社区

文章配图-1 01 一束花，让乡村的生活多了些颜色 山东临沂的袁钦芹，是一位标准的“留守妇女”。 如果用城市的标尺去衡量，她的生活似乎略显“单调”：在村里的一家厂子做电商客服，“工位”离家只有八百米，骑电动车三分钟就能抵达。下班后拐个弯去接孩子，再去村口的小超市买点菜，然后回家做饭。 家、厂子、学校、超市，几乎构成了她全部的生活坐标。 但在袁钦芹的眼里，这样的生活并不枯燥：“路上都是熟人，谁家有个事都知道。爸妈就在跟前，有个头疼脑热的抬脚就能去看看。”在熟悉的圈子里，有着城里人难以企及的安定与闲适。 袁钦芹的手机里安装了多个电商APP，从事的也是电商相关的工作，以前却很少网购。原因很简单，取快递要跑到镇上，五六公里的距离，对于一个每天需要上班、带孩子的母亲来说，“不值得专门跑一趟”。 文章配图-1 直到去年底，村里超市的老板在群里通知，拼多多的包裹可以送到店里了。村里的超市到袁钦芹家只有三四百米，是她每天买菜、买馒头的必经之地。取快递不再是一项专门的任务，成了买菜时“顺带手”的事。 过去半年里，袁钦芹的生活发生了微妙的变化。 除了洗衣液、抽纸等日常生活的刚需品，她的订单里渐渐多了许多“无用之用”的东西。最开始是在拼多多上买鲜花，比如价格实惠、特别新鲜的多头玫瑰。每天把花插起来，看着心情就特别好，遇到开得漂亮的，袁钦芹还会拍下照片分享给同事。 一朵朵玫瑰，唤醒了袁钦芹埋藏在心底的爱好。她在院子里打理起了一个小花园，月季、绣球、玛格丽特、向日葵、桂花、橘子树，并在拼多多上专门购买了种花草的营养土和化肥，陆陆续续种了一片。 每天早上起床，袁钦芹会先跑去院子里瞅两眼，看看哪朵花开了，然后跟家里人一起聚在花前欣赏、聊天。 人们常说，乡村的改变是修路、是通网、是盖楼。但真正的改变，或许藏在一个普通的农村阿姐决定网购一束花的那一刻——不再是填饱肚子“过日子”，当物质生活越来越丰富，人们也

一家是成立不到3年的初创公司，一家是活跃在春晚舞台的明星企业，二者的估值居然在同一梯队。 以上并非科幻，而是人形机器人赛道的现状。 第一家是灵心巧手，媒体报道称灵心巧手计划在下一轮融资中寻求60亿美元估值（折合约410亿元），较上一轮估值翻倍。 第二家是科创板IPO的宇树科技，按拟募资42.02亿元推算，公开发行比例不低于10%粗略推算，初始发行市值约420亿元。 为什么“名不见经传”的灵心巧手，居然能在估值上看齐宇树？原因可以追溯到摩根士丹利对特斯拉Optimus的拆解——灵巧手占到了人形机器人整机成本的17.2%，是最贵的单一组件。 据高工人形机器人统计，仅在2026年第一季度，国内灵巧手行业的融资逼近50亿元，比2025全年高出70%。即使中国灵巧手市场在2025年的销量仅约1.92万只（GGII数据），还是一个“小池塘”，但资本已经在按“大海”估值了。 灵巧手可能是2026年中国硬科技行业最迷人的资本故事，却也可能是最危险的泡沫。 01 特斯拉搞不定的“手”，暴露了产业命门 时间回到2025年10月，马斯克在特斯拉Q3财报电话会上直言：“前臂和手的制造难度甚至超过了机器人的其他所有部分。” Optimus的量产计划，被一双手卡住了。 并非是马斯克“放鸽子”，而是Optimus Gen3的手部设计过于复杂：单手22个自由度，只比人手的27个少一点。 代价是把25个线性执行器全部塞进前臂，通过腱绳牵引手指——像极了人体的肌腱结构。但腱绳有弹性形变、有摩擦力、多根之间还会耦合干扰，控制复杂度指数级上升，还要让它不抖不迟滞。 除了量产时间的推迟，马斯克还想让Optimus从4万美元降到2万美元，但一份由Physical Intelligence、B Capital相关人士参与撰写的中国实地调研报告，给马斯克的理想泼了一盆冷水：“降本的关键不在于规模化量产，而在于简化或改进设

