.

“AI带给企业的不只是效率革命，也是一场安全重构。

2026年5月21日，香港Tech Fest Summit 2026不大的会场范围里，超过2000名技术从业者穿梭于三场Power Panel、十余场Fireside Chat、两个Workshop以及数十个展台。各种语言交织的讨论声里，众人讨论的焦点早已不是“企业要不要用AI”，而是当AI开始代理我们的企业流程、接管客户体验、编排内部系统之后，谁来保证安全？谁又来为AI的决策负责？

整场峰会始终贯穿着一种鲜明的张力：一边是Agentic AI、机器人、智能硬件与智慧城市的全面狂飙，它们正快速重构产业形态，颠覆传统软件与交互模式；另一边，则是软件供应链攻击、开源漏洞泛滥、AI治理缺失带来的安全隐患持续放大。AI赋能千行百业的速度前所未有，但安全防护的滞后性也愈发凸显。

从“透视中国AI 2030”到“Agentic AI”圆桌思辨，从帆软国际的企业数字化实践，到CleanStart的开源安全解决方案，再到多位CISO关于组织信任与治理体系的分享，这些看似分散的议题，最终都指向同一个核心问题：当AI开始深度介入企业核心系统，利用好AI的同时，安全如何前置，治理如何跟上。

而香港背靠大湾区、连接国际市场的独特区位，也让这场峰会成为观察全球AI与安全产业演进的重要窗口。在这里，既能看到中国AI产业的高速推进，也能感受到国际市场对合规、安全与可信治理的高度敏感。

当Agentic AI已成为组织的一部分

在普通话专场“透视2030：中国AI应用全景”两人对谈中，著名IT社区CSDN创始人、董事长蒋涛的开场白，就让全场安静下来。

“从业26年以来，我发现今天AI的发展，已经不是以年为单位，而是以周和月。”他随即举了一个数字：Anthropic在短短五个月内，年化收入从不足100亿美元迅速逼近500亿美元。“在这种高速进化过程中，你上个月建立的认知，到这个月可能已经完全过时了。”

这种演进速度，正在重塑软件行业本身。蒋涛认为，传统软件公司的护城河正在被快速削弱，因为“任何人都能写代码了”。他以短视频行业类比：过去拍视频需要专业团队，而当技术门槛被大幅降低后，大量普通人开始涌入创作，一个全新的短视频时代也随之到来。

更直观的变化，则发生在硬件与交互层面。另一位对谈嘉宾、Rokid技术副总裁王俊杰摘下自己佩戴的眼镜，对观众展示道：“这不是普通眼镜，而是AI眼镜。比如现在就能直接帮大家拍照，不需要再操作手机，而且它的耳机功能还能实时翻译，更像一个隐形助手，让人与人的交流依然自然流畅。”

他判断，到2030年，手机将从今天的“交互中心”逐渐退化为“边缘计算设备”，而AI眼镜、可穿戴设备等新终端，则可能成为下一代核心入口。

炉边谈话“透视2030：中国AI应用全景”现场，来源：数据猿

两位嘉宾还提到，中国AI产业正在形成越来越清晰的分层格局：一类是聚焦大模型、机器人等方向的硬核科技企业，依托本土技术能力抢占全球赛道；另一类则是深耕C端垂直场景的AI原生公司，深挖场景需求，实现技术与民生、产业的深度融合。AI不再是单一技术概念，而是渗透千行百业的底层基础设施。

在展区一侧，我们采访了帆软软件国际客户经理伍俊儒。作为中国领先的大数据BI与分析平台提供商，帆软早在2018年便开始服务香港市场，并将设立于湾仔的香港分公司，视作把握香港AI发展机遇的重要支点。

伍俊儒告诉数据猿，帆软正在经历明显的AI转型。除了传统“All in One”数据解决方案外，公司已推出AI驱动的新产品，可对接主流大语言模型，实现数据问答、自动生成报表等能力，覆盖从底层数据处理到可视化分析的完整链路。

她表示，帆软国际拥有独立研发团队，能够针对本地市场需求进行技术适配，并以AI+BI的融合方案，帮助本地及国际企业推进数智化转型。“不少客户原本就在使用帆软的BI产品，我们现在做的，就是让他们现有的数据体系无缝接入AI能力。”与此同时，在帆软看来，灵活性同样重要，“帆软的AI产品和BI产品既可以独立使用，也能联合部署。客户有弹性，我们才有空间。”

帆软国际展台，来源：数据猿

如果说“中国2030专场”和帆软国际展示的是AI技术演进的“速度”，那么“Agentic AI：重新定义客户体验与企业结构”圆桌讨论，则更多指向了企业治理的“广度”。来自技术、零售、娱乐等行业的中高层管理者围坐一堂，讨论的焦点不只是技术本身，更多是企业该如何应对AI深度介入组织之后带来的治理挑战。

圆桌伊始，台上嘉宾首先对“Agentic AI”进行了定义：普通AI代理只能按照预设步骤执行任务，而Agentic AI则具备自主推理、自我反思、记忆管理以及多智能体编排等四大核心能力，不再局限于简单自动化，而是开始深度参与企业决策与流程调度。

机遇背后，落地挑战也随之而来。业内嘉宾坦言，在Agentic AI时代，即便是不懂代码的市场经理，也可以通过自然语言指令，让AI自动编排完整业务流程。在大幅提升效率的同时，也带来了巨大风险，那些未经IT部门审核、私自搭建的AI应用，正逐渐成为企业治理的高风险区域。

目前，绝大多数企业在部署Agentic AI时，都面临治理难题。AI拥有自主决策能力后，一旦出现逻辑偏差、数据泄露或业务误判，责任边界将变得模糊；同时，AI高度依赖开源框架与海量数据训练，数据安全与合规风险也难以回避。人机协作边界不清、行业规范缺失、风控体系不成熟，正成为制约Agentic AI规模化落地的核心瓶颈。

不可否认，Agentic AI正在全方位重塑企业内部流程。一系列无法回避的新问题也摆在面前：如何在创新与风险之间取得平衡？是否需要设立CAIO（首席人工智能官）统筹并承担更多责任？如何守住数据安全、业务合规的底线？这些问题，逐渐成为各类企业迈向AI时代必须面对的必修课。

圆桌论坛现场，来源：数据猿

猝不及防的AI时代

那些安全公司能做些什么

如果说AI带来了技术发展的“速度”与对企业体系的深度“重构”，那么展会上数量占据半壁江山的安全公司，则在这场狂飙突进中不断提醒行业保持理性。在Tech Fest Summit 2026上，安全已不再只是“防火墙”和“杀毒软件”等传统概念，而是进一步演化为“软件供应链安全”与“主动式防御”。更值得注意的是，几乎所有安全厂商的展台，都已经开始全面拥抱AI。

总部位于新加坡、深耕亚太市场的端到端网络安全服务商Ensign InfoSecurity，就在展台上密集展示了多项AI相关能力：左侧是“Agentic SOC（安全运营中心）× CTEM（持续威胁暴露管理）”，右侧则是“Comprehensive Range of Agents（全面覆盖的智能体）”，将“AI化”直接写在了展台中央，也折射出这类安全企业全面拥抱AI时代的迫切感。

走进另一家安全公司CleanStart的展台时，最先吸引人的反而是它的名字。这家由Triam Security更名而来的企业，用“CleanStart”直白地表达了自己的价值主张。CleanStart工程解决方案总监Tarun Gupta对数据猿表示：“我们的目标很简单，就是让客户每一次启动容器时，面对的都是一个干净、零漏洞的镜像。”

CleanStart公司参展团队，来源：数据猿

在AI时代，企业对开源组件和开源镜像的依赖正不断加深，大量开发人员经常从Docker Hub等公共仓库直接拉取镜像，并以此为基础部署应用。然而问题在于，这些镜像中往往潜藏着漏洞、恶意代码，合规风险也不明，企业因此陷入“无穷无尽的补丁循环”：今天打完补丁，明天新的漏洞又出现了。

Tarun Gupta表示，CleanStart采取的是一条不同于传统安全厂商的路径。“我们的思路不是扫描出漏洞后再提醒用户修补，而是回到最初的源头。”他介绍道，CleanStart会从源头重新构建软件包，再基于这些软件包构建镜像，从而建立起一套能够在漏洞进入生产环境之前就将其识别并清除的机制。“当你的容器启动时，它本身就是干净的，而且我们还能帮助它持续保持干净。”

在Tarun Gupta看来，软件供应链攻击几乎每天都在发生，而随着越来越多开发者借助AI调用开源组件、快速构建应用，软件供应链变得更加脆弱和复杂。如今几乎每个人都可以开发应用程序，因此安全必须从源头开始。为此，CleanStart推出了软件供应链态势管理解决方案，以期帮助企业客户从源代码、软件包到镜像部署，实现对软件供应链全生命周期的安全管理。

在展馆另一侧，一家香港本土安全企业的技术负责人正向参观者介绍他们的核心能力。他说道，传统防火墙更像是在道路上设置路障，往往要等攻击者突破防线后，企业才意识到风险已经发生。“我们现在做的，是利用AI学习什么是‘不寻常’的网络行为，在攻击真正发生之前就发现苗头。”

据介绍，该公司的解决方案通过AI持续分析网络流量、终端行为以及各类异常模式，并结合中国内地头部威胁情报厂商的数据能力，实现跨平台联动，一旦识别出潜在威胁，系统便可自动联动防火墙或终端防护产品进行处置，将风险阻断在扩散之前。“AI就像一个副驾驶，时刻帮你盯着人类难以察觉的角落。”

由此我们可以看到，当越来越多的人讨论AI可能带来的安全隐患时，另一群安全从业者也在尝试用AI对抗风险。某种意义上，AI既可能成为新的攻击面，也正在成为更敏锐的防御工具。

安全不止于技术。本届大会专门设置了“应对Agentic AI与后量子威胁（Post-Quantum Threats）”圆桌论坛，香港金融管理局代表也参与了讨论。这释放出一个明确的信号：随着AI自主性（Autonomy）不断增强，监管层对于其潜在风险与治理问题正给予越来越高的关注。

安全的内涵也在不断扩展，它不再只是传统意义上的“防攻击”，还包括“防AI失控”以及“防后量子时代加密体系失效”。而在制度与组织层面，CISO（首席信息安全官）的角色也被重新定义。

作为本届Tech Fest Summit Workshop分会场的压轴活动，24位CISO共同参与撰写的新书《首席安全官的一天（A Day in the Life of a CISO）》正式发布。三位作者在现场分享时提到，在AI时代，技术能力只是CISO的基础能力，而真正决定其长期价值的，往往是沟通、共情以及建立信任等软技能。

谈及如何在复杂组织中建立信任，其中一位分享者结合自身实践，分享了他对“信任公式”的看法：

信任 =（可信度 + 可靠度 + 亲密度）÷ 自私度

他解释道，在CISO的工作场景中，可信度体现为专业技术能力，可靠度可以说是持续兑现承诺和按时交付，亲密度则来自人与人之间的理解与连接；而“自私度”则是分母：越计较个人得失，组织中的信任就越难建立。

在AI日益深度参与企业运营的背景下，安全管理者面对的已不只是技术问题，更是组织协同、跨部门沟通和信任构建的问题。某种程度上，未来CISO的竞争力，不仅来自对技术的理解，更来自对人与组织的理解。

《首席安全官的一天》新书发布会，来源：数据猿

纵观以上三个案例，一条清晰的逻辑链逐渐浮现。以CleanStart为代表的企业，着力解决开源供应链的“源头污染”问题，从软件构建环节降低漏洞与风险；不少香港本土安全厂商则通过AI驱动的威胁情报能力，实现风险提前识别，将防御从“事后响应”推向“事前预警”；而峰会尾声，多位CISO分享的信任构建与治理经验，则补上了人与组织管理的关键一环。

