今日AI报告（国数院版）◆ 国数智能科学技术研究总院 · 众创网 出品 ◆

一、华为发布企业智能化白皮书：AI项目为什么做不成，答案不在模型里【热点速览】企业AI落地最大的问题不是模型不够强，而是单点提效无法转化为组织价值。

这两天AI圈讨论最热的一份文件，不是某个新模型，而是华为在全联接大会2026上发布的《Agentic Enterprise：企业智能化白皮书》。

它说的是一件很多人不愿意承认的事

白皮书开篇就点出一个矛盾：通用智能能力在飞速提升，但AI在企业的业务价值尚未充分体现。模型接进来了，智能体也建了，个人效率确实提升了，可是这些改善不会自动变成企业整体的价值。更麻烦的是，各部门各建各的，最后形成新的"智能孤岛"，数据、知识、经验都难以复用。

五大断点，前两条最扎心

白皮书总结了企业AI落地失效的五大价值断点。第一条是场景错位：绝大多数企业优先选择写文案、做总结、查资料、整理报表这类办公辅助场景。这类场景使用频率高、员工感知明显，看起来成绩很好，但它不触碰收入、利润、周转、风险这些核心经营变量，永远贡献不了企业级价值。

第二条是价值误判：把节省的时间直接等同于创造的价值。省下的时间如果没被重新投入到关键业务上，这笔账其实是虚的。

华为给的两层解法

第一层是DIMAK企业级AI工程体系，覆盖数据工程、AI基础设施工程、模型工程、智能体工程、知识工程五大领域，让企业既能吸收通用技术，又能沉淀专属能力。

第二层是"H型双塔"融合架构：现网塔负责权威事实、确定性业务逻辑、正式执行和结果记录；智能塔负责理解、推理、规划和协同。两塔通过事实、语义、能力、身份、责任五类关系持续协同，形成"有据可依、有权行动、有果可验"的业务闭环。

白皮书同时给出"AI落地七步法"：洞悉行业商业逻辑、选择行业核心场景、技术与工程攻坚、核心场景部署投产、沿价值业务流扩散、行业生态发展合作、持续提升行业智能水平。华为AI应用首席专家李宏恺强调，企业要识别影响整体产出的关键环节，找到AI应用的最佳切入点。

几点启示

如果你正在推企业内部的AI项目，这份白皮书最值得学的是它提问的顺序。它不问"我们能用AI做什么"，而是先问"哪个业务环节出了问题、AI能改变哪个经营变量"。顺序反过来，项目就很容易变成一堆漂亮的演示，而不是可衡量的收益。

另一个提醒是"反向定义能力"：先定业务价值，再反推需要什么数据、什么模型、什么工具，而不是先掌握一门技术再到处找应用场景。

你所在的团队，AI落地时最卡的是哪一环？欢迎在评论区说说。

二、中国电信开源全栈国产智能体大模型，一张3090就能跑【热点速览】从训练芯片到推理部署全程国产，企业本地部署的门槛被压到一张消费级显卡。

如果你在政企AI行业，这条消息值得仔细看：中国电信开源了Xing4.0-29B-A4B，官方称这是国内首个基于国产算力与国产框架完成训练、面向复杂工程任务深度优化的百亿参数大模型。

它到底特殊在哪

很多模型都说自己是"国产"，但往往只在适配层面做了工作。这一个的不同在于"全栈"两个字：训练用昇腾芯片，框架做国产适配，架构自研，生态开源，从底层算力到上层工具链没有依赖海外供应链。在信创类项目里，这条链路的完整度是硬门槛。

架构上它采用MoE，总参数290亿，但单次推理只激活约40亿，原生支持256K上下文并可扩展到512K。模型采用mHC+MLA+MTP架构设计，可高效处理长程Agent任务，支持多步骤规划、工具调用和复杂推理链路执行。

成绩单与部署成本

在SuperCLUE智能体能力评测中，Xing4.0-29B-A4B得分93.52，位列第三，与两款头部Qwen模型的差距均不足1分。这个结果说明，"轻量级"这个定位没有牺牲工程任务上的能力。

