社区

文章配图-1 许多人在讨论“养虾”时，在荒凉的戈壁滩上，一场关乎能源命脉的技术革命正在悄然发生。 当地表浅层“容易获取”的油气资源被消耗殆尽，用脚步丈量大地的“找油人”，将目光瞄向了上万米的地底深处，要在上千米的地层中找到仅有几米适合开采的油层。传统靠经验“开盲盒”式的勘探手段已经失效，取而代之的是看不见硝烟的“计算战”。 为了拨开硬核技术的面纱，我们与中国石油勘探开发研究院原首席专家龚仁彬进行了一场对话，透过有着40年经验的“石油IT老将”的视角，理解计算怎么重塑人类寻找“黑金”的方式。 01 数据量指数级增长的计算“压力” 1986年大学毕业后，龚仁彬就投身于石油IT系统的建设，亲历了中国油气行业从信息化到数字化再到智能化的跨越。 “老一代石油人找油，靠的是一双铁脚板和长期积累的经验。”龚仁彬在对话中向我们描绘了传统石油勘探的画面，地质学家们跋山涉水，通过有限的地表采样和肉眼观察，再结合毕生积累的知识与经验，在大脑中构建出地下可能存在的油气构造。 文章配图-1 高度依赖人类大脑和体力的模式，已经逼近认知的极限，横亘在现代勘探面前，是两个跳不过的现实挑战。 第一个挑战是数据量的指数级甚至是“核爆级”增长。 “我刚参加工作的时候，在地面上放一炮，接收深度1000米，最多能到1500米。”龚仁彬回忆道。那时的勘探更像是在浅水区摸石头，而现在勘探的深度，已经达到了惊人的1.5万米乃至2万米。 不只是勘探深度的倍增，数据采集的维度也在几何级膨胀。过去放一炮，地面部署的接收传感器只有120个；现在放一炮，有几万个传感器同时在接收微弱的回波信号，采集到的数据呈现出了指数级增长。 “过去一个数据体可能只有几百兆，后来是几百个G，现在随便一个普通的地震勘探工区，都是几百个TB，有些能达到数十个PB级的数据量。”龚仁彬还讲述了自己亲历的一个“极端例子”，“为了拷取一个150TB的单体原始数

文章配图-1 1698年，托马斯·萨弗里发明了一种蒸汽泵，由锅炉、活塞和阀门组成，通过蒸汽冷凝产生真空，再利用大气压把水从矿井抽上来。 1712年，铁匠托马斯·纽科门对蒸汽泵进行了改良，创造了大气式蒸汽机，可连续工作24小时，让深达150米的矿井不再积水。 1765年，詹姆斯·瓦特发明了分离式冷凝器，让蒸汽机的效率提升了6倍。接下来的20年里，瓦特相继发明了飞轮和齿轮系统，蒸汽机不再只能上下抽水，还可以旋转驱动机器。 1785年，第一台瓦特蒸汽机在棉纺厂运转，纺纱效率直接翻倍，人类社会由此开启了“蒸汽时代”的新篇章。 回顾云计算的演变历程，和蒸汽机高度相似。 早期的云计算以虚拟化和弹性著称，就像蒸汽泵取代了风车抽水机，云计算解决了企业数字化最迫切的问题：不用建机房，不用买服务器，不用维护基础设施，只需要按需购买云端的资源。 大模型浪潮进一步重构了云的价值，正如大气式蒸汽机对抽水能力的提升，大模型时代的云计算，渐渐承载了模型训练、推理调用、AI应用开发等服务，演变为跨行业的智能化底座。 Agent的出现，让AI走出了对话框，开始具备拆解任务、调用工具、连接系统、协同流程、持续执行的能力。相当于给云添加了“飞轮和齿轮”，摆脱了“卖服务器”的束缚，跃升为千行百业的智能引擎。 在19世纪，蒸汽机迅速被应用到冶金、面粉、铸币、纺织等行业，成了适用于各种制造业的“万能机”；当智能化成为社会需求，承载了千行百业智能化转型使命的云计算，正开启新的战局。 在可预见的未来，AI云将是智能化时代的“新基建”——不仅是最大的时代红利，也是刚刚起步的蓝海市场。 $百度(BIDU)$ $阿里巴巴-W(09988)$

