社区

并行科技举办并行计算性能优化比赛已经十几年，每年比赛结束，组委会都会复盘做一件事，把比赛中所有参赛队使用的优化技术点汇总之后，可以得到一个最高性能的版本，冠军、亚军、季军基本上是使用了其中技术点数量最多的前几名。 “你看，优化能力不是一招鲜，而是把很多点拼起来，所以算力优化能力会随时间趋同的。谁优化得快，谁就先上到一个层面，但最终大家会追平。”并行科技董事长陈健认为，并行科技真正需要抓住的，不仅是优化能力，更是终端的用户。 并行科技是一家从超算、高性能计算体系里走出来的算力服务商。陈健不把并行科技定义成卖卡的公司，也不把Token工厂简单看成新的云服务生意。 过去十几年，并行科技建立了覆盖全国的算力网——并行算网，以及围绕高校、科研和企业做按需算力服务，积累了数万用户、60多个合作算力中心和几十个行业的应用特征数据。到了大模型时代，这套体系被迁移到推理和Token生产上。 在访谈中，陈健反复强调：“算力生意不是资源业，是服务业。”但这并不意味着资源不重要。相反，在Token工厂这场供给侧淘汰赛里，订单、卡和优化能力缺一不可。小玩家如果没有订单、没有足够的卡，也投不起持续优化的钱，最后很难活下来。 核心观点 Token工厂的胜负取决于订单、卡和优化能力。有订单才能开工，有卡才能产出Token，优化能力决定单位卡的产出效率，三者缺一不可。 长期看，优化能力会趋同，订单和卡是终极门槛。优化是集大成者，推理涉及约30多项技术，但领先优势随时间收窄，最终决定生死的是订单和卡。 小厂不适合做Token工厂。优化能力至少需要每年数千万元的研发投入，卡的成本差异可能达到数倍，账期和供需周期又会持续挤压现金流，小玩家很容易被淘汰。 算力生意的本质不是资源业，而是服务业。服务好客户的业务，才是并行科技一切打法的出发点。 不押注重资产，基于算网模式穿越周期。 根据市场供求关系平衡算力资

9月28日，AMD宣布约82亿美元收购World Labs，一支由李飞飞带队、成立仅两年、累计融资12亿美元的70人团队。 这是AMD历史上第二大收购，官宣当天，AMD股价收跌约3.6%，市场的第一反应是疑虑多于兴奋。 那么，芯片厂为什么急着买模型公司？模型公司又为什么愿意在估值高位卖身？ 01 英伟达有物理AI全栈，AMD一片空白 物理AI是英伟达布了十年的局，构建了上下五层的全栈基础设施。 具体而言，Omniverse重建世界，Newton构建物理引擎，Cosmos生成世界，Isaac和GR00T训练机器人，Jetson Thor边缘部署机器人。 图1：物理AI技术栈对照 五层连起来是一条流水线，场景搭好、物理算准、数据造够、模型练熟、芯片部署，全栈闭环。如果说CUDA，是英伟达AI芯片的真正壁垒；那么这套技术栈，就是英伟达物理AI芯片的真正壁垒。 在这个全栈体系下，从芯片、物理引擎、世界模型到边缘部署层层咬合，每一层都在为下一层供给数据与场景。客户采购的解决方案，覆盖从训练算力到仿真环境再到机器人大脑，一站式配齐，迁移成本极高。 对照之下，AMD的技术栈一片空白。 爱分析认为，AMD在AI训练与推理市场尚且可以做跟随者，而物理AI近乎空白的布局，连跟随的资格都还没拿到。AMD要补的不只是某一款产品，是整个层次结构。收购World Labs，是补全这份技术栈清单速度最快的方式。 通过收购，AMD一下补齐了世界构建、世界生成和训练评估三层。此前，AMD与World Labs已经有过一年的技术合作，但技术合作只能带来模型与硬件的适配优化，只有收购才能真正具备与英伟达对抗的话语权。 而且，模型迭代以月计算，AMD从零自建团队很难在1-2年内补齐5层短板。从补齐时间角度出发，AMD无法参考英伟达自研模型的方式，唯有收购一条路。 02 趁还卖得出价，赶紧上岸 World Labs

