7月以來，騰訊加快AI處理程序。 從人事變動看，騰訊AI研發正從分散探索轉向集中統籌，以應對大模型競賽中日益緊迫的效率與迭代要求。7月23日，騰訊宣佈將混元大語言模型部門與多模態模型部門合併，組建基礎模型部，由首席AI科學家姚順雨統一負責。 產品端同步提速。7月17日，騰訊雲WorkBuddy與李未可科技達成戰略合作，發佈首款接入WorkBuddy的X-AI記憶眼鏡，切入硬體生態；7月18日，WorkBuddy獨立App上線，覆蓋iOS、Android、鴻蒙三端。7月22日，騰訊旗下創意智能體Miora全量上線。據第三方報告，2026年6月WorkBuddy月訪問量已突破2000萬，居國內桌面端AI原生辦公智能體平台首位。 短短數周內，騰訊幾乎在AI賽道上同時扣動了扳機。但騰訊的AI野心與資本的耐心之間，正在上演一場微妙的博弈。

輝達為旗艦工作站DGX Station推出Agent Toolkit軟件工具包，用戶僅需三步、約30分鐘即可在本地部署並運行AI代理。同時輝達將Agent Toolkit與Omniverse模擬平台結合，進一步拓展了其工作站端AI智能體的應用場景。 輝達正在將其Agentic AI生態從雲端數據中心向桌面端延伸。公司近日宣佈，為搭載GB300 Blackwell Ultra GPU的旗艦工作站DGX Station推出Agent Toolkit軟件工具包，用戶僅需三步、約30分鐘即可在本地部署並運行AI代理。 Agent Toolkit的核心價值在於大幅降低Agentic AI的使用門檻。此前，運行復雜的AI代理通常依賴雲端GPU叢集，對中小開發者和企業團隊存在算力獲取成本和部署複雜度的雙重阻礙。 DGX Station本身已是輝達最強大的工作站PC，配備GB300 Blackwell Ultra GPU，而Agent Toolkit通過高度簡化的設置流程——僅需三個步驟即可完成軟件部署——讓開發者在桌面端就能運行復雜的AI代理任務。

【新智元導讀】截胡OpenAI，中國黑馬搶先交卷！今天，全球首款大模型 原生AI智能體手機STEPX Neo亮相，底層搭載智能體原生系統Step AOS，直接顛覆60年來的傳統人機互動邏輯。 全球第一台大模型原生智能體手機，出現了！ 就在今天，階躍星辰在發佈會上一口氣拋出三樣東西—— 全球首個大模型原生AI終端品牌STEPX；

過去兩年，大模型的競爭主要圍繞模型能力展開，而隨著 AI Agent 快速進入開發、辦公和科研等場景，行業關注點正在發生變化：如何讓Agent安全、自主、可靠地完成真實世界中的複雜任務，以及當數以百萬計的Agent開始在網際網路上相互協作、談判和交易時，人類社會將迎來怎樣的重塑？ 在 Google DeepMind 最新一期播客中，研究科學家 Nenad Tomasev 圍繞 AI Agent 的未來展開了討論，內容涵蓋 Agent 的定義、科研應用、智能體安全（Agentic Security）、智能體經濟（Agentic Economy）、認知單一化（Cognitive Monoculture）以及分佈式智能（Distributed Intelligence）等多個話題，並提出一個值得關注的觀點：未來 AI 的演進方向，未必是單一的超級 AGI，而更可能是由大量專業智能體協作組成的智能體社會。 01. 從生成文字到執行行動，Agent相較於模型的重要意義 要洞察這場變革，首先要理解 LLM 與Agent之間的本質區別。雖然Agent在底層依然依賴 LLM 作為“大腦”來制定計畫，但其核心進化在於增加了一個能夠與現實世界互動的“外殼”（Harness）。

