社区

文章配图-1 在天津武清的“乐潮”工厂里，上演了新旧交替的一幕。 过去，一位经验丰富的老师傅在机器前全神贯注地穿针、引线、拉毛，制作一平方米地毯往往需要半天时间。由于人工手艺的波动，产品的良品率始终维持在80%左右。 现在，高精度的热转印设备不断发出节律明快的鸣响，制作一平米图案精美、色彩细腻的地毯，只需短短数秒。产能上万倍提升的同时，良品率也陡增到了98%以上。 武清地毯产业的蝶变，绝不是简单的“机器替代人工”，一场更深层的变革发生在供需两端。 通过拼多多代表的新电商平台，用户的每一次点击、搜索、购买和评价，都被转译为工厂研发决策的参考数据：年轻群体热衷于“奶油风”与“意式极简风”的居家质感；“铲屎官”们极度需要兼具防水、防猫抓且高耐用的宠物地垫；租房人群在严格考量价格的同时，要求极高的质价比…… 当工厂不再盲目生产，能够实时读懂并回应消费者，被誉为“中国地毯之乡”的天津武清，正在改写“制造”的新逻辑。 $拼多多(PDD)$ 01 手工作坊到数字工厂，“中国地毯之乡”主动求变 天津武清是国内重要的地毯产业聚集区。 经过数十年的发展，逐步形成了从原材料、织造、印花，到裁剪、包装、销售的完整产业链，聚集了大量地毯生产和配套企业。 和很多传统产业带一样，武清当地密集分布着十几人、二十多人的“小作坊”，生产依靠手工台和手工缝制。高度集中的产业链，让企业可以获取原材料和加工服务，靠着低成本和规模占领市场。 弊端同样明显。 工厂长期处于供应链末端，研发创新能力薄弱，只能被动接单。在外贸订单充足、产品需求相对固定的阶段，这套模式还能高效运转，一旦需求端出现变化，大多数工厂会遇到生存考验。 直接的例子就是“乐潮”。 据乐潮电商负责人王雷介绍，外贸订单一度占据了工厂80%的营收，对接的是采购商与渠道商，偏向标准化

文章配图-1 在商业史的周期轮转中，每一次基础设施大爆发的背后，都隐藏着一套精密的金融杠杆运作。 19世纪初，美国依靠发行铁路债券，将欧洲资本引入北美大陆，铺就了横跨美洲的钢铁动脉；上世纪70年代，住房抵押贷款证券化（MBS）的诞生，一举激活了庞大的房地产与消费金融市场；世纪之交的电信泡沫时期，光纤资产的资本化与债务杠杆，为互联网时代埋下了硬件伏笔。 2026年8月，硅谷与华尔街在重重财报与金融协议中再次交汇，上演了一幕宏大的商业景象：英伟达将联手黑石、贝莱德、高盛等华尔街六大顶级机构，建立一套规模高达5000亿美元的芯片融资体系，将AI芯片打造成一种全新的可证券化资产类别。 当算力被华尔街赋予金融属性，成为生息资产、硬通货与抵押品，标志着AI产业正在从“算法与大模型”的浪漫主义时代，驶入“金融杠杆、制造供应链与资本消耗”的现实主义时代。 01 挤压与极化：被巨头推高的“算力鸿沟” 要理解英伟达为何联手华尔街玩一场金融杠杆游戏，必须要理解算力市场正在上演的“资本挤出效应”。 腾讯在2026年第二季度财报中，披露了一组令人惊讶的财务数据：二季度资本开支升至528亿元，远超预期的321亿元，与上年同期的191亿元相比几近翻三倍；自由现金流负138亿元，若剔除AI算力采购预付款，自由现金流仍为376亿元。 也就是说，腾讯正筹谋算力军备竞赛中“不惜代价”前置卡位，即使可能出现现金流承压。 腾讯并非孤例。 根据彭博社的统计数据，谷歌、Meta、微软和亚马逊四大科技巨头，已承诺在未来数年内投入近2.4万亿美元用于AI开支。巨头们凭借充裕的现金流、优异的信用评级和成熟的融资渠道，能够以远低于行业平均水平的资本成本，持续投入AI基础设施。 巨头们的狂暴买单，直接改变了算力的资产属性。 腾讯总裁刘炽平在业绩电话会上透露了一个极具冲击力的商业细节：腾讯此前采购的部分算力订单，如果现在选择出售，