三者层层递进，共同构成了“源头防护—风险预判—治理担责”的安全闭环。这或许就是Tech Fest Summit 2026围绕安全议题所给出的最具系统性的答案。

AI越自主，安全越不能退让

回看整场峰会，行业拥抱AI的主线已经十分清晰：从Agentic AI到智能硬件，从企业数字化到智慧城市，AI正以前所未有的速度渗透各个产业场景。而另一条同样重要的暗线，也在悄然成形——安全正在从事后补救走向前置治理，从被动防御转向主动构建。

一个越来越明确的共识正在形成：AI可以不断追求更高的效率和更强的自主能力，但安全必须同步演进。智能体拥有的权限越高、介入核心业务越深，治理规则、风险边界和责任机制就越需要嵌入其全生命周期，而非等到问题发生后再去修补和纠偏。

事实上，随着AI从“辅助工具”逐步演变为能够自主规划、调用系统和执行任务的“数字员工”，企业面临的挑战正在发生根本变化。过去数字化转型解决的是“如何连接更多系统”，而AI时代需要回答的，则是“如何管理越来越自主的系统”。当决策链条中出现越来越多由AI参与甚至主导的环节，安全的意义也不再局限于技术防护，而开始延伸至治理机制、责任体系以及组织信任的重构。

技术可以持续突破边界，但数据隐私、业务合规与企业经营的底线始终不容忽视。未来企业之间的竞争，也将不只是比拼谁的模型更强、应用落地更快，而是谁能够率先建立与AI能力相匹配的治理框架、安全体系和风险管理能力。某种意义上，AI的上限决定企业能够跑多快，而安全与治理的成熟度，则决定企业最终能走多远。

当Agentic AI变得越来越聪明、越来越自主时，行业则更需要保持理性与克制。创新与安全从来不是非此即彼的选择，而是同一枚硬币的两面。唯有让创新与治理同行、效率与风控共生，人工智能才能真正从一项前沿技术，成长为企业可信、可控、可持续发展的核心生产力。

SAP大中华地区总裁原欣在峰会主旨演讲上提出：“AI能为企业创造多大价值，不取决于模型能力有多强，而取决于企业最薄弱的一环能否打通。对今天大多数企业而言，这道‘弱链’就是AI与核心业务系统之间的断层。而企业竞争壁垒也不在于有多少智能体，而在于企业的数据、流程与业务知识，是否已经为智能体做好了准备。这正是SAP自主运营企业架构的出发点，也是中国企业在这场组织变革中能否抢占先机的关键。”

“自主运营企业“：让AI真正懂业务，进入企业运行体系

SAP“自主运营企业”定义了一种全新的企业运行模式——从“人工驱动流程”迈向“AI驱动业务结果”。其本质是让AI深度融入企业流程、数据与治理体系，使其能够真正理解并参与企业运营逻辑，从而推动企业系统从‘记录业务’走向‘运行业务’。 通过将SAP 商业AI 平台与 SAP 自主型管理套件（Autonomous Suite）相结合，将 AI 智能体深度嵌入业务流程、数据与治理体系中，确保它们能够提供准确、合规且安全的结果。

为支撑这一愿景，SAP构建了完整的商业AI体系。其核心是SAP 商业AI平台，整合SAP 业务技术云平台、SAP 业务数据云与商业AI能力，提供从开发、运行到治理的一体化基础。其中，SAP业务数据云帮企业打通异构数据并形成统一语义层，使历史业务数据 与业务上下文持续可用 ，打造企业“数据记忆层“。Knowledge Graph（知识图谱）则形成企业的“业务地图”，让AI理解业务流程与数据关系，掌握企业整体如何运转、流程如何衔接、业务如何发生。

在业务应用层，Autonomous Suite将AI能力嵌入端到端业务流程，实现从分析到执行的闭环协同；Joule Studio 2.0支持企业快速构建AI智能体与工作流，AI Agent Hub则实现对智能体的统一治理，确保全流程可控、可审计、可追溯。

与此同时，Joule Work正在重塑人机交互方式，员工只需描述业务目标，系统即可自动协调流程与AI智能体完成任务，减少系统切换与操作复杂度。

企业级AI不仅需要模型能力，更需要理解复杂流程、组织逻辑与数据关系，并在安全合规框架下运行。基于ERP领域超50年的积累，SAP已在财务、供应链、采购、人力资源与客户体验等核心领域部署224个AI智能体与51个业务助手，覆盖端到端业务流程，能够主动识别异常、分析根因并触发流程处理，同时在关键节点引入人工审核与把关，确保系统运行安全可控。

AI就绪：从“系统上云”走向“企业重构”

“上云”是企业迈向AI就绪的第一步，也是实现自主运营企业的基础路径。SAP Cloud ERP面向AI原生架构设计，通过统一业务流程与数据体系，打通企业核心运营底座，使AI能够真正嵌入业务运行，并持续创造业务价值。

SAP在本次峰会上宣布推出”SAP AI奇点启航计划”。无论是SAP的现有客户还是新客户，均可报名参与。该计划以联合工作坊的方式，从企业真实业务问题出发，锁定最快创造价值的AI落地场景，在2至4周内完成原型验证，让企业快速看到AI带给业务的实际价值，并最终通过RISE或GROW的方式嵌入企业运营流程，走向人、系统与智能体共存的未来。

生态协作是技术落地的重要基石。阿里云智能集团资深副总裁、公共云事业部总裁刘伟光表示，AI时代正重塑SaaS，深度嵌入企业核心业务、沉淀流程与数据的SaaS将成为AI Agent决策的关键基础，推动商业模式从“卖席位”向“卖结果”转变。基于中国市场联合创新，阿里云与SAP将结合双方在AI全栈技术与业务语义领域的优势，共同构建一套覆盖广泛场景的企业级AI能力体系。

白皮书联合发布：IBM与SAP共绘智能化跃迁路径

峰会上，IBM商业价值研究院与SAP联合发布《云上共识，安全致远》白皮书。研究指出，企业推进智能化转型时面临外部市场加速重构、内部业务协同困难、IT架构老化与安全风险等多重挑战。系统碎片化、数据孤岛以及语义不一致，使得AI难以真正融入核心业务并规模化释放价值。白皮书提出，企业应构建可以统一数据与流程的ERP智能化底座——SAP Cloud ERP作为一类成熟方案，让AI基于完整业务上下文运行，并为确保安全合规可控提供支撑。面向中国企业智能化转型需求，IBM与SAP将结合双方在企业级AI、流程与行业转型领域的经验，通过分阶段、可迭代的“加速落地路径”，帮助企业从单点快速验证逐步扩展至规模化智能运营，为企业提供面向未来的智能化基座。

客户实践，加速迈向“自主运营企业”

在实践层面，多家企业分享了与SAP共同推进AI与数字化融合的进展：

· 全球工程机械制造商三一集团CIO许国强先生分享了“依托以SAP ERP为业务底座，深度融入AI的全球统一部署架构，有效支撑三一全球化、数智化、低碳化的战略发展”。

· 全球领先的科技企业联想集团副总裁、首席数字化转型官、AI创新实践研修院院长李欣先生分享了联想如何以“价值驱动”为核心，借力SAP解决方案构建流程数字化基础，将AI从单点探索推进至全价值链规模化应用落地，全面提升组织效率与业务价值。

· 国内领先的服饰制造企业曼森集团总经理杜国亚先生介绍了企业如何借助部署在阿里云上的SAP ERP云与BTP解决方案，搭建精细化运营体系，并通过AI创新，有效支撑企业高速发展与智能化转型。

.

.

“这是一个撕掉“旧标签”的故事。

提到“联想”，你第一印象是什么？

是那家“卖电脑”的品牌？还是那家“传统硬件厂商”企业？

最近，这家公司频频登上科技圈热搜。就在近期，高盛发布了一则研报，引发市场热议。高盛将联想的目标价从12.53港元，上调至27港元，大幅上调超70%，维持“买入”评级。如此大幅度估值上调，触发了市场对“传统硬件厂商价值重估”的讨论。

高盛大手笔提价的背后，究竟有何考量？资本市场为何开始重新定义传统硬件厂商的价值？AI赛道的终极博弈究竟是什么？

业绩刷新历史新高

营收突破800亿美元关口

近日，联想交出了一份历史级财报。

据财报，联想2025/26财年（截至2026年3月31日）全年营收达830.75亿美元，同比增长20%，创下公司成立以来历史新高；归母净利润19.12亿美元，同比增长38%。

截图自财报

据财报披露，在行业整体承压的2025年，面临关税、零部件成本上涨、中东局势等挑战，联想三大业务集团收入均实现两位数同比大幅增长，设备、服务器、服务及解决方案板块的市场份额进一步提升。公司称，业绩增长主要得益于人工智能需求旺盛、运营效率提升、规模优势、技术创新以及产品结构优化，全年经调整经营利润率与净利润率均实现上涨。

分业务来看，核心PC业务表现突出。联想全球PC市场份额攀升至24.4%，较去年同期提升1.3个百分点，创下十五年以来的最高领先优势，产品结构持续向高端化升级，当期高端个人电脑出货量占比达到50%。同时，移动终端业务实现突破，摩托罗拉智能手机业务第四财季出货量创下被收购以来同期新高，营收实现两位数增长，经营利润率同步改善，实现量利齐升的良好态势。

此外，基础设施方案业务成为本财年最大亮点。基础设施方案业务扭亏为盈，成为联想新的利润增长极。该业务全年营收达191.87亿美元，创下历史新高，实现超7300万美元经营利润。

三大业务板块（截图自财报）

作为收官之季，第四财季表现亮眼，业务迎来爆发式增长。

具体来看，第四季度单季营收56亿美元，同比增长37%，经营利润刷新历史纪录至2.02亿美元，营收、利润、利润率三项核心指标均创下季度新高。伴随AI算力需求持续爆发，联想AI服务器业务保持高速增长，截至财季末，相关在手项目储备规模高达210亿美元，累计服务AI客户部署数量超5800个，首批GB300 NVL72机柜也已顺利出货，高端算力交付能力持续落地。

值得注意的是，2026年4月，联想完成对Infinidat的战略收购，补齐企业级存储技术短板，进一步强化高端企业存储市场竞争力，完善全域算力基础设施布局。

从此次的财报中，可窥见一个事实：AI正式取代传统PC业务，成为联想的第一增长曲线。

从AI整体表现来看，联想人工智能相关收入同比增长105%，占集团总收入的 33%，其中AI设备、AI服务均实现三位数增长，AI服务器也保持两位数大幅增长。第四财季AI相关收入同比增长84%，占单季总营收比例升至38%，这也意味着，联想每3元营收中，就有近1元来自AI业务。

财报发布后的5月22日，当日联想港股单日大涨19.77%，股价创26年新高，公司市值逼近2000亿港元，截至6月2日港股收盘，联想集团报26.58港元，单日上涨1.34港元，涨幅5.31%；盘中冲高至27.42港元，创下52周股价新高。据统计，联想5月累计涨幅涨幅达109%，创下了27年来最强单月表现。

联想创立于1984年的中关村。柳传志等11名中科院计算所科研人员，带着20万启动资金，在中关村一间小小的传达室创立联想前身——中国科学院计算技术研究所新技术发展公司。

高盛等投行纷纷上调联想目标价

但市场仍存在分歧

就在联想发布财报后，多家券商上调其目标价。高盛更是将联想的目标价上调到27港元，涨幅高达71.4%，评级“买入”。高盛明确指出，联想的核心价值逻辑已彻底重构，市场不应再将其定义为传统PC硬件厂商，而是具备全链条服务能力的全栈AI基础设施公司。

除了高盛，其它各大券商也纷纷上调估值与目标价。

具体来看，中金发布研报称，基于AI服务器储备订单高速增长、基础设施业务盈利拐点明确、整体盈利能力大幅改善的核心逻辑，上调联想2027/2028财年非香港财务报告准则净利润预期，增幅分别达34.5%、42.8%，维持“跑赢行业”评级。

中信证券报告认为，AI相关收入已成为联想核心增长引擎。若AI服务器交付持续兑现，ISG有望成为联想估值重估的核心抓手。并且预计，随着AI推理需求增长及企业混合AI部署加速，SSG收入质量和利润贡献仍有提升空间。基于AI相关收入占比提升、ISG盈利拐点兑现及SSG高利润率业务增长，中信证券上调联想FY2027/28盈利预测，给予FY2027年12倍PE，对应目标价23港元/股，并维持”买入”评级。

数据猿梳理发现，虽多家投行集体上调目标价，看好联想的AI属性，但分歧明显。高盛给出的估值明显于同行，其27港元目标价较多数投行高出约15%–40%。另一方面，例如美银，则维持中性评级，目标价仅11.2港元。

那么高盛大手笔提价背后，押注的究竟是什么?

