微软正式发布Copilot“超级应用”，整合聊天、编码与智能体

我是看一下这个，刚才那个我给各位领导汇报一下，我们那个大模型这块相关的一个观点，那么。 那么整个的话，整个大厦大模型呢，最近就是基本上我们今天主要是以一个科普的形式，就给大家讲这个大模型的一个研究的体系吧。 然后大模型主要分为3块，第一块就是大模型为 AI 通产业的通用支持，通 AI 产业的通用智能底座，技术引进，推动能力边界持续拓展。 那么现在大模型是深度学习规模化发展的核心产物啊，依托超大模型参数与海量的数据训练，从而实现通用智能的这个能力的产生突破。 推动人工智能从单一的专用任务工具向通用问题求解系统升级。 在这个行业逆境的统计学习，深度学习突破，Transformer预训练范式确立，规模确。 规模驱动能力涌现等阶段演进，目前正在向多模态感知、复杂推理、智能体执行、端侧部署等核心方向持续进阶。 能力范围也从单文本交互延伸至多模态的融合理解、多步逻辑推演、闭环任务执行和全端全终端适配。 感觉精力非常广泛。 第2块就是关于，第2块就是全链路技术体系迭代，系系统迭代，架构训练推理，全站优化突破，效率平。 可装架构凭借全局并行建模与长程依赖度，捕捉能力，奠定了现在大模型的继续更新。 预训练环节从粗放式参规模扩张转向精细化效率化，数据工程成为核心壁垒。 混合专家架构、百万级长序列、多模态统一预训练等前沿技术持续突破，算法工程架构、硬件思维全面优化，推动训练算力效率持续提升。 后训练完成从基础能力到可用能力的关键运行，逐逐步从指令向对齐向推理强化智能体设备安全合规全维度升级。 推理环节成为技术能力向商业价值转化的核心载体。 啊，再子优化、选型调度、量化压缩与端云协同架构多维度降本提效，为大模型规模化落地提供了效率支撑。 3个这个科技场景应用加速，技术下沉驱动产业价值逐步推进。 通用通用技术能力的可复用性决定了大模型的产业落地宽度，垂直行业场景的适配性原则则决定了整个价值兑现的它的深度。 现在大模型正进行从技术概念验证到规模化试点落地的中期跨越，为AI变成金融、制造、医疗等高价值赛道持续实现商业场景。 AI编程工具实现用户规模与企业付费双双重的增长，作为商业化，我们可以对路径最高的一个垂直赛道。 金融行业就是对支撑前台交互到后台运营的全链路控制，路径节奏也比较明显。 那么伴随着这个智能体多模态、端侧化等基础的持续突破，大模型也将从单点效率工具向全流。 分化系统升级，产业价值兑现节奏有望持续向好。 下面我们具体来看每每个环节的这样一个具体的内容。 第一块就是大模型依托通用智能能力可以覆盖多元化的应用场景。 目前大模型是人工智能发展中最具代表性的技术形态之一。 那么大模型，按照整个按照口令的模态可以分为语言大模型、视觉大模型、语音大模型与多模态大模型。 语音大模型以自然语言理解和生成为核心，以 GPT、 DeepSeek、 Kimi 为代表，广泛应用于对话、创作、代码以及知识检索等。 视觉大模型主要聚焦于图像与视频的处理、分割和生成，以 AVM Stable Diffusion 为代表。 大模型通过统一架构，很多可能文本图像已经有信息，当前当前以这个 GPT 啊 GPT 啊 GPT 为标杆，目前大模型的通用技术能力是仅是持续对于单点 AI 工具的一个核心的一个标志。 啊。 啊，那么语言理解和处理是人工智能实现人机自然交互的一个核心能力。 啊，本质是让机器能够理解并灵活应用人类的自然语言。 啊，那么这个能力呢，在这个词法分析、句法分析、语义理解啊，语义理解，可以全面可以精准识别文文文本中的实体关系、情感意图。 啊，多模态的感知是整个模拟的整个人类多感官认知机制，让 AI 同时处理与融合文本、图像、音频、视频、三维空间等多模态信息的一个能力。 啊，那么内容的生成是人工智能基于海量数据学习的一个规律和范式，按需生成结构化、高质量、原创内容的核心能力。 啊，这个能力覆盖文本、图像、音频、视频、代码、工业设计稿等多元形态。 知识引擎是 AI 存储、检索、运用信息并维持交互连接性的底层支撑能支撑能力。 作为通用知识体系和交互体系进行连贯。 那么逻辑推理与规划是 AI 存在的记忆，面向认知决策的核心能力。 核心是基于已知信息规划，开展演绎、归纳、因果等多类型推理，拆解复杂目标，制定可执行的单任务。 公司的调用与行动是AI自我提升能力边界，连接现实世界，作为执行任务的一个核心的任务。 安全与对齐是保障人工智能合规可控，正向应用的底线能力。 核心是AI的思维、输出、能力、价值观，还有法规与能力规范。 大模型的通用基础能力和通用性决定了整个大模型的产业落地宽度，而行业专属场景的适配性则决定了大模型价值的兑现程度。 AI编程工具是这个大模型，其实应用开发者生产力在规模化落地标准。 AI编程工具只是大模型当中，应用中发现环节最为成熟，用户服务应用最强的赛道。 以GPT、Copilot为例，啊，其最新版本，其与微软GitHub啊联合联合OpenAI打造的全球商业化规模领先的产品。 的内置AI背景体系，啊，截至这个2026年初，用户已经达到470万，同比增长75%，啊，那么，嗯，亏损是亏损是，哎，A4的，啊，就出现AI人生独立代码分析，啊。 那么AR从24年的1亿美金已经得了26年2月的20亿美金啊，那么目前的话AI背景工具已经实现了用户规模和企业付费的双重的快速增长啊，但是行业的这个宣传仍然向好，啊的瓶颈开始继续的突破。 金融行业是大模型直接应用和微信高价值场景的一个落地的产的验证标杆啊。 那么，as robotic作为全球企业的大模型公司，于2025年7月推出了金融AI计划，对cloud一款面向科技行业服务，帮助个人人士构建审计进行调查，超分析模型，投资机会审计信息，投资组合监控等功能。 2025年10月，SOP发布For Financial Services的2.0更新，包括Excel插件、实时数据连接及行业级的Agent Skills，使其更加适配金融的工作场景。 2025年5月，SOP提供发布面向金融服务的10款AI Agent，SOP为摩根大通高盛。 花旗啊等金融机构的的AI及供应商，他的他的客户机构以及相当程度的关注行业去进行啊，根据公司机构信息需要把控客户中超过40%来自于金融行业，目前金融服务已经出来机构第2大技术能力仅次于科技行业。 除了金融行业啊，像这个制造行业、医药行业啊，都是后面有可能是成为一个大的、非常大的应用场景的一个方向啊。 那么其中呢，医药行业是呃，是核心对技术的容错率比较高啊，技术方案比较达到医学级的精度保证。 