社区

模型公司还在争榜首，AWS已拿到Anthropic十年至少1100亿美元的采购承诺。腾讯则让WorkBuddy连接更多现有软件，争取AI办公入口。 服务别人的模型、连接别人的工具，两家大厂都在寻找不必包办一切的生意。 一、1100亿美元长约，AWS卖铲子赚到了 Anthropic招股书披露了AWS拿到的一笔大生意。按照双方协议，Anthropic承诺在未来十年向AWS支出至少1100亿美元，即使实际使用不足，也要补齐差额。 尽管这笔钱还没有全部变成收入，但AWS已经提前拿到了一个重要客户未来十年的最低采购承诺。 模型公司训练新模型、扩大用户规模，都要继续买算力。AWS可以同时服务多家厂商，哪家的模型更受欢迎，就承接哪家的需求，不必押注某一家。 本季财报已经体现出这门生意的规模。AWS第三季度收入460亿美元，同比增长39.3%，经营利润178亿美元。放弃了自研模型的AWS，依然是赚到最多钱的云厂商。 同一轮算力需求增长，也带动了Google的云业务。Google Cloud第三季度收入增长103%，增速超过AWS，但收入和经营利润分别为307亿美元、111亿美元，规模仍低于AWS。Google还要同时做好Gemini、搜索等业务，投入也更分散。第三季度，Google资本开支达到514亿美元，自由现金流连续两个季度为负。 早年机器学习时代，Google开发并开源了TensorFlow，但85%的云端TensorFlow项目运行在AWS上。Google推广框架，AWS同样能赚到算力和云服务的钱。从TensorFlow到Claude，AWS的打法一脉相承。谁的技术受欢迎，就为谁提供运行环境，把训练、部署和推理需求留在自己的云上。 模型迭代快，客户的选择也会变，能够持续支持不同模型、帮助客户部署应用，云业务在AI时代同样能做成大生意。 二、WorkBuddy要抢办公入口，先让上下文

混元4正式版即将发布，混元5 Preview已进入训练管线，原生多模态、参数量过万亿。按常理，对于混元5这个还没出来的模型大家心里都没谱，但这次不一样。 腾讯内部对于混元5预期颇高。 与混元深度配合的AI产品负责人很笃定的认为，“混元5成为SOTA模型只是时间问题”。云数据库团队作为Coding重度用户，对此也有颇有期待，“混元4离复杂任务的可用状态不远了，混元5赶超DeepSeek不成问题”。 这些积极正面的预期，与一年前腾讯内部对于混元的评价，相差万里。当时的腾讯内部管理会上，混元被揶揄道，“还坐在小孩儿桌”。 混元4已经摸到了大人桌的桌沿，混元5想往桌上的主位坐。 01 事在人为 混元的变化从组织重建开始。这方面，Meta为腾讯提供了教科书样本，彼时的Llama也已经被踢到了小孩儿桌。 扎克伯格押注年轻人，花143亿美元买来了28岁的Alexandr Wang，并用半年时间干掉了老人杨立昆。新的模型实验室MSL更加强调人才密度，核心团队100来人，相比之下，杨立昆治下的FAIR实验室人员超过600人。当然，事后FAIR大部分的人员也都被裁掉了。 腾讯这边动作路数基本一致。2025年12月，不到28岁的姚顺雨入职，职务是总裁办公室首席AI科学家，直接向刘炽平汇报。同时，新设AI Infra部，姚兼任负责人。 然后就是一连串的合并与撤销动作，以增强人才密度。3月，负责模型研究的AI Lab关闭。撤并之前，在腾讯待了九年的AI Lab元老副主任俞栋离职。7月，语言模型部和多模态模型部合并。9月，AI Data部也并进来。 至此，姚顺雨掌控了模型训练的完整要素，算力、数据、算法三条线，这在大厂中并不多见。 比如，阿里AI Data团队始终挂在集团层面，与千问模型团队是平级关系。千问林俊旸离职后，并没有统一的模型负责人，语言模型是刘大一恒、Audio是李先刚。能像姚顺雨这样，同