文章配图-1 “城市从来不是钢筋、水泥、道路的叠加，而是一个不断感知、流动、协同和生长的生命体。” 这是我们在**云INSPIRE创想者大会上的直观感受。 几年前，智慧城市相关的讨论还集中在政务上云、一网通办、城市大脑、数据中台等议题上。在“先进公共云产业峰会”现场，被提及最多的是大模型、AI原生、硅基黑土地和城市超级智能体。 正如**公司董事、**云CEO周跃峰在演讲中提到的：“AI技术迅速迭代、模型参数规模激增，公共云凭借集约化的建设优势，高度契合当前规模化高效发展趋势。公共云并非单一的公有云形态，而是涵盖企业联盟共享、政府专属等多样化模式，是中小企业与科研机构获取先进算力的最佳基础设施。” 放在智慧城市的语境里，AI CITY不是凭空长出来的，需要一片能持续供给智能的“硅基黑土地”，让算力、数据、模型、应用、安全像“水和电”一样成为城市的公共能力。 **云提出了问题，并给出了答案。 01 城市正在向“超级智能体”演进 回顾智慧城市的演变历程，可以归纳为三个词：连接、汇聚、可视化。 在信息化阶段，解决的是业务上线问题，大量政务流程、公共服务、部门系统从线下搬到了线上。 在数字化阶段，解决的是数据汇聚和协同问题，分散在不同部门、不同系统里的数据逐步被打通。 在智能化早期，开始通过算法和模型进行态势感知、辅助决策，比如“城市大脑”可以让管理者实时了解城市的交通拥堵、环境变化、应急风险、公共服务等事件的情况。 智慧城市的演变远未到终局：可以“看见问题”，却未必能够自动理解问题；可以展示状态，却未必能够主动拆解任务；可以辅助决策，却未必能够协同系统完成执行。 2026年注定是智慧城市的历史转折点。 大模型让AI具备了理解和生成能力，Agent进一步让AI具备了任务执行能力，不只能回答问题，还能够理解意图、规划路径、调用工具、访问数据、协同系统，自主完成一系列复杂任务。 现阶段的

文章配图-1 许多人在讨论“养虾”时，在荒凉的戈壁滩上，一场关乎能源命脉的技术革命正在悄然发生。 当地表浅层“容易获取”的油气资源被消耗殆尽，用脚步丈量大地的“找油人”，将目光瞄向了上万米的地底深处，要在上千米的地层中找到仅有几米适合开采的油层。传统靠经验“开盲盒”式的勘探手段已经失效，取而代之的是看不见硝烟的“计算战”。 为了拨开硬核技术的面纱，我们与中国石油勘探开发研究院原首席专家龚仁彬进行了一场对话，透过有着40年经验的“石油IT老将”的视角，理解计算怎么重塑人类寻找“黑金”的方式。 01 数据量指数级增长的计算“压力” 1986年大学毕业后，龚仁彬就投身于石油IT系统的建设，亲历了中国油气行业从信息化到数字化再到智能化的跨越。 “老一代石油人找油，靠的是一双铁脚板和长期积累的经验。”龚仁彬在对话中向我们描绘了传统石油勘探的画面，地质学家们跋山涉水，通过有限的地表采样和肉眼观察，再结合毕生积累的知识与经验，在大脑中构建出地下可能存在的油气构造。 文章配图-1 高度依赖人类大脑和体力的模式，已经逼近认知的极限，横亘在现代勘探面前，是两个跳不过的现实挑战。 第一个挑战是数据量的指数级甚至是“核爆级”增长。 “我刚参加工作的时候，在地面上放一炮，接收深度1000米，最多能到1500米。”龚仁彬回忆道。那时的勘探更像是在浅水区摸石头，而现在勘探的深度，已经达到了惊人的1.5万米乃至2万米。 不只是勘探深度的倍增，数据采集的维度也在几何级膨胀。过去放一炮，地面部署的接收传感器只有120个；现在放一炮，有几万个传感器同时在接收微弱的回波信号，采集到的数据呈现出了指数级增长。 “过去一个数据体可能只有几百兆，后来是几百个G，现在随便一个普通的地震勘探工区，都是几百个TB，有些能达到数十个PB级的数据量。”龚仁彬还讲述了自己亲历的一个“极端例子”，“为了拷取一个150TB的单体原始数

