润和软件：面向行业的AI智能体专家，不止于“养龙虾” 本文转自IT产业网OpenClaw的爆火，标志着AI正加速从“大语言模型”向“智能体”范式跃迁。作为面向行业的专业数智科技服务商，江苏润和软件股份有限公司(以下简称“润和软件”)深耕企业数字化服务二十余载，已构建起从芯片适配、大模型调优到智能体开发的全链路能力，形成覆盖技术底座、开发平台、场景落地的完整智能体服务矩阵，持续赋能行业智能化转型。润和软件：面向行业的AI智能体专家AI智能体服务商，致力于帮助千行百业“快速将AI使用起来”，不仅提供大模型推理、多智能体协同、自主任务执行等技术底座，还搭建低代码开发平台、预置场景模板，让企业能够零门槛构建智能体;同时，负责智能体的持续运营与效果优化，确保AI能力真正融入业务流程，并为企业提供安全合规的权限管理与数据保护。作为面向行业的AI智能体专家，润和软件正是这一能力的集大成者。基于深厚的AI技术积累，润和软件构建了从AI开发到业务落地的完整闭环，从技术底座到开发平台，从落地运营到安全合规，以全栈式AI智能体服务，助力客户在数智化浪潮中赢得先机。AgentRUNS智能体协同开发平台3.0：打造人机协作新范式润和软件以MCP开放协议为基座，以人机协作编排工具为桥梁，构建企业级智能体编排新范式，打造AgentRUNS智能体协同开发平台3.0，深度融合RAG知识引擎与多智能体协作，实现工具、数据与AI能力的无界互联。通过AgentRUNS智能体中台协同开发平台3.0，企业可低代码构建营销、客服、运营等场景智能体，无缝对接ERP、CRM等现有业务系统。AgentRUNS智能体协同开发平台3.0MCP开放协议基座，实现无界连接以MCP为技术基座，实现一次开发、处处集成。全面兼容Copilot、Cursor、OpenClaw等主流AI客户端，打破传统API适配壁垒，大幅降低系统集成成本。多智能体协作，轻松搞定复杂任务编排突破单点AI局限，构建“任务规划→智能调度→并行执行→结果聚合”的完整闭环。多Agent协同处理复杂业务流程，关键节点支持人机协同确认，实现效率与可控性的双向跃迁。 RAG知识引擎，定制企业知识库深度融合向量化检索、知识图谱与语义理解技术，构建统一企业知识中枢。支持内部知识库、MCP外部服务、实时网络检索多源融合，实现知识动态更新、溯源可证、精准检索、智能问答等能力。Jetto AI智能测试助手平台2.0：基于OpenClaw智能体架构，专为金融测试场景深度优化AgentRUNS智能体协同开发平台3.0是工具、是执行者，Jetto AI智能测试助手平台2.0是调度者、思考者。润和软件将多年金融测试领域沉淀的行业know-how经验与OpenClaw "规划-执行-验证"智能体范式深度融合，打造出更适配企业级复杂场景的Jetto AI智能测试助手平台2.0，将智能体能力注入金融测试、能源调度等复杂场景，实现业务流程自动化与决策智能化。Jetto AI智能测试助手平台2.0 原子化任务解构与skills重组将复杂测试流程解耦为解析、规划、执行三大智能体模块，形成协作闭环。解析skills以多模态模型深度语义理解业务意图，规划skills结合行业知识库生成精准执行序列，执行skills通过标准化动作库完成系统交互。三层解耦，各司其职，实现测试任务的可编排、可追踪、可复用。动态环境自适应内置独立守护线程，构建全流程异常监测与自适应恢复机制。实时异常感知引擎进行风险等级评估，智能策略选择器针对低、中、高风险自动匹配处置策略，自主处理、自动重试或精准上报。测试流程在复杂多变的环境中保持7×24小时连续执行，实现真正的无人值守自动化。