AI交易回归，纳指创出新高，存储全线领涨
当AI开始“自己教自己”：Opus 5.5是首个RSI训练出的大模型？
阿里拟推5万亿至10万亿参数超大模型 并发布新一代自研AI芯片
阿里巴巴在杭州举行的2026云栖大会上公布了迄今最为激进的人工智能发展计划。公司首席执行官吴泳铭宣布，阿里巴巴正准备训练参数规模介于5万亿至10万亿之间的新一代人工智能模型，进一步扩大其在大模型、AI芯片和云计算基础设施领域的布局。
阅读全文
Google旗下机器人公司Intrinsic宣布开源核心基础设施
Google母公司Alphabet旗下智能机器人软件公司Intrinsic当地时间9月22日宣布，将其工业机器人平台的核心组件开源，并推出名为Intrinsic Core的基础软件平台。该项目在加拿大多伦多举行的ROSCon 2026大会上正式公布，采用较为宽松的Apache 2.0开源许可证，目标是让更多机器人开发者能够直接使用经过预先配置的基础软件，加快智能机器人和“物理AI”的开发。
阅读全文
美国AI数据中心扩张遭遇强烈反弹 680亿美元项目被叫停或延期
随着人工智能产业持续扩张，大量新数据中心正加速建设。然而，这场由AI驱动的基础设施热潮正在美国遭遇越来越强烈的社会阻力。最新研究显示，仅在今年第二季度，就有价值约680亿美元的数据中心项目因公众反对而被迫延期或受阻。
阅读全文
Starcloud计划利用轨道太阳能在太空挖比特币
美国太空计算初创公司Starcloud正在推进一项颇为大胆的计划：将比特币挖矿设备送入太空，并尝试成为全球首家在轨道上进行比特币挖矿的企业。该公司得到英伟达等机构支持，其长期目标并不只是把一台矿机送上轨道，而是利用太空中的太阳能和真空环境建立大规模轨道数据中心，使人工智能计算和加密货币挖矿等高能耗计算任务能够在太空中运行。
阅读全文
2026 中国民营企业500强发布，华为、腾讯研发投入前二
全国工商联 9月22日发布“2026中国民营企业500强”榜单和《2026中国民营企业500强调研分析报告》。京东集团、阿里巴巴（中国）有限公司、恒力集团有限公司、华为投资控股有限公司、比亚迪股份有限公司、腾讯控股有限公司位居榜单前六位。在研发投入方面，华为、腾讯排名前二，保持领跑地位。
500 强榜单及报告基于全国工商联今年组织开展的第 28 次上规模民营企业调研，共 6350 家 2025 年营业收入 10 亿元以上的企业参加，其中营业收入前 500 位的企业为 2026 中国民营企业 500 强。
今年民营企业500强榜单的入围门槛为 255.99亿元。报告显示，2025 年，民营企业整体规模平稳增长，500 强营业收入总额达到44.93万亿元， 较上年增长 4.35%。其中，营收总额超过1000亿元的企业有110家，超过5000亿元的企业有12家。此外，共有29家民营企业500强入围今年的《财富》世界500强榜单。
民企研发总投入达1.26万亿，华为、腾讯位列前二
民营企业是我国科技创新的重要力量。过去一年，民营企业整体研发费用与研发投入强度双双增长。其中，民营企业500强中实际填报企业的研发费用总额1.26万亿元，研发人员总数134.49万人，平均研发经费投入强度2.95%。其中，研发投入排名前十的企业分别为：华为、腾讯、阿里巴巴、比亚迪、小米、吉利控股、蚂蚁科技、美团、京东、宁德时代。互联网公司占据其中半壁江山，腾讯蝉联互联网行业研发投入第一。
高强度的研发投入有利于提高科研成果转化，当前500强企业拥有84.87万件有效专利，其中国内有效专利 73.35 万件。据全国工商联稍早前发布的“2026 民营企业发明专利 500 家”榜单，发明专利排名前十的企业分别为：华为、腾讯、格力、TCL、美的、蚂蚁科技、百度、阿里巴巴、奇虎科技、小米。
华为和腾讯近年来一直保持民企科技研发及创新的领跑角色。2025年，华为研发投入达到 1923 亿元，占全年收入的 21.8%，过去十年累计研发投入超过 1.38 万亿元。截至 2025 年底，华为在全球共持有有效授权专利超过16.5万件，是目前累计获得中国授权专利最多的企业。
腾讯紧随其后，2025 年研发投入857.5亿元，资本开支达792亿元，双双创历史新高。近年来，腾讯持续加码AI投入，今年二季度单季资本开支达 528 亿元，同比增长 176%，用于提供基础设施以支持混元模型升级、WorkBuddy及CodeBuddy推理的需求，以及各项产品与服务的AI能力建设，从智能、应用与基础设施三个层面，构建一个全新的、AI 赋能的腾讯，并已取得显著进展。截至今年 6 月底，腾讯在全球主要国家和地区专利申请公开总数超过9.8万件，专利授权数量超过5.5万件，主要集中在人工智能、云技术、即时通讯等前沿领域。
此外，研发费用超百亿元的 500 强企业分布在互联网和相关服务，计算机、通信和其他电子设备制造业，汽车制造业，电气机械和器材制造业，软件和信息技术服务业等5个行业，体现了民营企业创新活力持续迸发。
基础研究是科技创新的源头活水，加强基础研究，民营企业大有可为。9月9日，宁德时代、吉利、正泰、小米、腾讯等民营企业共同发起《民营企业加强基础研究温州倡议》，提出将基础研究纳入企业战略规划，持续优化研发投入结构。
税收与就业拉动显著，社会贡献充分彰显
从社会贡献看，民营企业在纳税、促进就业、参与乡村振兴、参与社会慈善捐赠等方面的作用充分彰显。报告显示，2025年民营企业500强纳税总额达1.30万亿元，纳税超过100亿元的企业有27家，占500强比例为5.40%。
从吸纳就业看，2025 年，民营企业500强吸纳就业总人数达到1196.33万人，就业人数超5万人的企业有48家。吸纳就业人数前五大行业分别为计算机、通信和其他电子设备制造业，汽车制造业，互联网和相关服务，电气机械和器材制造业，黑色金属冶炼和压延加工业，就业人数合计为 600.84 万人，占500 强就业总人数的 50.22%。
报告显示，在民营企业500强中，有66.40%的企业积极投身乡村振兴，壮大富民产业，带动农民增收。59%的企业参与“万企兴万村”行动，助力乡村建设和治理水平提升、巩固拓展脱贫攻坚成果。69.40 % 的企业参与社会慈善捐赠活动，捐款总额为 99.39 亿元，17 家公司捐款额超 1 亿元。其中腾讯财报显示，2025 年度公司捐款额达 22.6 亿元。
支持基础科研与青年人才，是民营企业社会捐赠流向的重要领域。就在榜单发布前的 9 月 20 日，第八届“科学探索奖”在深圳颁奖，50位青年科学家获奖，每位获奖人将在5年内获得总计300万元、可自由支配的奖金。“科学探索奖”由14位知名科学家与腾讯公司创始人马化腾共同发起，是由腾讯出资100亿元设立的新基石科学基金会运营的公益奖项。奖项关注基础科学和前沿技术，旨在通过长期、稳定的支持，鼓励处于创造力高峰期的青年科学家潜心投身原创工作，8年来已累计资助397位青年科学家。
此外，民营企业公司治理不断加强。500强企业中有113 家企业引入战略投资者、75 家企业引入财务投资者、69 家企业引入产业投资者。在信用建设方面，94.60% 的企业建立完善内部信用管理制度，49.40% 的企业委托信用服务机构出具信用评级报告，55.40% 的企业规范披露 ESG 信息。
报告表示，随着《民营经济促进法》及各项政策措施持续落地见效，必将为民营经济发展壮大营造更好发展环境、提供更多发展空间。
雷峰网 雷峰网
阿里云加速构建Agentic Cloud：推出AgentCore、新一代CPFS等重磅新品
9月22日，2026杭州云栖大会上，阿里云CTO李飞飞系统性阐述了Agentic Cloud 战略布局，阿里云将Model、Harness、Context作为核心构建场景，推出全新的云上算力底座和Agent 构建治理平台AgentCore、Agent Sandbox、新一代高性能存储CPFS等一系列新品，让 AI 真正进入生产流程、走向规模化价值创造。
随着2026年Agent的爆发式增长，越来越多的智能体正跨过“问答型”的分水岭，进入自主规划、实时决策阶段，这对算力和云提出了更高的要求。李飞飞认为，企业级 Agent 的大规模落地还需要这些能力：以全面、统一、持续更新的上下文形成全域认知；支持自主运行与持续进化；融入安全、控制、信任和身份认证，实现人与 Agent、Agent 之间的可信协作；从静态规则走向实时感知、动态推理和自主行动。
围绕这四大能力支柱，阿里云重构了从 AI Native Cloud、 Agent Native Cloud到 Context Engine 的完整技术栈体系。
AI Native Cloud：挑战 RSI 的算力底座
当下模型尺寸正面临从万亿到十万亿参数的跃迁，训练范式也从预训练、后训练 Agentic RL 进一步走向以递归式自我改进RSI，这要求云底座同时解决超大规模集群稳定性、毫秒级弹性、百万级并发，以及训练、推理和环境交付的统一协同。
阿里云在会上展示了全栈自研的算力底座，覆盖计算、存储、网络等多个产品线，应对RSI带来的挑战。以灵骏真武M890超节点为例，这是首个国产十万卡超节点集群，有力支撑了Qwen3.8 Max、KIMI K3等超2T参数大模型对外提供商业服务。即将在明年推出灵骏真武V900超节点，性能提升三倍，搭载业界首发200Pbps通信带宽，6us时延集群架构，自研SNPO支持全光互联，支持千卡Scale-Up互连，单集群可扩展至 50 万卡规模，向广域超节点演进。
同时，阿里云还推出了新一代全栈自研高性能存储CPFS，提供高达百TB/s级吞吐和亿级IOPS，单文件系统规模提升5倍至100PiB，支撑大规模模型训练和多模态数据处理。在实际模型训练中，可将模型启动平均耗时降低50%、峰值算力利用率提升30%、AI存储成本降低69%，使GPU从“等待数据”转向持续高效计算。
推理方面，面对容量激增的KVCache和多轮任务的普及，阿里云围绕Token生产和缓存调用进行极致的优化，推出大模型KVCache管理和调度系统Tair KVCM，统一编排 Mempool、KVCacheStore 与远端共享存储等多级缓存，存有效命中率可达 99%，每token成本下降50%；推出存储加速引擎KV CacheStore，位于G3.5存储层，承接长上下文、多轮对话和复杂Agent任务产生的大量缓存，满足千亿级KV存储规模，在客户生产环境下实现缓存覆盖时间窗口扩大 900%，吞吐提升 20%，首 token 延迟降低 54%；全新的智算中心融合网络TPN，采用2层网络设计，访问带宽增加 2.5 倍，网络规模增加10倍，延时降低 1/3……这些围绕“算网存”多方协同的技术创新，为模型推理。
此外，人工智能平台PAI新增支持异步AgenticRL的训练框架，打通轨迹采样、回报累计、模型训练、参数更新的环路。在支持Qwen模型后训练的实战中，实现5天完成一次SOTA模型的后训练。
Agent Native Cloud：支撑 Agent 应用规模化落地
随着Harness工程和skill的成熟与普及，大模型竞争正从能力比拼转向业务价值兑现——能在真实的生产环境中精细化使用、具备智能组织和智能基础设施、不是概率智能而是可靠的生产力……这些正成为让 Agent 真正融入业务流程必须跨越的门槛。
为了更快让企业级客户与Harness深度协同，阿里云推出企业级Agent构建治理平台AgentCore，将企业级Agent基础设施标准化、托管化，支持长任务、失败重试、断点恢复和异步执行；提供安全执行环境、资源隔离、身份权限和全链路审计，统一管理模型、MCP Server、Skill 等资产，可提升任务完成率99%，TCO成本降低70%。
此外，阿里云还准备了一系列Agent相关产品，为企业级客户提供丰富的选择：包括Agent Sandbox，为 Agent 提供开箱即用、极致弹性、安全可靠的执行环境，创建吞吐10万/分钟，深休眠唤醒＜600ms，兼容 E2B 和 K8s，满足从开发者到企业级 Agent 的规模化运行需求；Agentic OS，Agent 原生操作系统，可节省Token消耗30%以上，沙箱部署密度提升 3 倍；Agentic Computer，为智能体提供统一、长期在线的专属云电脑工位，兼容主流 Agent 框架，具备 Computer Use 和 GUI 操作能力，权限可控、操作可审计……
Context Engine：让企业全域数据成为 Agent 的实时上下文
决定Agent能力上限的不只是模型参数，还包括能否持续理解企业知识、业务状态和执行反馈，因此上下文不再是应用侧的一段缓存，而正在成为企业需要统一建设和治理的新型数据资产。
