社区

8月19日，“人形机器人第一股”宇树科技（688836.SH）正式登陆上交所科创板。开盘报1100元/股，较150.80元/股的发行价暴涨629.44%，总市值飙升至4449亿元。 $宇树科技(688836)$ 按此计算，中一签（500股）盈利高达47.46万元。这一数字超越了8月18日上市的频准激光单签45.656万元的盈利纪录，成为A股全面实施注册制以来沪深两市最赚钱的新股。 综合 | 招股书 上证报 中新经纬  编辑 | Arti 本文仅为信息交流之用，不构成任何交易建议 2019年夏天，杭州滨江一座不起眼的办公楼里，29岁的王兴兴正给来访的投资人演示他的机器狗。彼时公司账上只剩几十万，急需一笔资金。 站在对面的，正是红杉中国董事总经理李彦男。望着眼前蹒跚迈步、摇头晃脑的机器狗，他隐约看到一种更大的可能性。而这场相识的起点，只是一个QQ邮箱，李彦男顺着宇树官网上的QQ邮箱，搜索微信号找到了王兴兴。 很快，王兴兴带着他的机器狗去北京参加红杉中国的投决会。为了给投资人更直观的感受，他主动提出带机器狗现场演示。但因电池超标，无法上高铁和飞机，最终王兴兴坐了十几个小时的卧铺从杭州到北京。 那场投决会并不轻松。红杉中国董事总经理李彦男回忆：“早期阶段的宇树是一个长板和短板都很明显的企业，我们内部有很多激烈讨论，不同意见的交锋。”2019年，高性能机器狗在大多数人眼里是“偏极客风的小众方向”，没有明显的需求场景。 最终打动投委会的，还是王兴兴本人。他在会上描述了一个看似天马行空的愿景：造一个比山还高的机器人，造一个能进入血管的机器人，用机器人来造机器人。那些话在当时听起来有些遥远，但背后是一个年轻人对机器人最纯粹的相信。 那天红杉的打分体系里，投委会在Outlier和Vision两个维度

2026年以来，中国模型API调用量正以前所未有的速度攀升。截至今年6月，豆包大模型日均Token调用量突破180万亿，过去一年增长超过了10倍。 量在涨，价也在涨。据摩根士丹利统计，第二季度中国模型输出的API均价已经上涨至每百万Token 21.9元，同比涨幅超过60%。 量价齐升，按常理所有Token厂商都应该能赚钱，但事实并非如此。 当前Token市场一共有三类玩家，但各自的毛利率走向截然不同。据爱分析统计，只有云大厂处于高毛利区间，模型厂商和独立厂商都在亏损或者盈亏平衡边缘挣扎。 图1：三类Token厂商的毛利率分布 爱分析认为，Token厂商能不能挣钱，不是由技术决定的，而是由五个变量决定的。在由这五个变量构建的利润公式中，谁能建立结构性优势，谁就能挣到钱。 图2：Token利润公式 简单解释下以上公式。Token的利润，首先取决于Token加权单价，也就是输入、输出和缓存价格加权在一起的Token单价；二是GPU利用率，指GPU卡有多少时间处于空闲状态；三是Token吞吐量，指每月能跑多少个Token。 这三个变量相乘，是Token收入。然后减掉两项成本，一项是GPU服务器的月租，另一项是模型的授权费用，开源模型已经开始针对大型Token服务商收费。 用这个利润公式，可以清晰看懂三类玩家的命运。 云大厂在这五项变量上，几乎全占优势：自研模型自主定价且无需支付授权费，通过长期协议锁定低成本的GPU月租价格，专职推理优化团队改善Token吞吐量。云大厂最大的优势就是GPU利用率，通过对内、对外同时提供Token服务，GPU利用率常年维持高位。 相比之下，模型厂商的优势仅在定价权和模型抽成上，另外两项变量GPU利用率和服务器月租，均不占据优势，导致的结果是，毛利率区间相比云大厂大幅下滑。 比较惨的是独立厂商，这五项变量中，没有一项具备独立定价权，全部暴露于

8月17日，香港交易所（00388.HK）宣布，董事会已批准与集团行政总裁陈翊庭续约三年，新任期自2027年3月1日起至2030年2月28日。根据香港《证券及期货条例》，该续任已获证券及期货事务监察委员会批准。 $香港交易所(00388)$ 综合 | 公司公告 每经头条  编辑 | Arti 本文仅为信息交流之用，不构成任何交易建议 现年56岁的陈翊庭（前称陈婉文）是港交所自2000年合并上市以来的首位女性行政总裁。 她的履历横跨法律、投行与监管三大领域：拥有香港大学法学学士及美国哈佛大学法学硕士学位，兼具中国香港和美国纽约州的律师资格；曾于2003年至2007年任职摩根士丹利（香港）法律及合规监察部执行董事，2007年至2010年担任港交所上市科首次公开招股交易部主管，后于2010年至2019年在达维律师事务所担任合伙人。 2020年1月，陈翊庭加入港交所；2024年3月1日起出任集团行政总裁兼执行董事。根据续聘合约，其基本年薪为1200万港元，另可收取酌情表现花红及股份奖授。2025年度，其计入综合收益表的酬金总额为3778.4万港元，包括薪金1030万港元、绩效现金奖励1169.4万港元、其他福利33.6万港元、退休福利支出103万港元等。截至公告日，陈翊庭持有港交所股份68,479股，并根据雇员股份奖励计划持有尚未授予的奖励股份合共164,546股权益。 港交所主席唐家成对续任表示：“在陈翊庭的领导下，香港交易所与时俱进、精益求精，持续拓展业务布局、优化上市制度，提升基础设施及市场微结构，增强我们市场的竞争力”。 在陈翊庭的首个任期内，港交所交出了一份扎实的成绩单： 业绩持续创新高。2025年全年，港交所实现营收291.61亿港元，同比增长30%；股东应占溢利177.54亿港

导语：AI已经很热，为什么企业还没有真正用起来？ 企业对AI的关注，已经从“要不要做”进入“怎么落地”。高层希望AI进入经营和生产，一线员工已经在大量使用模型、Agent和各种AI应用。可是，真正进入企业生产流程、持续产生业务结果的项目，仍然不多。 一位业内知名厂商CEO，把这种状态概括为“两头热，中间难”：高层很兴奋，员工也愿意使用，中间负责把AI接入数据、流程、管理和生产体系的部分，却困难重重。据其1000多家企业样本观察，只有5%的Agent进入工作流，约95%仍停留在Demo、试点或POC阶段。 这个比例虽然不是全行业统计，却足以说明企业AI当前的真实分水岭：大家已经能做出AI应用，但还没有普遍把AI变成组织流程或者生产系统的一部分。 因此可以看出，问题不是企业有没有买模型、知识库或Agent工具，而是这些能力能不能被纳入企业的业务和运营体系。 这也是今天企业AI市场最容易被忽略的矛盾：厂商在按组件销售，企业真正需要的，却是一套可以长期运行的系统。 一、Demo证明能做出来，生产要求能长期负责 AI Coding和Agent把原型开发的门槛大幅降低了。过去需要产品经理、设计师和开发团队协作数周才能完成的应用，现在一个业务人员经过几轮对话，就可能做出一个看起来完整的Demo。 这件事本身是进步，它让业务人员更接近软件生产，也让企业可以用更低成本验证一个想法。但Demo能够运行，只能证明“功能可以被做出来”，不能证明“企业可以对它长期负责”。 从Demo到生产，至少要多回答几类问题： 1. 数据是否持续、准确，并且能够稳定调用？ 2. 不同部门对同一个业务对象的定义是否一致？ 3. Agent是否拿到了完成任务所需的上下文？ 4. 它可以访问哪些数据、调用哪些工具，权限依据是什么？ 5. 它生成的建议是否需要审批？错误动作能否回滚？出现问题能否审计和追责？ 6. 项目交

今年5月20日，迈富时完成了一笔不太起眼的新股认购，募资净额约5亿港元，认购价40.54港元。 这是个微妙的价格——几乎回到了两年前IPO发行价43.60港元的位置。股价兜了一圈回到原点，公告里则写下了一句不寻常的用途说明：这笔钱100%投向智算基础设施，采购GPU服务器、组网、AIDC租赁及模型软件，并且在2026年底前全部用完。 一家毛利率曾高达86%的营销SaaS公司，为什么开始买GPU？而且是在自由现金流净流出6.88亿元、年末借款18.43亿元的年份（即2025年度）之后？ 黄仁勋在GTC 2026上说，AI数据中心是“Token工厂”。大多数公司把这句话当修辞，迈富时却写进了战略——全栈Token工厂，并为此掏出真金白银。这可能是中国市场应用层厂商里，第一个认真给Token工厂开成本单、下重注的公司。 问题是，这张成本单，算得过来吗？ 要回答这个问题，得拆开三件事：实际投了多少、投在了哪里；产出和回报在哪里；风险有哪些，综合投入产出比是否成立。 先把“17亿”拆穿 公告发布之后，市场流传的说法是，迈富时2025–2026累计配股融资超17亿港元重投智算。不过，这个数字需要拆开看。 17亿，是两笔钱的粗加总。2025年2月配售净额12.02亿港元，加上2026年5月认购的5亿港元。但前者只有40%明确投向AI智能体的开发与商业化，其余是并购、全球扩张和营运资金——真正100%锁死智算基建的，只有5亿港元。 5亿港元是什么概念？有三个标尺可以参照。 按行业标尺，大约对应一个不到300张卡的推理小集群。目前行业普遍以B300为标杆，8卡的B300目前价格在1,200万上下，5亿港元的投入对应大约36台机器，即288卡的机器。如果采用国产的沐曦芯片，卡数可以更多。但这是业内属于轻量级投入，字节跳动2026年资本开支计划超过2000亿元，迈富时连巨头的零头都算不上。 按自