具体来看，在高盛研报中，AI基础设施、AI服务器、存储、市占提升是出现较多的高频词。首先，中了联想的AI服务器业务。在如今AI快速发展背景下，搭建算力集群、训练大模型等催生了大量服务器采购需求，从价格方面看，高端训练服务器单价持续走高，该业务增长潜力显著。除了服务器以外，AI还需海量存储。而就在今年4月，联想收购了Infinidat，Infinidat是一家高端企业存储的头部公司，毛利率可观，且进一步完善了联想业务布局。

总结高盛给出的上调理由，本质是把一家传统的电脑制造商当成极具爆发力的AI高增长标的来定价。表面上是押注了联想，不如说，是押注了未来AI基础设施业务的爆发预期。这也是提价力度远超其他投行的重要原因。

实际上，联想并非个例。此次乘上AI东风的硬件厂商，还有戴尔。

戴尔科技最新财报显示，公司季度营收438亿美元，同比大增88%，大幅超出市场预期。其中AI服务器营收161亿美元，同比飙升757%；积压订单高达513亿美元，产能供不应求。公司上调全年营收目标，AI服务器预期收入近乎翻倍。戴尔美股盘初飙升33%，创下自2024年以来的最大涨幅。戴尔AI服务器收入同比暴增，积压订单创纪录，存储业务持续扩大，多家投行上调目标价，市场重估其AI基础设施供应商地位。

可以说，AI的爆发，实际上全面拉动了整个算力基建链条。

有数据显示，2026年全球云厂商超75%的资本投入均聚焦于AI基础设施领域，全球数据中心资本开支有望在今年突破万亿美元规模，万亿级AI基建市场正式进入高速扩容周期。在这场AI产业“淘金热”中，算力硬件成为刚需核心，那么像联想、戴尔这样的传统老牌硬件厂商，就变成了AI时代的“卖铲人”，或者说，是全套淘金装备提供商。

在存储芯片，固态硬盘价格上行，行业担心厂商利润被侵蚀的大环境下，联想PC业务跑赢了大盘（截图自财报）

“卖铲生意”能否穿越周期？

AI赛道的终极博弈

高盛给出联想的估价，是高于普遍共识的。这也意味着，市场存在分歧：是应该相信传统的硬件增长天花板？还是相信AI重塑后的基础设施红利？

高盛显然是押注了后者。

这轮估值上调，是转型兑现的开始，还是短期情绪驱动的溢价？作为理性的市场主体，也应该看到未来可能面临的挑战和风险点。

首先，PC业务作为联想稳定的现金，高端机型的热销是其利润维稳的重要支撑。若全球宏观经济陷入深度衰退，消费市场需求持续疲软，即便是增速稳健、附加值更高的高端PC产品，也将面临需求下滑压力，拖累整体业绩表现。这是一个变量。

其次，AI行业竞争持续加剧。当前无论是消费级智能终端市场，还是利润丰厚、增速迅猛的AI服务器黄金赛道，行业入局者都在持续增多。面对这片增量蓝海，一众传统科技硬件巨头绝不会放任联想独享红利，未来赛道内的技术内卷、产品迭代、价格竞争将成为常态，持续考验联想的技术壁垒与盈利抗压能力。

最后，联想的AI成长空间，不仅取决于自身产能与产品布局，虽然目前联想已提前布局完备的液冷算力产能，通过收购Infinidat补齐高端企业存储短板，完成了AI算力硬件端全链条储备，但最终取决于落地项目的实际投入产出比，比如下游企业AI商业化的落地进度。未来持续的财报情况，才是验证AI转型能否成功的关键。

联想此次财报的逆袭，也为整个硬件行业提供了关键启示：没有没落的赛道，只有跟不上时代的企业。

最后，我们站在行业长期发展视角来看，不妨留下一个关乎科技行业终局、值得长期审视的问题。未来，AI行业的终极话语权，究竟会归属深耕云端大模型的软件巨头，还是手握硬件入口、掌控终端场景、实现软硬一体落地的硬件厂商？这个问题没有标准答案。AI赛道的终极博弈，答案正藏在新一轮的科技迭代周期之中，值得我们长期观望、静待结果。

.

.

“曾经被视作算力‘配角’的存储芯片，正在AI时代完成从‘幕后仓库’到‘核心底座’的身份跃迁。

近日，AI数据基础设施领域的明星企业Vast Data宣布完成F轮融资。本轮交易涵盖一级市场增资与二级市场股权转让，整体规模约10亿美元。融资完成后，公司估值飙升至300亿美元（约合人民币2148亿元），相较于2023年91亿美元的上一轮估值，实现了逾两倍的增长。

本轮融资阵容堪称“顶级豪华”：除了由顶尖风投Drive Capital和英国首富掌控的投资集团Access Industries联合领投外，富达管理、恩颐投资（NEA）等老牌机构也继续跟投。尤为引人注目的是，英伟达（NVIDIA）再次出手参与本轮投资，进一步巩固了其在AI生态中的战略版图。

作为AI算力生态的绝对核心巨头，英伟达为何持续重仓加码VastData？这家以色列的科技公司究竟掌握了哪些不可替代的核心技术，为何能成为资本竞相追逐的焦点？它又将给AI基础设施的竞争格局带来哪些影响？

AI基建赛道杀出超级独角兽

VastData是谁？

Vast Data 成立于2016年，正值深度学习兴起之初。公司由四位在存储领域深耕多年的资深专家联合创立，包括CEO雷宁·哈拉克（Renen Hallak）、CTO沙查尔·芬布利特（Shachar Finblit）、营销副总裁杰夫·登沃思（Jeff Denworth）和CTO阿隆·霍列夫（Alon Horev）。

VAST Data联合创始人杰夫·登沃思（Jeff Denworth）（左一）、沙查尔·芬布利特（Shachar Finblit）（中）、CEO雷宁·哈拉克（Renen Hallak）（右二）

创始人哈拉克此前曾担任戴尔EMC全闪存阵列XtremIO的研发副总裁。在亲历了AI大规模分析带来的数据存储挑战后，他敏锐地意识到传统架构的局限，选择离开大厂，携手曾在IBM等科技巨头任职的三位联合创始人，从零开始打造一种专为现代数据中心和GPU加速而生的全新架构。

凭借这一前瞻性布局，Vast Data迅速在全球范围内吸引了各行业的头部客户。其客户名单不仅涵盖了马斯克旗下的xAI、英伟达投资的CoreWeave等顶尖大模型企业，还包括迪士尼及其子公司皮克斯、美国电信巨头威瑞森、视频通话平台Zoom、阿联酋AI公司G42子公司Core42，以及NASA、美国能源部等关键机构。

与传统软件公司依赖短期合同不同，Vast Data通常与客户签订5至7年的长期合约。这种深度绑定的合作模式使得公司客户流失率极低，累计软件预订量已超过40亿美元。

这种稳健且高增长的商业模式也赢得了资本市场的广泛认可。在此次F轮之前，Vast Data已累计融资超3.81亿美元，老虎环球、高盛、英伟达、戴尔等顶级机构均在其股东之列。值得一提的是，市场消息称Alphabet的独立增长基金CapitalG也参与了此轮融资。作为一家以盈利而非单纯战略协同为目的的基金，CapitalG的入局在一定程度上印证了投资者对Vast Data自身造血能力与盈利能力的高度肯定。

那么，这家源自以色列的科技公司持续斩获顶级资本的青睐与加码。它究竟手握怎样难以复制的核心技术体系，又依靠哪些核心竞争力构筑起深厚壁垒，能够在众多同行中脱颖而出，成为全球投资机构争相布局、持续追逐的热门赛道标的？

DASE架构与AI操作系统

打破存算瓶颈

Vast Data之所以能重构行业格局，核心在于其独创的DASE（Disaggregated Shared Everything，分解式全共享）架构。这一创新彻底改写了传统行业在系统规模、易用性、性能与成本之间长期无法兼顾的技术博弈难题。

传统数据架构已难以适配当下大模型训练与智能计算的发展需求，技术瓶颈日益凸显。主流的Hadoop、Spark等架构在处理TB至PB级海量AI训练数据时，会产生海量跨节点数据传输，其固有的批处理模式无法满足AI业务的实时性需求，流处理延迟居高不下。同时，多组件堆叠的技术架构体系复杂、运维门槛高，系统升级与横向扩展成本高昂，始终无法兼顾超大规模存储、高性能运算、低成本部署与轻量化运维，难以长久的适配AI全场景落地需求。

针对这一结构性痛点，Vast Data自研的DASE架构从底层重构了分布式存储与计算逻辑。作为全球首个真正实现性能、规模、简易性与弹性完全统一的并行分布式架构，DASE彻底消除了四大核心要素之间的相互制约，为大规模AI业务落地扫清了底层障碍。

VASTAI操作系统

依托突破性的DASE底层架构，Vast Data打造出一体化的VAST AI操作系统，将基础数据服务、计算引擎、智能体执行能力深度整合为单一、可无限扩展的统一平台。该系统打破了传统数据基础设施多层割裂、体系分立的痛点，统一承载数据管理、算力调度、实时处理、智能推理与复杂工作流自动化能力，支撑企业在全球规模化场景下完成AI模型的构建、训练、部署与运行，全面赋能各类AI应用与智能体业务生态。

目前，VAST AI操作系统已然成为AI基础设施变革的核心载体，推动传统分散的数据、计算、实时处理体系走向融合统一，构建起面向推理型AI的全球统一基础设施体系。从CoreWeave到劳氏（Lowe’s），从美国空军到Cursor，数千家机构依赖VAST进行数据存储、上下文处理与决策支持，其支持的环境为数百万GPU提供算力，并承载着全球一些最先进的AI训练与推理项目。

其创始人哈拉克表示，公司技术体系已全面支撑全球数百万级GPU集群的AI运行环境，覆盖AI基础设施全层级链路。随着AI产业加速迭代，应用、模型与底层基础设施早已依托数据形成一体化运行体系，而VastData凭借底层架构的颠覆性优势，站稳了AI系统运转的核心位置，也因此收获了全球市场的强劲需求。