量化可信验证创新引入量化评分算法，对每一步执行结果进行多维度评估。UI控件相似度计算、状态变化逻辑推理、后台数据校验全面覆盖，以分数形式呈现匹配程度，输出带置信度的测试结论。测试结果可量化、可追溯、可审计，满足千行百业严苛的合规与质量要求。不做“空中楼阁”式技术创新，做业务痛点的解决者润和软件的核心优势，不仅在于AI智能体的底层技术能力，更源自于自身深厚的行业理解和丰富的项目落地经验，成为真正赋能行业的AI智能体服务商。• 某银行引入Jetto AI智能测试助手平台2.0，模拟业务人员完成自动回归测试、新需求测试，直接替代 30% 人工测试工作量，测试效率提升45%，实现手机端与PC端应用全场景自动化测试;同时凭借 AI 对业务的深度理解与学习，测试准确率达90%以上，关键问题响应时效缩短至分钟级。 • 某证券公司借助Jetto AI智能测试助手平台2.0，实现 “测试需求→大纲→用例生成→端到端执行” 全流程自动化，节省50%人工编用例、执行工作量，测试周期整体缩短35%，AI自动生成测试案例直接落地执行，实现降本增效双突破。作为面向行业的AI智能体专家，润和软件并未停留在技术热度的追逐，而是以扎实的工程化能力，将OpenClaw等前沿技术深度融入行业解决方案，真正推动AI从“对话”走向“执行”，从“炫技”走向“赋能”。未来，公司将持续深耕AI 智能体与行业场景的深度融合，以扎实的技术积累与务实的发展路径，助力客户在智能化浪潮中构建核心竞争力。返回搜狐，查看更多

电商版 “龙虾” 来袭！阿里悟空让 AI 成商家增长硬核武器 AGI浪潮席卷之下，AI早已不是电商行业的“锦上添花”，而是商家实打实的增长利器。3月19日晚间，阿里交出的2025年12月季度财报，正是技术与业务深度融合的最好证明：淘宝闪购带动即时零售收入同比猛增 56%，淘宝 App 活跃买家、88VIP 用户双双实现双位数增长，88VIP 用户数逼近 6000 万。这份高增长成绩不是偶然，而是阿里对即时零售、AI科技持续高投入的结果。而“悟空”平台的推出，更是让AI Agent（智能体）走进千万商家的日常，从平台端到商家端形成了完整的AI赋能闭环，也让“拥抱 AI”成为电商人最确定的选择。AI赋能破解商家核心痛点电商行业摸爬滚打这么多年，流量难获、运营低效、内容难做、决策迷茫、转化疲软，成了大小商家的共同烦恼。很多商家直言，“一个人守着一家店，做张主图要跟设计师反复沟通，分析数据要熬上大半天，好不容易引来几个流量，还因为运营跟不上留不住人。”眼下，阿里正在用AI“利刃”积极破解这些商家痛点。最新财报里一组数据很有说服力：阿里中国电商集团在高研发投入下，仍实现经调整 EBITA346.13 亿元，淘宝闪购不仅市场份额持续扩大，亏损还显著收窄，单位经济效益和笔单价一路向好，这正是 AI 推动经营效率提升的直接体现。如今在阿里悟空的生态里，AI Agent已经成了商家的“全能帮手”，不用懂复杂技术，说句话就能让 AI 把活干好，这也是用过的商家最直观的感受。针对内容难做的问题，悟空的商品素材优化 Agent等同于 “专属设计团队”。以前做一套主图加视频，从策划到剪辑最少大半天，现在只要把商品链接和风格要求输进去，几分钟就能生成符合平台标准的主图和短视频，确认后还能一键上架、实时监控效果。有淘宝女装商家表示，“用了这个功能，不光省了设计沟通的时间成本和费用成本，素材点击率还涨了20%。以前一周才更一次新品，现在一天能更好几款，上新速度直接翻倍。”面对运营低效的痛点，悟空的经营周报分析 Agent 直接把商家从数据泥潭里解放了出来。