导读 大模型的能力持续走强，企业对AI落地的关注点已经从模型能力本身转向ROI，投入一块钱能不能产出两块钱的收益。 但越深入会发现，B端AI落地最难的不是模型不够强，而是AI理解不了企业的业务语言。同一句话，在不同企业、不同时点、不同部门都有不同含义，AI只有把这些含义搞清楚，才能真正跑通业务。 本文围绕这一核心问题展开，介绍了落地过程中遇到的三大鸿沟、五步实施路径，并通过消费电子、文旅、新能源车企、B2B四个行业的真实案例，最后落到业务语言的三门一表方法论，给出一套可落地的治理与责任框架。 分享嘉宾：迈富时Marketingforce产研高级总监，张小龙 01怎么去落地AI，从全景图到五步路径 迈富时最早是做营销出身，所以针对每一个业务领域或每个行业，都会建立自己的全链路、全场景的产品和服务体系对应的全景图。这个全景图跟我们做AI落地的整套方法论是直接相关的。具体做法上，主要是结合咨询，加产品、加实施，三位一体的AI整体服务。 AI时代来了之后，我们基于原先的企业全链路服务打造了AI原生的内核及底座，对外提供各种不同的智能体相关赋能的服务。通过两年多的实际落地会发现，现在的TO B市场并不是大模型不够强，最明显的变化是，企业对ROI的关注度越来越高，越来越务实，越来越关注AI带来的业务价值。 在前期AI落地过程中，我们看到三个比较突出的问题，称为三大鸿沟。 第一，最开始大模型出来后做的一些应用比较浅，可能就是做个调研报告、写篇文章、做个PPT，那时候主要还是大家来体验AI带来的一些能力，或者更多体现爽点。 第二，缺少底座。这个底座并不是缺少一个单纯的工具，而是在企业内部真正缺少一个共同的可以承载业务的底座或平台。 第三，缺少工程化。之前很多企业做了一些样板间的工程，可能是因为AI的焦虑想去体验，或者一些政绩工程，但在这些样板间里很难去做复制或批量推广。 基于三大鸿沟，我们

客服机器人最怕听到的三个字，是转人工。客户打进电话，机器人没听懂、答非所问，客户连喊三声转人工，这一次交互的成本就从几分钱变成几块钱，此前的智能化投入也付之东流。衡量这件事的指标叫人机拦截率，即不需要转人工、由机器人独立解决的比例。 项目启动前，天津长城滨银汽车金融有限公司（简称长城滨银汽金）的这个数字停留在60%上下。一年之后，还款、档案、提前还款三大高频场景下的语音机器人人机拦截率大于70%。十几个百分点背后，是一整套客服体系的重构。 一、企业简介 长城滨银汽金成立于2014年5月，由长城汽车股份有限公司与天津滨海农村商业银行共同出资设立，注册资本66亿元，总部位于天津经济技术开发区，是持牌汽车金融机构。公司主营汽车消费信贷与经销商融资业务，依托主机厂背景布局汽车上下游金融产业链，为用户提供全生命周期汽车金融服务。 对这样一家机构而言，客服中心既是服务窗口，也是合规窗口，一头连着数十万车主的高频诉求，一头连着金融监管对信息披露、风险告知与数据留痕的刚性要求。当Agent技术进入客服场景，这两头必须同时被照顾到。 二、老系统的三本账 2024年之前，长城滨银汽金的客服体系已运行多年。随着业务量增长与用户诉求日趋多元，原有架构逐渐显现出三方面压力。 首先是识别与理解能力跟不上。上一代语音机器人受限于当时的技术架构，识别准确率不高，客户一句话说出口，机器人理解的可能是另一层意思，答非所问的结果就是客户直接喊转人工。 其次是架构分散带来的扩展难题。彼时公司的呼入系统、外呼系统、语音机器人、文本机器人与智能化应用分别由不同厂商提供，业务侧与技术侧都需要跨多家供应商协调。客服系统环环相扣，任何一环出问题，定位与协同的成本都不低；新需求落地要牵动多个供应商同步改造，周期偏长，多套系统的维保投入也在持续增长。 第三是人力占用居高不下。质检靠人工逐条听录音，小结与工单靠客服手动整理，重复