英伟达的存算一体化战略

构建从芯片到存储的算力闭环

结合上一部分对Vast Data独创的DASE架构的深度剖析，我们不难发现，英伟达持续多次参投存储赛道独角兽企业Vast Data，并非单纯的财务投资布局，这一资本动作，直观体现出其对AI存储赛道长期价值的高度认可。

随着AI产业从“训练主导”向“推理爆发”演进，行业发展逻辑发生了根本转变。大模型落地与AI智能体的运行催生了海量的上下文数据与高频缓存需求，数据流转效率与存储架构能力，逐渐成为制约AI系统整体性能释放的核心因素。仅靠算力芯片的单点迭代，已无法适配AI产业化落地的全场景需求。

代表性AI企业最新动态 图源券商研报

在2026年国际消费电子展（CES）上，黄仁勋详细阐述了基于Rubin架构的BlueField-4支持的Context Memory平台。黄仁勋解释道，随着人们与AI进行长时间对话，所需的“记忆量”快速增长，当大量AI并发运行时，网络传输成为瓶颈。为此，英伟达推出了由BlueField-4 DPU支持的“推理上下文内存存储平台”，作为一种新型AI存储基础设施来解决这一问题。

针对AI存储赛道的行业变革趋势，黄仁勋在本届CES与全球两百余名记者、分析师交流时明确表示，AI工作负载与传统数据库处理工作存在本质差异，传统存储体系已无法适配AI发展需求，存储行业即将迎来颠覆性革新，整个存储系统需要围绕AI场景重新构建。

事实上，今天的英伟达，也早已不再只是GPU公司，持续向全栈AI基础设施服务商转型。通过布局Mellanox网络、BlueFieldDPU、NVLink、Spectrum-X、AIFactory等全链条产品体系，英伟达逐步搭建起完整的AI基础设施架构。

黄仁勋多次强调，未来数据中心将全面向AIFactory迭代，而AI算力工厂的核心竞争力，并非单一的GPU算力优势，核心取决于能否为算力单元提供持续、高速、稳定的数据供给。这也意味着，存储与数据调度能力，已经成为英伟达战略布局的核心重点之一，也是其持续重仓VastData的核心逻辑。

从经营数据来看，英伟达持续增长的业务体量，也为其存储赛道布局、产业生态投资提供了坚实支撑。2026年第一财季（FY2027Q1）英伟达业绩实现大幅增长，总营收达820亿美元，同比增长85%，环比增长20%，实现连续14个季度环比增长。其中核心的datacenter业务表现亮眼，当期收入750亿美元，同比增长92%，环比增长21%，包含600亿美元的数据中心计算收入与150亿美元的数据中心网络收入，网络业务同比增长近三倍。

强劲的算力与网络业务增长，印证了其AI基础设施全栈布局的可行性，也让英伟达有充足的产业资源与资本实力，持续加码AI存储赛道，通过投资VastData这类核心存储企业，完善自身存算一体化的算力闭环。

今年2月，xAI官宣的搭载超过20万块英伟达GPU的超级计算集群Colossus，其背后的数据平台就由VAST Data打造，使得Colossus的AI工作负载的总拥有成本（TCO）降低了50%。

不难看出，英伟达对VastData的投资，能够有效转化为实打实的产品竞争力。补齐存储领域的短板后，英伟达的全栈解决方案不仅能为下游客户提供更稳定高效的运行保障，也进一步强化了自身议价能力；而整体落地成本的大幅降低，也持续提升了产品在市场中的口碑与认可度。

全球AI竞争维度演化

推理场景扩容带动存储需求升级

放眼全球，大模型调用量正持续高位运行。数据显示，OpenRouter 周调用总量已达19.5万亿Token，环比增长1.1万亿Token。

上榜全球大模型企业Token调用量(单位:十亿Tokens)

有业界做过预估，每128K token约合需要61GB存储量作为匹配，那么当前日均万亿级别的token处理量，对存储形成海量需求。

从行业竞争现状来看，现阶段AI产业的比拼维度正在发生变化，市场参与者不再单一聚焦模型参数与算力规模的表层对比，逐步延伸至底层基础设施的精细化能力比拼，数据供给、存储吞吐、带宽调度等基础能力，成为行业布局的重要落点。

多家机构观测到，在部分大规模AI集群落地场景中，存储吞吐、缓存调度效率不足，会制约整体算力资源的充分释放，存储架构适配性问题成为当前AI基建优化的重点方向之一。

根据美光、三星、海力士等存储大厂公开业绩指引，AI驱动下的存储需求正迎来结构性跃升：数据中心DRAM与NAND的位需求占比预计在2026年首次超过50%，当前市场需求已显著超过供给，部分客户仅能获得50%-66%的产能保障；HBM赛道供需缺口持续扩大，未来三年客户需求已远超产能规划，三星预计2026年HBM销售额将同比增长三倍以上。

海外存储厂商需求指引描述 图源券商研报

国内各类企业也都在加码AI存储领域布局。华为、浪潮、曙光等传统存储与算力厂商，依托现有分布式存储架构完成全闪化、网络加速、分层存储等技术优化，推出适配大模型训练、推理的解决方案，部分产品已在大型智算中心落地试用，在吞吐性能、缓存调度等方面取得技术进展。

与此同时，5月17日，长鑫科技IPO更新财报并恢复审核，长鑫科技现有合肥一期、合肥二期及北京三条12英寸生产线，长鑫拟募资295亿元，其中75/130/90亿元分别投向量产线技术升级改造/DRAM技术升级/动态随机存取存储器研发，预计2026年现有三厂产能全部达产。

5月19日，长江存储控股股份有限公司(长控集团)已在湖北证监局完成辅导备案，拟启动集团层面的首次公开发行股票并上市。当前公司合计月产能约20万片，核心扩产项目武汉三期工厂为武汉集成电路产业第三个千亿级项目，原计划2027年量产，现提前至2026年下半年量产，新增月产能10万片12英寸晶圆，达产后总月产能将提升至30万片。公司还规划再建两座全新晶圆厂，项目全部落地后晶圆总产能将较当前水平提升超100%。

在产能扩张与资本化布局层面，国内AI存储产业的软硬件厂商纷纷聚焦AI存储赛道，从技术优化、产品迭代到产能扩张、资本布局多维度展开布局，补齐AI底层存储配套能力。

曾经被视作AI算力基础设施“配角”的存储芯片，正逐渐走到舞台中央，成为支撑大模型训练与推理、端云协同交互的核心底座。在万亿参数大模型和指数级增长的Token消耗面前，存储已不再是单纯被动存取数据的仓库，而是决定整个AI系统效能上限的关键变量。

纵观行业发展全局，Vast Data的估值暴涨与资本热捧，绝非单一企业的偶然突围，而是AI产业竞争逻辑迭代的真实缩影。当AI产业从算力比拼、模型迭代的上半场，迈入存算协同、数据驱动的下半场，底层存储基础设施已然成为制约AI规模化落地的核心瓶颈，也是重构行业竞争格局的关键抓手。

当前，全球AI存储赛道已迎来结构性的上行周期。海外巨头凭借技术与生态优势抢占先发高地，国内厂商亦在加速技术迭代与产能扩张，全力补齐短板，赛道竞争日趋白热化。

可以预见，未来AI产业的终极较量，必将落脚于数据基础设施的体系化能力。在供需剧烈变动和产业链力量对比调整的驱动下，深层次的变革正在上演。

近日，专注 Physical AI基础设施建设的宁波博登智能科技有限公司（简称“博登智能”），正式完成数亿元 A+ 轮和 A++ 轮系列融资，由鼎晖百孚、清新资本、鲁信创投、深产投等多家知名机构联合参投。在当前资本市场趋于理性的背景下，多家头部机构的持续加码，既体现了对博登智能技术能力和产业价值的认可，更反映出市场对于“真实世界AI基础设施”这一新兴赛道长期发展潜力的看好。

“AI上半场的竞争属于模型和算法。AI下半场的竞争将属于真实世界。未来决定AI能力上限的，不仅取决于模型架构本身，更依托于真实场景训练、物理化验证与持续性迭代学习的完整体系”，博登智能创始人兼CEO赵捷表示。

聚焦“真实”，构建三层能力生态体系

区别于传统数据服务企业，博登智能聚焦 Physical AI 时代底层核心逻辑，主打真实世界AI训练基础设施建设，构建起了“真实世界场景网络、全自动化数据引擎、现实世界验证体系”的三层能力生态体系。

第一层：真实世界场景网络。真实世界训练能力的基础，在于持续获取高质量、多样化、可规模化的现实场景数据。博登已在宁波、湖州、马鞍山建设三大实景具身机器人创新中心，总面积超 3 万平方米，覆盖上百类真实数采场景。创新中心部署超 500 台实体机器人及数千套自研 Ego 采集设备，年产 50万 小时真机遥操训练数据、百万小时级 Ego 场景数据，持续积累复杂长尾场景与物理交互数据。

这些真实场景网络正在成为Physical AI时代的重要训练底座。

第二层：全自动化数据引擎。针对海量多模态、长时序数据需求，博登智能研发BRIC Robo、BASE Omni 和 Blink 等核心平台，支持遥操作、Ego、UMI、动捕及多机器人协同采集，实现多模态数据自动化处理，标注效率提升最高700%，质检效率提升300%，综合交付准确率超99%。

第三层：现实世界验证体系。当下，人工智能行业正在从“训练模型”逐步走向“验证模型”。机器人是否真正理解现实世界？自动驾驶系统是否能够长期稳定运行？Physical AI系统是否具备跨场景泛化能力？这些问题最终都需要通过真实世界来验证。博登智能围绕真实世界行为、时序一致性、物理规则及长尾场景构建验证能力，认为未来AI产业的重要竞争力不仅来自训练能力，更来自现实中的可靠性、稳定性与可部署性。

服务“生态”，成为数据共建核心力量

依托“Train at Scale, Validate in Reality”核心战略，博登智能深耕具身智能、大模型、自动驾驶三大核心领域，搭建统一的真实世界AI训练基础设施矩阵，深度参与中国 Physical AI 头部企业集群的数据训练与验证体系建设，成为AI数据基础设施建设的重要引领者。

在具身智能领域，博登智能已与国内外多家头部企业及科研机构建立数据量产合作；在大模型领域，依托真实世界数据治理、跨模态对齐与场景增强能力，赋能模型提升现实场景理解力与泛化稳定性，目前已与多家大模型企业达成深度合作；在自动驾驶领域，凭借高效AI标注，累计处理数亿帧高质量道路实景数据，成为主流车企与高阶自动驾驶科创企业的合作伙伴。

赵捷坦言，“过去十年，人工智能最大的挑战是让机器理解数字世界。未来十年，人工智能最大的挑战将是让机器理解并执行现实世界任务。我们希望构建连接真实世界与智能系统之间的基础设施网络，邀请更多产业伙伴共同打造 Physical AI 时代可信、开放、可持续的 Reality Infrastructure ”。

布局“全球”，加速数据实景基建布局

目前，博登智能逐步建立覆盖中国、北美、欧洲、中东以及东南亚市场的全球化布局，完善跨区域数据采集、合规管理及训练体系，并参与行业标准建设，加速推动真实世界AI基础设施在全球范围落地布局和规模化应用。

“下一代人工智能的竞争，最终将建立在真实世界训练与验证基础设施之上”，赵捷坚信。

据悉，本轮融资完成后，博登智能将重点完善升级“三层能力生态体系”，持续扩展真实世界场景网络、持续升级自动化数据引擎，持续建设现实世界验证体系。业内人士表示，随着AI产业加速向物理世界渗透，实景训练基建的价值将持续凸显，有望成为驱动下一代人工智能产业化落地的核心底座。