今年Salesforce大会现场演示环节，一名销售人员没有打开CRM，而是直接问Claude：这笔交易有什么风险？ Claude调取Salesforce及经过授权的邮件、日历和Slack信息，很快发现客户需要的200个VIP席位中有50个尚未落实。销售人员确认方案后，Claude随即更新业务方案、起草客户邮件，还生成了新的工作界面。 整个过程中，Salesforce几乎没有出现在屏幕上，却参与了完整的任务。 这指向一个重要变化：用户可能越来越少进入企业软件界面，却更频繁地调用界面背后的数据、规则和执行能力。 那么，当Agent开始掌握用户入口，SaaS接下来要守住什么？ 图1：Claudeforce用户登录界面 爱分析判断，SaaS的界面、通用功能和浅层领域知识的价值将持续下降，核心壁垒将转向企业Know-how，以及定义、执行、治理和持续积累这类Know-how的能力。 一、Agent正在把入口与业务系统分开 过去，AI功能通常被嵌入软件界面，用户仍要打开原系统，而软件的产品入口没有改变。 Salesforce此次发布的AIforce，是一套让企业数据、对象关系、业务规则、权限和可执行动作能够被外部Agent调用的平台能力。以Claude为代表的外部AI入口，通过MCP、API和Skill连接Salesforce：模型负责理解需求、推理和交互，Salesforce负责提供企业上下文、权限、流程和可执行动作。 用户看到的是Claude界面，但Claude并不知道企业的客户是谁、商机处于什么阶段、什么人有权修改合同。模型只有接入企业长期积淀的业务上下文和执行能力，才能从回答问题走向完成工作。 除了Claude，Salesforce正在把这套能力开放给更多外部Agent和工作入口。对于Salesforce而言，入口虽然转移，但产品价值仍保留在每个任务背后，成为Agent读取企业

大模型普及带动推理需求快速爆发，Token推理服务商业价值持续凸显，第三方服务商已然成为AI算力生态的重要组成部分。 海内外产业发展形成显著落差：海外市场已沉淀出经过验证的商业化实践，国内行业却深陷算力内卷、价格厮杀、毛利率持续承压的发展困局。不少本土服务商在客户选择、业务路线、是否布局自研芯片等关键战略决策上，缺少可借鉴的行业参照。 基于上述背景，爱分析正式发布《2026 爱分析・Token市场海外对标研究报告》。报告跳出国内市场的局部视角，以海外成熟产业实践为对标样本，剖析不同商业模式的得失，为国内Token服务商研判赛道、制定战略提供务实参考。 1、报告综述 Token服务正在成为AI产业链价值分配的核心环节。向上，Token服务支撑AI应用；向下，Token服务调用模型与算力资源。 根据爱分析预测，2026年全球Token市场规模将达到1350亿美元。迅速崛起的Token产业与开源模型生态，使得模型原厂提供的Token服务已经无法满足市场需求，从而催生了众多第三方Token服务商。 过去两年，第三方Token服务在海外跑出了一个相对成熟的格局，市场清晰地分化出两条发展路线。一条路线提供MaaS服务，做算力调度和推理性能优化；一条路线自研推理芯片，重新定义推理服务的成本结构。 而中国市场，当前正在重走这个过程，路途中荆棘遍地。为此，爱分析这份报告通过海外市场的对标研究，回答两个核心问题：第一，Token服务的毛利率未来将会如何变化；第二，第三方Token服务商做芯片，这个命题是否成立。 我们的核心判断有三层。 第一层，Token服务包含两门生意，服务终端企业和服务模型厂商。两者看起来都在卖算力和推理能力，但财务模型完全不同。服务企业，能自主定价、毛利高，且自持算力资产较轻，对于现金流压力小；服务模型厂商，缺少话语权、毛利被集采压到个位数，而且需要自持的资产比例也更高，