這週科技大廠的動作集中在一個詞：Agent。 GoogleI/O大會上，新模型只講了 3 分鐘，剩下四分之三的時間全部給了 Agent： Gemini Spark 定位為 24 小時個人智能體，Antigravity 2.0 升級為多 Agent 編排平台，直接對標 Claude Code 和 Codex。 杭州阿里雲峰會上，從千問雲到新應用，高管們反覆提到的也是 Agent。

一、當“智能體”不再只是概念，企業為何仍在徘徊？2025年以來，AI Agent從技術圈的討論熱點迅速蔓延至企業戰略層。德勤在近期報告中指出，Agentic AI正在從“提效工具”向“決策核心”躍遷，企業面臨三大路徑選擇。然而，與輿論熱度形成反差的是，多數企業在實際落地中依然舉棋不定或舉步維艱：技術架構選型混亂、組織流程未做相應調整、投入產出難以量化。一個更本質的問題擺在面前：AI Agent究竟是一場技術升級，還是一次組織變革？如果答案是後者，那麼單純採購工具或搭建平台，很可能只是“新瓶裝舊酒”。二、從“人機協作”到“智能體協作”的結構性重構AI Agent在企業中的業務模式，並非簡單的“把流程自動化”，而是在認知層面實現了三重躍遷：從規則執行到意圖理解、從單點任務到多步推理、從被動響應到主動規劃。這意味著企業需要重新定義人與機器的分工邊界。例如，在客戶服務場景中，Agent不再只是回答預設問題，而是能根據上下文主動提出解決方案；在供應鏈管理中，Agent可以即時協調庫存、物流與需求預測，形成動態決策閉環。這種結構性重構要求企業將業務流拆解為“可Agent化”的原子單元，並建立資料中台與知識圖譜來支撐Agent的推理基礎。三、降本、增收與新商業生態的三重變現從AI Agent盈利模式來看，並非單一線性。首先，最直接的收益來自營運效率提升：通過替代重複性認知勞動（如報告撰寫、資料分析），企業可大幅削減人力成本，行業實踐顯示成熟場景可實現顯著成本最佳化。其次，Agent能通過精準推薦與即時最佳化創造增量收入，例如電商平台利用Agent進行動態定價與個性化行銷，轉化率提升顯著。更深遠的模式在於，企業可將Agent能力封裝為訂閱式服務或API介面，輸出給上下游合作夥伴，形成平台化收益。不過，盈利的可持續性取決於Agent的“可復用性”與“可擴展性”，這要求技術架構天然支援跨場景遷移。四、認知推理、自主規劃與系統協同的不可替代性與傳統RPA（機器人流程自動化）或決策樹相比，AI Agent的核心優勢體現在三個維度：一是認知推理能力，Agent不僅能執行指令，還能理解模糊意圖並分解任務；二是自主規劃能力，面對複雜問題可動態生成執行路徑，並在執行中根據反饋調整；三是系統協同能力，通過A2A協議實現跨Agent、跨系統的資訊交換與任務編排。亞馬遜AWS的實踐表明，企業級Agentic架構需要將推理引擎、記憶模組、工具呼叫與安全護欄四個核心模組解耦設計，才能兼顧靈活性與可控性。這種優勢使得Agent能夠處理那些“規則寫不清楚、但人可以憑經驗處理”的灰色地帶任務，從而真正替代部分腦力勞動。五、四大落地路徑的適用場景與取捨邏輯當前市場上，企業級AI Agent的建構大致可以歸納為四種主流形態：技術編排流、模型生態流、獨立極客流和業務底座流。技術編排流強調通過低程式碼平台（如LangChain）編排LLM與外部工具，適合快速原型驗證，但長期維護成本高；模型生態流依附於單一供應商（如OpenAI的GPTs），生態成熟但存在被鎖定的風險；獨立極客流追求完全自研Agent框架，技術壁壘高，僅適合AI能力強的企業；業務底座流則將Agent深度嵌入企業原有業務系統（如ERP、CRM），通過“場景驅動”逐步擴展，是當前大中型企業的主流選擇。