导读： 从传统BI到AI问数，数据分析的门槛正在被自然语言交互彻底拉低。面对真实世界中海量的数据表和复杂的业务口径，单纯依赖大模型的生成能力往往会导致幻觉频发。我们该如何在成本、速度与准确性之间找到平衡？ 本文不仅指出了企业建设AI问数的三大常见误区，更分享了一套经过验证的 AI问数解决方案，并分享超大型央企是如何构建AI问数的全过程，将AI问数从简单的对话工具升级为可复用的业务底座，为大家带来一些参考。 分享嘉宾： 普元信息高级副总裁王克强、普元信息智能大数据研究院院长李书超 01 AI问数困境与解法 从20年前做数仓、数据分析、BI到现在，企业数据分析的问题一直存在，很难根治。 首先是技术和业务的协同断层。 技术人员不懂业务流程、指标定义和决策场景，业务人员又没有技术能力。业务把需求传达给技术时，双方往往说不清楚。 比如业务人员说“把这一条数据和下面那条数据加到一起”，这对做报表和BI来说很头疼，因为需要的是规则逻辑，而不是随意指定几条数据求和。 其次是数据分析效率低。 大型数仓和分析项目，年底立项、年初招标，团队入场调研、收集需求、设计建设、测试交付，等到验收时，业务人员会说“你做得对，但我当时提的需求已经变了”。这种IT项目模式难以满足很多快速迭代的想法和高时效性需求。 还有数据基础差、系统孤岛严重、数据质量差、工具和管理不足、门槛高等问题。 现在大家开始寻求突破，我认为企业数据分析的发展趋势分几个阶段：传统分析、自助分析，以及现在萌芽的AI问数。 传统分析由IT人员开发报表，周期长、成本高，只面向中高层管理者。 自助分析在传统BI基础上做了升级，把数据集定义做成可拖拽、中文化的方式，但本质上没有脱离BI建模、做看板和报表的过程，效率提升有限。 我们认为当下和未来的方向是AI生成式数据分析。 通过对话式提交问题，AI获取数据、生成报表、多维分析、深度分析，交付周期快

导读 随着大模型能力持续演进，AI已逐步应用于数据查询、代码生成、分析洞察和报告生成等环节。 在此背景下，企业对BI与Data Agent的关系出现了不同判断：一方面，部分企业关注AI对传统BI的替代可能；另一方面，模型幻觉、数据准确性和结果可信度等问题，也使企业对智能问数的实际应用价值保持审慎。 事实上，BI与Data Agent并非简单的替代关系，而是在企业数据分析体系中承担不同角色、形成能力互补。 本文将围绕AI时代企业为何仍然需要BI，以及Data Agent能够带来哪些增量价值展开分析，并提出以岗位需求为切入点的落地路径。同时，结合邮储银行的实践案例，为企业推进相关应用提供参考。 分享嘉宾：思迈特软件FDE总监，朱海 01两类争论和一个核心命题 今天分享的议题，来自跟很多客户交流过程中遇到最多的问题：AI的时代，企业为什么既需要BI，也需要Data Agent？这个问题背后有两种代表声音。 第一种声音认为，现在的大模型已经可以理解很多问题、读取数据。比如AI智能体可以直接接入MySQL、Oracle等数据库，读取数据含义，生成SQL或Python代码，做数据分析、制作图表，甚至生成报告。这种情况下，BI以后还会不会存在？以前建设的BI还有没有价值？ 第二类客户正好相反。他们以前做了大量BI建设，建了数据仓库，做了很多经营管理看板、业务自助推广，还有上千张报表。在他们看来，AI只是替换了手工查询的动作，人工本来就可以更快地执行；而且AI确实存在幻觉，到今天也不能保证百分之百的准确率。所以他们会问：Data Agent是不是一个噱头？问出来的数据做的报告，谁还敢用？ 总结下来，这两个疑问都很合理，立场不一样。但企业真正关心的，始终是三个问题：第一，员工的工作有没有更容易地完成；第二，决策有没有可能因为AI变得更可靠；第三，投入到AI里的钱，有没有产生实际的应用价值，也

