科技云报道原创。 在过去一两年里，以GPT和Diffusion model为代表的大语言模型和生成式AI，将人们对AI的期待推向了一个新高峰，并吸引了千行百业尝试在业务中利用大模型。 国内各家大厂在大模型领域展开了激烈的军备竞赛，如：文心大模型、通义千问、混元大模型、盘古大模型等等，这些超大规模的模型训练参数都在千亿以上，有的甚至超过万亿级。 即便训练一次千亿参数量模型的成本可能就高达数百万美元，但大厂们依然拼尽全力，除此之外也有很多行业企业希望拥有自己的专属大模型。 对于企业来说，要想在大模型的竞争中胜出，就必须充分利用算力，并且构建高效稳定的服务运行环境，这就对IT基础设施能力提出了更高的要求。 而云原生正是比拼的重要一环。云原生技术的自动化部署和管理、弹性伸缩等功能，能够有效提高大模型应用效率并降低成本。 据Gartner预测，2023年70%的AI应用会基于容器和Serverless技术开发。在实际生产中，越来越多的AI业务，比如自动驾驶、NLP等，也正在转向容器化部署。 那么，云原生是如何帮助大模型降本增效，在这个过程中又遇到了哪些挑战？ 云原生成为大模型的标配 近年来，容器和Kubernetes已经成为越来越多AI应用首选的运行环境和平台。 一方面，Kubernetes帮助用户标准化异构资源和运行时环境、简化运维流程；另一方面，AI这种重度依赖GPU的场景可以利用K8s的弹性优势节省资源成本。 随着大模型浪潮的到来，以云原生环境运行AI应用正在变成一种事实标准。 弹性伸缩与资源管理 大模型训练往往需要大量的计算资源，而云原生环境通过容器化和编排工具可以实现资源的弹性调度与自动扩缩容。 这意味着在大模型训练过程中可以迅速获取所需资源，并在任务完成后释放资源，降低闲置成本。 分布式计算支持 云原生架构天然支持分布式系统，大模型训练过程中的并行计算需求可以通过云上的分

科技云报道原创。 从15世纪达芬奇绘制出世界上第一份人形机器人手稿，到如今波士顿动力、本田、特斯拉、Figure AI等企业相继推出了人形机器人产品，机器人新物种持续衍生，人形机器人产业已经从萌芽概念阶段进入产业化落地前期。 近日，由科技巨头OpenAI、微软、英伟达以及电商巨头亚马逊创始人杰夫·贝佐斯等重量级投资者共同支持的人工智能机器人初创公司Figure AI，正式揭开了其第二代人形机器人Figure 02的神秘面纱。 这款被誉为“地球上最先进的AI硬件”的机器人，不仅标志着人工智能技术的又一里程碑，也预示着以具身智能为内核的人形机器人向工业化、商业化应用迈出了坚实的一步。 超越想象的智能新物种 正如Figure名称所暗示的那样，这一堪称目前最先进的人形机器人是2023年推出的Figure 01的后继产品。 今年3月，Figure 01发布时，就曾引发市场高度关注。当时，Figure 01可以与人类进行全面对话，机器人的所有行为都是学到的，并非是远程操作。这背后不仅有Figure引以为傲的端到端神经网络技术，还全面融入OpenAI所推出的多模态AI大模型，科技界普遍将这一人形机器人视为“行走的ChatGPT”，具备模仿人类行为、深度学习与思考以及与人类进行自然且高效率沟通等诸多强大能力。 Figure 02在大脑上，依然集成了OpenAI的GPT-4o多模态大模型，相比较于Figure 01使用GPT4，Figure 02将进一步地提升机器人的常识推理能力，使其能够更好地理解和响应复杂指令，机载计算和AI推理能力提升3倍。 与特斯拉的Optimus以及波士顿动力的Atlas相比，与OpenAI大模型的深度集成也一直是Figure引以为傲的强项，该集成使其在多模态推理和任务执行方面更具智能性和适应性，提升其在视觉、听觉和语言交互方面的能力，使其能够执行复杂的端到端任务，

