2023年以来，生成式AI（GenAI）如同这一轮科技周期的“蒸汽机”，让全球企业陷入了兴奋与焦虑交织的“iPhone时刻”。然而，当大模型的浪潮拍打到工业领域的坚硬岩石上时，许多人发现：ChatGPT能写出优美的诗歌，却很难直接读懂一台离心机的震动曲线；它能通过图灵测试，却无法在复杂的EMS系统中准确判断光伏场站功率下降到底是因为天气原因还是逆变器的故障，抑或是组件应该清洗。 工业AI落地，究竟难在哪里？在大洋彼岸，大数据独角兽Palantir凭借AIP（Artificial Intelligence Platform）实现了市值的狂飙，验证了一条“数据底座+AI平台”的成功路径。而在中国，谁能复刻甚至超越这一模式？ 近期，爱分析深入调研了中国工业数据智能领域的先行者——寄云科技。透过这家在工业赛道深耕十余年的企业，我们试图通过解构其产品逻辑与Palantir的异同，通过剖析其最新发布的Neu.AI工业智能体，来寻找中国工业数字化转型的下一块拼图。 一、 幻觉与现实：工业企业AI落地的“三座大山” 在与寄云科技团队的深度对话中，我们首先探讨的是一个行业共识性的痛点：为什么生成式AI在工业现场总是显得“水土不服”？ 寄云科技认为，工业场景的特殊性决定了通用大模型无法直接“开箱即用”。横亘在AI与工业价值落地之间的，是三座难以逾越的大山。 1. 私有化数据与“工业语义”的隔阂 “现在的通用大模型，就像一个基础素质超群的博士。你问它知识原理，它对答如流；但你把它扔到工厂车间，指着一台正在报警的压缩机问它‘这代表什么’，它大概率会产胡言乱语。” 寄云科技指出，工业现场的核心资产不是公开的互联网文本，而是私有的、实时的、高密度的工业多模态数据。 数据形态复杂：工业数据包含时序数据（传感器读数）、结构化数据（ERP订单）、半结构化数据（日志）以及非结构化数据（PID工艺图纸、CAD模
爱分析 ifenxi
专注于AI市场的研究咨询机构
IP属地：未知
0关注
4粉丝
0主题
0勋章
免费开放一周后，我们调研了Agnes AI用户社区
过去一周，Agnes AI成为国内AI开发者社区讨论度较高的大模型厂商之一。 原因很简单，它宣布向全球开发者免费开放文本、图片和视频模型API，且不限时、不限额度。消息发布后，大量开发者涌入社区体验产品。根据Agnes AI最新官方数据，从6月1日开始免费后，六月第一周的 Agnes-2.0-Flash 调用量已超过1万亿（1T）；Agnes-Image-2.1-flash生成超过200万张图片；Agnes-Video-2.0生成超过200万秒视频。 不过，对于大模型厂商而言，“免费”不是最难的事情。真正的挑战在于：模型能力是否经得起真实场景检验？热度能否转化为长期用户？ 带着这些问题，爱分析进入了Agnes AI用户社区，并持续观察开发者讨论、产品迭代以及实际应用情况。我们发现，相比“免费”本身，开发者更关注Agent能力、长上下文处理以及模型能否胜任真实业务场景。并且在热度之外，一些新的变化也正在发生。 以下是爱分析在用户社区中的一些真实观察。 01 为什么Agnes AI突然火了？ 6月1日，Agnes AI宣布向全球开发者免费开放旗下文本、图片、视频三大模型API，并承诺不限时、不限额度开放。这意味着开发者无需购买Token，也无需担心免费期结束。尤其是在Agent兴起的背景下，越来越多开发者面临Token成本快速增长的问题。因此，消息发布后，很快吸引了大量开发者关注。 当然，仅靠免费并不足以支撑持续热度。从公开信息来看，Agnes AI目前已经形成覆盖文本、图片、视频三大模态的模型矩阵。其中，文本模型进入Claw-Eval榜单，图像模型和视频模型进入Artificial Analysis相关榜单。 图1 Claw-Eval榜单（Agnes-2.0-flash位于第19位） 图2 Artificial Analysis相关榜单（Agnes Image 2.