2026年，Token厂商密集冲刺资本市场。派欧云和硅基流动先后向港交所递交上市申请，无问芯穹累计融资超22亿元，趋境科技半年内融资超10亿元。这个赛道不缺玩家，也不缺资本。 但翻开派欧云招股书，这家日均处理超万亿Token、在中国独立AI云厂商中排名第一的公司，Token核心业务仍然在亏钱。爱分析研究了派欧云的完整招股书数据，试图回答一个问题：Token消耗量增长迅猛，为什么卖Token的公司越卖越亏？ 01 一年收入暴增十倍，为何依然亏损？ 派欧云自2024年开始，从CDN切入AI云服务，提供模型API、GPU云服务和Agent云服务。模型API是当前重心，即为开发者提供大语言和多模态模型Token服务，且多为开源模型。 先看派欧云AI云业务的核心数据。 图1：派欧云AI云业务核心数据 派欧云一年时间，AI云收入增长十倍，毛利率的亏损迅速收窄至-10.7%，且日均Token消耗量已经超过1万亿。整体增速极快，改善幅度也大。 这组数字让市场产生了两种截然相反的直觉。乐观者看斜率：从-95.1%到-10.7%，再给一年盈利只是时间问题。悲观者看绝对值：年增十倍还在赔钱，最后一口气未必跨得过去。 要判断谁更接近真相，需要先看清AI云内部三条产品线的构成。 图2：派欧云AI云产品线分析 基于爱分析估测，派欧云AI云收入主要来源于模型API，占比超过60%，也是导致AI云毛利率为负的主要原因。另外两块业务，GPU云服务按小时收算力租赁费，毛利率低但并非毛利率为负的拖累项；Agent云服务占比低，并非亏损主因。 派欧云每天1万亿的Token消耗量，说明需求真实，但Token价格不是派欧云定的，而且模型官方定价。爱分析对比了派欧云的定价页面和DeepSeek、GLM、Kimi等官方API文档，派欧云的定价和官方是一致的。 这并不是派欧云不想定高价,而是定价权在模型厂商手里。Token

2026年上半年，记忆从一个技术概念变成了一个行业赛道。 5月底，腾讯云发布了Agent Memory，长期记忆准确率从48%拉升至76%。刚刚过去的7月，阿里云在数据库产品线密集布局Agent记忆能力。同时，火山引擎Viking团队也开源了OpenViking项目，将Token消耗成本降低91%，GitHub Star突破2.1万。 记忆行业的融资落地同步在加速。 7月，记忆张量完成亿元级Pre-A轮融资，投资方以天使为主，包括**哈勃和荣耀战投。同期，红熊AI完成数亿元A+轮融资，投后估值近30亿元。资本开始用真金白银投票记忆赛道。 根据爱分析测算，记忆市场规模2027年将达到78.5亿元，到2030年市场规模将增长至642.5亿元，期间复合增速超过110%。如此可观的市场规模，使得各路玩家竞相下场。那么，到底哪些厂商在参与这场记忆的竞争？ 01 各路厂商会师“记忆”，五类玩家撑起新兴赛道 爱分析在调研20余家厂商后发现，当前中国记忆市场的参与者可以归纳为五个类别。有意思的是，大家都挂着记忆的招牌，心里盘算的却是完全不同的生意。 云大厂从数据库出发，想把记忆做成存储基础设施的一次AI升级，把熟悉的客户顺手迁过来。模型厂商则把记忆当成让自家模型更聪明、消耗更多Token的附属能力，记忆好不好用，关键看能不能喂饱模型。独立记忆平台强调不站队任何模型，把记忆抬到与基础模型并列的独立数据主权资产，靠中立性撕开市场缺口。企业记忆应用厂商从业务效果倒推，把记忆当作推理的前置引擎，谁能帮营销多转化，谁就赢。消费记忆产品最激进，干脆让用户为记忆本身付费，把后台能力变成前台商品。 这五类玩家资源禀赋不同，下注的方向也不一样，基本逻辑是屁股决定脑袋。有人认为，记忆会率先引爆开发者生态、成为Agent基础设施；有人认为记忆天生是B端企业属性，必须主攻企业市场商业化；有人认为记忆驱动的消费硬件

大模型和Agent加速进入企业后，如何让AI理解真实业务并参与业务执行，成为企业智能化落地的关键问题。本体通过描述业务对象、关系和规则，为AI建立企业业务认知基础，正受到越来越多企业和技术厂商关注。 然而，中国市场对于本体的理解仍存在明显差异：有的侧重知识组织，有的强调统一数据语义，也有厂商开始将业务逻辑和行动纳入其中。相同的概念背后，对应着不同的建设目标、产品边界和业务价值。 在此背景下，爱分析于2026年8月10日发布《2026 爱分析·中国本体平台市场洞察报告》，系统梳理中国市场的本体实践路径与能力演进方向。爱分析认为，本体平台的价值需要从语义表达进一步延伸至业务计算、行动执行和持续治理。完整的平台既要帮助企业建立统一的业务认知，也要支持本体随业务运行和规则变化持续更新，并推动数据、判断与行动形成闭环。 核心观点 随着Palantir受到资本市场和企业用户关注，本体成为中国AI市场热点概念。中国市场厂商实践并没有完全照搬Palantir路径，而是基于不同技术路线和应用场景进行探索，中国市场尚未形成统一的本体定义，本体平台的产品能力边界也处于探索阶段。 中国市场围绕本体形成了四类实践路径。知识工程路径侧重将文档和专家经验组织为结构化知识；语义层路径侧重统一业务术语和指标口径，并建立语义与数据之间的映射；业务本体路径围绕客户、订单和设备等业务对象，描述其属性、关系和状态；可执行本体路径进一步管理业务规则、Functions和Actions，让本体能够参与业务计算和流程执行。 Palantir为理解完整本体能力提供了重要参照。其当前体系来自长期的数据治理、决策应用和项目交付实践，随后逐步扩展到业务对象、Functions、Actions及动态安全。中国厂商可以借鉴其平台架构，叠加大模型与智能体技术带来的能力提升，形成不同的产品架构和演进路径。 本体平台的评估需要关注语义表达

8月10日，A股“人形机器人第一股”宇树科技(688836.SH)正式开启网上网下申购。本次发行价格确定为150.80元/股，发行后总市值约609.93亿元，预计募集资金总额约60.99亿元。网上申购代码为“787836”，网下申购代码为“688836”。 $宇树科技(688836)$ 从受理到过会仅用时73天、从过会到注册获批仅31天，宇树科技以104天的审核速度刷新了科创板纪录。多家券商综合测算显示，宇树科技预计中签率在万分之二至万分之三之间，远低于长鑫科技0.47%的中签率水平。数据显示，2026年以来A股新股上市首日平均涨幅高达276.04%，若以此测算，中一签宇树科技账面盈利有望突破20万元。 综合 | 证监会 中新经纬  编辑 | Echo 本文仅为信息交流之用，不构成任何交易建议 申购攻略：哪些人能打？怎么打？ 第一步：开通科创板权限（资格门槛） 宇树科技在科创板上市，投资者仅有A股账户还不够，需提前开通科创板权限，满足五项条件： 一是资产门槛：申请权限开通前20个交易日证券账户及资金账户内的资产日均不低于人民币50万元（不包括融资融券融入的资金和证券）； 二是交易经验：参与证券交易24个月以上； 三是风险测评：风险承受能力评级为C4（积极型）及以上； 四是通过科创板知识测评； 五是签署《科创板股票投资者风险揭示书》。 第二步：满足沪市市值要求（申购额度门槛） 科创板打新采用市值配售，只看沪市A股（主板+科创板）的持仓市值，深市、北交所股票以及基金、债券、现金等均不计入市值。 具体规则包括：T-2日（T日为申购日）的前20个交易日（含T-2日）的日均持有沪市市值≥1万元；每5000元沪市日均市值对应1个申购单位，1单位=500股，申购数量必须为500股或其整数倍。 顶

企业Agent正面临规模化落地挑战。 麦肯锡2026年披露，全球62%的企业正在试验AI Agent，仅23%真正实现规模化部署。国内市场也处在相似的转折点。根据爱分析调研，中国56%的企业处于试点速赢阶段，只有13%进入全面推广阶段。企业管理层的关注点逐渐转向场景选择、实施路径、规模复制和价值兑现。 这些变化表明，企业Agent正从“能力可用”走向“业务可用”。跨过这一步，需要打通业务上下文、协作执行和价值反馈三道关口，并在数据、流程、组织和治理之间形成可持续运行的生产系统。 01 从辅助决策到业务闭环：企业Agent落地的四个阶段 大模型进入企业，只是Agent落地的起点。随着执行权限、流程跨度和业务责任扩大，企业Agent大致呈现四种形态。 Copilot提供信息、建议和内容，由员工完成判断与执行。它适合嵌入知识检索、通话小结、标签提取和内容生成等高频环节，价值主要体现为个人效率提升。 任务型Agent开始调用工具，能够完成一项边界清晰的任务，例如分析一段时间内的客户对话、识别潜在风险或生成工单。此时，Agent已经具备一定的行动能力，但任务目标、输入输出和运行路径仍较为固定。 协作型Agent进入更长的业务流程，与员工或其他Agent共同完成工作。它需要知道何时独立执行，何时请求确认，何时转交其他角色。员工也从具体操作转向审核、判断和异常处理。这个阶段的难点往往来自原有流程：企业的SOP、系统界面和审批机制大多围绕人工设计，Agent加入后，任务分工与交接方式都需要重新调整。 业务型Agent进一步围绕经营目标推进流程，并以业务结果作为评价依据。在订餐、预约、客户回访、销售线索运营等场景中，Agent可以从理解需求开始，连续完成决策、调用工具、执行任务和反馈结果。企业衡量它的标准，也从回答是否准确延伸至任务完成率、转化率、工单时长、客户覆盖规模等业务指标。 这四种形

