2026年10月的大模型行业，上演了两套截然相反的叙事。 如果只看传统基准测试的成绩单，主流模型似乎已经把考卷做穿了。 据第三方评测聚合平台 BenchLM 截至 10 月 26 日的统计，在其追踪的 710 个基准中，有 295 个是具备实际覆盖度的百分制基准，其中 105 个（约 36%）已经彻底“饱和”，榜首得分全部在 90 分以上。 当分数全部挤在天花板附近，差出一两分究竟是因为模型更强，还是提示词和采样的随机波动，已经没人分得清。 就在过去一个多月里，数据标注与评测公司 Surge AI，连续抛出的三份面向真实职场的新考卷，把一众旗舰模型拉回到了及格线以下： sudo L7（资深工程师级编程评测）：60 道来自真实生产代码库的任务。排行榜上，Claude Opus 5.5 与 Sonnet 5.5 并列第一，通过率仅为41.7%；OpenAI 的GPT-6 Astra 为 33.9%；10 月 6 日刚以预览版上线的Mistral Large 4，得分只有 11.7%。 GDP.xlsx（跨行业复杂表格评测）：70 道来自金融、医疗、地产等 12 个行业从业者日常工作的真实 Excel 任务。排名第一的 Google 旗舰 Gemini 4 Argon，得分仅为 38.3%。 DAYJOB（端到端岗位工作评测）：130 项由医疗和金融专家编写的长流程任务。医疗赛道最好成绩是 Claude Opus 5.5 的 24.7%，金融赛道是 Claude Sonnet 5.5 的 24%。 从旧榜的九十多分掉到新榜的二三十分，听上去像是模型突然变笨了，其实是考卷换了——旧题考的是“给定明确指令会不会做”，新题考的是“面对烂摊子该不该这么做、有没有漏掉什么”。 当考卷换了一批出题人，台面上的排位、分数的含金量，以及评测背后的游戏规则，全都跟着变了。 01 工程翻车现场：“跑

2026年10月的大模型行业，上演了两套截然相反的叙事。 如果只看传统基准测试的成绩单，主流模型似乎已经把考卷做穿了。 据第三方评测聚合平台 BenchLM 截至 10 月 26 日的统计，在其追踪的 710 个基准中，有 295 个是具备实际覆盖度的百分制基准，其中 105 个（约 36%）已经彻底“饱和”，榜首得分全部在 90 分以上。 当分数全部挤在天花板附近，差出一两分究竟是因为模型更强，还是提示词和采样的随机波动，已经没人分得清。 就在过去一个多月里，数据标注与评测公司 Surge AI，连续抛出的三份面向真实职场的新考卷，把一众旗舰模型拉回到了及格线以下： sudo L7（资深工程师级编程评测）：60 道来自真实生产代码库的任务。排行榜上，Claude Opus 5.5 与 Sonnet 5.5 并列第一，通过率仅为41.7%；OpenAI 的GPT-6 Astra 为 33.9%；10 月 6 日刚以预览版上线的Mistral Large 4，得分只有 11.7%。 GDP.xlsx（跨行业复杂表格评测）：70 道来自金融、医疗、地产等 12 个行业从业者日常工作的真实 Excel 任务。排名第一的 Google 旗舰 Gemini 4 Argon，得分仅为 38.3%。 DAYJOB（端到端岗位工作评测）：130 项由医疗和金融专家编写的长流程任务。医疗赛道最好成绩是 Claude Opus 5.5 的 24.7%，金融赛道是 Claude Sonnet 5.5 的 24%。 从旧榜的九十多分掉到新榜的二三十分，听上去像是模型突然变笨了，其实是考卷换了——旧题考的是“给定明确指令会不会做”，新题考的是“面对烂摊子该不该这么做、有没有漏掉什么”。 当考卷换了一批出题人，台面上的排位、分数的含金量，以及评测背后的游戏规则，全都跟着变了。 01 工程翻车现场：“跑