啊，这些这呃这个数据就是大模型在医药行业应用必须要遵守合规、流行、价值逻辑、风险可控的原则。 啊，26年7月份，智领科技已经发布了新一代医学大模型来。 对，V3也是也是这个好办，AI啊，是基于1000亿操作医学数据以及OPD多科室专家融合机制，实现了从代码回答，到数据计算服务的能力。 呃。 就是。 下午我们主要阐述双模架构，因为双模架构是现代通用大模型，现在的一个核心的根基。 Transformer 架构是一种基于自注意力机制的深度学习模型架构。 它的出现是人工智能领域的一次具有里程碑式的突破。 2017 年，谷歌研究人员在《Attention Is All You Need》中首次发布 Transformer 深度学习架构。 旨在优化机器翻译这类序列转换任务，实现循环神经网络和卷积神经网络主流架构的固有缺陷。 啊，可商架构以注意力机制为核心，不仅突破了长程依赖建模的瓶颈，并从根本上释放了并行计算潜力。 Transformer 架构标志着序列建模范式从循环神经网络向注意力机制的根本性转移。 那么，自注意力机制是 Transformer 架构的核心创新，其本质在于通过计算序列内任意两个位置之间的关联权重，实现全局语义信息的动态聚合。 具体而言，模型将输入向量映射为。 查询键和值3个矩阵，通过缩放点及注意力计算注意力部分，将query与key进行矩阵乘法，并进行尺度缩放，soft max函数归一化处理，得到反映各token之间相关性的注意力权重矩阵，对value矩阵相乘，然后加值进行。 Transformer 的整体架构有编码器和解码器两大模块。 对，对称 DDX。 编码器有 N 个相同相同层块组成，每层包含一个多头自回注意力机制和一个全连接前馈的网络。 对哪些中央人员相同的曾曾纠结，但是编码其基础上增加了较大注意。 尽管如此，还是帮忙以及主要的场景当成建模与规划，引出了大数据产业的核心技术，即编码器解即编码器解码器范式及字符类思想，实际上影响了GPT和data等模型的深度模型啊。 那么从方法架构的提出，不仅革新了序列建模的提升方式。 增加催生了应扣的抵扣的应扣的欧米抵扣的欧米三条差异化的结构，那么在战略架构中抵扣的欧米展现出最突出的可能拓展性和通用性，请这个架构定期的金马期的模块就保有金马期对比，通过三角因果的延满去报名的投入资金，关注历史经济，以极简的结构实现高效的智慧队甚至。 啊，哎呀，2018年的时候，那个AI基于这个架构提出了GPT-1，啊，首次在大规模标注语料上验证了生成式预训练的有效性。 这边的允许人家微调的范式啊，同一时期google推出了基于input的欧姆架构的ert啊，然后从gpt123到后续的迁移参数已经表明gpt的欧姆架构不仅是生成式AI的技术升级，而且驱动大模型从实验室走向规模化商业的核心。 啊，Include Open架构的BET、BRT通过演示跟源码与语言的模型实现了深度转化能力。 大模型，对，其实就是大模型预训练啊，大模型预训练的全链路效率决定了模型的一个长期。 预训练底层技术框框架，今年大模型通用能力升级，架构与训练机制分别构成预训练体系的骨架和方案，共同决定了模型的上，能力上限和训练成本。 这个方向上，我也是大家训练的这个题啊。 发展三级，想想，这就是我们。 啊。 不要跟我们讲，为什么我们没。 那么这个嗯。 现在单一架构基本上很难承载训练到推理的全链路需求。 混合哈成为架构啊架构选型的主要方式。 当前千亿参数以上企业目前主流配置为宽松版的 MOE， 前者保障事情的一个算法，后者通过吸收激活率降低了算力，普通模型提供呢。 DeepSeek V3以671B总参数、37B激活参数，实现与头部闭源模型相当的性能。 通用高质量生成也依靠的O1 Transformer的架构选择，多任务超大容量场景识别MOE稀疏架构，训练低延迟的场景识别Transformer Member双混合架构。 面这个眼镜主线是从单一任务、长周期、粗放训练，转向多任务混合、动态自适应的积极优化设计。 下一个 token 预测是，这所有的，这所有的，是指是预训练模型的核心任务，其本质是无自回归语言建模。 干啥点啥，刘充分给刘充分驳回。 今天流程普遍拆分为热身、稳定、科研三个阶段，并依托分布式框架和混合精度啊来技术路径啊。 那么其中的数据工程是预训练核心的一个技能节点，最终损失将原始的数据处理标准化的训练以外的系统性关系啊，它的起点是平衡覆盖率、质量与合规性的多元数据数据。 那么预训练工程的本质是将能源科技质量参加的一个加工为质量分层明确，领域配比平衡，去重彻底的一个标准医疗库，各环节去户外监控啊。 那么数据符号已经以 Common Crawl Crawl 等开放网页数据为基础了啊，那么格式统一与去重是清洗流程的衔接环节，后续要决定后续处理的效率和项目有效性。 嗯，造成功率和质量打分构成语料库，量控制的双查，啊推动筛选过程从规则判断升级为语音语音级的量化评估。 那么去毒控敏和分层存储是语料合规性与可用性的最终保障，它属于不可省略的强制性环节。 那么数据配比决定了语料库的知识结构上限，其方法呢已经从人工经验引入为数据。 驱动能力化。 那么数据透明能力之所以成为预训练的核心壁垒，根本原因在于数据质量直接决定了模型的能力天花板。 中美在预训练数据上的差距首先体现为语料总量和高质量语料的结构性双重匮乏。 这个差距里的国内模型在同等算力下可用于训练的有效知识库仅以千量级计。 那么预训练提升目标，然后提升战略的核心目标，思维全栈优化，突破成本。 目前预训练成本优化的核心目标在于提升商业应用，并压缩单位投入的计划成本，也与四大训练中心三个构成工程化能力的关键。 那工程目标实践，这实践均需要依托算法工程架构和硬件资源维护系统。 算法及优化以高效处理优化为核心主线。 配套负责量化压缩优化器损失改进等符合算法性能的影响。 根据KPI资源的KPI混合线性处理模式，原生算法层面的结构性特性，通过重构处理注意力计算数据控制，从更大解决范围里平方体算力扩大后。 我要不是我立马就停。 那么数据并行是工程集中必发，又发中就是最广泛、具有最成熟、最高的系统具体方案，也绝大多数大模型训练集群的一个标准的技术。 那原理是将完整的模型权重优化器状态与梯度缓存全量复制到每张卡计算卡，训练阶段将全局的批次数据切分为与卡数量等等量的子批次。 拉到各卡固定完成期限计算和记录返返项，嗯各卡计算完后通过我all reduce等集合通信算算同步全部记录，在基于一致的全局梯度独立更新本地模型参数啊，从而保证数据计算卡的权重始终保持一致。 