以前分析店铺数据，手动统计、对比，做一份周报最少1个多小时，现在只要说一句 “帮我分析上周店铺数据”，2 分钟就能拿到一份可视化周报，流量结构、客户画像、竞品情况一目了然，还会给出针对性的优化建议。一位90后商家提到，“以前每天大半时间都耗在看数据上，现在把这些事交给 AI，终于能专心研究选品和营销，一个人就能把店运营得井井有条。”事实上，这种提效不仅发生在商家端，淘宝闪购也靠着AI算法优化订单结构、提升履约效率，让即时零售的经营质量越来越高，这也是其亏损收窄、效益改善的关键。至于流量难获、转化疲软的问题，AI Agent的赋能让经营更有方向。悟空整合了淘宝、天猫的大数据能力，AI Agent能精准捕捉市场趋势，帮商家找爆款、对接货源，让流量来得更轻松。更贴心的是，一旦商品转化率出现波动， Agent会第一时间发现，自动通知优化主图，同时调整推广策略，形成一套完整的闭环。商家最头疼的决策迷茫问题，AI Agent也能完美解决，化身成为商家的“经营参谋”。以前做选品、定营销方案，全靠经验拍脑袋，踩坑是常事，现在 AI Agent 能分析全网数据，显示什么品类好卖、用户喜欢什么。另外，搜狐科技获悉，淘天商家平台也在做生意管家版小龙虾，为电商人的数智化经营提供更多选择。放眼未来，AI Agent的价值远不止单点提效。想象下这样的场景，订单、库存、客服、物流的 AI Agent 能自主联动，用户下单后，库存 Agent 自动提醒补货，物流 Agent 实时跟进配送，客服 Agent 解答咨询，整个流程不用人工插手，实现全链路自动化。打造生态优势，翻开增长故事的新篇章AI技术深度赋能之下，阿里生态内业务协同效应加速。阿里最新财报数据显示，千问大模型与淘宝闪购等消费场景的深度融合，成为撬动增长的新杠杆。1月15日，千问App与淘宝天猫、淘宝闪购、高德、飞猪、支付宝等阿里生态业务深度打通，成为中国首个具备大规模执行真实世界复杂任务能力的AI助手。据悉，截至2月底，近1.4亿用户通过千问App的智能体功能首次体验AI购物。2月，千问C端应用月活跃用户超过3亿。此外，千问AI助手仅9小时就为淘宝闪购带来1000万单订单。接入千问后，淘宝闪购的用户搜索转化率提升 37%、客单价提高 22%，实现效率与收益的双重提升。同时，AI超算系统通过精细化调度骑手，进一步压缩履约成本，让运营效率再提升。AI 的赋能价值，更体现在为淘宝闪购持续引流、激活消费活力上。截至2月，千问APP月活用户突破3亿，其智能体功能已覆盖餐饮、日用品等多个消费场景，近1.4亿用户通过该功能首次体验AI购物，为淘宝闪购等业务持续引流。如今，淘宝闪购、AI、再加上云基础设施，三大平台相互协同赋能，形成了独一无二的生态优势。百舸争流，大船代表主航向；万山磅礴，主峰风景最美。事实证明，阿里以AI之力，持续引领电商运营方向，也让淘宝天猫继续成为电商人深耕的主阵地。凭借清晰的战略布局、深厚的生态积淀与持续的技术创新，阿里的增长故事正在翻开全新篇章。返回搜狐，查看更多

AI春晚，黄仁勋大谈拐点龙虾 深圳新闻网2026年3月20日讯（深圳商报首席记者 王海荣）当地时间3月16日，被喻为“AI界春晚”的英伟达年度开发者大会（GTC 2026）在美国加利福尼亚州圣何塞拉开帷幕。作为全球AI产业最重要的技术大会之一，本次GTC大会不仅标志着全面量产的Vera Rubin超级AI平台正式登场，更揭示了英伟达通过收购整合Groq团队推出第三代LPU的战略布局，发布了企业级智能体操作系统NemoClaw，从中可洞察AI行业未来发展的诸多风向标。