寻找中国工业界的“Palantir”：寄云科技的AI破局与数据征途
寻找中国工业界的“Palantir”：寄云科技的AI破局与数据征途
在Palantir与Databricks之外，企业AGI平台是中国企业AI落地的新路径
过去两年，智能体快速进入企业应用视野，企业对AI价值的认知也经历了从概念验证到场景探索的过程。内容生成、文档处理、辅助客服等场景率先落地，使企业初步感受到通用智能在提升办公效率和降低知识工作门槛方面的价值。 随着应用持续深入，企业关注的重点正在发生变化。相比于“能否接入大模型”，企业更关心的是，如何让AI进入核心业务，并形成自身可持续积累的智能能力。 第一章：从“AI之笔”到“AI之脑”，企业AI正进入新的发展阶段 当AI进入到企业核心业务时，面临非常多企业真实环境带来的挑战。数据分散、语义不统一、权限责任复杂等问题，都会影响AI对业务的理解、调用和执行。 Palantir近一年重新成为企业AI讨论中心，正是因为它提供了一种重要思路。通过Ontology和AIP把数据、业务对象、权限、流程和工具调用连接起来，让AI从回答问题进一步进入真实运营。其价值在于推动AI从“看见问题”走向“推动问题被解决”。 但中国市场并不适合原样复制Palantir，中国市场的核心需求，在于建设一套让AI进入业务行动的基础设施。中国企业在数据治理基础、统一语义、权限责任边界等方面与海外客户存在差异，本土路径需要从企业自身基础条件和场景需求中形成。 爱分析认为，企业AI应用正在从个人工具走向业务流程，再走向组织级智能能力建设。这个过程可以概括为三个阶段：AI之笔、AI之手和AI之脑。三者对应的不是概念包装，而是企业AI价值重心的变化：从个人效率提升，到业务执行增强，再到组织智能升级。 第一阶段是AI之笔，核心价值是个人效率提升。大模型首先在内容生成、知识问答、文档处理等场景中落地，帮助员工更快完成信息加工和表达类工作。由于这些场景对业务系统改造要求较低、使用门槛相对较低，往往成为企业启动AI应用的第一批入口。 从企业经营视角看，AI之笔主要改变的是“人如何更高效地完成工作”，对企业核心业务流程、决策
在Palantir与Databricks之外，企业AGI平台是中国企业AI落地的新路径
数据质量不过关，AI决策是空转
本文来自爱分析ifenxi（北京爱分析科技有限公司），AI市场的研究咨询机构，专注于人工智能、大模型、智能体与算力等产业研究。 AI 正在改变企业使用数据的方式。 过去企业数据建设的目标，是实现业务流程线上化，并把分散的数据治理成可管理的资产。AI时代，企业更关心的是数据能否直接参与判断、预测和决策，从”人看报表”走向”系统主动决策”。这意味着，企业数字化正在从流程数字化、数据资产化，进一步走向可信决策自动化。 在此背景下，爱分析对百望股份CTO王志伟进行了深度访谈。百望股份长期深耕发票、财税、企业信用和交易数据服务领域，积累了大规模真实交易与企业经营数据，以此为根基，百望股份提出战略升级：将公司定位为AI时代的企业商业信用基础设施运营商：以真实交易数据定义企业商业信用，让企业更可信、交易更智能、融资更容易、出海更合规。 本次访谈重点讨论了AI时代数据底座演进方向、行业模型机会、AI应用规模化落地条件，以及百望股份如何用统一数据中台和统一AI中台支撑战略落地等问题。 核心观点： 1、AI不会直接替代数据平台，统一数据底座仍是AI的基础。 大模型可以大幅提升数据治理、打标、建模等环节效率，但没有高质量数据供给，AI能力很难真正进入企业关键决策。 2、通用大模型不会吞噬所有行业模型，真实交易数据和强合规Know-How会长期形成壁垒。 财税、医疗、金融、企业信用等领域专属数据不可能简单进入公开大模型，业务规则、授权链路、审计要求和风险责任也难以由通用模型独立承担。 3、AI应用规模化的关键是把专属数据、行业Know-how和刚需场景组织成可计量的能力调用。 财税合规、企业商业信用、金融风控、智采慧销与全球税务合规等场景，既有高频业务入口，也有明确付费意愿，是AI可规模化落地的应用。 以下为本次访谈实录，在不改变原意基础上略有修改。 01 企业数据正从资产化走向可信决策自动化 爱