其次就是流动性分析啊啊以及干扰分析。 性格是应该说。 目前呢计算卡是大模型训练训练的核心载体，而规格水平直接决定了算力卡啊算力上限和训练成本的极限。 学习核心参数围绕算力密度、显存容量和带宽、数值精度支持等维度展开。 当前工工业界，训练集群普遍采用支持 FP8 张张量核心的这个高端计算卡，可以在保障训练精度同时相比。 BF16混合精度将算力密度提升一倍。 算力的融合优化是依托GPU硬件架构特性的思维手段，也是硬件及思维下单位收益价价呃显著的降本手段。 多维度机构评估可全面量化预训练模型训练效果与基础能力啊。 那么当前基于 AI 行业，伙伴通用，伙伴企业通用多维度评评测基准与评估框架，其核心能力层面对预训练模型开展全面的量化评估。 目前全新技术突破持续推动大模型训练能力的边界不断的突破。 第一个就是万亿参数MOE技术，万亿参数的MOE技术是当前大模型突破纯密架构与产业约束，实现技术能力领先的最最底层的核心技术。 目前随着大模型能力提升，对参数规模的需求持续增长，传统纯密的超模架构面临的参数困难带来的算力性。 训练效率线性增长，能力边际收益递减的一个状态问题。 混合专家架构通过稀疏激活机制打破了算力与算力和参数的强绑定关系。 好，那么NPU系列的核心运行逻辑是通过门控网络实现输入和专家的动态匹配，在参数规模大幅扩容的同时，维持训练与推理的效率。 根据。 Google Switch Transformer 经典研究证明， Moe 架构可将模型参数量提升至超模型的数倍后，而训练成本参数仅增加少量开销。 核心在于训练传播中，每个 token 只进入少数专家处理，前馈网络之间。 那么这个环节不需要全量增加参数参与。 关于参数的MOE训练已完成核心求验证，并在初步厂商范围内进入规模化的应用阶段，成为全球头部大模型厂商构建技术壁垒的核心抓手。 那么海外层面，OpenAI、Google、DeepMind等厂商的超大规模旗舰模型均采用MOE架构实现产能扩容。 国内层面，DeepSeek、MiniMax、月之暗面等厂商的新一代超大规模模型均突破万亿。 万亿级别的MOE预训练实现能力学习，DeepSeek最新V4系列模型中采用迭代升级的MOE架构，形成旗舰版与轻量化的模型布局。 并且M1Q13以自研技术MOE为核心技术体系，在超大架构上实现了新的多模态能力和训练化沟通能力。 百万级的 Token 是长序列模型，在大部分进行拓展长长长序列依赖建模能力，支持长长链路复杂场景的核心技术已经完成。 百万级别的 Token 是长序列模型已经完成了核心技术，并且逐步实现模型商业化，进入规模化应用，将图模型构建长文本能力。 开化优势的一个重要的基础啊，其次就是多模态的这样一个能力预训练啊，打破了单模态能力边界，推动大模型从文本智能向多模态通用智能演进的核心技术。 啊，那么目前现在这个模态预训练已经完成从全图对齐到免费融合的三阶的架构推进演进，行业产业智能化应用transformer覆盖实现。 泡沫泡沫开始融合性，嗯，我觉得我是可以的。 后面这个说的下一步就是关于大模型的意识的干预，因为大模型预学预训练动画存在于多维度的硬件体的一个支持啊。 那么这一块的话呢，我们后面放在这个这个 GPU 和 CPU 的专题，去大家详细讲解。 目前，大模型后续呢，我们从基础能力的提升，已经到可用能力的关键运行。 后续你关注的模型如何完成具具体任务，跟训练的主要学习通用知识是不同的。 目前头部大模型成长后训练路径呈现差异化的一个分化，技能要点主要从基础能力，对其怎样推理和理解，Agent 的执行和安全迭代等。 加入深层的文化维度。 推理模型指出，Agent 场景逻辑与测评体系确定三重因素共振，推动后续训练范式从输出结果优化向确定一种行为的能力塑造塑造升级。 那么。 后训练目前大的范式升级推动了数据产业的价值逻辑成功，目前核心的市场要素已经从标注的样本规模转向任务升级，评价规则和训练环境的体系化的这样一个能力。 下一块就是关于推理环节，那么推理环节的话呢，包括几点，第一个，社会主义生产知识决定了技术特性，那么云大系统基本上成为主流的一个部署的形态。 目前大模型模型的推理的核心本质是自我推沟通的实质，全流程遵遵循标准化的一个分级计算面积，那么目前专编云协同的分层推理架构已经成为替代纯云端集中模式实现推理降本绩效的主流的部署的一个形态，推理优化大模型的推理化覆盖硬件应用算法架构系统调度等多个维度，其中硬件的应用效率是核心的可用优化矛盾。 是核心的机制啊，首先是一个主要为访大为访存改款的瓶颈和无效计算的内容。 目前访存这块呢，是主要直接受是是推理算力利用率偏低的主要瓶颈，算子级别的这样的访存通过是通过改约束的一个核心的啊技术路径。 计算与映射与显存的空间计算是制约系统吞吐能力的核心制度，管理机制升级与显存显化的这样一个管理是对应的核心优化方向啊。 那么基础的KV拆解通过历史，呃，复用历史从问题的建立向下，剔除了自回归链路中重复的历史进行计算，将单步生成的KV计算复杂度从线性以下历史常数级。 目前大模型推理的综合效能评估构建，构建性能效果二元衡量体系，其中系统性能走一个直接决定了部署成本与用户体验，是推理优化的核心功能方面。 模型效果的模模型效果为做是落地的基础落地的底线约束，所有的效率优化均通过效果，均以效果可控为前提，两者共同构成了对乙方方案优劣的完整评价框架。 延迟的指标刻画单。 那么这是我们主要推理这块的观点啊，那么本次会议大概内容就到这为止，嗯感谢各位投资者嗯聆听，谢谢。 感谢大家参加本次会议，用 AI 进宝获得优质复盘资料，更多专业 AI 工具和投研内容，打开进门 APP 领取会员体验吧。 祝您工作顺利，再见。 本次会议仅限证券的专业投资机构客户。

大模型正进行从技术概念验证到规模化试点落地的中期跨越；推理环节通过算子级访存优化、KV Cache、量化压缩、端云协同等多维度降本