怎么让大模型真正创造业务价值？答案在模型之外。 过去几年，人工智能产业的发展主要围绕模型能力展开。从参数规模到推理性能，从多模态能力到训练效率，基础模型不断刷新技术边界，也推动AI应用进入新的发展阶段。 但当AI真正进入企业场景后，一个更加现实的问题逐渐浮现：使用先进模型，不意味着企业就能获得收益。企业需要面对的是更加复杂的现实环境：多年积累的数据如何被AI理解？大量既有系统如何与智能体连接？新的AI应用如何快速构建并符合企业工程规范？这些问题决定了AI能否从技术演示走向业务生产。 2026世界人工智能大会期间，普元信息提出“AI原生数字基座”理念，围绕智能数据治理、AI应用开发和全域融合集成三大方向，探索企业数字基础设施面向AI时代的演进路径。 这背后反映的是一个产业趋势：随着大模型能力逐渐普及，企业AI竞争正在从模型能力竞争，走向支撑AI规模化应用的底座能力竞争。 01 AI进入产业深水区，企业竞争焦点正在发生变化 人工智能的发展正在进入新的阶段。 过去，企业关注的是“有没有AI能力”。是否接入大模型，是否建设智能助手，是否推出AI应用，成为衡量企业智能化探索的重要指标。 随着越来越多企业开始实践AI应用，产业关注的问题正在发生变化。企业发现，将一个大模型接入业务，并不能自动产生价值。一个真正投入生产环境的AI应用，需要同时具备多个条件： 它需要有高质量的数据作为基础，让AI能够理解企业业务； 需要有高效的软件开发体系，让AI应用能够快速构建和持续迭代； 需要有连接企业系统的能力，让智能体真正进入业务流程。 换句话说，企业AI落地是一项涉及数据、软件、系统和业务流程的系统工程。 正如WAIC大会上，中国信通院人工智能研究所平台部副主任李荪所提出的，当前人工智能产业仍面临“数—模—用”之间协同不足的问题。虽然越来越多企业开始建设行业高质量数据集，但如何进一步推动数据、模型

作为新兴市场，GEO仍处于早期发展阶段，行业认知、服务标准和交付能力尚未成熟。为帮助市场建立对于GEO的科学认知，爱分析推出《中国GEO市场研究报告》。 1. GEO市场：千亿新入口正在形成 根据爱分析预测，2026-2030年中国GEO市场复合增长率将超过130%，并于2030年成为千亿市场。未来，GEO不是传统SEO的简单延续，而是一场关于企业经营逻辑如何适配AI法则的全面重构。 1.1 千亿市场规模指日可待 根据爱分析预测，中国GEO市场规模预计将从2026年的48亿元迅速扩张，至2030年将达到1,376亿元。这一增长的核心驱动力并非来自存量SEO市场的缓慢迁移，而是源于品牌方预算全面转向AI应用的战略趋势。预计到2030年，AI应用的广告份额将占据中国互联网广告总额的10%左右。 图2：中国GEO市场规模 这种规模扩张背后，代表着营销逻辑的演进。在搜索和信息流时代，品牌竞争的是展示位与点击率；在AI时代，广告位置变得稀缺，品牌竞争焦点转移到了AI生成内容中的推荐度与信任背书上。目前，快消、消费电子、汽车等行业品牌主，GEO年度预算已经从最初试验性质的数十万元提升至千万元级别。这种预算规模的跃升反映出企业已经意识到，如果无法在AI的回答中获得有效呈现，品牌将在未来的信息分发链路中彻底失语。 当前GEO市场正处于一个高红利期，ROI是其他渠道的数倍。这背后，一方面是因为AI应用尚未商业化，流量成本低；另一方面，大量品牌尚未意识到这一渠道的回报率，先行进入者的获客成本低。 然而，这种红利窗口期并不会很长，预计不会超过一年。首先，AI应用的广告商业化箭在弦上，这将导致流量成本的迅速升高。其次，随着更多拥有重磅预算的品牌方涌入，竞价逻辑将不可避免地介入，GEO优化成本预计将快速上升，渠道ROI将回归到行业平均水平。 2. GEO竞争格局：谁能成为行业赢家 中国GEO产业生态

同叫本体，卖的未必是同一种东西，它是一场原有能力在AI时代的商业重新定价。 过去半年，几乎所有跟AI、跟数据打交道的厂商都在讲同一个词：本体Ontology。 数据平台与BI厂商在讲，知识图谱厂商在讲，Agent应用厂商在讲，产业情报厂商在讲，部分模型厂商也在讲。 但把他们的说法放在一起对照，会发现一个现象：没有两家的本体是同一个东西。有的叫语义层，有的叫AI数据底座，有的叫动态本体，有的叫AI FDE…… 同叫本体，卖的可能是完全不同的东西。 这不像一个在形成共识的市场，更像一场自发的集体行动——所有人都在用这个词，但不是为了统一认知，而是因为它让原有能力变得更值钱、更好卖。 一、旧能力，新定价 过去几个月，爱分析深度访谈了众多以本体作为战略方向的厂商。当把这些厂商的路线并排放在一起时，一条清晰的"旧能力到新定价"的迁移路线浮出水面。厂商类型不同，但操作逻辑一致。 图1：不同类型厂商的本体新叫法与定价变化 数据平台与BI厂商，过去靠帮企业管好数据吃饭——汇聚、清洗、建仓、做报表。但AI时代，数据的消费者从人变成了Agent。厂商就把自己的能力重新定义为语义层——不再是让数据中台更好用，而是让它成为Agent用数的标准接口。定价的锚点随之改变：以前是按功能模块和用户数收license费，现在可以按AI任务的完成结果来定价。同一套治理能力，但产生的价值不同，价格的想象空间完全不同。 Agent应用厂商，过去靠做项目吃饭——每个项目都需要FDE驻场，理解业务、拉通数据、配置模型、开发应用，人效天花板就卡在人身上。AI时代，他们把项目中的方案模板、业务规则沉淀为Skill、SOP或者SDK，在新项目中不断复用和迭代。同样的人，产出从几十万向几百万攀升。以前卖的是人头，现在卖的是可复用的AI FDE数字能力。本体让重实施、重交付的Agent应用厂商有了一套全新的估值逻辑。 知识图谱

人工智能正在经历一次重要迁移。 过去几年，大模型竞争的核心是“让AI变得更聪明”：更大的参数规模、更强的推理能力、更丰富的知识储备，推动AI能力边界不断突破。 AI不仅需要理解世界，更需要进入世界。 具身智能需要在复杂环境中实时感知与行动，汽车需要成为持续进化的智能终端，手机需要真正理解用户，工业设备、航天装备等场景也需要AI在有限资源和复杂环境中稳定运行。 AI发展下一阶段，不只是云端模型能力竞争，更重要的是智能如何走向终端、连接真实世界的竞争。端侧AI是其中的关键基础设施。 端侧AI正重新定义人工智能进入产业的方式：通过更高效的模型、更紧密的软硬件协同以及更完善的生态体系，让AI从数据中心走向千行百业。 在这一趋势下，企业竞争的核心也正在发生变化。未来的领先者，不仅需要拥有强大的模型研发能力，更需要具备将模型转化为产业能力的全栈能力。 面壁智能正是这一产业演进过程中的探索者之一。 从较早布局端侧大模型路线，到构建MiniCPM系列模型体系，再到探索训练框架、系统平台和产业生态，面壁智能试图解决是“如何让AI进入更多设备和真实场景”。 WAIC 2026提供了一个观察窗口：端侧AI是否已经跨过从技术验证走向规模化落地的关键节点？ 答案，或许正在具身智能、手机、汽车以及更多智能终端中逐渐显现。 01 从模型能力到产业落地，端侧AI正在跨过关键节点 过去几年，人工智能产业的竞争主要围绕云端展开。大模型参数规模、训练算力投入以及通用能力提升，成为行业关注的核心指标。 随着AI从技术探索走向产业应用，新问题浮现：当AI真正进入具身智能、手机、汽车、工业设备等真实环境，仅依靠云端模式是否能够满足需求？ 现实场景对AI提出了不同要求。具身智能需要在动态环境中实时感知和决策，智能汽车需要低延迟处理复杂信息，手机需要在保护用户隐私的同时提供个性化服务，而工业设备则要求AI能够稳定运行于不

技术迭代的加速，正在把企业AI推向一个新的分水岭。Agent能力不断突破，企业高层和一线员工对AI的热情持续升温，但真正进入业务流程、承担真实任务并产生业务结果的应用，仍然只是少数。 这意味着，企业AI已经从“能不能用”的阶段，进入到“能不能被组织承接”的阶段。模型能力本身不再是唯一变量，数据口径、业务语义、权限体系、流程稳定性和责任归属，正在成为AI从试点走向规模化落地的关键约束。 在此背景下，观远数据创始人兼CEO苏春园做客“对话首席”栏目，与爱分析展开了一场深度对话。作为长期深耕企业数据分析与决策智能领域的厂商，观远数据一方面见证了企业从BI、数据中台走向AI决策的演进，另一方面也在Context Layer、Agent落地路径和决策智能平台等方向进行了持续探索。 本次对话围绕企业AI真实落地进度、Agent进入工作流的关键障碍、Context在企业AI中的作用、5A落地路径方法论、决策智能平台，以及企业级AGI的演进方向等主题展开。 核心观点： 1、企业AI的真实状态是“两头热，中间难” 企业高层对AI高度重视且持续加码，一线员工对AI工具接受速度极快，但中间的IT与数据决策层反而非常谨慎，核心矛盾不是技术，而是组织AI建设与AI风险管控能力的滞后。 2、AI真正进入企业的标志，不是“能用”，而是“进入工作流” 判断AI是否落地的关键标准不是POC完成与否，而是是否进入业务工作流。当前只有5%的AI应用真正进入业务流程，从“工具体验”走向“业务执行”。 3、企业AI的核心瓶颈正在从“模型能力”转向“Context能力” 决定AI效果的关键不再是模型本身，而是上下文系统，包括指标体系、业务语义、组织权限与策略结构等。没有统一Context，AI只能输出“正确但无用”的结果。 4、企业AGI本质上是持续进化的决策系统。 企业AGI是闭环系统，从数据到上下文，形成决策，转

