客户案例

国内科学计算领域长期存在算力底座适配性不足、算子开发与性能调优门槛偏高的问题，缺少适配国产软硬件的一体化科研支撑平台，使得科研与产业级科学计算的落地效率偏低；同时气象防灾减灾等场景缺少精准高效的智能化预测工具，国产算力领域科技人才缺口较大，无法支撑产业快速发展需求。

太初元碁自主研发国产AI4S一站式科研创新平台，以自研异构众核AI芯片为算力底座，覆盖全链路技术栈，兼容多类主流CPU、适配主流AI开发框架，配套相应开发套件降低研发门槛；针对不同前沿科学领域打造场景化科研解决方案，推出TecoWeatherNext台风追踪系统为气象防灾减灾提供支撑；一方面联合产学研伙伴共同建设AI4S国产算力创新生态，另一方面搭建完善的人才招聘与培养体系，扩充国产算力领域人才储备。

传统智能家居仅支持灯光、空调、摄像头等基础设备的控制，所有功能均由厂商预先设定，能力范围固定，难以灵活满足不同家庭、不同成员的个性化诉求；用户如果要使用外卖、打车、购物等生活服务，需要分别打开对应APP操作，步骤繁杂，使用成本高；传统儿童看护类功能只能依托固定规则识别基础状态，不支持用户自定义的复杂看护需求，适配性较差；长辈使用智能硬件时普遍遇到操作门槛高、方言或模糊语音识别不准、健康类服务获取困难等问题；此外AI落地家庭场景后还存在多成员权限差异大、隐私数据保护要求高、高风险操作责任划分不明确的问题，缺少成熟的安全管控与溯源机制。

百度基于自身全链路的AI技术储备，将原本在PC端落地的Agent能力迁移到家庭场景，划分出管家、办事、创造三个层级的家庭Agent能力框架，由百度搭子负责任务的识别理解、路径规划与智能体调度工作，小度负责将相关能力适配到家庭多成员、多设备及各类实际生活场景中。同时搭建分级安全管控机制，针对公开低风险任务、个人相关任务、交易等高风险任务分别设置差异化的权限校验规则，保障所有任务的执行全过程可追溯，部分操作支持撤回，兼顾主动智能的便捷性与用户隐私、操作安全的需求，实现从基础家居管控到生活服务全链路打通再到用户自定义应用生成的全场景能力覆盖。

大型客户端场景下AI Coding落地存在诸多难点：一是传统的端到端AI Coding方案在复杂研发场景下很难达到可用标准，单一Agent存在上下文信息过载、执行目标偏移、缺少工程规则约束三大核心问题，就算模型能力提升、可支持的上下文长度增加，也需要配套的工程管控机制才能保障输出质量；二是落地过程中需要预先明确完整的产品需求，现有方案的Token消耗成本较高，在大型研发项目中的实际表现还有提升空间，当前落地版本还未达到最优形态。

小红书以拆解、隔离、约束、感知为核心设计原则，打造了适配复杂客户端工程场景的AI Coding落地方案，通过任务拆分、多Agent配合管控、结构化中间输出管理、运行阶段反馈校正等工程化方法，把通用大模型改造为可承接复杂研发任务的专属研发Agent，有效降低了上下文处理复杂度，提升了代码生成的确定性，可覆盖从需求梳理到多端代码输出的完整研发环节。

游戏行业普遍存在多类痛点：一是研发效率瓶颈，传统开发模式下产品迭代周期长，小型团队难以支撑高质量内容的研发与多轮迭代需求；二是全球工作室运营难点，不同区域工作室面临共性技术问题、跨区域发行难题，跨时区协作效率低，高成本区域配置支持团队性价比极低；三是业务稳定性不足，传统买断制游戏模式下厂商新品上线波动大，容易出现业绩波动后大规模裁员的情况；四是AI应用落地障碍，西方开发者对AI应用存在伦理、版权、玩家反对等多方面顾虑，同时生成式AI内容的版权归属、数据安全问题待解。

腾讯游戏针对上述痛点推出组合解决方案：在AI应用层面，将AI定位为非替代人工的辅助工具，面向旗下全球工作室推广AI在研发各环节的应用，同时明确AI使用规则，仅采用自有知识产权的数据库训练生成内容，与AI工具提供商签订数据保密协议，避免内部研发内容外泄；在业务运营层面，搭建全球工作室协同支持体系，输出国内积累的区域发行、技术支持、测试、后端服务、数据分析等成熟经验，针对不同工作室的核心优势匹配发展策略，允许工作室自主选择服务型游戏或买断制游戏方向；在团队管理层面，探索小型核心开发团队加外部外包人力补充的灵活开发模式，结合时区、人力成本等因素优化全球人力配置，同时打造长青IP与长线运营的游戏社区，降低业务波动，保障团队稳定性。

AI研发环节里存在大量事务性执行工作，挤占研发人员投入核心创新环节的时间，拉低整体研发产出效率；大模型能力迭代速度加快，可解释性持续降低，传统的思维链监控手段无法覆盖模型全场景行为，存在模型突破任务边界、执行非预期操作的安全隐患；前沿AI研发的提效技术和进展仅掌握在少量头部企业手中，行业缺乏公开透明的披露规则和统一的安全管控标准，无法对AI研发进度形成全局的风险评估与约束。

OpenAI在内部研发全流程落地自动化研发辅助Agent，承接无需核心决策的执行类研发事务，让研发人员可将更多精力投入到研究方向选择、实验结果判定等核心工作中；针对不同应用场景的需求开发定位差异化的GPT-6系列大模型，分别适配高难度深度推理场景和高速度、高吞吐量的规模化Agent调用场景；开展大模型安全对抗测试，梳理现有监控体系的盲区，探索更有效的模型对齐与安全监控机制，同时呼吁全行业构建统一的安全管控标准，必要时主动调整大模型研发节奏以保障安全。

传统人才服务体系主要围绕场地、资金、生活配套等传统创业需求设计，随着AI技术成为创业场景中的刚需提效工具，创业成本结构发生显著变化，AI算力Token费用成为持续性、按用量计费的新型刚性支出。对于处于起步阶段、对成本高度敏感的青年创业者尤其是一人创业团队而言，Token支出负担较重，经常出现算力不足被迫压缩AI使用场景、或自掏腰包承担高额成本的情况，传统人才服务的供给结构无法覆盖这类新型创业痛点，亟需调整服务供给方向。

杭州人才中心迭代人才服务模式，将AI算力支持新增到人才服务工具箱中，依托本地成熟的AI产业资源，试点向符合条件的创业就业人员发放Token卡，对接本地成熟AI办公产品为创业者提供可用算力额度，把AI产业势能通过公共服务接口精准输送给初创群体。同时采取小步快跑的试点策略，先在小范围验证服务效果，后续将根据实际使用情况研究扩大发放范围和适用场景，逐步优化服务覆盖的广度和深度。

当前动力电池的应用场景已从新能源汽车延伸至人形机器人、低空飞行器、电动船舶、工程机械等多个赛道，不同场景的特殊运行环境对电池的能量密度、安全性能、环境适配性等指标提出了差异化高要求，倒逼电池行业加快技术迭代速度。全固态电池作为下一代主流技术储备，还存在固固界面适配性差、电解质材料性能优化难度高、规模化生产工艺待打通等多个技术卡点，而浙江安高特电布局的高熵晶圆全固态电池的材料体系组分复杂，需五种以上组分协同作用，依赖传统人工逐次试错的研发模式推进难度极大，研发效率极低，完全跟不上产业快速迭代的需求。