做了十几年产业互联网的张宗兵，太清楚SaaS的痛了：非标化、数据孤岛、对人的重度依赖，让这个行业做得特别辛苦。 AI Agent，让他看到了一个完全不同的解法：把业务的Know-how封装成可被AI调用的Skill，让Agent去理解、规划、执行，替代过去要靠大量人工去填的坑。 为此，张宗兵把千匠网络过去十年积累的2900多个组件，一个一个拆解开，重新封装成了2600个原子化的Skill。这不是一次普通的版本升级，而是从SaaS到AI原生的彻底重构。 张宗兵的判断很直接："走原有的SaaS加AI的方式，只会越走越艰难。" 张宗兵有着二十多年企业服务经验。这位从用友、商派一路走来，后来创办千匠网络的连续创业者，如今最关心的，已经不是再把软件功能做得多一点，而是怎么把软件里最重、最难复制的那部分能力重新拆开再造。 与爱分析的此次交流过程中，他分享了软件厂商如何做AI重构、未来Know-how壁垒的变化以及商业模式向运营结果延伸等行业洞察。 核心观点 SaaS+AI是死胡同，必须走AI原生重构的路。在原有软件上叠加智能体能力，研发成本永远降不下来，最终会被AI原生的新进入者取代。 产业互联网过去十年发展辛苦，根源在于非标化、业务复杂、数据贯通和专家依赖四重困境，Agent正在后两件事上打开突破口。 企业应用真正的壁垒从来不是技术，大厂三年之内就能把所有技术能力开源。真正的壁垒是行业Know-how的积累和转化速度。 软件公司必须从卖工具转向卖运营结果。AI让软件厂商有能力延伸到运营服务层，通过"平台订阅+AI运营"的模式，打开比卖软件大得多的商业空间。 以下为本次访谈实录，在不改变原意基础上略有修改。 一、十年SaaS，卡在了"非标"两个字上 爱分析： 过去这十年，产业互联网、供应链软件发展得都比较辛苦。不管是做采购软件、供应链软件，还是做交易的，都觉得重。原因在哪？

近期爱分析访谈了红熊AI 的CEO温德亮，以下是本次访谈文章。 一段看似普通的售后对话，最能暴露AI应用的短板。用户只说了一句“手机闪屏了”，系统往往还要从头追问型号、订单、设备、账号，再把这些零散信息拼起来回答问题。 红熊AI的CEO温德亮不认可这种工作方式。在他看来，如果一个系统已经知道用户买过什么、当前在用什么、此前发生过什么，它就不该每一轮都“重新认识一次用户”。 这也是红熊AI切入记忆赛道的起点。与不少把记忆当作大模型外挂、插件或能力补丁的公司不同，红熊AI创始人温德亮更愿意把它定义为一套类人脑记忆引擎。记忆不是在推理之后被动补充，而是应该先进入记忆，再决定系统如何理解上下文、如何生成回答、如何执行动作。 顺着这条逻辑，红熊AI没有先做一套纯底层能力等待市场成熟，而是先从客服、营销、售后等最容易出商业结果的场景切入，用应用收入反哺底层技术，再把记忆、反思和工作流逐步沉淀成更通用的能力。 从2024年“客户和投资人都听不懂”开始，到2026年赛道被重新点燃，温德亮讲的已经不只是记忆怎么做，而是一个更现实的问题：当概念热度过去之后，谁能把记忆真正做成一门能交付、能赚钱、也能过合规门槛的生意。 核心观点 记忆不是外挂，而是推理入口。真正有效的记忆系统，不是推理完再补记忆，而是先调记忆、再做推理，只有这样才能深度进入复杂业务场景。 没有记忆约束，垂直场景的AI准确率很难稳定超过95分。在温德亮看来，记忆的价值不只是记住更多，而是系统性压低事实性幻觉，把业务准确率拉到企业可接受的水平。 记忆赛道的第一桶金，不会先来自纯基础设施。 红熊AI选择先做智能体应用，不是放弃底层，而是先用订单和现金流验证需求，再反哺底层能力建设。 行业已经从技术竞争，走向商业化竞争。 Gemini和DeepSeek相关论文把记忆赛道点燃之后，市场真正分化的不是谁讲得更前沿，而是谁