围绕这一变化，阿里云提出了“存储—计算处理—上下文工程”三位一体的引擎——Context Engine ，将企业全域数据转化为实时上下文，让 Agent 从“知道什么”进一步走向“此刻应该做什么”：底层以多模态数据存储承接对话、视频帧、点云、轨迹和 Agent 反馈；中间层覆盖数据集成、转换、治理、质量和建模；上层通过全域知识库、多模态语义整合、持续记忆管理和实时上下文装配，把分散数据组织成 Agent 可以按需调用、动态更新的上下文。
产品层面，Agent Context 面向复杂知识检索，将准确率提升 50 个百分点，Token使用效率提升3倍以上；OpenLake 提供统一全模态数据湖仓，通过一份数据支持多引擎计算，使总体拥有成本降低 38%；Apsara Lakebase 支持亚秒级、零拷贝创建数据分支，为 Agent 提供快速、隔离的数据空间；MC-MaxFrame 以自研分布式计算框架处理多模态数据，计算性能提升 12%；Flink Streaming Agent 提供 60 多种全模态算子，把实时数据流转化为可触发业务流程的实时行动。
从面向 Model 的模型生产，到面向 Harness 的自主运行与持续进化，再到面向 Context 的实时智能决策，阿里云正在把算力、网络、存储、运行环境、身份安全和企业数据组织成统一的 Agentic Cloud。“阿里云已形成从 AI 芯片、服务器 CPU，到互联、网卡、存储主控和 AI 软件栈的完整布局，可以从计算、网络到存储做全栈协同和联合调优，把智能生产效率做到更高。”李飞飞表示。
一张硬件卡片，一场上下文之争：千问办公押注企业Agent
一场两小时的客户拜访，双方说的话加起来上万字。但回到工位，销售能凭记忆敲进CRM的，通常不到三百字。
剩下的去哪了？跟着出租车一起走了。
这样的对话在企业里每天都在发生。会议室里的争论、客户办公室里随口的一句提醒、老师傅肚里的经验，信息密度最高的这些话，几乎都发生在电脑屏幕之外，从来没有进入过任何一套企业系统。
另一边，已经沉淀在文档、群聊和系统里的数据，也常常因为没做结构化，或者体量太大，塞不进上下文窗口，Agent根本调用不了。
9月22日云栖大会，千问办公把两件事放到了一起解决：发布了面向企业级Agent的基础设施“企业上下文”（Enterprise Context），以及Agent硬件QwenNote A2。
简单说，Enterprise Context把散落在群聊、文档、知识库和业务系统里的企业信息压缩、结构化，随业务变化持续更新，变成Agent能随时调用的知识。
难的地方在“给多少”。一家公司积累多年的资料动辄几十万条，但员工开始一项具体任务时，需要的从来不是全部，而是跟眼下这件事最相关的那一小块。
企业上下文要做的就是这件事，每次只把最相关的那一小块递过去，再用内置的专属模型把Token成本压到极低。
而QwenNote A2是一款名片大小的AI硬件，它能把线下说的的话录下来、转成文字喂给Agent去分析，推动后续任务。它补上的，是千问办公的外部上下文来源。
千问办公下的判断是，模型能力已不再是瓶颈，Agent能不能在企业里干活，取决于它有没有拿到这家公司自己的上下文。
01
Agent的瓶颈，早就不是模型了
过去一年多，模型能力一路狂飙。但一个反直觉的现象是，模型越强，企业越觉得不够用。
道理不复杂。同样一句“帮我写个方案”，问一个刚打开的对话框，得到的是泛泛而谈；但如果Agent手边有过去三个月的群聊、文档、会议记录和客户档案，回答质量能上好几个台阶。
蚂蚁密算韦韬：企业AI进不了生产，卡点不在模型
企业AI的下一道门槛，落在了一个比模型能力更难工程化的问题上。
9月22日下午，杭州云栖大会期间，蚂蚁密算首次系统对外介绍公司的可信智能战略。蚂蚁密算董事长韦韬表示，企业应用AI仍面临明显障碍，敏感数据限制了外部算力的使用，通用模型与专业领域的实际要求存在差距，深入业务后的AI应用还需要更多跨机构数据。
“企业需要的不只是更聪明的模型，而是一套可信的生产能力。”他说。蚂蚁密算的企业级可信智能云服务平台密算一号，在大会上正式发布，并启动首批定向开放。
图片来自AI生成
卡住企业AI的，不只是算力
目前大部分企业的AI仍停在试点阶段，障碍并不集中在模型本身，算力、数据、专业知识和智能体的可控性各有各的问题。
最先拦住企业的是算力，金融和医疗这类合规要求极高的行业，以及大量国央企，因数据敏感无法直接使用公有云算力。韦韬提到，模型被大规模调用之后，数据泄露的后果比过去严重得多，聊天记录和商业机密都可能被提取和滥用，很多机构对云端算力始终犹豫。
IBM在2026年7月发布的《数据泄露成本报告》显示，全球数据泄露的平均成本升至499万美元，同比上涨12%，其中由AI参与的攻击平均损失约600万美元；影子AI出现在43%的泄露事件中，比上一年翻了一倍，而被泄露的企业里有68%没有建立AI治理政策。
另一重落差在专业能力，韦韬直言，大模型的能力和真正专业领域的差距非常大。基座模型在专业领域的水平大致相当于一名优秀本科生，掌握的是通用知识；而处理一笔理赔、核验一项交易，需要的是具体合同、最新记录和适用规则。
数据的麻烦出在融合环节，企业自身的数据往往不足以支撑智能体业务转型，需要引入外部数据，但真到要合的时候，谁也不愿先把数据交出去。韦韬认为，企业今天面对的不只是数据孤岛，还有更严重的治理孤岛，缺少一个合适的载体。
回到智能体本身，当智能体开始自主规划、调用工具、操作系统，企业会面临三类失控风险，人的授权与意图没有被准确执行，复杂任务中出现循环或偏离目标，数据和知识在调用传递过程中泄露。
韦韬提到，用自然语言描述不许做什么这类红线时，大语言模型的违背率超过80%。从行业视角看，有智能体因误操作在数秒内删除生产环境数据库，造成业务长时间瘫痪，智能体拥有真实环境权限，能够调用工具访问真实业务，仅靠提示词这类软约束无法杜绝越狱行为。
生产能力
蚂蚁密算给出的解法分三层，底层是密态算力与HOP可信原生智能体两个底座，中间层是可信智能Fabric架构，上层是密算一号平台。
算力这一侧靠密态计算，它把密码学、可信硬件与系统安全组合起来，让企业在不交出数据控制权的前提下使用外部算力、模型和智能体服务，保护范围也从数据延伸到提示词、知识库以及智能体运行中的上下文、记忆和中间结果。
韦韬概括为四纵两横，可信密钥、可信账号、可信应用、可信日志四条纵向能力，加上硬件密态与数据链路层两条横向支撑。数据上传时与可信密钥管控系统协商密钥，全程以密态进入数据安全域；结果通过密态数据网关析出，系统会校验数据源方的密钥授权，管理员和开发者都无法绕过。
他提到，该体系已通过等保四级合规性检验，在完成TPC-DS标准测试集1TB复杂分析任务时，密态计算的端到端耗时约为明文计算的1.21倍，整体成本可控制在明文的1.5倍以内。
智能体这一侧靠HOP，即高阶程序。韦韬认为，目前智能体的载体是自然语言，而自然语言不精确，难以描述复合逻辑和逻辑边界。
HOP把任务目标、探索、检查和提交结构化为人和智能体都容易理解的规约，并在语言层面把探索与提交分开：探索可以在沙盒中做可逆的操作，经过生产级核验之后才可以提交。
中间层的可信智能Fabric架构，把HOP智能体与知识库、能力库、数据和安全基础设施组织成一个整体。上层的密算一号覆盖治数、问数、分析建模三类Data+AI场景，并承载行业智能体应用。
与一次性项目交付不同，它要把已验证的数据、知识、规则和流程沉淀为可反复调用的智能服务，企业的AI建设也就从做项目变成运营一种能力。业内人士表示，就密态计算的规模化问题来看，国家数标委的标准建设决定它能否被大规模应用，关键技术的突破决定成本能否产业化。
目前，蚂蚁密算围绕医疗健康、民生就业、车生态、征信和小微金融推进商业化，已布局医保问数、团险理赔、医保智审等可信智能行业产品。（本文首发于钛媒体APP，文 | TechPulse，作者 | 张帅，编辑 | 杨林）
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
中国正在把一座“数据中心”拆开送上太空
（本文作者为 反熵，钛媒体经授权发布）
文 | 反熵
如果把一座数据中心搬到太空，需要分几步？
第一步，把计算机送上去；第二步，让这些计算机能够被软件统一管理；第三步，再用高速网络把它们彼此连接起来，并把数据送回地面。
力箭一号遥十八近期送入轨道的两颗卫星，恰好就在做类似的事情。
超智算一号搭载4米可见光相机和AI计算机，可以在轨处理影像、识别目标；鹏城南科一号则把5G NTN、在轨计算和星地激光通信装进同一颗卫星，后续还将验证100Gbps激光链路。
一颗在解决“算”，另一颗已经开始把“算”和“连”放到一起。
计算机的发展史其实反复证明过一件事：单机性能决定上限，网络决定规模。从大型机、局域网到互联网和云计算，计算能力真正成为基础设施，靠的从来不只是处理器越来越快，更在于机器能够彼此连接，任务能够被调度，数据能够高效流动。
现在，这套逻辑开始进入轨道。
中国正在把一座数据中心需要的能力，一件件送上太空。
01
第一件当然是计算机。
2025年5月，之江实验室主导的三体计算星座首发12颗计算卫星入轨，单星最高算力达到744TOPS，首发任务整体在轨算力达到5POPS。今年2月，团队已经实现6颗卫星在轨建链，并通过天基分布式操作系统，对计算、存储和网络资源进行统一管理和调度。
比5POPS更重要的是，计算资源开始摆脱单星边界。
三体计算星座已经部署多个AI模型和应用，其中用于天文观测的模型，可以直接在轨判断和分类伽马射线暴，把部分任务每天需要下传的几百MB数据压到几十KB，处理时间也从数小时缩短到数秒。
这正是边缘计算存在的原因。卫星每天产生大量数据，很多业务并不需要把所有原始数据搬回地面再处理。如果轨道上已经有足够的计算能力，就可以先筛选、识别和压缩，只把更有价值的信息送下来。
但计算节点多起来以后，另一个问题随之出现：这些机器上的软件，怎么装？怎么更新？怎么适配不同任务？
02
北京邮电大学推动的天算星座，已经把重点放到了软件和资源管理上。
北邮一号已经把云原生技术体系带到卫星上，并开展分布式星载AI推理、星载5G核心网等试验；北邮二号又把自研高性能服务器作为计算载荷送入轨道，验证星载容器动态更新、模型增量更新等能力。
这类工作远没有“几百TOPS”那么醒目，却决定了太空算力能否大规模使用。
传统卫星高度定制，软件、载荷和硬件紧密绑定，任务通常在发射前就已经确定。计算基础设施需要另一种能力：软件可以更新，应用可以重新部署，不同硬件能够被统一管理，计算资源可以根据任务调度。
今天的数据中心里，没有人会因为增加一台服务器，就给整套业务重新开发一遍软件。太空算力如果长期做不到这一点，每颗计算卫星都更接近一台昂贵的专用设备，规模越大，管理成本越高。
所以TOPS之后，操作系统、软件环境和资源调度开始成为主角。这不是概念升级，而是任何大规模计算系统绕不开的基础工作。
03
计算资源能够被管理之后，带宽很快成为下一处瓶颈。
今年1月，中科院空天信息创新研究院利用AIRSAT-02开展超百G星地激光通信实验，在不更换卫星硬件的情况下，通过在轨软件重构把通信速率从60Gbps提高到120Gbps。最大连续通信时间达到108秒，期间传输了12.656Tb数据。
算力提高之后，数据传输的压力会更早暴露出来。
处理器性能不断增加，如果通信能力停在原地，数据依然会堵在轨道上。地面AI数据中心这几年已经把这个问题演示得很充分，GPU性能暴涨之后，高速互联迅速从配角变成核心能力，因为数千块芯片只有交换数据足够快，才可能作为一个集群高效工作。
太空里的条件更苛刻。卫星高速运动，星地可见时间有限，激光通信还受到天气、大气和捕获跟踪精度影响。地面机房网络不够，可以继续加交换机和光纤；轨道上的扩容往往意味着新的卫星、新的链路，甚至新的发射。
9月20日上天的鹏城南科一号因此很有代表性。它没有把重点只放在算力上，而是把5G NTN、星载核心网、AI计算和星地激光通信装进同一颗150公斤级卫星，并计划开展100Gbps星地激光通信试验。按照鹏城实验室公布的计划，这颗星还要验证终端接入、星上协议处理和业务传输。
芯片开始逼着网络一起升级了。
04
类似的技术路径，海外已经做过一些验证。
欧洲航天局2024年发射的Φsat-2只有6U，却已经能够在轨运行多种AI应用，用于云检测、船舶识别、灾害制图等任务；国际空间站上的HPE Spaceborne Computer-2，也验证过商业服务器在轨执行高性能计算和AI任务。
