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

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

前一天深夜，朱鹰还在自己的工作台里处理招聘、会议纪要和项目资料。第二天见面交流时，他直接展示了这套工作台，会议逐字稿、部门待办、管理干部review、跨项目关联，以及不断被修正和索引的企业文档，都在同一个工作台里流动起来。这个工作台月均处理约3000+份文档，渗入到他的日常工作中。它不是一次“AI演示”，而是一套在CEO日常经营里连续运行、持续纠错、能反过来塑造组织节奏的管理基础设施。 朱鹰是慧工智能创始人兼CEO。在他看来，Agent和Chatbot的区别，已经不只是界面是不是一个对话框，而在于系统背后有没有企业自己可掌握的上下文工程，或者说可控的记忆结构：可追溯的数据来源、可版本化的规则、可调用的工具、可评测的结果，以及可审计的权限边界。企业真实运转中的会议、项目、流程、客户和现场经验，能不能被持续组织起来，变成可调用、可复用、可迭代的context，才是这一轮AI进入工业软件的关键。 正因如此，本次交流很快从“怎么做一个Agent”，扩展到工业软件问题。当企业know-how开始被压进skill和小模型，当workflow不再只是固定流程，而要围绕目标和意图重新设计，当软件越来越像服务，工业软件公司未来的壁垒到底会在哪里？接下来两三年，工业企业又该如何重新理解自己的组织、产品和客户关系？ 核心观点 1、Context才是新壁垒。企业级智能体真正难复制的不是模型调用，而是谁能持续拿到真实工作里的上下文，并把它变成可调用的记忆结构。更进一步说，谁能把每一次会议、交付、异常、客户反馈变成下一次Agent判断的证据，谁才有复利。 2、Know-how会迅速被压缩进skill和小模型。过去靠经验、流程文件和提示词守住的秘密，会越来越难单独构成护城河。 3、智能体会改变组织管理半径，一号位的认知和投入变得更关键。信息能力增强后，管理者可以直接管理更大的团队，但组织也需要重新思考一

互联网大厂的算力胃口越来越大，但曾把这个行业一手带大的智算中心第三方服务商，却正在迎来巨大的挑战——当他们苦熬多年把AIDC供应链调教成熟后，运营商带着成本与补贴武器杀入市场，而跨界的新能源巨头和激进的上市公司，正用绿电和资本杠杆改写游戏规则。 国内基建价格内卷，只能出海“下南洋”；算力利润被卡死，只能下场“折腾电”。本期，爱分析对话时石资本创始人陈峻，带你撕开中国AIDC产业最残酷的B面，看看服务商们究竟该如何活下去。 时石资本，是一家深耕绿色数字基础设施领域的产融结合平台，业务触角遍布国内核心算力枢纽，以及东南亚、中东等海外市场。发展至今，时石资本实现了算力租赁、股权投资、资产管理与电力交易的深度闭环，是少有的全产业链参与者。 其创始人陈峻，拥有20年私募基金与实物资产投资经验，曾任黑石中国区董事总经理，并历任思科系统、博时基金、景顺投资等跨国巨头及头部金融机构要职。兼具清华电气工程学士与金融、管理双硕士背景的他，更能看清算力与电力、资本与资产交织的产业终局。 核心观点： 1、AIDC的商业逻辑已被运营商深度改写，第三方服务商价值被挤压。2025年起运营商深度下场，凭借成本与补贴优势斩获大厂过半订单，并直接沿用了第三方培养成熟的供应链。传统第三方服务商要么退出竞争，要么降格为分包商并背负二次结算风险。 2、国内基建供应链卷到极致，出海东南亚成为AIDC新窗口。国内服务器与基建投资额高达10:1，基建被卷到几乎没有利润空间。而东南亚造价是国内的3-4倍，中国企业通过预制件海运出海，在基建端反而能赚取两位数的利润率。 3、AIDC的增利之道不在“算”而在“电”，终局是绿电成本的对决。智算机房的租赁收益已被大厂卡死，唯一的利润想象空间全在电价差上。随着“一对多”绿电直连政策放开，每度电省下的几分钱将直接变成数据中心翻倍的净利润。未来只有手握最便宜、最稳定绿电的玩家才能活下来。

交流一开始，范承工先演示了个人记忆管理工具MemoryBox。左侧是life、work等不同的记忆空间，右侧是导入近千个ChatGPT历史会话，以及同步进来的本地文件。这个演示真正想证明的，不是又多了一个AI入口，而是一件更底层的事：当一个用户在从ChatGPT换到Gemini，再换到Claude，真正不该跟着入口一起丢失的，就是个人记忆。 这个判断背后，是范承工过去20多年做存储形成的直觉。作为MemVerge联合创始人，他又做了开源项目MemMachine，并在准备推出新产品MemoryBox。 在范承工看来，AI下一阶段不只是在比模型能力，也在比谁掌握记忆的归属权。再往下一层看，这场记忆的所有权之争，其实是一场更深的基础设施迁移：AI的存储，正在被记忆重写逻辑。 核心观点 记忆正在独立成层，它不再只是ChatBot的附属功能。对AI来说，模型更像新的计算层，记忆正在变成新的存储层。 记忆不是一个桶，情景记忆、语义记忆、程序记忆和文档记忆，对应的是四套完全不同的治理逻辑。记忆真正难的不是存储下来，而是压缩、去重、召回和冲突管理。 模型可以集中，但记忆不能。大模型可以共享公网数据训练，但长期记忆天然是私有数据，所以local first、数据主权、记忆主权为成为长期架构选择。 统一记忆层不会由模型厂商完成。大厂一定会持续补齐各自的记忆，但跨模型、跨agent、跨应用共享的记忆层，会长期存在独立空间。 个人记忆是入口，组织记忆是商业化主战场。当记忆开始沉淀团队经验、任务流程和组织know-how，它争夺的就不再是一个功能，而是企业的能力底座。 以下为本次访谈实录，在不改变原意基础上略有修改。 一、记忆重写AI时代的存储 爱分析：你过去做了20多年存储，现在做记忆。如何看待记忆和存储之间的关系？ 范承工：对我来说，这两件事在理念上是相通的。计算系统最核心的三件事，本来就是计算