01 公司介绍 拓尔思信息技术股份有限公司（简称“拓尔思”）成立于1993年，是中文全文检索技术的开创者，也是国内最早将人工智能、大数据与行业场景深度融合、规模化落地的上市企业。公司深耕行业三十余年来，始终坚持“数据+智能”底层技术自主可控的核心发展路线，现已成为政务、泛安全、媒体等领域国家级数智化基础设施的核心建设者，赋能千行百业实现数智化升级。 02 产品服务介绍： 拓尔思提供动态本体一体化平台，并将其与数据中台、智能底座和场景应用结合，形成从数据处理、本体构建到智能应用的整体产品体系。其中，数据中台提供数据接入与治理能力，动态本体一体化平台组织业务对象及运行逻辑，智能底座支撑模型调用和智能体运行，上层应用根据行业需求完成具体业务任务。 动态本体一体化平台采用建模图谱、实例图谱和运行图谱三类图谱。建模图谱定义业务对象、关系和规则，同时描述可执行的行动；实例图谱将真实数据映射到业务对象，承载对象状态及关联证据；运行图谱记录任务推进、分析路径和行动过程，并支持结合历史或实时数据开展场景推演。三类图谱共同连接业务定义、实际状态和运行过程。 平台的工程架构包括语义层、动态层、动力层和审计层。语义层统一业务概念及数据含义；动态层管理对象的状态变化和行为轨迹；动力层连接业务规则、算法函数和执行动作，支持分析推演与方案生成；审计层记录数据来源、分析依据和操作权限，并为后续复盘提供依据。 平台核心功能覆盖业务本体建模、多源数据映射和动态状态管理。企业可以围绕具体场景定义对象及其关系，将不同系统的数据组织为统一业务视图，并随着数据变化持续更新对象状态。在此基础上，平台通过规则和算法开展关联分析，识别异常情况，比较不同处置方案的影响，并根据行动风险配置自动执行或人工审批。 平台同时支持过程追溯和本体持续迭代。业务人员可以查看结论对应的原始材料，核查分析过程，并根据复核结果调整规则和模型。相

企业Agent即将进入应用爆发期。大量企业有机会利用AI低成本快速补上企业数字化功课，并逐步走向AI原生。 "Claude Code在单机和coding的Harness架构上，对用户体验的追求更加极致。"景栗科技CEO赖罡斌说。在他看来，Harness不会被模型吃掉，两者是相互增强的关系，Harness更像是AI时代的新操作系统。 他把未来Agent平台的竞争，理解为一系列技术路线的选择：如何押模型能力和Harness，做本地还是云端，做工作流还是通用Agent。对中小科技公司来说，路线押错三个月到半年，一家公司就可能出局。 在访谈中，赖罡斌反复强调：上下文是与模型交互的唯一窗口。自进化、记忆、技能、连接器，本质上都是上下文的子问题。 景栗科技在过去一年时间内，实现了从一个企业服务软件和运营服务商，向企业智能体平台的进化。它选的路线是企业自建智能体平台：把企业上下文、知识库和应用插件深度整合进平台，完全云端部署，因此更容易连接到企业已有的业务容器。 很多企业会选大厂平台，也有很多企业会选择自建。如何比开源框架更开箱即用，比大厂平台更贴近业务场景，成为景栗智能体平台独特的发展路线。 此前十年，景栗是全国领先的私域营销软件和科技运营提供商，服务了大批零售、消费、医疗等头部企业；新的企业智能体底座跑起来之后，一方面把传统私域业务向上迁移，同时在企业自建智能体平台、知识库、数字员工解决方案上实现了突破和增长。 核心观点 这轮企业AI的主战场，是补数字化的课。中国企业的数字化建设落后于美国，正在用AI以极低的成本补齐基建。当前，国内真正有数据治理和知识库的企业凤毛麟角。 技术路线的前瞻性决定生死。这个行业拼的不是团队大小，是核心团队对于未来技术的路线判断。 上下文工程是Harness核心锚点。与模型交互的唯一产出物，就是上下文，自进化、记忆、技能、连接器等，本质上都是上下文的子问题。