这些项目验证的是更进一步的能力：数据可以直接在轨处理，AI应用可以部署到卫星上，地面使用的商业计算设备也能承担部分太空计算任务。
中国的太空算力项目，已经不再只往单星算力上加码，软件管理、组网和高速通信也开始一起推进。三体计算星座在尝试多星协同，天算星座把软件环境和资源管理带上轨道，AIRSAT-02提高星地数据传输能力，鹏城南科一号又把通信、计算和高速链路压缩进同一个节点。
它们来自不同机构，路线和成熟度也不一样，目前还谈不上形成一座完整的轨道数据中心。但如果还只盯着单星算力，已经很难解释这些项目为什么同时开始做组网、调度、软件更新和高速通信。
一颗卫星算得更快当然重要，可当轨道上的计算节点越来越多，系统效率会越来越取决于这些节点之间能否稳定协同，任务是否能够灵活分配，数据是否能够及时流动。
单颗卫星完成一次在轨计算，和数十颗、数百颗卫星长期稳定协同，根本不是同一种难度。后者还要同时面对功耗、散热、辐射、链路稳定性、资源调度和运营成本，任何一个环节跟不上，前面的算力都会被拖住。
所以，中国今天送上太空的，已经不只是更强的计算载荷。它正在尝试把计算、网络、软件和高速数据链路组织成一套可以长期运行的系统。
四十年前，硅谷用“网络就是计算机”解释地面的未来。如今，这句话正在获得一个离地球几百公里的新版本。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
周靖人走下主舞台
（本文作者为 正见TrueView，钛媒体经授权发布）
文 | 正见TrueView
2026年云栖大会最明显的变化，可能是近三年云栖大会主论坛上都担任重要AI业务发布嘉宾角色的周靖人，今年已不在台前。既不在主论坛演讲名单中，也不在重磅嘉宾名单里，甚至在整个官网的嘉宾列表中都无法搜索到他的名字。
取代他的是云栖大会前一天刚刚被正式任命的通义千问项目负责人刘大一恒，以及被拆分成模型、智能体、基础设施等多个板块的技术发布环节。一人包揽的全景式技术秀，变成了分工明确的模块式交付。
对于一家以技术信仰自我标榜的公司来说，这样的安排传递出了阿里AI战略的转向，正在从技术拓荒期进入商业化落地期，叙事重心也从谁做出了最好的模型，改为谁能让模型产生最大的商业回报。
一年之间：从关键先生到消失的名字
就拿2025年的云栖大会来说，周靖人是阿里AI最耀眼的标签。他以阿里云CTO、通义实验室负责人的身份，一口气发布了通义大模型的七连发，涵盖智能水平、Agent工具调用、Coding能力、深度推理、多模态等多个维度。
那一年，通义千问的衍生模型数量超过17万个，超越Meta的Llama系列，成为全球最大的开源模型家族。
周靖人本人也在年底入选阿里巴巴合伙人，这是阿里最高集体决策机构，此前人数已缩减至17人。
彼时的周靖人，是阿里AI的技术象征。在2025年云栖大会期间接受采访时，他明确表达过自己的判断，大模型领域的快节奏新品发布，符合全球AI赛道你追我赶的行业现状。这种快速迭代的理念，与阿里当时全力追赶的战略需求高度契合。
但仅仅一年后，一切都变了。曾经通义千问的技术灵魂人物林俊旸，在2026年3月突然离职，数月后创办AI初创公司Pragmatik Labs。周靖人临危受命，以阿里云CTO的身份紧急代管Qwen模型一号位，稳住研发阵脚。
这是他的第一次角色调整，更像一次救火式补位。
随后的几个月里，阿里AI的组织架构经历了密集而剧烈的重组，3月成立ATH事业群，4月设立集团技术委员会并升级通义大模型事业部，6月合并成立Token Foundry事业部、周靖人转任首席科学家。
三个月三次调整，周靖人的每一次变动看起来都是升迁，从CTO到集团技术委员会首席AI架构师，再到阿里巴巴历史上首位首席科学家，头衔越来越高，但从业务执行权的角度看实权却在不断稀释。
首席科学家是阿里技术体系的最高学术头衔，听起来光鲜。但这个头衔在中国科技公司的语境中，往往意味着从业务一线退到研究后方。
周靖人此前掌管的核心模型研发团队通义大模型事业部，被整体划入了由CEO吴泳铭直接负责的Token Foundry事业部。而他被安排去做的，是牵头成立AI未来研究院，专注前沿AI科技的探索与突破。
从掌管核心业务到探索前沿科技，这中间的转变与落差是难以一言概之的。而针对此前坊间流传的离职传闻，阿里官方也已明确辟谣。9月10日的上海外滩大会上，周靖人还以集团首席科学家的身份出席智能体主题圆桌，与蚂蚁集团CEO韩歆毅同台讨论智能体系统与AI理解个人的上下文问题。
他依然活跃在行业前沿，只是不再站在产品发布的主舞台上，其中折射出的是阿里AI战略从技术突围向商业变现转轨的过程中，技术领军人物的角色正在被重新定义。
拆分的不只是演讲：阿里AI的权力重组逻辑
将周靖人2025云栖大会一个人的50分钟拆成四个人的演讲，这背后是一套完整的组织架构调整逻辑。2026年阿里AI的组织重组，核心方向可以用收权、并线四个字概括收。
年初，阿里还维持着一种分权式的AI架构，通义实验室、MaaS业务线、千问事业部、AI创新事业部分散在不同汇报线下。但到8月，云智能集团与平头哥合并为AI云与算力服务，AI模型实验室、千问消费者业务、千问办公被整合为AI实验室与应用。
整个AI业务从分散作战收拢为两个大板块，直接向CEO吴泳铭汇报。Token Foundry事业部的命名本身就暗示了新的战略方向，阿里要成为一个Token工厂，将AI能力以Token的形式进行标准化、规模化计费。MaaS平台正取代传统的云资源租赁，成为阿里AI的新商业模式核心。
这种转变意味着阿里AI的KPI，从模型跑分有多高变成了Token卖了多少。当考核指标从技术指标切换为商业指标时，组织需要的人才类型也跟着变了。模型研发需要的是顶尖科学家和算法工程师，而Token工厂需要的是产品经理、交付工程师和销售团队。
对应到云栖大会的舞台上，就不再需要一位高管讲宏大的技术愿景，而是需要具体的业务负责人讲模型能力、产品方案、行业落地、开发者生态。
于是我们看到今年云栖的主题是智以致用，核心锚点是Agentic AI；刘大一恒的演讲主题是《Qwen：迈向真实世界智能体》，落脚点是真实世界的应用，而非技术参数的比拼。这本身就是战略转向的直接体现。
微软和亚马逊在2026年也进行了类似的调整。据公开报道，微软成立了6000人规模的Frontier Company，投入25亿美元，目标是帮客户落地AI解决方案；亚马逊云科技则投入10亿美元设立专门的AI交付部门，配置数千名前线部署工程师。
全球大厂的逻辑趋同，AI竞争的上半场拼的是模型能力，下半场拼的是谁能更快地把模型能力变成客户的采购订单。
吴泳铭在云栖大会主论坛上的讲话印证了这一点。他判断机器正在成为思考的主力，提出AI模型、AI芯片、AI云是机器智能时代的三大基石。这是一个典型的基础设施叙事。
吴泳铭在告诉市场，阿里的AI不是一家模型公司的AI，而是一套从芯片到云到模型的全栈基础设施。在这个叙事中，周靖人的位置变得微妙，他搭建了这套基础设施中最核心的模型层，但当基础设施进入运营阶段时，运营者不需要是最初的建造者。
缺席的意义：技术理想主义与中国大模型下半场
周靖人的缺席之所以值得讨论，不在于他个人，而在于他所代表的那一类角色在中国AI产业中的处境。他是通义大模型从零到一的缔造者，是阿里AI技术体系的关键构建者，是2025年入选合伙人的技术派代表。
他的隐身标志着中国大模型竞争进入了一个新阶段，技术理想主义的窗口期正在关闭，工程化与商业化的压力正在重塑一切。
有一个细节值得玩味。2025年12月周靖人入选合伙人时，晚点的报道中提到，他成为合伙人的关键因素之一是通义实验室过去一年努力保证了Qwen的模型领先地位，管理层评价这非常不容易。但仅仅半年后，当阿里AI架构重组时，周靖人的角色就被重新定义了。
这不是对个人能力的否定，阿里在辟谣周靖人离职时明确表示，首席科学家的任命既是对周靖人贡献的高度认可，也是一次面向未来的战略部署。但面向未来的战略部署这几个字，恰恰说明了问题，在阿里的未来战略中，周靖人的位置不再是前线。
这让人想起2017年云栖大会上马云创办达摩院时的豪言，三年内技术研发投入超过1000亿元，以及达摩院十三扫地僧的传奇。
近九年过去，十三人中大多数已离开或淡出核心视线，唯独周靖人全程都在。他从云计算的地基时代走到电商的数据智能时代，再走到大模型时代，每一次技术换挡都踩准了节点。但当他站在2026年的节点上时，游戏规则变了。
阿里需要的不再是一个能带着团队快速迭代模型的技术领袖，Qwen的模型能力已经足够强，Qwen-3.7在Code Arena评测中排名全球第二、国内第一。阿里需要的是把大模型从实验室项目，变成集团级的营收业务。
当然，这不是一个悲观的叙事。周靖人转任首席科学家、牵头AI未来研究院，可能恰恰是阿里在下一盘更大的棋，让顶尖技术人才摆脱日常业务管理的束缚，专注前沿探索。
AI未来研究院的定位是专注前沿AI科技的探索与突破，周靖人可能在布局比Qwen更远的东西。但这条路的回报周期更长，不确定性更高，也更远离聚光灯。在AI行业普遍追求季度商业化进展的当下，这样的选择需要极大的耐心。
另一层猜想是阿里正在主动降低大模型业务，对单一核心人物的依赖。顶层战略与资源统筹由集团CEO吴泳铭亲自抓；长期前沿技术探索由首席科学家周靖人牵头；基础模型的日常研发与产品交付，由成长起来的技术骨干刘大一恒负责。
三个人各管一段，互不重叠也互不绑定，就算后续再有人员变动，大模型的业务叙事也不会跟着断裂。对于已经进入深水区的大模型竞争来说，组织的稳定性远比单个明星高管的站台更重要。
周靖人缺席云栖大会主论坛，表面上看是一个人事安排的细节。但放在阿里AI组织重组的大背景下，它是中国大模型竞争正在从技术英雄时代过渡到系统工程时代的时代注脚。
英雄退场，不代表失败；但舞台的灯光，确实转向了另一群人。
更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App
特斯拉、Figure 还在攻克量产，小鹏机器人已经走下产线
9 月 8 日，一台高阶通用人形机器人小鹏 IRON 完成自动化总装，从产线上走了下来。
如果只看画面，这好像是又一段科技公司放出来的机器人视频。在这个被大模型和具身智能席卷的时代，科技圈每天都在被各种炫酷的机器人 Demo 刷屏：有人形机器人打拳击，有灵巧手叠衣服，也有机器人在舞台上完成复杂动作……
这次更值得关注的，并不是机器人行走本身，而是它身后那条刚启用的自动化产线。这次的机器人并不是工程师手工拼装出来的，而是像汽车一样经过一整条工业化产线，自动化总装然后下线。
一、会表演不够了，能量产才算数
小鹏押注机器人这件事，其实比外界想象的要早得多。早在 2020 年，小鹏就已经切入了机器人赛道，比现在市面上大多数明星机器人公司都要早。
但选择在 2026 年这个时间点启用产线，这更像是小鹏过去几年物理 AI 战略的一次集中呈现。从智能汽车到 Robotaxi、人形机器人、飞行汽车，小鹏正在推动 AI 能力从汽车场景向更多物理空间延伸。
机器人和汽车在硬件形态、运动方式和应用场景上差异很大，但在 AI 层面，两者需要解决的问题类似：如何让人工智能理解真实环境，并在复杂物理空间中完成任务。
汽车业务中形成的部分模型能力、数据体系和 AI 基础设施，可以进一步向机器人延伸；一套物理 AI 底层能力能否跨越不同本体，新的本体进入更多真实场景后，又会产生新的数据，推动模型持续迭代。机器人是这个战略中的一个重要落点。
图片来源：小鹏集团
其次，小鹏战略层面的准备也早已就位。 2026 年 6 月，何小鹏在全员信中宣布，除了继续担任小鹏集团 CEO，他还将亲自兼任机器人业务的「CEO」。这意味着小鹏集团把机器人业务提升到最高战略优先级。
紧接着是 8 月小鹏机器人业务完成首轮融资，融资金额超 9 亿美元，投后估值超 63 亿美元；再紧接着就是这次的产线投产。
长期投入之后，小鹏机器人的推进节奏明显加快，融资、估值与量产接连落地，一种喷薄而出的加速度正在显现。
更重要的是，机器人行业的竞争主线发生了变化。过去几年，人形机器人热度很高，但更多的是各种 demo 展示，能够真正落地场景的并不多。
但随着本体、芯片、模型、数据采集技术的发展，机器人行业从技术研发阶段，切换到了量产与商业化阶段。接下来比拼的会是产线、供应链、良率、成本、数据闭环和交付能力。
对于任何一家想要做大的机器人公司来说，最难的不是造出第一台机器人，而是造出第一千台、一万台，并且每一台都足够可靠和一致。
二、为什么是高阶人形机器人？
当行业的主战场从 demo 走向产业化，一个绕不开的问题是：什么样的机器人值得被大规模制造?