大模型正在进入企业核心业务场景，但真正阻碍其落地的，不是模型能力本身，而是数据能否被模型准确理解和调用。大量扫描件、PDF、图片、视频以及复杂表格沉淀在业务系统中，保留着关键知识，却长期处于非结构化、难解析、难关联的状态。 企业投入大量资源做结构化治理后才发现，面向人类阅读的数据形态，并不天然适合大模型推理，只有将语义和结构尽可能无损地还原出来，才可能真正构建AI-Ready的数据底座。 EasyLink是一家链接AI、数据与场景的AI原⽣企业，创始人陈思吟是一位拥有多年金融科技投资经验的跨界创业者，她敏锐地洞察到了AI应用落地中最难啃的硬骨头——数据，便带领团队深耕非结构化数据处理，在金融资管、医疗等高精度要求的垂直行业中，将大模型应用从玩具级推向生产级。 近期，爱分析与陈思吟进行了一场深度对话，重点讨论了几个核心问题：AI的数据偏好、隐性知识萃取路径、AI原生组织的未来演进。 核心观点： 让AI理解数据是企业在产业侧AI落地应用的最大壁垒。在企业自部署开源模型、模型能力趋于同质化的背景下，决定AI应用质量高低的关键，是输入给LLM的内容质量。模型决定下限，数据决定上限。 AI不习惯人类的结构化思维。传统的表格和硬性结构化数据是做给人类看的，而对于AI而言，无损的语义描述和天然的网状结构才是最佳养料，把数据转化为自然语言上下文，才是真正的AI-Ready。 企业级AI场景没有中庸之道。泛办公场景可以用轻量级或开源架构，但金融、医疗等核心业务场景对精准度要求极高。90分在企业级场景只是刚及格，达不到95分以上的精准，AI就无法推向生产一线。 未来的AI原生组织将扁平至极。随着AI向各个工种深度渗透，传统的复杂汇报线将被瓦解。未来的企业可能精简到只有高管层和专家层两层，其中，专家层是少数具备丰富经验、负责管理和审计Agent的超级个体。 01 什么是AI ready data

AI数据服务公司澳鹏（Appen）正加速从传统数据标注向大模型数据服务转型。 自2023年报开始，澳鹏将LLM训练数据、多模态生成式AI、视频生成数据、模型安全与评测等项目统一归入生成式AI相关业务（以下简称GenAI业务），正式设为战略业务类别， 并明确提出向GenAI转型。 据财报披露，澳鹏GenAI业务收入占比由2023年的4%升至2025年的33%，2025Q4达到44.1%；2026H1为29.0%，较上年同期提高4.4个百分点。同期，集团收入同比增长17.5%，调整后EBITDA实现扭亏。 从业务结构到经营业绩，澳鹏GenAI业务转型已经初显成效。但进一步拆分可以发现，中国业务与海外业务的表现存在显著差异。 2026H1，Appen China分部（覆盖中国、日本、韩国，后续简称中国业务）贡献7620万美元收入，占集团收入的63.6%，并调整后EBITDA为1210万美元；同期，Appen Global分部（主要面向美国和欧洲市场，以下简称海外业务）收入为4370万美元，调整后EBITDA亏损450万美元。 中国业务是澳鹏当前经营表现中最积极的部分。2026H1，中国业务收入同比增长80.4%，调整后EBITDA同比增长315.5%，利润率由6.9%提升至15.9%，实现了收入和盈利能力的同步提升。 根据业绩会披露，中国业务的增长动力包括GenAI项目扩张、中国科技企业出海、消费级AI应用需求增长，以及预制数据集收入增加。 相比之下，海外业务虽然已经获得Coding、金融和医疗等大模型相关项目，但新增业务尚未完全弥补传统业务收缩。 因此，本篇澳鹏研究的重点，一是中国业务实现高速增长和盈利改善的核心动力，二是海外业务向GenAI转型面临的主要挑战，并在此基础上评估澳鹏集团整体业务调整进展。 01  GenAI业务收入占比达33%，业务

大厂的Token业务正在进入最好的时代。火山引擎等头部云厂商的Token收入ARR已迈过百亿关口，正向千亿规模进发。百倍增长靠的是生态繁荣，更多开发者在云上构建应用，更多应用消耗更多Token。 与此同时，这也是大厂Token业务最危险的时刻，模型能力越强，Token调用量越大，生态伙伴的生存空间反而越窄。爱分析观察到，支撑Token增长的生态正在被云大厂自身的模型吃掉。 云大厂每一次模型迭代，都在系统性地吸收开发者在应用层验证过的价值。爱分析将这一矛盾定义为Token业务的偷猎者悖论：云大厂Token增长依赖生态繁荣，但模型迭代的内在逻辑就是消化生态已验证的需求，偷猎者由此陷入两难境地。 01 Token增长靠应用繁荣，模型迭代却在吸收应用 云大厂Token业务面临一个根本矛盾。要增长，就得有足够多的开发者在平台上构建应用、创造Token消费场景。但一旦场景验证成功，模型就会依靠平台积累的数据，将应用能力迭代到下一版模型之中，进而消灭了这部分开发者的价值。 此刻的云大厂就是典型的偷猎者。所谓偷猎者，就是同时拥有用户数据和自建应用能力的主体。 用户数据是模型迭代的燃料。每一次用户与模型的交互都在标注——什么需求成立、任务怎么拆、需要调用什么知识。比如用户使用视频生成，每一次调整提示词是在标注创作偏好，每一次重新生成是在标注质量标准，每一次放弃输出是在标注需求边界。这些交互数据会进入下一轮模型训练，模型就学会了更精准地响应。 自建应用的能力是另一块拼图。拥有自建应用意味着可以直接运营终端场景，拿到第一手用户交互数据，形成数据闭环。 两样合在一起构成完整的偷猎能力：用自建应用获取数据，用数据迭代模型，模型升级后再吸收更多应用层已验证的价值，循环往复，欲罢不能。 图1：偷猎者循环机制 这个循环与移动互联网时代的生态逻辑有本质区别。在移动生态中，大厂不会因为小程序验证了一个高频需求