AI行业已跨越“生成式AI”阶段英伟达创始人兼首席执行官黄仁勋在演讲中指出，人工智能行业已跨越“生成式AI”阶段，进入“推理拐点”与“智能体（Agentic）时代”。大会发布了全面量产的Vera Rubin超级AI平台、第三代LPU、企业级智能体操作系统NemoClaw等。（英伟达官网视频截图)其中，正式投产的Vera Rubin平台是本次大会的重头戏。黄仁勋强调，这不再是单一芯片的迭代，而是一个由7款芯片垂直整合而成的超级系统，专为Agentic AI（智能体AI）设计。相比Hopper架构，Vera Rubin平台在每瓦特Token生成能力上提升了35倍。在1GW的数据中心内，Token生成速率从每秒200万提升至7亿，增幅达350倍，性能上实现了飞跃。黄仁勋还在演讲中透露英伟达的最新战略整合动态。针对高吞吐与低延迟的矛盾，英伟达已收购Groq芯片团队并获得其技术许可，正式将Groq LPU 30纳入英伟达产品序列。据介绍，凭借确定性数据流架构和海量SRAM的Groq LPU擅长低延迟解码，与擅长高吞吐量预填充的Rubin GPU形成互补架构。黄仁勋建议，对于高吞吐工作负载可100%使用Vera Rubin。对于高价值、低延迟的代码生成或交互场景，可在数据中心中配置25%的Groq LPU节点，实现性能与成本的最优解。“龙虾”加速开源软件生态革命近期火爆全网的开源项目“龙虾”OpenClaw也出现在了黄仁勋的演讲中。他在发布智能体操作系统时，高度评价了OpenClaw，称其普及速度超越Linux，是“智能体计算机的操作系统”。伴随AI智能体技术的成熟，黄仁勋断言，每一家SaaS公司都将成为一家AI公司，更准确地说是AaaS（Agentic as a Service）公司。“未来的软件是为AI智能体设计的，而非人类。”针对企业应用OpenClaw时，存在访问敏感数据、执行代码、外部通信等安全顾虑，英伟达推出了企业级参考架构NemoClaw。通过内置策略引擎、网络护栏和隐私路由器，确保智能体在企业内部安全运行。支持企业利用英伟达的Nemotron、Cosmos（物理世界模型）、GR00T（机器人模型）等开放模型进行微调，构建主权AI。人工智能工业革命迎来“开工典礼”与今年1月在美国拉斯维加斯一家酒店剧场举行的英伟达发布会上的场景类似，当时满头白发的黄仁勋陪着一对可爱的BDX机器人观看大屏幕上播放的荒漠探险视频，宛如一位慈祥的老父亲。在此次GTC 2026的舞台上，黄仁勋继续选择了邀请机器人作为自己的对话嘉宾，并与外形像一个插着胡萝卜鼻子的小雪人的迪士尼机器人Olaf进行了一场有趣的互动演示。“工厂已通电，智能体正学开车，所有模块正在解耦、重组、加速。推理，已成为现实。机器人，正为AI而生。”在演讲的最后时刻，主办方更是通过AI制作了一首约4分钟的歌曲，黄仁勋也化身动漫人物，围坐在森林里的篝火旁，与机器人乐手们一道，通过弹唱的形式，将GTC、AI Factories、OPEN SOURCE、Physical AI等业界关注的热词形象地展示了一遍。正如黄仁勋在演讲中所言：“这不仅是一场大会，更是人工智能工业革命的开工典礼。”编辑：单铭捷返回搜狐，查看更多