小鹏给出的答案，不是随便一种人形机器人，而是难度最高的那一种：极致拟人、AI 驱动、具备最高标准安全品质的通用高阶人形机器人。何小鹏的话说得很直白，「我们最想做的是能够自主帮我们干活的高阶人形机器人，这意味着要做最难的硬件，最难的 AI，并且把不同的能力平衡好。」
图片来源：小鹏集团
过去一年多发生的两件事，证明了这条路到底有多难。2025 年小鹏科技日现场，小鹏人形机器人 IRON 走着「猫步」入场，它行走时的流畅度、柔顺感，以及肩颈、胯部的协调摆动，引发公众对「是否真人套壳」的质疑。为了自证，团队不得不现场剪开腿部的皮肤，露出里面的骨骼结构。
然而，在这个过程中并不只是高光时刻。2026 年 2 月，IRON 在深圳湾万象城首次公开亮相时，行走过程中突然失衡摔倒。那一刻，社交媒体的笑声盖过了技术讨论。
但何小鹏自己也承认，「做机器人需要习惯失败，每一次成长背后都会有代价，这是门票，不是意外。」
小鹏敢走这条最难的路，底气来自过去多年在智能汽车上的积累。
从智能汽车到人形机器人，看似在做不同的产品，本质上一直在做同一件事：让 AI 真正理解并进入物理世界。小鹏一直在积累同一种能力：如何让 AI 感知物理世界、理解物理世界，并最终在物理世界中行动。
车和机器人形态不同，但本质上面对的是同一个问题：AI 如何理解现实世界，并驱动不同的「身体」完成任务？这也意味着，小鹏在智能驾驶、VLA 模型、AI Infra、端侧部署、数据闭环和车规级制造能力的积累，都可以迁移到机器人上。
三、不是手工攒机器，小鹏要把机器人做成工业品
小鹏这条机器人产线，真正值得关注的是它正在把一整套成熟的工业体系，迁移到了还处于早期的机器人赛道。机器人行业过去并不缺令人兴奋的 Demo，缺的是稳定制造、规模交付的能力。
汽车工业的核心，从来不只是把零件装成一台车，而是产品定义、供应链管理、质量控制、成本优化、工艺设计、软件迭代、售后体系和全球交付能力的系统工程。恰恰这些能力，是今天多数机器人公司最缺的。
许多机器人创业公司强在执行器、运动控制、灵巧手或算法模型，但它们往往需要重新学习如何规模制造，如何管理供应链，如何控制良率，如何建立服务闭环。
图片来源：小鹏集团
这次小鹏自主设计开发了全球首条高阶人形机器人自动化产线，并将汽车行业成熟的质量控制方法，与人形机器人的高精度装配需求结合。
按小鹏的说法，这条产线核心制程的自动化率超过 80%，意味着小鹏已经把机器人制造从「手艺活」变成了「工业品」。过去这个行业长期停留在小批量、半手工装配的阶段。
何小鹏用一句话概括了小鹏在这条赛道上的位置：小鹏可能是中国唯一一家对机器人进行全体系自研的公司，技术栈完整覆盖本体、大脑、中脑、小脑、数据和 Infra。这句话有两个关键词：自研和全体系。
以 IRON 为例，其全身拥有 76 个自由度，单手拥有 21 个自由度，采用全包覆柔性晶格，并自研控制器、运动模组和灵巧手等核心部件。算力层面，IRON 搭载 3 颗小鹏自研图灵 AI 芯片，有效算力达到 2250 TOPS。小鹏希望通过端侧算力支撑复杂任务推理，减少对云端连接和远程操控的依赖。这对于真实场景中的稳定性、低时延和数据安全都至关重要。
除此之外，模型方面，小鹏计划把与 AI 汽车同源的物理 AI 基座大模型部署在机器人端侧，以获得更低时延，并强化数据安全；数据方面，拟人化硬件能够适配原本为人类设计的空间和工具。机器人进入真实工作场景后，可以持续产生操作数据，再用于模型训练和迭代。
外界或许会问，为什么小鹏不把更多非核心部件交给供应链伙伴？
何小鹏的解释也很现实，汽车产业已经成熟，可以高效分工；但机器人行业还没有形成稳定范式，创新速度太快。如果每个零部件迭代都依赖外部伙伴，就要经历立项、投资、开模、测试等流程，周期往往以月计算。而在人形机器人早期，内部方案可能几周就更新一次。等供应商完成上一代方案，公司内部可能已经进入下一代。
这时候如果转头告诉合作伙伴「对不起，我们又升级了」，对方几乎没有办法承受这个损失。所以创新和试错的成本只能小鹏自己扛下来，不能转嫁给外部伙伴。
因此，小鹏的全栈自研是被行业阶段逼出来的选择。在成熟产业里，开放协作是效率；在新物种早期，全栈能力往往是速度。
四、走下产线之后，机器人必须回答「谁来买单」？
不过，产线启用、机器人自主走下来，只是故事的前半段。对整个人形机器人行业来说，最核心问题仍旧是 PMF，也就是产品和市场是否真正匹配。
一台机器人能不能跳舞、打拳击，跑得够不够快，都只是「能不能做出来」的问题。真正决定一家公司能不能活下去的问题是，谁愿意为它付费？哪些场景能够容忍它当前的能力边界？能不能持续产生价值？
图片来源：小鹏集团
从目前公开的信息看，小鹏选择的路径相当务实。据了解，小鹏机器人计划于 2026 年底正式进入规模量产阶段，并首先服务于小鹏自己的门店和产业园区。到 2027 年，小鹏 IRON 将正式在全球范围内公开上市，而 2027 年的月产规划，已经可以达到数千台的量级。
门店和园区，是人形机器人进入真实世界的理想缓冲区。这里有真实人流、服务需求和运营任务，但相比家庭环境，空间布局和任务类型更可控，也更容易标准化建模。
更关键的是，小鹏本身就是这些场景的运营方，早期部署不必依赖外部客户的耐心。机器人在接待、引导服务中的问题，都可以在内部快速反馈迭代。对仍在能力爬坡期的人形机器人来说，自有场景是一个低摩擦、高频率的真实试验场。
同时，「数据—模型—应用」的数据闭环也开始达成。机器人部署越多，执行的真实任务越多，产生的数据就越丰富；数据反哺模型，模型提升能力，能力提升后又能进入更多场景，最终带动更大规模生产。
总体来看，小鹏这次产线启用的意义，是把行业问题向前推了一步：从机器人只能做 demo 展示，推进到能不能被规模化、稳定地制造出来，并开始回答谁来买单？这是人形机器人产业化过程中真正残酷，也最有价值的问题。
当特斯拉、Figure 还在各自的道路上攻克量产和交付问题时，小鹏交出的这份答卷，或许还称不上是终局答案，但它已经是目前所有玩家里，最接近产业化落地的一条路径。
人形机器人这场竞赛，正在从舞台上的炫技表演，真正走向产业化的深水区。而在这场竞赛里，最终能跑出来的，不会是某一项单点技术最强的公司，而是那些能够同时掌握 AI 模型、芯片、本体、数据、制造和场景，并且让它们真正形成数据闭环的公司。
腾讯、字节、阿里「会战」AI 办公之后：Agent 领域格局已变
「这仗打错了，最多是白烧几十亿；但如果不打，可能是生死问题。」
这是创新工场联合首席执行官、管理合伙人汪华对大厂重金押注 AI 办公的判断。
2026 年的这个夏天，中国科技巨头发起了 Agent 时代第一场「战役」：豆包工作正式发布，TRAE、扣子团队整体并入豆包体系。更早的 7 月底，飞书产品团队并入豆包；另一边，腾讯的 WorkBuddy 已经跑出了千万月活，阿里也在整合自己的桌面 Agent、云端 Agent 和钉钉能力。
巨头为何会集体兴奋？AI 办公的背后他们在思考什么？在争夺什么？最近，极客公园邀请了汪华、Floatboat.ai 创始人兼 CEO 谭少卿一起来聊一聊。
今年初那场「小龙虾热」，本质上只是一场极客的自我狂欢。谭少卿说，「它是个过渡产品」，属于三类产品分层中的「极客产品」，从一开始就没打算走大众化路线。模型不够强、配置门槛高、Harness 不成熟，把普通用户挡在门外。
真正的转折发生在最近几个月。汪华认为，国产模型是最近才真正跨过了那道坎。GLM-5.3-Flash、DeepSeek-V4-Flash 这些模型不仅把指令遵循能力做上去了，更关键的是把成本打了下来。
现在，才是中国 Agent 爆发的真正原点。
这里面有一个反直觉的逻辑：移动互联网时代，千万月活根本不值得巨头兴师动众，但这次大厂已经开始了一场「大会战」。
汪华说，背后的驱动力是恐惧。年初 Claude Code 还没到千万月活时，ARR 就已经达到 200 亿美金了。这意味着，未来的高价值经济入口，可能不建立在高日活之上。法律、财务这类高价值的专业工作，一旦被 Agent 重新定义，丢掉的不是用户规模，而是整个赛道的船票。
除此之外，还有另一个因素是算力。C 端产品比如豆包，算力负担极重，只能用压缩的小模型，所以「有时觉得它智障」；而办公 Agent 恰好卡在一个理想区间，既能体现大模型真实能力，又不会因为用户规模过大导致算力扛不住，同时商业模式能跑通。
WorkBuddy 的火热，某种程度上是一场内部赛马的幸存者故事。「它是踩在众多失败项目的尸体上活下来的。」大厂采取的都是内部赛马策略，那些算力成本过高、商业模式不成立的项目自然死亡后，资源自动向幸存者倾斜。
巨头进新战场，常被认为自带优势。但这次不一样。汪华说，「巨头唯一的壁垒其实只有钱，而钱能兑换的仅仅是算力。过去积累的数据和用户，不会自动转化成新赛道的优势，庞大组织架构反而会极大抵消资金优势」。
虽然巨头已经下场，但汪华认为，中国创业者有一个很大优势，距离中国开源模型更近。「大家在一个圈子里，私下交流多，最懂怎么在这些开源模型上做微调、建生态，那就能相对于其他地方的创业者建立一些优势。」
进入 Agent 时代，巨头们都在争夺通往未来的船票。汪华说，「船票」其实只有两张：成为水电煤般的基础设施，以及掌握基础模型。至于用户平台层面的船票，很可能根本不存在了，因为 Agent 本质上「是一种能力、一种智力、一种计算形态」，而不是一个需要被圈养的平台。
谭少卿从产品实践里看到了更远的东西：当 Agent 具备主动性，甚至开始向 CTO、COO 的角色过渡时，连 WorkBuddy 这样的「工作台」形态，都可能只是过渡产品。「模型越聪明，其实越不需要WorkBuddy这种中间层。」
巨头们这一次冲进 AI 办公战场，多少带着一点恐惧：怕错过新入口，怕丢掉下一代生产力的船票。但有意思的是，他们在重兵投入的同时，也无意中完成了市场教育，让更多用户第一次真正理解，Agent 不只是聊天工具，而是能干活的生产力系统。
而创业公司并没有因此被挤到墙角。相反，在巨头照亮市场之后，它们反而看见了更多细分机会：更垂直的场景、更灵活的产品形态。
以下是极客公园创始人&总裁张鹏和汪华、谭少卿的对话内容，部分有删减。
Part 1：中国 Agent 的「ChatGPT 时刻」来了
张鹏：近期腾讯、字节、阿里等大厂在 AI 办公领域的动作非常密集。你们怎么看他们最近的系列动作？
汪华：我觉得这事特别好。有了大厂来推动，包括他们愿意补贴，才能真正开启中国 Agent 领域的「ChatGPT 时刻」。
之前大家用豆包、DeepSeek，体验的是 Chatbot 对话。国内真正用过 Agent 的普通人极少。年初虽然小龙虾火过一阵，但门槛太高，绝大多数人根本没有用起来。它本质上只是极客的狂欢，再加上一点好奇用户的外溢。
现在大厂把 Agent 包装得非常易用，把 PPT、绘画、办公等场景预设好了，花力气把它推给了至少千万用户，相当于给全市场做了一次 Agent 普及教育。除了教育层面，用的人多了，各种应用场景也会被开发出来。
跟今年上半年小龙虾那波相比，还有一个关键不同，是国产模型是最近才真正跨过了那道坎。倒退三个月，国产模型的指令遵循能力还不够。同时，GLM-5.3-Flash、DeepSeek-V4-Flash 这些 Flash 模型把成本打下来了。所以一切水到渠成。
大厂推动 Agent 普及，对创业公司同样是巨大的利好。如果没有大厂去教育市场，创业公司自己拓荒太难了。现在，才是中国 Agent 爆发的真正原点。
图片来源：视觉中国
张鹏：怎么理解从小龙虾到 WorkBuddy，中间的逻辑是什么？毕竟这是两个不同人群的产品？