一个人、六个月，开发出了一套面向全球用户的AI演示平台； 四名全职员工，做出一款用户遍布北美、巴西等市场的AI应用； 一家成立仅三个月的创业公司，第一站就选在英国剑桥和伦敦…… 以上不是“爽文”里的剧情，而是10月23日我们在亚马逊云科技AI Native创业复兴终极路演现场的真实体感。 1083份报名中脱颖而出的20支创业团队，轮番登台展示自己的产品，呈现出了一个清晰的变化：越来越多AI创业者，正在跳过“先国内、后海外”的传统路径，创业第一天就把全球市场作为目标。 从Copy to China到Copy from China，再到Born Global，中国的年轻创业者正在经历第三次转身。 01 从Copy to China到Born Global 二十多年前，中国互联网刚起步，将海外已经验证的商业模式引入中国，再结合本土需求进行改造，成了一条行之有效的创业路径。 门户网站有了搜狐、搜索引擎有了百度、电子商务有了阿里巴巴、即时通讯有了腾讯……这个阶段被概括为Copy to China。创业者的核心竞争力是理解本土市场，将海外的产品模式转化为适合中国用户的服务。 而当中国互联网产业不断壮大，Copy from China逐渐成为新的范式。 TikTok将短视频推荐机制推向全球、Temu依托中国供应链与电商运营能力在海外市场探索新的零售模式，以及越来越多的游戏和社交类产品，不断把在本土市场形成的产品能力、供应链优势和运营经验带向世界。 不管是Copy to China还是Copy from China，两种创业范式有一个共同特征——中国市场往往是企业构建竞争力的第一站。 新生代创业者正在改变既有前提。 入围亚马逊云科技2026 AI Native 创业复兴Top 20的创业名单中，涌现出了一批“Born Global”的优秀创业团队。 比如只有4名全职成员的MysticX.A

文章配图-1 9月22日的2026云栖大会上，阿里平头哥发布了新一代训推一体AI芯片——真武V900，搭载216GB大容量显存，片间互联带宽达1200GB/s，单芯片性能是真武M890的3倍。 单就参数来看，真武V900可以说是目前算力性能最强的中国自研AI芯片。可如果只盯着AI芯片，可能会低估平头哥的算力野心。 和真武V900一同发布的，还有基于真武V900和自研ICN Switch互联芯片的超节点，具备原生内存语义和内存统一编址能力，可实现千卡全带宽高速互联，让上千颗真武V900能像一颗“超级芯片"一样协同工作，为超大参数模型的训练和推理提供高吞吐、低延迟、高并发的算力。 以及阿里全新升级的超节点服务器，将真武V900、ICN Switch、磐脉智能网卡及镇岳SSD主控芯片进行了算、存、网全栈系统级协同，通过阿里云的智算中心网络架构，可稳定支撑50万卡规模单一AI集群。 在成立的第八个年头，一直保持高强度、高频率迭代节奏的平头哥，终于亮出了全栈布局的底牌。 一颗“中国最强AI芯片” 真武V900的发布在预料之中，也在预期之外。 2024年，平头哥推出了首颗训推一体AI芯片真武810E，采用自研的并行计算架构和片间互联技术，配合T-Head SAIL软件栈，有效支撑了千问系列大模型的训练和推理。 2026年5月的阿里云峰会上，真武M890芯片首次亮相，显存容量达到144GB，片间互联带宽提升至800GB/s，性能是真武810E的3倍，并支持FP32到FP4多种数据精度。 仅仅四个月后，真武V900再次把性能推高到M890的3倍，显存从144GB增加到216GB，片间互联带宽则800GB/s提升到1200GB/s，时间比外界预期大幅提前。 文章配图-1 不惜打破常规的研发节奏，和AI产业的演变趋势不无关系。 时间来到2026年9月末，万亿参数大模型已经是一种常态，有望在极短