嗯，我是看一下这个，让咱们这边我给各位领导汇报一下。 嗯，那个大模型这块相关的一个观点啊，那么。 那么把。 整个的话，整个大，上大模型呢，最近就是基本上，我们今天主要是以一个科普的形式，就给大家讲这个大模型的一个研究的体系吧。 然后大模型，主要分为3块，第一块就是大模型为AI通，产业的通用知识，通AI产业的通用智能底座，技术引进推动能力边界持续的拓展。 那么现在大模型是深度学习规模化发展的核心产物啊，依托超大模型参数与海量的数据训练，从而实现通用智能的这个能力和产生突破啊，推动人工智能从单一的专用任务工具向通用问题求解系统升级啊，在这个行业逆境的统计学习、深度学习突破Transformer预训练范式确立啊，规模确立。 规模驱动能力涌现等阶段演进啊，目前正在向多模态感知、复杂推理、智能体执行、端侧部署等核心方向持续进阶，能力范围也从单文本交互延伸至多模态的融合理解、多步逻辑推演、闭环任务执行和全中全终端适配啊。 感觉精力非常广泛。 第2块就是关于第2块就是全链路技术信息迭，协同迭代，架构训练推理，全站优化突破，效率平。 快速帮助架构凭借全局并行建模与长城依赖赌博，赌博的能力，奠定了现在大模型的继续更新。 预训练环节从粗放式参量规模扩张转向精细化、效率化，数据工程成为核心点。 混合专家架构、百万级长训练、多模态统一预训练等前沿技术持续突破，算法工程架构、硬件思维全面优化，推动训练产品效率持续提升。 后训练完成从基础能力到可用能力的关键运行，逐逐步从指令向。 对其向推进强化智能体设备安全合规全维度升级，这一环节成为技术能力向商业价值转化的核心载体。 啊，再指优化显存调度量化压缩与端云协同架构多维度降本提效，为大模型规模化落地提供了效率支撑。 3个就是科技场景应用加速，技术下沉驱动产业价值逐步推进。 通用通用技术能力的可复用性决定了大模型的产业落地宽度，垂直行业场景的适配性原则则决定了整个价值兑现的广深度。 现在大模型正进行从技术概念验证到规模化试点落地的中期跨越。 AI编程金融制造机要等高价值赛道持续实现商业化进程，AI编程工具实现用户规模与企业付费双双重的增长，作为商业化，我们可以去路径最高的一个垂直赛道，金融行业就是就就从前台交互到后台运营的全链路控制，物流节奏也比较明显。 啊那么。 伴随着这个智能体多模态端侧化等基础的持续突破，大模型或将从单点效率工具向全流，分化系统升级，产业价值兑现节奏有望持续加快啊。 下面我们具体来看每每个环节的这样一个具体的内容。 第一块就是大模型依托通用智能能力，可以覆盖多元化的应用场景。 目前大模型是人工智能发展中最具代表性的技术形态之一。 把。 那么大模型，它按整个按照口令模态可以分为语言大模型、视觉大模型、语音大模型以及多模态大模型。 语音大模型以自然语言理解和生成为核心，以GPT、DeepSeek、Kimi为代表，广泛应用于对话、创作、代码以及知识检索等。 视觉大模型主要聚焦于图像与视频的处分割和生成，以Aim Stable Diffusion为代表。 啊，大模型通过统一架构，融合了文本、图像、语音等信息。 啊，当前当前以这个GPT啊，GPT啊，GPT为标杆。 啊，目前大模型的通用技术能力是，仅是其区别于单点AI工具的一个核心的一个标志。 啊，那么语言理解和处理是人工智能实现人机自然交互的一个核心能力啊，本质是让机器能够理解并灵活运用人类的自然语言啊，那么这个能力呢，呃，这个词法分析、句法分析、语义理解啊，语义理解，电影全面可以精准识别文文文本中的实体关系、情感意图啊，多模态的感知是整个模拟的整个人类多感官认知机制，让 AI 同时处理与融合文本、图像、音频、视频、三维空间等多模态信息的一个能力。 啊，那么内容的生成是人工智能基于海量数据学习的一个功能和范式，按需生成结构化、高质量原创内容的核心能力。 啊，这个能力覆盖文本、图像、音频、视频、代码、工业设计稿等多元形态。 知识记忆是AI存储、检索、运用信息并维持交互连接性的底层支撑能支撑能力。 作为通用知识体系和交互体系，具体两块啊。 那么逻辑推理与规划是AI从感知记忆迈向认知决策的核心能力，核心是基于已知信息规划，开展演绎、归纳、因果等多类型的推理，拆解复杂目标，制定可执行的单任务。 工具的调用与行动是AI突破自身能力边界，连接现实世界，用于执行任务的一个核心的任务。 安全与对齐是保障人工智能合规可控，正向应用的底线能力。 核心是在AI的行为和输出，要有一个价值观，还有法规与伦理规范。 啊，大模型的通用基础能力和通用性决定了这个大模型的产业落地宽度，而行业专属场景的适配性则决定了大模型价值的兑现程度。 AI编程工具是这个大模型垂直应用开发者生产力和规模化落地标志。 AI编程工具只是大模型垂直当中，垂直应用中商业化落地最为成熟，用户付费意愿最强的赛道。 GPT，Copilot为例，啊，GPT版，为其为微软GitHub啊联合联合OpenAI打造的全球商业化规模领先的IDE。 等类似AI背景体系。 啊，截至这个2026年初，用户均达到470万，同比增长75%。 啊，那么。 嗯，cursor是cursor是asp，推出在ai原生独立代码编辑器啊，那么ai从24年的1亿美金，已经得了26年2月的20亿美金。 啊，那么目前的话，AI背景工具已经实现了用户规模和企业付费的双重快速增长。 啊，当然行业的这个宣传应用下好用啊的瓶颈开始必须突破。 部分行业是大模型直接应用和微信。 高价值场景的一个落地的产，的验证标杆啊。 那么，asprobit作为全球企业的大模型龙头，于2025年7月推出了金融AI H2，为cloud第一款面向科技行业服务，帮助个人对后续审计进行调查，财务分析模型投资机会识别以及投资组合监控等功能。 2025年10月，SOP发布For Financial Services的第二次更新，包括Excel插件、实时数据连接以及预制的Agent Skills，预计更加适配金融的工作场景。 2025年5月，SOP给金融发布面向金融服务的示范AI Agent，SOP为Open大孔搞升级。 花旗啊等金融机构的的AI及供应商，他的他的客户结构已经相当程度的关注行业去进行。 啊，根据公司披露信息，前五十大客户客户中有超过40%来自于金融行业。 目前金融服务已经成为SOP的第二大事业收入，仅次于科技行业。 好的东西我们不会淹没你。 做金融行业啊，像这个制造行业、医药行业啊，都是后面有可能会成为一个大的、非常大的应用场景的一个方向啊。 那么其中呢，医药行业是呃一个核心，对技术的容错率比较高啊，技术方案必须要达到医学级的精度保证。 啊，这一学这一呃这个数据就是大模型在医药行业应用必须要遵守合规、流行、价值落地、风险可控的原则。 嗯。 26年7月份，智领科技已经发布了新一代医学大模型，来，对，V3，医学AI，AI，啊，其基于1000亿tokens医学数据以及OPD多科室专家融合机制，实现了从单轮回答，到持续激发服务的能力的，呃，提升。 第二部分我们主要阐述科技方面加工啊，因为方面加工是现代通用大模型，现在的一个核心的根基。 Transformer架构是一种基于自主语义机制的深度学习模型架构，那出现是人工智能领域的一次一次飞跃式的突破。 