安全生产和工序SOP分析，是工厂管理中长期存在的高频场景。过去，这类工作更多依赖人工巡检和事后追溯。随着大模型和智能体进入工业现场，AI实时识别、告警纠错和闭环管理正加速从试点验证走向规模化复制。 安生智联是国内少数专注于AI安全生产和工序SOP合规管理的方案提供商。在本次与爱分析的深度访谈中，安生智联联合创始人兼CTO南阳，围绕工业AI落地阶段的判断、AI在安全生产和工序SOP质量管理中的落地方式，以及工业客户衡量AI项目价值的逻辑等话题进行了系统分享。 核心观点 1、AI在安全生产和工序SOP领域，正从技术验证走向规模化复制。 工业场景对稳定性、准确性和数据可获得性要求很高。安全生产和工序SOP场景中，AI技术成熟度较高、企业刚需性强、数据也相对容易获得，该领域正处于从试点验证到效益显现、进而走向规模化复制的关键窗口。 2、在AI安全生产场景中，大模型的价值在于降低误报率，提升告警可用性。 小模型适合数据充足、边界清晰的场景，但在烟火识别等少样本场景中容易产生误报。大模型通过二次研判，可以有效过滤因光线变化、飞虫等因素导致的无效告警，让系统真正具备上线使用价值。 3、工序SOP AI分析的落地难点，在于把静态标准变成动态执行闭环。 大多数工厂都有SOP文件，但文件无法实时判断人员是否按规范执行。AI系统需要把工位操作过程转化为采集、分析、告警、纠错和追溯链路，才能解决事后倒查、责任追溯和执行一致性问题。 4、工厂对AI项目的付费意愿，与收益回报周期高度相关。 工业客户更关注AI项目能否带来明确收益。收益回报周期在1年内的AI项目更容易推动落地，超过2年则较难立项。 01大模型能提高安全生产场景的准确性 爱分析：安生智联目前主要从安全生产和SOP合规两个方向切入工业AI。你们是如何判断这两个方向的市场机会的？哪些场景更适合工业AI落地？ 南阳：安生智联主要面向企业安全领域

爱分析发布《2026年中国AI数据基础设施市场规模报告》。爱分析测算，2025年中国AI数据基础设施市场规模约为450亿元，预计2029年将达到1984亿元，2025-2029年复合增长率约为45%。 报告认为，随着大模型和Agent进入经营分析、知识检索、流程协同和业务执行等环节，企业数据体系需要进一步具备语义理解、数据调用、权限审计和上下文管理能力。 未来，企业AI数据基础设施的竞争焦点将集中在“企业AI数据入口”，本体平台、多模态数据管理、高质量数据集和Agent数据调用等方向将成为市场增长的重要驱动力。 1. 核心观点 企业AI建设正在推动数据基础设施系统性升级。 模型、算力和应用率先成为企业投入重点，但在真实业务场景中，AI能否准确理解指标口径、业务对象、流程规则和权限边界，正在成为影响应用效果的关键变量。由此，企业AI数据基础设施的重要性开始上升。 爱分析测算，2025年中国AI数据基础设施市场规模约为450亿元，预计2029年将达到1984亿元，期间复合增长率约为45%。这一市场的增长，主要来自存量数据平台升级、本体平台建设、多模态数据资产化、高质量数据集供给，以及Agent数据调用需求释放。 爱分析认为，AI数据基础设施的竞争，核心是争夺“企业AI数据入口”。企业AI应用需要通过统一入口完成数据访问、语义理解、工具调用、权限控制和过程审计。未来，AI数据基础设施的价值，将集中体现在对数据入口、语义入口和Agent调用入口的统一承载能力。 本体平台将成为企业沉淀语义资产、支撑AI理解业务的关键能力。企业需要将流程、指标口径和业务规则等知识结构化，形成可被AI识别、调用和复用的语义资产。随着AI应用从问答走向分析、协同和执行，本体平台将成为企业AI数据基础设施中承接业务语义和行动规则的核心能力层。 整体来看，企业AI数据基础设施的建设重心正转向本体平台，并带动多

过去两年，智能体快速进入企业应用视野，企业对AI价值的认知也经历了从概念验证到场景探索的过程。内容生成、文档处理、辅助客服等场景率先落地，使企业初步感受到通用智能在提升办公效率和降低知识工作门槛方面的价值。 随着应用持续深入，企业关注的重点正在发生变化。相比于“能否接入大模型”，企业更关心的是，如何让AI进入核心业务，并形成自身可持续积累的智能能力。 第一章：从“AI之笔”到“AI之脑”，企业AI正进入新的发展阶段 当AI进入到企业核心业务时，面临非常多企业真实环境带来的挑战。数据分散、语义不统一、权限责任复杂等问题，都会影响AI对业务的理解、调用和执行。 Palantir近一年重新成为企业AI讨论中心，正是因为它提供了一种重要思路。通过Ontology和AIP把数据、业务对象、权限、流程和工具调用连接起来，让AI从回答问题进一步进入真实运营。其价值在于推动AI从“看见问题”走向“推动问题被解决”。 但中国市场并不适合原样复制Palantir，中国市场的核心需求，在于建设一套让AI进入业务行动的基础设施。中国企业在数据治理基础、统一语义、权限责任边界等方面与海外客户存在差异，本土路径需要从企业自身基础条件和场景需求中形成。 爱分析认为，企业AI应用正在从个人工具走向业务流程，再走向组织级智能能力建设。这个过程可以概括为三个阶段：AI之笔、AI之手和AI之脑。三者对应的不是概念包装，而是企业AI价值重心的变化：从个人效率提升，到业务执行增强，再到组织智能升级。 第一阶段是AI之笔，核心价值是个人效率提升。大模型首先在内容生成、知识问答、文档处理等场景中落地，帮助员工更快完成信息加工和表达类工作。由于这些场景对业务系统改造要求较低、使用门槛相对较低，往往成为企业启动AI应用的第一批入口。 从企业经营视角看，AI之笔主要改变的是“人如何更高效地完成工作”，对企业核心业务流程、决策

爱分析于7月8日正式发布《2026 爱分析·中国市场Palantir落地进展与趋势研究报告》。本报告指出，多数中国企业不适合一步到位建设全企业级重本体，渐进式本体才是现实路径。真正的竞争不在谁能复制Palantir，而在于谁能定义企业AI的行动层。 序言 过去一年，Palantir被重新推到企业AI的舞台中央。 在美国市场，它不再只是一个带有情报、国防和政府色彩的软件公司，而被越来越多地理解为企业AI落地的一个样本。成立二十多年的Palantir，用本体Ontology和AIP把数据、业务对象、权限、流程、工具调用和行动审计连在一起，让AI不只回答问题，而是进入真实运营。 这里有两个关键概念。Ontology不是一张静态知识图谱，而是把订单、设备、供应商、工单、库存、客户、员工、资产等业务对象，以及它们之间的关系、权限和可执行动作组织起来。AIP则是在这套业务对象和权限体系之上，让AI以可控方式调用工具、触发流程、参与决策和执行。 于是，中国市场也开始追问：谁是中国版的Palantir？ 这个问题看上去很引人注目，但真正值得回答是这三个更具体的问题：第一，中国企业到底需要Palantir的哪种能力？第二，这种能力为什么很难在中国原样复制？第三，如果不能照搬，中国市场应该走什么样的本土路径？ 爱分析认为，中国市场真正缺的不是一个Palantir复制品，而是一套让AI进入业务行动的基础设施。中国企业确实最需要Palantir所代表的能力，但中国市场最不适合原样复制Palantir。所谓中国版Palantir，不会长得完全像Palantir，它更可能从本土数据治理、轻量语义层、行业场景和可控行动闭环中长出来。 一、行动，才是Palantir的核心 理解这个问题，首先要把Palantir从几个常见误解里拿出来。 Palantir不是传统BI，也不是披着新名字的知识图谱。它当然有数据

爱分析于7月6日正式发布《2026爱分析·中国智能体记忆市场规模研究报告》，本报告重新定义记忆，明确它是智能体在交互中沉淀、动态更新并持续指导决策的经验资产。 爱分析预测，中国智能体记忆市场规模将从2025年的14.4亿元激增至2030年的642.5亿元，期间复合增长率超过110%。 1、报告综述 过去两年，行业对于智能体能力提升的关注点主要集中在模型升级迭代层面。主流观点认为，更强的模型意味着更强的智能体能力。随着OpenClaw等新一代智能体产品落地，行业发现模型能力可以支撑智能体完成长程任务，但真正决定任务效果和智能体能力上限的，将变成记忆能力。 记忆正在成为智能体产业链中，增长速度最快、市场潜力最大的基础设施赛道。爱分析测算显示，中国智能体记忆市场规模将从2025年的14.4亿元，增长至2030年的642.5亿元，期间复合增长率超过110%。 图1： 2025-2030年中国智能体记忆市场规模预测 尽管市场增长迅速，当前行业对于记忆的认知仍存在明显偏差。第一个误区，便是认为记忆与基础模型深度耦合，属于模型的重要能力之一。 事实上，模型负责智能体思考，记忆负责智能体成长。模型决定智能体能够做什么，记忆决定智能体能够做得有多好。对于企业而言，组织经验并不属于某个模型，而属于企业自身；对于个人而言，偏好、关系和行为习惯也不依附于某个模型，而属于用户自身。 因此，记忆不是模型的附属功能，而是全新的智能体基础设施，并形成独立的市场空间。 根据爱分析测算，到2030年，记忆在智能体基础设施中的占比将接近26%，成为仅次于模型的第二大独立市场。 图2： 2025-2030年记忆在智能体基础设施中的占比 第二个误区，是对于记忆价值的错误认知。一部分观点将记忆理解为知识库升级，一部分观点将记忆理解为超长上下文能力，还有一部分观点将记忆作为节省token的重要手段。这些认知都忽略了记忆