“养龙虾”狂热背后：中国AI应用诚可贵，底层创新价更高 当OpenClaw在中国市场迅速走红，从开发者社区到普通用户层面掀起一轮“本地AI智能体”热潮，其意义显然已不止于一个开源项目的成功。在某种程度上它更像一面镜子，折射出中国AI产业在应用层面快速落地、场景丰富、体验驱动的强大创新能力。 但如果我们将视角拉长，这场热潮同样暴露出一个更深层的问题，那就是支撑这些应用繁荣的底层能力，我们仍然存在不小的差距。无论是基础大模型，还是高端算力体系，中国AI仍处在“追赶与突破并存”的阶段。从这个角度看，OpenClaw的火爆，与其说是一次胜利，不如说是一种提醒。 OpenClaw火爆，其根基基础大模型差距犹存OpenClaw之所以能够迅速破圈，本质上并不只是产品设计或工程实现的成功，而是站在大模型能力已经足够“可用”的拐点之上，即智能体（Agent）形态的爆发，依赖的是模型在理解、推理和执行任务方面的综合能力达到一个临界值。 换言之，没有基础大模型能力的支撑，就不会有OpenClaw的应用繁荣。但问题在于，这一“底座”本身，我们与国外主流大模型相比仍存在客观差距。 根据Epoch AI今年年初发布的报告（《Chinese AI models have lagged the US frontier by 7 months on average since 2023》，以下简称报告），自2023年以来，处于AI能力前沿的顶级模型几乎均出自美国，中国最佳模型在Epoch Capabilities Index（ECI）上的平均“时间差”约为7个月。报告给出的区间是在开源快速迭代期（如DeepSeek‑R1奋力追近Claude 3.5）时差距可缩小至约4个月，而在美国闭源新模型（如o3 系列）刚发布的窗口期，差距一度拉大到约14个月，均值则相对稳定在7个月左右。趋势虽在缓慢改善，但尚未收敛到“零差距”。 具体到节奏上，美国AI模型的更新频率极高，从GPT‑4到o1，再到GPT‑5和新一代Gemini系列，几乎不存在长时间的停滞窗口，且能力跃迁并不完全依赖参数规模，而更多来自训练范式、推理路径设计、对中间状态的显式建模等方向的系统创新。例如o1系列在推理路径、思考过程建模上的工程化尝试。 相比之下，中国AI模型呈现出典型的“跳跃式追赶曲线”。从Baichuan2、Qwen‑14B 到Yi‑34B，再到DeepSeek‑V2、Qwen2.5、Qwen3 Max，每一步间隔都能看到大幅跃迁，但提升往往更多依赖参数规模扩展、MoE架构以及工程层面的极致优化。虽然这种“台阶式追赶”在短期内颇为高效，但也意味着在连续迭代频率、训练范式创新等维度仍存在差距。 此外，报告还特别强调了“开源vs闭源”的结构性差异。当前中国领先模型几乎清一色选择开源或开放权重（如Qwen系列、DeepSeek系列），而美国最前沿的一批模型（如GPT‑5、o3）则保持闭源。这两种路径各有优势，例如开源降低复现门槛、放大社区协作效应，但闭源更容易围绕新范式构筑高壁垒。报告同时指出，中国模型在ECI曲线上首次超越 GPT‑4出现在2024年5月左右（比GPT‑4发布滞后约14个月），但截至2025年底尚无模型在整体能力上超越o3级别模型。 这背后反映的并非工程实力，而是范式创新的主导权问题。虽然开源生态在代码、数学、对话等单一维度上可以快速追平甚至在部分榜单上反超，但在决定下一代AI范式跃迁的关键能力——持续学习、自我反思与规划、更强的Agent级系统能力，仍主要掌握在具备闭源模型与巨量算力资源的少数美国公司手中。 需要说明的是，ECI指数综合语言理解、推理、多任务泛化与专家校准，量化了真实能力差距。所以上述7个月的差距并非只是抽象的数字，而是它会在OpenClaw的典型使用场景中得到具象的体现。 例如长上下文的稳健性。众所周知，OpenClaw的一个关键特点，是会话历史和任务状态往往会被完整地保留并反复引用，对于一些复杂的企业流程，一个会话轻松突破10万token，甚至逼近20万token。而在这样长的上下文下，模型不仅要记住“你之前说过什么”，更要持续做出高质量的规划决策（例如决定何时调用工具、如何修改既有计划、怎样解释外部系统返回的复杂结果等）。