啊2027年Google研究团队在技术部门的Attention is All You Need中首次发布Transformer深度学习架构，啊旨在优化机器翻译这类序列转换任务，解决循环神经网络和卷积神经网络主流架构的固有缺陷。 啊，Transformer架构以注意力机制为核心，不仅突破了长程依赖建模的瓶颈，更从根本上释放了并行计算潜力。 而光网架构标准的虚拟建模方式，从循环神经网络向注意力机制的根本性转移。 那么这部分机制是整个光网架构的核心创新，其本质在于通过计算训练内内2个之间的关联权重，实现全局语义信息的动态聚合。 具体而言，模型将输入向量预测为查询键和值3个矩阵，通过缩放点击注意力计算注意力部分。 按 query 去进行矩阵乘法，并进行尺度缩放，softmax 函数归一化处理，得到反映各 token 之间相关性的注意力权重矩阵，与 value 矩阵相乘完成加权求和。 Transformer的整体架构由编码器和解码器两大模块，对呃对称对立的啊，编码器有N个相同相同层串起来的，每层包含一个多头自回注意力机制和一个全连接前馈的网络。 编码器通常与N为相同的层层堆叠，但是编码器基础上增加了交叉注意力。 尽管如此，Transformer以其卓越的长长程建模能力，已经成了大数据产业的核心技术。 其编码器解，其编码器解码器范式及自注意力思想，深刻影响了GPT、BERT等主流模型的设计路径。 啊，那么Transformer架构的提出不仅革新了序列建模的底层范式。 更加催生了encode decode encode only decode only三条差异化的局部性。 嗯，在三维架构中，decode only展现出最突出的可拓展性和通用性。 啊，这个架构呢，定期的编码器的模块，就保留编码器对比，通过三角因果的掩码，确保每个token资金关注历史信息。 啊，那以极简的结构实现高效的自回归生成。 啊，2018年的时候，AI基于这个架构提出了GPT-1，啊，首次在大规模标注语料上验证了生成式预训练的有效性，奠定了预训练加。 微调的范式。 同一时期，Google推出了基于Inco的Omni架构的BERT啊，然后从GPT-123到后续的千亿参数已经表明，GPT的Omni架构不仅是生成式AI的技术，在驱动大模型从实验室走向规模化商业的核心。 啊，include欧盟架构的BETBRT通过演示跟掩码识别一年的模型，实现了深度强化学习。 大模型，对，其实就是大模型预训练啊，大模型预训练的全链路效率决定了模型的一个上限。 预训练底层技术框框架，预训练大模型通用的那个引擎，架构与训练机制分别构成预训练体系的骨架和方案，共同决定了模型的上，能力上限和训练成本。 你告诉三国人是当下训练的绝对主义。 啊。 不是打广告来的，不要跟我们讲为什么我没给你讲。 那么这个嗯。 现在单一架构基本上很难承载训练高推理的训练这种需求了。 混合化成为架构啊架构选型的主要方式。 当前千亿参数以上的企业模型的主流配置为宽松版的MOE，前置扩张生成的一个算法系统，或者通过吸收激活以较低的算力普通模型进行补能。 DeepSeek V3以6671B总参数、37B参活技术激活参数，实现与头部闭源模型的相当的性能啊。 嗯，通用高质量生成，以 DeepCode Only Conform 为模型选择，多任务超大容量场景适配， MOE 稀疏架构，虚拟低延迟的场景适配， Conform member 双混合架构。 天天扣着肚子。 后面这个演进主线是从单一任务、长周期、粗放训练，转向多任务、混合、动态自适应的精细化设计。 下一个 token 预测是，这所有的，这所有主流是指是预训练模型的核心任务，其本质是为自回归语言建模。 干啥写啥，理由充分给，理由不充分驳回。 今天流程普遍拆分为热身、稳定、科学三个阶段，并依托分布式框架和混合精度啊来提出问题啊。 那么其中的数据工程是预训练核心的一个技能点，最终损失将原始的数据处理标准化的训练与到的系统性的关系啊，它的起点是平衡覆盖度、质量与合规性的多元数据数据。 那么预训练工程的本质是将能源科技质量承担的一个训练加工为质量分层明确，领域配比平衡，去重彻底的一个标准语料库，各环节去互换监控啊。 那么数据环节以Common crawl crawl等开放网页数据为基础来源啊，那么格式统一与去重是清洗流程的前置环节，后续在决定后续处理的效率和样本有效性。 嗯，噪声功率和质量打分构成语料质量控制的“双闸门”，把这套筛选标准从规则判断升级为语音语音级的量化评估。 那么去毒脱敏和分层存储是医疗合规性与科学性的最终保障，而属于不可省略的强制性环节。 那么数据配比决定了医疗库的知识结构上限，其方法论已经从人工经验引进为数据驱动的优化。 那么数据脱敏能力之所以成为医学类的核心壁垒，根本原因在于数据质量直接决定了模型的人机化。 中美在预训练数据上的差距首先体现在医疗总量和高质量医疗结构的方层面。 这个差距里的国内模型在资本政策影响可用于训练的有效知识部分，用于训练数据。 那么预训练提供目标，然后提供战略，提供目标，思维全栈优化，突破成本。 目前预训练系统优化的核心目标在于提升商业应用与压缩单位token的机关成本，也与缩短训练周期3个构成工程化落地的关键。 然后目标实践的时间均需要依托算法工程架构和硬件使用的一些工具，算法及优化以高效处理优化为核心主线，配套负责轻量化压缩优化器、数据改进等辅助算法阶段性目标。 叫一声爸妈，而不是。 因为KPI资源的KPI混合线性注意力是原生信号层面的结构性特性，通过重构注意注意力计算数据分布，从更大计算范围里，平方计算力扩大后。 以后我要不是我立马就停。 那么数据变形是功能集中，必须还有发动，这是最广泛，具有最成熟、最包容的系统具体方案，有绝大多数大模型训练集群的一个标配的技术。 那原理是将完整的模型权重优化器状态与梯度缓存群量复制到每张卡计算卡。 去年集团将全局的批次数据切分为与卡夫拉等等等量的子批次，拉到各卡，独立完成气象计算和梯度反向反向同步，各卡计算完成后，通过我all reduce等集合通信算算子同步全局梯度，再基于一致的全局梯度独立更新本地模型参数，啊，从而保证数据计算卡的权重始终保持一致。 其次就是流变学分析，啊啊，以及干样分析。 性格是虽然说。 那目前呢，计算卡是大模型训练训练的核心载体，那规格水平直接决定了单卡啊算力上限和训练成本的极限。 学习核心参数围绕算力密度、显存容量和带宽、数值精度支持等维度展开。 当前工呃工业界呃训练集群普遍采用支持FP8张张量核心的这个高端计算卡，可以在保障训练精度同时相比。 