谈到AI与职场的关系，很多人最先想到的往往是程序员。 Codex、Claude Code、Cursor等工具，深度改变了代码生产方式。原本需要程序员一行行敲出来的代码，变成了一句需求，剩余工作交给AI自动生成、修改、测试乃至提交。 但OpenAI最近对Codex的更新，向外界释放了一个关键信号。 OpenAI发布了六款面向特定职业场景的插件，包括数据分析、创意生产、销售、产品设计、股权投资和投资银行业务，每个插件都整合了相关技能、指令和工作流程，让Codex能够模拟特定岗位的工作方式。 文章配图-1 原因并不难解释。 在Codex的周活跃用户中，知识型工作者目前已占用户总数的约20%，且增速是开发者群体的三倍以上。 不只是OpenAI，Claude Cowork以及Kimi最近推出的Kimi Work，也把本地文件、网页、代码执行、工作空间、任务进度和Skills放在了同一个桌面应用里，将目标用户从开发人员扩大到了知识工作者。 一场事关职场人的隐形分化已然拉开序幕：有人还在问AI助手，有人已经开始指挥Agent团队完成复杂任务。 01 职场人用AI的三个段位，你在第几层？ 过去判断一个人的职场竞争力，主要看三个指标：学历、履历和岗位。 毕业于什么学校，进过什么公司，负责过什么业务，基本就能确定一个人的能力画像。但在AI进入工作流后，评价体系中加入了一个新的变量——和AI的协作方式。 对应的不是使用习惯，而是生产关系。 第一类职场人，把AI当作“更聪明的搜索引擎”。 “这个概念是什么意思？”“帮我查一下资料”“这段话怎么写得更正式？”“帮我总结一下这篇文章”……AI进一步降低了信息获取门槛，缩短了搜索、筛选、整理的工作流程。 问题在于，生产力仍然停留在“获取答案”的层面。 提出一个问题，AI返回一段内容；提出下一个问题，AI再返回下一段内容。整个过程看似高效，本质上还是一问一

文章配图-1 医疗AI喊了很多年，但很长一段时间里，都像是一种“发布会技术”。 在PPT上，AI已经可以辅助诊断、提升效率、缓解医生短缺；在实验室里，AI模型可以在某个单病种、某个数据集上跑出不错的指标。可一旦落地到医院的科室，问题就变复杂了：系统能不能接上？医生愿不愿意用？数据能不能安全流转？成本基层医院能不能承受？模型换一家医院会不会失灵？ 6月5日的**云INSPIRE创想者大会上，**云正式上线了“行业AI梦工厂”， 20多家医院入驻“智慧医疗专区”，为上面的问题给出了确切答案。 文章配图-1 作为“行业AI梦工厂”首个落地的垂直行业专区，瑞金医院、邯郸市中心医院、武安市人民医院、瑞安市人民医院、延安大学附属医院在内的首批20多家医院正式入驻智慧医疗专区，头部三甲医院的智慧病理服务，正加速向地市级、县域和基层医院扩散。 医疗AI不再是悬在空中的“神话”，真正走进了医院的病理科、医生的工作站和患者的病历本。 01 医疗AI的“落地难”，到底难在哪里？ 在前几轮AI热潮中，医疗就曾被寄予厚望。 从医学影像识别，到智能问诊；从辅助阅片，到病历生成；从院内导诊，到健康管理……几乎每个环节都能看到AI的影子，最终却大多停留在了PPT上，单点案例能跑，规模化落地很难。 以病理场景为例，既是临床诊疗的“金标准”，也是医疗AI最难啃的硬骨头之一，至少存在三大“症结”。 一是病理医生的供需剪刀差，且资源极度分布不均。 国内有3.8万家医院，仅有5000家医院设立了病理科，全国病理医生总数不足2万，整体缺口超过14万人。再加上优质资源高度集中于少数三甲医院，大部分县域医院严重缺乏独立病理诊断能力。在基层能力薄弱的现状下，漏诊误诊风险居高不下，不少医院只能把切片或标本送到上级医院，患者和家属常常为了会诊跨区域奔波。 二是医院的IT系统错综复杂，数据生态呈现碎片化。 AI落地的前提是数字化