汪华：小龙虾热的时候我们也聊过，结论是它太复杂了，没法直接给普通用户用。但那波热潮让所有人，尤其是年轻科技爱好者，第一次亲手摸到了科幻小说里的东西。
大家都想尝试，但最后卡在几个地方：一个是模型不够强，当时只有 Opus 4.6 能用但又慢又贵；二是配置门槛太高，普通人搞不定 Linux 环境；三是 Harness 也非常不成熟。
现在完全不同了。模型和 Harness 每一两个月就在飞跃，现在 Opus 4.6 已经被随便「吊打」。更关键的是，普通人需要的是云化，不用自己在本地配置，云端配好直接用。现在的 Codex、Claude Code、豆包工作，也都是帮用户在云端配置好，起码是一个手机或消费品级的体验。
从小龙虾到 WorkBuddy，在用户体验上有一个巨大差别：从极客的玩具，到手机 App、消费品。腾讯在这方面一直做得很好，他们始终把 WorkBuddy 当成一个用户级、消费级的 App 来开发，花了几个月时间就走到了今天这一步。
很多人认为这是创业公司的事，但并非如此。创业公司可以在海外做开源，但如果要做消费级、工业化的消费级产品，还得解决流量冷启动、数据积累这一整套问题，可能还是大厂，他们有流量、有资源。
张鹏：小龙虾火了之后，对你们有什么启发？怎么看现在巨头纷纷入场 AI 办公这件事？
谭少卿：我们做得比较早，去年 7 月就发现模型能力在长程任务上已经足够好。但面向普通知识工作者，市场上缺一个原生的「工作台」产品，所以我们就切入了这个方向。
小龙虾今年爆火的价值在于让大众第一次看到，Agent 可以后台 24 小时运行，发个任务就能跑，哪怕经常崩溃、又贵又慢。包括 ClaudeCowork 的发布，这对我们是特别好的事情，它证明了这个方向是可能的，我们第一轮融资就是在 ClaudeCowork 发布之后完成的，我们做的更早，跟它同天发布。
但我们判断当前的 Cowork 类的产品是过渡形态。因为 Cowork 本质上还是以人为中心，随着 Harness 价值的显现，Agent 长程能力越来越强，未来会过渡到以 Agent 为中心，产品形态、交互设计都会不一样。
张鹏：这对投资人的决策有影响吗？
谭少卿：之前从这个角度切入是反常识的，大家觉得这该是个通用赛道而不是垂直 Agent，而且软件演进路径是从软件到 SaaS 到 Agent，从桌面端切入好像是「开历史倒车」。但 ClaudeCowork 发布后，外界对这个路线开始有了认知。
我们把产品分成三类：极客产品、专家产品、大众产品。小龙虾属于极客产品，虽然我们一开始就没打算走这条路，但它让大众看到了可能性。
巨头入场，也是在帮我们教育市场。我们产品今年 1 月公测时，有用户抱怨积分用得太快。但当我们做用户访谈的时候问他任务满不满意，他说很满意，超出预期。再问干了什么工作，往往是实习生需要干半个月的工作量。当时只是没把价格锚定到生产力上，所以大家还是觉得贵。现在各类 Work 产品，让更多人知道了 Agent 真能解决问题，对我们是好事。
汪华：我特别希望这次巨头能教育中国用户交月费。以前，中国用户交月费不能超过 10 块钱，而美国用户为产品付费几十美金是常态，工作类甚至 50-100 美金。中国这么多年的免费模式，导致付费习惯一直起不来，而广告和交易支撑的商业模式，在商业模式上天生就有局限性，不是每种产品都适合这套逻辑。
张鹏：你认为到什么条件下，你会认为付费习惯基本建立起来了？
汪华：现在已经有很好的趋势了。虽然还是一小部分人，但程序员和专家用户，已经能坦然接受 68、98 元这个档位的月费。相比以前，这已经是巨大的进步。
中国用户以前的付费习惯，其实是被巨头抢用户的免费模式毁掉的。中国用户不是不爱付钱，你看 Steam 上 30% 都是中国玩家，巨头的生态是能培养习惯的。
现在大厂做 AI 办公，骨子里还是以前打用户量、算 ARPU、做入口的那套思维，并不是真正的「以 Agent 为中心」。唯一的好处是，因为 Agent 需要算力成本，他们没法再搞纯免费了，必须正儿八经推付费模式。这算是把以前毁掉的习惯又慢慢拉回来了。
谭少卿：确实如此。我们产品一开始主打海外，定价 40 美金一个月，没对国内外用户做价格区分。我们就是想验证，用户愿不愿意为好产品付比较高的价格。结果发现国内用户的付费习惯远超预期。有些重度用户一天甚至能充值两三千块钱，他们是真的把 Agent 当作生产力工具在用，而不是传统软件。
最近我们选了 DeepSeek-V4-Flash，跑了五个主流榜单，并且比官方的 Harness 评分更高。这证明 DeepSeek-V4-Flash 和 GLM 5.2 已经能驱动很复杂的长程任务，配合我们的 Harness 能做得多快好省，就能进入更多的生产力领域，因此推出一个便宜版本。从数据上看，巨头教育市场，对我们的付费率和留存反而都有明显的提升。
Part 2：WorkBuddy 是怎么踩着「尸体」跑出来的？
张鹏：从个人的视角，怎么看 WorkBuddy 这个产品？它是怎么演进的？
谭少卿：这类产品的交互逻辑，基本是从 Coding 场景演变过来的。进去先看到一个 Chat 面板，然后选一个项目文件夹开始工作。但大部分知识工作者的文件系统其实是半结构化的，不会把一份工作相关完全塞进一个文件夹，只有程序员才习惯把所有代码扔进一个目录下面。所以这个交互形态，没什么实质创新，只是把 Coding 的逻辑照搬过来。
真正让大厂资源开始发挥作用的转折点，是把 Skills（包括原来 GPTs 那种形态）包装成「专家」模式。这么做的好处是小白用户更容易理解。小白用户面对一个输入框可能完全不知道该干嘛，但「找个专家」这个概念他能秒懂。虽然这通常会拉低模型智能和 Harness 本身的表现，但也拉低了用户理解产品的门槛。一旦跨过这个门槛，巨头的运营和投放能力就能真正发挥作用。
在这个基础上，WorkBuddy 在易用性上确实做得稍好一点，比刚发布的飞书的豆包办公要更成熟些。
有意思的是，从几家产品官网就能看出各家的文化背景差异：WorkBuddy 官网做得很简单，甚至跟它现有的新版 UI 对不上，说明他们还在快速迭代；千问办公的用词和风格偏工程化，更贴近技术，更像是千问模型的一个管道；豆包办公则更年轻、更酷炫，内容呈现更靠前。这些细节背后其实是各家公司风格的直接投射。
张鹏：我们推导一下，为什么 WorkBuddy 是腾讯先做出来的？而不是字节或阿里？
汪华：实话说，我不知道。年初小龙虾那波热潮，其实是飞书吃到了最大的红利，他们当时也投入了很大精力做相关产品，但确实没跑出来。
其实大厂内部很多团队在赛马，字节有一批，腾讯也有一批，但字节这批没跑出来。
更关键的一点，可能是腾讯在模型选择上更开放。
字节的模型本身有点不够行，这在豆包这种对话式产品里其实无所谓，字节在交互体验上一直做得不错。可一旦到了办公场景，这背后是长程 Agent，对模型智能、指令遵循的要求会更高。而 WorkBuddy 可以自由选择模型，可以接入最好的生态。现在模型更新此起彼伏，「模型即产品」这一点在 Harness 时代依然成立，模型不行，前端交互做得再好，用户体验还是不行。
张鹏：可以选择不同的模型，现阶段是吸引用户的点吗？
谭少卿：坦白讲，对非专家用户来说，选模型这件事其实挺让人懵的。我们从产品早期到现在，一直保留让用户选模型的选项，核心原因是模型之间的差异依然非常大。日常办公用 DeepSeek-V4-Flash 确实又快又好，但如果追求极致效果，比如在 Coding 上，GPT、Claude、GLM 之间的差距依然很大。
只要产品还允许自选模型，就说明模型能力还没有收敛到一家独大。我们判断这会是个比较长期的状态。因为还有新的变量出来。目前，训练和蒸馏技术越来越成熟，任务越长越重要，Harness 越重要。比如很多用户反馈 Fable 5 在编程上不用提示词就特别强，但做非编程任务时会觉得智能下降了，就因为它模型的训练越来越多地对齐在自己的 Harness 上。同时，办公、Coding、世界模型，这几场仗都还没打完。模型厂也不是无限弹药的，专注于当前办公产品的资源其实也有限。
二是供给会越来越充足。大家都可以在基础模型上针对特定领域做后训练，通常都能比原始基模表现更好。我们也接触到一些还没在市面发布的基模，所以供给端只会越来越丰富。
另外，我们在产品协同上选择了和巨头完全不同的「分布式模式」。我们赌的是这次变革本身的特性：AI Agent 的能力不同于以往的技术，它能够根据用户的场景去自我编程、改进，从而让用户不必捆绑于具体的软件和 SaaS 平台。
现在数据其实是分布式的，大家并不关心文档是在飞书、Google Docs，还是存在本地，因为 Agent 全都能访问。所以这些边界被淡化掉了，用户的迁移成本也没那么高了。
正因为如此，分布式的供给才有了可能性。大量中小企业和个人用户，本来就没有谁真心愿意把数据锁死在一个平台上，他们更愿意让数据回归到自己手里。
同时，硬件端也出现了巨大变量。现在的 Mac 顶配电脑跑 27B 甚至 70B 的本地模型已经没问题。我们判断，未来很可能会重演早期 PC 时代的演进路径，算力供给将从中心化回归到个人终端。有可能到年底或明年年初，我们会看到消费级设备上也能跑出可以驱动 Agent 的能力。
张鹏：移动互联网时代，千万月活根本不值得巨头去打会战。为什么腾讯会重金加持？背后的战略思考是什么？
汪华：我觉得首先是恐惧。千万月活确实不多，但你要知道，年初 Claude Code 还没到千万月活时，ARR（年度经常性收入）就已经达到 200 亿美金了。
腾讯的逻辑大概是两点：第一，当年豆包出来，腾讯没重视，结果被做出了一个新入口，所以这次没有哪个巨头敢在一个东西还小的时候就轻视它；第二，大家都害怕未来的新经济形态，生产力、高价值的专业工作，比如法律、财务等，不一定建立在高日活上。如果这波没赶上，可能不是丢了用户规模，而是平白丢掉了高价值的经济入口。这仗打错了，最多是白烧几十亿；但如果不打，可能是生死问题。
而且对国内公司来说，现在算力已经没法像海外那样大规模投，美国那几家一年 CAPEX 就是 2000 亿美金级别。相比之下，国内打应用层的仗，真不算什么大的负担。
张鹏：这个视角很有意思。巨头需要把投资变成未来的资产和能力，否则护城河就会变矮或消失。那应用层是一个很好的选择？
汪华：而且办公场景还有一个巨大的好处：算力可控。
像豆包那种面向几亿 C 端用户的产品，算力负担极重，只能用压缩的小模型，所以大家有时觉得它「智障」。如果算力充裕，按照字节的秉性，肯定愿意给 C 端放开更强的模型，但现实是不允许的。
而办公 Agent 处于一个完美的平衡点：既能体现大模型的能力，又有实际价值和未来的高溢价空间，同时用户规模又不会像 C 端产品那样失控。加上它还能收点费，跑通商业模式，这确实是一个非常合适的战场。
我觉得并不是腾讯一开始就想得有多清楚。他们内部肯定有很多团队在
当智能体开始替人花钱，如何证明「它是谁」？
在蚂蚁集团，负责 AI 支付安全的陈树鹏是个深度的智能体使用者。日常写代码、梳理汇报、提炼会议纪要，AI 几乎接管了他工作流里的大部分环节。
这种高度依赖背后，却存在着一个清晰的分水岭。一旦任务涉及真金白银，比如调用付费数据接口、购买素材或预订服务，绝大多数人都会本能地把权限卡死不愿交出钱包。哪怕是陈树鹏自己，手头测试过大量任务型框架，真正被他允许支付权限的智能体也仅仅只有两三个。
但在产业一线，这种放权又势在必行。
在 2026 外滩大会上，蚂蚁集团 CEO 韩歆毅表示，智能体商业的「ChatGPT 时刻」正在到来，其核心标志正是从单纯的对话能力展示，加速走向真实的商业交易闭环。商业世界的交互起点，正在从过去的搜索页面演进为意图驱动的服务调度。