更讨开发者喜欢的是部署门槛：经4-bit量化后显存占用降至15GB，比FP16节省约75%，一块24G的RTX 3090或4090就能在本地跑起长上下文任务。模型已在GitHub、HuggingFace、Gitee、魔搭、魔乐等平台开源并支持API，兼容LLaMA-Factory、MindFormers等微调框架，适配SGLang、vLLM、KTransformers等推理框架，Agent框架侧适配OpenCode、Claude Code等主流工具。

两种成本结构，你算过哪一种吗

本地部署是一次性的硬件加自有电力投入，调用API则是随用量增长的Token账单，而且数据要出企业边界。对政务、金融、医疗这类有数据合规要求的客户，前者往往不是"更便宜的选择"，而是"唯一可行的选择"。

这也是这条新闻最实用的地方：它让"模型跑在自己的机房里"从预算上不再遥不可及。当客户说数据绝对不能出内网时，你可以给的不再只是私有化部署的高价方案，也可以是一台工作站加一个开源模型的轻量路径。

你们项目里更常遇到哪种情况，是预算压不住，还是数据不能出内网？欢迎聊聊。

三、剪映打通AI生视频与AI剪辑：那堵"导出导入"的墙倒了【热点速览】生成在一边、剪辑在另一边、素材在第三处，剪映把三个环节收进了同一块画布。

做过AI视频的人都有一个共同痛点：AI生成完还得下载、导出，再把素材丢进剪辑软件处理后期，中间的来回切换消耗了大量时间。9月20日，剪映在"AI新创作发布会"上把这道墙推倒了。

剪映Hub：一块无限画布串起全流程

剪映Hub是这次发布的核心，由无限画布与多轨道编辑器构成。创作者可以从一句话、一个参考视频或一份文档出发，在无限画布上梳理思路、形成脚本，调用即梦、小云雀等AI创作平台生成图片、视频、音频素材，然后直接进入多轨道编辑器做精细调整。原本需要开好几个软件完成的活，现在在一个环境里闭环。

剪映助手：可以对话的剪辑搭子

剪辑环节推出的是智能创作Agent"剪映助手"。你可以通过对话和它一起构思和剪辑视频，也可以把素材整理、口播删减、字幕纠错、视频包装这类重复劳动交给它。对于已经形成成熟工作流的创作者，它还支持自定义Skills，适配不同类型的创作需求。

按使用端划分，PC端面向专业视频生产，包含全新的Hub、进入真实剪辑工程的剪映助手Agent、AI后编辑、专业调色、杜比全景声与插件生态等，首期计划上线20余个官方精品Skill，后续引入更多外部Skills；手机端更偏向轻量创作，支持语音剪辑。发布会上剪映同时宣布开启新的"剪同款"范式。

真正变化的是工作方式

这次升级的实质不是多了几个AI功能，而是创作工具从"功能叠加"转向"流程收拢"。生成能力被嵌进剪辑工程后，AI不再是一个独立的工具，而是编辑器的一项原生能力。

对内容团队来说，这意味着单位人力的产出还有上升空间；对做工具和平台的团队来说，Skill生态与插件体系正在成为新的竞争面：功能大家都会有，谁能沉淀出足够多可复用的技能，谁才能真正留住专业创作者。

你平时剪一条片，最耗费时间的是哪一步？欢迎在评论区投票。

四、19999元的个人机器人开售：具身智能第一次走进普通家庭【热点速览】两台机器人正式开卖，价格锚点定在2万元，比肩一台顶配手机。

预热了三个季度之后，上纬新材旗下启元机器人终于把产品从发布会推到了货架上。9月20日，启元在上海举办"我和我的个人机器人"全球产品发布会，正式发售启元Q1与启元T1，10月1日起按订单顺序陆续发货。

两款产品，两条路线

启元Q1是全球首款实现全身力控的小尺寸人形机器人，身高88厘米、重约15公斤，可以折叠收纳进背包。它主打自定义特性，支持外观结构件定制、3D打印改造外观与自定义互动动作，面向具身开发、科技潮玩与家庭陪伴；探索版对外开放SDK与HDK及硬件拓展接口，支持全栈二次开发，用户可以通过手机App以图形化编程方式拖拽模块，自行设计机器人的动作、语音和表情。