但当前在这一维度表现最稳健的仍然是GPT‑5和少数几款最新的前沿闭源模型，而不少国产模型在超过特定上下文长度之后，开始出现遗忘前文指令、逻辑跳跃、工具调用混乱等问题。 又如Agent化推理能力。OpenClaw之所以被视为“数字员工框架”，就在于它不仅能回答问题，还能把“完成任务”拆分成多步执行，例如先查收合同邮件，再在CRM系统里更新客户状态，然后根据对方时区安排会议，最后生成一条总结发送给内部群。而这个过程背后，需要模型具备相当程度的任务分解、规划和反思能力，即业界常说的agentic reasoning。事实是，美国的最新前沿模型在这方面已经形成了一套从架构到训练范式的系统性方法，而中国模型尽管在代码、数学、对话等单一维度上成绩亮眼，但在Agent链路上的一致性方面仍稍逊一筹。 更值得我们警惕的是安全性与对抗鲁棒性。安全公司Palo Alto Networks在分析OpenClaw风险时，将此类自动化Agent系统视为“高危组合”的一部分，理由很直接，一个可以自动读取邮件、浏览网页、操作企业系统的Agent，一旦在提示注入、权限边界控制、越权调用等环节存在缺陷，就可能演化为“带AI的自动化攻击脚本”。在这一点上，部分美国前沿模型厂商已经投入大量资源，用于对抗式训练、权限分级、敏感操作的多轮确认等机制，而不少国产模型和应用方仍更多处在“补齐基础安全能力”的阶段。当OpenClaw 与真实业务系统深度绑定，这种安全能力的差距就会被成倍放大。 基于上述，我们发现OpenClaw在中国的流行呈现出某种矛盾的两面性。一方面，它是中国在应用层和生态组织能力上的一场胜利，证明了我们自己极擅长“把好模型用起来”“把框架玩出花儿来”；另一方面，它也折射出一个残酷的现实，即在最关键的基础大模型领域，我们仍然在以大约半年的时差追逐前沿，而这无疑决定了OpenClaw的性能上限。 高端算力不足，拉低中国大模型上限如果说上述的基础模型差距是表象，那么算力，则是决定这一差距能否缩小的根本变量。原因很简单，在AI体系中，算力不仅决定模型训练的规模上限，也直接影响模型迭代速度和实验空间。尤其是在当前大模型进入“规模+算法”双轮驱动的阶段后，算力的重要性被进一步放大。而事实是，中国在高端算力上的结构性短板，正成为基础模型迭代的“阿喀琉斯之踵”。 据Epoch AI另一份报告显示，2019年后中国顶级中文语言模型训练计算能力迅速增长，2021年底曾追平全球，但此后放缓，这导致自2021年底以来，前十中文模型每年训练计算能力增长约3倍，远低于全球其他地区自2018年起每年5倍的增速。而按照当前发展速度，中国需约数年才能达到全球顶级模型的计算水平。 如果说Epoch AI的报告代表了海外视角，那么在今年年初国内举行的AGI‑Next前沿峰会（以下简称峰会）上，来自清华、智谱AI、阿里巴巴通义千问等多位一线大佬及从业者，也给出了与之相呼应的判断。 例如当英伟达发布新一代 Rubin 芯片时，首批主要客户名单中几乎难见中国互联网或 AI头部企业的身影。对此，智谱AI联合创始人唐杰在会上直言，中国与美国在算力资源上的差距“有可能不但没有缩小，反而在扩大”，这种差距不仅体现在单枚芯片性能上，更体现在总算力规模、算力利用效率和供应可预期性等维度。而阿里巴巴通义千问（Qwen）前技术负责人林俊旸在峰会上给出的评估称，美国顶级实验室拥有的算力资源，普遍比中国实验室高出1到2个数量级。 