在技术上，调用 API 扣费及定期支付看似早已是成熟的基础设施。但真正让人犹豫的，是 Agent 与传统自动化脚本的本质区别。以往的自动化扣款跑在封闭受控的系统里，按固定规则触发；现在的 Agent 为了办成一件事，需要在开放网络里自主探索、解析未经清洗的公开网页、调用第三方插件。面对一个在外部环境里自主决策的长任务，过去那种一次性给出的静态免密授权，很容易在不可控的执行链条中变成一张无法兜底的空白支票。
9 月 11 日，蚂蚁集团在外滩大会上发布的 APASS，要解决的就是这个放权困境。这项面向智能体商业活动的信任基础设施，基于 KYA（认知你的智能体）理念，通过身份与意图两条信任链，为商业网络提供一套核验 Agent 身份、授权边界与实际行为的底座机制。
换了台电脑后，商家还认识你吗？
过去二十年，商业世界确认一个交易者是谁，底气全来自看得见摸得着的物理实体。手机里的 App 有官方加密签名，指纹与人脸能确认活人在场，背后的法定实名信息提供了终身唯一的身份锚点。
这套所有人习以为常的规则，在智能体时代出现了真空。
陈树鹏对极客公园提到了一个典型的场景。一位开发者在家里的电脑上用开源框架搭建了一个购物助手，帮自己采购日常用品并配置了相应权限。为了让程序持续稳定运行，开发者随后把这个 Agent 的代码镜像、运行配置与记忆上下文打包，迁移到了云端容器中继续跑。
这一搬，原先绑定的设备、网络 IP 乃至调用的模型与插件全变了样。当这串代码带着委托去调用商户服务时，对方单靠一个静态的 API Key，很难确认眼前的程序究竟还是不是此前获批的助手，还是一个被克隆篡改后的仿冒品。
针对这种运行时环境与代码可能发生的变化，APASS 在支持中心化 Agent ID 与去中心化 DID 等标识的同时，提供了三个维度的核验依据。
首先是软件本身的特征。系统会校验 Agent 的代码指纹、软件版本及挂载的 Skill 清单，确认其程序基础是否与登记档案一致、核心组件是否遭到替换。
其次是运行时的环境状态。一段原本正常的代码，如果寄宿在存在安全漏洞或异常进程挂钩的宿主环境中，同样存在失控隐患。系统联动设备厂商与云厂商，通过硬件级可信根运行环境检测，核验宿主设备是否可信及环境的状态是否可信。
最后是真实的责任主体。虚拟程序在不同服务器间流转，在物理世界中必须对应明确的法律责任人。通过将 Agent 标识与既有的 KYC（个人认证）或 KYB（企业认证）体系关联，外部商户能够明确获知，一旦发生经济纠纷或恶意行为，现实中该由哪个自然人或法人承担责任。
把程序特征、运行环境与法定责任人扣在一起，一段到处流转的代码在商户面前才不再是一个让人犯嘀咕的黑盒。
免密支付买PPT模板，会不会变成买黄金？
确认了 Agent 的身份，核心问题随之转向它在具体任务中被允许做什么。
用户交代智能体制作一份行业汇报 PPT，听上去只是一句日常需求。但在后台，智能体为了交付最终成果，往往会自主拆解出一连串采购动作，包括调用专业检索接口获取文献、购买一套演示模板、下载商用矢量图标。
在这类复合任务里，智能体需要替人连续执行数笔跨商家的微额交易。如果每一笔两三块钱的调用都要弹窗打断用户、要求人脸核验，智能体省时省力的代办价值就会荡然无存；但若完全开放免密权限，用户又必须承担意外支出的风险。
APASS 解决这一矛盾的方式，是在任务启动前把信任结构化为具体的授权策略（Scope）。
用户不必去逐一确认每一笔微小开销的增减，而是在一开始就圈定清晰的边界。比如锁定单笔与累计消费预算，把允许消费的类目死死限定在演示素材与文献检索中，同时绑定商户白名单并设置有效时间窗口。
L2 对应的是用户已明确授权的部分任务，例如在约定额度内买杯咖啡，智能体可以直接执行，无须再次确认付款。L3 则进一步面向一项目标任务。
陈树鹏以制作 PPT 作设想，智能体可以在用户预先授权的范围内，自行协调查阅论文、购买模板和图标等多个子任务。
但这种不打扰用户的自主放权，立刻引出了另一个让人神经紧绷的隐患。既然用户不再紧盯每一个扣款弹窗，一旦代码在开放网络中遭遇劫持，原本用于买几块钱素材的授权，会不会被恶意放大成大额挥霍？即便最初只是让智能体去网上比价买一瓶苏打水，又怎样防备它半路变卦去买黄金？
这种偏离的棘手之处在于，当订单传导到底层收银台时，单看接口格式、参数规范甚至签名认证，全部挑不出毛病，但在实质上已经彻底背离了用户的初始意图。
要拦住这种放权后的中途变卦，APASS 在调用链路上设置了交叉校验。
最前哨是意图安全模型，它会实时拿当前即将发起的交易动作，去比对用户最初下达的原始 Prompt 和核心约束。如果发现买 PPT 素材演变成了数码硬件，或者买苏打水变成了贵金属采购，系统会在语义对齐层面判定意图严重漂移。
与此同时，执行链路上的监控会持续监测 Agent 运行过程中的工具与 API 调用，提供进程级的安全隔离保护，防范未授权的权限跃迁。结合底层的资金风控模型，系统采取分级处置。在规则网格内的常规采买直接静默放行，遇到边界模糊的调用先暂缓流程并发起短信或电话确认，而一旦判定为从买水演变成买黄金这类高危恶意偏离，系统会在底层阻断交易并向用户推送安全警报。
AI自主下单，出了差错谁兜底？
真正决定一项技术能否融入商业的，往往不只是它宣传自己有多安全，而是当一笔智能体参与自主完成的交易办砸了，事后到底能不能分清责任。
当用户一觉醒来，发现钱包里少了一笔钱，现实中往往会陷入混乱的扯皮困局。
陈树鹏介绍，「你敢付，我敢赔」主要针对账户或 Agent 被盗用等资金安全风险，相关保障以用户开启相应安全能力并符合适用条件为前提。模型理解偏差、商品选择失误和商户履约问题，则需要分别核查，进入相应的争议处理流程。
比如大模型自身出现了幻觉，把用户交代预订的上午航班买成了半夜红眼航班。从底层收银台看，接口协议完好、扣款顺畅无阻，商家出票也合规，问题纯粹出在大模型的指令理解和认知偏差上，这理应由提供智能体服务的平台介入核查。又或者，智能体严格按要求采购了一份商业演示模板，扣款没有任何瑕疵，但外部商户发过来的压缩包却是个损坏的文件，这属于经典的商户履约质量纠纷，必须走电商原有的售后退款与仲裁渠道。
在多方协作的复杂链条里，一旦出了问题，最可怕的不是损失，而是各方互相踢皮球。支付方推给大模型，模型方推给外部网页，商户推给自动下单的代码。没有客观记录，任何人都无法断定当时到底哪一个齿轮脱了节。
APASS 在这里扮演的角色，不是越俎代庖去代替法官自动判案，而是充当交易全流程的飞行黑匣子。
通过可信存证机制，APASS 会留存任务执行中的关键信息，包括用户授予了哪些权限、运行环境核验的结果，以及服务调用、交易和处置等记录。
发生争议后，各方可以根据这些记录核查授权与实际行为，帮助查清问题出在哪个环节，为责任追溯和纠纷处理提供依据。
智能体如何实现跨平台办事？
要让这套核验与风控真正跑通，单靠某一家应用或单独的支付机构很难闭环。随着任务复杂度的提升，商业交互必然跨越多个独立的生态。
用户在一个 Agent 平台提出社区团购建站需求，主 Agent 在编排任务时，需要调用云数据库托管数据、租用云服务器托管计算，最后发起支付完成采购部署。在这个过程里，数据库、服务器与支付服务分属不同服务商，各平台的账户与信任体系相互独立。
在这个链条中，如果让 Agent 平台跟每一家云服务提供方单独做定制化鉴权，或者要求每个服务商都独自搭建一套防范注入与核验环境的风控系统，协作成本会极其高昂。
APASS 提供的正是一套通用的信任核验接口。
当主 Agent 跨平台调用云数据库或云服务器时，不同云服务提供方可以通过 APASS 直接核实该 Agent 的责任主体、确认其获得的 Scope 是否有效覆盖本次调用，并获取实时的风险评估结果。
在此过程中，不同参与方各展所长。助手平台掌握用户的上下文意图，支付与安全机构掌握交易风险数据。双方基于隐私保护机制展开联合风控，在原始数据互不出域的前提下完成联合研判。
跨平台协作的范围越广，参与方就越需要对身份、授权与风险核验形成共同规则。APASS 正在通过产品接入和生态共建，推动更多机构参与身份互认与信任协作。
数据显示，APASS 目前已接入超过 100 万个各类 Agent，激活量达到 11 万个，覆盖 442 家智能体服务供给方。包括阿里巴巴、小米、OPPO、联想、携程、中国信通院在内的 50 余家机构已经加入 IIFAA 智能体可信生态共建计划。
在国际协议对接方面，Alipay+ AMP、Mastercard 可验证意图及 Visa 智能体可信协议构建 KYA 互联互通框架，为跨境商业场景中的 Agent 身份核验与信任协作提供支持。商业网络能够运转，核心不在于预设每个参与者永不犯错。正如有经验的管理者敢于把任务交给下属，不是因为盲信对方绝无疏漏，而是因为权限边界清晰、执行过程可受控、出了差错能够追溯纠偏。
当委托的边界可被精密界定、流动的代码拥有可靠的身份锚点、不可控的执行链路有了实时防护与事后追责依据，人们才敢真正把钱包交出去。让 AI 从单纯展示能力的对话框，走向替人办妥现实商业交易的深水区，这套信任基础设施正是必须补上的第一块基石。
Token 之后，谁来组织 AI 计算？Arm 寻找下一代计算的答案
如果说今年 3 月，Arm 推出首款自研 CPU 芯片，是这家公司向市场释放的一个信号，它开始尝试突破过去「只提供底层架构授权」的角色边界。那么在上海举办的 Arm Everywhere China 活动上，Arm 想传递的信息更加明确，不要再用过去「CPU IP 供应商」的方式理解今天的 Arm。
在这场活动中，Arm 没有只围绕某一个产品展开叙事，而是第一次更加完整地将自己的未来方向拆成三条线，云 AI、边缘 AI 和物理 AI。
和往年不太一样，去年 Arm 的主题演讲几乎全部围绕一件事展开 SME2，也就是让 AI 在 CPU 上跑起来。那是一个典型的「架构升级」叙事。但今年的主题演讲，三位业务负责人分别讲边缘 AI、物理 AI 和云 AI，围绕场景展开，算力会在云、端侧和物理世界之间流动，而 Arm 想成为这个「计算基建」的底座。
今年的 Arm 试图回答的是另一个问题，当 AI 正在重新改变计算方式时，下一代计算平台应该如何被设计？当 AI 计算正在从单一芯片性能竞争，转向多个计算单元协同竞争时，谁能够组织这些计算资源？我们惊讶地与多位 Arm 高管的交流中发现，当下的算力平台似乎不再追求为某一种确定的未来而设计，而是选择拥抱某种不确定性。
一、AI 时代，芯片 IP 已无法决定一切
过去几十年，Arm 最成功的商业模式是通过 CPU 架构和 IP 授权连接整个半导体产业。芯片厂商基于 Arm 架构设计 SoC，终端厂商基于这些芯片打造产品，而 Arm 通过开放授权模式成为移动计算时代的重要基础设施。到今天，基于 Arm 技术的芯片累计出货已经超过 3500 亿颗。
过去，芯片竞争更多围绕单一指标展开，需要更强的 CPU、更大的 GPU、更先进的制程。但进入 AI 时代后，一次完整的 AI 任务已经不再只是某一个计算单元完成，AI 任务也从单次计算逐渐走向连续推理、多模态交互以及智能体式的任务执行。这意味着，未来计算竞争的关键不只是拥有多少算力，而是如何让不同计算资源更加高效地协同。
这次活动的主题演讲， Arm 重点讲述了在不同任务场景里的算力需求变化。
在边缘 AI 领域，算力从「被动响应」到「持续运行」。两年前的 AI 是你问一句、它答一句，任务结束；今天的智能体则要理解上下文、检索本机数据、调用应用、在用户授权下自主完成任务，而且要在手机的功耗和散热约束下持续运行。终端设备正在从执行应用和处理数据的工具，变成能够理解意图、实时响应的智能节点。