数据生产方式正在被AI改造。 在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。随着数据Agent进一步发展，一个智能体负责生产，另一个智能体负责质检，人将逐渐从生产闭环内部转向闭环外部，从逐条标注转向制定规则、监督过程和验收结果。 同时，在医疗、教育和模型后训练等高标准场景中，即使机器完成99%的工作，最后1%仍要由专家兜底。 伴随生产方式的变化，数据服务的边界也在同步扩展。 过去的数据标注主要依靠人给图片、语音和文本打标签；现在，数据厂商需要从需求规划开始，完成采集、治理、标注、质检和持续运营，最终交付能够直接进入模型训练的高质量数据集。数据公司的价值，也转向建设自动化生产能力、组织行业专家并持续提升模型效果。 飞数前身可以追溯至科大讯飞2001年成立的语音制作部门。2024年4月，相关数据团队孵化成立安徽飞数，将二十余年的数据生产经验转化为自动化平台和专家网络。 飞数执行总裁谭昶将飞数的能力概括为高难度、高知识密度和高效率。目前，飞数已储备数千名专家资源，并将业务从教育、医疗逐步延伸至科研和工业制造。 大模型后训练和具身智能正在带来新一轮数据需求。谭昶判断，大规模基础数据会率先经历生产高峰，随后转向难例、真机数据和高知识密度数据的竞争。 在本次与爱分析的交流中，谭昶系统分析了高质量数据的判断标准、自动化与专家的分工、具身数据的市场周期，以及飞数依靠技术平台和专家网络建立长期能力的路径。 核心观点 数据标注正在升级为完整的数据生产。 AI企业需要的是可以直接用于模型训练的数据产品，服务范围已经覆盖规划、采集、治理、标注、质检和持续运营。 模型效果是高质量数据的最终标准。 准确率、完整性和时效性是基础指标，数据能否提升模型性能，决定了它的实际价值。 机器可以完成99%，专家必须守住最后1%。 自动化会持续压缩人工工作量，但在高标准场景中，专家仍要制定

滴普第二季度业绩亮眼，据2026H1中报，其Q2收入约2.30亿元，净利润约3010万元，净利率达到约13.1%。 对于一家仍在投入企业大模型、本体和智能体平台的厂商，这是一道重要的盈利分界线：当收入达到一定规模，滴普现有业务已经能够覆盖研发、销售和管理费用，并产生不低的利润。 但一个季度赚到钱，不等于已经形成持续盈利能力。 滴普Q2收入占上半年约81%，是Q1的4.27倍。同期，综合毛利率同比只提高1.5个百分点，上半年经调整利润和经营现金流仍为负。三组数据放在一起，指向一个更直接的问题：Q2的高净利率，究竟来自AI平台形成的可持续经营能力，还是主要来自项目集中验收后，收入规模对期间费用的摊薄？ 判断一家企业AI厂商的利润能否持续，主要看这三件事：收入增长能否摊薄费用，单个客户是否持续增购，平台能否降低项目交付成本。概括下表达，就是规模摊薄、客户价值和平台复用三种经营杠杆。 滴普Q2单季体现了规模摊薄效应，但另外两种杠杆效应并没有显现。 一、滴普Q2跑出的利润，只是规模摊薄杠杆效应 滴普Q2利润反转，最显著的变量是收入，而不是毛利率或期间费用。 按中报数据推算，滴普Q1收入约5393万元，Q2升至约2.30亿元；Q1净亏损约6200万元，Q2净利润约3010万元。两个季度之间，收入增加约1.76亿元，利润改善约9210万元。 图1：滴普2026Q2收入大幅增长，净利润由负转正 毛利率改善提供了一小部分增量，但不足以解释如此大的利润变化。2026H1，滴普综合毛利率为56.5%，同比提高1.5个百分点；核心AI业务DeepexiOS毛利率为57.2%，同比提高2个百分点。 从这里可以看出，平台能力可能已经开始改善直接成本，但幅度仍然很有限。 滴普也没有通过大幅裁员和削减投入换取利润。上半年，销售及营销费用同比增长33.2%至6568万元，研发费用增长23.8%至7213万元