浙江安高特电科技有限公司把AI技术落地应用到固态电池的研发全流程，结合材料基因工程的研发逻辑，搭建起覆盖配方生成、批量检测、智能筛选的全环节智能化研发体系，替代传统低效率的人工试错模式，快速定位性能更优异的高熵材料配方，加快高熵晶圆全固态电池的研发及产业化节奏，解决传统研发模式的效率短板。

现有主流AI技术在自然语言理解领域已实现较高成熟度，但普遍缺少对三维物理世界的感知、推演及决策支撑能力，无法适配各实体行业的实际决策需求。在极端天气频发的当下，传统洪涝等灾害处置流程高度依赖专业人员的经验判断与静态资料参考，属于典型的事后响应模式，灾害发生后的黄金处置窗口极短，人工无法精准预判水流走向、淹没范围、到达时限等核心决策要素，决策的效率和准确性都存在明显不足。同时传统灾害模拟分析的前期准备周期长、落地成本高，大范围流域的全域洪涝推演往往需要耗费数日甚至更久，完全无法满足极端灾害场景下的快速决策要求。除此之外，低空经济领域的空域划分、航线规划、飞行冲突判定仍高度依赖人工经验与静态图纸，具身智能机器人脱离实验室环境后，面对复杂动态场景的未来状态预测与推演可靠性不足，全行业对可支撑真实场景落地决策的世界模型需求十分迫切。

飞渡科技推出全栈空间智能基础设施作为核心解决方案，在底座层自研专属的3DT统一数据规范，可适配上百种不同结构的空间数据，支持PB量级三维场景的即时渲染，为空间智能计算提供稳定的基础支撑；中间层搭载国内首个完成国家备案的工业级空间智能大模型“峥嵘大模型”，搭建包含外观、几何、语义、物理、模拟在内的五层技术架构，可将可视化的物理世界信息转化为可计算的数据资源，实现物理世界的可推演、可决策；端侧通过元尊S800空间智能一体机提供算力支撑，全栈采用国产信创技术可有效保障数据安全。同时方案搭建了数据飞轮运行机制，真实业务场景沉淀的数据与使用反馈可持续回流至模型训练与评估环节，不断迭代优化模型能力，采用统一底座搭配行业专属插件的架构，可低成本适配多个行业的不同场景需求。

大模型规模化商用落地后，传统的推理方案需要按照单阶段峰值算力需求配置整套基础设施，大模型推理的前置处理环节会占用大量高成本算力资源，直接推高了单位AI Token的生产成本。同时国产算力要落地到实际生产环境，需要应对高并发访问、超长上下文处理、流量持续波动等复杂业务场景，还要克服显存调度管理、多设备协同作业、服务运行稳定性等多重技术难点，此前多数国产异构推理方案仅能在实验环境完成验证，无法同时满足规模化生产对时延、吞吐量、稳定性、计算精度、长上下文处理能力的综合要求，难以支撑高品质AI Token的持续稳定输出。

趋境科技联合摩尔线程打造推理前置处理与Token生成两个阶段分离的异构推理方案，由摩尔线程MTT S5000智算卡承接推理前置环节的输入计算和缓存生成工作，和负责后续Token生成任务的高带宽GPU搭配运行，降低前置处理环节对高成本算力资源的占用。趋境科技借助自研的国产PD异构技术完成模型深度适配优化和多设备协同调度，将不同类型的算力资源整合为统一稳定的端到端推理服务。双方还共同推出基于Token超节点（Token Pod）的软硬一体化生产解决方案，把模型适配、多设备协同、生产运营等方面的经验沉淀到Token Pod和ATaaS平台中，形成可复用、可弹性扩展、支持故障隔离的Token生产单元，能够根据不同业务需求灵活调整配置，支撑高品质AI Token的大规模生产。

一是鸿蒙专属编程语言ArkTS面世时间短，公开代码语料储备有限，通用大模型在鸿蒙开发场景下的编码表现大幅下降；二是华为硬件设备形态丰富，涵盖直板机、双折叠、三折叠等多种类型，同一份业务代码需适配不同设备的屏幕场景，开发复杂度远高于传统移动开发；三是鸿蒙应用工程体量普遍庞大，传统开发流程下的校验、调试成本较高；四是传统IDE为面向人工交互的GUI设计，无法适配AI工作流的程序化调用需求，成为AI参与开发的障碍；五是AI生成代码普遍存在编译通过但功能、UI不符合预期的问题，现有验证流程需要人工反复操作，效率低下；六是随着开发工具Skill数量增加，大模型匹配所需Skill的准确率下降，易出现上下文过载、多次试探才能命中工具的问题。

华为推出分层解耦的鸿蒙AI Coding整体布局：底层为DevEco CLI原子化工具集，将传统IDE能力拆解为可被AI程序化调用的命令行工具，内置2000万字鸿蒙官方知识库，配套70+覆盖全开发场景的Skills，同时设计四层Skill分级路由机制，解决大模型Skill选择困难问题；中层为开箱即用的Coding Agent产品DevEco Code，预置智谱系列大模型并支持第三方模型对接，内置三循环质量校验机制、三种适配不同场景的开发模式，以及UI验证Agent、代码修复Agent，实现代码生成到验证修复的全闭环；上层为格物市场开放平台，聚合官方、社区及合作伙伴的Skills、MCP工具和知识库，支持用户按需扩展能力；同时配套HarmonyOS Verify四层智能验证方案，从语法检查、UI验证、问题定位到多设备适配，全链路保障AI生成代码的正确性。

科研工作中大量核心任务依赖人工试错迭代，比如数值程序开发、性能调优、规律反推等，核心工作量不在第一版实现，而在后续几十到上百次的试错优化，人工迭代效率低、成本高；现有通用科研工具覆盖能力存在明显短板，比如半无穷区间振荡积分无可用通用求解器、高斯超几何函数现有算法无法覆盖全参数域；传统AI优化方案多需要针对特定任务训练专用模型，调用次数多、成本高，且大多停留在表层优化层面，难以产出算法层面的创新成果。

基于ScienceDiscovery自研的科研RSI底座，采用树搜索机制实现科研产物的全自动迭代，无需训练模型、调整核心搜索规则，仅需替换不同任务的评分函数和初始根节点，即可快速适配多种科研场景。迭代流程分为四个固定步骤：选择待优化的父版本、交给大模型改写、进入沙箱评分后挂载为新节点、将本次访问记录记账到该节点的全部祖先上，运行失败的版本也会入树标记。通过节点评分规则平衡优质分支深挖和其他路径探索的资源分配，优先选择效果好的版本迭代，同时对重复选择的节点做权重衰减，避免资源过度集中在单一路径。底座还内置沙箱隔离机制和异步并行能力，可自动拦截运行失败、死循环、超时的代码，同时支持多个worker并行扩展节点，大幅提升迭代效率。