启元T1是全球首个可变形个人机器人，采用行业首创的Transformer跨形态一体化架构，可在轮足人形与四足形态间自主切换，站立身高约100厘米，低电量时会变四足趴下。它面向家庭陪伴、户外伴行与影像创作；Pro版新增英伟达Orin Nano算力，支持双形态360°全向避障、低电量自动导航回充与语音召唤。

价格上，Q1标准版19999元、探索版26999元；T1标准版19999元、Pro版29999元。

硬件与制造的两手准备

硬件层面，启元依托上纬新材的轻量高刚性复合材料自研QDD准直驱关节，体积仅鸡蛋大小却保留全身力控性能，并同步公布PrimeMotion、PrimeGo、PrimeVista三款技术产品。制造端以每2.5分钟下线一台的节拍支撑发布即开售，并在上海淮海中路开启首家个人机器人门店试营业。软件层面两款产品均接入腾讯云WorkBuddy，可提供会议提醒、语音转写、远程陪伴等功能。

为什么先做"有趣"，而不是"有用"

值得注意的是启元对家庭作业智能的判断：公司认为面向家庭作业的智能尚需3至5年，所以选择让"有趣"的机器人先进入家庭，先建立摄影搭子、外语陪练、远程陪伴这类高频但低风险的使用习惯。

这个判断比产品本身更值得琢磨。工业机器人是先证明效率再谈普及，消费级机器人反过来，要先让人愿意把它摆在桌上，再谈能力扩展。生态方面公司计划5年投入10亿元、联合超1000名开发者共建，思路对标手机生态。

如果价格降到2万元以内，你会考虑买一台个人机器人回家吗？理由是什么，评论区聊聊。

五、腾讯上线混元智囊团：大模型的下一场竞争，抢的是专家【热点速览】通用互联网数据不够用了，医疗、法律、金融的专业判断成了稀缺资源。

近日，腾讯旗下混元大模型推出面向外部行业人才的专家平台"混元智囊团"，Slogan为"聚智为谋，引领未来"。

它要做的事很直接：把专家请上AI训练台

平台面向金融、法律、医疗、代码编程、STEM、翻译、前端设计、文学创作等十余个垂直领域招募资深专家，采用全程线上、远程接单的任务制协作模式，无需线下坐班。专家通过资质审核后，可参与三类工作：

一是高质量数据集生产，围绕混元大模型迭代需求产出垂直领域的专业训练与评测数据；二是专业内容编写，由具备行业背景的资深专家撰写、校验专业内容，补足通用开源数据中的浅层与错漏；三是知识审核，对模型在医疗、法律、金融等强合规场景下的输出进行专业准确性与适用性把关。

平台还建立了动态评级体系，依据交付质量、准确率、履约率、活跃度综合评级，等级越高越能优先承接高难度、高溢价任务；所有合作专家可获得腾讯官方认证的混元智囊团专家身份证书。报名门槛方面硕士及以上优先。

不是首例，但指向同一个判断

这并非行业首创。字节跳动此前已推出Xpert专家社区，采用同源模式为豆包大模型提供专业数据优化与能力迭代支持。两家头部厂商先后布局，说明了一件事：通用互联网数据对模型能力的边际贡献正在下降，而医疗、法律、金融、工业这类强专业、强合规领域的可用训练数据稀缺且难以公开获取，掌握这些知识的从业者正在变成新的稀缺资源。

三个可以带走的方法论

第一，模型竞争的战场从算力与算法，延伸到了数据供给体系。谁能组织起规模化、可持续、可审核的专业知识生产，谁就在垂直领域有更稳的护城河。

第二，"专家即服务"正在成为一种新的基础设施角色，专业能力可以被切片化采购。这对自由职业的资深从业者也是一个新选项。

第三，这些平台沉淀的知识组织方法，对政企内部建设领域知识库可以直接参照：先把专家的判断标准显性化，再谈数据标注与模型微调。跳过第一步，标注出来的数据往往没有区分度。