8月19日，“人形机器人第一股”宇树科技（688836.SH）正式登陆上交所科创板。开盘报1100元/股，较150.80元/股的发行价暴涨629.44%，总市值飙升至4449亿元。 $宇树科技(688836)$ 按此计算，中一签（500股）盈利高达47.46万元。这一数字超越了8月18日上市的频准激光单签45.656万元的盈利纪录，成为A股全面实施注册制以来沪深两市最赚钱的新股。 综合 | 招股书 上证报 中新经纬  编辑 | Arti 本文仅为信息交流之用，不构成任何交易建议 2019年夏天，杭州滨江一座不起眼的办公楼里，29岁的王兴兴正给来访的投资人演示他的机器狗。彼时公司账上只剩几十万，急需一笔资金。 站在对面的，正是红杉中国董事总经理李彦男。望着眼前蹒跚迈步、摇头晃脑的机器狗，他隐约看到一种更大的可能性。而这场相识的起点，只是一个QQ邮箱，李彦男顺着宇树官网上的QQ邮箱，搜索微信号找到了王兴兴。 很快，王兴兴带着他的机器狗去北京参加红杉中国的投决会。为了给投资人更直观的感受，他主动提出带机器狗现场演示。但因电池超标，无法上高铁和飞机，最终王兴兴坐了十几个小时的卧铺从杭州到北京。 那场投决会并不轻松。红杉中国董事总经理李彦男回忆：“早期阶段的宇树是一个长板和短板都很明显的企业，我们内部有很多激烈讨论，不同意见的交锋。”2019年，高性能机器狗在大多数人眼里是“偏极客风的小众方向”，没有明显的需求场景。 最终打动投委会的，还是王兴兴本人。他在会上描述了一个看似天马行空的愿景：造一个比山还高的机器人，造一个能进入血管的机器人，用机器人来造机器人。那些话在当时听起来有些遥远，但背后是一个年轻人对机器人最纯粹的相信。 那天红杉的打分体系里，投委会在Outlier和Vision两个维度

2026年以来，中国模型API调用量正以前所未有的速度攀升。截至今年6月，豆包大模型日均Token调用量突破180万亿，过去一年增长超过了10倍。 量在涨，价也在涨。据摩根士丹利统计，第二季度中国模型输出的API均价已经上涨至每百万Token 21.9元，同比涨幅超过60%。 量价齐升，按常理所有Token厂商都应该能赚钱，但事实并非如此。 当前Token市场一共有三类玩家，但各自的毛利率走向截然不同。据爱分析统计，只有云大厂处于高毛利区间，模型厂商和独立厂商都在亏损或者盈亏平衡边缘挣扎。 图1：三类Token厂商的毛利率分布 爱分析认为，Token厂商能不能挣钱，不是由技术决定的，而是由五个变量决定的。在由这五个变量构建的利润公式中，谁能建立结构性优势，谁就能挣到钱。 图2：Token利润公式 简单解释下以上公式。Token的利润，首先取决于Token加权单价，也就是输入、输出和缓存价格加权在一起的Token单价；二是GPU利用率，指GPU卡有多少时间处于空闲状态；三是Token吞吐量，指每月能跑多少个Token。 这三个变量相乘，是Token收入。然后减掉两项成本，一项是GPU服务器的月租，另一项是模型的授权费用，开源模型已经开始针对大型Token服务商收费。 用这个利润公式，可以清晰看懂三类玩家的命运。 云大厂在这五项变量上，几乎全占优势：自研模型自主定价且无需支付授权费，通过长期协议锁定低成本的GPU月租价格，专职推理优化团队改善Token吞吐量。云大厂最大的优势就是GPU利用率，通过对内、对外同时提供Token服务，GPU利用率常年维持高位。 相比之下，模型厂商的优势仅在定价权和模型抽成上，另外两项变量GPU利用率和服务器月租，均不占据优势，导致的结果是，毛利率区间相比云大厂大幅下滑。 比较惨的是独立厂商，这五项变量中，没有一项具备独立定价权，全部暴露于

8月17日，香港交易所（00388.HK）宣布，董事会已批准与集团行政总裁陈翊庭续约三年，新任期自2027年3月1日起至2030年2月28日。根据香港《证券及期货条例》，该续任已获证券及期货事务监察委员会批准。 $香港交易所(00388)$ 综合 | 公司公告 每经头条  编辑 | Arti 本文仅为信息交流之用，不构成任何交易建议 现年56岁的陈翊庭（前称陈婉文）是港交所自2000年合并上市以来的首位女性行政总裁。 她的履历横跨法律、投行与监管三大领域：拥有香港大学法学学士及美国哈佛大学法学硕士学位，兼具中国香港和美国纽约州的律师资格；曾于2003年至2007年任职摩根士丹利（香港）法律及合规监察部执行董事，2007年至2010年担任港交所上市科首次公开招股交易部主管，后于2010年至2019年在达维律师事务所担任合伙人。 2020年1月，陈翊庭加入港交所；2024年3月1日起出任集团行政总裁兼执行董事。根据续聘合约，其基本年薪为1200万港元，另可收取酌情表现花红及股份奖授。2025年度，其计入综合收益表的酬金总额为3778.4万港元，包括薪金1030万港元、绩效现金奖励1169.4万港元、其他福利33.6万港元、退休福利支出103万港元等。截至公告日，陈翊庭持有港交所股份68,479股，并根据雇员股份奖励计划持有尚未授予的奖励股份合共164,546股权益。 港交所主席唐家成对续任表示：“在陈翊庭的领导下，香港交易所与时俱进、精益求精，持续拓展业务布局、优化上市制度，提升基础设施及市场微结构，增强我们市场的竞争力”。 在陈翊庭的首个任期内，港交所交出了一份扎实的成绩单： 业绩持续创新高。2025年全年，港交所实现营收291.61亿港元，同比增长30%；股东应占溢利177.54亿港

导语：AI已经很热，为什么企业还没有真正用起来？ 企业对AI的关注，已经从“要不要做”进入“怎么落地”。高层希望AI进入经营和生产，一线员工已经在大量使用模型、Agent和各种AI应用。可是，真正进入企业生产流程、持续产生业务结果的项目，仍然不多。 一位业内知名厂商CEO，把这种状态概括为“两头热，中间难”：高层很兴奋，员工也愿意使用，中间负责把AI接入数据、流程、管理和生产体系的部分，却困难重重。据其1000多家企业样本观察，只有5%的Agent进入工作流，约95%仍停留在Demo、试点或POC阶段。 这个比例虽然不是全行业统计，却足以说明企业AI当前的真实分水岭：大家已经能做出AI应用，但还没有普遍把AI变成组织流程或者生产系统的一部分。 因此可以看出，问题不是企业有没有买模型、知识库或Agent工具，而是这些能力能不能被纳入企业的业务和运营体系。 这也是今天企业AI市场最容易被忽略的矛盾：厂商在按组件销售，企业真正需要的，却是一套可以长期运行的系统。 一、Demo证明能做出来，生产要求能长期负责 AI Coding和Agent把原型开发的门槛大幅降低了。过去需要产品经理、设计师和开发团队协作数周才能完成的应用，现在一个业务人员经过几轮对话，就可能做出一个看起来完整的Demo。 这件事本身是进步，它让业务人员更接近软件生产，也让企业可以用更低成本验证一个想法。但Demo能够运行，只能证明“功能可以被做出来”，不能证明“企业可以对它长期负责”。 从Demo到生产，至少要多回答几类问题： 1. 数据是否持续、准确，并且能够稳定调用？ 2. 不同部门对同一个业务对象的定义是否一致？ 3. Agent是否拿到了完成任务所需的上下文？ 4. 它可以访问哪些数据、调用哪些工具，权限依据是什么？ 5. 它生成的建议是否需要审批？错误动作能否回滚？出现问题能否审计和追责？ 6. 项目交

2026年，Token厂商密集冲刺资本市场。派欧云和硅基流动先后向港交所递交上市申请，无问芯穹累计融资超22亿元，趋境科技半年内融资超10亿元。这个赛道不缺玩家，也不缺资本。 但翻开派欧云招股书，这家日均处理超万亿Token、在中国独立AI云厂商中排名第一的公司，Token核心业务仍然在亏钱。爱分析研究了派欧云的完整招股书数据，试图回答一个问题：Token消耗量增长迅猛，为什么卖Token的公司越卖越亏？ 01 一年收入暴增十倍，为何依然亏损？ 派欧云自2024年开始，从CDN切入AI云服务，提供模型API、GPU云服务和Agent云服务。模型API是当前重心，即为开发者提供大语言和多模态模型Token服务，且多为开源模型。 先看派欧云AI云业务的核心数据。 图1：派欧云AI云业务核心数据 派欧云一年时间，AI云收入增长十倍，毛利率的亏损迅速收窄至-10.7%，且日均Token消耗量已经超过1万亿。整体增速极快，改善幅度也大。 这组数字让市场产生了两种截然相反的直觉。乐观者看斜率：从-95.1%到-10.7%，再给一年盈利只是时间问题。悲观者看绝对值：年增十倍还在赔钱，最后一口气未必跨得过去。 要判断谁更接近真相，需要先看清AI云内部三条产品线的构成。 图2：派欧云AI云产品线分析 基于爱分析估测，派欧云AI云收入主要来源于模型API，占比超过60%，也是导致AI云毛利率为负的主要原因。另外两块业务，GPU云服务按小时收算力租赁费，毛利率低但并非毛利率为负的拖累项；Agent云服务占比低，并非亏损主因。 派欧云每天1万亿的Token消耗量，说明需求真实，但Token价格不是派欧云定的，而且模型官方定价。爱分析对比了派欧云的定价页面和DeepSeek、GLM、Kimi等官方API文档，派欧云的定价和官方是一致的。 这并不是派欧云不想定高价,而是定价权在模型厂商手里。Token