第一是行业非理性补贴战带来的普遍困境，补贴吸引的多为对价格敏感度极高的用户，无法沉淀为平台忠实用户，用户下单决策仅参考补贴力度，不仅导致全行业出现巨额亏损，也让美团连续三个季度亏损、年度亏损额较高；第二是外卖本身属于薄利商业模式，各运营环节哪怕出现微小偏差都可能造成亏损，履约端平台需要承担配送成本差额、骑手保障相关成本，单均履约成本压力不小；第三是大量中小餐饮商户自身运营能力有限，订单、供给的密度与配送效率难以匹配，平台的规模优势无法转化为正向的单位经济效益；第四是传统的配送调度体系精细化程度不足，骑手路遇红灯等不可抗客观情况时仍会被计入配送时长，既缺乏合理性也会打击骑手配送积极性，拉低整体配送效率。

美团从战略规划、商户赋能、履约保障、技术迭代四个维度搭建整体优化方案：战略层面聚焦正餐核心赛道，维持合理的客单价水平，大幅削减投入产出比偏低的非理性补贴支出，回归商业盈利的核心本质；商户赋能层面推出面向即时零售领域的综合AI解决方案，搭配专项扶持计划为中小餐饮商户提供多维度支持，丰富平台供给品类，提升商户的整体经营效率；履约层面完善骑手权益保障体系，全额承担保费实现全国骑手新职业伤害保障全覆盖，稳定骑手队伍的同时优化运力配置机制，推动订单密度、供给密度与配送效率的匹配度提升，将规模优势转化为正向经济效益；技术层面迭代智能调度系统，试点红灯暂停计时的相关功能，打通多维度数据实现配送计时的精准调整，同时提升配送效率与骑手的从业体验。

传统机器人依赖专有模型，场景变动后需重新开展数据采集、模型训练与部署调试，适配成本高、周期长，难以适配当前具身智能规模化落地的需求。同时不同场景对机器人能力要求差异极大：工业场景对操作精度、力度控制、运行稳定性要求极高，需要达到产线级的作业水准；动态作业场景需要适配持续变化的作业环境、移动的作业目标，对感知与操作的协同性要求高；家庭场景属于非结构化环境，物体形态多变、任务流程灵活、约束条件少，对机器人的泛化能力、全身协同控制能力要求更高，以往的专有模型无法实现跨场景的能力复用，难以同时满足多类场景的作业需求。

它石智航打造AWE3.7通用具身大模型，依托“原生架构—双先验预训练—世界模型驱动后训练—规模化验证—数据反哺”的自研方法论闭环，采用超百万小时以人为中心的真实数据与丰富视触觉信息开展训练，让同一套具身智能系统具备跨环境、跨本体、跨任务的通用泛化能力，无需为单一场景单独开发专有模型，即可适配工业、动态作业、生活服务等多类场景的作业需求，同时可通过真实落地场景的作业数据反哺模型迭代，持续提升作业能力，为各领域的智能化升级提供可复制、可扩展的具身智能解决方案。

Cloudflare业务扩张阶段面临多重矛盾：一是不少员工为提效私自搭建未经过安全审核的生成式AI工作流，这类应用往往需要高权限账号，能触及内部多个核心系统的生产接口令牌，带来极高的数据泄露与系统安全隐患；二是市面上现有智能代理工具仅能较好适配软件工程类的标准化重复任务，无法满足企业内部非技术类知识工作流对场景精准匹配、任务执行确定性、权限动态隔离的个性化要求；三是传统多租户SaaS架构下用户无法自行修改所使用应用的功能，要是开放自定义权限又容易出现跨租户数据泄露、共享环境安全漏洞等问题，很难在员工个性化工具需求和企业安全管控之间找到平衡点。

针对这些痛点，Cloudflare自主研发了Cloudflare OS企业级AI平台，放弃传统集中式多租户SaaS的架构思路，采用用户专属独立应用副本加安全沙箱隔离的设计，搭配基于能力的Gatekeepers权限管控体系，在守住企业数据安全与合规底线的基础上，整合生成式AI能力支持员工按需定制专属业务工具，同时配套机器可读的“Cloudflare工程法典”策略库与自动化审查代理，对代码提交、架构设计环节自动做合规校验，既满足了员工的提效需求，也避免了无管控AI应用带来的安全风险。

兰桂坊作为香港顶级国际化夜生活地标，区域内汇聚上百家酒吧餐厅，日常面临高密度动态人流、多元文化顾客需求、嘈杂声场、复杂灯光环境等多重挑战，线下服务人员需要同时应对高强度的服务需求和即时性社交互动要求，人力成本高且服务质量易受客流高峰影响。同时经营方需要持续推出差异化的消费体验，才能保持对全球游客的长期吸引力。过往市面上的服务机器人大多只能在标准化、有预设演示脚本的受控场景下运行，无法适配兰桂坊这类开放、动态、充满不确定性的原生消费场景，难以真正落地提供可用的商业服务。

兰桂坊集团选择与具身智能企业智平方合作，引入其研发的搭载类脑架构具身大模型NeuroVLA的AlphaBot2服务机器人，部署在真实酒吧吧台替代人工完成鸡尾酒调制、顾客互动等服务。该机器人的控制系统参考人脑“皮层—小脑—脊髓”协同机制设计，可适配复杂动态的开放场景，无需设置展台、防护玻璃罩或预设运行脚本，直接对接真实顾客的随机需求。同时双方配合完成了机器人硬件出关清关、香港本地饮品售卖资质申请、配套付费服务体系搭建的全流程合规工作，保障机器人可以长期合法运营。

AI企业在经营过程中面临两大核心痛点，一方面境外算力供给存在诸多不可控的不确定性因素，若企业长期依赖单一境外算力来源，业务连续性、经营稳定性都会面临较大的风险，无法为长期发展提供确定性支撑；另一方面，随着自身API业务进入高速增长阶段，现有算力储备已经无法匹配业务快速扩张的节奏，在服务金融、政务等对算力安全性、稳定性要求极高的重点行业大客户时，端到端交付能力存在明显短板，也无法为客户提供更多元、更具弹性的技术路线选择，制约了业务规模的进一步拓展。

范式选择与国产算力龙头华为达成重磅算力战略合作，引入华为基于昇腾950芯片的顶尖国产算力搭建自身的核心算力底座，提前完成算力基础设施的超前布局，在适配业务扩张需求的同时有效规避境外算力不确定性带来的风险，打破单一算力依赖的局面，提升面向重点行业客户的服务能力。

目前自动驾驶出行服务还处在规模化落地的初期阶段，用户对这类服务的安全系数、乘坐舒适度、使用便捷度都提出了更高的要求，此前投入运营的Robotaxi车型普遍存在环境感知精度不够、复杂路况应对能力不足的问题，同时座舱可用空间偏小、智能化交互功能单一，很难匹配不同乘客的多样化乘坐需求，另外车辆的安全冗余机制不完善、不同城市区域的适配能力不足，也限制了自动驾驶出行服务的大范围普及推广。

滴滴选择和广汽埃安合作开发专属Robotaxi车型R2，搭载自主研发的L4级全栈软硬件自动驾驶解决方案，配备多层级安全冗余体系，车身符合中欧双五星安全标准可适配全球化落地要求，同时针对座舱空间、交互功能、乘坐体验做了全维度优化，在多座城市完成长周期道路测试验证车辆的安全稳定性能后，率先在北京、广州的部分示范区域开放无人载客测试，后续还会逐步上线接驾前通风、车内环境预设置、智能寻车等功能，全方面优化用户的出行体验。