文章配图-1 AI带来的真正变革，正在从单个产品的智能化，走向整个环境的系统性重构。 过去几年，如果要在消费市场找一个焦虑变现的典范，青少年护眼赛道绝对是绕不开的关键词。 从早期的护眼灯，到这两年的大路灯，再到各种监测坐姿的AI眼镜，再到智能书桌椅等，中国家庭的护眼预算水涨船高。但你有没有发现一个怪圈：设备越买越多，参数越看越晕，可孩子们的眼轴增长速度，似乎并没有慢下来。 问题出在哪？ 答案其实并不复杂：我们一直在用解决单点问题的思维，去应对一个系统性的难题。 光环境太暗、长期低头用眼、坐姿歪斜、持续用眼过长……这些问题往往是同时发生的。传统的护眼灯只负责照亮，智能监测设备只负责报警，产品和产品之间是割裂的。最后，所有压力的落点依然回到了家长身上—— 孩子一低头，手表就震动；姿势没调好，灯再亮也没用。 这种人防而非技防的模式，注定是反人性的，也是低效的。 要打破僵局，必须换一种思路：如果不能时时刻刻盯着孩子，能不能让环境自己学会主动护眼？ 这正是今年爱眼日，照明行业发生的一件标志性事件。雷士照明与鲸鸣视控联手发布了一套AI主动护眼解决方案。这一次，他们没有讲更亮的灯的故事，而是祭出了两个技术底牌：伴生适然光技术与AI智能环境感知。 文章配图-1 如果说过去的护眼产品是在做工具，那么这套方案试图重构的，是人与空间的交互逻辑。 01 从护眼到专注，光正在成为学习状态的重要变量 过去我们在讨论护眼时，语境非常狭隘，基本停留在够亮、频闪、显色、哪家LED芯片更先进的物理层面。 但雷士照明研发的伴生适然光，视角完全变了。它不再仅仅是把空间照亮，而是在尝试理解人。 这个技术的底层逻辑很有意思。众所周知，人的眼睛是在几千万年的自然光下进化出来的。所以，对人眼最友好的，永远是自然光。 但自然光有个缺点：它太任性了，阴晴圆缺、日出日落不受控制。雷士照明中国航天照明科技实验室做的，就是通过光谱

文章配图-1 AI正以前所未有的速度演变。 从早期一问一答的对话，到自主执行、深度协同的Agent，AI正全面进入人类的生活和生产系统。 随着Agent深入千行百业的毛细血管，新的挑战逐渐浮出水面：相比于单次对话的模式，Agent有着更长的任务链路、更频繁的数据访问、更复杂的系统协同……不断推高Token的消耗量。 当AI的价值在一个个业务场景中量化，怎么在单位时间内生产更多、更便宜的Token，已经是绕不开的问题。 在**数据通信创新峰会2026·中国上，向外界传递了一个关键的产业信号：网络不再是单纯的联接通道，而是AI生产力体系不可或缺的一部分，就像运输货物需要高速公路一样，**正在通过星河AI网络为Token经济打造了一条高效、安全的“运输线”。 01 Token高效生产：数据中心向“Token工厂”演进 过去谈AI基础设施时，行业习惯把焦点放在算力上。 有多少张GPU、集群规模有多大、模型训练和推理速度有多快，往往是最直观的指标。可当Agent开始进入千行百业，AI加速从“非生产环境”走向“核心业务系统”，影响Token产出的最大瓶颈并非单卡的计算能力，而是算力、存储和网络之间的协同效率。 Agent在执行任务时需要读取参数、调用上下文、访问外部数据、操作工具......对存储的访问可能达到“一秒钟上百次”。如果网络跟不上，算力就会在等待数据、排队通信和反复中转中被浪费。 为了加速数据中心向“Token工厂”的演进，星河AI数据中心网络的方案可以归纳为两个关键词。 文章配图-1 第一个是高算效。 传统的数据中心架构，GPU访问存储系统中的样本数据时，必须绕道经过CPU进行中转。冗长的链路不可避免地存在绕行、中转和调度损耗，直接限制了单位时间内的Token产出。 星河AI数据中心网络的解法是“网算存协同”，即让NPU与存储直通，彻底省去了CPU中转的环节，传输带宽提升