你的专业领域里，有哪些判断经验是AI最容易学错的？欢迎在评论区举例。

六、清华团队开源RPent：具身智能的另一条路，不训大模型也能到92.6%【热点速览】不是让一个模型变得无所不能，而是把具身能力拆成层次再重新连起来。

9月21日，清华大学、无问芯穹、正行创新联合发起的具身智能体基础设施RPent正式开源。它的定位很特别：不是训练一个更强的具身模型，而是把已有的能力重新组织起来。

它是怎么做的

RPent面向真实物理世界，将通用大模型的任务理解与规划能力、VLA等专家模型的精细操作能力，以及记忆、工具和机器人接口连接起来，形成从感知、决策、执行到反馈纠错的完整闭环，让智能体能够持续适应环境变化，并把经过验证的经验沉淀为可复用的能力。

技术实现上，RPent把一个冻结的VLA当作可重试的接触密集原语，模型参数一个都不动，外层再套一层带记忆的Agent Harness，配上grounding、staging、transport、navigation、release五个固定解析原语，通过已跑过的任务轨迹、成功规则和失败记录，学出每个原语在什么范围内仍然可用。

说得更直白一点：VLA是手，负责把接触密集的动作做稳；planner是脑子，决定这一步该调哪个原语；记忆则负责记住哪些用法在什么条件下有效。

成绩与真机表现

在LIBERO-PRO基准的八个测试套件上，RPent达到92.63%的任务成功率，800次任务成功741次，同时把端到端任务完成速度优化7倍以上。官方同步释出一系列真机demo，展示的都是开放式任务，而不是为每种场景单独训练专用策略。

例如当任务变化为"将干净餐具放入纸箱"时，智能体会先观察当前环境，再根据新目标选择放置位置；执行过程中如果视觉定位出现偏差，它会检查结果、排除错误目标，并重新定位手中的盘子。

最值得学的其实是分工方式

过去具身智能的主流做法是采集更多数据、训练更大的端到端模型，把规划和执行压进同一个网络。RPent反其道而行，把模型的通用理解能力与专家模型的精细操作能力解耦，再用一层Agent Harness做编排和记忆。

如果这条路走通，意味着具身智能的进步不必完全依赖数据规模的线性扩张，工程侧的架构设计可以贡献相当一部分能力增量。做机器人集成与行业落地的团队，这类开源基础设施值得尽早评估。

你觉得具身智能的瓶颈更可能在数据，还是在架构？欢迎聊聊你的判断。

七、开源音乐模型YuE2压过Suno v6：AI写歌终于可以改了【热点速览】从"抽卡"到"改稿"，把生成过程拆成可以介入的步骤，比分数更值钱。

近日，香港科技大学联合M-A-P、NOIZAI、斯坦福等机构发布并开源了统一符号与音频音乐生成的模型YuE2，把开源音乐生成的质量推到了与前沿闭源模型正面竞争的位置。

评测：开源第一次压过Suno最新版

模型采用Mixture-of-Transformers架构，参数约36亿，主模型下载体积约7.3GB，非商业许可开源，4系消费级显卡即可运行，官方称4090可一分钟出歌。

在WildSongBench的192个prompts测试中，YuE2得分6.7316，逼近Suno v5与Mureka 9，同时超过Suno最新一代闭源模型v6及v6Wild；在八选一设置下更以6.9632拿下17组参评系统的最高分。发布同期它登上Hugging Face全站Trending第4位，是榜单前五中唯一的音乐类模型，上线9天官方主模型录得11626次下载，连同ComfyUI封装、社区GGUF量化版本及工具链，生态累计约17.9万次下载。

真正的创新：先写谱，再唱歌

比分数更值得关注的是技术路线。YuE2的核心创新是符号规划与可编辑中间表示：模型先把歌词生成一份可看、可改的旋律与和弦谱，再据此渲染完整歌曲。

这意味着AI音乐创作从过去的一次性"抽卡"模式，变成了一个有中间产物的工程流程。你可以定位到某段旋律或和弦进行修改，改完再让它重新演唱。就像先拿到一张草图，线条不对可以擦、比例不对可以调，改满意了再上色。