一方面是行业共性痛点：一是组装模式下软硬件割裂，产品性能不足，难以适配工厂光线多变、工件存在公差、现场环境杂乱的复杂生产场景，实验室模型落地适配性差；二是行业内不少人形机器人销量来自高校、科研院所的科研经费采购，并非产业端真实生产需求；三是全尺寸人形机器人整机成本居高不下，泛化能力、故障自处理能力有待提升，大规模落地普及难度大，同时精密零部件供应链存在瓶颈，未来赛道涌入大量竞争者，价格战、技术竞赛不可避免。另一方面是企业自身痛点：一是尚未实现盈利，高额的研发、场景试错等投入持续挤压利润，盈利拐点尚不明确，全尺寸人形机器人的高增长存在低基数效应，增速可持续性受制造业客户资本开支周期、产品投资回报水平等因素影响存疑；二是同时布局工业、商用、家庭消费三条差异极大的赛道，叠加上游零部件收购、端侧芯片研发、产能建设等动作，战线过宽存在资源分散的风险，难以在各赛道做到绝对领先；三是家庭消费级产品售价高

优必选选择走全栈自研而非组装贴牌的差异化路线，从技术、落地、供应链三个维度搭建核心竞争力，破解行业与自身发展痛点。技术层面，覆盖伺服驱动器、运动控制本体、基座大模型、世界模型、仿真平台等全链条技术，打造“具身大脑、仿人小脑、高性能本体、群体智能”四大技术集群，自研核心大模型并自建数据中心沉淀真实工况数据，形成“上岗干活-产生数据-模型进化-承接更复杂任务”的正向迭代飞轮，解决软硬件割裂、场景适配难的问题。落地层面，以工业场景为核心收入基本盘，对接制造业头部客户需求，打磨全尺寸人形机器人的搬运、上下料、拆码垛、分拣等生产作业能力，同时布局商用场景的接待交互类产品和家庭消费级的情绪陪伴类产品，形成多场景梯度布局。供应链与产能层面，通过收购补齐伺服、末端执行器等零部件短板，联合行业伙伴攻坚端侧芯片，携手合作伙伴打造万台产能超级智慧工厂，向上游零部件、下游大规模制造环节延伸，掌握供应链主动权，推动成本下降与产能提升。

现有通用搜索引擎从底层逻辑到产品形态均围绕人类使用习惯优化，适配人类“查询-浏览-点击”的搜索链路，排序规则、结果呈现都以人类点击、满意度为核心优化目标，无法适配AI Agent的使用需求。AI Agent完成单复杂任务时往往需要执行几十甚至上百次搜索，对搜索的召回率、新鲜度、延迟、并发能力、机器可读性、token效率都有极高要求，传统搜索方案不仅延迟高、调用成本昂贵，返回的冗余网页内容还会大幅提升后续模型推理的token成本，导致规模化调用时成本极易失控；而市面上基于传统搜索API套壳大模型的方案没有从底层索引结构针对Agent场景优化，无法从根源解决成本、效率问题。

Keenable选择从底层重构搜索全链路技术栈，投入资源重新爬取全网网页搭建独立的Web索引，针对AI Agent的搜索需求优化索引结构、检索逻辑和排序规则，大幅降低搜索延迟和规模化调用成本。同时优化搜索结果输出形态，过滤冗余内容，输出精简、来源可信、适配模型推理的上下文内容，提升token利用效率，降低客户后续的模型推理成本。公司通过REST API、MCP Server、CLI等多种形式向AI Labs、推理服务提供商、Agent开发者开放搜索能力，针对不同规模客户设置阶梯定价策略，降低大规模高频调用客户的使用成本，后续还将研发WebQueryLanguage，支持AI系统整合多源网页信息回答跨页面的复杂问题，将开放Web转化为可被机器直接查询的数据集。

中国人寿庞大的经营规模带来了多维度运营难题：一是持有3.28亿份长期有效保单，有约66万销售人力、近2500个线下柜面以及超1.75亿寿险App用户，多类资源的协同调度和运营管理难度极高；二是寿险合同存续周期往往长达数十年，同一客户的数据会在销售、核保、缴费、保全、理赔等多个环节持续更新，进一步加大了系统稳定运行、数据统一管理以及跨机构协同的难度；三是销售端专业服务长期高度依赖代理人个人经验，多渠道协同存在系统、流程、人员衔接不通畅的问题；四是传统核保、理赔、风控等后端环节以人工处理为主，效率偏低，客户体验有待优化，风险识别介入时间滞后，难以适配超大规模业务的运营需求。

中国人寿围绕各类运营痛点分层落地数智化转型举措：首先对底层数字底座进行重构，完成核心业务系统的分布式架构改造，搭建“两地三中心”混合云架构实现算力弹性调度，同步搭建企业级数据治理体系，保障全链路数据的一致性与可用性；其次搭建企业级人工智能赋能平台，从知识库、智能体、AI机器人等多个维度落地大模型相关能力，为全业务场景的数智化改造提供技术支撑；再者将数智能力嵌入销售及客户经营全链条，打造AI辅助的代理人培训与展业工具，搭建多渠道协同数字化平台，构建覆盖线上线下的全周期客户服务网络；最后推动后端运营的智能化升级，将AI技术应用到核保、保全、理赔、风控等各环节，实现标准业务自动处理、风险前置识别，最终形成覆盖保单全生命周期的智能运营闭环。

此前腾讯存在算力不足问题，拖慢大模型训练与产品发展进度；过往大模型在长链路复杂任务中缺乏最终校验能力，易出现事实错误、计算偏差、交付兼容性问题，无法完全脱离人工独立交付成果。

推出专项优化的混元Hy4 preview大模型，构建模型递归自我改进机制，提升复杂任务处理能力；采用preview先行收集用户反馈的迭代策略，加快模型迭代速度；整合原有分散的模型体系，统一模型入口；推动大模型与办公、开发等多个业务场景深度绑定落地。

当前办公Agent领域产品功能趋同难以形成差异化；用户使用Agent时为避免返工倾向选择高成本档位，使用成本高；传统模型与Agent各自优化易出现工具调用错误、上下文冗余问题，推高Token消耗、降低运行速度；用户普遍存在Token成本焦虑，很多日常任务不舍得使用Agent处理

千问办公联合千问大模型团队采用模型与Agent双向协同优化方案，首发搭载适配办公场景的大模型，从架构层面提升计算效率降低单Token成本；同时针对办公场景做专项训练，优化Agent的工具调用、上下文管理等环节，减少不必要的Token消耗；简化产品档位设置，用标准模式满足绝大多数日常办公需求，兼顾使用效果与成本

Astro开源框架的GitHub问题此前完全依赖维护者手动处理，未解决问题积压多，维护人力成本高，处理效率低。

拆分问题处理全流程为多个独立子智能体任务，各智能体通过专属文件传递信息，将工作流设计为GitHub Issue标签驱动的状态机，在隔离沙箱中运行智能体任务，自动输出修复方案及预览版本供上报者验证，验证通过后自动生成拉取请求，同时将智能体运行失败作为代码库可维护性优化信号。