文章配图-1 过去一个月，人形机器人再次迎来高光时刻。 在2026世界机器人大会现场，双足行走的机械躯体翻腾、跳跃、疾跑，不断挑战人类运动极限。 在巴西独立日阅兵式上，中国人形机器人身穿迷彩亮相，作为“工兵”对爆炸物进行识别和处理。 在资本市场上，宇树科技代表的机器人企业纷纷奔赴IPO，彻底将“人形机器人狂潮”推向了沸点。 赛博朋克电影里的场景，正在以一种前所未有的速度闯进现实。 就在人形机器人声浪最盛的时刻，英国《金融时报》的分析师却在近期的一篇深度报道中，给出了一个有些“反常识”的判断：中国真正的机器人革命，并不在人形机器人。 会跑、会跳、会格斗的人形机器人，在舞台上是奇观，在赛场上是图腾。可把视线拉回普通人的日常，却是另一番景象： 在喧嚣的厂房车间、吊臂林立的智慧港口、穿梭着无菌配送箱的医院走廊、分拣如飞的智慧仓库里，成千上万正重塑生产力的机器人，既没有“两条腿”，也没有“一张脸”，只负责把一件事干好。 在每天高频使用的卫浴空间里，九牧推出的X80 AI机器手智能马桶，没有给卫生间塞一个笨重的双足管家，把焦点对准了最让人头疼的痛点——让智能马桶长出“机器手”，学会了自己刷马桶。 中国的机器人产业呈现出了和而不同的景象：一边在讨论怎么让机器人更像人，另一边已经开始让机器人替人干活了。 机器人产业的路径分野：人形化与场景化 透过繁复的表象，机器人产业分化出了两条不同的进化路线。 第一条路线是“人形化”，核心价值在于“通用”二字。 在人类建造的现实世界里，楼梯的台阶高度、门把手的旋转角度、维修工具的握柄、货架的进深以及工业流水线的作业工位、机床设备的操作台高度，无不是围绕人体的高度与关节结构设计的。 随着具身大模型、多模态世界模型以及运控算法的日臻成熟，宇树、智元、优必选为代表的机器人企业，坚定地选择了一条充满理想主义的道路：试图通过“一副通用身体+一个通用大脑”，去兼容人

文章配图-1 过去几年，AI办公一直在做一道“加法题”。 从写文案、做PPT，到查资料、分析数据，大模型能够完成的任务越来越多；进入Agent时代后，AI又长出了“手和脚”，开始自己调用工具、操作网页、处理文件。 可一个有意思的现象是：AI会干的活越来越多，为什么人还是这么忙？ 原因并不复杂。 现实中的工作，从来不是一道道彼此独立的题目。 以一场科技发布会选题为例，需要先追踪官方信息，再整理新品和参数；接着翻出上一代产品做对比，从数据变化里寻找异常；发现值得关注的地方，还要继续研究行业背景和竞争格局；最后才是找选题、搭框架、写稿、做PPT。 几乎每一步都可以找到AI帮忙，但问题在于：负责拆任务、传资料、催进度、做判断，再把所有结果拼起来的，依然是人。 到了Agent时代，AI办公真正需要跨越的门槛，已经不是“还能多做一件什么事”，而是：能不能从完成一个个零散任务，走向接手一整段完整工作？ 最近更新的商汤小浣熊桌面端和移动端，跨过了这道坎。 本地Agent开始进入电脑里的真实工作环境，能够直接处理本地文件、操作网页；不同专业能力可以组成专家团协同执行；当人离开电脑，手机端还能继续查看进度、追加指令，让任务接着往前跑。 功能听起来不少，但我们更关心一个最实际的问题：它真的能接住一份工作吗？ 9月10日凌晨的2026 年苹果秋季新品发布会，刚好为我们提供了检验商汤小浣熊办公能力的“试金石”。 我给自己招了7个AI同事 每年的苹果秋季发布会，对创作者来说从来不是一场轻松的科技春晚，而是长达数小时的高强度体能与认知战。 不仅要熬夜盯直播，散场后还要核验密密麻麻的规格表、做代际比对、翻看供应链研报、在海量同质化“噪音”里死磕深度选题，还得在天亮前做出早会汇报的PPT。 过去应付这一切，需要浓缩咖啡、多块屏幕和整夜的肉身硬扛。但在今年，我把工作丢给了商汤小浣熊。 发布会结束后，我先在商汤