工业Agent正在从知识库问答，进入CAD、CAE等研发设计核心环节。AI越深入核心业务，通用能力就越难直接复用。同样使用CATIA软件，航空设计与汽车设计面对的对象、流程和知识体系并不相同；同样是审图，不同企业关心的规则、风险和验收标准也很难直接复制。 这意味着，工业AI不能只在通用模型或单点工具上做文章。它既要深入业务，又要用平台承接场景差异；既要让智能体调用工业软件，也要把分散在企业内部的经验、标准和流程组织成机器可使用的知识。 行云创新成立于2016年，早期聚焦云原生平台与企业软件研发，近年来将业务延伸至工业智能设计与仿真，行云创新CEO马洪喜将这种业务延伸概括为：“云是通解，但AI一定是特解。” 马洪喜认为，工业智能体不只是工业软件右侧的一个对话框，而会逐步站到业务流程之前，组织CAD、CAE、PLM、ERP等系统共同完成任务；而决定工业AI准确性和长期价值的关键，也不只是模型能力，而是企业能否建立持续更新、可以被智能体调用的知识体系。 本次访谈，围绕工业AI的切入路径、平台与场景的关系、智能体对工业软件的影响，以及知识图谱与模型的边界，爱分析与马洪喜展开了交流。 核心观点 云计算可以通过技术通解服务不同行业，工业AI则必须深入具体业务。行云创新选择CAD、CAE，是因为它们处于产品研发的核心环节，价值高、门槛也高。 工业AI的规模化来自平台、工具和行业Know-how。场景千差万别，底层能力和半成品方案可以持续复用。 工业智能体不会长期停留在单个软件的侧边栏中。随着自然语言交互和多智能体协作成熟，用户会更多关注业务结果与流程，底层工业软件的操作界面和品牌存在感可能下降。 工业AI的精度由工具链和知识图谱共同决定。专为AI打造的500多个CAD工具（AI Friendly Tools) 负责执行，知识图谱提供确定的规则和任务拆解。 企业自己的知识体系将成为工业AI

AI已经快速进入企业，但还没有真正进入组织。 数据显示，88%的企业已经在至少一个业务职能中使用AI，但AI对企业总营收贡献超过10%的企业仅占8%，真正实现AI深度融合的企业也只有7%。 这组反差说明：企业已经解决了“有没有AI”的问题，却还没有解决“AI能否成为组织能力”的问题。 今天，很多员工已经在使用AI生成内容、查询知识、分析数据，但这些能力往往停留在个人和单点工具层面：AI提出建议，仍要等待人工执行；生成结果，仍要依靠人工复制；它没有明确的组织身份和权限，无法进入正式业务流程，也无法把使用记录、业务反馈和规则修正沉淀为组织资产。 换句话说，AI进了企业，但没融入组织。 问题不在于模型还不够多、应用还不够丰富，而在于组织缺少承接AI的运行体系。治理上，AI没有清晰的身份、权限与责任；业务上，AI读不懂企业特有的数据关系和管理规则；流程上，AI仍是流程旁边的助手，而不是流程中的节点；运营上，经验无法持续积累，今天的AI并不比昨天更懂企业。 当AI无法进入组织的权责体系、业务流程、数据体系和知识体系，企业即使持续增加模型和应用，也很难把个人效率转化为组织收益。 基于这一判断，爱分析联合致远互联发布《让组织AI落地——AI-COP智能协同运营中枢白皮书》，提出建设智能协同运营中枢，为AI进入组织铺设一条可治理、可协同、可运营、可进化的轨道。 围绕“如何让AI真正融入组织”，白皮书首先从治理、集成、协同和进化四个方面，分析企业AI投入与组织收益不匹配的原因，并提出建设智能协同运营中枢，在既有业务系统之上形成统一连接、治理控制、任务编排、协同运行和反馈优化的组织级协调层。 在落地路径上，白皮书提出从单点智能、智能集成、智能协同到智能中枢的四阶段演进路径，并构建“1+1+N+X”体系，以AI-COP平台为能力载体，以持续运营机制为保障，通过拳头产品和专业场景推动组织AI落地。