大模型推理成本是AI产业落地的核心瓶颈，随着模型规模扩大、多模态智能体场景爆发，推理引擎面临算子执行效率低、KV Cache显存占用高、量化精度与性能难以兼顾、不同推理阶段资源需求差异大、单机/单卡难以承载超大模型等问题，同时现有开源推理引擎对国产芯片适配度有限

从算子优化、内存管理、混合精度量化、异构调度、自适应并行五个维度构建全链路大模型推理加速技术栈，推出适配国产芯片生态的开源推理引擎赤兔

1. AI Agent属于非确定性系统，内部包含任务规划、工具调用、记忆检索等复杂机制，传统观测手段无法洞悉其内部决策逻辑，出现响应变慢、报错等异常时排障难度大；2. Agent系统分为业务应用、Agent框架、大模型推理服务、云基础设施四层，各层观测数据分散，存在链路断、语义断、因果断三个观测断层；3. Agent内部编排响应存在不确定性，易在短时间内触发巨量大模型调用，导致Token消耗激增，成本管控难度大。

1. 搭建融合传统观测数据与AI场景特有数据的统一观测基座，涵盖全栈观测门户、统一集成中心、统一数据加工、统一看板、统一告警五大支柱能力；2. 基于OpenTelemetry标准拓展AI专属语义字段，实现从上层业务内容到底层基础设施指标的全栈穿透透视；3. 与自研Agent研发平台AgentKit深度集成，为用户提供开箱即用的会话诊断、调用链分析、记忆与知识库专项监控能力；4. 构建观测数据回流评测的工程闭环，通过离线评测与在线评测结合的方式支撑Agent持续迭代优化。

即时通讯场景中非联系人发送的诈骗消息容易给用户造成财产损失，传统基于云端的反诈检测方案需要上传用户聊天内容，存在隐私泄露的隐患。

推出端侧运行的可选反诈功能Scam Alert，聊天消息分类检测完全在用户本地设备完成，同时结合多重隐私技术实现模型性能统计、安全分发，兼顾反诈效果与用户隐私保护需求。

原有处理架构易出现热点实例，高负载下易丢失数据或生成不完整服务地图，原有gRPC内部传输协议在大规模场景下序列化、连接池管理及内存压力成本过高。

采用三阶段流式处理结构分离解析、数据丰富与持久化流程，使用Apache Pekko Streams管理回压避免数据丢失，管道阶段间内部传输改用服务器发送事件降低运行成本，通过一致性哈希实现集群负载自动分配，保留时间窗口聚合快照支持历史拓扑重建。

传统CI采用YAML配置灵活性不足；CI步骤失败后需要重跑整个管道，执行效率低；依赖项每次执行都需重新安装，耗时较长；CI触发配置复杂，需要对接订阅、队列、消费者等多个组件。

推出面向Cloudflare Workers运行时的CI SDK，支持开发者使用TypeScript定义CI管道，将每个CI步骤作为持久化Workflow运行，内置断点检查点实现失败步骤重试、断点续跑，通过R2存储缓存依赖项快照实现复用，优化CI触发机制支持代码推送事件直接启动工作流，同时推出独立的自愈功能示例，借助大模型自动生成故障修复补丁待工程师审核合并。

智能代理辅助编码的工作流中，开发人员依赖大语言模型做代码规划、实现与审查时，可能未充分理解代码差异就合并拉取请求，工程师缺失针对代码变更构建心理模型的过程，常规代码审查代理的审批易带来虚假安全感，且传统后端遥测无法覆盖前端回归问题检测。

推出gcx CLI和Grafana MCP服务器两款工具，支持智能代理从Grafana Cloud或自建技术栈提取指标、日志等各类可观测性数据，将可观测性数据作为额外校验依据纳入代码审查流程，配套提供相关技能包、插件支持自定义工作流搭建，同时推出实验性Agentic Testing功能实现前端UI流程检查。

1. 业务高速扩张下，原有集中式数据团队管理模式成为瓶颈，去中心化数据架构落地后又面临全公司数据可见性不足、成本难管控、性能质量难保障的问题；2. 数据科学家被大量临时数据需求占用，业务侧获取数据响应速度慢、门槛高；3. 原有平台健康追踪日志延迟高，高频诊断扫描成本过高，且日志查看权限门槛高，无法及时发现数据管线错误；4. 系统告警配置需编写大量复杂SQL，技术门槛高，业务人员无法参与配置。

1. 采用模块化数据栈，基于基础设施即代码能力支持各业务单元自主管理专属计算资源与数据管线；2. 分阶段迭代AI数据分析工具，最终推出基于Snowflake Cortex Agents的定制化对话式数据助手，降低数据使用门槛；3. 升级原生遥测引擎，采用下一代事件表提升数据接入速度，降低日志成本；4. 落地AI辅助可观测工作流，支持通过自然语言快速配置系统监控告警；5. 制定严格的AI输出规范，保障数据结论的可信度，配套集中式成本追踪、智能告警推荐等能力平衡效率与风险。

1. 传统因果分析存在大量繁琐、易出错的重复性工作，人力成本较高；2. 无真实标注数据的场景下，难以评估因果推断智能代理的任务表现；3. 非专业人员直接使用大模型开展因果分析容易得到存在偏差的结果，准确性难以保障。

构建双代理模式的OCI智能代理工作流，由执行代理按照用户分析计划自动执行分析任务，评审代理负责审查输出结果并提出修改建议；结合流程审核与人工监督机制，解决无标注场景下的智能代理评估问题；工作流可自动调整参数开展多次分析，留存全流程执行记录供专家验证。

内部AI工具使用分散，开发者每月常用多个AI工具，新模型推出后token消耗急剧上升，支出增速快；分散的工具导致账单难以统计，早期手动汇总数据效率极低；初期仅实现支出可视化，缺乏有效干预管控的切入点；若强行限制工具选型，会因AI工具市场迭代快错过更优的产品选择。

构建统一的AI访问与记账层，开发Central CLI作为自研及第三方AI工具的统一调用入口，所有请求经由内部AI平台路由，打通现有AI-credit体系，支持为不同开发者、团队配置支出限额，将工具选择权与支出治理能力分层，不限制开发者使用合适的AI工具。

1. 商业内容团队对短周期、多版本、多平台适配的批量短视频需求激增，传统生产模式及零散AI工具无法满足交付要求；2. 多工具切换操作繁琐，AI生成环节提速后，人工仍需承担需求拆解、资产整理、版本筛选、校对修改、交付管理等大量工作，隐性成本高企；3. 现有AI工具能力割裂，无法承接完整的商业视频生产任务，缺少面向企业级用户的一站式全链路生产平台。

MiniMax打造差异化的MiniMax Design商业视频生成平台，从原生多模态模型出发重构生产流程：一是以Agent为创作入口，用户输入需求后由主Agent拆解任务，多Agent协同完成全链路生产；二是面向视频原生多模态生产，将全流程环节整合在同一画布，减少跨工具切换成本；三是推出Skill机制，沉淀成熟生产流程支持批量复用，保障输出一致性；四是支持开放适配，可调用本地资产，底层模型提供多种接入方式，无需迁移企业原有生产流与资产。