文章配图-1 IFA 2026刚刚落幕，和往年最大的不同：2026年最大的看点不在展馆内，而是发生在展馆外。 人民日报《了不起的中国“质”造》对添可CEO冷泠进行了一场专访，谈及创新机制的话题时，冷泠给出的回答是：我们现在有一句表达叫“添可洗地机，定义每一代”。 要读懂这句话的底气，需要先理解洗地机市场的现状。 奥维云网的数据显示，2025年国内洗地机零售量达到821万台，同比增长24.2%。销量依旧在快速增长，但在销品牌数量已经从上一年的106家，减少到了2025年底的71家。 洗地机的品类红利正在快速消退，行业不可避免地陷入了一场技术军备竞赛。诸如防缠绕、热水洗、蒸汽洗、自清洁、烘干等创新，一旦被市场所验证，很快就会成为整个行业的“标配”功能。 创新越来越快，创新的“保鲜期”却越来越短，身处其中的添可，为什么敢喊出 “定义每一代”呢？ 01 一个终极问题：洗地机还能怎么更好？ 几乎每个快速成长的行业，都会经历相似的过程。 有人探路，有人追随；有人率先找到新的产品形态，有人沿着已经被验证的道路模仿跟进。 一次灵光乍现的功能创新并不罕见，难的是当功能被行业吸收、消化，甚至成为标配后，始终比同行们早一步看见下一个创新方向。想要“定义每一代”产品，必须有远超行业的洞见和执行力。 添可的答案很简单：每一代产品在定义时，追问的其实始终是同一个命题——“洗地机还能怎么更好？” 2020年添可问的是：用户为什么不能一步解决所有地面清洁？ 在当时的家庭清洁逻辑里，吸尘和拖地是两件事：先用吸尘器清理灰尘、毛发，再换上拖把清理污渍。添可推出的芙万1.0，将吸、拖、洗、污水回收与智能感知整合进一次操作，开创了智能洗地机品类。 当洗地机进入千家万户，添可问的是：清洁中途没水没电怎么办？ 对于大户型用户来说，如果地还没拖完，水先没了、电先耗尽，被迫停下来充电、换水，体验将大打折扣。添可在芙万2.0

想象这样一个场景： 一家餐厅不惜重金聘请了上百位米其林三星主厨，配齐了全球顶级的后厨设备。原以为能横扫餐饮界，结果开业第一天的晚高峰，就出现了大面积“停工”。不是主厨能力不行，也不是炉灶不够先进，而是一个谁都没想到的问题：连接仓库与后厨的传菜电梯太老旧，一次只能运送半颗白菜。 看似“荒诞”的一幕，却是当前AI产业的真实写照。 轰轰烈烈的大模型浪潮，让整个科技圈患上了“算力不足恐惧症”，模型不够聪明，堆算力；训练速度不够快，堆算力；推理吞吐上不去，还是堆算力。计算集群从千卡、万卡走向十万卡，却尴尬地发现： 数据传输的带宽太低、吞吐太慢，计算被迫停下来等数据；任何一个存储节点出现故障，都可能导致训练任务中断；Agent任务的海量上下文、KV Cache和中间状态，不断让存储承压…… 曾经被视为“配角”的数据存储，被推到了AI舞台中央。 国际分析师机构Gartner在2026年给出了权威判断：“存储正在告别被动的数据容器角色，成为AI时代重要的战略基础设施”，并在《2026年企业存储平台魔力象限报告》中，揭示了不同存储厂商的竞争力排序。 作为全球存储行业的“米其林指南”，Gartner魔力象限释放了一个关键信号：**在AI用例维度连续两年登顶排名第一，综合实力位列全球前三甲，全面超越NetApp、Dell EMC、IBM等欧美厂商。 当一家厂商在某个关键指标上跨周期绝对领先，往往预示着行业的底层逻辑正在代际更迭。 四重变化，AI正在重新定义数据存储 AI存储和传统存储，到底有什么不同？ 很长一段时间里，企业存储的使用场景主要围绕着ERP、数据库、OA系统以及常规的文件共享与灾备展开。数据多为结构化数据或静态文件，业务对存储的核心诉求是“安稳地存下来”与“可靠地管起来”。 存储系统扮演的是“被动数据仓库”角色，只需保证基本的容量扩张、数据不丢失、满足常规的IOPS读写频率即可。 进