在物理 AI 领域，算力从「车」转移到「机器人」。Arm 过去在汽车上的角色是提供安全、实时、低功耗的计算底座，而现在它走到了机器人上，两者共同的特征是感知和执行，都要求从「传感器」到「执行」的延迟足够短。
图片来源：极客公园
在云端 AI 领域，Arm 引用 IDC 的数据说，基于 Arm 架构的机架级服务器市场规模已经超越 x86，成为加速计算的主流平台。过去二十年数据中心 CPU 面向的是横向扩展的突发性负载，但智能体则是持续的，一个智能体能发起数百次调用。
「在智能体时代，CPU 的角色不再是加速，而是编排」。Arm 基础设施业务的负责人提到，这也是 Arm 开始改变自身角色的原因。如果继续停留在过去的 IP 授权模式，Arm 可以提供优秀的 CPU 架构，但无法参与决定一次 AI 任务最终如何完成。因此，近几年 Arm 开始逐渐从单纯提供 IP，走向提供更加完整的平台能力。如今，客户可以买 Arm 的 IP、也可以买 CSS，甚至可以买芯片。
但今年最明显的不同，是 Arm 开始正面拥抱 AI 时代最大的特点：不确定性。
下一代终端到底是什么形态，端侧模型最终会发展到什么规模，智能体的算力应该放在 CPU、NPU 还是云端，目前都没有明确答案。Arm 自己也没有假装自己看到了答案。在媒体沟通会上，我们问了很多关于「谁来决定」的问题，得到的回答却都是「待定」。
当被问到 CPU 和 NPU 之间的分工由谁来定，他们认为「系统的所有者拥有控制权」；问 CPU 会不会比 NPU 更重要，他们提到「行业在寻找下一个平衡点」；问 CSS 会跨领域复用还是持续分化，他们回答是「取决于市场需要」；问未来 GPU 里传统着色器和神经计算的资源比例怎么分，他们回答是这个决定「留给芯片合作伙伴」。
从这里我们看出，Arm 和英伟达区别之一就在于英伟达的路线是「我知道未来 AI 计算是什么样，所以我构建一个完整的平台」；Arm 的路线是「未来 AI 计算还没有确定，所以我要构建一个允许变化的平台」。前者用 CUDA 把开发者锁进一种范式，后者把范式的决定权交出去，只保证无论选哪一种，底座都有 Arm 参与搭建。
理解了这一点，再看 Arm 这次发布的每一个产品，会发现它们的设计思路都是同一个逻辑的不同表达，不替客户做决定，但让每一种决定都能跑得更好。
二、从计算单元到计算协同，Arm 重新定义 CPU、GPU 和 CSS
过去，芯片厂商习惯于围绕不同功能划分计算单元。CPU 负责通用计算，GPU 负责图形处理，NPU 负责 AI 加速。这种分工在过去几十年里非常有效。但 AI 时代正在模糊这些边界。尤其是在端侧，AI 任务并不是简单地把一个模型丢给某个加速器运行，而是包含了理解、记忆、推理和执行等多个环节。不同阶段需要协调不同类型的计算资源。
因此，未来芯片竞争的重点，可能不再是谁拥有更强的单一计算单元，而是谁能够让这些计算单元更高效地协同。
当 AI 计算不再由单一芯片决定，未来的计算平台应该如何重新设计？我们可以从 Arm 此次发布的 CPU、GPU 和 CSS 平台后看看 Arm 的最新思考。
CSS for Mobile 2：第一个 AI 原生计算子系统，重组 SoC 设计方式
过去客户获得的是不同的 IP 模块，需要自行完成大量设计和优化。而 CSS 是 Arm 打造的一套计算子系统，可以让客户能够更快构建面向 AI 时代的芯片，也就是说，是一个「半成品」的芯片设计方案。
有意思的是，去年的第一代 CSS for Mobile 当时叫 Lumex，今年改名为 CSS for Mobile 2，Arm 说是为了让人一眼看出这个子系统面向哪个行业，也从单个 IP 升级到完整 AI 计算平台。
9 月 8 日，Arm 将刚刚推出的 CSS for Mobile 2 定义为首个 AI 原生移动计算子系统，包括 Arm C2 CPU cluster、Mali G2-Ultra NX GPU、SI L2 system interconnect 以及软件和开发工具。
相比上一代，单线程性能提升最高 15%，多线程性能提升最高 12%，网页浏览速度提升最高 15%，应用启动速度提升最高 12%， AI 模型性能最高提升 1.7 倍。
这次发布的 Neoverse CSS N4 是 Arm 迄今可配置性最高的 CSS，单颗裸片支持 128 个 CPU 核心配置，也是首款支持 LPDDR6 和 PCIe Gen 7 的 Neoverse CSS；相比上一代 CSS N3，插槽性能最高提升至 2 倍，每瓦性能最高提升 25%，内存带宽最高提升 75%。
图片来源：极客公园
在系统层面，N4 进一步强化了内存和 I/O 能力，以满足智能体 AI 时代更高的数据移动需求。「智能体工作负载让内存需求比以往任何时候都高，在内存访问过程当中，每一纳秒都是非常重要的」，Arm 高管解释道。
CSS 模式的价值已经在产业链中得到验证。微软基于 Neoverse CSS 在 18 个月内完成两代 Cobalt CPU 的交付；云豹智能则基于 CSS N2 构建 DPU 产品。
图片来源：极客公园
当被问到 CSS 会不会跨领域复用时，Arm 高管提到「未来我们的产品怎么走，取决于客户到底需要什么。」合 Arm 不预设 CSS 应该长什么样，它只希望无论市场往哪个方向走，这个底座都跟得上。「我们服务的还不仅仅只是开发人员，我们还要考虑到智能体。」对 Arm 而言，CSS 的意义并不只是减少客户设计时间，而是把过去分散的 IP 组合成一个可以面向未来变化调整的平台。
C2-Ultra CPU：重新定义 AI 时代 CPU 的位置
在 AI 浪潮的前几年，行业曾经出现一种观点：随着 NPU 等专用加速器的发展，CPU 的重要性可能会下降，手机芯片的竞争会逐渐转向 TOPS 竞争。
但 Arm 给出的答案并不一样。
Arm 此次推出的 C2 CPU 集群参考配置为 2 颗 C2-Ultra 加 6 颗 C2-Pro，并通过 DynamIQ Shared Unit（DSU）共享 L3 缓存，同时配置两个 SME2 单元增强 AI 工作负载处理能力。相比上一代 C1-Ultra，C2-Ultra 单线程性能提升 15%，多线程性能提升 12%。在实际终端体验中，Arm 测试显示网页浏览速度提升 15%，应用启动速度提升 12%，AI 工作负载性能最高提升 1.7 倍，相同性能下功耗最高降低 38%。Arm 认为，C2 延续了近几年 CPU 性能持续实现「双位数提升」的趋势。
图片来源：极客公园
但相比这些性能数字，Arm 更想强调的是一个新的应用场景：Agent。
传统应用更多是用户发起一次请求，系统完成一次任务。但当 AI Agent 进入终端之后，一个任务可能会经历理解用户意图、调用本地数据、生成内容、访问应用服务等多个阶段。一次完整的 AI 任务，不再只是某一个模型推理过程，而是多个计算资源共同参与的连续流程。
例如，用户让手机帮助规划一次旅行。系统首先需要理解用户需求，然后读取本地日历、照片、位置等信息，再调用模型生成计划，最后可能还需要连接第三方应用完成预订。在这个过程中，并不是所有步骤都需要 NPU 完成。有些任务需要低延迟响应，有些需要访问系统资源，有些需要在 CPU、GPU、NPU 之间完成协同。而这些工作，正是 CPU 长期以来擅长的领域。
Arm 工程师在沟通中提到，对于 AI Agent 这样的新型工作负载，峰值算力并不是唯一指标，整个任务链路中的延迟和效率同样重要。因此，未来 CPU 并不会取代 NPU，而是在 AI 计算体系中承担更加重要的基础角色。
Mali G2-Ultra NX GPU：重新定义视觉计算
如果说 C2 CPU 回答的是「AI 时代谁负责组织计算」，那么 GPU 回答的是另一个问题：未来终端的视觉体验，是否会因为 AI 而被重新设计？
移动设备始终面临一个无法绕开的限制，用户希望看到接近 PC 和主机级别的视觉效果，但手机的功耗、散热和电池容量不会无限增长。过去提升画质主要依靠增加 GPU 算力，而 AI 正在提供另一种路径，让 GPU 用更少的计算完成更复杂的视觉效果。
对于游戏开发者而言，这意味着过去因为移动设备性能限制无法实现的视觉效果，开始有机会进入终端设备。
Arm 此次推出首款集成神经网络加速能力的 Mali G2-Ultra NX GPU，本质上是在重新设计 GPU 和 AI 之间的关系。这是第一款将神经网络加速器直接集成到着色器内核中的 Mali GPU。
图片来源：极客公园
该加速器支持 int8 和 int16 计算，神经网络加速器的运行频率最高可达到 GPU 时钟频率的两倍，并与执行引擎共享 L1、L2 缓存，可以作为图形管线的一部分参与调度。同时，它拥有独立功耗门控，在不使用时可以关闭。
这意味着 AI 不再只是 SoC 中的一个独立模块，而开始进入传统图形处理流程。
在传统渲染中，GPU 需要计算大量真实像素；而在 AI 原生图形中，GPU 可以只生成部分内容，再由 AI 完成重建。例如，神经超级采样可以只渲染四分之一像素，其余由 AI 恢复；神经帧率超分可以在两帧真实渲染之间生成额外帧；神经超级采样结合降噪，则可以减少光追需要计算的光线数量，再通过 AI 恢复画面质量。
Arm 工程师表示，这套网络采用卷积网络而非 Transformer，模型经过高度压缩，功耗不到 1 瓦。目前 Arm 主要聚焦单帧插值，并没有走向 DLSS 类似的多帧生成路线。
除了 AI 图形能力，G2-Ultra NX 也继续增强传统渲染能力。它采用了 Mali 七代以来最大的一次指令集重构，每个线程组寄存器数量翻倍，寄存器分配从固定 32 或 64 改为 16 为单位动态分配，从而减少寄存器溢出，并支持包括 Unreal Engine 5 Lumen、Nanite 在内的复杂图形工作负载。
同时，Arm 带来了第三代光追单元，通过更紧凑的三角形表达消除冗余数据、减少内存访问，主流光追基准场景下 DRAM 流量最高降低 13%。配合硬件级遮挡剔除（OMM），光线追踪工作负载最高降低 70%，帧率最高提升 30%。在传统渲染方面，游戏基准综合性能平均提升 20%
但 Arm 并没有试图定义唯一的 AI 图形方案。
在《光影新生》的展示中，Arm 展示了 AI 重建和光追结合后的移动端视觉效果。与此同时，Arm 将神经图形相关模型开源到 Hugging Face 和 GitHub，让开发者可以根据自己的游戏风格重新训练模型。
《光影新生》将在 6-12 月内上线｜图片来源：极客公园
Arm 高管提到，移动设备种类非常复杂，不同产品拥有不同的功耗预算，因此未来 GPU 中传统着色器和神经计算资源的比例，不应该由 Arm 单独决定，而应该由合作伙伴根据产品定位调整。
SME2：真正的竞争不只是硬件，而是如何让 AI 能力被使用
在沟通会上，Arm 高管坦率表示，SME2 引擎本身与去年保持一致，今年的变化更多体现在 CPU 集群中加入更多 SME2 单元，以及围绕指令集和软件生态进行优化。
如果说 C2 CPU 代表了 Arm 对「AI 时代 CPU 应该扮演什么角色」的判断，那么 SME2 则体现了 Arm 另一层思考：硬件能力最终能否产生价值，取决于软件生态能否真正调用它。
去年，Arm 介绍最多的技术之一就是 SME2。它通过扩展 CPU 处理矩阵计算和向量计算的能力，让更多 AI 工作负载能够运行在 CPU 上。
但今年，Arm 关注的重点已经发生变化。SME2 不再只是一个新的 CPU 指令集，而正在成为 Arm 推动 CPU AI 生态的重要入口。