BF16混合精度加算力密度提升一倍，算力的融合优化是依托GPU硬件架构促进的，是硬件及输入下单位收益下价呃显著的降本手段。 你连他到底啥你都不怀疑，你要是能接受。 多维度技术评估可全面量化预训练模型训练效果与技术能力啊，那么当前全球AI行业广泛通用，那广泛使用通用多维度评评测技术与评估框架，其核心能力层面对预训练模型开展全面的量化评估，目前全新技术突破持续推动大模型预训练能力的边界不断的突破，第一个就是万亿参数MOE预训练，万亿参数的MOE应该是当前大模型突破纯密架构与产业约束。 建技术能力有限的最最底层的核心技术。 目前随着大模型能力提升，对参数规模的需求持续增长，传统稠密的transformer架构面临的参数扩张带来的算力线，算力线性增长，能力边际收益递减的一个双重问题。 混合专家架构通过稀疏激活机制打破了算力与算力和参数的强绑定关系。 好，那么MOE系列的核心运行逻辑是通过门控网络实现处理了专家的动态匹配，在参数规模大幅度扩容的同时，维持训练与推理的算力效率。 根据Google Switch Transformer今年研究证明，MOE架构可将模型参数量甚至超过模型的数倍后，而训练的参数仅增加少量开销，核心在于相对传播中每个token只进入少数专家处理，轻会网络计算。 啊，那么这个环节不需要全量增加参数参与。 万亿参数的MOE训练已完成核心求验证，并在头部厂商范围内进入规模化的应用阶段，成为全球头部大模型厂商构建技术壁垒的核心抓手。 那么海外层面，OpenAI、Google、DeepMind等厂商的超大规模旗舰模型均采用MOE架构，实现产能扩容。 国内层面，DeepSeek、MiniMax、VLM等厂商的新一代超大规模模型均突破万亿。 万亿级别的MOE预训练实现能力学习，DeepSeek最新V4系列模型中采用迭代升级的MOE架构，形成旗舰版与轻量化的模型布局。 并且MEQ73以自研技术MOE为核心技术体系，在超大架构上实现了新的多模态能力和训练和通用能力。 百万级的token在长训练模型，在大模型进行拓展，长长长程依赖建模能力，支持长长链路复杂场景的核心技术已经完成。 百万级别的token在长训练训练已经完成了核心技术，并在头部企业模型范围内进入规模化应用阶段，成为头部模型构建长文本能力。 差异化优势的一个重要的基础啊，其实就是多模态的这样一个能力预训练啊，打破了单模态能力边界，推动大模型从文本智能向多模态通用智能演进的核心技术，就是这个。 啊，那么目前智能这个模态预训练已经完成，从前度对齐到原生融合，它的三阶的架构推进演进，当前产业主流方案以Transformer主干实现跨模跨模态的融合性。 啊，那么。 后面这个，呃，下一步就是关于大模型的预训练，大模型预训练，自动化，在于多维度的硬件体系的一个支持。 啊。 那么这块的话呢，我们后面放在这个这个GPU和CPU的专题，啊，去大家详细讲解。 啊。 目前呃大模型后续任务从基础能力的提升已经到可用能力的关键运行啊，后续你关注这个模型如何完成具体具体任务，跟训练的主要学习通用知识是不同的啊。 目前头部大模型它让后续的路径呈现差异化的一个分化，基本焦点主要从基础能力对其总量推理和理解，A定的执行和安全迭代等。 这样的分层的范围，推理模型陈述agent场景逻辑与测评体系确定三重因素构成，推动后续年赛事从输出结果优化向确定一种行为的能力塑造，塑造分析。 啊，那么。 后训练目前大的范式升级推动了数据产业的价值逻辑重构。 目前核心的系统要素已经从高度的样本规模转向任务设计、平台规则和训练环境的体系化的这样一个呃能力。 呃，下一块就是关于推理环节啊，那么推理环节的话呢，主要包括几点，第一个，智慧主义系统知识决定了技术特性啊，那么云加系统基本上成为主流的一个部署的形态。 目前大模型模型的推理的核心本质是自回归，普通的词组，全流程遵遵循标准化的一个分级计算链。 那么目前端边云协同的分层推理架构已经成为替代纯云端集中模式，实现推理降本提效的主流的部署的一个形态。 推理优化，大模型的推理优化覆盖硬件应用、算法架构、系统架构等多个维度，其中硬件的利用效率是核心的推理优化锚点。 是核心的机制啊，首先你是一个主要为访大为访存带宽的瓶颈和无效计算的内容。 目前访存带宽那个这个约束是是推理算力利用率偏低的主要瓶颈，算子级别的这样的访存通过是突破该约束的一个核心的啊技术路径。 计算50是与显存的空间机械，这些系统吞吐能力的核心制度，管理机制升级与显存省化的这样一个管理是对应的核心优化方向。 那么基础的KV拆解通过历史呃复用历史的从分子的建议向下提出了自回归链路中重复的历史水平计算，将单步生成的KV计算复杂图从线性级向历史常数级。 目前大模型推理的综合效能评估构建构建性能效果二元衡量体系，其中系统性能走度直接决定了部署成本与用户体验，是推理优化的核心功能方面。 模型效果的模模型效果为落实落地的技术落地的底线约束，所有的效率优化均通过效果，均以效果可控为前提，两者共同构成了推理方方案优力的完整评价框架。 延迟的指标刻画单。 那么这是我们主要推理这块的观点啊，那么本次会议大概内容就到这为止，嗯感谢各位投资者嗯聆听，谢谢。 感谢大家参加本次会议，用AI进宝获得优质复盘资料，更多专业AI工具和投研内容，打开进门APP领取会员体验吧。 祝您工作顺利，再见。 本次会议仅限证券的专业投资机构客户。

智领科技于2026年7月发布基于1000亿tokens医学数据的V3医学大模型，引入OPD多科室专家融合机制；Cursor估值从2024年1亿美元跃升至2026年2月的20亿美元

![](images/9f521a0bb85f0e0160f3a6df8fc82cc14a8519da39169363504e85d5ae3d2e3e.jpg) ## 应用程序、代理与聚合 2026年9月28日星期一 三款革命性产品——你知道那句经典台词。一台带触控的宽屏iPod、一部革命性的手机，以及一款突破性的互联网通信设备。史蒂夫·乔布斯就是这样介绍iPhone的： ![](images/86536aa6b20b7046b5ee87dbac292eaa9735aa48180c7b74d7de618bb7219f4b.jpg) 今天，我们推出了这一类产品中的三款革命性产品。第一款是带触摸控制的宽屏iPod。第二款是革命性的移动电话。第三款是突破性的互联网通信设备。所以，三样东西：带触摸控制的宽屏iPod。革命性的移动电话，以及突破性的互联网iPod、革命性的移动电话，以及突破性的互联网通信设备。一个iPod。