社区

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

过去几年，Scaling Law深刻塑造了AI行业的发展轨迹：不断堆算力、堆数据、堆参数规模，以换取智能的涌现。 随着Agent时代的降临，对算力的需求渐渐从预训练转向推理，海量的Token消耗从根本上重塑了整个产业的评价体系。在“Token经济学”的叙事下，重心开始向更低的延迟、更高的能源效率倾斜。 当单纯扩大规模带来的边际效益开始递减，行业亟需回答：怎么在限的能源、空间与信息边界内，产出更高密度的智能？ 在5月8日举行的NAVIGATE 2026领航者峰会上，我们与新华三集团技术委员会副主席刘新民进行了一场对话，得到的答案是：AI基础设施正从单一的硬件竞争，进入系统重构与架构创新的“系统工程竞争”。 $紫光股份(000938)$ 01 拒绝“参数崇拜”：从“设备思维”到“系统思维” 全行业都在疯狂卷参数、卷规模的背景下，刘新民提出了一个直击灵魂的悖论：“设备参数这么强，为什么还需要调优呢？” 一语点破了AI时代最大的产业变革。 在传统ICT的语境里，评价设备能力的逻辑很简单，比拼的是CPU性能、网络带宽、存储IOPS、单机吞吐等静态指标，似乎只要把最顶级的算力卡、最高速的无损网络和最大容量的存储连接在一起，就能发挥出最大效能。 但在大模型推理环节，Token的产出是一个依赖动态协同的过程，即使单体硬件性能指标再高，如果底层架构的数据流转没有打通，实际运行大模型时依然无法跑得“通透”。硬件的堆砌只提供了理论上的性能上限，深度的系统级工程能力，才真正决定了算力转化为生产力的效率。 为什么传统的“设备思维”注定走向终结？刘新民在NAVIGATE 2026领航者峰会技术创新峰会的演讲中提出了三个结构性“剪刀差”。 图片 首先是数据的“剪刀差”。 目前互联网上的高质量文本数据已近枯竭，而大模型对高

图片 每年五月，全球显示产业的目光都会聚焦在SID Display Week。 在这场被誉为“显示界奥斯卡”的盛会上，显示巨头们无不拿出了“压箱底”的创新，或是最高的极限亮度，或是卷曲屏的最新形态。 但在SID 2026上，让人印象最为深刻的，却是斩获“People’s Choice Award”奖项的 $深天马A(000050)$ ，用十大重点显示技术和三大场景化解决方案，向全世界宣示了——显示行业的游戏规则，正在由中国企业改写。 这并非口号，而是数据揭示的事实。 根据Omdia、群智等机构的数据，天马的柔性AM-OLED手机显示出货量全球前三、车规显示连续6年全球出货量第一、车载仪表显示连续6年全球第一、车载HUD显示连续2年全球第一…… 比数字更值得深究的是——天马凭什么？ 答案藏在SID 2026的天马展台上，藏在“点亮生活之美"的主题里，藏在10大重点显示技术中。 01 十大重点技术，三张场景答卷 把天马的十大重点显示技术摊开来看，有一个清晰的逻辑：绝非单纯地秀肌肉，正围绕智慧生活、智慧办公、智慧出行三大场景，定义下一代全场景智能体验的标杆。 先看智慧生活，不盲目堆参数，而是把“屏幕”变成体验中枢。 在日常使用中，用户的核心痛点很明确：户外看不清、长时间用眼累、边框割裂沉浸感、折叠屏有痕影响体验。天马在SID 2026展示的重点技术，正在逐一拆解这些问题。 针对户外强光环境下“看不清”的问题，传统方案要么堆亮度，要么牺牲功耗。天马叠层高亮天工屏通过叠层OLED结构，将两个发光单元串联提升发光效率，功耗比传统设计降低了30%、峰值亮度达8000nits，户外强光下屏幕内容依然清晰可见。 图片 1.jpg 针对长时间用眼的“健康焦虑”，行业长期停留在调色温、滤蓝光的表层优化。天马绿色健

图片 如果说2025年是人形机器人“学会走路”的一年，2026年正被逼着“学会干活”。一个尴尬的现实是：在舞台上，机器人的动作一年时间里突飞猛进；在生活中，连把一杯水从餐桌端到茶几上，都做不利索。 问题出在了哪？我们在一场行业论坛上找到了答案。 百度智能云事业群总裁沈抖的解释是：数据是制约行业发展的核心短板，具身智能尚未进入生产生活环节，数据未形成规模化正向循环，与自动驾驶的成熟数据生态存在较大差距。 用一句话总结的话：并非只是算法不够好，还涉及到训练数据够不够多、够不够广、够不够“真”。 01 数据的“含金量”，才是真正的壁垒 每次谈及大模型时，“智能涌现”的概念被频频提起：把互联网上的文本和图片喂给模型，智能就“涌现”了。 在具身智能产业，类似的逻辑却行不通。 文本、图片、视频等多半是“公开数据”，具身智能需要的是“任务级”和“过程级”的物理交互数据。比如需要让机器人知道一个苹果握在手里是什么触感、掉到地上会怎么滚动、抓太轻会滑落、抓太重会捏破。 图片 互联网上没有这些数据，必须有人在真实世界里手把手教，或者通过遥操作设备“示范”，代价是四个层次的数据困境。 第一，标准缺失。 即使是同一个抓取动作，由于传感器型号、关节扭矩精度、坐标定义方式的差异，数据之间互不兼容。结果是“行业缺乏统一的数据格式标准与元数据规范，数据无法跨企业、跨平台复用。” 就像是战国时期的文字，每个诸侯国的“字”都差不多，就是没有统一标准、彼此无法互通。 第二，采集成本高昂。 真机遥操作采集是行业公认质量最高的方案，操作员穿戴上动捕设备和力反馈手套，手把手带着机器人完成每一个动作。单小时有效数据的成本可高达数千元，且操作员上手门槛极高。 好比是让一个大学教授去给幼儿园小孩一对一辅导，效果是好，但效率太低，几乎无法规模化。 第三，传统标注模式不适用。 以前标注一张图是“猫”还是“狗”，或者在自动驾驶的