继算力和基础模型之后，数据正在成为大模型竞争的下一项关键投入。 随着公开的预训练语料逐渐枯竭，模型训练开始更多转向后训练、强化学习和推理能力提升。模型公司需要的数据，也从通用文本语料扩展到思维链、任务轨迹和合成数据。特别是在AI Coding、多模态和具身智能等场景中，数据不再只是模型训练前的准备工作，而是直接影响模型能力提升的重要变量。 这也在重新打开数据服务市场的市场天花板。过去，数据服务主要集中在金融、营销等少数行业，数据标注则以标准化、重人力的任务为主。大模型出现后，数据需求开始覆盖聚合、加工、合成和合规流通等更多环节，数据服务公司的技术门槛和交付方式都在发生变化。 TalkingData是AI数据服务领域的代表厂商。自2011年成立以来，TalkingData在移动互联网、大数据应用和营销科技等产业周期中积累了深厚的数据处理与合规经验。进入大模型时代，公司将所有资源和能力战略性聚焦于AI数据服务，定位为面向大模型和垂直应用的“新一代AI数据服务平台”。 在TalkingData CEO崔晓波看来，大模型带来的数据服务市场，可能达到传统数据服务市场的十倍以上。模型公司需要的不再只是数据采集和标注，而是能够直接服务于训练、评测和能力提升的高质量数据，数据服务公司的市场空间和议价权在不断攀升。 本次访谈中，爱分析与崔晓波围绕AI数据服务市场为何快速增长、模型公司需要什么样的数据、数据服务公司如何提升技术能力、FDE如何改变AI项目的交付方式，以及企业应用大模型将产生哪些新的数据需求等话题进行了深入交流。 核心观点 大模型正在创造一个十倍于传统数据服务的新市场。传统数据服务主要集中在金融、营销等少数场景，市场边界相对有限。大模型出现后，数据成为与算力、基础模型并列的核心投入，需求也从预训练语料扩展到推理数据、轨迹数据、评测数据和合成数据，并进一步覆盖Coding、多模态、

“拆中台”或许是一个误会。 过去几年，数据中台从中国企业服务市场最热的概念之一，变成被反复质疑的对象。很多企业认为中台已经过时、应该拆掉。但当大模型真正进入企业场景，一个更底层的问题重新摆到台前：企业的数据在哪里？数据质量如何？这些数据能否支撑AI做出可靠、可执行的判断？ 数澜科技是这一轮周期变化中的典型样本。作为较早深耕数据中台的厂商，数澜曾经历行业高峰，也经历过市场降温后的剧烈调整。整个团队曾从高峰期的500人缩减到几十人，外界也一度传出各种质疑声音。但随着企业重新重视数据质量，重新建设数据基座，数澜也正在从谷底爬起来。 作为数澜科技创始人兼CEO，甘云锋认为AI不是替代数据，而是倒逼企业重新建设数据能力。过去以数据交换为核心的数据中台，正在向AI数据基座演进，承接高质量数据集、本体语义层、行业模型和企业级智能体。数澜也不再只是一家数据中台厂商，而是将自身定位为“数据+AI”厂商，专注于数据基座、行业模型和数据智能体。 本次访谈中，爱分析与甘云锋围绕AI时代数据中台的价值重估、数据基座建设、本体语义层、企业级AI商业模式和组织能力变化等话题进行了深入交流。 核心观点： "拆中台"是个误会。AI起来后，数据中台窗口重新打开。数据中台被误解为落后技术，大模型进入企业后，企业首先要回答的仍然是：数据在哪里、质量怎么样、能否支撑可靠输出。 数据基座的核心目标，是持续输出高质量数据集。数据库、数仓、湖仓只是数据源，真正的数据基座还包括标准、流程、对象、语义、本体和治理能力。 本体和语义层，是企业AI的专属世界观。通用大模型缺少企业自身的业务规则、术语体系和对象关系，本体与语义层的价值在于消除歧义、降低幻觉。 企业AI正在从数据交换走向模型交换。过去，数据中台更强调把数据接进来、管起来；AI时代需要把数据、行业知识、企业知识库和模型能力连接起来，让数据真正进入业务闭环。 AI Co

给图片拉框、给语音转写，曾经是AI数据服务最典型的工作。如今，通用模型的基础识别与分类能力在增强，简单标注的价值逐渐下降；与此同时，专家推理、智能体轨迹、机器人动作和行业知识等高价值数据需求快速增加。数据服务的竞争，也开始从组织多少人完成任务，转向能否理解模型、掌握真实场景并组织行业专家。 具身智能仍处于数据采集和技术路线探索的早期阶段，但高质量数据供给面临的难点也正在显现。机器人要进入真实生产环境，首先需要准确记录“人是怎么做的”：看到了什么，身体如何运动，关节如何发力，动作又怎样改变环境。仿真可以补充真实采集的盲区，但物理世界的复杂性决定了，真实场景仍是具身数据最重要的来源。 景联文科技CTO张梦轩拥有工程学和计算流体力学研究背景，长期参与人工智能数据服务与多模态数据工程建设。在他看来，数据工程已经成为模型的一部分，下一阶段真正稀缺的能力，将是模型理解、软硬一体的数据底座、真实行业场景和专家数据生产体系。 围绕AI数据服务的产业演进、具身智能的数据路线、仿真与真实数据的关系，以及流程工业如何组织专家数据，爱分析与张梦轩展开了深入交流。 核心观点 通用标注正在收缩，行业数据需求才刚开始。通用模型逐步吸收基础识别能力，数据需求开始转向新知识、专家推理、智能体轨迹和行业属性。 数据工程正在成为模型的一部分。数据质量不能只看单条准确率，最终要看数据分布、场景覆盖和模型训练效果。 具身智能的数据起点，是完整记录“人怎么做”。第一视角、人体动作、关节运动和受力信息，正在成为机器人学习连续任务的重要数据来源。 真实场景决定具身数据的价值。仿真可以补充真实采集的盲区，但真实场景才能持续产生可信数据，并决定服务商的订单与商业模式。 流程工业需要一套专家数据生产体系。普通标注组织难以处理工艺、设备和安全知识，专家招募、协作、审核与激励将成为新的数据工程能力。 01 通用标注正在收缩，行业数