尽管这类估算并非精确测量，但结合公开披露的GPU规模、融资能力和云基础设施布局，我们可以大体勾勒出了一个事实，即由于高端算力受制于成本和供应，中国企业不得不将大量资源优先用于支撑既有业务的推理与在线服务，而像OpenAI、Anthropic这样的对手，却可以持续将海量算力资源投入到下一代模型的“饱和式研发”之中。 林俊旸同时提醒，Agent在执行长尾任务时暴露出来的各种“棘手问题”，不可能完全通过Prompt工程或应用层代码修补，必须回到模型层面，通过针对性的大规模训练与后训练（“烧卡”）来解决—“模型即产品”，没有系统性的模型训练能力，就很难构建真正可持续的技术壁垒。 更令人担忧的是，为了打破这种“算力锁死”，中国企业正陷入一种“打游击式”的生存困境。据峰会透露，不少国内团队为了获取高端算力支持，不得不通过错综复杂的步骤，去租用东南亚或中东数据中心的算力，这不仅带来了极高的成本，更意味着研发效率的摊薄。而这种结构性的落后，让业内精英们保持着清醒的悲观。例如当被问及未来三到五年中国公司有多大概率超越美国顶尖AI企业时，林俊旸给出的猜测是20%或更低。 正是在上述背景下，中国厂商近年来通过工程优化与架构创新，在一定程度上“对冲”了算力不足的影响。例如通过MoE架构、推理优化等方式提升效率，甚至在部分场景中实现对海外模型的成本优势。 但我们必须看到，这种优势更多是“效率创新”，而非“资源优势”。而当模型竞争进入更高维度（例如更长上下文、更复杂推理、更大多模态融合），直至Agent时，底层算力的差距仍然会成为限制上限的关键因素。 因此，从长期看，如果算力基础设施无法实现质的突破，中国AI在基础模型层面的追赶将持续面临“天花板效应”。而要打破这个“天花板”，仅靠应用层面的“用法创新”是不够的，必须依赖更扎实、也更漫长的底层技术创新投入。 中国AI向未来，需押注算力底层创新提及所谓“底层创新”，在我们看来，其不应是宽泛的口号，而是一系列极其具体、需要长期投入的系统工程。具体到基础大模型，其是在架构、训练范式、对齐技术、安全机制上的持续突破，是在多语言、多模态、多任务一体化上的深耕，是在数据治理与标注体系上的扎实建设；至于算力体系，则是从芯片、互联网络、系统软件到调度平台的一整套协同优化，力图用更高的系统效率，抵消部分在单卡性能与供应上的外部约束。而这之中，如前述，算力是重中之重。 基于此，国内厂商正在尝试从不同层面补齐底层算力的缺口。 以中科曙光近期推出的scaleFabric国产原生RDMA网络为例，其价值并不只是替代某一类进口产品，而是在算力体系中重构“网络”这一关键变量。 众所周知，在大规模训练中，通信开销往往占据30%—50%，而scaleFabric通过全栈自研实现高带宽、低时延和无损传输，本质上是在提升算力的“有效利用率”。虽然这类创新不直接体现在模型参数规模上，却可以让同样规模的算力集群释放出更高的训练效率，从而间接提升模型能力的上限。 类似的底层创新，并不只发生在网络层。 例如在芯片层面，以华为昇腾、寒武纪、海光、壁仞等为代表的厂商，正在通过不同技术路径推动国产算力体系从“可用”走向“高效”。这之中，有的厂商通过架构设计提升通用性与扩展性；有的则在特定场景中优化算力密度或能效比；有的通过兼容主流软件生态降低迁移成本，逐步构建起从芯片到服务器乃至数据中心的一体化能力。而这些路径的共同点在于不再简单追求“对标某一款GPU”，而是围绕实际应用重构算力效率。 与此同时，一些更具前瞻性的创新开始出现在“系统级组织方式”上。例如以华为CloudMatrix为代表的超节点架构，通过高速互联将数百颗芯片组成一台“超级AI服务器”，以系统能力弥补单芯片性能差距；又如光互连、硅光交换等新型网络技术，也在尝试从物理层突破传统电子互联的带宽与延迟瓶颈。 