文章配图-1 1698年，托马斯·萨弗里发明了一种蒸汽泵，由锅炉、活塞和阀门组成，通过蒸汽冷凝产生真空，再利用大气压把水从矿井抽上来。 1712年，铁匠托马斯·纽科门对蒸汽泵进行了改良，创造了大气式蒸汽机，可连续工作24小时，让深达150米的矿井不再积水。 1765年，詹姆斯·瓦特发明了分离式冷凝器，让蒸汽机的效率提升了6倍。接下来的20年里，瓦特相继发明了飞轮和齿轮系统，蒸汽机不再只能上下抽水，还可以旋转驱动机器。 1785年，第一台瓦特蒸汽机在棉纺厂运转，纺纱效率直接翻倍，人类社会由此开启了“蒸汽时代”的新篇章。 回顾云计算的演变历程，和蒸汽机高度相似。 早期的云计算以虚拟化和弹性著称，就像蒸汽泵取代了风车抽水机，云计算解决了企业数字化最迫切的问题：不用建机房，不用买服务器，不用维护基础设施，只需要按需购买云端的资源。 大模型浪潮进一步重构了云的价值，正如大气式蒸汽机对抽水能力的提升，大模型时代的云计算，渐渐承载了模型训练、推理调用、AI应用开发等服务，演变为跨行业的智能化底座。 Agent的出现，让AI走出了对话框，开始具备拆解任务、调用工具、连接系统、协同流程、持续执行的能力。相当于给云添加了“飞轮和齿轮”，摆脱了“卖服务器”的束缚，跃升为千行百业的智能引擎。 在19世纪，蒸汽机迅速被应用到冶金、面粉、铸币、纺织等行业，成了适用于各种制造业的“万能机”；当智能化成为社会需求，承载了千行百业智能化转型使命的云计算，正开启新的战局。 在可预见的未来，AI云将是智能化时代的“新基建”——不仅是最大的时代红利，也是刚刚起步的蓝海市场。 $百度(BIDU)$ $阿里巴巴-W(09988)$

谈到AI与职场的关系，很多人最先想到的往往是程序员。 Codex、Claude Code、Cursor等工具，深度改变了代码生产方式。原本需要程序员一行行敲出来的代码，变成了一句需求，剩余工作交给AI自动生成、修改、测试乃至提交。 但OpenAI最近对Codex的更新，向外界释放了一个关键信号。 OpenAI发布了六款面向特定职业场景的插件，包括数据分析、创意生产、销售、产品设计、股权投资和投资银行业务，每个插件都整合了相关技能、指令和工作流程，让Codex能够模拟特定岗位的工作方式。 文章配图-1 原因并不难解释。 在Codex的周活跃用户中，知识型工作者目前已占用户总数的约20%，且增速是开发者群体的三倍以上。 不只是OpenAI，Claude Cowork以及Kimi最近推出的Kimi Work，也把本地文件、网页、代码执行、工作空间、任务进度和Skills放在了同一个桌面应用里，将目标用户从开发人员扩大到了知识工作者。 一场事关职场人的隐形分化已然拉开序幕：有人还在问AI助手，有人已经开始指挥Agent团队完成复杂任务。 01 职场人用AI的三个段位，你在第几层？ 过去判断一个人的职场竞争力，主要看三个指标：学历、履历和岗位。 毕业于什么学校，进过什么公司，负责过什么业务，基本就能确定一个人的能力画像。但在AI进入工作流后，评价体系中加入了一个新的变量——和AI的协作方式。 对应的不是使用习惯，而是生产关系。 第一类职场人，把AI当作“更聪明的搜索引擎”。 “这个概念是什么意思？”“帮我查一下资料”“这段话怎么写得更正式？”“帮我总结一下这篇文章”……AI进一步降低了信息获取门槛，缩短了搜索、筛选、整理的工作流程。 问题在于，生产力仍然停留在“获取答案”的层面。 提出一个问题，AI返回一段内容；提出下一个问题，AI再返回下一段内容。整个过程看似高效，本质上还是一问一