9 月 16 日，神州问学发起的城市巡回技术沙龙"问学极客行"走进北京亦庄·模数 OPC 社区。本次活动由北京经济技术开发区信息技术产业局指导，神州问学主办，爱分析、WaytoAGI 模数 OPC 社区联合主办，神州数码通明湖研究院提供智库支持。本次活动聚焦"Agent 如何接进企业系统、跑通真实任务"这一核心命题，以主题分享与圆桌对话两种形式展开。 活动现场 当前，北京亦庄正在推进全域人工智能之城建设，着力聚集汽车、集成电路、生物医药、智能制造等多样化产业集群。本次活动参会单位覆盖科研、能源、通信、信创、金融、制造等多个领域。现场围绕Agent如何接进企业系统、跑通真实任务展开讨论。 AI落地的起点在业务线，不在蓝图 现场分享从一家制造企业的真实处境开始。晶澳太阳能科技股份有限公司数字化总监张毅柱在《AI跑通企业真实任务的落地路径》分享中提到，在光伏行业产品同质化、成本趋同的背景下，企业之间的差距更多来自运营效率。 晶澳太阳能科技股份有限公司数字化总监张毅柱 晶澳的做法是，把AI落到营销服务这一条业务线上，把客户管理、技术方案与销售运营拆成可执行的任务，让AI依次接住，而不是先铺开一套覆盖全公司的蓝图。 企业不缺单点尝试，缺的是把点连成线 一条业务线如何跑通，已有答案；新的命题随之而来：单个场景的经验，如何扩散至整个组织？神州数码AIBG资深AI产品经理石磊在《神州问学驱动行业由点-线-面的智能化跃迁》分享中，把这条路概括为点、线、面三个阶段：点解决的是让一个人做事更快，线解决的是让一件事跑得更快，面则是把多个流程串联起来，推动组织形态的重构。 神州数码AIBG资深AI产品经理石磊 石磊认为，企业在AI落地中普遍面临知识分散、流程割裂、结果难追溯、经验难沉淀四类问题，AI的价值不在于生成，而在于能不能把知识、流程与规则沉淀下来，被持续调用。 沿着这条路径再往深一层，就落到

最近，Harness正在成为企业级AI落地中的高频关键词。 Harness工程爆火，反映出企业客户对AI落地可控性的迫切诉求，尤其在金融、能源、政务、制造等复杂场景中，如何让大模型真正接入核心流程，正在成为产业端关注的关键问题。 海致科技是国内较早布局图智能、知识图谱和图模融合的厂商，也在Harness工程方向进行了大量深度实践与场景落地。 近日，爱分析与海致科技联合创始人杨娟进行了一次访谈，重点围绕Harness工程的本质、图智能为何迎来新一轮爆发、RAG与图模融合的核心差异，以及企业Ontology如何从分析走向执行等主题展开讨论。 核心观点 1、Harness工程是AI向产业深水区演进的必然结果。 大模型走向产业端落地，企业需要解决的问题逐步增加，从Prompt设计到Context管理，再到Skill管理与任务调度等。Harness将这些能力系统化，成为支撑AI进入更复杂的企业业务流程、实现“可解释、可追溯、高可信”落地的系统工程。 2、企业客户更关注AI结果的可控、可靠、可审计。 真正阻碍大模型深入业务的关键是信任问题。相比单纯追求模型能力，客户更在意结果稳定、过程可验证、责任可追溯。 3、图智能进入新一轮爆发期。 过去图技术的短板主要是计算效率低于向量，应用范围受限。在Harness框架下，图技术可用于调度任务和Skill执行，通过优化执行路径，进而节省token、降低成本、缩短响应时间，这成为了图智能新一轮爆发的核心驱动力。 01 Harness工程的核心价值是让AI可控 爱分析：您怎么看Harness工程，会不会跟Prompt、Context工程一样昙花一现？ 杨娟：这是一个技术逐步发展、内涵不断深化的过程。大模型从消费端的简单问答走向产业端落地，工程化需应对的挑战逐步显现。 最开始是prompt工程，构思prompt直接影响模型产出，这是人机交互的