具身智能无疑是当前最火热的赛道之一，大量的热钱疯狂涌入。具身智能的蓬勃发展，连带着数据采集和标注——这门生意，也变得炙手可热。

隐晦的默契

具身智能不同于大语言模型，它的训练数据主要依赖于物理世界的真实数据，如抓杯子、叠衣服、打螺丝等等。而这些数据必须通过采集获得。目前主流的数据采集方式是遥采操作：操作员佩戴VR设备和动捕手套，通过头显和手柄实时控制机器人的每一个关节和手指，进行叠衣物、抓杯子、插拔接口等精细动作。机器人在此过程中产生的“运动数据”被记录下来，经过清洗标注，最终用于机器人的模型训练。

行业内有观点认为：想让机器人具备商业化落地的能力，至少需要数千万小时的有效实操数据。而现在据测算，高质量的真实场景数据只有几十万小时。差了上百倍。

巨大的缺口，为数据采集和标注提供了广阔的市场空间。

2026年具身数据公司迎来了规模化发展的新阶段。在强有力的融资浪潮下，一批公司开始密集浮出水面。

光轮智能，刚刚完成10亿元级别融资；聚焦具身数据业务的上海新智完成亿元融资；曼孚科技完成数亿元Pre-C轮融资；更早一些，初创企业智域基石也拿到了数千万元的天使轮投资。就连互联网大厂京东也参与进来，在今年5月组建了自称的“全国首个具身智能数据采集社区”。

传统的数据服务巨头同样没有缺席。海天瑞声、数据堂等老牌标注公司，正纷纷调转船头，加码布局具身智能。一场围绕“如何喂饱机器人”的数据竞赛，已然开跑。

具身数据业务可以说风头正劲。从产业的发展规律来看，数据采集公司和具身智能公司合作，本是技术进化、产业分工的必然之选。

但世间的事，有时就是这样，走着走着就走样了，而且越是热钱多的领域越容易这样。

走样的合作

让我们把目光移回到具身智能企业身上。

当下这些具身智能企业最大的焦虑是什么？是技术问题吗，是资金问题吗？都不是，是出货量的问题。出货量是衡量商业化落地最显而易见、最无法粉饰的指标，也是支撑估值和后续融资的核心支柱。

过去两三年，具身智能产业的发展尚处于襁褓期，资本的重心在技术研发和产品创新上面。现如今，技术已经进入成熟期。各家机器人产品一个接一个的发布，春晚的机器人节目一届比一届精彩，机器人马拉松比赛一次比一次热闹。

但喧嚣之下，资本的焦虑却与日俱增。因为，资本关注的重心发生了偏移。既然产品已经成型，那么人形机器人到底有没有商业价值？有多大的市场需求？这些实际问题不得不摆上台面接受检验。

可现实是，真正能在工厂里打螺丝、在生产线上干活的机器人，还寥寥无几。这与各类酷炫的机器人视频，形成了刺眼的反差。

在需求还没有释放的局面下，如何向资本市场“提供情绪价值”，成为了具身智能企业最迫切的课题。

于是，一个精妙的闭环设计应运而生。

闭环是如何转起来的

这个闭环暂时按下不表，先来说一个大的政策背景。

为了抢占人工智能高地，这几年国家正在大力推动数据要素市场建设。去年12月，根据国家数据局发布的《关于加强数据科技创新的实施意见》，更是明确提出要“加快攻关具身智能等技术创新发展的高质量数据集构建”，并“谋划布局一批数据领域部级重点实验室”。

多地地方国资和公共机构响应号召，纷纷出资牵头兴建“数据训练基地”或“数采中心”。

截止2026年4月底，数据库显示，中国已经有至少90个人形机器人数据采集和训练中心（以下简称“数采中心”）处于使用或规划建设中，其中，至少有64个数采中心已投入使用，包含了28个在2026年正式投入运营的数采中心。

这些带有地方国资或数据集团背景的主体，手握预算，成为了最积极的机器人采购方。在已经投入使用的64个数采中心中，至少有13个数采中心部署了100台或以上机器人。

从公开的资料来看，这些人形机器人来自全国至少30家机器人制造商。几乎囊括了主流的具身智能企业，如智元机器人、乐聚智能、宇树科技、优必选、像银河通用、睿尔曼、星海图、傅利叶等。他们的机器人产品成为多个数采中心的具身智能数据采集终端。

具身智能把机器人卖到这些数据采集中心，数据采集中心用这些机器人训练，采集和标注数据，然后机器人公司（或旗下的数据子公司，或关联的数据服务商）再花一笔钱定向买回这些数据。

资金、产品、数据，完成了一个漂亮的循环。

下面来看一个具体的案例。

根据财报显示，2025年Q4，优必选在短短三个月内签下至少6笔来自数据采集中心的大单，总计约8.29亿元。根据公开资料显示，这些合作主体有“自贡数投人形机器人数据采集中心项目设备采购”，中标产品为具备自主换电功能的具身智能人形机器人Walker S2，采购金额高达1.59亿元；惠州市惠阳区人形机器人大湾区数据采集中心项目，金额达5962.015万元。广西防城港市人形机器人数据采集与测试中心和人工智能科创教育示范项目，中标金额2.64亿元。

这些买家正好印证了我们此前的判断，几乎都是带有地方性质的数采中心。2025年全年，优必选全年签约额近14亿元，单单是这些数采项目的合作就占了59%。换句话说，超过一半的机器人出货，是卖给了各地政府建的数据采集中心，而不是真正的工业级客户。

这个闭环，伴随着资金、数据和机器的流转起来。对优必选而言，账面上实现了机器人的大规模出货，计入营收；对采集中心而言，机器人公司回购数据，达成了“数据交易额”；对地方而言，展示了数字化建设的成果。一举三得。

从账面上看，机器人卖出去了，数据交易完成了。从更高的视角看，这个看似合理的商业循环，从本质来说还是在投资，并没有工业产出。好比汽车公司造了一半的汽车，全部用于碰撞试验以获取数据，而不是卖给了老司机。

这套模式，几乎是美国AI巨头、算力中心和GPU公司之间“左手倒右手”游戏的微缩版本——只不过资金量和企业规模不在一个量级上。美国AI巨头们之间是这么操作的：云厂商大量采购GPU建算力中心，算力中心再将算力以优惠价“返租”给GPU公司或其生态企业，各方账面上的资本开支和营收数据都得以美化。

除了地方数采中心之外，这样的合作模式也出现在数据标注公司身上。数据猿近期走访了多家数据标注公司，几乎都看到了类似的合作模式：数据标注公司购买特定公司的机器人产品，建立具身数据的遥采产线，然后机器人厂商回购这些采集和标注好的数据。

需要强调的是，之所以拿优必选作为剖析样本，并非指向某一家企业。只是因为它是一家上市公司，财务数据公开可查，便于论证。这是行业内普遍存在的现象。这个现象，有三个侧面值得人们注意：

第一个：非生产性需求占据主导

IDC的数据显示，2025年人形机器人出货中，商演、科研和数采场景占了78.4%。这说明什么？说明整个行业的大头，都不是真正的“商用落地”，而是各种“非生产性需求”。数采中心就是这78.4%里的重要组成部分。

第二个：数采需求占比仍在攀升

券商研报预测，2026年数采需求的占比还会大幅提升。为什么？因为各地政府的数据中心还在建，采购需求还在释放。

第三个：机器人产能正在爆发

今年，不管是不是机器人商业化落地的元年，但肯定是爆产能的元年。宇树科技创始人王兴兴表示，2026年公司目标出货量为1万至2万台。智元机器人宣布首万台通用机器人下线，乐聚也建成了万台年产能产线。但问题是，产线建好了，如果真实工业需求跟不上，这些产能最终要流向哪里？数采中心能吃得下这么多产能吗？如果哪天各地政府不建数采中心了，或者政策标准变了，这个循环还能不能维持？

探讨这个问题，并不是急于对这种模式投以苛责，更不是要对具身智能这个赛道，冠一个“产业泡沫”“虚假繁荣”的帽子。从产业发展的客观规律看，任何一项颠覆性技术在商业化混沌期，都离不开基础设施的“虚掷”与“试错”。带有公共机构色彩的数采中心建设，本质上是一种战略性投入，它扮演了“产业孵化器”与“风险缓冲带”的角色，为尚在襁褓中的具身智能托底。没有这些订单，许多初创企业甚至撑不到技术成熟的那一天。

与此同时，我们也看到了智元、优必选、宇树等企业也在制造业产线、商业服务等领域进行着商业化的真实探索。比如，优必选的机器人产品在汽车制造、3C电子等领域进行搬运、质检等工作。行业的努力不应被一笔抹杀。

然而，具身智能的从业者也必须清醒地认识到：这种托底早晚有结束的一天，没有真实的产业需求，换不来真金白银的订单；左手倒右手可以暂时撑起估值，却撑不起一个健康的产业生态。

只有我们的机器人，真正大规模走向工厂、仓库、家庭，创造不可替代的劳动价值。到那时，我们才能说，这场关于“左手倒右手”的游戏，终于玩出了一些真正有意义的东西。

大会开场，一位特殊的“硅基朋友”登上舞台，其科技感十足的造型、清晰流畅的表达，迅速点燃现场氛围，也为整场大会抛出了核心命题：当AI已经具备理解、生成与执行能力，企业如何真正用好AI Agent？

在主论坛上，网易副总裁、网易智企总经理阮良，浙江大华技术股份有限公司总裁赵宇宁，英特尔中国区互联网&运营商行业总经理胡凯，分别从企业服务、产业场景与算力底座三个视角，给出了各自的答案。

阮良给出的关键词是“可靠”。基于网易智企十余年服务百万家企业的实践沉淀，他指出，AI进入企业生产系统仍面临五大断层：知识断层、数据断层、流程断层、治理断层与价值断层。企业级Agent的竞争关键，不只是模型能力，而是谁能持续交付可靠结果。围绕销售增长、私域经营、企业应用交付、安全治理等高价值场景，网易智企正在帮助企业构建可部署、可管理、可评估的“AI员工”。

赵宇宁给出的关键词是“场景”。他分享了大华股份在视觉智能领域的AI进化之路：从2016年的“看得清”到2023年的“看得懂”，再到2026年的“迈向自主认知”。在他看来，业务需求定义技术边界，技术算法必须服务于真实场景，企业推动AI落地，需要结合自身积累，聚焦战略控制点，融合AI技术实现行业场景化落地，并通过AI工程化能力保障最终效果。

胡凯给出的关键词是“算力底座”。进入Agentic AI时代，企业对算力的需求正从围绕GPU的单点竞赛，走向覆盖GPU、CPU、存储、互连等环节的全栈重估。他认为，随着AI Agent承担更多复杂任务，负责决策、编排与调度的CPU价值将进一步凸显。英特尔通过异构协同的部署让推理更具性价比，并基于成熟的x86生态系统和软件工具为企业构建算力底座。

在圆桌环节，网易智企副总经理、数帆业务负责人封雷、亚马逊云科技解决方案架构师团队总监李艺明、恒丰银行数据资源部数据运营室负责人李文静、中石化胜利油田数智化管理服务中心副总工程师杨旭、在途商旅联合创始人、总裁朱白帆，围绕“企业AI落地新路径”展开讨论。

与会嘉宾认为，企业AI落地的难点正在从“有没有模型”转向“能否进入流程、产生结果、沉淀资产”。AI Agent的价值不应只停留在效率提升层面，更需要围绕业务转化率、服务响应速度、人力释放、风险控制能力等指标建立可量化的ROI评估体系。