为什么可控性比质量更关键

一次生成即定稿的模式在商用场景里几乎无法落地。品牌调性、时长要求、情绪起落都需要反复调整，而调整的前提是你能指出"哪里不对"。有了可编辑的中间表示，AI音乐才具备进入广告配乐、短视频BGM、游戏音频这类商用场景的条件。

这个思路在视频、图像、文案等其他模态上同样适用：值得关注的不是模型参数有多大，而是它是否把生成过程拆成了可以被人类介入的步骤。

你用过AI写歌或做图吗？最让你头疼的是不是"改不动"？评论区聊聊。

八、一年融近29亿：不做模型、不建算力的公司，凭什么？【热点速览】推理层是模型与用户之间的必经通道，它的护城河来自工程效率，而不是资产。

9月20日，AI基础设施企业硅基流动宣布已先后完成B+轮二期和C轮融资，2026年度累计股权融资额近29亿元。这距离它递交港交所上市申请，还不到三个月。

谁在投，为什么投

本轮投资方超过二十家，结构很有代表性。国资序列包括中国互联网投资基金、国新基金、中国移动链长基金、中国东方资产国际、京能基金、上海仪电智算基金、建投华科、北创投、成都科创投、江西金控、成都高新倍特基金等；产业与财务机构包括中泰资本、华安嘉业、华胜天成、紫光资本、智路资本、拓尔思等；天创资本携山东铁投产投、山东铁路基金战略参与；老股东耀途资本、盛奕资本和国泰创投集团追加投资。国家级基金、央地国资及地方科创平台成为主力，产业资本与市场化机构作为补充。

融资资金将重点投向推理引擎、异构算力调度、模型与芯片适配等核心技术研发，强化Token供应平台能力建设，并加快全球市场拓展。

这到底是门什么生意

硅基流动成立于2023年8月，定位为开放、独立的词元供应平台，主要提供模型API、企业级MaaS平台和本地部署服务。业务形态可以这样理解：DeepSeek、智谱等厂商负责训练模型，云厂商和算力中心提供底层算力，硅基流动通过推理引擎把不同模型适配到英伟达、昇腾等芯片上，再向客户交付推理服务。

据弗若斯特沙利文数据，按2025年词元年吞吐量计，硅基流动是中国最大的独立生态词元供应商，在中国所有词元供应商中排名前五；据IDC《中国AI软件市场半年度追踪，2025H2》，其在公有云MaaS市场作为唯一一家创业公司排名第四，与火山引擎、阿里云、百度智能云同处第一梯队。截至2026年4月30日，平台拥有超过1000万名注册用户。公司已于6月30日按港交所主板第18C章提交上市申请，华泰国际、海通国际担任联席保荐人。

被低估的中间层

推理层是模型能力与最终用户之间的必经通道，但它既不像模型公司那样吸引眼球，也不像算力公司那样有重资产壁垒。它的护城河来自工程效率：把模型与芯片的适配做到最优，把Token的成本与延迟压到最低。

随着国内模型数量增多、芯片体系多元化，这层适配工作的复杂度和价值都在上升。对政企客户的选型而言，值得关注的也正是这几点：是否同时支持国产芯片与主流芯片、是否具备本地化部署能力、单位Token的实际成本到底是多少。

你们选型中间层服务商时，最看重的是价格、稳定性还是国产化适配？欢迎聊聊。

九、毛利率从50%跌到负50%：应用层与模型层的裂缝浮出水面【热点速览】重度用户越多，亏得越快。这不是玩笑，而是一家156亿美元公司的真实处境。

据彭博报道，随着OpenAI和Anthropic的API费用持续攀升，越来越多的AI应用初创企业开始拥抱开源权重模型，重夺成本控制权。这个趋势正在加速。

一组名单，一条趋势

Harvey、Abridge、Decagon、Ramp等横跨法律、医疗、金融和客服赛道的初创企业，相继宣布自研或定制模型的计划，部分企业已将八成流量切换至自有模型。红杉资本和General Catalyst等头部投资机构也在背后助推。

Harvey的账本最能说明问题

这家估值156亿美元的法律AI初创企业，长期以OpenAI的GPT-4作为产品核心。今年3月，公司AI智能体完成重大更新后用户使用量急剧攀升，全年Token使用量增长约二十倍。但随之而来的是毛利率的断崖式下滑：从年初约50%跌至6月的负50%。