文章配图-1 一个月前的数字中国建设峰会上，**展台呈现出了一种极具张力的科技图景。 一边是围绕云、计算、数据通信、光网络、存储等核心能力构建的硬核产品和前沿技术，一边是AI使能政务、经济、社会、文化、生态文明等行业的数智化鲜活案例。 穿梭在两大展区间，有一个直观的感受：AI已经彻底告别“对话玩具”属性，全面嵌入到了千行万业的“生产系统”中。 由表及里的智能化跃升，绝非简单的软件升级。当AI应用深入工业制造、电网调度、航空决策等复杂场景，传统的算力堆叠模式开始暴露出明显的局限性，算力产业再次站在了十字路口。 01 Agent新范式改写了算力供求 要理解底层算力为何需要重构，必须先厘清上层应用的演变。 在第九届数字中国建设峰会上，传递出了一个不应被忽视的产业共识：2026年是Agent应用的爆发元年。 直接的例子就是“龙虾”类产品的流行。无论是OpenClaw、Hermes，还是各种套壳的“Claw”，新产品的不断涌现，标志着企业IT的开发范式正在从传统的SOP（标准作业程序）向Agent体系迁移。 在传统的企业IT架构中，业务逻辑的实现高度依赖SOP：通常需要懂业务的人员提炼出确定的业务流，再由IT技术人员转化为AI能执行的语言。在处理确定性任务时效率极高，但面对复杂、动态且充满不确定性的生产环境时，往往会显得僵化且难以实时响应。 文章配图-1 而OpenClaw代表的Agent框架，最大的特点就是具备自主执行、多轮推理和自我进化的能力，让AI可以处理不确定性的业务流和格式复杂的数据源，在行业中引发了剧烈的连锁反应。 比如对业务创新的根本性驱动。 在Agent框架下，即使是不懂底层技术的业务人员，也能用自然语言编写和调度Skills，转化为AI可以准确执行的语言，大幅降低了AI参与不确定性复杂业务的门槛，让数字员工与真实员工的协同办公成为可能。 再比如推理需求的指数级跃升。

文章配图-1 过去两年，AI产业的叙事中心一直围绕大模型展开：参数规模、训练效率、推理成本、模型能力边界。 可当OpenClaw代表的Agent落地到千行百业，越来越多的问题浮出水面：一个能够理解任务、调用工具、访问数据、编排流程、持续执行的智能体，需要的不仅是基础算力和模型，而是一套完整的运行体系。 问题在于，什么是适合Agent的运行体系呢？ 5月22日的KADC2026鲲鹏开发者峰会上， $中国电信(601728)$ 天翼云联合鲲鹏给出了清晰的答案——构建Runtime、Token与Data协同的AI全栈云底座。 01 底座重构，企业AI正在从“调API”走向Agent Native 很多企业做AI应用，本质上是在“调接口”：前端套一个聊天框，后端接一个大模型API，再接几个业务插件。 这样的模式，曾是两年前的主流思路，但在Agent时代已经行不通。 因为企业业务不是单轮问答，常常是跨系统、跨角色、跨流程、跨权限的连续任务，一个真正可用的Agent，既要能理解任务，也要能调用ERP、OA、CRM、知识库、浏览器、代码环境等工具。折射到企业的IT架构上，AI不能停留在“外挂能力”的阶段，必须变成云原生架构中的一层运行时。 文章配图-1 天翼云公有云事业部研发专家周望在演讲中提到，天翼公有云当前的AI全栈产品体系被划分为三个模块。 第一个是Agent Infra，提供Agent Runtime、Agent沙箱、流程模式、中间件、Serverless底座等核心运行能力。可以理解为智能体运行的“水电煤”，解决了任务怎么拆解、工具怎么调用、状态怎么保存、异常怎么回滚、权限怎么隔离、多个Agent之间怎么协同等应用和运行问题。 第二个是AI Infra，包含异构算力池化调度、推理加速、密态计算、智

