ITPub博客

Token工厂的胜负取决于订单、卡和优化能力。

9月28日，AMD宣布约82亿美元收购World Labs，一支由李飞飞带队、成立仅两年、累计融资12亿美元的70人团队。这是AMD历史上第二大收购，官宣当天，AMD股价收跌约3.6%，市场的第一反应是疑虑多于兴奋。那么，芯片厂为什么急着买模型公司？模型公司又为什么愿意在估值高位卖身？01 英伟达有物理AI全栈，AMD一片空白物理AI是英伟达布了十年的局，构建了上下五层的全栈基础设施。具体而言，O

今年Salesforce大会现场演示环节，一名销售人员没有打开CRM，而是直接问Claude：这笔交易有什么风险？Claude调取Salesforce及经过授权的邮件、日历和Slack信息，很快发现客户需要的200个VIP席位中有50个尚未落实。销售人员确认方案后，Claude随即更新业务方案、起草客户邮件，还生成了新的工作界面。整个过程中，Salesforce几乎没有出现在屏幕上，却参与了完整的

大模型普及带动推理需求快速爆发，Token推理服务商业价值持续凸显，第三方服务商已然成为AI算力生态的重要组成部分。海内外产业发展形成显著落差：海外市场已沉淀出经过验证的商业化实践，国内行业却深陷算力内卷、价格厮杀、毛利率持续承压的发展困局。不少本土服务商在客户选择、业务路线、是否布局自研芯片等关键战略决策上，缺少可借鉴的行业参照。基于上述背景，爱分析正式发布《2026 爱分析・Token市场海外

SaaS+AI是死胡同，必须走AI原生重构的路。

记忆赛道，2026年才真正开始

数据生产方式正在被AI改造。在语音、语言和文本等成熟场景中，超过90%的数据已经可以由模型自动处理。随着数据Agent进一步发展，一个智能体负责生产，另一个智能体负责质检，人将逐渐从生产闭环内部转向闭环外部，从逐条标注转向制定规则、监督过程和验收结果。

滴普第二季度业绩亮眼，据2026H1中报，其Q2收入约2.30亿元，净利润约3010万元，净利率达到约13.1%。对于一家仍在投入企业大模型、本体和智能体平台的厂商，这是一道重要的盈利分界线：当收入达到一定规模，滴普现有业务已经能够覆盖研发、销售和管理费用，并产生不低的利润。但一个季度赚到钱，不等于已经形成持续盈利能力。滴普Q2收入占上半年约81%，是Q1的4.27倍。同期，综合毛利率同比只提高1

Harness工程爆火，反映出企业客户对AI落地可控性的迫切诉求，尤其在金融、能源、政务、制造等复杂场景中，如何让大模型真正接入核心流程，正在成为产业端关注的关键问题。

本次交流很快从“怎么做一个Agent”，扩展到工业软件问题。当企业know-how开始被压进skill和小模型，当workflow不再只是固定流程，而要围绕目标和意图重新设计，当软件越来越像服务，工业软件公司未来的壁垒到底会在哪里？接下来两三年，工业企业又该如何重新理解自己的组织、产品和客户关系？

互联网大厂的算力胃口越来越大，但曾把这个行业一手带大的智算中心第三方服务商，却正在迎来巨大的挑战——当他们苦熬多年把AIDC供应链调教成熟后，运营商带着成本与补贴武器杀入市场，而跨界的新能源巨头和激进的上市公司，正用绿电和资本杠杆改写游戏规则。国内基建价格内卷，只能出海“下南洋”；算力利润被卡死，只能下场“折腾电”。本期，爱分析对话时石资本创始人陈峻，带你撕开中国AIDC产业最残酷的B面，看看服务

AI下一阶段不只是在比模型能力，也在比谁掌握记忆的归属权。再往下一层看，这场记忆的所有权之争，其实是一场更深的基础设施迁移：AI的存储，正在被记忆重写逻辑。

大模型正在进入企业核心业务场景，但真正阻碍其落地的，不是模型能力本身，而是数据能否被模型准确理解和调用。大量扫描件、PDF、图片、视频以及复杂表格沉淀在业务系统中，保留着关键知识，却长期处于非结构化、难解析、难关联的状态。

AI数据服务公司澳鹏（Appen）正加速从传统数据标注向大模型数据服务转型。自2023年报开始，澳鹏将LLM训练数据、多模态生成式AI、视频生成数据、模型安全与评测等项目统一归入生成式AI相关业务（以下简称GenAI业务），正式设为战略业务类别， 并明确提出向GenAI转型。据财报披露，澳鹏GenAI业务收入占比由2023年的4%升至2025年的33%，2025Q4达到44.1%；2026H1为2

大厂的Token业务正在进入最好的时代。

工业Agent正在从知识库问答，进入CAD、CAE等研发设计核心环节。AI越深入核心业务，通用能力就越难直接复用。同样使用CATIA软件，航空设计与汽车设计面对的对象、流程和知识体系并不相同；同样是审图，不同企业关心的规则、风险和验收标准也很难直接复制。这意味着，工业AI不能只在通用模型或单点工具上做文章。它既要深入业务，又要用平台承接场景差异；既要让智能体调用工业软件，也要把分散在企业内部的经验

AI已经快速进入企业，但还没有真正进入组织。数据显示，88%的企业已经在至少一个业务职能中使用AI，但AI对企业总营收贡献超过10%的企业仅占8%，真正实现AI深度融合的企业也只有7%。这组反差说明：企业已经解决了“有没有AI”的问题，却还没有解决“AI能否成为组织能力”的问题。今天，很多员工已经在使用AI生成内容、查询知识、分析数据，但这些能力往往停留在个人和单点工具层面：AI提出建议，仍要等待

继算力和基础模型之后，数据正在成为大模型竞争的下一项关键投入。

过去，数据中台从中国企业服务市场最热的概念之一，变成被反复质疑的对象。很多企业认为中台已经过时、应该拆掉。但当大模型真正进入企业场景，一个更底层的问题重新摆到台前：企业的数据在哪里？数据质量如何？这些数据能否支撑AI做出可靠、可执行的判断？

给图片拉框、给语音转写，曾经是AI数据服务最典型的工作。如今，通用模型的基础识别与分类能力在增强，简单标注的价值逐渐下降；与此同时，专家推理、智能体轨迹、机器人动作和行业知识等高价值数据需求快速增加。