今年8月，Harvey发布首个自主后训练的开源权重模型Tenet，基于7月开源的月之暗面Kimi K3基座构建，毛利率随后重新转正。

为什么这会动摇模型巨头的根基

OpenAI与Anthropic正各自筹备备受期待的IPO，而应用层客户的外流可能蚕食其最重要的收入来源。更值得注意的是背后的商业逻辑：模型层与应用层在定价上的利益天然分叉。应用层按订阅或按效果收费，成本却按Token线性增长，一旦重度使用者的调用量越过某个阈值，每多一个用户反而多亏一笔。

国内创业者的三条实用提醒

第一，毛利结构必须从第一天就算清楚，尤其是周活用户的平均Token消耗量与付费金额之间的关系，这是决定商业模式能否成立的核心变量。

第二，开源权重模型的选择面已经足够宽，中文场景下国产开源模型在成本与合规上都有优势，把流量切换到自有模型是现实的降本路径。

第三，自研模型未必意味着从零训练。在开源基座上做后训练与领域适配，往往是投入产出比更高的做法。

你们产品的毛利模型算过吗？用户越多是更赚还是更亏？欢迎在评论区交流。

十、腾讯奖学金不发算力改发Token：一个细节看透行业变化【热点速览】奖学金发什么，反映的正是这个行业当下最稀缺的东西。

9月21日，第二届腾讯青云奖学金启动报名，面向2028年1月及以后毕业、具有中国国籍的硕博同学，聚焦计算机科学、人工智能及其交叉领域。这届有三处升级，其中一处细节尤其值得看。

三处升级

名额从15位增加到20位，官方说法是"让更多值得的人被看见、被托举"。面向人群从中国大陆及港澳台地区就读，扩展为全球高校就读的中国籍硕博同学，"更值得的探索不分地域"。

最值得注意的是激励内容的变化：每位获奖者获得总价值50万元的激励，其中20万元现金不变，价值30万元人民币的科研资源从算力升级为Token额度。

30万元Token是什么概念

按DeepSeek-V4-Flash最新定价折算，30万元人民币约可支撑2400亿Token的模型调用，大致相当于一个中小团队一年的日常AI调用量。官方给出的换算参考更直观：可用于生成1600万篇深度长文或行业研报、进行8000万轮AI智能对话问答，或生成48万个中型软件项目代码。

腾讯首席AI科学家、青云奖学金主审人姚顺雨表示，自己更关注申请人是否具有足够强的内在驱动力："当你真正对一个问题产生兴趣，愿意持续几年甚至十几年去思考它、探索它，这种驱动力往往比任何一篇论文、任何一个奖项都更加重要。"

报名截止时间为10月25日，11月至12月为评审期，由数十位行业专家组成的评审团依次完成初审、复审和答辩终审，颁奖典礼定于2027年1月举行。

从给卡到给Token，变化在哪

过去科研资源瓶颈主要在硬件，学生需要排队等卡；如今算力供给相对充裕，真正的约束变成了能否以低成本持续调用前沿模型做实验。奖励形式从算力切换到Token，等于把资助直接对准了当下科研活动中最高频的消耗项。

这给企业和机构两点参照。一是人才培养的资助方式可以更贴近实际工作流，与其给设备、给场地，不如给能直接转化为产出的资源额度。二是长期研究能力的判断标准正在从论文数量转向问题意识与持续性，这个取向对研发团队的选人标准同样有借鉴意义。

如果让你给所在团队配一笔50万元的科研资源，你会选算力、Token还是人手？欢迎聊聊你的选择。

CONTACT US

商务合作 · 联系我们

联 系 人于天宝

联系电话180 7101 9998

© 国数智能科学技术研究总院 · 众创网集团

本内容由 AI 基于公开资讯整理，仅供学习参考

涉及具体公司与数据以实际为准 · 转载请联系授权

作者提示: 内容由AI生成今日AI报告：华为发布企业智能化白皮书：AI项目为什么做不成，答案不在模型里