通过 KleidiAI 等软件优化，Arm 希望降低开发者调用 CPU AI 能力的门槛。目前 KleidiAI 已经支持多个 AI 框架和应用，让开发者不需要针对每一款芯片单独优化，就能够利用 CPU 中的 AI 加速能力。这也体现了 AI 时代芯片竞争逻辑的变化。
过去，芯片厂商竞争的是有没有新的硬件能力；但在 AI 时代，真正决定体验的，是这些能力能否被软件生态快速使用。对于开发者而言，他们并不关心芯片内部增加了多少指令集，而更关心自己的模型和应用能否在不同设备之间快速迁移。
从 C2 CPU，到 SME2，再到 Mali G2-Ultra NX 和 CSS for Mobile 2，Arm 实际上都在回答同一个问题：AI 时代，竞争不再只是制造更强的计算单元，而是让不同计算能力能够被更高效地组织和使用。
三、Token 生成之后，Token 调度成为 AI 计算的新竞争
如果说过去几年 AI 产业竞争的核心，是如何训练更大的模型、拥有更多参数，那么进入推理时代后，行业正在面对另一个问题
在飞书的上下文底座上，豆包开工了
今年，不少公司的工作群里，将会多一些「新同事」。
它们是 AI，但可以像普通员工一样被拉进群聊，阅读此前的讨论和文档，参与会议、承接任务，并调用不同的业务工具完成工作。你甚至可以看到 Agent 在群里 @ 另一个 Agent，共同推进一项复杂工作。
当 Agent 从个人助手变成组织中的「数字同事」，企业需要的不只是更聪明的模型，还需要一套能够承载人与 Agent 共同工作的协作平台：让 Agent 获得必要的业务上下文和工具，同时遵守企业的权限与管理规则。
飞书 CEO 谢欣｜来自：2026 飞书未来无限大会暨豆包工作开工大会
今年的飞书未来无限大会，因此多了一个有趣的新名字——豆包工作开工大会。
对一个 Agent 来说，「开工」比回答问题复杂得多。它需要了解公司的业务是什么、今年要完成什么样的目标、任务由谁提出、应该用什么工具、结果交付给谁。这些能力很难由模型，甚至通用的 Harness 框架提供，却恰恰存在于企业长期使用的协同办公平台。
飞书和豆包工作正在尝试给出一套相对完整的答案。飞书 8.0 为 Agent 重构协同平台；豆包工作提供原生融入飞书的企业级 Agent；仍在定向共创阶段的豆包工作伙伴，则进一步探索拥有独立身份、权限和记忆的团队智能体。
在飞书积累的企业组织上下文里，豆包工作开始真正「工作」了。
协同办公，翻开新的一页
在大会开场，字节跳动 CEO 梁汝波回顾了过去 50 年的四轮技术浪潮：PC、Web、移动互联网和 AI。
IT 50 年｜来自：2026 飞书未来无限大会暨豆包工作开工大会
每一次底层技术变化，都会重新塑造工作的入口。PC 时代，Office 等软件帮助个人完成数字化生产；云和移动互联网时代，文档、沟通与业务流程被搬到线上，协同平台成为企业的数字基础设施。
进入 AI 时代，工作平台再次发生变化——它不仅要服务人与人协作，还要承载人与 Agent、Agent 与 Agent 共同完成任务。
换言之，「协同办公」没有消失，但它的目标正在改变：过去的协同办公主要解决如何让人高效沟通，现在则要进一步解决如何让工作被理解、被执行，并最终产生结果。
过去，企业选择协同工具，主要考察沟通是否顺畅、文档是否好用、系统能否连接。现在，一个新的指标开始出现：这套平台能不能让 AI 真正进入组织。
这种变化首先发生在具体的业务流程中。
2025 年，亚朵的后厨员工开始用 AI 改造食品安全管理，四维图新将大量文档审核工作交给 AI。到 2026 年 OpenClaw 等 Agent 工具兴起后，北汽福田打造的「长超小福」，可以自动收集信息、整理数据并生成工厂日报，把原本需要多人协作数小时的工作缩短到数分钟。
这些案例的共同点是，AI 不再停留在生成一段文字或回答一个问题，而是开始真正进入企业的工作流里，执行一些更具体的任务。
AI 能力也开始影响企业对整套协同平台的选择。赛力斯选择飞书，将协作平台升级为承载组织 AI 化的 SAI 2.0；正大天晴为了更充分地使用 AI 能力，推进核心办公系统向 SaaS 化的飞书迁移；迈金智能将飞书称为「未来的企业 AI 操作系统」。一批大模型、自动驾驶和机器人公司，也将飞书作为默认的组织基础设施。
这种变化已经反映在飞书的商业进展中。据飞书披露，2026 年上半年，其 ARR 增速达到去年同期的 2.5 倍，创成立以来新高；超过九成的新增客户同步采购了飞书 AI 产品。过去一年，飞书的中小企业客户总量增长了 70%。
飞书各行业客户全景图｜2026 飞书未来无限大会暨豆包工作开工大会
这些数据并不意味着企业已经完成 AI 转型，却呈现出一个明确的选型信号：企业考察协同工具时，关注的已不只是今天能否更好地沟通和写文档，也包括它能否让 Agent 理解这些工作，并成为新的参与者。
在飞书的上下文地基上，盖 Agent 的高楼
决定企业 Agent 能力上限的，不只是模型有多聪明，还有它能获得怎样的上下文。
企业每天产生的群聊、会议、文档、知识、数据和流程，已经沉淀在协同平台中。它们共同解释了一家公司如何运转，谁负责什么，企业的价值观是什么，以及更具体的——一项任务如何执行、一个决定如何做出，经历过哪些讨论。
离开这些信息，Agent 再聪明，也只能回答通用问题；不能调用企业工具，也就只能提供建议，不能真正完成工作；而缺少审计监督和权限管理，一个公司也无法真正放心让 Agent 进入核心流程。
这构成了飞书向 Agent 平台演进的地基。
2026 年初 OpenClaw 兴起时，国内开发者很快开始将飞书作为 Agent 连接真实工作的入口。随后，飞书开源 CLI，将消息、文档、会议、日程、多维表格和业务流程等能力开放给不同类型的 Agent。
与飞书的融合让豆包工作「懂业务」｜来自：2026 飞书未来无限大会暨豆包工作开工大会
据飞书披露，自今年 3 月上线以来，飞书通过 CLI 向 Agent 开放的功能点已从 247 个增加到 767 个。Agent 不仅可以阅读和生成内容，还可以操作多维表格、安排日程待办、查阅云盘与妙记、发起审批，甚至使用飞书画板绘制可继续编辑的信息图。
飞书 8.0 进一步将这些能力产品化。飞书 CEO 谢欣将其概括为三个方向：让人与 Agent 自然协作，让 Agent 像人一样使用飞书的各种产品，以及让企业管理 Agent 时权限清晰、安全可控。
在群聊中，员工可以通过搜索名字直接把 Agent 拉进群；在文档里，可以通过评论 @Agent，让它回答问题或修改内容；多个 Agent 也可以在同一群组中协作。Agent 由此不再是隐藏在独立对话框中的功能，而是成为组织协作网络中的一个节点。
与此同时，Agent 的数据权限沿用使用者的身份和权限：员工无权查看的信息，Agent 同样无法获取。管理员则可以统一管理企业中的 Agent，追溯其使用情况，并对 AI 用量和高消耗场景进行管控。
如果说飞书 8.0 提供的是 Agent 协作和治理的底座，豆包工作解决的则是企业如何获得一个可以直接投入工作的原生 Agent。
与需要跳转或额外连接的第三方产品不同，豆包工作与飞书共用账号和权限体系，可以在授权范围内调用群聊、文档、会议、多维表格及企业业务系统中的信息。因为原生融入飞书，它不必从零开始理解用户所在的公司和业务。
在发布会上，豆包工作团队用「能力强、懂业务、守规矩」概括其特点。它既可以汇总不同销售团队提交的报告，核对统计口径并生成汇报材料，也可以研究电商平台的用户评价，提炼消费者需求并制作营销内容。群聊中形成讨论后，员工还可以让它继续整理方案、拆解任务。
企业工作很难通过一次指令完成。正如发布会上所说，「真正的工作是非常难一次成型的，好结果往往是一版一版改出来的。」这意味着企业需要的 Agent 不能只完成一次回答，还要理解反馈、保留上下文，并陪伴任务持续迭代。
豆包工作伙伴｜2026 飞书未来无限大会暨豆包工作开工大会
新发布的豆包工作伙伴又往上走了一层。这个产品把服务对象从个人扩展到了团队，拥有独立身份、权限和记忆，可以加入群聊、参与会议，在不同群组之间寻找信息，并将团队长期形成的方法沉淀为可复用的能力。
飞书内部使用的工作伙伴「小飞」，曾在群聊中发现一个长时间无人认领的问题，主动到另一个相关群组寻找答案，再将结果带回原群。这里的 Agent 不再等待每一次指令，而是开始观察工作进展，并在适当的时候主动介入。
目前，豆包工作伙伴仍处于与企业定向共创、逐步开放的阶段。它更重要的意义，是展示 Agent 办公可能抵达的下一步：AI 不只是每个人各自拥有的助手，也可能成为团队共同拥有的组织角色。
飞书 8.0、豆包工作和豆包工作伙伴由此形成了三个层次：协作与治理平台、可以直接使用的企业级 Agent，以及面向未来的团队「数字员工」。但三层产品能够成功，都离不开同一块地基——飞书长期积累的组织上下文、业务工具和权限体系。
字节跳动的「多兵种联合作战」立竿见影
今年大会同时挂出「飞书未来无限大会」和「豆包工作开工大会」两个名字，本身就是一个明确的信号：豆包与飞书不再只是局部功能连接，而是共同定义 AI 时代的工作产品。
梁汝波在大会上提到：「所以我们在两个月前把豆包、飞书、火山引擎的力量整合到了一起，更加聚焦打造优质的工作与生产力产品。」
至少在产品层面，这场「多兵种联合作战」已经取得了初步的、但足够清晰的结果：飞书 8.0 系统性适配 Agent，豆包工作原生进入飞书，豆包工作伙伴开始探索面向整个团队的 Agent 形态。平台、Agent 和模型不再各自讲述一套故事，而是被放进同一套企业工作方案中。
发布全景图｜来自：2026 飞书未来无限大会暨豆包工作开工大会
这种整合有其行业必然性。随着基础模型逐渐具备执行复杂任务的能力，企业 AI 市场的竞争重点，正在从「谁的模型更强」，转向「谁能帮助客户把 AI 真正部署到业务中」。越来越多 AI 公司也开始从模型服务，向 Agent、企业工作入口、数据连接、安全治理和交付服务延伸。
对企业客户而言，模型、Agent 和协同办公不是三个独立问题。模型决定 AI 能否理解任务，Agent 决定它能否调用工具并执行工作，协同平台为它提供员工、数据、关系和流程，云基础设施和服务团队则保证部署、安全与持续交付。
如果这些能力仍然按照产品边界分别提供，最终只能由客户自己承担系统打通的成本。任何一个环节断开，AI 都可能停留在演示阶段。这也是为什么看似无所不能的 Codex、Claude Code，今天真的把它接入到公司的业务系统，让它填报销单可能还没实习生干得快、干得好。
豆包、飞书和火山引擎的整合，正是在回应这一问题：豆包提供模型、AI 能力和 Agent 产品；飞书承载企业中的员工、知识、数据与工作流程；火山引擎提供模型服务、算力、开发工具和企业技术服务。三者组成的不是简单的产品组合，而是一条从模型能力到业务落地的完整链路。
这种整合也意味着，字节正在从「由产品定义业务」，转向围绕客户场景重新组织 AI 能力。客户需要解决什么问题，模型、Agent、协同平台、云基础设施和交付体系就围绕这一问题协同作战。
而在这套组合中，飞书过去十年在协同办公领域的积累，并没有因为 Agent 出现而成为旧时代的遗产。恰恰相反，组织中的群聊、会议、文档、知识、流程、身份和权限，构成了 Agent 进入企业最难重新搭建的上下文底座。
模型决定 Agent 可以有多聪明，这块底座则决定它能否理解真实的组织、接住任务并持续产生价值。
飞书在协同办公时代的积累，正在变成 Agent 时代的竞争力，也是豆包工作伙伴这类新产品形态能够成立的重要前提。