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

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，

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

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

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

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

AI已经快速进入企业，但还没有真正进入组织。 数据显示，88%的企业已经在至少一个业务职能中使用AI，但AI对企业总营收贡献超过10%的企业仅占8%，真正实现AI深度融合的企业也只有7%。 这组反差说明：企业已经解决了“有没有AI”的问题，却还没有解决“AI能否成为组织能力”的问题。 今天，很多员工已经在使用AI生成内容、查询知识、分析数据，但这些能力往往停留在个人和单点工具层面：AI提出建议，仍要等待人工执行；生成结果，仍要依靠人工复制；它没有明确的组织身份和权限，无法进入正式业务流程，也无法把使用记录、业务反馈和规则修正沉淀为组织资产。 换句话说，AI进了企业，但没融入组织。 问题不在于模型还不够多、应用还不够丰富，而在于组织缺少承接AI的运行体系。治理上，AI没有清晰的身份、权限与责任；业务上，AI读不懂企业特有的数据关系和管理规则；流程上，AI仍是流程旁边的助手，而不是流程中的节点；运营上，经验无法持续积累，今天的AI并不比昨天更懂企业。 当AI无法进入组织的权责体系、业务流程、数据体系和知识体系，企业即使持续增加模型和应用，也很难把个人效率转化为组织收益。 基于这一判断，爱分析联合致远互联发布《让组织AI落地——AI-COP智能协同运营中枢白皮书》，提出建设智能协同运营中枢，为AI进入组织铺设一条可治理、可协同、可运营、可进化的轨道。 围绕“如何让AI真正融入组织”，白皮书首先从治理、集成、协同和进化四个方面，分析企业AI投入与组织收益不匹配的原因，并提出建设智能协同运营中枢，在既有业务系统之上形成统一连接、治理控制、任务编排、协同运行和反馈优化的组织级协调层。 在落地路径上，白皮书提出从单点智能、智能集成、智能协同到智能中枢的四阶段演进路径，并构建“1+1+N+X”体系，以AI-COP平台为能力载体，以持续运营机制为保障，通过拳头产品和专业场景推动组织AI落地。

AI数据服务公司澳鹏（Appen）正加速从传统数据标注向大模型数据服务转型。 自2023年报开始，澳鹏将LLM训练数据、多模态生成式AI、视频生成数据、模型安全与评测等项目统一归入生成式AI相关业务（以下简称GenAI业务），正式设为战略业务类别， 并明确提出向GenAI转型。 据财报披露，澳鹏GenAI业务收入占比由2023年的4%升至2025年的33%，2025Q4达到44.1%；2026H1为29.0%，较上年同期提高4.4个百分点。同期，集团收入同比增长17.5%，调整后EBITDA实现扭亏。 从业务结构到经营业绩，澳鹏GenAI业务转型已经初显成效。但进一步拆分可以发现，中国业务与海外业务的表现存在显著差异。 2026H1，Appen China分部（覆盖中国、日本、韩国，后续简称中国业务）贡献7620万美元收入，占集团收入的63.6%，并调整后EBITDA为1210万美元；同期，Appen Global分部（主要面向美国和欧洲市场，以下简称海外业务）收入为4370万美元，调整后EBITDA亏损450万美元。 中国业务是澳鹏当前经营表现中最积极的部分。2026H1，中国业务收入同比增长80.4%，调整后EBITDA同比增长315.5%，利润率由6.9%提升至15.9%，实现了收入和盈利能力的同步提升。 根据业绩会披露，中国业务的增长动力包括GenAI项目扩张、中国科技企业出海、消费级AI应用需求增长，以及预制数据集收入增加。 相比之下，海外业务虽然已经获得Coding、金融和医疗等大模型相关项目，但新增业务尚未完全弥补传统业务收缩。 因此，本篇澳鹏研究的重点，一是中国业务实现高速增长和盈利改善的核心动力，二是海外业务向GenAI转型面临的主要挑战，并在此基础上评估澳鹏集团整体业务调整进展。 01  GenAI业务收入占比达33%，业务

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

前一天深夜，朱鹰还在自己的工作台里处理招聘、会议纪要和项目资料。第二天见面交流时，他直接展示了这套工作台，会议逐字稿、部门待办、管理干部review、跨项目关联，以及不断被修正和索引的企业文档，都在同一个工作台里流动起来。这个工作台月均处理约3000+份文档，渗入到他的日常工作中。它不是一次“AI演示”，而是一套在CEO日常经营里连续运行、持续纠错、能反过来塑造组织节奏的管理基础设施。 朱鹰是慧工智能创始人兼CEO。在他看来，Agent和Chatbot的区别，已经不只是界面是不是一个对话框，而在于系统背后有没有企业自己可掌握的上下文工程，或者说可控的记忆结构：可追溯的数据来源、可版本化的规则、可调用的工具、可评测的结果，以及可审计的权限边界。企业真实运转中的会议、项目、流程、客户和现场经验，能不能被持续组织起来，变成可调用、可复用、可迭代的context，才是这一轮AI进入工业软件的关键。 正因如此，本次交流很快从“怎么做一个Agent”，扩展到工业软件问题。当企业know-how开始被压进skill和小模型，当workflow不再只是固定流程，而要围绕目标和意图重新设计，当软件越来越像服务，工业软件公司未来的壁垒到底会在哪里？接下来两三年，工业企业又该如何重新理解自己的组织、产品和客户关系？ 核心观点 1、Context才是新壁垒。企业级智能体真正难复制的不是模型调用，而是谁能持续拿到真实工作里的上下文，并把它变成可调用的记忆结构。更进一步说，谁能把每一次会议、交付、异常、客户反馈变成下一次Agent判断的证据，谁才有复利。 2、Know-how会迅速被压缩进skill和小模型。过去靠经验、流程文件和提示词守住的秘密，会越来越难单独构成护城河。 3、智能体会改变组织管理半径，一号位的认知和投入变得更关键。信息能力增强后，管理者可以直接管理更大的团队，但组织也需要重新思考一