今年5月20日，迈富时完成了一笔不太起眼的新股认购，募资净额约5亿港元，认购价40.54港元。 这是个微妙的价格——几乎回到了两年前IPO发行价43.60港元的位置。股价兜了一圈回到原点，公告里则写下了一句不寻常的用途说明：这笔钱100%投向智算基础设施，采购GPU服务器、组网、AIDC租赁及模型软件，并且在2026年底前全部用完。 一家毛利率曾高达86%的营销SaaS公司，为什么开始买GPU？而且是在自由现金流净流出6.88亿元、年末借款18.43亿元的年份（即2025年度）之后？ 黄仁勋在GTC 2026上说，AI数据中心是“Token工厂”。大多数公司把这句话当修辞，迈富时却写进了战略——全栈Token工厂，并为此掏出真金白银。这可能是中国市场应用层厂商里，第一个认真给Token工厂开成本单、下重注的公司。 问题是，这张成本单，算得过来吗？ 要回答这个问题，得拆开三件事：实际投了多少、投在了哪里；产出和回报在哪里；风险有哪些，综合投入产出比是否成立。 先把“17亿”拆穿 公告发布之后，市场流传的说法是，迈富时2025–2026累计配股融资超17亿港元重投智算。不过，这个数字需要拆开看。 17亿，是两笔钱的粗加总。2025年2月配售净额12.02亿港元，加上2026年5月认购的5亿港元。但前者只有40%明确投向AI智能体的开发与商业化，其余是并购、全球扩张和营运资金——真正100%锁死智算基建的，只有5亿港元。 5亿港元是什么概念？有三个标尺可以参照。 按行业标尺，大约对应一个不到300张卡的推理小集群。目前行业普遍以B300为标杆，8卡的B300目前价格在1,200万上下，5亿港元的投入对应大约36台机器，即288卡的机器。如果采用国产的沐曦芯片，卡数可以更多。但这是业内属于轻量级投入，字节跳动2026年资本开支计划超过2000亿元，迈富时连巨头的零头都算不上。 按自

2026年上半年，记忆从一个技术概念变成了一个行业赛道。 5月底，腾讯云发布了Agent Memory，长期记忆准确率从48%拉升至76%。刚刚过去的7月，阿里云在数据库产品线密集布局Agent记忆能力。同时，火山引擎Viking团队也开源了OpenViking项目，将Token消耗成本降低91%，GitHub Star突破2.1万。 记忆行业的融资落地同步在加速。 7月，记忆张量完成亿元级Pre-A轮融资，投资方以天使为主，包括**哈勃和荣耀战投。同期，红熊AI完成数亿元A+轮融资，投后估值近30亿元。资本开始用真金白银投票记忆赛道。 根据爱分析测算，记忆市场规模2027年将达到78.5亿元，到2030年市场规模将增长至642.5亿元，期间复合增速超过110%。如此可观的市场规模，使得各路玩家竞相下场。那么，到底哪些厂商在参与这场记忆的竞争？ 01 各路厂商会师“记忆”，五类玩家撑起新兴赛道 爱分析在调研20余家厂商后发现，当前中国记忆市场的参与者可以归纳为五个类别。有意思的是，大家都挂着记忆的招牌，心里盘算的却是完全不同的生意。 云大厂从数据库出发，想把记忆做成存储基础设施的一次AI升级，把熟悉的客户顺手迁过来。模型厂商则把记忆当成让自家模型更聪明、消耗更多Token的附属能力，记忆好不好用，关键看能不能喂饱模型。独立记忆平台强调不站队任何模型，把记忆抬到与基础模型并列的独立数据主权资产，靠中立性撕开市场缺口。企业记忆应用厂商从业务效果倒推，把记忆当作推理的前置引擎，谁能帮营销多转化，谁就赢。消费记忆产品最激进，干脆让用户为记忆本身付费，把后台能力变成前台商品。 这五类玩家资源禀赋不同，下注的方向也不一样，基本逻辑是屁股决定脑袋。有人认为，记忆会率先引爆开发者生态、成为Agent基础设施；有人认为记忆天生是B端企业属性，必须主攻企业市场商业化；有人认为记忆驱动的消费硬件

大模型和Agent加速进入企业后，如何让AI理解真实业务并参与业务执行，成为企业智能化落地的关键问题。本体通过描述业务对象、关系和规则，为AI建立企业业务认知基础，正受到越来越多企业和技术厂商关注。 然而，中国市场对于本体的理解仍存在明显差异：有的侧重知识组织，有的强调统一数据语义，也有厂商开始将业务逻辑和行动纳入其中。相同的概念背后，对应着不同的建设目标、产品边界和业务价值。 在此背景下，爱分析于2026年8月10日发布《2026 爱分析·中国本体平台市场洞察报告》，系统梳理中国市场的本体实践路径与能力演进方向。爱分析认为，本体平台的价值需要从语义表达进一步延伸至业务计算、行动执行和持续治理。完整的平台既要帮助企业建立统一的业务认知，也要支持本体随业务运行和规则变化持续更新，并推动数据、判断与行动形成闭环。 核心观点 随着Palantir受到资本市场和企业用户关注，本体成为中国AI市场热点概念。中国市场厂商实践并没有完全照搬Palantir路径，而是基于不同技术路线和应用场景进行探索，中国市场尚未形成统一的本体定义，本体平台的产品能力边界也处于探索阶段。 中国市场围绕本体形成了四类实践路径。知识工程路径侧重将文档和专家经验组织为结构化知识；语义层路径侧重统一业务术语和指标口径，并建立语义与数据之间的映射；业务本体路径围绕客户、订单和设备等业务对象，描述其属性、关系和状态；可执行本体路径进一步管理业务规则、Functions和Actions，让本体能够参与业务计算和流程执行。 Palantir为理解完整本体能力提供了重要参照。其当前体系来自长期的数据治理、决策应用和项目交付实践，随后逐步扩展到业务对象、Functions、Actions及动态安全。中国厂商可以借鉴其平台架构，叠加大模型与智能体技术带来的能力提升，形成不同的产品架构和演进路径。 本体平台的评估需要关注语义表达

8月10日，A股“人形机器人第一股”宇树科技(688836.SH)正式开启网上网下申购。本次发行价格确定为150.80元/股，发行后总市值约609.93亿元，预计募集资金总额约60.99亿元。网上申购代码为“787836”，网下申购代码为“688836”。 $宇树科技(688836)$ 从受理到过会仅用时73天、从过会到注册获批仅31天，宇树科技以104天的审核速度刷新了科创板纪录。多家券商综合测算显示，宇树科技预计中签率在万分之二至万分之三之间，远低于长鑫科技0.47%的中签率水平。数据显示，2026年以来A股新股上市首日平均涨幅高达276.04%，若以此测算，中一签宇树科技账面盈利有望突破20万元。 综合 | 证监会 中新经纬  编辑 | Echo 本文仅为信息交流之用，不构成任何交易建议 申购攻略：哪些人能打？怎么打？ 第一步：开通科创板权限（资格门槛） 宇树科技在科创板上市，投资者仅有A股账户还不够，需提前开通科创板权限，满足五项条件： 一是资产门槛：申请权限开通前20个交易日证券账户及资金账户内的资产日均不低于人民币50万元（不包括融资融券融入的资金和证券）； 二是交易经验：参与证券交易24个月以上； 三是风险测评：风险承受能力评级为C4（积极型）及以上； 四是通过科创板知识测评； 五是签署《科创板股票投资者风险揭示书》。 第二步：满足沪市市值要求（申购额度门槛） 科创板打新采用市值配售，只看沪市A股（主板+科创板）的持仓市值，深市、北交所股票以及基金、债券、现金等均不计入市值。 具体规则包括：T-2日（T日为申购日）的前20个交易日（含T-2日）的日均持有沪市市值≥1万元；每5000元沪市日均市值对应1个申购单位，1单位=500股，申购数量必须为500股或其整数倍。 顶

企业Agent正面临规模化落地挑战。 麦肯锡2026年披露，全球62%的企业正在试验AI Agent，仅23%真正实现规模化部署。国内市场也处在相似的转折点。根据爱分析调研，中国56%的企业处于试点速赢阶段，只有13%进入全面推广阶段。企业管理层的关注点逐渐转向场景选择、实施路径、规模复制和价值兑现。 这些变化表明，企业Agent正从“能力可用”走向“业务可用”。跨过这一步，需要打通业务上下文、协作执行和价值反馈三道关口，并在数据、流程、组织和治理之间形成可持续运行的生产系统。 01 从辅助决策到业务闭环：企业Agent落地的四个阶段 大模型进入企业，只是Agent落地的起点。随着执行权限、流程跨度和业务责任扩大，企业Agent大致呈现四种形态。 Copilot提供信息、建议和内容，由员工完成判断与执行。它适合嵌入知识检索、通话小结、标签提取和内容生成等高频环节，价值主要体现为个人效率提升。 任务型Agent开始调用工具，能够完成一项边界清晰的任务，例如分析一段时间内的客户对话、识别潜在风险或生成工单。此时，Agent已经具备一定的行动能力，但任务目标、输入输出和运行路径仍较为固定。 协作型Agent进入更长的业务流程，与员工或其他Agent共同完成工作。它需要知道何时独立执行，何时请求确认，何时转交其他角色。员工也从具体操作转向审核、判断和异常处理。这个阶段的难点往往来自原有流程：企业的SOP、系统界面和审批机制大多围绕人工设计，Agent加入后，任务分工与交接方式都需要重新调整。 业务型Agent进一步围绕经营目标推进流程，并以业务结果作为评价依据。在订餐、预约、客户回访、销售线索运营等场景中，Agent可以从理解需求开始，连续完成决策、调用工具、执行任务和反馈结果。企业衡量它的标准，也从回答是否准确延伸至任务完成率、转化率、工单时长、客户覆盖规模等业务指标。 这四种形