大会现场还设置了多个展区，大家争相安装体验网易智企旗下企业级AI员工管理平台“帝王蟹（ClawHive）”。该平台于今年4月10日正式发布，面向企业AI落地过程中的安全、部署、沉淀、管理等关键难题，提供从AI员工接入、任务编排、权限治理到效果运营的一站式能力。

阮良在演讲中将帝王蟹比喻为“企业AI员工的HR系统”。在这一体系下，AI不再只是个人使用的效率工具，而是可以被组织统一招聘、定岗、管理、考核的数字化生产力资产。通过平台化方式，企业能够更系统地管理AI Agent的能力边界、知识来源、执行权限与业务效果。

大会同期举办AI+新消费、AI+Coding、AI+央国企、AI+金融、AI+硬件、AI+游戏、AI+制造七大主题分论坛，并发布《企业级客服/营销 Agent 落地实践白皮书》，白皮书收录王府井集团、孩子王、澳门航空、江南布衣、北京一卡通、酷家乐、中旅冰雪、鲁班到家、闪鱼随身WiFi等10家企业的Agent落地实践，为行业提供可参考的场景样本。

值得关注的是，就在大会前一天，人工智能公司Anthropic宣布完成650亿美元的H轮融资，投后估值达9650亿美元。全球资本正在加速押注AI Agent的任务执行能力，但对于企业而言，真正的竞争不只在于模型是否足够强大，更在于AI能否以安全、稳定、可治理的姿态进入业务系统，并持续创造可验证的商业价值。

从“会用AI”到“用好AI员工”，企业级AI Agent正在进入新的落地阶段。网易智企给出的答案是：可靠，只有把AI变成可管理、可协同、可衡量的组织能力，企业才能真正穿越技术热潮，把AI转化为长期生产力。

.

.

“给AI一本好书，胜过十本烂书。

2026年，一个令人不安的阴影笼罩着AI圈。

过去几个月，从硅谷到中关村，关于“Scaling Law是否已死”的讨论越来越多。曾经屡试不爽的“更大即更强”逻辑，似乎正在遭遇前所未有的挑战。人们开始质疑，大模型的“暴力美学”，是不是已经撞上了天花板？

与此同时，另一条暗线却在悄然生长：谷歌的Gemini Nano、苹果的设备端模型、以及国内面壁智能的MiniCPM系列——这些参数量只有1B到3B的“小参数模型”，正在以令人惊讶的表现，搅动着整个市场。

为什么连大模型都跑不动了，小参数模型反而在逆袭？

答案或许不在模型大小，而在一个被长期忽视的底层要素——数据。

就在这个节骨眼上，面壁智能做了一件让行业侧目的事：把自己的核心训练数据，开源了。

它可能是中国AI公司对“数据如何制造智能”这件事，最彻底的一次公开。

大模型正在被什么“卡脖子”？

要说清楚这次开源的意义，得先搞明白一个底层问题：大模型到底被什么卡住了？

过去两年，行业的共识是“算力决定一切”。谁买的GPU多，谁就能训出更强的模型。但现在，这个逻辑正在松动。

算力扩张的边际效益递减

一个残酷的事实正在浮出水面：参数翻倍，性能的提升幅度正在急剧收窄。

GPT-3到GPT-4的提升是惊人的，但从GPT-4到GPT-5，进步似乎不再那么“性感”了。这不是OpenAI一家的问题，而是整个大模型行业的“暴力美学”正在逼近它的物理和经济天花板。

你往炉子里加再多的柴，火焰也不会无限变高。这个道理，在大模型身上同样适用。

高质量数据加速枯竭

比算力更让人焦虑的，是数据。

研究机构预测：公开可用的高质量文本数据将在未来几年内基本耗尽。这不是危言耸听——互联网看似无穷无尽，但真正干净、准确、有逻辑、可训练的内容，远没有想象中那么多。

更糟糕的是，“垃圾进，垃圾出”，是大模型训练的残酷法则。喂给模型低质量的网络杂烩，它就会产出幻觉、偏见和毫无逻辑的胡言乱语。

在这个行业里，“量”不等于“质”，已经被越来越多的实践所验证。

端侧落地对“模型+高质量数据”提出苛刻要求。

还有一个被很多人忽略的现实，大模型根本跑不到终端设备上。

手机、PC、汽车——这些才是AI商业化的真正主战场。但它们的算力和功耗，注定了无法部署千亿、万亿参数的大模型。

于是出现了一个悖论：用户想要的是“足够聪明”的智能体验，但终端能承载的只有小参数模型。怎么办？

答案只有一个：给这些小参数模型喂“精粮”。用最高质量的数据，让1B参数的模型打出接近10B的效果。

这正是面壁智能一直在做的事。

面壁智能的“数据炼金术”

开源两大L3数据集意味着什么？

在AI行业，谈论“数据重要性”的公司很多，但真正把数据治理系统化、工程化、并且开源出来的，面壁智能是走在前面的那一个。

当大多数玩家还在比拼算力储备时，面壁智能已经意识到：模型架构趋同的时代，数据质量才是真正的分水岭。

为了解决数据的问题，面壁智能在今年2月，开源了一套叫做UltraData的数据分级治理体系。而本次发布并开源的两个L3数据集——Ultra‑FineWeb‑L3和UltraData‑SFT‑2605，正是在这套体系基础上产出的最新成果。

要理解这套体系为什么重要，得先理解一个被长期忽略的事实：不同训练阶段，对数据的需求是完全不同的。

预训练阶段，模型需要的是广泛的知识覆盖，这时候“量”很重要。但到了退火（即在预训练后期使用高质量数据对模型进行精细化调整，通常发生在学习率衰减阶段）和微调阶段，模型需要的是高密度的逻辑、推理和能力强化——这时候，“质”远比“量”重要。

传统的“一刀切”数据处理方式，满足不了这种差异化需求。

面壁智能的UltraData数据体系，正是为了解决这个问题而生。

核心理念：L0-L4，告别“大锅饭”式数据处理

他们把数据分成了五个等级，每一级对应不同的处理标准和应用场景：

·L0（原始数据）：从互联网扒下来的“原矿”，含大量杂质，不直接用于训练

·L1（过滤数据）：经过基础清洗、去重后的“粗矿”，格式规范但质量参差不齐

·L2（精筛数据）：通过模型打分筛选出的“精矿”，信息密度高、领域明确

·L3（合成增强数据）：经过改写、合成、人工标注的“高纯度燃料”——这是本次开源的核心

·L4（编排数据）：可直接用于RAG等应用的成品数据

数据分级治理体系示意图

这套体系的核心理念其实很朴素——不是所有数据都配得上“训练”二字，更不是所有数据都该在同一口锅里乱炖。

但这套体系真正厉害的地方，除了分级本身，还有它背后的方法论。

面壁智能的L0-L4不是一套固定的“菜谱”，而是一套模型驱动的动态评估机制。什么意思？就是在模型训练过程中，根据模型反馈实时调整数据的质量标准和配比策略。模型会“告诉”你，什么样的数据对它更有价值。

这意味着，这套体系是活的、会进化的——它不是一个静态的数据集，而是一套可持续优化的数据工程流水线。

而且，面壁智能已经用实验证明了这套方法的有效性：模型性能随着数据质量从L1向L3的逐级提升而持续增强。他们在英文网页、中文网页、数学、代码四个领域上进行了系统性实验，结果一致指向同一个结论——数据质量，是模型能力的决定性变量。

理论说完了，那这套方法论在实际中能产出什么样的成果？面壁智能开源的两个L3数据集，足以说明问题

开源行动：两大L3数据集，把“秘方”公之于众

这次，面壁智能开源的两个高质量数据集，相当于给业界打了一个样。

第一个数据集：Ultra‑FineWeb‑L3

这是全球最大开源规模的中文预训练合成数据，总量达到600B Tokens——其中中文200B+，英文400B+。

600B Tokens是什么概念？相当于几十万本《红楼梦》的体量。

但规模并不是它最值得关注的地方，真正有价值的是这个数据集的生成方式。

传统的数据集构建，基本上是“爬虫扒下来→简单清洗→打包发布”的三部曲。这种方式得到的数据，仍有三个问题：信号单一（主要是陈述性叙述）、风格集中（缺少教材、百科等多样格式）、知识稀释（有价值的信息被冗余内容淹没）。

这种L2级别的网页数据，模型只能“读懂”，但不一定“好学”。就像给一个学生一堆杂乱的参考资料，他翻完了，但未必能真正掌握其中的知识脉络。

面壁智能的做法完全不同。

他们把L2级别的网页数据，也就是已经经过基础筛选、具备一定质量的网页文本，通过QA生成、多风格改写等技术手段，进一步加工成了L3级别的“高可学习性”数据。比如，通过QA生成把陈述性的网页文档，转化成“原文+多组问答对”的结构化样本；通过多风格改写把同一来源的网页内容，改写成多种表达风格——百科风格、教材风格、博客风格、摘要风格——同时总结和重组核心知识点。

这个过程，本质上是在做一件事：把“可读”的网页，变成模型“好学”的教材。

同样的文本内容，经过L3级别的重构，模型从中能学到的信息密度完全不是一个量级。实验数据印证了这一点：在100B Token的训练预算下，使用Ultra-FineWeb-L3的模型，训练后期平均得分持续领先其他数据集。这也正是MiniCPM5-1B把它用在退火阶段的原因。

第二个数据集：UltraData‑SFT‑2605

如果说预训练是让模型博览群书，那SFT（监督微调）就是给它一本附带详细解题步骤的习题集。

面壁智能这次开源的SFT数据集，有几个值得说道的地方：

·千万级别：最终产出的数据集，样本量超过1500万，规模超大多数开源SFT数据集，并且覆盖数学、代码、知识、中文通用、指令遵循、多语言数学、多语言知识等七大核心领域。

·含推理链：不只是问题和答案，还包括完整的“思考过程”。

·深思考/非思考全覆盖：这个数据集既有需要多步推理的复杂问题，也有快速应答的简单样本。这相当于同时训练模型的“深度思考”能力和“快速反应”能力。

这正是MiniCPM5-1B能够以1B参数逼近大模型推理能力的核心秘密——训练它的“习题集”质量足够高、思路足够清晰、覆盖足够全面。

面壁智能这次开源，还有一个值得特别强调的特点——全流程透明化。他们不仅公开了最终的数据集，还公开了从query筛选、answer质量校验，到单一数据验证的完整治理流程。

而且，这些数据与主流评测集做了严格去重——这意味着，任何使用这些数据训练的模型，其评测成绩都不会因为“数据污染”而虚高。

行业内关于“数据污染”、“评测刷榜”的争议从来就没停过，面壁智能的做法，这在行业内卷评测刷榜的当下，是一种难得的诚实和自信。

好了，数据集开源了，治理方法也公开了。那这套东西到底能给行业带来什么价值？

下一个十年的胜负手

谁更懂数据，谁就能赢得市场

开源模型权重在业界其实比较普遍了，但开源训练数据则并不多见。

这是一种更高维度的开放，而这种开放也将在行业当中泛起“涟漪”，它的影响，既包括端侧设备这种应用层，也包括整个AI开源生态的格局。

对端侧智能的“加速效应”

L3级数据的最大受益者，是端侧设备。

高质量、高密度的训练数据，可以直接转化为更低的算力需求和内存占用。

端侧厂商——无论是做手机的、做PC的、还是做汽车的——如果想要复现MiniCPM5-1B级别的能力，现在可以直接使用UltraData。他们不需要重复投入巨额成本做网页合成、数据清洗和SFT数据构建。