互联网大厂的算力胃口越来越大，但曾把这个行业一手带大的智算中心第三方服务商，却正在迎来巨大的挑战——当他们苦熬多年把AIDC供应链调教成熟后，运营商带着成本与补贴武器杀入市场，而跨界的新能源巨头和激进的上市公司，正用绿电和资本杠杆改写游戏规则。 国内基建价格内卷，只能出海“下南洋”；算力利润被卡死，只能下场“折腾电”。本期，爱分析对话时石资本创始人陈峻，带你撕开中国AIDC产业最残酷的B面，看看服务商们究竟该如何活下去。 时石资本，是一家深耕绿色数字基础设施领域的产融结合平台，业务触角遍布国内核心算力枢纽，以及东南亚、中东等海外市场。发展至今，时石资本实现了算力租赁、股权投资、资产管理与电力交易的深度闭环，是少有的全产业链参与者。 其创始人陈峻，拥有20年私募基金与实物资产投资经验，曾任黑石中国区董事总经理，并历任思科系统、博时基金、景顺投资等跨国巨头及头部金融机构要职。兼具清华电气工程学士与金融、管理双硕士背景的他，更能看清算力与电力、资本与资产交织的产业终局。 核心观点： 1、AIDC的商业逻辑已被运营商深度改写，第三方服务商价值被挤压。2025年起运营商深度下场，凭借成本与补贴优势斩获大厂过半订单，并直接沿用了第三方培养成熟的供应链。传统第三方服务商要么退出竞争，要么降格为分包商并背负二次结算风险。 2、国内基建供应链卷到极致，出海东南亚成为AIDC新窗口。国内服务器与基建投资额高达10:1，基建被卷到几乎没有利润空间。而东南亚造价是国内的3-4倍，中国企业通过预制件海运出海，在基建端反而能赚取两位数的利润率。 3、AIDC的增利之道不在“算”而在“电”，终局是绿电成本的对决。智算机房的租赁收益已被大厂卡死，唯一的利润想象空间全在电价差上。随着“一对多”绿电直连政策放开，每度电省下的几分钱将直接变成数据中心翻倍的净利润。未来只有手握最便宜、最稳定绿电的玩家才能活下来。

交流一开始，范承工先演示了个人记忆管理工具MemoryBox。左侧是life、work等不同的记忆空间，右侧是导入近千个ChatGPT历史会话，以及同步进来的本地文件。这个演示真正想证明的，不是又多了一个AI入口，而是一件更底层的事：当一个用户在从ChatGPT换到Gemini，再换到Claude，真正不该跟着入口一起丢失的，就是个人记忆。 这个判断背后，是范承工过去20多年做存储形成的直觉。作为MemVerge联合创始人，他又做了开源项目MemMachine，并在准备推出新产品MemoryBox。 在范承工看来，AI下一阶段不只是在比模型能力，也在比谁掌握记忆的归属权。再往下一层看，这场记忆的所有权之争，其实是一场更深的基础设施迁移：AI的存储，正在被记忆重写逻辑。 核心观点 记忆正在独立成层，它不再只是ChatBot的附属功能。对AI来说，模型更像新的计算层，记忆正在变成新的存储层。 记忆不是一个桶，情景记忆、语义记忆、程序记忆和文档记忆，对应的是四套完全不同的治理逻辑。记忆真正难的不是存储下来，而是压缩、去重、召回和冲突管理。 模型可以集中，但记忆不能。大模型可以共享公网数据训练，但长期记忆天然是私有数据，所以local first、数据主权、记忆主权为成为长期架构选择。 统一记忆层不会由模型厂商完成。大厂一定会持续补齐各自的记忆，但跨模型、跨agent、跨应用共享的记忆层，会长期存在独立空间。 个人记忆是入口，组织记忆是商业化主战场。当记忆开始沉淀团队经验、任务流程和组织know-how，它争夺的就不再是一个功能，而是企业的能力底座。 以下为本次访谈实录，在不改变原意基础上略有修改。 一、记忆重写AI时代的存储 爱分析：你过去做了20多年存储，现在做记忆。如何看待记忆和存储之间的关系？ 范承工：对我来说，这两件事在理念上是相通的。计算系统最核心的三件事，本来就是计算