科技云报到原创。 如果你最近打过客服电话，大概率遇到过两种让人崩溃的AI。 一种是"胡说八道型"——语气极其自信、措辞特别专业，但给的产品规则、操作路径全是错的，这就是大模型"幻觉"。客户被忽悠几次，对AI客服彻底失去耐心。 另一种是"死胡同型"——AI听你说了半天，最后甩出一句"抱歉，请转人工"，然后是漫长的排队盲音。 这两种智能客服一个把客户骗走，一个把客户耗走。 两种体验背后，是客服行业两个迟迟未解决的真问题—— AI始终处于“被动响应”状态：坐席不点它就不动，知识库要人去搜，工单要人去填，系统要人去切；以及缺乏行业纵深（通用大模型搞不定金融、电商等细分领域的复杂业务闭环）。 这直接催生了一个刺眼的数据：过去两年，全球客服自动化率提升了30%，但客户满意度只涨了5%。 钱花了，系统上了，AI接进来了——但客户那头，却没感觉服务变好。到底是哪里出了问题？ 容联云智慧联络平台负责人 冉鸥 5月15日，在江西上饶举行的"增长进化论·数智全域驱动下的客户服务生产力革新论坛"上，容联云智慧联络平台负责人冉鸥给出了一个直击痛点的答案： “很多企业上的AI客服没效果，不是大模型不行，是工作范式没变。传统的联络中心停留在‘人操作系统’的阶段——人找知识、人走流程、人填工单，业务是串行的，效率高度取决于人的经验。这种‘被动唤醒’的模式，无法根本解决问题。” 这一次，容联云推出的AI Agent智慧联络平台，以全渠道CC+CRM为业务底座，引入了多个具备自主思考与执行能力的Agent（智能文本Agent、智能语音Agent、全能客服中枢Agent、智能质检Agent、智能洞察Agent）。 平台要彻底打破“人驱动系统”的传统锁链，让Agent主动参与到业务判断与流程执行中——Agent主动理解、主动执行流程、自主办理、跨系统协同，用并行的方式完成特定任务，大幅提升人机协同效率。 客服系统

科技云报到原创。 当AI大模型的迭代速度进入“每周一更新”的白热化阶段，当企业为争夺算力资源不惜豪掷千金，一个被普遍忽视的核心矛盾正成为AI落地的“隐形门槛”——有了算力，却没有“能用的数据”。 在2025联想凌拓技术大会上，“智存・智变”的主题并非一句空泛的口号，而是切中了行业痛点的精准判断：在“数字中国”与“新质生产力”战略推进下，AI要真正赋能实体经济，不能只靠算力的“硬堆砌”，更需要数据的“巧管理”。 作为专注智能数据管理的服务商，联想凌拓通过联想存储智能体（Lenovo Intelligent Storage Agent，简称“LiSA”）、Lenovo ThinkSystem DS系列及NetApp AFX等创新方案，正在重新定义存储的角色——从后台的“数据储存柜”，升级为AI时代的“价值中枢”。 AI落地的五大数据困境 谈论AI时，人们的目光总聚焦于大模型参数规模、GPU算力指标，但真正阻碍企业落地AI的，往往是数据端的基础性问题。 联想凌拓首席执行官杨旭直言：“落地AI存在相当难度，因其在生产链条中产生海量数据，如何将这些数据与业务场景有效结合，高效发挥数据与AI的能力，从而产生切实的业务价值——无论是提升效率、准确性还是保障数据安全——是企业关注的重点。” 联想凌拓首席执行官 杨旭   通过与京东方、半导体芯片厂商等千行百业客户的深度合作，联想凌拓梳理出企业AI落地的核心挑战，而这些挑战的根源，都指向数据管理能力不足。 AI大模型对数据的要求，早已超越传统“能存就行”的标准，需要数据高质量、高整合度、高时效性，且能与业务场景深度绑定。传统存储系统只负责保管数据，却无法完成数据预处理，导致AI模型“无米下锅”，这便是数据准备不足的痛点。 高速增长的企业还常面临“业务先行，IT 滞后”的困境。杨旭提到一家领先的三轮摩托车制造商，IT系统滞后于业务增长