文章配图-1 医疗AI喊了很多年，但很长一段时间里，都像是一种“发布会技术”。 在PPT上，AI已经可以辅助诊断、提升效率、缓解医生短缺；在实验室里，AI模型可以在某个单病种、某个数据集上跑出不错的指标。可一旦落地到医院的科室，问题就变复杂了：系统能不能接上？医生愿不愿意用？数据能不能安全流转？成本基层医院能不能承受？模型换一家医院会不会失灵？ 6月5日的**云INSPIRE创想者大会上，**云正式上线了“行业AI梦工厂”， 20多家医院入驻“智慧医疗专区”，为上面的问题给出了确切答案。 文章配图-1 作为“行业AI梦工厂”首个落地的垂直行业专区，瑞金医院、邯郸市中心医院、武安市人民医院、瑞安市人民医院、延安大学附属医院在内的首批20多家医院正式入驻智慧医疗专区，头部三甲医院的智慧病理服务，正加速向地市级、县域和基层医院扩散。 医疗AI不再是悬在空中的“神话”，真正走进了医院的病理科、医生的工作站和患者的病历本。 01 医疗AI的“落地难”，到底难在哪里？ 在前几轮AI热潮中，医疗就曾被寄予厚望。 从医学影像识别，到智能问诊；从辅助阅片，到病历生成；从院内导诊，到健康管理……几乎每个环节都能看到AI的影子，最终却大多停留在了PPT上，单点案例能跑，规模化落地很难。 以病理场景为例，既是临床诊疗的“金标准”，也是医疗AI最难啃的硬骨头之一，至少存在三大“症结”。 一是病理医生的供需剪刀差，且资源极度分布不均。 国内有3.8万家医院，仅有5000家医院设立了病理科，全国病理医生总数不足2万，整体缺口超过14万人。再加上优质资源高度集中于少数三甲医院，大部分县域医院严重缺乏独立病理诊断能力。在基层能力薄弱的现状下，漏诊误诊风险居高不下，不少医院只能把切片或标本送到上级医院，患者和家属常常为了会诊跨区域奔波。 二是医院的IT系统错综复杂，数据生态呈现碎片化。 AI落地的前提是数字化

文章配图-1 AI带来的真正变革，正在从单个产品的智能化，走向整个环境的系统性重构。 过去几年，如果要在消费市场找一个焦虑变现的典范，青少年护眼赛道绝对是绕不开的关键词。 从早期的护眼灯，到这两年的大路灯，再到各种监测坐姿的AI眼镜，再到智能书桌椅等，中国家庭的护眼预算水涨船高。但你有没有发现一个怪圈：设备越买越多，参数越看越晕，可孩子们的眼轴增长速度，似乎并没有慢下来。 问题出在哪？ 答案其实并不复杂：我们一直在用解决单点问题的思维，去应对一个系统性的难题。 光环境太暗、长期低头用眼、坐姿歪斜、持续用眼过长……这些问题往往是同时发生的。传统的护眼灯只负责照亮，智能监测设备只负责报警，产品和产品之间是割裂的。最后，所有压力的落点依然回到了家长身上—— 孩子一低头，手表就震动；姿势没调好，灯再亮也没用。 这种人防而非技防的模式，注定是反人性的，也是低效的。 要打破僵局，必须换一种思路：如果不能时时刻刻盯着孩子，能不能让环境自己学会主动护眼？ 这正是今年爱眼日，照明行业发生的一件标志性事件。雷士照明与鲸鸣视控联手发布了一套AI主动护眼解决方案。这一次，他们没有讲更亮的灯的故事，而是祭出了两个技术底牌：伴生适然光技术与AI智能环境感知。 文章配图-1 如果说过去的护眼产品是在做工具，那么这套方案试图重构的，是人与空间的交互逻辑。 01 从护眼到专注，光正在成为学习状态的重要变量 过去我们在讨论护眼时，语境非常狭隘，基本停留在够亮、频闪、显色、哪家LED芯片更先进的物理层面。 但雷士照明研发的伴生适然光，视角完全变了。它不再仅仅是把空间照亮，而是在尝试理解人。 这个技术的底层逻辑很有意思。众所周知，人的眼睛是在几千万年的自然光下进化出来的。所以，对人眼最友好的，永远是自然光。 但自然光有个缺点：它太任性了，阴晴圆缺、日出日落不受控制。雷士照明中国航天照明科技实验室做的，就是通过光谱

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。