社区

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

文章配图-1 一个礼拜前，美国法律科技公司Harvey在X上官宣了一则消息：隆重推出基于Kimi K3训练的首个自有模型Harvey Tenet。 消息一出，迅速在AI圈掀起了一场波澜。 基于开源模型后训练的事已经屡见不鲜。早在3月份，Cursor的自研编程模型Composer 2，就被扒出是基于Kimi K2.5训练的；DoorDash、Airbnb等企业，也纷纷部署开源模型进行“降本”。 为何一家法律科技公司的“自有模型”，在国内外引发了如此大的关注？答案在于：Harvey可能是最不应该选择中国模型的AI公司。 诞生于2022年的Harvey，先后获得了OpenAI、红杉资本、a16z等机构的注资，市场估值已经达到110亿美元，全球75家以上Am Law 100律所都是Harvey的客户。而且Harvey的产品原型就是建立在OpenAI模型上的，双方还曾合作训练面向美国判例法的定制模型。 正是这样一家被视为OpenAI“亲儿子”的公司，在训练自己的第一款基础模型时，选择以中国的开源模型为底座。 OpenAI的“亲儿子”，为什么要独立求生？ Harvey与OpenAI的关系，远非寻常的“投资者与被投资者”。 一位创始人曾是证券和反垄断律师，另一位创始人有过DeepMind和Meta的工作经历。两人最初只是用GPT-3测试法律问答，随后获得了OpenAI Startup Fund领投的500万美元种子融资。 在Harvey的早期故事里，OpenAI既是资本来源，也是最重要的技术靠山。 到了2023年，Harvey完成8000万美元B轮融资时，OpenAI和红杉资本继续参与。Harvey在融资公告中明确表示，公司正在与OpenAI合作开发面向专业服务行业的领域模型。 双方的分工一度非常清晰。 OpenAI负责提供越来越强的通用模型，Harvey负责理解律师、法律文件和律所工作

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

文章配图-1 在商业史的周期轮转中，每一次基础设施大爆发的背后，都隐藏着一套精密的金融杠杆运作。 19世纪初，美国依靠发行铁路债券，将欧洲资本引入北美大陆，铺就了横跨美洲的钢铁动脉；上世纪70年代，住房抵押贷款证券化（MBS）的诞生，一举激活了庞大的房地产与消费金融市场；世纪之交的电信泡沫时期，光纤资产的资本化与债务杠杆，为互联网时代埋下了硬件伏笔。 2026年8月，硅谷与华尔街在重重财报与金融协议中再次交汇，上演了一幕宏大的商业景象：英伟达将联手黑石、贝莱德、高盛等华尔街六大顶级机构，建立一套规模高达5000亿美元的芯片融资体系，将AI芯片打造成一种全新的可证券化资产类别。 当算力被华尔街赋予金融属性，成为生息资产、硬通货与抵押品，标志着AI产业正在从“算法与大模型”的浪漫主义时代，驶入“金融杠杆、制造供应链与资本消耗”的现实主义时代。 01 挤压与极化：被巨头推高的“算力鸿沟” 要理解英伟达为何联手华尔街玩一场金融杠杆游戏，必须要理解算力市场正在上演的“资本挤出效应”。 腾讯在2026年第二季度财报中，披露了一组令人惊讶的财务数据：二季度资本开支升至528亿元，远超预期的321亿元，与上年同期的191亿元相比几近翻三倍；自由现金流负138亿元，若剔除AI算力采购预付款，自由现金流仍为376亿元。 也就是说，腾讯正筹谋算力军备竞赛中“不惜代价”前置卡位，即使可能出现现金流承压。 腾讯并非孤例。 根据彭博社的统计数据，谷歌、Meta、微软和亚马逊四大科技巨头，已承诺在未来数年内投入近2.4万亿美元用于AI开支。巨头们凭借充裕的现金流、优异的信用评级和成熟的融资渠道，能够以远低于行业平均水平的资本成本，持续投入AI基础设施。 巨头们的狂暴买单，直接改变了算力的资产属性。 腾讯总裁刘炽平在业绩电话会上透露了一个极具冲击力的商业细节：腾讯此前采购的部分算力订单，如果现在选择出售，