科技云报到原创。 2026年，生成式AI与大模型的规模化落地，把智能算力推到了数字经济的C位。从千亿参数模型的跨域训练、亿级用户的高并发推理，到影视特效渲染、工业视觉质检，算力不再是科技企业的专属配置，而是贯穿千行百业的新型生产力。 但行业长期被三大痛点困住：异构芯片生态封闭、模型迁移成本高企；算力供给区域分散、推理需求爆发式增长带来供需错配；传统机柜租赁、裸金属租用的粗放模式，完全跟不上精细化、结果导向的用算需求。 在行业处于转型之际，中国信息通信研究院云计算与数字化研究所于近日发布《智能算力服务研究报告（2026年）》，立足全球算力竞争格局，紧扣工业和信息化部《算力互联互通行动计划》方向指引，不仅系统梳理了智算服务的内涵、架构、技术与场景，更首次构建三层服务体系、明确四大发展趋势，为政策制定、产业布局、企业落地划出清晰路径，堪称智算产业从“拼硬件、堆规模”转向“拼服务、建生态”的转型宣言，以权威研究引领行业迈向高质量发展。 全球算力军备赛白热化中国踩准核心破局点 AI技术的爆发式演进，让智能算力成为全球科技竞争的核心赛道，各国纷纷将智算发展上升至国家战略，一场围绕算力主导权的竞赛全面打响。 全球算力竞争的核心逻辑高度一致：打破资源孤岛，实现算力互联互通，抢占算力服务制高点。 与海外算力发展相比，中国走出了一条“先互联、再成网、同步建全国统一大市场”的特色路径。 国务院明确提出加快形成全国一体化算力体系，五部门联合深化“东数西算”工程，去年工信部印发《算力互联互通行动计划》，定下明确目标：2026年建成完备的算力互联互通标准、标识与规则体系；2028年基本实现全国公共算力标准化互联，打造具备智能感知、实时发现、随需获取的算力互联网。 这份战略布局，精准击中行业三大核心矛盾： 资源层，GPU、NPU等芯片架构封闭，跨厂商模型迁移成本极高，异构算力难以协同； 互联互通层，算力

科技云报到原创。 龙虾OpenClaw正在遭遇前所未有的“铁笼”考验。 短短数天内，工信部、国家互联网应急中心、中国互联网金融协会密集发声。多家银行收到监管提示，有的甚至已下发内部禁令。这场由开源智能体引发的产业变革，正在监管与创新的夹缝中经历一场“压力测试”。 但最值得玩味的不是监管出手本身，为什么在众多行业中，监管第一个“圈住”的偏偏是金融？答案其实很简单：因为金融太重要了。它关乎千家万户的存款，关乎国民经济的血脉，经不起任何“试错”。当AI从“动口”变为“动手”，拥有了直接操作账户、调动资金的能力，监管必然要在风险最高的地方率先筑起堤坝。这不是金融的保守，而是对“重要”二字的应有之义。 一、监管“多连击” 2月5日，工信部发布安全风险预警提示。3月10日，国家互联网应急中心发布风险提示，点名OpenClaw存在提示词注入、误操作删除、技能插件投毒、安全漏洞等四大风险。3月11日，工信部发布“六要六不要”建议，明确金融交易场景存在“引发错误交易甚至账户被接管的突出风险”。 3月15日，中国互联网金融协会跟进，措辞更为直接：严禁在涉及资金交易、客户信息等核心业务环节部署或使用未经安全认证的自主智能体工具。 三部门、数天、集中发声——这种密集程度实属罕见。但监管的逻辑并非“一禁了之”，而是在划一条清晰的线：个人场景可以用，但涉及资金、账户的金融业务，不行。 这不是保守，而是一种先行先试的“压力测试”。金融行业之所以成为监管的“第一站”，恰恰因为它代表了AI落地最苛刻的场景——这里有最严格的合规要求、最敏感的数据资产。如果在金融领域能跑通，其他行业就有了范本；如果在金融领域暴露出问题，那就是整个智能体产业都需要面对的共性问题。 二、智能体的“先天缺陷” 中国信息通信研究院副院长魏亮在3月10日接受采访时指出，OpenClaw“本身存在极强的高风险性和不确定性，呈现出高速发展与