数据质量不过关，AI决策是空转
智能体是个伪市场
2026年，智能体成为企业AI落地的行业共识。但市场火热背后，智能体概念正被快速泛化，很多厂商只是在原有产品上接入AI模型，就贴上智能体标签，而企业客户真正需要的，并不是一个新的对话入口，而是能够理解企业知识、拆解复杂任务、调用工具并协同执行的数字员工。 在滴普科技创始人 、董事会主席、执行董事兼CEO赵杰辉看来，真正有价值的企业智能体要回到模型能力本身，厂商需要具备模型训练能力，训练出具备企业级记忆机制、长任务规划和智能体协同的企业大模型。 围绕企业智能体落地，滴普科技正在推进两条核心产品线：一是 Deepexi 企业大模型，支撑企业本体建模、记忆、长任务规划和智能体协同；二是 FastAGI企业智能体平台，负责模型之间、Skills 之间、AI 员工之间的协同与调度。Deepexi 提供企业本体和规划能力，FastAGI 负责把这些能力组织起来，让多个 AI 员工能够在一个完整的业务场景里协同执行。两条线合起来，才是企业AI落地 的完整形态。 在本次与爱分析的深度访谈中，赵杰辉系统阐述了对智能体市场的判断、滴普科技的产品路径，以及AI 员工对企业组织形态的影响。 核心观点： 1、企业智能体概念被泛化，长期有价值的是企业大模型。真正的企业智能体不能脱离模型，模型承担数据整理、知识逻辑承载和推理作用。AI厂商如果没有模型能力，本质上仍是传统集成商。 2、企业智能体落地的关键，是建立企业级记忆和长任务规划能力。智能体必须具备记忆机制，把企业资料、流程、规则、故障、经验等转化为本体，形成企业知识网络。这样模型才能实现推理和规划，支撑复杂任务执行。 3、AI 员工会重构科技公司的组织形态，FDE 团队重心是 Skills 和数据开发。FDE 工程师的角色会发生变化，将自身能力 AI 化。科技公司竞争力会从经验积累转向学习能力和变化能力。 01 企业智能体概念被
智能体是个伪市场
电建财务公司建设财神大模型，实现AI技术应用落地
中国电建集团财务有限责任公司（以下简称“电建财务公司”）是中国电力建设集团有限公司的“内部银行”，成立于2015年12月，主要为集团成员企业提供资金集中管理、资金结算、信贷业务、外汇业务等金融服务。公司人员规模不足百人，却掌管数百亿资金，金融属性突出，业务专业性强。 在国务院国资委和电建集团数字化转型升级部署下，电建财务公司提出建设“司库型、数智化、行业一流”财务公司的发展目标，大力推动数字化、智能化建设。 2024年起，公司开始规划AI大模型应用，因担心模型效果不达预期而一直处于调研阶段。2025年DeepSeek等开源大模型能力显著提升后，公司正式启动AI大模型应用项目，与中关村科金开展合作，实现大模型与智能体在电建财务公司内部落地。 01 聚焦三大战略目标，推动大模型落地应用 作为典型的央国企财务公司，电建财务公司落地AI大模型应用时，重点聚焦以下三大战略目标，用以更好地发挥“AI+财务公司”深度融合作用： 首先是工作效率提升。通过筛选出贴合业务实际的AI技术应用场景，助力工作效率提升，减少重复劳动。 其次是经营效能提升。通过充分发挥AI技术的海量数据分析能力、语言解析能力等专业优势，更好地为经营决策提供辅助支撑，提升业务经营效能。 最后是服务提质增效。借助大模型和智能体的拓展应用，践行立足集团、服务集团经营理念，打造全新的数智化金融服务生态，提升金融服务的能力与水平。 最终形成底层可扩展、场景可复制的AI应用范式，实现从技术能力到业务价值的闭环转化，为财务公司数智化转型提供核心驱动力，同时形成可借鉴、可复制的建设成果经验。 02 项目以双平台为核心体系，实现技术到价值闭环落地 整个大模型应用项目的技术架构分成四层，包括国产信创算力底座、多模态模型矩阵、大模型应用开发平台和大模型应用平台。 项目核心构建“大模型应用开发平台+大模型应用平台”双层体系，形成技术到价值