当前中国制造业正加速向高端化、智能化转型，电子精密制造等领域对产品精度与品质的要求持续提升。质量检验早已不再是生产链条末端的收尾环节，而是贯穿全流程、决定产品良率、制造成本与品牌信誉的核心节点，是企业立足全球市场的核心竞争力。 文章配图-1 面对愈发严苛的验收标准，产线质检该如何破局？ 在质检岗位上，质检员日均会进行数千次重复的检测动作，即便资深的一线质检人员，也难免受疲劳累积、注意力波动的影响，出现漏检、误判或标准执行偏差。 全流程依赖人工质检的模式下，每道工序均需配置相应检测人员，不仅推高了管理成本，更因个体判断标准的差异，难以保证品质管控的一致性与稳定性，成为合格率进一步提升的关键制约因素。 文章配图-1 当极致品质管控成为行业普遍追求的目标，纯依赖人工的质检模式已难以匹配顶级厂商的验收标准。如何用智能化手段补足人工短板、放大经验价值，直接决定制造企业的发展上限，也关乎中国制造向高端迈进的整体步伐。 工业AI质检走进制造产线，给出破局答案 CoolerMaster 集团讯强电子（惠州）有限公司（下文简称讯强电子）是散热器制造领域的领军企业，其散热产品为服务器、通信设备、新能源汽车等核心设备提供关键散热解决方案。面对全球客户日趋严苛的品质要求，讯强电子携手**数据存储展开深度合作，依托**工业AI质检解决方案，搭建起高精度智能化质检体系，推动产品质量与生产效率双向跃升。 **工业AI质检解决方案基础设施主要由OceanStor Dorado全闪存存储、iMaster DME数据中心管理平台、训练服务器、推理服务器、管理节点和**AI质检大模型组成，提供如组装错漏反识别、视频动作分析、尺寸测量检测等功能，助力企业提高质检效率，降低产品缺陷漏检率。 文章配图-1 跃升一：生产流程可视化、可追溯、可管控，多工位落地智能质检 讯强电子在超声水检、组装穿管、附件装配三个工位部署*

半个月前的WAIC，向外界传递了一个清晰信号：AI正从功能型、执行型向任务型、协作型加速演进。 从智能体到具身智能，从AI手机到工业场景，技术已经跨越了概念和实验室阶段，正深刻重塑企业的协作范式。同时也抛出了可能影响ICT市场格局的问题：当AI从企业的可选项变成必答题，如何满足各行各业的转型需求，真正抓住千行百业智能化的机会窗口？ 文章配图-1 日前，**中国政企用户峰会2026在天津举行。**中国政企业务总裁吴辉围绕“**+伙伴”的服务体系给出了示范答案：从传统的保障“设备和网络可用”，进阶为驱动“流程重构与业务增值”。 01 AI进入生产系统，企业的痛点不只是技术 衡量技术的标尺，从来都离不开“价值”二字。 当AI进入企业的核心系统，首先暴露出来的，并非是某个模型不好用，而是企业原有的业务、数据、技术和组织体系的短板。想要AI跨越“基准测试”到“生产提效”的鸿沟，必须直面三类核心挑战： 第一个是业务和数据问题。 AI能力的上限，往往由数据质量决定。现实中的一幕往往是，很多企业跨部门协同不畅，数据分散在不同的系统中，数据治理几乎无从谈起。如果企业在生产和经营流程中的高质量数据集是断裂的，模型就无法形成有效的逻辑思考与业务闭环，智能体在业务一线的落地也就成了无源之水。 第二个是系统和架构问题。 在传统IT时代，企业的计算、存储、网络是相对独立的模块。到了AI时代，AIDC已经演变为涵盖云、网、边、端、算力、模型、应用高度耦合的系统工程，任何一环出现问题，都可能影响最终的业务体验。极高的算力密度、液冷散热要求与高耦合度，对系统架构和运维的挑战不言而喻。 第三个是组织和人才问题。 AI落地不是IT部门上线一个模型，需要业务、技术、数据等部门深度协同。问题是，懂AI的人不一定懂行业，熟悉行业Know-how的人则缺乏AI工程化能力。相关数据显示，2030年的中国市场需要400万既

一年前，大模型的能力还集中在问答、总结、内容生成等辅助性工作；到了2026年，AI正加速从“回答问题”走向“完成任务”，从过去的被动响应，进化到目标驱动、主动规划和自主执行。 站在企业的立场上，选项已经不再是“要不要用AI”，而是“怎么让AI深度融入业务流程”。 然而一个园区想进行智能化改造，却面临系统烟囱林立、数据无法打通、多系统集成困难等问题；一家医院希望用AI减少医生书写病历的时间，让诊疗方案更符合医保要求，却要面对医疗数据安全、算力资源如何高效使用等挑战……AI落地的“最后一公里”，如何才能快速跨过去？ 文章配图-1 7月31日举办的**深圳场景化解决方案发布会上，**商业和分销解决方案部总裁刘锋在演讲中给出了答案：携手伙伴打造“智轻优易安”轻量级场景化方案，助力千行百业快速将Agent部署到业务一线。 01 从“大项目”到“小场景”，数智化的供给方式变了 过去的数字化转型，往往围绕顶层规划展开，再逐步建设基础设施、数据平台和业务系统。到了AI时代，面对大量分散、具体且快速变化的业务场景，企业更需要先找到价值明确的场景，让AI在一个个真实场景中跑起来，再把经过验证的能力沉淀下来。 **提出的“10+95+N”战略，目的正是改变数智化的供给颗粒度：沿着教育、医疗、制造等10个行业找到价值场景，围绕场景打造普教AI通识课、智慧产业园区、智慧新能源、工业AI质检等95个轻量级方案，并围绕不同场景持续打造一系列适销新品。 把“大项目”拆成“小场景”，只是第一步。 面对海量的企业诉求，一个场景化方案的落地，必须回答一连串问题：能不能快速用起来？上线以后效果好不好？早期要投入多少？是否需要庞大的运维团队？数据是否安全可靠？ 在**深圳场景化解决方案发布会上，**商业和分销解决方案部总裁刘锋针对企业数智化转型中的普遍问题，首次提出携手伙伴打造“智轻优易安”方案，帮助各行各业快速部