图片 2026年的北京车展，空气中依然弥漫着新车的皮革味，但底色已经变了。 在这场嘈杂的技术堂会上，Momenta CEO曹旭东丢出了一个极具“末日感”的判断：智能驾驶中，中国仅2-3 家、全球3-4家供应商会快速胜出，行业格局将快速收敛。 作为累计定点合作车型超200款、已交付量产车型数70+、智能辅助驾驶解决方案装配量突破80万台的方案提供商，曹旭东笃定Momenta将是全球智驾市场的三分之一，在北京车展上高调表示：自动驾驶就是物理AI的序章，而Momenta想成为其中的平台型玩家。 关于“物理AI”的宏大叙事背后，一个尴尬的命题始终悬在Momenta头上：在广汽、上汽、奔驰等车企的发布会上，Momenta只是PPT上的一行小字，“含摩量”仍是车企避讳的话题。 01 第一梯队的“影子冠军”：强于算法，弱于心智 过去两年里，各路智驾测评博主和专业机构几乎把市面上的主流车型“测了个遍”，产出了一份份智驾榜单。 一个吊诡的现象：在非官方或半官方的智驾大赛上，搭载Momenta方案的车型频频出现在第一梯队，甚至在某些复杂的城区NOA测验中，它的动态拟人化表现多次”力压“**乾昆的ADS与特斯拉FSD。但在消费者的认知里，排名第一的车型几乎找不到”智驾“标签。 直接的例子就是第一电动发起的第二届中国智能辅助驾驶大赛宁波站，测试过程堪称 "地狱模式"：赛前路线全程隐藏，29 公里路程里藏着社区窄路、盲区掉头、人造障碍物等 8 个考点，甚至特意设置了 "识别透明保鲜薄膜" 这样的刁钻考题。 最终榜单出现在屏幕上时，整个车圈都炸了。因为排名第一的不是问界、理想、小鹏、阿维塔，而是别克至境 L7。 有人痛斥是”野榜“，也有人尝试在技术侧给出了解释：别克至境 L7搭载了Momenta R6 飞轮大模型，靠 40 亿公里实战数据训练出的决策能力，在复杂场景中优势尽显。比如面对环岛左转的混乱车

图片 在AI加速融入千行百业的2026年，如果说哪个领域的AI落地最被寄予厚望，大概率会是医疗健康。 大型三甲医院往往人满为患，专家号源紧张、医生每天的接诊量巨大、分配给每位患者的时间非常有限。同一时间，县医院、社区卫生服务中心等基层医疗机构，因为服务能力相对薄弱，导致分级诊疗难以有效实施。 正是在这样的背景下，国家卫生健康委等五部门联合印发了《关于促进和规范“人工智能+医疗卫生”应用发展的实施意见》，明确要求推动人工智能在基层医疗、临床诊疗、患者服务、科研教学、医院管理等方面的落地。 摆在面前的问题是：不少医院在推进AI落地的过程中，遇到了数据孤岛、重复建设、系统难以互通等问题，原本计划的目标是“智能提效”，结果却成了一场吃力不讨好的“系统拼接游戏”。 就在4月10日，南方医科大学南方医院与**联手交出了一份新答卷——面向全球首发了医院通用人工智能平台（HAIP），给出了医疗AI“统一规划、全域协同”的新范式。 01 破局“单点式落地”，打造医院的“AI操作系统” 过去几年里，国内医院的数字化和智能化转型，可以归纳为“摸着石头过河”：各个科室按照自己的需求引入AI，比如影像科用AI看肺结节、病理科用AI看切片、信息科用AI管病历…… 这种“打零工”式的单点式落地，暴露出了四大核心挑战： 第一个是数据孤岛。每个系统的数据格式不同、接口不一，没法互相调用，形成了一个个“数据孤岛”，数据价值无法有效挖掘。 第二个是AI算力烟囱式建设。每个系统都配了自己的服务器，算力与模型重复部署、多模型与多智能体无法协同，资源不能共享。 第三个是缺乏医疗+AI人才。医院缺乏AI专家，个性化需求难满足；传统ISV AI能力偏弱，需要支持和培育。 第四个是应用开发复杂、周期长。医院现网应用的厂商多、接口复杂，牵一发动全身，存在大量对接开发。 之所以出现上述痛点，根本原因在于——医院缺少一个统一的底