类似的思路也体现在国内算力系统的工程实践中。以中科曙光ScaleX万卡集群为代表，其通过在万卡规模下对计算、存储与网络进行一体化设计与调度，实现跨节点的大规模协同训练能力。在这种体系中，真正重要的已不再是单一芯片或单台服务器的性能，而是整个集群在通信效率、任务调度与资源利用率上的整体表现，本质上也是在通过系统级设计提升整体算力的可用性和有效性，为大模型迭代提供更稳定、高效的运行基础。 其实无论是华为，还是曙光，其探索的共同点在于，它们不再局限于单一硬件指标的比拼，而是通过重构算力的组织方式，在既有条件下逼近甚至重塑性能边界。 此外，在计算范式层面，中国厂商也在尝试“绕开约束”。例如围绕FP8低精度计算的实践，已经证明在不依赖最先进制程的情况下，通过算法与硬件协同优化，同样可以实现大模型训练效率的大幅提升，而这类创新路径，本质上是在重写“算力=先进制程”的单一逻辑。 如果我们把这些探索放在一起不难发现一个重要变化，那就是中国AI算力正在从过去的“单点替代”，逐步走向“体系化重构”。 写在最后：综上，我们认为，OpenClaw的爆火，是中国AI应用能力的一次集中释放，但并没有改变一个更深层的现实，即基础大模型仍在追赶，算力体系仍存约束。 不可否认，应用可以放大能力，但却无法替代能力本身。而当行业沉浸于“又一个爆款”的热闹时，更需要看到底层的差距与方向。基于此，对中国AI的未来，不在于还能诞生多少个中国版的OpenClaw，而是我们能否凭借在模型、算力与系统架构等的底层创新完成从追赶到定义的跃迁。 本文来自微信公众号“班门弄斧”，作者：孙永杰，36氪经授权发布。

央企加码AI产业规划，人工智能AIETF涨1.65% 截至3月20日10点0分，上证指数跌0.05%，深证成指涨1.00%，创业板指涨2.31%。F5G概念、通信设备、元件等板块涨幅居前。ETF方面，人工智能AIETF（515070）涨1.65%，成分股新易盛（300502.SZ）涨超10%，中际旭创（300308.SZ）涨超5%，光迅科技（002281.SZ）、北京君正（300223.SZ）、芯原股份（688521.SH）、中科曙光（603019.SH）、星宸科技（301536.SZ）、昆仑万维（300418.SZ）、景嘉微（300474.SZ）、复旦微电（688385.SH）等上涨。消息面上，国务院国资委表示，国资央企要在促进人工智能赋能千行百业方面切实肩负起使命责任，要强化统筹推动，编制好中央企业人工智能产业发展“十五五”规划，进一步加大投入力度，打造安全可靠的人工智能产业底座，推动人工智能在中央企业规模化落地。广发证券表示，AI的Memory时刻，AI记忆持续扩展模型能力边界，AIAgent等应用加速落地。AI记忆相关上游基础设施价值量、重要性将不断提升。广发证券表示，公司所处的AI营销赛道高速增长。中国AI营销科技市场仍处于早期发展阶段，随着中国企业持续加速数字化转型，并日益重视数据驱动和智能营销能力，中国AI营销科技市场预计将展现长期增长潜力和发展空间。展望未来，中国AI营销科技市场的市场规模预计到2029年将达到268亿美元，2024年至2029年的年复合增长率为40%，中国AI营销科技市场受到基座模型和数据资产的技术融合、主动搜索转向算法驱动的内容分发、多平台与数据驱动和迭代式营销环境等因素驱动。中国企业的快速海外扩张，加之市场对本土化、多平台营销执行的需求日益增长，推动出海AI营销科技解决方案成为整体市场中的高增长板块。钛动科技已进行战略布局，主要专注于中国出海AI营销科技细分市场。返回搜狐，查看更多