一部电话。还有一个互联网通信器。一个iPod。一部电话。你们明白了吗？这些不是三个独立的设备，而是一个设备，我们称之为iPhone。今天，苹果将重新发明电话。 我之前曾链接过这段片段，通常是为了指出观众并未真正理解“互联网通信设备”意味着什么，尽管这正是iPhone最具革命性的能力所在。 然而，我此刻想到的一句话是：“你明白了吗？”你明白这种信息传递方式——现在用聊天机器人，以后用自然界面——就是我们与人工智能沟通的方式吗？你明白我们不仅不会去编程计算机，甚至不会再使用它们——而是由人工智能来使用吗？你明白预构建的用户界面——一次编写，到处运行，面向所有人——已经死了吗？这些不是三个独立的预测：这就是现实，就在此刻，在2026年。未来已经到来，即使它尚未广泛普及。还是说，它已经普及了？ ## 消息传递与待办任务 我在2014年2月18日写道，消息传递是移动设备的杀手级应用；我特别指出日期，是因为我碰巧在Facebook收购WhatsApp的前一天发表了那篇文章。我的论点是，手机最初可能只是一种便捷的信息设备，但其杀手级用例却非常人性化： 七年前，电脑变得可以放进口袋，但最初的应用场景主要是让信息的被动呈现不仅能在观看者方便的时间获取，还能在任何地点获取：网络如今无处不在。不过，直到最近，这个时代的杀手级应用才变得显而易见——当通信节点是智能手机时，这个应用就是即时通讯。家用电话实现了实时通信，网络实现了被动通信，而即时通讯则实现了持续通信。对话永无止境，朋友的来去节奏不由物理空间决定，而由注意力决定。而且，既然我们都是人类，渴望人际互动与情感，我们便非常乐意将大量注意力投入即时通讯，投向我们最在乎、且始终在口袋和手包里陪伴着我们的人。 Meta对WhatsApp的收购实际上在雄心壮志上是一次倒退；一年前，该公司曾推出自己的安卓界面，名为Facebook Home；当时首席执行官马克·扎克伯格对《连线》杂志表示： Home将你的手机变成了一部Facebook设备。即使锁屏状态下，朋友们动态的照片流也会充满屏幕。更新也会出现在你的主屏幕上。更重要的是，Home让Facebook成为你设备上的主要通信方式。该公司的消息软件与短信融合，你可以在其他应用内继续使用其“聊天头像”发消息。扎克伯格相信，社交网络在用户生活中扮演着太重要的角色，不能被浩瀚的应用海洋所淹没。“应用不是世界的中心，”他说，“人才是。” 我对此强烈反对，并在《应用、人与待办任务》中写道： 应用与人。据扎克伯格所言，这就是二分法。但他错了。他忽略了待完成的任务。 以下是我精心挑选的主屏幕： ![](images/cefe4a59079640c92d3c043cce82164fd3dfa3a5748c19569974bd9598f17cda.jpg) 我的iPhone主屏幕 注意有多少图标是关于“人”的……三个屏幕上总共只有四个。人对我来说很重要，但我使用手机做的事远不止于此。 那么，如果我考虑“待完成的任务”呢？……总计：151个应用，80项待完成任务，4个以人为焦点 应用并非世界的中心……但人也不是。智能手机之所以统治世界，是因为它们比人类历史上任何事物都能在更多地方为更多人完成更多任务。Facebook Home让任务更难完成，实际上将它们降级到了我第三屏的文件夹里。Facebook凭什么优先考虑我的任务？ 那些截图显示了151个应用；如今我的手机上有689个。不，我很少打开其中的大多数，但嘿，如果我再次需要过去因某种原因下载的随机应用，它就在那里。更广泛地说，这些数字说明了iPhone和App Store所实现的可能：以前在移动中无法访问的各种活动的定制界面。 尽管如此，核心应用集仍然非常一致：消息应用，包括WhatsApp，社交媒体，主要是X，以及现在的ChatGPT和Claude。 ## 为AI打造的电脑 我昨天得到了一个新应用，巧合的是，灵感来自一个WhatsApp群聊。 一段时间以来，我一直全力以赴地投入智能体。先是编码智能体，然后是我从专门的 Claude 线程中打造出的整体创意追踪智能体，最近则是一个专门针对我公司需求调校的智能体。正是这段经历让我立刻对 Muse 感到兴奋，因为它真正为人们提供了拥有自己智能体所需的基础设施。 关于智能体，关键要理解的“一点是：它们不只是AI，而是能够访问计算机的AI。在ChatGPT时代早期就已经很清楚，AI不会取代计算机，而是会操作它们；从2023年的《ChatGPT获得了一台计算机》开始，当时ChatGPT新增了插件，其中包括来自Wolfram|Alpha的一个插件： 这件事能如此奏效，本身就是对助理人工智能本质的一种证明：它们既不同于我们以往理解的计算机，又在“思考”和沟通方式上惊人地像人。坦率地说，那三个问题我自己也很难解决——那正是计算机该做的事！而现在，ChatGPT 有了属于自己的计算机。 这个想法并不是说概率性LLM会以某种方式变得确定性，而是说LLM能够利用确定性计算机来做计算机的事情；这正是代理所做的事，并通过其记录信息的能力得到增强。因此，要真正交付一个可供无法或不愿为其代理设置计算机的人使用的代理，你必须给人们的不仅是一个代理，还要为他们的代理提供一台计算机。 这就是为什么我在 Muse 发布中关注的不是支撑Muse 的 Muse Spark 模型，而是 Meta 正在为美国每一位用户（想必最终也会扩展到全世界）提供一台配备 2 核处理器、8GB 内存和 8GB 存储空间的虚拟机。这是一台货真价实的计算机，相当了不起，而且也是让智能体为大多数人服务的唯一途径。 当然，问题仍然在于你实际上用这台计算机做什么，而我的新应用正是为此而生：在听说一位朋友如何用Muse查看他的Instagram收藏后，我问Muse: 你能帮我整理一下我在Instagram上保存的所有食谱吗？ 在最初交付了一份PDF后（“嗯，PDF不太实用。你不能把它们存储成更便于访问的格式吗？”），我给自己弄了一个新应用： ![](images/00091f67ce8244ed44e8d6aaac9f02c66eb96b9d5ba4c29a6175ccc8d7199936.jpg) 整个过程花了5分钟，而且整段对话都是在我遛狗时进行的。 这个应用并不完美：目前它实际上只是一种对Instagram视频进行分类的方式；我让Muse真正去读取字幕并观看视频；它正在处理这件事，但受限于 Instagram的速率限制： ![](images/d2e9747ed7da8bb585788aadcc22c3bc79cd0f643d9d52b7d91528386ac92c4c.jpg) 我可以耐心等待；在此期间我还有689个其他应用要看。 