电建财务公司建设财神大模型，实现AI技术应用落地
Know-how很快被AI追平，真正的壁垒没多少了
在大模型、智能体与AI Coding驱动的企业软件新世界里，旧的竞争壁垒正在迅速消融。专业知识与Knowhow正在被AI重新定义，智能体应用被分钟级生成，传统企业服务厂商的核心价值正面临大考。 在此背景下，我们与在PaaS领域深耕多年的得帆智能创始人兼CEO张桐，进行了一次深度对话。这家公司经历了上一轮技术周期，如今正将能力延伸至智能体应用平台、数字员工平台，构筑新一代企业AI基础设施。 本次访谈重点讨论几个核心问题：行业Knowhow如何从个人经验转向组织化AI能力，AI Infra的长期壁垒在哪里，以及企业AI商业模式如何从软件授权走向持续运行服务等。 访谈核心观点： 行业Knowhow不会消失，但会被重新定义。知识型Knowhow会被大模型快速拉平，真正稀缺的是项目推动、组织协同、责任心、判断力和复杂场景落地能力。企业要做的不是依赖个人专家，而是把专家能力沉淀为组织化、AI化的能力。 企业AI平台层将持续壮大。AI Coding会分流大量个性化、长尾化、流程型应用需求，企业可以自建更多智能体应用。同时，智能体普及也会驱动对平台型基础设施更广泛的需求。 智能体数字员工不是RPA的升级版，而是新的企业执行单元。RPA复刻操作，Agent理解任务、调用工具、处理异常并交付结果。数字员工的核心，是具备企业身份、权限和上下文理解能力，并能够真正进入业务系统完成工作。 企业AI的商业模式会从一次性软件授权，逐步转向平台订阅、智能体运行量和结果交付相结合的持续服务模式。智能体使用越深入，模型调用、工具执行、流程编排和运行保障的消耗越大，未来企业不是简单购买一个软件系统，而是为智能体持续交付业务结果付费。 AI能力仍然遵循1万小时定律。对AI的颠覆性感到焦虑是常态，应对方式是打不过就加入，即自身深度使用AI，提升认知。在AI上面投入的时间决定了认知高度。 ToB领域，新的创业公司会越
Know-how很快被AI追平，真正的壁垒没多少了
软件公司没有护城河，拼的是学习速度和生存韧性
技术迭代的加速正将企业软件行业推向一场深刻的重塑，单纯的产品功能堆砌已难以构筑竞争壁垒，企业面临的是从技术架构到服务能力的全方位转型压力。 如何在模型快速更迭的时代沉淀核心资产，并重构适应AI时代的组织，成为企业亟需破解的关键命题。 在此背景下，爱分析与蓝凌董事长杨健伟展开深度对话。作为长期深耕企业数字化与知识管理赛道的资深实践者，杨健伟不仅带领蓝凌完成了自身的AI架构升级，更通过服务数千家大型企业的经验，洞察到AI助力组织进化的深层逻辑。 本次访谈将围绕企业如何构建可持续的记忆体系，以及软件厂商在大模型时代的生存法则展开。 核心观点： 企业软件厂商的产品迭代节奏必须变快。AI编程和智能体能力正在快速成熟，几百万行代码级别的平台已可通过AI完成，这直接冲击了软件公司过去依靠代码沉淀形成竞争力的逻辑。 模型会变，但企业长期沉淀的是数据、知识、流程和记忆。企业不应把AI基础能力绑定在某一个模型上，而应从企业架构出发，推导数据架构，把知识、业务数据和智能体记忆统一纳入治理体系。 软件公司没有永恒的护城河，真正的壁垒只有两个：学习创新的速度和生存韧性。谁能更快看到新技术、学会新能力、完成试验、产品化并交付给客户，谁就有机会在新一轮竞争中跑出来。 以下为本次对话实录，在不改变原意基础上略有修改。 01 AI加速企业软件重构 爱分析：最近半年，您在智能体行业观察到了哪些新的变化？ 杨健伟：最大的变化是，技术变化和迭代速度太快了，快到传统软件公司的节奏已经跟不上。 去年10月、11月，我们还不敢确定，一套老的平台能不能完全用AI编程搞定。但到春节前后，行业里已经出现了一个300万行代码的产品平台，完全通过AI编程完成。这件事带来的冲击很大，因为几百万行代码，已经相当于一个核心企业软件模块的体量。 过去我们认为，写代码、沉淀代码，是软件公司的重要竞争力。但现在，AI并不是一个技术出来之后就