文章配图-1 进入2026年后，AI行业出现了两个标志性拐点： 一是Agent的加速崛起，AI终于长出“手和脚”，拥有了执行复杂任务的能力； 二是开源模型的爆发，模型能力以周为单位刷新，“聪明的大脑”不再稀缺。 可将视线聚焦到真实的商业市场，大模型的能力正在狂奔，企业的AI落地进程仍在缓慢爬坡。 过去两三年，企业讨论的焦点是“怎么把AI装进企业”。到了2026年，AI落地进一步从愿景照进现实，不少企业却陷入了新的焦虑：怎么稳定生成高质量Token、怎么让AI融入业务、怎么把智能变成价值？ 带着这些行业共性痛点，我们走进了2026年的数博会现场。在超聚变的展台上，看到了“智企”理念下的破局路径。 算力标尺的代际更迭： “拼配置”到“拼Token产能” 如果要问企业在AI基础设施建设上最大的误区是什么？答案是“用旧时代的尺子，去丈量新时代的土地”。 前两年的AI基础设施建设，企业的衡量标准不可谓不简单粗暴：机房里堆了多少台服务器、买到了多少张GPU、理论峰值的FLOPS达到了多少……建立在“硬件配置为中心”上的指标，在Agent时代已经失效。 根据OpenAI的报告，过去一年里，每家企业的平均Token消耗增长了320倍；权威咨询机构Gartner的数据显示，单位Token价格确实越来越低，但复杂工作流会使用更多Token，预计2028年AI推理成本将增长5倍以上。 而企业斥巨资打造的“纸面算力”，经历了带宽瓶颈、资源闲置、调度低效等逐层损耗后，转换成有效Token的往往只剩40-60%。在算力上的投入越来越高，却未能产生有效Token、可调用智能。 数博会上的超聚变展台，向外界展示了智能体时代的算力新标尺——以“硬件配置”为中心转向以“供给Token”为中心，帮助企业打造Token Factory的AI生产范式。 不同于传统的AI服务器集群，Token Factory就像一个

文章配图-1 在制造行业，“微笑曲线”一直是难以跨越的鸿沟。 一端是原始研发与专利设计，一端是品牌塑造与营销渠道，曲线的两端占据了价值链绝大部分的附加值；而处于曲线底部的中间环节，承担着最繁重的生产制造，却只能赚取最微薄的加工利润。 珠三角的美妆、灯具，长三角的箱包、家纺，再到华北平原上的轻工制造，大大小小的产业带构成了中国实体经济的基本盘。但在很长一段时间里，国内产业带的工厂被局限在了“微笑曲线”底端。 当越来越多产业带进入新旧动能转换的关键期，怎么向高附加值的曲线两端跃迁，已经成为中国制造面临的时代命题。 进入2026年后， $拼多多(PDD)$ 的“新质供给”专项团队，先后深入中山灯具、苏州家纺、信阳蚊帐、河北箱包、泉州运动装备等产业带，通过“产品为先、精简运营”的平台生态，挖掘出了一个又一个主打质价比的“新质品牌”，给出了产业带转型的新解法。 破局：用大数据穿透需求，重构消费连接 为什么很多工厂跨不过微笑曲线？答案在于传统品牌的塑造路径。 一个工厂要建立自主品牌，往往要投入数以千万计的广告营销费用，铺设层层分销的线下渠道，并承担漫长研发周期带来的市场不确定性。对于毛利本就微薄的制造工厂，无异于一场豪赌。 产业带并不缺制造能力，缺的是低成本连接消费市场的渠道：很多工厂能够把一件产品做到行业领先，却不知道消费者需要什么；能够快速生产，却无法低成本验证新品是否有市场；能够保证品质，却没有能力建立品牌认知、积累用户口碑…..制造和需求之间，隔着一条漫长的信息链。 理清了问题的症结，就不难对症下药。 拼多多的“千亿扶持”惠商计划和“新质供给”专项，正是为了打破“高举高打砸广告”的旧范式，让工厂能够利用大数据穿透消费需求，以场景创新和质价比在市场上占据一席之地。 直接的例子就是位于广东美妆产业带的“依