我当然不会那么做；事实上，我查看的应用数量正在急剧减少。我理解为什么让代理访问你自己的电脑这个想法很吓人，但每个带命令行的应用早就已经能被代理使用了；从GPT-5.6 Sol开始，每个带用户界面的应用也都能被使用了，只是速度慢。Astra让它变快了。然后，就是这样：AI基本上可以使用任何我不想用的应用或网站。 坦白说，我对此并无异议。我之所以有689个应用，是因为我拥有那么多服务或游戏，至少在某个时刻，我想要或需要与之互动；它们都要求我学习如何操作，以便完成我想完成的事情。归根结底，关键在于：我不是专业的应用使用者，我只是一个想把事情完成的人。而人工智能帮我做到了。 ## 从发现到灵感 我把我的新Muse-built Recipe Box应用标为手机上的第690个应用。但实际上，它代表着无限应用：我选择的代理可以根据命令创建任何我想要的app，即使这个app只为我一人所用。这是随着LLM兴起而变得清晰可见的另一个未来的最早体现：真正定制化的UI。摘自2024年的《The Gen AI Bridge to the Future》： 这就是你开始看到桥梁的地方：我所描述的其实是生成式AI的一种应用，具体来说，是针对按需UI界面的应用。这也是你能想象在现有设备上很有用的一种应用。例如，一个手表应用如果能在特定时刻直接显示你需要做出的确切选择，而不是像小型iPhone那样通过触摸导航，那将会实用得多。同样，今天我们通过确定性编程已经看到了些许端倪，但最终的应用将是通过生成式AI实现的按需应用。 当然，生成式AI也可以在手机上使用，而目前我预计生成式UI的大部分探索都将发生在手机上。我们确实看到生成式AI的广泛实验和快速发展，正如我们在PC上看到互联网的大量实验和快速发展一样。这种实验和发展不仅在PC上可用，而且还搭建了通往智能手机的桥梁；我认为生成式AI也在做同样的事情，即搭建通往可穿戴设备的桥梁——这些设备不是配件，而是本身就是通用计算机。 上周的Meta Connect一如既往地聚焦于Meta的新设备，主要是眼镜；然而今年值得注意的一点是，Muse如何让一切都变得合理。Meta的设备并非AR或VR设备，甚至不是AI眼镜：它们是Muse的交付机制。事实上，我之前谈到的通用计算机已经存在：Meta将其提供了每位用户，供Muse使用。 而且，正如我们在我的食谱盒应用中看到的那样，生成式UI已经到来。不，它并不是我仍然认为即将到来的即时UI，但它无疑正走在通往那里的路上：我拥有了专门为我生成的定制UI，无需与任何人共享这个应用。它实际上是一次性的，因为它是无限的。 这是网站所经历过的情景的重演。过去，出版物是稀缺的，因为它们依赖于印刷机和送货车；后来，分发变得免费，网络变得丰富。推而广之，这意味着最需要解决的最重要问题是发现；解决了发现问题的公司聚集了需求，从而获得了对供应商的权力，尤其是Meta和Google，它们因此拥有了令人难以置信的广告业务（这就是聚合理论）。 然而，真正稀缺的其实是在网页或应用上实际执行操作的能力。代理（Agents）的出现意味着执行事务的能力正变得过剩，而稀缺的是意愿。需要解决的问题不是发现，而是灵感；那些能激发灵感的公司，将获得凌驾于所有有待完成之事的实体之上的权力。一旦用户聚焦于解决某个问题，完成该问题所需的所有应用和服务，就会被抽象为实现细节，沦为纯粹的供应用相服务，就会被抽象方实现细节，用力纯粹的供应商，面临与聚合器（Aggregators）时代出版物相同的命运，为从代理（Agent）那里分得残羹冷炙而挣扎——而代理，正是用户需求乃至欲望的终极守门人。 ## 聚合平台 来自The Verge: 在上个月预告了其新的 Copilot“超级应用”后，微软今天正式揭晓了它。经过重新设计的 Copilot 应用将三项 AI 能力整合到一个集聊天、编码和智能体于一体的单一界面中……“代码”标签页是这款所谓“超级应用”令人意外的新增功能，而且通常不会让人联想到一款为知识工作者设计的应用。它将让任何人都能创建应用、追踪器、仪表板或自动化流程，并作为云端托管的内部应用与同事分享成果…… Autopilot 是 Copilot 体验中的新成员，[微软副总裁贾里德] 斯帕塔罗将其描述为一位“数字队友”。它此前名为 Scout，最初作为桌面应用提供；Autopilot 则是与之对应的云端版本，能让个人 AI 助手在你睡觉时继续运行。与许多其他 AI 智能体一样，Autopilot 拥有自己的云端计算机实例，可以被指派执行诸如监视 Teams 频道、运行重复性工作任务或处理后续跟进等事项。 与其他一些AI代理相比，真正的不同之处在于微软将Autopilot打造成了企业级产品，吸引了那些依赖其Office和身份管理套件的企业。斯帕塔罗表示：“Autopilot存在于你的租户中，拥有自己的身份、记忆、计算机和工作空间，并且构建在Microsoft IQ之上，因此它了解你的组织实际如何运作。”“它出现在人们已经在工作的地方——Teams、Outlook、聊天、频道和文档——因此你可以像@同事一样@它，背后有权限、审计和治理支持。” 萨提亚·纳德拉在X上明确表示，微软的战略一如既往：做办公的操作系统。 ![](images/af3176565c30e90bc3a8bb251eae08cd4a7ba5fd88df3414865383a1c15d4c7d.jpg) ## Satya Nadella @satyanadella · Follow ![](images/b3300d4334ecdfec098dd0e35af4f7e9ba4e9f446236049a0ccbbb739ff898f5.jpg) We're building Copilot as a new OS for work that spans every model, every form factor, and every task. Today, we're announcing our biggest update to Copilot to date, bringing four things together:

Copilot“超级应用”从预告到正式发布，将聊天、编码与智能体三大能力统一为单一界面；“Code”标签页面向非开发者开放，允许知识工作者自行构建并托管应用