文章配图-1 过去几年，高端电视市场陷入了一场停不下来的“军备竞赛”。 一边是电视厂商们不断刷新的数字参数。 分区数量从几百卷到上万，峰值亮度从1000nits飙升到10000nits，刷新率、色域、HDR规格等指标被不断推高。 另一边的消费者却产生了微妙的“疲惫感”。 电视的参数表越来越豪华，“第一眼就被画质沦陷”的惊艳感却在一点点消失，盲目卷参数的边际效应越来越弱。 背后暴露出了一个长期被忽视的问题：分区、亮度、刷新率等参数，只是提升画质的工程手段，而用户对画质的理解要纯粹的多，会不会刺眼、会不会发灰、会不会偏色......市场总在围绕“参数”做加法，却很少有人思考——色彩到底是怎么产生的？ $四川长虹(600839)$ $海信家电(000921)$ 时间来到2026年5月末，在中国高端电视赛道重新洗牌的背景下，我们在长虹金标T70S上看到了行业的新风向：前些年被疯狂追捧的MiniLED，某种程度上依然属于LCD时代的“修修补补”，仅仅解决了背光控制问题，现在开始进入“光色场同控”的底层技术竞赛。 01 回归物理本质，画质的短板从来不是“亮度不够” 近几年的高端电视市场，OLED之所以一路攻城略地，一个很重要的原因在于——传统LCD画面始终存在挥之不去的“隔膜感”，通俗解释就是暗场不够透、亮场不够纯、黑色像蒙了一层灰。 面对视觉上的“不通透”，整个行业陷入了“路径依赖”，习惯性将画质问题归结于“背光分区不够多”。 于是整个MiniLED产业开始疯狂卷参数。 几百分区不够，就上千区；上千区还不行，就冲万级分区。可现实的物理规律是无情的，即使分区数量已经堆到了天文数字，屏幕上依然会频繁出现恼人的光晕现象、刺眼

过去两年，“AI+行业”几乎成了所有科技峰会上的关键词。 2025年以前，大多数企业对AI的态度还停留在概念验证、单点试水和局部提效，一套智能客服系统已经算是阶段性成果。 到了2026年，情况正在快速发生变化，渐渐褪去了初期的狂热与浮躁，AI开始在多个行业实现规模化落地和价值可量化。 最直接的代表，就是制造业。 5月15日的“AI+制造行业峰会2026”上，**中国政企业务副总裁郭振兴在主题演讲和媒体采访中表示：2026年企业数智化投资的营收占比，将提升到3%—3.5%；千行百业在数智化基础设施的投入规模将超过7000亿元；AI行业解决方案的价值将从“单点创新”跃升到“系统解决业务问题”。 文章配图-1 **中国政企业务副总裁 郭振兴 当“AI+制造”进入到深水区，越来越多问题浮出了水面：在热闹的技术叙事外，制造业怎么才能吃到新一轮红利？ 01 Agent觉醒，算力与生态的“双向奔赴” 如果说2025年是大模型“狂飙”的一年，2026年无疑是Agent集中爆发的元年。 以OpenClaw为代表的开源项目火爆全球，掀起了一场持续四个多月的“养虾热”，真正把AI从“动嘴”推向了“动手”：不再只是停留在对话框里的“外脑”，开始进入到真实世界里的复杂业务流程。 这种进化，对制造业尤为关键。 因为制造业从来不是靠“灵感输出”解决问题的行业，面对的是订单、排产、设备、工艺、质检、供应链、库存、交付等流程，每一个环节都高度耦合，任何一个变量，都可能牵动整条生产链的效率与成本。 过去，企业想让AI接入ERP、MES、PLM、OA、供应链等系统，往往需要大量定制开发，成本高、周期长、系统割裂严重。有了Agent的能力，可以通过MCP、Skills等标准化协议，低门槛接入企业现有的系统和工具，实现自主读取数据、分析问题、调用能力并执行操作。 文章配图-1 不夸张的说，Agent打开了“AI+制