大模型正在进入企业核心业务场景，但真正阻碍其落地的，不是模型能力本身，而是数据能否被模型准确理解和调用。大量扫描件、PDF、图片、视频以及复杂表格沉淀在业务系统中，保留着关键知识，却长期处于非结构化、难解析、难关联的状态。 企业投入大量资源做结构化治理后才发现，面向人类阅读的数据形态，并不天然适合大模型推理，只有将语义和结构尽可能无损地还原出来，才可能真正构建AI-Ready的数据底座。 EasyLink是一家链接AI、数据与场景的AI原⽣企业，创始人陈思吟是一位拥有多年金融科技投资经验的跨界创业者，她敏锐地洞察到了AI应用落地中最难啃的硬骨头——数据，便带领团队深耕非结构化数据处理，在金融资管、医疗等高精度要求的垂直行业中，将大模型应用从玩具级推向生产级。 近期，爱分析与陈思吟进行了一场深度对话，重点讨论了几个核心问题：AI的数据偏好、隐性知识萃取路径、AI原生组织的未来演进。 核心观点： 让AI理解数据是企业在产业侧AI落地应用的最大壁垒。在企业自部署开源模型、模型能力趋于同质化的背景下，决定AI应用质量高低的关键，是输入给LLM的内容质量。模型决定下限，数据决定上限。 AI不习惯人类的结构化思维。传统的表格和硬性结构化数据是做给人类看的，而对于AI而言，无损的语义描述和天然的网状结构才是最佳养料，把数据转化为自然语言上下文，才是真正的AI-Ready。 企业级AI场景没有中庸之道。泛办公场景可以用轻量级或开源架构，但金融、医疗等核心业务场景对精准度要求极高。90分在企业级场景只是刚及格，达不到95分以上的精准，AI就无法推向生产一线。 未来的AI原生组织将扁平至极。随着AI向各个工种深度渗透，传统的复杂汇报线将被瓦解。未来的企业可能精简到只有高管层和专家层两层，其中，专家层是少数具备丰富经验、负责管理和审计Agent的超级个体。 01 什么是AI ready data

大厂的Token业务正在进入最好的时代。火山引擎等头部云厂商的Token收入ARR已迈过百亿关口，正向千亿规模进发。百倍增长靠的是生态繁荣，更多开发者在云上构建应用，更多应用消耗更多Token。 与此同时，这也是大厂Token业务最危险的时刻，模型能力越强，Token调用量越大，生态伙伴的生存空间反而越窄。爱分析观察到，支撑Token增长的生态正在被云大厂自身的模型吃掉。 云大厂每一次模型迭代，都在系统性地吸收开发者在应用层验证过的价值。爱分析将这一矛盾定义为Token业务的偷猎者悖论：云大厂Token增长依赖生态繁荣，但模型迭代的内在逻辑就是消化生态已验证的需求，偷猎者由此陷入两难境地。 01 Token增长靠应用繁荣，模型迭代却在吸收应用 云大厂Token业务面临一个根本矛盾。要增长，就得有足够多的开发者在平台上构建应用、创造Token消费场景。但一旦场景验证成功，模型就会依靠平台积累的数据，将应用能力迭代到下一版模型之中，进而消灭了这部分开发者的价值。 此刻的云大厂就是典型的偷猎者。所谓偷猎者，就是同时拥有用户数据和自建应用能力的主体。 用户数据是模型迭代的燃料。每一次用户与模型的交互都在标注——什么需求成立、任务怎么拆、需要调用什么知识。比如用户使用视频生成，每一次调整提示词是在标注创作偏好，每一次重新生成是在标注质量标准，每一次放弃输出是在标注需求边界。这些交互数据会进入下一轮模型训练，模型就学会了更精准地响应。 自建应用的能力是另一块拼图。拥有自建应用意味着可以直接运营终端场景，拿到第一手用户交互数据，形成数据闭环。 两样合在一起构成完整的偷猎能力：用自建应用获取数据，用数据迭代模型，模型升级后再吸收更多应用层已验证的价值，循环往复，欲罢不能。 图1：偷猎者循环机制 这个循环与移动互联网时代的生态逻辑有本质区别。在移动生态中，大厂不会因为小程序验证了一个高频需求

工业Agent正在从知识库问答，进入CAD、CAE等研发设计核心环节。AI越深入核心业务，通用能力就越难直接复用。同样使用CATIA软件，航空设计与汽车设计面对的对象、流程和知识体系并不相同；同样是审图，不同企业关心的规则、风险和验收标准也很难直接复制。 这意味着，工业AI不能只在通用模型或单点工具上做文章。它既要深入业务，又要用平台承接场景差异；既要让智能体调用工业软件，也要把分散在企业内部的经验、标准和流程组织成机器可使用的知识。 行云创新成立于2016年，早期聚焦云原生平台与企业软件研发，近年来将业务延伸至工业智能设计与仿真，行云创新CEO马洪喜将这种业务延伸概括为：“云是通解，但AI一定是特解。” 马洪喜认为，工业智能体不只是工业软件右侧的一个对话框，而会逐步站到业务流程之前，组织CAD、CAE、PLM、ERP等系统共同完成任务；而决定工业AI准确性和长期价值的关键，也不只是模型能力，而是企业能否建立持续更新、可以被智能体调用的知识体系。 本次访谈，围绕工业AI的切入路径、平台与场景的关系、智能体对工业软件的影响，以及知识图谱与模型的边界，爱分析与马洪喜展开了交流。 核心观点 云计算可以通过技术通解服务不同行业，工业AI则必须深入具体业务。行云创新选择CAD、CAE，是因为它们处于产品研发的核心环节，价值高、门槛也高。 工业AI的规模化来自平台、工具和行业Know-how。场景千差万别，底层能力和半成品方案可以持续复用。 工业智能体不会长期停留在单个软件的侧边栏中。随着自然语言交互和多智能体协作成熟，用户会更多关注业务结果与流程，底层工业软件的操作界面和品牌存在感可能下降。 工业AI的精度由工具链和知识图谱共同决定。专为AI打造的500多个CAD工具（AI Friendly Tools) 负责执行，知识图谱提供确定的规则和任务拆解。 企业自己的知识体系将成为工业AI