这相当于面壁智能替整个行业踩了一遍坑，然后把“通关攻略”免费发给了所有人。

高质量数据意味着更少的训练token即可达到同样效果，这对手机、PC、汽车这些算力受限的场景来说，意义重大，比如：

·手机本地就能处理百页文档、进行深度推理，无需联网上传

·PC端的代码补全和数据分析能力，可能达到接近云端大模型的水平

·车载助手真正能理解复杂的语音指令，而不是只会做关键词匹配

可以说，UltraData这类数据集的开放，可能是端侧智能从“能用”到“好用”的关键催化剂。

开源生态的“第二层”革命

过去两年，开源社区的主战场在“模型权重”。深度求索开源DeepSeek、Meta开源Llama，阿里开源Qwen——这些无疑推动了整个行业的民主化。

但面壁智能这次的开源，指向了另一个维度——数据层。

如果说开源模型是给社区“鱼”，那开源数据则是教社区“如何养鱼、如何钓鱼”。当一个高性能模型背后的训练数据被公开，整个社区的研究和复现能力将可能得到显著提升。

这可能会引领一种新的协作模式：不只是共享模型，更共享“制造模型的方法论”。

当你把一个高性能模型背后“数据是如何被治理、筛选、合成与验证的”全过程公开，社区就不再只是被动地使用模型，而是可以真正参与到“如何制造智能”的讨论和优化中来——这相当于公开了“可口可乐的配方”。

写在最后

每一次技术的重大更迭，本质上都是一场关于“稀缺资源”的重新定义。

算力时代，赢家是买得起最多GPU的人。但算力可以堆，芯片可以造，供应链可以重建——它是商品，不是壁垒。

但数据不同。

高质量、可训练、有逻辑的数据，是人类过去几十年在互联网上留下的有限痕迹，它是不可再生的。而AI用短短三四年，就把其中最精华的部分“榨”干了。

当表层富矿耗尽，剩下的只有深埋地下的贫矿。谁能在贫矿中提炼出更高的纯度，谁就能定义下一个时代。

面壁智能的UltraData体系，就是一套“精炼工艺”。L0到L4，从矿石到高纯度燃料——他们把数据当作需要深度加工的原材料，而不是可以直接扔进炉子的柴火。

更耐人寻味的是，他们把这套工艺开源了。

历史上，每一次关键技术的开源，都是一次权力的转移。Linux开源，微软的垄断被撬开；安卓开源，移动互联网的入口不再属于任何一家公司。

当一家公司选择开源自己的“数据秘方”，它在做的是同一件事：重新定义行业的起跑线。

而面壁智能之所以能做这件事，不是偶然。

脱胎于清华NLP实验室的这支团队，亲历了中国大模型从无到有的全过程。早在2020年12月，其团队就发布了国内首个中文大模型CPM-1，并成为后来中国奠基性大模型“悟道”系列的首发主力阵容。

面壁智能，与DeepSeek并称“国内最会做架构改进的两家公司”。但跟DeepSeek不同，面壁智能的战场在端侧：在功耗、散热、访存带宽的严苛约束下追求极致效率。从自研训练框架到量化技术，从端侧推理引擎到开源数据，面壁智能可能是国内少数具备端侧AI全栈能力的公司。其提出的密度定律登上了《 Nature 》子刊封面，端侧多模态成果登上了《 Nature 》子刊，成为国内大模型公司获得的顶级学术认可。而端侧智能，对数据质量有着更高的要求。

当高质量数据成为稀缺资源，数据治理能力则将成为另一个竞争壁垒。

谁能从有限的数据中榨取出更高的训练价值？谁能建立更高效的数据分级和合成流水线？谁能用更低成本让模型变得更聪明？

这些问题，将定义下一代AI公司的胜负。

数据科学，正在从AI产业的“辅助角色”走向“舞台中央”。那些愿意把“秘方”公之于众、带着整个行业一起向前的人，可能正站在下一个时代的起点。

.

.

“SaaS企业，打了一场漂亮的翻身仗。

2026年初以来，上市软件公司ETF大跌约30%，几乎抹去了ChatGPT发布后的全部涨幅。Salesforce、Adobe、Intuit、ServiceNow等SaaS龙头，也在短短几周内普遍回撤25%至30%。

投资者们高喊“SaaSpocalypse”就要降临了。

由SaaS和Apocalypse拼在一起，这个词的意思是“SaaS末日”。

“SaaSpocalypse”

AI正在重新定价整个软件行业

“Apocalypse”最早来自古希腊语apokálypsis，原意“揭示”，或者“显露真相”。后来随着《圣经·启示录》（Book of Revelation/Apocalypse）的传播，它逐渐和“末世”“灾难”“世界终结”联系在一起。

在今天的英语语境里，“Apocalypse”已经变成一种很典型的硅谷和华尔街用语，用来形容某个行业遭遇毁灭性冲击。

“SaaSpocalypse”背后反映的是一种越来越强烈的市场情绪：AI正在从根本上动摇软件行业过去十几年的商业逻辑。

十五年前，风险投资机构a16z的联合创始人Marc Andreessen提出“Software is eating the world”。当时的核心逻辑是软件会不断地吞掉传统行业，企业会越来越依赖SaaS、云计算和数字化系统。后来Salesforce、Adobe、ServiceNow、Shopify等公司的崛起，都可以视作这一轮软件化浪潮的结果。

而现在，硅谷开始追捧更新的叙事：“AI is eating software.”

大模型会直接吞掉软件本身。过去需要SaaS完成的事情，现在AI agent可能通过自然语言就能完成；过去复杂的软件界面和工作流，未来也可能被聊天窗口取代。

于是，每一次GPT、Claude、Gemini更新，都会引发SaaS板块集体下跌。

因为越来越多人开始相信，AI不只是下一代软件，它可能会直接重构整个软件行业。

“AI会吃掉SaaS”

可能是今年最大的误判

不过从这一轮财报来看，“SaaS末日论”显然喊早了。

过去一年，市场一直相信，随着AI Coding和AI Agent的崛起，大量企业SaaS会失去原本的软件入口价值，最终被压缩成“只有一层UI的薄壳工具”。

但最新一轮财报出来后，市场开始重新定价。多家SaaS公司在发布财报后股价明显反弹，说明投资者开始意识到AI并没有重创SaaS，反而正在让一部分SaaS变得更重要。

4月30日，Twilio发布2026年第一季度财报，盘后与盘中最高累计涨幅曾达14%左右。公司营收达到14.07亿美元，同比增长20%；有机增长达到16%，明显高于去年同期的12%；非GAAP经营利润达到2.79亿美元。与此同时，公司还将全年收入增长预期从11.5%—12.5%上调至14%—15%。

AI并没有绕开通信基础设施，反而放大了底层通信能力的需求。例如，AI Agent想进入客服、营销、通知和用户触达场景，依然离不开短信、语音、身份验证、消息路由以及客户互动接口。AI可以生成对话，但真正把对话接入现实业务系统的，仍然是Twilio这类通信平台。

Atlassian在5月1日发布2026财年第三季度财报。次日，股价一度暴涨接近30%。公司营收达到17.87亿美元，同比增长32%；云收入达到11.32亿美元，同比增长29%；剩余履约义务（RPO）达到40亿美元，同比增长37%。

财报里最值得关注的是RPO。它代表客户已经签下、未来尚未确认的合同收入。如果企业真的准备减少对Jira、Confluence这类协作系统的依赖，RPO不应该继续高速增长。Atlassian的数据说明，AI可以生成代码，但企业依然需要项目优先级、责任分配、需求变更、客户反馈以及团队协作记录。

最猛的还是Datadog的反弹。受5月8日财报利好刺激，公司股价盘中一度暴涨约38%，创下近年来最大单日涨幅之一。公司2026年第一季度营收首次突破10亿美元，达到10.06亿美元，同比增长32%，高于去年同期约27%的增速。这意味着Datadog不只是“守住增长”，而是在重新加速。年化经常性收入超过10万美元的大客户数量，也从一年前约3770家增长至约4550家。此外，公司还上调了全年收入指引。

AI带来的GPU集群、推理流量、模型调用、日志、安全告警以及Agent工作流反而让系统变得更复杂、更难治理。而越复杂的系统，越需要监控、排查和治理工具。Datadog的财报本质上说明了一件事：AI没有消灭“仪表盘”，反而让“仪表盘”变得更重要。

5月21日，Snowflake发布2026年第一季度财报后，股价同样明显走强。公司产品收入达到9.968亿美元，同比增长26%；剩余履约义务达到67亿美元，同比增长34%；净收入留存率达到124%。与此同时，公司还上调了FY2026全年产品收入指引至43.25亿美元。

企业仍在持续扩大对Snowflake的长期承诺。无论是RPO还是净收入留存率，都意味着更多核心数据、权限体系和内部工作流正在继续沉淀在Snowflake上。企业内部最核心的资产，本来就是长期积累的数据、权限体系、组织流程与业务上下文。而这些东西往往分散在不同部门、不同系统和大量历史流程里，需要持续治理、维护与协同。AI Agent可以调用模型，但如果无法接入这些底层结构，就很难真正理解企业如何运转，更无法进入核心业务系统。

把这几家SaaS公司的财报放在一起看，结论已经越来越清晰：AI确实会改变软件入口，但它还无法接取代企业系统。越是掌握数据、工作流、权限体系、组织上下文与治理能力的软件平台，反而越可能因为AI变得更加重要。

企业级SaaS的护城河

从来不是代码

围绕“SaaSpocalypse”的核心逻辑，其实建立在一个典型误解之上：SaaS公司卖的只是代码，既然AI越来越会写代码，那么SaaS的护城河迟早会被抹平。

但企业软件真正值钱的部分，从来不是代码本身。不然过去二十年，软件行业早就被开源软件、低价外包，甚至Stack Overflow彻底摧毁了。

a16z最近关于SaaS与AI的分析里提到，企业级SaaS的护城河，本质上来自几个更深层的东西：切换成本、网络效应、规模效应、品牌、专有数据、工作流深度，以及AI-native公司与传统SaaS之间的商业模式差异。

比如，企业一旦深度接入某套系统，更换供应商本身就意味着巨大的迁移成本；当大量员工、客户、合作伙伴和第三方开发者都围绕同一个平台协作时，软件本身也会逐渐演化成生态系统；大型SaaS公司则能够依靠长期积累的算力、合规、安全和基础设施能力持续降低边际成本；而在支付、财务、CRM、ERP这类关键系统里，品牌本身往往意味着稳定性与风险控制。与此同时，真正高价值的数据——客户数据、业务数据、流程数据——也并不是短时间内可以复制出来的。

这些能力的共同特点在于，它们几乎都不是“写代码”本身能够解决的。

现在很多人看到AI coding，很容易产生一种错觉：既然AI已经能快速生成 CRM、客服系统甚至ERP demo，企业为什么还要继续给Salesforce、ServiceNow或SAP付费？

“做出一个工具”和“运营一个企业平台”，本来就是两件完全不同的事情。

谁拥有生产环境权限，哪些审批需要法务介入，哪些客户数据受到监管，哪些系统之间存在依赖关系，一个Agent调错接口会不会影响整个生产环境——这些关键问题，并不写在代码里，而是长期沉淀在企业内部的工作流、组织结构和生产环境之中。

虽然任何人都可以通过prompt快速生成一个应用，甚至用vibe coding搭出自己的CRM或财务系统。真正困难的部分是AI无法解决的：系统维护、网络安全、权限管理、合规审计、稳定性，以及大规模API调用下的生产环境管理。