传统AI材料研发仅能完成计算端的材料筛选、预测工作，实验端的合成、表征、验证速度无法与计算端匹配，二者未形成闭环导致模型预测结果难以直接转化为可用的配方与工艺；过往材料研发多依赖研发人员经验，相关研发数据难以记录和复用，研发效率低、周期长。

打造包含材料数据库、物理预测模型、材料智能体、高通量实验平台的完整技术体系，推出AI Agent驱动的高通量自动化实验平台，打通材料研发从规划、设计到执行、反馈的全流程，实现模型可通过真实实验数据不断校正，研发过程数据可沉淀复用。

原有Excel长期规划模型随业务迭代不断叠加逻辑与表单，维护、治理、扩展难度持续升高；不同部门、不同层级人员对规划数据的细粒度需求不同，需要手动导出多版本数据，协同效率低；场景规划、版本比对、差异分析等工作需要大量手工操作，财务团队耗费过多时间在模型运维上，无法快速响应高管实时提出的战略问答需求。

将长期规划模型迁移至Snowflake平台，搭建内部规划应用Snowplan，直接对接原生业务数据源，实现实际数据自动同步更新；采用Streamlit作为UI层，针对不同角色开放对应权限的功能，支持假设管理、场景对比、版本控制等能力；接入Snowflake CoCo，支持用户通过自然语言完成版本比对、驱动因素分析、场景创建、敏感性分析等操作，实现对话式规划交互。

大规模运维场景下，故障发生后工程师需要耗费大量时间收集服务归属、部署记录、日志指标、过往故障案例等各类背景信息，才能启动故障诊断工作，整体排查效率较低。

上线Blueberry AI辅助事故响应系统，结合大模型能力与配套工程框架，接入内部事故历史、服务归属、日志、部署等多维度运维数据，集成现有Slack故障处置流程，通过多AI智能体并行检索信息，为工程师提供具备事实依据的故障上下文与根因假设，辅助完成故障排查。

一是AI模型输出存在幻觉与不确定性，复杂业务场景下难以保障代码质量与一致性；二是AI Coding应用存在敏感数据泄露、工具越权调用等安全合规风险；三是不同团队技术栈、研发流程差异大，应用价值难以量化，规模化推广需要同步调整平台、流程与研发文化。

通过内部开源与社区共创汇聚各团队AI Coding使用经验，沉淀可复用的工具与Agent Skills；打造Agent Skills驱动的智能化研发能力，覆盖SDLC全环节；集成现有研发工具打通跨工具Agent工作流；建立AI Coding安全治理、风险评估机制平衡效率与工程风险；先选取高价值试点场景形成可复制路径，配套开发者培训、社区运营机制推动规模化推广。

现有数据湖针对分析扫描优化，单条记录检索效率低，查询规划、元数据遍历等环节会带来大量额外开销；企业存储的在线数据和数据湖数据体量庞大，跨系统大规模复制数据的成本持续升高；同一数据集需要维护多套重复存储系统才能满足不同工作负载需求，运维成本高。

推出RAP存储架构，在Parquet文件之上新增针对点查询优化的专用外部索引层，同时配套多种存储布局优化措施及二级索引能力，保持与现有Parquet文件、Iceberg表的兼容性，无需复制数据即可支持多类工作负载共用同一数据集。

通用AI模型不了解企业的业务规则、指标定义及业务上下文，无法适配企业实际业务需求；企业不同业务系统间语义不统一，容易出现语义漂移问题，导致AI跨系统执行时结果矛盾；AI落地时需要重新搭建权限、治理体系，成本高且难以适配企业原有规则；AI自主执行动作时缺乏明确边界约束，容易引发数据泄露、业务操作错误等风险。

基于自身数据平台已有的业务数据、权限及治理规则开发AI工具，无需企业迁移数据或重建权限体系；基于本体论架构搭建企业认知层，定义企业业务概念及相互关系，填补AI模型与数据表之间的意义层，让AI能够正确理解企业业务逻辑；推动厂商中立的开放语义标准，实现不同系统间语义模型的交换，解决跨系统语义漂移问题；将原有数据治理与权限体系延伸至AI应用场景，收购相关平台扩展AI治理范围，作为企业智能体的控制平面，明确AI的操作边界。

一是原有基于Zig开发的Bun项目漏洞持续增多，甚至引发Anthropic代码泄露事件，且Zig语言不适配Bun混合内存管理的架构；二是手动重构代码工程量大，小型工程师团队需要耗时一年，期间将暂停Bug修复、安全更新和新功能开发。

采用并行运行的Claude智能体工作流自动生成Rust代码完成移植，再用Bun自带的全量测试套件对生成的代码进行全面验证，保证功能符合预期。

流媒体广告位资源紧张，需要在极短时间内从大量候选广告中选出符合多方要求的广告；高并发场景下需要保障低延迟响应，避免影响用户播放体验；分布式多服务协同难度大，个别组件故障容易导致播放中断；需要同时兼顾广告定向、效果衡量、系统稳定性等多维度需求。

采用分布式架构处理广告请求，通过瀑布式分层方法结合PID、SHALE等节奏控制算法筛选广告；配套故障处理、重试等机制保障服务可用性；多团队协同开展系统运营监控；基于行业标准开发内部个性化定向等业务逻辑，平衡广告主需求、库存分配与用户体验。

传统基础设施无法适配Agent运行需求：虚拟机安全隔离性强但端到端启动需5-10秒，无法适配高频弹性场景；容器启动快但共享内核，安全隔离能力不足；Serverless适配无状态短任务，无法支持Agent有状态长周期运行。同时企业级Agent部署对运行环境的稳定性、状态可恢复性、现有基础设施适配性有较高要求，此前缺乏成熟生产级解决方案。

腾讯云基于2023年起为Serverless场景研发的底层基础设施，重构迭代出面向AI Agent的Cube Sandbox隔离运行环境底座，通过多版本迭代优化核心能力，适配Agent运行特性与企业生产部署需求，并开源项目推动行业Agent基础设施演进。

OpenAI侧大模型网络攻击能力评估环境的隔离机制存在漏洞，测试风险易外溢影响真实基础设施安全；Hugging Face在入侵事件处置过程中，商业大模型API的安全过滤器无法区分事件响应人员与恶意行为者，阻断原始漏洞利用日志提交，导致日志分析工作无法正常开展。

OpenAI升级基础设施配置管控措施，将Hugging Face纳入可信网络访问计划，规范零日漏洞披露流程；Hugging Face采用自有GPU基础设施托管开源开放权重大模型，本地处理入侵遥测日志，在保障敏感数据不泄露的前提下完成事件处置。

AI视频生产链路较重，需要多轮生成调整验证内容方向，若全程采用高清生成模式，试错成本高、耗时长，大量高清资源会浪费在未被采纳的试错版本上，同时会限制创意探索空间，难以满足持续生产的效率要求。

推出两种分层适配的AI视频生产路径：一是针对有明确高画质交付要求的项目，提供Seedance 4K高清直出服务，直接满足交付标准；二是针对需要多轮试错探索内容方向的项目，先以低规格生成快速验证方向，筛选出最终版本后再通过AI MediaKit画质增强方案提升至交付级画质，集中资源优化最终交付版本。