当前中国制造业正加速向高端化、智能化转型，电子精密制造等领域对产品精度与品质的要求持续提升。质量检验早已不再是生产链条末端的收尾环节，而是贯穿全流程、决定产品良率、制造成本与品牌信誉的核心节点，是企业立足全球市场的核心竞争力。 文章配图-1 面对愈发严苛的验收标准，产线质检该如何破局？ 在质检岗位上，质检员日均会进行数千次重复的检测动作，即便资深的一线质检人员，也难免受疲劳累积、注意力波动的影响，出现漏检、误判或标准执行偏差。 全流程依赖人工质检的模式下，每道工序均需配置相应检测人员，不仅推高了管理成本，更因个体判断标准的差异，难以保证品质管控的一致性与稳定性，成为合格率进一步提升的关键制约因素。 文章配图-1 当极致品质管控成为行业普遍追求的目标，纯依赖人工的质检模式已难以匹配顶级厂商的验收标准。如何用智能化手段补足人工短板、放大经验价值，直接决定制造企业的发展上限，也关乎中国制造向高端迈进的整体步伐。 工业AI质检走进制造产线，给出破局答案 CoolerMaster 集团讯强电子（惠州）有限公司（下文简称讯强电子）是散热器制造领域的领军企业，其散热产品为服务器、通信设备、新能源汽车等核心设备提供关键散热解决方案。面对全球客户日趋严苛的品质要求，讯强电子携手**数据存储展开深度合作，依托**工业AI质检解决方案，搭建起高精度智能化质检体系，推动产品质量与生产效率双向跃升。 **工业AI质检解决方案基础设施主要由OceanStor Dorado全闪存存储、iMaster DME数据中心管理平台、训练服务器、推理服务器、管理节点和**AI质检大模型组成，提供如组装错漏反识别、视频动作分析、尺寸测量检测等功能，助力企业提高质检效率，降低产品缺陷漏检率。 文章配图-1 跃升一：生产流程可视化、可追溯、可管控，多工位落地智能质检 讯强电子在超声水检、组装穿管、附件装配三个工位部署*

半个月前的WAIC，向外界传递了一个清晰信号：AI正从功能型、执行型向任务型、协作型加速演进。 从智能体到具身智能，从AI手机到工业场景，技术已经跨越了概念和实验室阶段，正深刻重塑企业的协作范式。同时也抛出了可能影响ICT市场格局的问题：当AI从企业的可选项变成必答题，如何满足各行各业的转型需求，真正抓住千行百业智能化的机会窗口？ 文章配图-1 日前，**中国政企用户峰会2026在天津举行。**中国政企业务总裁吴辉围绕“**+伙伴”的服务体系给出了示范答案：从传统的保障“设备和网络可用”，进阶为驱动“流程重构与业务增值”。 01 AI进入生产系统，企业的痛点不只是技术 衡量技术的标尺，从来都离不开“价值”二字。 当AI进入企业的核心系统，首先暴露出来的，并非是某个模型不好用，而是企业原有的业务、数据、技术和组织体系的短板。想要AI跨越“基准测试”到“生产提效”的鸿沟，必须直面三类核心挑战： 第一个是业务和数据问题。 AI能力的上限，往往由数据质量决定。现实中的一幕往往是，很多企业跨部门协同不畅，数据分散在不同的系统中，数据治理几乎无从谈起。如果企业在生产和经营流程中的高质量数据集是断裂的，模型就无法形成有效的逻辑思考与业务闭环，智能体在业务一线的落地也就成了无源之水。 第二个是系统和架构问题。 在传统IT时代，企业的计算、存储、网络是相对独立的模块。到了AI时代，AIDC已经演变为涵盖云、网、边、端、算力、模型、应用高度耦合的系统工程，任何一环出现问题，都可能影响最终的业务体验。极高的算力密度、液冷散热要求与高耦合度，对系统架构和运维的挑战不言而喻。 第三个是组织和人才问题。 AI落地不是IT部门上线一个模型，需要业务、技术、数据等部门深度协同。问题是，懂AI的人不一定懂行业，熟悉行业Know-how的人则缺乏AI工程化能力。相关数据显示，2030年的中国市场需要400万既

