服务于Personal Agent这一目标。 如果Meta赌对了，那么它挑战的将是Anthropic赖以建立领先优势的Coding技术路线。当行业发现AGI下一轮的方向变了，领先者Anthropic无法及时转身，AGI的旗手位置将易位。 01 Anthropic All-in Coding，Meta不跟 要理解Meta为什么能挑战Anthropic，得先弄清楚Anthropic是怎么赢的。 过去几年，AI行业一直在追求更强的模型能力。但模型刷榜取得更高的分数、输出更漂亮的答案，

宇树本周开了个大会，要加码物理AI，但市场机会越大反而越难守住一哥地位。MiniMax条件并不差，也不缺算力，却在基模竞争中掉队。豆包手机遭到166款App的拒绝接入，AI即使能操作手机，也得过APP厂商这一关。 以上这三件事连起来看，AI公司手里原有的优势，都未必能换来下一轮竞争的领先。 01 物理AI市场越大，宇树“一哥”地位越不稳 本周，宇树在物理AI大会上公布了自研模型与外部合作并行的计划，重点推进适配自身硬件的物理AI模型。基础模型厂商威胁已显现，机器人厂商必须补模型能力。 但是，物理AI市场空间越大，宇树当一哥的机会可能越小。 此前，宇树的优势主要在机器人本体和运动控制，也就是通常说的“小脑”，让机器人站得稳、跑得快，以较低成本生产出来。物理AI还需要“大脑”，理解环境、判断任务，再决定如何行动。做好小脑，并不意味着做大脑也有同样的优势。 如果物理AI最终成为一个超级大市场，基础模型厂商一定会重点投入。届时，宇树要面对的，将是拥有更强通用模型、更大算力投入和顶尖研究团队的竞争对手。未来机器人的能力差距主要由大脑决定，基础模型厂商就更有机会主导这个市场，宇树靠运动控制积累的领先地位会受到挑战。 如果物理AI最终更像智驾，主要围绕具体硬件和有限场景形成商业价值，宇树反而更有机会。模型必须适配机器人，客户也要考虑成本、可靠性和交付。基础模型厂商未必愿意为这些细分场景持续重投入，宇树则可以依靠已有硬件和量产经验，自研一部分模型，再引入外部能力，把整机产品做好。 对宇树来说，一个足够赚钱、又不足以吸引基础模型巨头全面投入的市场，可能比一个通向AGI的超级市场更有利。 02 MiniMax跌破发行价，为什么第一个掉队？ 本周五，MiniMax股价一度跌到155.2港元，跌破165港元的IPO发行价。MiniMax手里的条件并不差，算力储备领先多数同行，至少不用先为缺卡发愁。

摘要 本文追溯这套架构的思想来源，分析动态本体专利与数据集群专利的技术机制，解释不完整信息如何被转化为关系、风险变量和行动依据，再以AIP及经营数据说明，大模型为何能够放大Palantir原有能力，并进一步指出，Palantir的竞争力不在某一项算法或模型，而在于动态本体、数据融合、关系网络推演、细粒度权限、Action、Write-back和FDE现场校准的组合。 本文的核心判断是：Palantir在大模型时代的增长，不是因为接入大模型后突然获得了新的底层能力，而是因为大模型补齐了原有数据融合系统的认知交互层，使一套长期由专家和FDE操作的复杂系统获得了更低门槛、更高频率的使用方式。 一、引言：一个被误读的公司 Palantir长期被两种叙事所误读。一种是把它称为“神秘大数据公司”的媒体叙事，强调反恐、情报和监控；另一种是“昂贵咨询公司”的华尔街叙事，它派驻FDE，采用项目制交付，无法规模化。 两种叙事都没有触到要害。Palantir真正的故事是架构演进：它用十多年建立了一个能够容纳现实世界残缺数据的数据融合层（Data Fusion Layer）。2023年大模型爆发后，又提供了一个可以用自然语言驱动这套底层能力的认知交互层（Cognitive Interaction Layer）。 本文沿着“早期数据融合层/后期认知交互层”这条主线展开：首先追溯这套架构放弃“完美数据”的思想来源；随后分析动态本体（Dynamic Ontology）和数据集群（Data Clusters）如何接纳、组织并使用混乱信号；接着解释早期Palantir为什么缺少认知交互层，以及AIP和大模型如何补上这一缺口；最后回到商业增长和竞争壁垒，说明为什么真正难以复制的不是某个专利概念，而是本体、执行、安全、组织和FDE的长期结合。 图1：Palantir架构演进 二、思想谱系：放弃“完美数据”的理念