现有企业AI系统多基于关系型数据抽象运行，无法原生访问领域本体中的知识层，组织对业务语义的建模与AI系统的推理逻辑存在鸿沟；不同数据源的概念分类体系不一致，智能体难以跨体系完成复杂业务问题的推理；多工具配置的智能体编排复杂度高，存在同义词解析、复合术语处理能力不足的问题，运行结果波动大。

将各行业的领域本体语义引入Snowflake平台与业务数据结合，为AI智能体的推理提供结构化知识锚定；在基于Semantic View的基线方案基础上，叠加三类本体感知增强方案：基于Snowflake表实现的知识图谱方案、预处理概念画像的扁平化GraphRAG方案、嵌入人工整理术语映射规则的增强方案；通过Cortex Code的智能体优化技能迭代调优系统配置，提升智能体表现。

企业落地AI过程中存在多类痛点：一是通用大模型缺乏对企业业务上下文、指标定义、业务规则的认知，无法适配企业实际业务需求；二是企业不同业务系统间语义标准不统一，易出现语义漂移问题，导致AI跨系统执行任务时容易出错；三是AI从辅助咨询转向业务执行时，缺乏配套的权限、治理规则约束，风险不可控。

Snowflake的核心解法为：一是将AI工具与原有数据平台深度结合，依托平台已经沉淀的企业数据、权限、治理规则、业务上下文提供AI服务，避免通用AI工具的适配问题；二是搭建基于本体论的企业认知层，构建连接底层数据表与上层AI应用的意义层，将企业的概念定义、规则逻辑转化为机器可识别的结构；三是推动厂商中立的开放语义标准Apache Ossie孵化，解决跨系统语义漂移问题；四是将原有数据治理和权限体系向AI应用延伸，同时收购企业级MCP平台Natoma，扩展对Agent跨系统动作的治理范围。

原有JITA授权系统采用嵌入式条件逻辑，随着访问场景不断增加，逻辑复杂度持续提升，工程师无法快速定位访问请求被批准或拒绝的原因，也难以识别导致处理延迟的具体检查项，决策透明度不足，运维难度大。

采用规则引擎架构重构JITA授权系统，将授权策略拆解为独立规则通过有向无环图组织评估，配套通用上下文对象统一数据输入、规则级可观测、隔离规则执行、新旧系统并行验证、定期规则审查等机制，提升授权决策的可观测性与可解释性。

早期机器人创业团队普遍面临底层技术适配重复投入多、技术开发难度大、供应链对接难、融资渠道少等问题，难以集中精力开展产品定义与场景验证工作。

DGP地心引力计划通过搭建通用软硬件平台、建立会员服务体系、输出开发工具、联动产业上下游及资本资源、举办路演对接活动等方式，为创业团队提供底层技术、产业链协同、品牌传播、资本对接等全链路支持，降低团队创业门槛。

商业场景存在高并发、低时延、强动态知识更新、算力成本多重约束；直接上线大模型在时延、幻觉、成本上均遇天花板，存在效果、时延与成本的不可能三角；商品、优惠、库存等信息秒级变化，离线索引更新滞后带来较高幻觉风险；开放动态商业环境下固定策略长期运行容易失效退化；多轮对话的最终成交难以归因到历史关键对话动作，稀疏奖励导致模型优化方向偏移。

将知识变更前移至推理阶段实现实时注入，配套知识自裁机制消解多来源知识冲突；通过用户模拟与停滞检测机制实现Agent自进化，形成数据飞轮完成策略持续迭代；引入自适应混合步度归因算法，结合中间过程信号与最终转化结果动态调整归因权重，将稀疏业务结果转化为细粒度可学习反馈信号；放弃单链路覆盖所有问题的思路，在系统整体层面寻找效果、时延与成本的最优平衡。

原有ChatGPT模型存在回答冗余度高、事实错误率偏高、快速回答与深度推理模式下风格不一致的问题，同时免费用户可使用的模型版本较低，复杂问题处理能力不足，权限有限。

免费用户与Go用户默认升级为GPT-5.6 Luna模型，获得无限文本对话权限，新增Think按钮可调用深度推理能力处理复杂任务；Plus和Pro用户使用GPT-5.6 Sol模型，新增思考强度滑块可自主调节回答推理深度；优化模型回应逻辑，根据问题复杂度匹配内容详略，统一不同推理强度下的回答风格，强化事实核查能力降低错误率。

金融监管场景口径复杂、要求零容错、强追溯，通用Agent直接落地存在口径漂移、幻觉、不可解释的问题，易引发合规风险,数据资产与知识资产在构建及后续维护过程中，质量稳定性及稳定性评价存在不可控因素

打造面向金融监管的AIR Harness智能体底座，配套向量知识库、图数据库两大知识底座，建立数据资产与Agent双向驱动机制，实现口径受控执行、数据连接留痕可审计、全链路操作可追溯，抑制Agent幻觉、锁定执行口径，满足监管合规要求。

多智能体协作存在四类核心问题：需调用能力时难以找到适配的智能体、多参与方难以形成有效共识、任务执行依赖人工反复流转、项目经验难以沉淀为组织能力；同时企业数据受隐私、合规及业务边界约束，无法将全量信息和权限集中给单一超级智能体，且当前系统整合与组织协同水平滞后于单智能体的能力发展速度。

推出面向人类与异构智能体的开放协作平台Avernet，开源社区版本重点开放智能体协作网络能力，支持不同类型智能体灵活接入，可实现智能体发现、任务参与、多方共识达成、协作过程观测记录等功能，协作经验可沉淀复用；平台不绑定单一模型或智能体引擎，开发者可根据业务场景灵活接入组合现有能力，同时配套基础安全治理能力保障协作合规。

AI Coding和智能体技术提升了生成效率，但系统整合与组织协同能力滞后，难以组织分散在不同团队、系统的能力完成复杂任务,企业数据受隐私、合规和业务边界约束，无法将所有信息和权限集中交付给单个超级智能体使用,多智能体协作存在找不到合适智能体、多方难以形成共识、任务流转依赖人工、项目经验难以沉淀为组织能力的问题

推出多智能体协作基础设施Avernet，开放智能体协作网络能力，配套身份认证、权限控制等安全治理能力，不绑定单一模型或智能体引擎，支持不同智能体灵活接入，保障各参与者在自身权限边界内协作，同时沉淀复用协作经验。

1. 消费场景需求判断维度多元，商品库存、价格等信息随时间动态变化，履约链路长，现有AI Agent难以稳定处理涉及交易、履约的复杂消费需求；2. 原有AI功能为独立入口，无法适配各场景需求，传统图形界面操作步骤多，难以覆盖个性化、长尾的复杂筛选需求；3. 大模型自主生成内容易出现信息错误，无法保障旅行相关商品及服务的真实可售、可执行。

飞猪推出新一代AI产品V10，将可唤起的AI Panel嵌入首页、酒店、机票、度假、订单等全业务场景，打造「帮我想、帮我订、帮我办」三类核心服务，覆盖旅行全链路；采用「受约束的自主性」技术架构，通过商品短别名、白名单、规则引擎、轻量在线验证等机制保障商品信息真实，同时优化Prompt模式、开展模型后训练，平衡模型自主性与结果可靠性；采用自然语言交互界面与传统图形界面结合的交互模式，兼顾成熟交易效率与复杂需求处理能力；建立多模型打分+人工复核的评测机制，保障输出结果符合可用标准。