一年前，大模型的能力还集中在问答、总结、内容生成等辅助性工作；到了2026年，AI正加速从“回答问题”走向“完成任务”，从过去的被动响应，进化到目标驱动、主动规划和自主执行。 站在企业的立场上，选项已经不再是“要不要用AI”，而是“怎么让AI深度融入业务流程”。 然而一个园区想进行智能化改造，却面临系统烟囱林立、数据无法打通、多系统集成困难等问题；一家医院希望用AI减少医生书写病历的时间，让诊疗方案更符合医保要求，却要面对医疗数据安全、算力资源如何高效使用等挑战……AI落地的“最后一公里”，如何才能快速跨过去？ 文章配图-1 7月31日举办的**深圳场景化解决方案发布会上，**商业和分销解决方案部总裁刘锋在演讲中给出了答案：携手伙伴打造“智轻优易安”轻量级场景化方案，助力千行百业快速将Agent部署到业务一线。 01 从“大项目”到“小场景”，数智化的供给方式变了 过去的数字化转型，往往围绕顶层规划展开，再逐步建设基础设施、数据平台和业务系统。到了AI时代，面对大量分散、具体且快速变化的业务场景，企业更需要先找到价值明确的场景，让AI在一个个真实场景中跑起来，再把经过验证的能力沉淀下来。 **提出的“10+95+N”战略，目的正是改变数智化的供给颗粒度：沿着教育、医疗、制造等10个行业找到价值场景，围绕场景打造普教AI通识课、智慧产业园区、智慧新能源、工业AI质检等95个轻量级方案，并围绕不同场景持续打造一系列适销新品。 把“大项目”拆成“小场景”，只是第一步。 面对海量的企业诉求，一个场景化方案的落地，必须回答一连串问题：能不能快速用起来？上线以后效果好不好？早期要投入多少？是否需要庞大的运维团队？数据是否安全可靠？ 在**深圳场景化解决方案发布会上，**商业和分销解决方案部总裁刘锋针对企业数智化转型中的普遍问题，首次提出携手伙伴打造“智轻优易安”方案，帮助各行各业快速部

文章配图-1 对客服务、智能投研、智能投顾、业务运营、风险识别……大模型在证券行业的应用，几乎渗透到了每一个业务环节。 早期的探索大多是单一场景。 或是把内部知识库接入大模型，让AI回答员工问题；或是把几十页研报交给AI，让它提炼关键信息；或是在客服系统中加入智能问答功能，提高常见问题的处理效率。 打通的场景越来越多，渐渐从量变走向质变。 AI的服务对象变成了数千万客户、上万名内部员工，进入到投顾、投研、投行、风控、研发运维等核心环节，从效率提升走向价值转化。面对算力的挑战，问题不再是“能不能上线部署一个模型”，而是大量用户同时发起请求时，系统能不能及时响应？财富、投行、风控等多个部门同时调用模型时，算力如何分配？ 2026世界人工智能大会前夕，国泰海通联合**打造的金融行业首个自主创新AI液冷超节点正式上线，实现了大规模的算力协同，补齐了AI在证券行业规模化落地的一块重要拼图。 $国泰海通(601211)$ 01 从“部署大模型”到“建设AI生态系统” 国泰海通的AI布局并非始于大模型热潮。 早在2017年，国泰海通就前瞻提出了“AI in ALL”的人工智能应用策略，并在2024年创新提出“ALL in AI”的全新策略，坚定长期、持续、深入推进AI在各领域场景应用和赋能。 2025年4月，国泰海通行业首家获监管同意在APP上线大模型面客服务，并在同年7月发布了行业首个全AI智能App“灵犀”。 截止到目前，国泰海通大模型的典型应用已经覆盖财富管理、机构服务、投资银行、合规风控、数字职场、研发运维等多个领域，实现了全业务、全链条、全岗位的全场景创新实践。 原因并不难解释。走在行业最前沿的国泰海通，在人工智能建设的过程中落地了三大举措。 一是构筑行业首创的“1+N”大模型应用架构。以1个通