2026年的存储行业，正经历一轮价值重估。 当大模型、智能体加速走向千行百业，数据基础设施被重新定义：企业需要的不再只是能够“存放数据”的配套系统，而是承载AI全链路业务运行的数据基石。 需求端的结构性变化，直接影响着供给侧的格局。 国际权威分析机构Gartner在最新发布的《2026年企业存储平台魔力象限报告》中，用一张象限图揭示了市场格局的演变：**再一次入选领导者象限，综合实力位列全球前三甲，全面超越NetApp、Dell EMC、IBM等一众存储行业“老大哥”，距离全球头家仅一步之遥。 尤其是，在与魔力象限配套的最佳技术佐证——《关键能力报告》中，**在“AI应用”这一能力中以4.8/5.0的分数断层领先，成为绝对标杆。 文章配图-1 全球IT产业赛道的风云再起，企业存储市场竞争座次的重新排列，给外界提供了一个重新认识数据存储的窗口。 01 当Agent真正“干活”，存力短板藏不住了 Gartner在官方报告中提及，到2029年，70%的企业将部署专用大规模AI推理和检索增强生成（RAG）知识库的AI存储，而2026年这一比例不到10%。 换句话说，仅需3年，几乎每家企业都将真正的使用AI，届时拥抱AI的企业将是此时此刻的7倍以上。 此番魔力象限的结果已经可见，**存储在AI赛道的身位，已经结结实实地领先一步。究其原因，或许来自**未雨绸缪的超前洞见。 过去几年的AI竞赛，行业最关注的是两个指标：模型参数和算力规模。 原因不难理解。 大模型发展的早期阶段，在Scaling Law的影响下，增加训练数据、扩大模型参数、建设更大的计算集群，被视为提升模型能力的唯一路径。谁拥有更多计算资源，谁就可能训练出更强的模型。 可当大模型走向多模态，当AI应用从“一问一答”走向执行复杂任务的Agent，基础设施层遇到了新的问题：计算、网络、存储等任何一个环节跟不上，都会拖慢整套系统

文章配图-1 在天津武清的“乐潮”工厂里，上演了新旧交替的一幕。 过去，一位经验丰富的老师傅在机器前全神贯注地穿针、引线、拉毛，制作一平方米地毯往往需要半天时间。由于人工手艺的波动，产品的良品率始终维持在80%左右。 现在，高精度的热转印设备不断发出节律明快的鸣响，制作一平米图案精美、色彩细腻的地毯，只需短短数秒。产能上万倍提升的同时，良品率也陡增到了98%以上。 武清地毯产业的蝶变，绝不是简单的“机器替代人工”，一场更深层的变革发生在供需两端。 通过拼多多代表的新电商平台，用户的每一次点击、搜索、购买和评价，都被转译为工厂研发决策的参考数据：年轻群体热衷于“奶油风”与“意式极简风”的居家质感；“铲屎官”们极度需要兼具防水、防猫抓且高耐用的宠物地垫；租房人群在严格考量价格的同时，要求极高的质价比…… 当工厂不再盲目生产，能够实时读懂并回应消费者，被誉为“中国地毯之乡”的天津武清，正在改写“制造”的新逻辑。 $拼多多(PDD)$ 01 手工作坊到数字工厂，“中国地毯之乡”主动求变 天津武清是国内重要的地毯产业聚集区。 经过数十年的发展，逐步形成了从原材料、织造、印花，到裁剪、包装、销售的完整产业链，聚集了大量地毯生产和配套企业。 和很多传统产业带一样，武清当地密集分布着十几人、二十多人的“小作坊”，生产依靠手工台和手工缝制。高度集中的产业链，让企业可以获取原材料和加工服务，靠着低成本和规模占领市场。 弊端同样明显。 工厂长期处于供应链末端，研发创新能力薄弱，只能被动接单。在外贸订单充足、产品需求相对固定的阶段，这套模式还能高效运转，一旦需求端出现变化，大多数工厂会遇到生存考验。 直接的例子就是“乐潮”。 据乐潮电商负责人王雷介绍，外贸订单一度占据了工厂80%的营收，对接的是采购商与渠道商，偏向标准化