文章配图-1 对客服务、智能投研、智能投顾、业务运营、风险识别……大模型在证券行业的应用，几乎渗透到了每一个业务环节。 早期的探索大多是单一场景。 或是把内部知识库接入大模型，让AI回答员工问题；或是把几十页研报交给AI，让它提炼关键信息；或是在客服系统中加入智能问答功能，提高常见问题的处理效率。 打通的场景越来越多，渐渐从量变走向质变。 AI的服务对象变成了数千万客户、上万名内部员工，进入到投顾、投研、投行、风控、研发运维等核心环节，从效率提升走向价值转化。面对算力的挑战，问题不再是“能不能上线部署一个模型”，而是大量用户同时发起请求时，系统能不能及时响应？财富、投行、风控等多个部门同时调用模型时，算力如何分配？ 2026世界人工智能大会前夕，国泰海通联合**打造的金融行业首个自主创新AI液冷超节点正式上线，实现了大规模的算力协同，补齐了AI在证券行业规模化落地的一块重要拼图。 $国泰海通(601211)$ 01 从“部署大模型”到“建设AI生态系统” 国泰海通的AI布局并非始于大模型热潮。 早在2017年，国泰海通就前瞻提出了“AI in ALL”的人工智能应用策略，并在2024年创新提出“ALL in AI”的全新策略，坚定长期、持续、深入推进AI在各领域场景应用和赋能。 2025年4月，国泰海通行业首家获监管同意在APP上线大模型面客服务，并在同年7月发布了行业首个全AI智能App“灵犀”。 截止到目前，国泰海通大模型的典型应用已经覆盖财富管理、机构服务、投资银行、合规风控、数字职场、研发运维等多个领域，实现了全业务、全链条、全岗位的全场景创新实践。 原因并不难解释。走在行业最前沿的国泰海通，在人工智能建设的过程中落地了三大举措。 一是构筑行业首创的“1+N”大模型应用架构。以1个通

文章配图-1 对客服务、智能投研、智能投顾、业务运营、风险识别……大模型在证券行业的应用，几乎渗透到了每一个业务环节。 早期的探索大多是单一场景。 或是把内部知识库接入大模型，让AI回答员工问题；或是把几十页研报交给AI，让它提炼关键信息；或是在客服系统中加入智能问答功能，提高常见问题的处理效率。 打通的场景越来越多，渐渐从量变走向质变。 AI的服务对象变成了数千万客户、上万名内部员工，进入到投顾、投研、投行、风控、研发运维等核心环节，从效率提升走向价值转化。面对算力的挑战，问题不再是“能不能上线部署一个模型”，而是大量用户同时发起请求时，系统能不能及时响应？财富、投行、风控等多个部门同时调用模型时，算力如何分配？ 2026世界人工智能大会前夕，国泰海通联合**打造的金融行业首个自主创新AI液冷超节点正式上线，实现了大规模的算力协同，补齐了AI在证券行业规模化落地的一块重要拼图。 $国泰海通(601211)$ 01 从“部署大模型”到“建设AI生态系统” 国泰海通的AI布局并非始于大模型热潮。 早在2017年，国泰海通就前瞻提出了“AI in ALL”的人工智能应用策略，并在2024年创新提出“ALL in AI”的全新策略，坚定长期、持续、深入推进AI在各领域场景应用和赋能。 2025年4月，国泰海通行业首家获监管同意在APP上线大模型面客服务，并在同年7月发布了行业首个全AI智能App“灵犀”。 截止到目前，国泰海通大模型的典型应用已经覆盖财富管理、机构服务、投资银行、合规风控、数字职场、研发运维等多个领域，实现了全业务、全链条、全岗位的全场景创新实践。 原因并不难解释。走在行业最前沿的国泰海通，在人工智能建设的过程中落地了三大举措。 一是构筑行业首创的“1+N”大模型应用架构。以1个通