AI进入企业的速度，正明显快于它融入组织的速度。 麦肯锡2026年的调查显示，接近九成受访企业已经在至少一个业务职能中经常使用AI，44%的企业正在全公司范围推动AI规模化应用。然而，真正通过AI取得显著业务价值的企业仍然只有约6%。 普华永道覆盖95个国家、4454名CEO的调查则显示，56%的企业尚未从AI中获得显著财务收益，只有12%的企业同时实现了成本下降和收入增长。 模型能力越来越强，AI应用越来越多，员工使用越来越频繁，但企业整体的经营效率和组织能力并没有同步跃迁。这些数据表明，模型和应用的普及并不会自动改变企业的运行方式。中大型企业下一阶段需要解决的，是如何把员工和部门分散使用的AI，纳入统一的组织运行体系。 01企业AI的难题正在从技术问题变成组织问题 组织AI，是指AI不再只是员工个人调用的工具，而是能够与人、业务系统、数据和流程协同，共同完成组织任务，并将运行过程中形成的经验沉淀为组织能力。 目前，多数企业的AI仍然停留在个人工具和局部应用层面。随着使用不断深入，身份权限不清、流程衔接不足、任务难以编排、智能应用分散和经验无法沉淀等问题开始显现。企业AI面临的主要障碍，也由模型和工具问题逐步转向组织问题。 图1：企业AI未能融入组织带来的五类问题 首先是组织控制权风险。过去，企业主要管理的是人员的身份、权限和行为；未来，还需要管理数量不断增加的智能体。当员工可以自主选择模型、上传资料、生成内容甚至调用业务工具时，企业需要掌握哪些信息被使用、哪些动作被执行，以及相关结果如何进入正式业务。 治理的目的并非限制AI，而是为智能体建立明确的身份、权限、责任和审计边界。只有解决这些问题，企业才敢于让AI进入合同、财务、采购和经营决策等重要业务。 其次，AI仍然停留在流程之外。AI可以帮助员工生成材料、检索信息和分析数据，但完成这些工作之后，员工仍然需要寻找系统、发

近期，a16z合伙人Martin Casado给出了一个让模型厂商不太舒服的判断，算力供给放开、开源模型成熟之后，AI产业链价值会重新分配，应用层将拿走越来越多的份额，模型厂商的利润份额会被侵蚀。 其背后的逻辑比较直接，模型走向商品化，使得模型变得同质化而可替换，依靠模型本身形成差异化的难度将越来越大。这个判断，反驳的正是过去两年的主流叙事：模型将吃掉应用。 过去两年，行业达成高度共识，认为模型要是足够强，就能一路吃掉一层层应用，应用只是模型的一层薄薄的壳，随时可能被模型厂商吞并。 这个叙事之所以流行，是因为模型厂商站在价值链最上游，定价权和利润都握在自己手里。比如，在编程、视频等应用上，强势产品均出自强势的模型厂商，模型能力几乎等于应用能力。 现在，这条价值链的方向正在逆转。尤其是在办公应用中，强势产品WorkBuddy并不来自最强的模型厂商，且办公应用也没有与模型深度绑定，都开放了多模型接入。由此可以看出，模型的强弱已经不再决定产品的高下，模型在应用里的话语权正在下降。 爱分析认为，这是一次价值链决定权的分水岭。模型商品化让模型随时可换，但任务数据只会沉淀在应用一侧，价值链的决定权由此从模型厂商手中转移至应用厂商，而这背后的推动力，正是今年开始热议的Harness。 Harness是指模型之外、把模型能力落成具体任务执行的系统，涵盖Agent Loop、上下文管理与记忆、工具调用、任务编排、结果反馈等，它并不能提升应用的智力上限，但它决定智力以怎样的方式被正确使用。 图1：Harness示意图 01 任务的成败，正在从模型转向Harness 今年8月，OpenAI披露过一组数据，其当时最新的模型GPT-5.6 Sol通过Harness调整，在ARC-AGI-3基准上得分从13.3%提升到38.3%。 图2：GPT-5.6 Sol经Harness调整前后得分表现 从评测结

继算力和基础模型之后，数据正在成为大模型竞争的下一项关键投入。 随着公开的预训练语料逐渐枯竭，模型训练开始更多转向后训练、强化学习和推理能力提升。模型公司需要的数据，也从通用文本语料扩展到思维链、任务轨迹和合成数据。特别是在AI Coding、多模态和具身智能等场景中，数据不再只是模型训练前的准备工作，而是直接影响模型能力提升的重要变量。 这也在重新打开数据服务市场的市场天花板。过去，数据服务主要集中在金融、营销等少数行业，数据标注则以标准化、重人力的任务为主。大模型出现后，数据需求开始覆盖聚合、加工、合成和合规流通等更多环节，数据服务公司的技术门槛和交付方式都在发生变化。 TalkingData是AI数据服务领域的代表厂商。自2011年成立以来，TalkingData在移动互联网、大数据应用和营销科技等产业周期中积累了深厚的数据处理与合规经验。进入大模型时代，公司将所有资源和能力战略性聚焦于AI数据服务，定位为面向大模型和垂直应用的“新一代AI数据服务平台”。 在TalkingData CEO崔晓波看来，大模型带来的数据服务市场，可能达到传统数据服务市场的十倍以上。模型公司需要的不再只是数据采集和标注，而是能够直接服务于训练、评测和能力提升的高质量数据，数据服务公司的市场空间和议价权在不断攀升。 本次访谈中，爱分析与崔晓波围绕AI数据服务市场为何快速增长、模型公司需要什么样的数据、数据服务公司如何提升技术能力、FDE如何改变AI项目的交付方式，以及企业应用大模型将产生哪些新的数据需求等话题进行了深入交流。 核心观点 大模型正在创造一个十倍于传统数据服务的新市场。传统数据服务主要集中在金融、营销等少数场景，市场边界相对有限。大模型出现后，数据成为与算力、基础模型并列的核心投入，需求也从预训练语料扩展到推理数据、轨迹数据、评测数据和合成数据，并进一步覆盖Coding、多模态、