收购完成后，各家子公司仍使用自己的业务系统，分别管理库存、生产和财务。集团要协同经营，就得解决信息分散、流程不同、内部规则不一致的问题，况且各自的客户业务还在运行，整合也必须同步推进。 美国无人系统企业集团Ondas正在处理这个问题。Ondas通过一系列并购，逐步将无人机、地面机器人和平流层观测平台纳入集团，面向国防、安防及工业客户提供产品和服务。 Ondas与Palantir合作，保留各子公司的原有业务系统，借助Foundry和面向制造运营的Warp Speed，搭建跨子公司的共同运营平台，并利用AI智能体协助整合内部管理规则、库存、供应链和财务。 01 先明确多家公司要共同完成哪些工作 Ondas的并购，首先是为了补齐产品能力。2026年4月收购World View，带来了平流层气球长时间、大范围观测的能力；7月收购DZYNE，则补充了长航时无人飞行器等产品。两类平台承担不同高度、不同持续时间的任务，集团希望将它们与已有的无人机、地面机器人组合，为客户提供综合解决方案。 产品能否规模化交付，还取决于集团怎样组织经营。Ondas董事长兼CEO Eric Brock希望，多种产品能够共享销售与营销资源，供应链、生产和现场支持也能随业务扩大，尤其是专业技术公司加入集团后，可以利用这些资源，跨过产品已经可用、交付规模却难以扩大的阶段。 落实到日常工作，各家子公司使用不同的ERP，采购、库存、生产和财务分别管理，工程与制造流程、内部管理规则也各不相同。 Ondas国防业务部门总裁兼CEO Ryan Hartman，曾任World View CEO，也经历过企业连续被收购。他回忆，过去整合业务系统和流程花了多年，运营依然不够高效，当时还向员工发过写着“现金为王”的徽章，让他记住了整合过程中的资金压力。 2025年3月，Ondas宣布引入Palantir的企业数据与业务运营平台Fou

基础模型与具身智能的边界正在变得模糊。在梁文锋的研发路线图中，具身智能被放在最后，但DeepSeek的投资布局已先行一步。 DeepSeek此前投资了宇树科技，如今又拟领投前腾讯混元多模态理解负责人胡瀚创办的Winverse AI。一家擅长机器人硬件和运动控制，另一家探索具身智能。DeepSeek的研发重心仍在基础模型，投资却已经伸向了物理世界。 这两件事并不矛盾。在梁文锋设想的路线中，先让AI具备持续学习、自我迭代的能力，再借助更强的AI去研发机器人，是更好的顺序。AI越擅长编程、推理，并能在研发过程中承担更多工作，进入具身领域时，就越有可能少走弯路。反过来，如果这些能力还不够，就得在机器人研发中花更多力气，一道一道地攻克难题。 所以，具身研发可以晚一点做，布局却可以先行。DeepSeek继续集中力量推进基础模型，同时通过投资，提前接触机器人硬件、研究人才和开发测试资源。等到真正下场时，未必需要从头追赶。 对具身厂商来说，这才是值得警惕的地方。未来的对手，可能是一个已经在基础模型上积累了更强能力、又提前做好准备的跨界者。它今天还是投资者和潜在伙伴，明天就可能与你争夺机器人的核心智能。 01 主攻通用AI，不误布局具身 要把AI带进物理世界，光有模型还不够。模型能不能理解眼前的环境、给出合适的动作，最后都得放到机器人上试。宇树能提供的，正是开展这些工作的基础。 人们熟悉宇树的机器狗和人形机器人，但它的产品还包括机械臂、灵巧手，以及关节、电机等关键部件，也提供相应的软件和开发接口。 对模型团队来说，这意味着不必先从造一台机器人开始，就能着手测试自己的想法。 测试又会带来新的问题。机械臂伸过去，会不会碰到东西？抓取的位置对了，为什么还是没抓稳？这些问题，有些出在模型，有些出在控制和硬件，需要放在一起反复调试。 宇树多年积累的机器人研发经验，在这里就有了价值。投资宇树，为Deep

制造业AI仍处于早期阶段。 多数企业的应用还停留在问答、个人助手等浅层场景，少数头部制造企业已经开始把AI放进真实岗位中检验：能否承担明确职责、完成稳定交付，并改善订单处理效率、错单率、准时交付率等管理指标。 在这些先行企业中，评价AI的标准正从有没有用，转向能否形成可核算的岗位价值与经营结果。 围绕这一变化，灵核数智将岗位级数智员工定位为制造业AI的落地形态，并选择从离散制造切入。与通用智能体不同，岗位级数智员工需要理解岗位职责、权限、技能、输入输出和上下游协同关系，还要接入ERP、MES等现有系统，在真实业务流程中持续工作。 灵核数智最早从OTD（订单到交付）场景展开实践：录单、跟单和履约等岗位跨系统、跨部门协同密集，既容易暴露效率与准确性问题，也更接近企业的交付和经营结果。 本次访谈中，爱分析与灵核数智联合创始人兼首席商业官华璐坷，围绕灵核数智在制造业AI领域的产品定位和商业化路径进行了深入交流。 核心观点 制造业AI的下一步，从个人助手走向岗位级数智员工。企业衡量AI的标准，从有没有用，转向岗位效能、管理指标和经营结果是否改善。 GSA让制造业AI建设从经营目标出发。灵核数智提出面向AI原生组织的GSA（Goal-Signal-Action）管理方法论，通过目标牵引、信号感知和行动调整，明确人与AI数智员工的协同分工，让岗位级AI的价值最终体现在企业经营结果上。 离散制造业品类众多，但核心流程具有共性。真正需要被拆解和配置的，是岗位的职责、权限、技能、输入输出以及上下游协同关系。 订单到交付，是数智员工较容易证明价值的切口，离经营结果近、数据基础相对成熟、跨岗位协同密集；而排产是多种因素共同作用的结果，不宜脱离前序流程孤立解决。 建设企业数据语义体系，不必等历史数据全部治理完。数智员工可以从一个岗位开始，在工作中识别异常、请求人工确认，持续校验数据和流程。 FDE能