怎么让大模型真正创造业务价值？答案在模型之外。 过去几年，人工智能产业的发展主要围绕模型能力展开。从参数规模到推理性能，从多模态能力到训练效率，基础模型不断刷新技术边界，也推动AI应用进入新的发展阶段。 但当AI真正进入企业场景后，一个更加现实的问题逐渐浮现：使用先进模型，不意味着企业就能获得收益。企业需要面对的是更加复杂的现实环境：多年积累的数据如何被AI理解？大量既有系统如何与智能体连接？新的AI应用如何快速构建并符合企业工程规范？这些问题决定了AI能否从技术演示走向业务生产。 2026世界人工智能大会期间，普元信息提出“AI原生数字基座”理念，围绕智能数据治理、AI应用开发和全域融合集成三大方向，探索企业数字基础设施面向AI时代的演进路径。 这背后反映的是一个产业趋势：随着大模型能力逐渐普及，企业AI竞争正在从模型能力竞争，走向支撑AI规模化应用的底座能力竞争。 01 AI进入产业深水区，企业竞争焦点正在发生变化 人工智能的发展正在进入新的阶段。 过去，企业关注的是“有没有AI能力”。是否接入大模型，是否建设智能助手，是否推出AI应用，成为衡量企业智能化探索的重要指标。 随着越来越多企业开始实践AI应用，产业关注的问题正在发生变化。企业发现，将一个大模型接入业务，并不能自动产生价值。一个真正投入生产环境的AI应用，需要同时具备多个条件： 它需要有高质量的数据作为基础，让AI能够理解企业业务； 需要有高效的软件开发体系，让AI应用能够快速构建和持续迭代； 需要有连接企业系统的能力，让智能体真正进入业务流程。 换句话说，企业AI落地是一项涉及数据、软件、系统和业务流程的系统工程。 正如WAIC大会上，中国信通院人工智能研究所平台部副主任李荪所提出的，当前人工智能产业仍面临“数—模—用”之间协同不足的问题。虽然越来越多企业开始建设行业高质量数据集，但如何进一步推动数据、模型

作为新兴市场，GEO仍处于早期发展阶段，行业认知、服务标准和交付能力尚未成熟。为帮助市场建立对于GEO的科学认知，爱分析推出《中国GEO市场研究报告》。 1. GEO市场：千亿新入口正在形成 根据爱分析预测，2026-2030年中国GEO市场复合增长率将超过130%，并于2030年成为千亿市场。未来，GEO不是传统SEO的简单延续，而是一场关于企业经营逻辑如何适配AI法则的全面重构。 1.1 千亿市场规模指日可待 根据爱分析预测，中国GEO市场规模预计将从2026年的48亿元迅速扩张，至2030年将达到1,376亿元。这一增长的核心驱动力并非来自存量SEO市场的缓慢迁移，而是源于品牌方预算全面转向AI应用的战略趋势。预计到2030年，AI应用的广告份额将占据中国互联网广告总额的10%左右。 图2：中国GEO市场规模 这种规模扩张背后，代表着营销逻辑的演进。在搜索和信息流时代，品牌竞争的是展示位与点击率；在AI时代，广告位置变得稀缺，品牌竞争焦点转移到了AI生成内容中的推荐度与信任背书上。目前，快消、消费电子、汽车等行业品牌主，GEO年度预算已经从最初试验性质的数十万元提升至千万元级别。这种预算规模的跃升反映出企业已经意识到，如果无法在AI的回答中获得有效呈现，品牌将在未来的信息分发链路中彻底失语。 当前GEO市场正处于一个高红利期，ROI是其他渠道的数倍。这背后，一方面是因为AI应用尚未商业化，流量成本低；另一方面，大量品牌尚未意识到这一渠道的回报率，先行进入者的获客成本低。 然而，这种红利窗口期并不会很长，预计不会超过一年。首先，AI应用的广告商业化箭在弦上，这将导致流量成本的迅速升高。其次，随着更多拥有重磅预算的品牌方涌入，竞价逻辑将不可避免地介入，GEO优化成本预计将快速上升，渠道ROI将回归到行业平均水平。 2. GEO竞争格局：谁能成为行业赢家 中国GEO产业生态

同叫本体，卖的未必是同一种东西，它是一场原有能力在AI时代的商业重新定价。 过去半年，几乎所有跟AI、跟数据打交道的厂商都在讲同一个词：本体Ontology。 数据平台与BI厂商在讲，知识图谱厂商在讲，Agent应用厂商在讲，产业情报厂商在讲，部分模型厂商也在讲。 但把他们的说法放在一起对照，会发现一个现象：没有两家的本体是同一个东西。有的叫语义层，有的叫AI数据底座，有的叫动态本体，有的叫AI FDE…… 同叫本体，卖的可能是完全不同的东西。 这不像一个在形成共识的市场，更像一场自发的集体行动——所有人都在用这个词，但不是为了统一认知，而是因为它让原有能力变得更值钱、更好卖。 一、旧能力，新定价 过去几个月，爱分析深度访谈了众多以本体作为战略方向的厂商。当把这些厂商的路线并排放在一起时，一条清晰的"旧能力到新定价"的迁移路线浮出水面。厂商类型不同，但操作逻辑一致。 图1：不同类型厂商的本体新叫法与定价变化 数据平台与BI厂商，过去靠帮企业管好数据吃饭——汇聚、清洗、建仓、做报表。但AI时代，数据的消费者从人变成了Agent。厂商就把自己的能力重新定义为语义层——不再是让数据中台更好用，而是让它成为Agent用数的标准接口。定价的锚点随之改变：以前是按功能模块和用户数收license费，现在可以按AI任务的完成结果来定价。同一套治理能力，但产生的价值不同，价格的想象空间完全不同。 Agent应用厂商，过去靠做项目吃饭——每个项目都需要FDE驻场，理解业务、拉通数据、配置模型、开发应用，人效天花板就卡在人身上。AI时代，他们把项目中的方案模板、业务规则沉淀为Skill、SOP或者SDK，在新项目中不断复用和迭代。同样的人，产出从几十万向几百万攀升。以前卖的是人头，现在卖的是可复用的AI FDE数字能力。本体让重实施、重交付的Agent应用厂商有了一套全新的估值逻辑。 知识图谱

人工智能正在经历一次重要迁移。 过去几年，大模型竞争的核心是“让AI变得更聪明”：更大的参数规模、更强的推理能力、更丰富的知识储备，推动AI能力边界不断突破。 AI不仅需要理解世界，更需要进入世界。 具身智能需要在复杂环境中实时感知与行动，汽车需要成为持续进化的智能终端，手机需要真正理解用户，工业设备、航天装备等场景也需要AI在有限资源和复杂环境中稳定运行。 AI发展下一阶段，不只是云端模型能力竞争，更重要的是智能如何走向终端、连接真实世界的竞争。端侧AI是其中的关键基础设施。 端侧AI正重新定义人工智能进入产业的方式：通过更高效的模型、更紧密的软硬件协同以及更完善的生态体系，让AI从数据中心走向千行百业。 在这一趋势下，企业竞争的核心也正在发生变化。未来的领先者，不仅需要拥有强大的模型研发能力，更需要具备将模型转化为产业能力的全栈能力。 面壁智能正是这一产业演进过程中的探索者之一。 从较早布局端侧大模型路线，到构建MiniCPM系列模型体系，再到探索训练框架、系统平台和产业生态，面壁智能试图解决是“如何让AI进入更多设备和真实场景”。 WAIC 2026提供了一个观察窗口：端侧AI是否已经跨过从技术验证走向规模化落地的关键节点？ 答案，或许正在具身智能、手机、汽车以及更多智能终端中逐渐显现。 01 从模型能力到产业落地，端侧AI正在跨过关键节点 过去几年，人工智能产业的竞争主要围绕云端展开。大模型参数规模、训练算力投入以及通用能力提升，成为行业关注的核心指标。 随着AI从技术探索走向产业应用，新问题浮现：当AI真正进入具身智能、手机、汽车、工业设备等真实环境，仅依靠云端模式是否能够满足需求？ 现实场景对AI提出了不同要求。具身智能需要在动态环境中实时感知和决策，智能汽车需要低延迟处理复杂信息，手机需要在保护用户隐私的同时提供个性化服务，而工业设备则要求AI能够稳定运行于不

技术迭代的加速，正在把企业AI推向一个新的分水岭。Agent能力不断突破，企业高层和一线员工对AI的热情持续升温，但真正进入业务流程、承担真实任务并产生业务结果的应用，仍然只是少数。 这意味着，企业AI已经从“能不能用”的阶段，进入到“能不能被组织承接”的阶段。模型能力本身不再是唯一变量，数据口径、业务语义、权限体系、流程稳定性和责任归属，正在成为AI从试点走向规模化落地的关键约束。 在此背景下，观远数据创始人兼CEO苏春园做客“对话首席”栏目，与爱分析展开了一场深度对话。作为长期深耕企业数据分析与决策智能领域的厂商，观远数据一方面见证了企业从BI、数据中台走向AI决策的演进，另一方面也在Context Layer、Agent落地路径和决策智能平台等方向进行了持续探索。 本次对话围绕企业AI真实落地进度、Agent进入工作流的关键障碍、Context在企业AI中的作用、5A落地路径方法论、决策智能平台，以及企业级AGI的演进方向等主题展开。 核心观点： 1、企业AI的真实状态是“两头热，中间难” 企业高层对AI高度重视且持续加码，一线员工对AI工具接受速度极快，但中间的IT与数据决策层反而非常谨慎，核心矛盾不是技术，而是组织AI建设与AI风险管控能力的滞后。 2、AI真正进入企业的标志，不是“能用”，而是“进入工作流” 判断AI是否落地的关键标准不是POC完成与否，而是是否进入业务工作流。当前只有5%的AI应用真正进入业务流程，从“工具体验”走向“业务执行”。 3、企业AI的核心瓶颈正在从“模型能力”转向“Context能力” 决定AI效果的关键不再是模型本身，而是上下文系统，包括指标体系、业务语义、组织权限与策略结构等。没有统一Context，AI只能输出“正确但无用”的结果。 4、企业AGI本质上是持续进化的决策系统。 企业AGI是闭环系统，从数据到上下文，形成决策，转