软件公司没有护城河，拼的是学习速度和生存韧性
告别软件售卖，进入工业AI的托管时代
在工业智能化进入深水区、大模型重塑各行各业的背景下，工业智能体正在从辅助提效向生产控制的深层进化。 作为一家国内工业SaaS厂商，蘑菇物联率先开启了All in AI战略转型，创始人兼CEO沈国辉正带领公司经历一场从提供软件到提供能源托管的范式变革。 沈国辉拥有深厚的离散型制造管理经验，自2016年切入工业AIoT赛道至今，持续推动“工业真AI”在能源管控领域的落地实践。 本次访谈，爱分析与沈国辉深度探讨了未来智慧工厂形态、AI如何赋能公辅车间场景、工业软件厂商未来出路等话题。 核心观点： AI驱动公辅能源全托管：通过大小模型协同的云智控技术，蘑菇物联正推动空压站、制冷站等公辅能源车间的无人化运营，实现从卖软件到卖能源托管的商业模式重构。 工业软件的出路是服务化：单纯卖软件在AI时代将越发艰难，工业企业的付费意愿更倾向于可见价值，能源托管模式将节能收益与无人值守价值打包，破解传统工业软件盈利困局。 未来工厂公共车间都会走向全托管模式：公共能源车间，如压缩空气、冷冻水等，将如电力一样走向外包化，AI承担控制、诊断、巡检等标准化工作，人类聚焦于无法被替代的维修、保养等柔性任务。 01 从提供软件到提供能源托管的模式升级 爱分析：蘑菇物联提出“All in AI”之后，技术产品、商业模式上会发生哪些变化？ 沈国辉：首先说技术产品。当前大家更多是用AI去做报表、生成文档，这个本来就是大模型擅长的，C端已经普及。工业场景最敏感的是控制，其次是配方，这两点是我们核心关注的场景。 我们从2020年开始做AI控制，用AI参与车间控制，包括空压站、制冷站、锅炉房、水泵房等，这些车间产生的不是直接产品。 以汽车厂为例，直接产品是汽车，但生产过程离不开压缩空气、冷冻水、蒸汽和循环水。这些车间统称为公辅能源车间，是公共辅助的供能车间。 我们从2020年开始使用马尔科夫过程、LSTM等强化学习、深度
告别软件售卖，进入工业AI的托管时代
Agent自我进化的未来，速度是唯一壁垒
今年以来，基础模型的竞争不再停留在多模态、Coding等单点能力上，而是转移至Agent的全面比拼。基础模型吞噬通用Agent的趋势不可避免，Agent厂商还有哪些竞争壁垒？企业服务行业，以及企业组织本身将发生哪些变化？ 01 Agent自我进化重构商业模式 Agent定义始于2023年，Planning、Memory、Tools、Action成为标准框架。但今天，这四个模块发生了根本变化。 图1：自主智能体架构 Planning正在从固定流程，变成边走边看的动态探索。拖拉拽式的流程编排成为过去式，现在的Agent开始面对真实世界，目标明确，但路径不明确。它会不断试错、观察环境、修正路线。 Memory也不再只是上下文记忆。过去的记忆，本质是为了保证对话连续性。现在开始探索形成层级结构。Agent会记住任务状态，记住用户偏好，记住自己的角色，甚至记录与理解企业规则与组织文化。记忆从超长的缓存，变成长期的认知。 Tools同样发生了变化。过去只是调用计算器、搜索、API，现在开始形成Skill体系。Skill不只是工具，而是经验、流程、Knowhow的封装。同时，模型所具备的超强Coding能力，可以使得Agent为自己创建大量需要临时调用的工具。 Action也不再是单次动作执行，而是形成长期反馈闭环。Agent会持续观察结果，持续修正行为，持续优化路径。 图2：Agent各模块变化 四个模块共同变化，本质上是在让Agent从工具变成可成长的系统。 过去，企业购买的是软件功能，为此支付订阅费、授权费或者调用费。在Agent时代，企业购买的是Agent持续进化能力，为此支付对应的token费用。 过去，token是调用成本，未来，token是Agent进化的基础资源。Agent进化越快，token消耗量越大，厂商收入越高。这使得厂商能够跟随客户一起成长，大幅改善既往低客单、低
Agent自我进化的未来，速度是唯一壁垒
去老虎APP查看更多动态