本周，Meta重回前沿模型第一梯队，阿里加码智能终端，大厂仍在争夺AI市场；另一边，Anthropic三季度营收增速不及预期，算力厂商CoreWeave遭遇股债双杀。 模型和终端仍在不断推新，而AI的变现速度，能否撑起已经铺开的巨额投资？ 01 Meta新模型重回一线，强在复杂任务 本周，Meta发布Muse Wonder和Wonder Full两款模型，并开放了Muse Spark Open的模型权重。 Meta的Muse通用模型家族，主要由Wonder、Spark和Glimmer组成，分别服务于高频应用、复杂任务和本地部署。 Wonder重点处理复杂编程和长周期智能体任务，其中Wonder Full能力最强，目前主要通过Muse Code部分订阅套餐提供。 Spark兼顾能力、速度和成本，支持多模态理解、编程和工具调用，适合需要快速响应、大量调用的应用。Spark Open开放了模型权重，开发者可以自行部署和修改。 Glimmer从Spark蒸馏而来，以较小的模型规模保留部分能力，主要面向本地运行和定制开发。 支撑Meta重回第一梯队的，主要是Wonder Full，Artificial Analysis综合智能评分接近Claude Opus 5.5。  提高训练效率、增强基础模型，再围绕实际任务强化执行能力，是Wonder Full此次追上头部模型的主要原因。 训练方法的调整是提升的核心因素。Meta先重建预训练体系，改进模型架构、训练优化方法和数据筛选，提高算力使用效率，再训练规模更大、能力更强的基础模型。 更好的基础能力，让后训练的提升能够延伸到没有专门训练过的任务。 此外，后训练也更重视完整任务的执行。通过强化学习和多样化长任务训练，模型学习持续调用工具、检查结果、遇错重试，改善复杂工作中的可靠性。 02 阿里智能终端布局，成熟品类找伙伴 本周，阿里发

一台计划几个月后安装在屋顶的空气处理机组，因设计变更不再符合要求。看起来不急，但重新采购设备需要很长时间；若拖到安装前才处理，工地可能只能在加钱赶工和推迟进度之间做选择。 在Palantir AIPCon 10上，美国建筑公司McCarthy用这个场景演示了大型项目运营中的AI应用Pulse。开篇提到的设备规格变更，出现在一份RFI(Request for Information，信息请求)中，即项目相关方就设计或施工信息提出的正式澄清请求，Pulse从这份请求发现潜在风险，并关联采购和进度信息，准备两种方案，供现场团队与业主、设计方讨论取舍。 McCarthy主要承建医院、体育场馆、工业和可再生能源等项目，一般规模大、参与方多，一项变更涉及的信息可能分散在设计文件、采购记录、进度计划和各方沟通中。McCarthy创新副总裁、AI项目负责人Rico Bertucci介绍，高级现场主管过去每天要切换约15至20个应用，才能摸清工地状态，从业务开发到项目交接，需要使用超过200个应用。 Pulse试图改变现场人员逐个系统找信息的方式：围绕当前要处理的风险，汇集相关信号，并提示下一步该看什么。 01 一次设备变更，怎样走到可执行的选择 Pulse从一份RFI中识别出设备变更：设计调整后，原定的屋顶空气处理机组已不符合要求，查阅采购记录，发现替代设备交期较长；随后借助McCarthy的Ontology，找出与该设备相关的施工活动、进度节点和负责人，并在关键路径计划中呈现这些关联。现场主管由此看到，虽然设备安装还有几个月，但如果不尽快确定替代方案并启动采购，交货时间就可能挤占施工余量，影响后续关键节点。 识别风险后，Pulse进入规划模式。它调用McCarthy管理体系中两千多份制度、流程和经验案例文档，以及为建筑业务定制的AI skill，为下一步提供方案做好准备。但有了这些材料，

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