AI视频规模化生产阶段，换低价轻量模型会降低画质，增加后续返工成本；优化提示词与生成流程仅能减少浪费，无法从根本上改变成本结构；高清算力大量消耗在前期试错筛选环节，整体生产成本居高不下，降本易导致画质不满足交付要求，影响业务效果。

重构AI视频生产链路，将高清资源投入环节后移：前期创意探索与版本筛选阶段用低成本生成低分辨率视频，确定最终交付版本后再通过AI画质增强提升至交付标准，把高清算力集中用于有效内容的最终处理，同时针对不同业务需求提供分层方案，兼顾极致画质需求和成本画质平衡需求。

1. 研发人员AI开发能力两极分化，不同人员AI代码生成率差距较大；2. 需求对齐、跨角色协作、任务交接等待等传统协作模式抵消AI局部提效收益，参与需求的开发人数越多，AI整体提效幅度越小；3. 烟囱式组织架构下，业产研分离，标杆团队的AI提效经验难以大规模复制。

快手将AI提效核心命题从“如何让研发人员做得更快”调整为“如何用AI重新设计交付流程、角色分工和组织结构”，将原有研发效能体系升级为AI生产力体系，以AI能力为核心供给覆盖组织内所有人员，系统性提升个人效能、团队协作效率和业务交付质量，目前已在多支先锋团队开展新范式落地验证。

大模型迭代速度快，前代模型适配的系统提示词、工具配置、评测体系等内容在新一代模型上可能失效，甚至会阻碍模型能力的正常发挥；传统软件开发预先设计、固定架构的模式不适配大模型的特性，难以充分挖掘大模型的潜在能力。

建立适配大模型迭代节奏的开发流程，每代新模型上线后先清空原有系统提示词等配置，通过消融实验逐行验证配置的实际价值后再重新添加；定期清理过时的技能、自定义配置、冗余工具和代码，仅保留安全、权限、静态分析、用户界面等必要代码；以实验思维探索模型能力边界，优先让模型实际运行任务，仅在模型反复出错时补充对应指令，避免提前添加过度约束限制模型能力发挥。

现代运维团队的运营数据分散在多个互不连通的平台，碎片化严重；排查生产故障时工程师需要在多工具间来回切换，手动关联数据、重建服务依赖，流程繁琐效率低；不同数据源对应不同查询语言，工程师学习成本高、使用门槛高。

升级AI可观测性助手Grafana Assistant，扩大支持的数据源覆盖范围，支持用户通过自然语言提问，自动将自然语言转换为对应数据源的查询语句，跨多源关联数据完成运维操作，同时适配企业现有权限体系，推出配套AI可观测性产品并开放自托管部署能力。

此前多数机器人依赖预编程或远程操控，仅能执行狭窄的重复任务，缺乏自主学习和适应不可预测环境的能力，已掌握的技能很难在不同机器人本体之间迁移，同时机器人在真实场景运行的安全保障也存在不足。

推出三款分工不同的Gemini Robotics 2系列模型，分别负责机器人全身动作控制、具身推理与多步骤任务规划及多机协作、本地运行快速适配新本体，结合多模态环境感知、动作转换、安全编排基准等技术，适配不同场景下的机器人运行需求。

全模态统一大模型研发存在三类核心挑战：一是模态统一层面，难以基于统一架构实现音视图文多模态协同理解，需在桥接或原生训练范式中做合理选择；二是任务统一层面，理解任务的去噪需求与生成任务的细节还原、发散创造需求存在天然的表征冲突，难以在同一架构下实现感知与表达闭环；三是多模态数据与模型存在异构性，不同模态序列长度、不同任务收敛速度差异较大，联合训练难度高。

针对核心挑战，团队分两部分落地解决方案：模态统一层面，设计适配多模态的multi-router MOE架构解决多模态专家分化问题，推出AnyExperts方案按token重要程度动态分配专家，兼顾训练效果与推理效率；配套全模态协同训练策略，按能力维度划分训练阶段动态匹配各模态数据配比，基于任务收敛速度动态调节学习率；采用原生多模态训练范式，在语言模型预训练早期引入多模态序列实现表征空间共同对齐。任务统一层面，先基于冻结的全模态理解MOE基座引入可学习query实现图像、语音生成能力，后续补充生成式分割预训练任务提升生成侧细粒度知识，确保生成任务加入不损害原有理解任务效果。

原有7-Zip的LZMA2算法压缩比较高，但对所有文件类型采用统一压缩策略，无论文件属性都消耗同等算力做字典搜索，产生大量无效计算，存在算力浪费、压缩速度不足的问题。

推出内容感知路由器方案，不改动核心压缩算法的任何代码，仅在分派层做调整：先对文件执行多级探测识别文件属性，再根据探测结果将文件动态分配到适配的编码通道，同时设置多重安全机制保障压缩效果不退化、解码端兼容官方7-Zip。

原有云服务存在受非欧洲域外立法管辖的风险，关键数据资产安全和工业运营控制权难以保障，无法满足航空航天领域高等级合规要求，同时需要适配现有多云架构，支撑业务创新包括AI应用落地。

空客在云服务招标中设置技术能力、运营卓越性、法律和治理保障三类评估维度，明确将防范非欧洲域外立法约束作为核心评分项，选定受欧洲司法管辖的Scaleway作为主权云合作伙伴，采用多云补充策略，根据工作负载的技术、运营、监管需求匹配部署环境，同时结合欧洲本土AI模型提供商能力保障AI相关工作负载合规。

优质讲师产能有限，课程录制成本高，答疑与跟进覆盖不全

数字人讲师标准化生产课程，灵秘数字分身产出招生网感短视频，AI 助教辅助答疑

专业资料与规程海量分散，跨部门知识流转慢，检索依赖人工

企业智脑打通多源资料，构建统一知识中枢，AI 助理支撑规程检索与业务问答

产品条款与合规知识庞杂，一线人员查询难，培训周期长

企业智脑构建合规知识中枢，AI 助理辅助话术与条款检索，OPC 超级员工承接标准化咨询

品牌与渠道众多，内容需求海量，跨部门知识与流程沉淀分散

企业智脑搭建统一知识中枢，灵秘数字分身规模化产出短视频内容，OPC 超级员工协同各岗位

订单、售后咨询集中，人手紧张，夜间与高峰期响应不及时

部署企业智脑，OPC 超级员工覆盖客服、订单跟进与内部知识问答，7×24 在岗

单人运营，出镜与剪辑全靠自己，内容更新慢，账号增长乏力

用灵秘数字分身克隆本人形象与声音，AIGC 一键生成网感短视频，追热点素材快速跟拍

多平台账号需要持续供稿，达人拍摄成本高、周期长

灵秘数字分身批量产出数字人视频，一键追爆跟拍热点，营销智脑辅助投放与选品

咨询问题重复度高，接待精力有限，专业资料检索费时

搭建企业智脑私有知识库沉淀过往案例与法规，AI 助理辅助初步答疑与资料整理

会员规模庞大、内容与服务需求海量，真人拍摄与人工服务成本高、难以规模化承接

灵秘数字分身规模化产出数字人内容，营销智脑 + 企业智脑打通内容生产与会员运营，AI 承接高频内容与服务