文章配图-1 对客服务、智能投研、智能投顾、业务运营、风险识别……大模型在证券行业的应用，几乎渗透到了每一个业务环节。 早期的探索大多是单一场景。 或是把内部知识库接入大模型，让AI回答员工问题；或是把几十页研报交给AI，让它提炼关键信息；或是在客服系统中加入智能问答功能，提高常见问题的处理效率。 打通的场景越来越多，渐渐从量变走向质变。 AI的服务对象变成了数千万客户、上万名内部员工，进入到投顾、投研、投行、风控、研发运维等核心环节，从效率提升走向价值转化。面对算力的挑战，问题不再是“能不能上线部署一个模型”，而是大量用户同时发起请求时，系统能不能及时响应？财富、投行、风控等多个部门同时调用模型时，算力如何分配？ 2026世界人工智能大会前夕，国泰海通联合**打造的金融行业首个自主创新AI液冷超节点正式上线，实现了大规模的算力协同，补齐了AI在证券行业规模化落地的一块重要拼图。 $国泰海通(601211)$ 01 从“部署大模型”到“建设AI生态系统” 国泰海通的AI布局并非始于大模型热潮。 早在2017年，国泰海通就前瞻提出了“AI in ALL”的人工智能应用策略，并在2024年创新提出“ALL in AI”的全新策略，坚定长期、持续、深入推进AI在各领域场景应用和赋能。 2025年4月，国泰海通行业首家获监管同意在APP上线大模型面客服务，并在同年7月发布了行业首个全AI智能App“灵犀”。 截止到目前，国泰海通大模型的典型应用已经覆盖财富管理、机构服务、投资银行、合规风控、数字职场、研发运维等多个领域，实现了全业务、全链条、全岗位的全场景创新实践。 原因并不难解释。走在行业最前沿的国泰海通，在人工智能建设的过程中落地了三大举措。 一是构筑行业首创的“1+N”大模型应用架构。以1个通

每年的WAIC，都是观察AI产业变化的一扇窗口。 深入“打卡”多家互联网大厂的展台后，我们有一个直观的感受：几乎所有厂商都把智能体作为核心叙事，涵盖通用智能体、垂直智能体、智能体开发等等。AI已经跳出了聊天框，开始接手一项项具体工作。 从“回答问题”走向“完成工作”，改变的不仅仅是应用形态，还有互联网厂商的能力边界：一次简单问答，背后可能只是一次模型推理；而一项智能体任务，可能持续数分钟乃至几十分钟，经历数十次模型调用、工具执行、文件读写、失败重试，对基础设施提出了新的要求。 7月16日的**互联网AI之夜@WAIC 2026，聚集了50多家互联网企业和大模型科技公司，向外界传递了一个积极信号：当AI从对话走向行动，互联网行业的竞争正在从模型能力走向“生产系统”。 01 智能体时代，互联网业务的逻辑变了 智能体带来的变化，不只是让AI多了“手和脚”。 和聊天机器人对话时，用户输入一个指令，模型生成一段文字、一张图片或者一行代码。如果答案不够准确，用户需要继续补充条件，进行下一轮对话。评价标准主要是答案对不对、响应快不快。 到了智能体时代，用户只需要提出一个任务目标，由AI负责理解需求、制定计划、调用工具、访问数据、执行操作，并根据中间结果不断调整路径，直到交付最终结果。 “单轮回答”到“自主任务”的跃迁，看起来只是任务链条变长了，实际上是不同的产品形态和运行方式。 在**互联网AI之夜上，多家互联网企业“现身说法”。 比如AI Coding领域的TRAE。 2026年以前的AI Coding，扮演的还是辅助角色，在开发者敲代码时自动补全下一行，或者根据指令生成一段函数。 TRAE揭示了新的方向——将AI从代码生成环节推向完整的软件工程任务，需要理解整个代码仓库，定位与需求相关的文件，规划修改路径，编写代码，调用终端，执行测试，并在失败后继续排查和修复。AI Coding的价