安全生产和工序SOP分析，是工厂管理中长期存在的高频场景。过去，这类工作更多依赖人工巡检和事后追溯。随着大模型和智能体进入工业现场，AI实时识别、告警纠错和闭环管理正加速从试点验证走向规模化复制。 安生智联是国内少数专注于AI安全生产和工序SOP合规管理的方案提供商。在本次与爱分析的深度访谈中，安生智联联合创始人兼CTO南阳，围绕工业AI落地阶段的判断、AI在安全生产和工序SOP质量管理中的落地方式，以及工业客户衡量AI项目价值的逻辑等话题进行了系统分享。 核心观点 1、AI在安全生产和工序SOP领域，正从技术验证走向规模化复制。 工业场景对稳定性、准确性和数据可获得性要求很高。安全生产和工序SOP场景中，AI技术成熟度较高、企业刚需性强、数据也相对容易获得，该领域正处于从试点验证到效益显现、进而走向规模化复制的关键窗口。 2、在AI安全生产场景中，大模型的价值在于降低误报率，提升告警可用性。 小模型适合数据充足、边界清晰的场景，但在烟火识别等少样本场景中容易产生误报。大模型通过二次研判，可以有效过滤因光线变化、飞虫等因素导致的无效告警，让系统真正具备上线使用价值。 3、工序SOP AI分析的落地难点，在于把静态标准变成动态执行闭环。 大多数工厂都有SOP文件，但文件无法实时判断人员是否按规范执行。AI系统需要把工位操作过程转化为采集、分析、告警、纠错和追溯链路，才能解决事后倒查、责任追溯和执行一致性问题。 4、工厂对AI项目的付费意愿，与收益回报周期高度相关。 工业客户更关注AI项目能否带来明确收益。收益回报周期在1年内的AI项目更容易推动落地，超过2年则较难立项。 01大模型能提高安全生产场景的准确性 爱分析：安生智联目前主要从安全生产和SOP合规两个方向切入工业AI。你们是如何判断这两个方向的市场机会的？哪些场景更适合工业AI落地？ 南阳：安生智联主要面向企业安全领域

爱分析发布《2026年中国AI数据基础设施市场规模报告》。爱分析测算，2025年中国AI数据基础设施市场规模约为450亿元，预计2029年将达到1984亿元，2025-2029年复合增长率约为45%。 报告认为，随着大模型和Agent进入经营分析、知识检索、流程协同和业务执行等环节，企业数据体系需要进一步具备语义理解、数据调用、权限审计和上下文管理能力。 未来，企业AI数据基础设施的竞争焦点将集中在“企业AI数据入口”，本体平台、多模态数据管理、高质量数据集和Agent数据调用等方向将成为市场增长的重要驱动力。 1. 核心观点 企业AI建设正在推动数据基础设施系统性升级。 模型、算力和应用率先成为企业投入重点，但在真实业务场景中，AI能否准确理解指标口径、业务对象、流程规则和权限边界，正在成为影响应用效果的关键变量。由此，企业AI数据基础设施的重要性开始上升。 爱分析测算，2025年中国AI数据基础设施市场规模约为450亿元，预计2029年将达到1984亿元，期间复合增长率约为45%。这一市场的增长，主要来自存量数据平台升级、本体平台建设、多模态数据资产化、高质量数据集供给，以及Agent数据调用需求释放。 爱分析认为，AI数据基础设施的竞争，核心是争夺“企业AI数据入口”。企业AI应用需要通过统一入口完成数据访问、语义理解、工具调用、权限控制和过程审计。未来，AI数据基础设施的价值，将集中体现在对数据入口、语义入口和Agent调用入口的统一承载能力。 本体平台将成为企业沉淀语义资产、支撑AI理解业务的关键能力。企业需要将流程、指标口径和业务规则等知识结构化，形成可被AI识别、调用和复用的语义资产。随着AI应用从问答走向分析、协同和执行，本体平台将成为企业AI数据基础设施中承接业务语义和行动规则的核心能力层。 整体来看，企业AI数据基础设施的建设重心正转向本体平台，并带动多

过去两年，智能体快速进入企业应用视野，企业对AI价值的认知也经历了从概念验证到场景探索的过程。内容生成、文档处理、辅助客服等场景率先落地，使企业初步感受到通用智能在提升办公效率和降低知识工作门槛方面的价值。 随着应用持续深入，企业关注的重点正在发生变化。相比于“能否接入大模型”，企业更关心的是，如何让AI进入核心业务，并形成自身可持续积累的智能能力。 第一章：从“AI之笔”到“AI之脑”，企业AI正进入新的发展阶段 当AI进入到企业核心业务时，面临非常多企业真实环境带来的挑战。数据分散、语义不统一、权限责任复杂等问题，都会影响AI对业务的理解、调用和执行。 Palantir近一年重新成为企业AI讨论中心，正是因为它提供了一种重要思路。通过Ontology和AIP把数据、业务对象、权限、流程和工具调用连接起来，让AI从回答问题进一步进入真实运营。其价值在于推动AI从“看见问题”走向“推动问题被解决”。 但中国市场并不适合原样复制Palantir，中国市场的核心需求，在于建设一套让AI进入业务行动的基础设施。中国企业在数据治理基础、统一语义、权限责任边界等方面与海外客户存在差异，本土路径需要从企业自身基础条件和场景需求中形成。 爱分析认为，企业AI应用正在从个人工具走向业务流程，再走向组织级智能能力建设。这个过程可以概括为三个阶段：AI之笔、AI之手和AI之脑。三者对应的不是概念包装，而是企业AI价值重心的变化：从个人效率提升，到业务执行增强，再到组织智能升级。 第一阶段是AI之笔，核心价值是个人效率提升。大模型首先在内容生成、知识问答、文档处理等场景中落地，帮助员工更快完成信息加工和表达类工作。由于这些场景对业务系统改造要求较低、使用门槛相对较低，往往成为企业启动AI应用的第一批入口。 从企业经营视角看，AI之笔主要改变的是“人如何更高效地完成工作”，对企业核心业务流程、决策

爱分析于7月6日正式发布《2026爱分析·中国智能体记忆市场规模研究报告》，本报告重新定义记忆，明确它是智能体在交互中沉淀、动态更新并持续指导决策的经验资产。 爱分析预测，中国智能体记忆市场规模将从2025年的14.4亿元激增至2030年的642.5亿元，期间复合增长率超过110%。 1、报告综述 过去两年，行业对于智能体能力提升的关注点主要集中在模型升级迭代层面。主流观点认为，更强的模型意味着更强的智能体能力。随着OpenClaw等新一代智能体产品落地，行业发现模型能力可以支撑智能体完成长程任务，但真正决定任务效果和智能体能力上限的，将变成记忆能力。 记忆正在成为智能体产业链中，增长速度最快、市场潜力最大的基础设施赛道。爱分析测算显示，中国智能体记忆市场规模将从2025年的14.4亿元，增长至2030年的642.5亿元，期间复合增长率超过110%。 图1： 2025-2030年中国智能体记忆市场规模预测 尽管市场增长迅速，当前行业对于记忆的认知仍存在明显偏差。第一个误区，便是认为记忆与基础模型深度耦合，属于模型的重要能力之一。 事实上，模型负责智能体思考，记忆负责智能体成长。模型决定智能体能够做什么，记忆决定智能体能够做得有多好。对于企业而言，组织经验并不属于某个模型，而属于企业自身；对于个人而言，偏好、关系和行为习惯也不依附于某个模型，而属于用户自身。 因此，记忆不是模型的附属功能，而是全新的智能体基础设施，并形成独立的市场空间。 根据爱分析测算，到2030年，记忆在智能体基础设施中的占比将接近26%，成为仅次于模型的第二大独立市场。 图2： 2025-2030年记忆在智能体基础设施中的占比 第二个误区，是对于记忆价值的错误认知。一部分观点将记忆理解为知识库升级，一部分观点将记忆理解为超长上下文能力，还有一部分观点将记忆作为节省token的重要手段。这些认知都忽略了记忆

爱分析于7月8日正式发布《2026 爱分析·中国市场Palantir落地进展与趋势研究报告》。本报告指出，多数中国企业不适合一步到位建设全企业级重本体，渐进式本体才是现实路径。真正的竞争不在谁能复制Palantir，而在于谁能定义企业AI的行动层。 序言 过去一年，Palantir被重新推到企业AI的舞台中央。 在美国市场，它不再只是一个带有情报、国防和政府色彩的软件公司，而被越来越多地理解为企业AI落地的一个样本。成立二十多年的Palantir，用本体Ontology和AIP把数据、业务对象、权限、流程、工具调用和行动审计连在一起，让AI不只回答问题，而是进入真实运营。 这里有两个关键概念。Ontology不是一张静态知识图谱，而是把订单、设备、供应商、工单、库存、客户、员工、资产等业务对象，以及它们之间的关系、权限和可执行动作组织起来。AIP则是在这套业务对象和权限体系之上，让AI以可控方式调用工具、触发流程、参与决策和执行。 于是，中国市场也开始追问：谁是中国版的Palantir？ 这个问题看上去很引人注目，但真正值得回答是这三个更具体的问题：第一，中国企业到底需要Palantir的哪种能力？第二，这种能力为什么很难在中国原样复制？第三，如果不能照搬，中国市场应该走什么样的本土路径？ 爱分析认为，中国市场真正缺的不是一个Palantir复制品，而是一套让AI进入业务行动的基础设施。中国企业确实最需要Palantir所代表的能力，但中国市场最不适合原样复制Palantir。所谓中国版Palantir，不会长得完全像Palantir，它更可能从本土数据治理、轻量语义层、行业场景和可控行动闭环中长出来。 一、行动，才是Palantir的核心 理解这个问题，首先要把Palantir从几个常见误解里拿出来。 Palantir不是传统BI，也不是披着新名字的知识图谱。它当然有数据