还有一个经常被忽略的问题：AI token成本依然高企。

很多人会想象一种未来：企业不再购买SaaS，而是直接调用模型API，动态生成软件。但现实里，这种模式很多时候并不划算。企业SaaS最大的价值之一，本来就是把高频、稳定、标准化的工作流固化下来，而大模型更适合处理低频、模糊、非结构化的问题。

如果一家企业每天几十万次审批、客服、ERP查询、CRM调用都实时走大模型推理，那么token成本、延迟、稳定性以及推理资源消耗，很快就会失控。很多工作流，本质上并不需要“每次重新思考”，它们需要的是稳定、确定、低成本和高可靠性。

这也是为什么，大模型更适合作为“智能层”，却很难真正替代企业执行层（enterprise execution layer，企业执行层）。

过去软件行业最大的瓶颈是开发速度，而现在，新的瓶颈开始变成治理能力（governance）、可观测性（observability）、系统可靠性（system reliability）、工作流编排（workflow orchestration）以及安全体系（security）。

归根结底，AI正在让“写软件”越来越便宜，但“运行软件”并没有变简单。

企业真正需要的，从来不是一个能跑的demo，而是一个能够稳定运行十年、经历无数权限变更、合规审计和生产事故之后，依然不会崩掉的系统。

这恰恰是企业级SaaS真正能打的地方。

真正危险的，不是企业SaaS

而是“薄薄一层UI”

过去一年，市场一直在讨论“AI会不会杀死SaaS”。

如果仔细看行业变化，你会发现，真正被AI冲击最严重的是那些“薄薄一层UI包装”的工具型SaaS。

这类公司的共同特点很明显：它们通常解决的是一个非常单点的问题，提供一个轻量功能，然后在大模型外面包一层交互界面，比如会议总结、AI写作、文案润色、摘要生成、搜索增强、轻量自动化、AI助手。

一旦OpenAI、Anthropic、Google或Microsoft把类似能力原生集成进平台，它们的价值就会迅速被压缩。因为它们真正拥有的，往往只有“交互层”，而不是工作流，更不是基础设施。

这种趋势已经越来越明显。Otter.ai曾经是AI会议总结赛道最有代表性的公司之一。早期它的核心价值非常清晰：自动转录、生成摘要、提取待办事项。但很快，Zoom、Google Meet、Microsoft Teams、Copilot、ChatGPT全部开始原生支持会议转录和总结。

于是问题就出现了：如果会议软件、操作系统甚至模型本身已经自带会议总结，用户为什么还要额外打开一个Otter.ai？

Otter.ai既不掌握企业协同系统，也没有“系统记录源”（system of record，企业核心数据来源）的地位，更没有组织依赖关系。它提供的是一个“功能”，而不是一个“系统”。

也正因为如此，Otter.ai也开始往AI Agent和企业协作方向发展，让AI自动跟进待办事项、同步CRM、安排会议、调用企业知识库等。

Jasper的故事也类似。2022年，它一度是AI写作赛道最火的明星公司，融资和估值一路暴涨，因为在ChatGPT出现之前，“AI自动生成营销文案”本身就是一个非常惊艳的能力。但ChatGPT出现之后，整个行业突然发现：文案生成，本身只是大模型的基础能力。

于是Jasper很快开始转型，从“AI写作工具”转向企业营销工作流，希望进入团队协同、品牌管理和营销流程，因为它意识到，只靠“生成文案”本身，很难建立长期护城河。

越来越多AI-native SaaS开始拼命往“平台化”转，希望真正进入工作流、数据和企业协同体系。因为模型能力本身，很难形成长期壁垒。今天GPT更新，明天Claude升级，后天Gemini发布新版本，很多AI工具公司最核心的功能，可能一夜之间就会变成模型默认能力。

这也是为什么，市场现在越来越不愿意给“AI wrapper（AI套壳）”高估值。因为大家开始意识到：如果一家SaaS公司既不掌握数据，也不嵌入工作流，更没有组织级依赖关系，那么它本质上更像一个“功能”，而不是企业基础设施。

AI真正吃掉的是那些缺乏数据、工作流、权限体系和“系统记录源”地位的软件价值。

相反，真正掌握工作流和企业上下文的公司，反而会因为AI变得更加重要，因为AI Agent想真正进入企业，最终仍然必须运行在这些系统之上。

连Anthropic都还离不开工程师

AI真能取代SaaS吗？

过去一年，市场最大的误判之一，是把AI的“生成能力”误认为“企业能力”。

Anthropic CEO Dario Amodei是这种叙事里最激进的代表之一。他曾多次公开预测，AI很快将完成绝大部分软件工程工作，软件开发会被高度自动化。这样的表述很容易点燃市场情绪，因为它恰好对应了资本市场最喜欢的故事：代码成本趋近于零，软件行业的护城河也会随之消失。

但现实往往比发布会复杂得多。

一边是“AI即将接管软件工程”的口号越来越响，另一边，Anthropic自己却仍然在大量招聘工程师、基础设施人员和产品团队。原因其实很简单：AI可以提高代码生成效率，但它仍然远远无法替代复杂系统里的工程判断、架构设计、权限治理以及生产环境管理。

过去两年，行业已经出现越来越多类似案例。2026年初，Amazon内部就曾因为AI辅助生成代码引发严重生产事故。部分改动在局部测试里看起来完全合理，甚至能够顺利通过code review，但进入复杂生产系统后，却触发了巨大的“爆炸半径”，一度导致北美订单系统异常，影响数百万订单。

这其实暴露了AI Coding最大的问题：它很擅长生成“局部正确”的代码，却并不真正理解整个系统如何运转。

它可以快速生成函数、页面和接口，却不知道哪个服务和财务系统存在底层依赖，哪个权限策略会影响整个生产环境，哪个看似无害的改动可能触发连锁故障，哪些工作流背后牵涉审计、合规和跨部门协同。

某种程度上，AI更像一个效率极高、但缺乏系统责任感的初级工程师：它可以快速产出大量代码，但并不为捅的篓子负责。

而企业级软件最核心的价值，恰恰不是“能跑”，而是能不能稳定运行五年，能不能经历权限体系调整，能不能通过审计与合规，能不能在高并发与复杂组织协同下依然不崩。

AI更擅长“生成”，但今天真正支撑企业运转的，仍然是那些“靠谱”的系统

“AI将杀死SaaS”

本质上是一场华尔街资金迁徙

某种程度上，这轮“SaaSpocalypse”的叙事，本身更像是一场华尔街与AI公司共同推动的资本故事。

过去十多年里，SaaS一直是美股最赚钱的主线之一。大量云软件公司长期占据 QQQ权重核心，从Salesforce、Adobe、ServiceNow到Intuit、Atlassian、Snowflake，SaaS板块曾贡献了纳斯达克过去十多年里相当大一部分涨幅，投资人也获得了巨额回报。

当生成式AI出现后，资本市场自然会寻找“下一轮更大的故事”。相比已经成熟、增长逐渐放缓的SaaS，AI显然拥有更大的想象空间、更高的估值弹性，以及更容易讲述的未来叙事。于是，大量资金开始从SaaS撤离，转向GPU、算力、模型和AI Agent。

华尔街永远需要新的增长神话。

但市场同样存在周期。过去两年AI板块的疯狂上涨，本身已经积累了大量获利盘。一旦资金开始发现，许多AI业务并没有想象中那么具备经济效益：推理成本居高不下、商业化回报有限、企业付费意愿低于预期，而真正稳定赚钱的企业，依然离不开工作流、数据治理、组织协同和系统可靠性，那么资金自然会重新回流那些被低估、却仍然掌握企业核心基础设施的公司。

而那个方向，或许恰恰就是SaaS。

腾讯公司高级执行副总裁、云与智慧产业事业群 CEO 汤道生表示，AI进入新阶段，企业最关心的不再是要不要用AI，而是怎么把AI Agent用到业务里，选对模型，用好算力，拿到业务结果。腾讯云做的就是把算力、模型、Agent打通，帮助全球企业落地AI价值。

（图：汤道生在香港首届 Tencent Cloud Day上演讲）

打造Agent原生基础设施，Agent Runtime升级发布

随着Agent走向自主执行的生产力场景，传统云架构已难以适配其爆发休眠、长任务运行与多 Agent 协同等新需求。为此，腾讯云全面升级 Agent Runtime，围绕运行时、存储、记忆与安全访问等核心模块重做产品。

在运行层，腾讯云 Agent Sandbox可实现 50 毫秒级极速唤醒，相比业界主流方案提速约 20 倍，让Agent工作时才消耗资源，释放 70% 闲置算力。

在存储层，腾讯云全新发布 Agent CBS 与 Agent Bucket。其中，Agent CBS 专门为Agent设计了按实际容量计费的模式，让 Agent 存储资源能够像算力一样动态伸缩。Agent Bucket则为亿级用户提供专属云空间，支持原生多模态语义检索，覆盖数据传输、产物上云、智能查询全链路。

面向长任务场景，Agent Memory，通过 Context 卸载与符号化记忆技术，在降低约 60% Token 消耗的同时，将长任务成功率提升约 30%。

在安全访问层， Agent Gateway通过零信任与零凭证机制，让 Agent 在不接触企业真实凭证的情况下，安全访问企业系统与数据。

为 Agent 搭建全新基础架构的同时，腾讯云全面推进云产品“Skill 化”，将 100 多款云产品能力封装为 Tencent Cloud Infra Skill。用户无需再打开控制台或编写复杂命令，只需在 Agent 中调用技能简单对话，就能完成全栈云资源的查询、部署与运维。

除此之外，腾讯云 SkillHub 已汇聚超 76.万个 Skills，覆盖开发、办公、运维等各类 Agent 应用场景。上线仅两个月，下载量已突破 3000 万次。

AI能力全面出海，腾讯云加速全球化布局

继今年4月QClaw海外版上线后，腾讯Workbuddy、AI创意工作室 Miora也正式面向海外市场发布。

WorkBuddy 作为腾讯 AI 原生桌面级智能体，通过多任务、多 Agent 并行执行，帮助办公用户高效处理数据分析与日常生产力任务。

第三方报告显示，workbuddy月访问量及环比增速在国内PC端AI原生办公智能体市场中均居榜首，已成为中国最受欢迎的AI效率智能体服务。

腾讯智能体创意工作室Miora国际版也于28日开启邀测，支持AI生成图片、视频、UI/UX以及3D等多种模态的内容。

腾讯电子签海外版正式上线，适配亚欧美非多地法律框架，以全球合规覆盖、多级签署、主流CA合作及eKYC人脸核验四大能力，提供一套全球可信的电子签名解决方案。

依托覆盖全球 23 个地域、66 个可用区、3,200+ 加速节点的网络基础设施，腾讯云EdgeOne为全球客户提供极速、可靠、安全的网络加速服务，并最新推出EdgeOne Booster 边缘 AI 推理平台，将AI推理能力下沉至距离用户最近的边缘节点，实现毫秒级响应，加速覆盖全球核心区域节点。

腾讯云自2016年开始拓展国际业务，业务收入同比增长超 40%。在香港地区，腾讯云已连续七年保持高双位数增长，在此次峰会上，腾讯云宣布与中信银行（国际）签署为期三年的战略合作协议，成为其推动「金融科技2.0」数字转型的重要技术伙伴，并联合 UXSoft Global 宣布与BAPE Hongkong 等新客户的合作落地。

腾讯云国际高级副总裁杨宝树提到，香港企业正在从对AI的初步尝试阶段转向落地应用阶段。从香港出发，腾讯云将以更开放、更原生的能力，与全球客户与开发者共同构建 Agent 时代的下一代云。