Anthropic最该担心的竞争对手，不是OpenAI，而是Meta。 这不是因为Meta研发出了Coding能力更强的模型，也不是因为Anthropic的模型不再领先，而是Meta可能押中了下一轮AGI竞争的关键方向：Personal Agent。 过去一年，Anthropic凭借Coding能力建立了自己的竞争优势。当越来越多的人相信AI写代码、做任务才能通往AGI时，Meta却选择了一条不同的路。 去年夏天，扎克伯格重整AI团队后，在公开信中明确了Meta新的方向，个人超级智能（Personal Superintelligence），之后Meta研发Muse、收购Manus，都是这一战略的落地成果。 战略方向不同，会导致对下一代模型应该具备什么能力的判断完全不同。基于能力目标的设定，用什么标准评测模型、如何打磨模型、如何甄选训练数据，都将随之改变。 Meta首席AI官Alexandr Wang在接受David Senra访谈时，回顾了团队开发Muse Personal Agent的过程。他提到，团队从原型走向产品发布，经历了七个月的研发和打磨，并围绕100多项具体行为和能力建立评测体系，持续改进模型。这个过程不仅涉及基础模型的预训练，同时覆盖到后训练阶段，是全新的端到端训练重塑，从而让模型更好地服务于Personal Agent这一目标。 如果Meta赌对了，那么它挑战的将是Anthropic赖以建立领先优势的Coding技术路线。当行业发现AGI下一轮的方向变了，领先者Anthropic无法及时转身，AGI的旗手位置将易位。 01 Anthropic All-in Coding，Meta不跟 要理解Meta为什么能挑战Anthropic，得先弄清楚Anthropic是怎么赢的。 过去几年，AI行业一直在追求更强的模型能力。但模型刷榜取得更高的分数、输出更漂亮的答案，

宇树本周开了个大会，要加码物理AI，但市场机会越大反而越难守住一哥地位。MiniMax条件并不差，也不缺算力，却在基模竞争中掉队。豆包手机遭到166款App的拒绝接入，AI即使能操作手机，也得过APP厂商这一关。 以上这三件事连起来看，AI公司手里原有的优势，都未必能换来下一轮竞争的领先。 01 物理AI市场越大，宇树“一哥”地位越不稳 本周，宇树在物理AI大会上公布了自研模型与外部合作并行的计划，重点推进适配自身硬件的物理AI模型。基础模型厂商威胁已显现，机器人厂商必须补模型能力。 但是，物理AI市场空间越大，宇树当一哥的机会可能越小。 此前，宇树的优势主要在机器人本体和运动控制，也就是通常说的“小脑”，让机器人站得稳、跑得快，以较低成本生产出来。物理AI还需要“大脑”，理解环境、判断任务，再决定如何行动。做好小脑，并不意味着做大脑也有同样的优势。 如果物理AI最终成为一个超级大市场，基础模型厂商一定会重点投入。届时，宇树要面对的，将是拥有更强通用模型、更大算力投入和顶尖研究团队的竞争对手。未来机器人的能力差距主要由大脑决定，基础模型厂商就更有机会主导这个市场，宇树靠运动控制积累的领先地位会受到挑战。 如果物理AI最终更像智驾，主要围绕具体硬件和有限场景形成商业价值，宇树反而更有机会。模型必须适配机器人，客户也要考虑成本、可靠性和交付。基础模型厂商未必愿意为这些细分场景持续重投入，宇树则可以依靠已有硬件和量产经验，自研一部分模型，再引入外部能力，把整机产品做好。 对宇树来说，一个足够赚钱、又不足以吸引基础模型巨头全面投入的市场，可能比一个通向AGI的超级市场更有利。 02 MiniMax跌破发行价，为什么第一个掉队？ 本周五，MiniMax股价一度跌到155.2港元，跌破165港元的IPO发行价。MiniMax手里的条件并不差，算力储备领先多数同行，至少不用先为缺卡发愁。