文章配图-1 早在3年前，创业最难的一步，还是把一个想法变成产品。 先要找到技术合伙人，再组建产品、设计和研发团队，投入几十万元、耗费几个月，才能做出一个最小可行产品。很多创业想法还没来得及接受市场检验，就死在了成本和组织门槛上。 AI改变了这一切。 一个不会写代码的人，可以借助AI编程工具搭建应用；一个人可以完成市场调研、产品设计、内容制作、客户回复、项目管理；原本需要十几个人协作完成的工作，正在被压缩到一个创始人和一组AI工具。 一个人就是一家公司，正在成为AI时代最具诱惑力的创业叙事。 根据《2026中国OPC行业白皮书》的数据，国内一人公司的数量已经超过1600万，占所有企业的27.4%；Honghub发布的OPC洞察报告显示，75%的OPC创始人来自非技术背景，AI是主要的生产力工具。 当所有人都能快速做出产品时，OPC创业怎么走得更远？亚马逊云科技的「创业复兴」计划，正试图回答这个问题。 01 产品越来越容易做，经营一家公司却越来越难 AI降低的是生产成本，却没有同步降低企业经营的难度。 会写代码、能做原型、可以快速上线，只能证明一个想法在技术上成立；能不能找到真实需求、获得付费客户、持续交付结果，才决定一个想法能不能成为一门生意。 创业门槛的下降，带来的第一重挑战是——产品过剩。 不少创业者容易陷入一种错觉：只要产品能做出来，市场自然会出现。 现实却恰恰相反。 倘若任何团队都能在周末做出类似的产品，市场竞争将不再局限于“能不能做出来”，创业者从起步阶段就必须回答更深层次的问题：需求是不是真实存在？产品有没有足够明显的差异？用户为什么愿意付费？使用一次之后，还会不会继续使用？产品能不能稳定地服务更多客户？ 创业者的经验、判断和认知能力将会被进一步放大，直接决定一个公司能够走多远。 即使创业者有着足够敏锐的直觉，还需要解决第二重挑战。 第一批客户出现后，创业者很快

文章配图-1 最近，“Token工厂”的概念越来越热，乍一听像是技术圈的新“黑话”，承载的却是企业的现实诉求。 当AI进入到千行百业的生产流程，银行用AI审合同、查风险、生成尽调报告，医院用AI筛查患者、生成病理文书，工厂用AI读SOP、查工艺、分析产线数据……Token消耗呈现出了指数级增长。 摆在企业面前的问题是：怎么用更低成本、更高效率、更安全可控的方式，持续生产高质量的Token？ 市场调研机构IDC在《中国AI一体机市场份额》报告中向外界释放了一个关键信号：2025年中国AI一体机市场的销售额近6亿美金，其中超聚变以17%的份额位居市场第一。 IDC中国副总裁周震刚在WAIC 2026期间的演讲中判断：AI和智能体正在开启新一轮IT支出“超级周期”。特别提到中国AI一体机市场销售额将在2030年达到43.85亿美元，年均复合增速接近50%。 文章配图-1 AI一体机市场的快速增长，意味着越来越多企业正在从单纯采购云端算力，转向对算力、存储、网络、模型及软件生态进行一体化部署，哪怕是中小企业，也在通过AI一体机打造自己的“Token工厂”。 01 “Token需求膨胀”时代的两本账 为何AI一体机成了企业的刚需？答案要从AI落地的深度说起。 2025年以前，企业部署AI以能力验证为主：调用云端模型、搭建知识库、选择几个场景做Demo。 只要模型能在企业内部跑起来、应用试点能看到效果，就算迈出了第一步。落地方式主要是智能问答和内容生成，用户问一句，模型答一句，单轮对话只需要50到300个Token。 进入2025年后，AI逐渐开始进入合同审核、信贷风控、研发协同、生产运维等核心业务，情况就发生了变化。 不再只是回答问题，需要持续连接企业的数据、知识库和业务系统。特别是智能体应用的出现，从简单的“一问一答”演变为“自主规划、多步执行”，会自动拆解任务、检索知识、工具调用