比較而言，業務底座流在深度與靈活度之間取得了較好平衡，但其對組織資料的標準化要求極高，這恰恰是許多企業的短板。六、技術碎片化、組織壁壘與評估缺失的三重困境儘管前景誘人，AI Agent在真實環境中的落地仍面臨嚴峻挑戰。第一，技術碎片化：不同Agent框架之間缺乏統一介面，Google雖提出A2A協議，但產業落地仍需時間；同時，Agent的“幻覺”問題尚未根本解決，在高風險場景（如金融交易）中可能造成嚴重後果。第二，組織壁壘：Agent的跨部門協作需要打通資料孤島，這往往觸及既得利益與流程慣性，行業調研顯示，組織適配不力是企業落地失敗的首要原因，遠高於技術因素。第三，評估體系缺失：傳統KPI無法衡量Agent的“決策質量”或“自主程度”，企業難以判斷投入是否有效。德勤建議建構“Agent-ready”的內生能力，包括人才、流程與治理的同步轉型，但這需要管理層自上而下的決心。七、資料主權、倫理邊界與可解釋性的底線要求合規風險是AI Agent從試點走向規模化的“一票否決項”。首先，Agent在感知與推理過程中會大量接觸企業內部敏感資料（如客戶資訊、財務資料），一旦通過工具呼叫洩露至第三方模型，將觸犯資料安全法。其次，Agent的自主決策可能產生歧視性結果或意外行為，比如在招聘場景中因訓練資料偏差而拒絕特定背景的候選人，這不僅涉及倫理問題，還可能引發法律訴訟。此外，Agent的“黑箱”特性使得審計困難，金融、醫療等強監管行業要求決策可追溯、可解釋，而當前主流大模型尚難完全滿足。企業應在架構層面嵌入“安全護欄”，包括權限分層、資料脫敏、人工審批節點與行為日誌，同時為Agent設定明確的“決策紅線”，確保任何情況下人類都有最終干預權。八、從“能力孵化”到“生態融合”的演進路線展望未來，AI Agent在企業側的演進將遵循“試點→平台化→生態化”的三步曲線。短期（1-2年），企業應聚焦高價值、低風險的場景（如智能客服、知識管理），通過“人機協同”積累經驗；中期（3-5年），隨著A2A協議與安全標準成熟，Agent將從單點工具演化為企業級數字員工平台，支援跨系統編排與動態擴展；長期（5年以上），Agent將深度融入產業鏈，形成跨組織的智能協作網路，正如雲端運算重塑IT基礎設施一樣重構商業邏輯。對企業家而言，現在的關鍵可能已經不是追問“要不要用Agent”，而是思考“如何設計Agent的組織介面”：誰為Agent的結果負責？Agent與員工之間如何考核、問責、協作？這些組織適配問題，遠比技術選型更能決定成敗。建議企業設立“AI Agent治理委員會”，由業務、技術、法務代表共同制定使用手冊，並定期開展壓力測試，在可控範圍內加速探索。 (數字新財報)

有沒有發現，這半年AI圈的畫風變得有點快？去年這個時候，大家還在為算力降價狂歡。阿里雲帶頭喊出“最高降幅60%”，騰訊雲、華為雲、百度雲齊刷刷跟上，那陣仗，簡直像雙十一大促。創業群裡天天有人曬帳單：“看，我這一百萬Token才花了幾毛錢！”那會兒人人都覺得，AI創業的春天來了，算力跟白菜一樣便宜，誰還做不起大模型應用啊？結果呢？打臉來得太快。就上個月，風向一百八十度大轉彎。Google、亞馬遜、騰訊、阿里、百度，10天之內全發了漲價公告。漲多少？普遍30%到50%。最狠的是騰訊雲，有個核心產品直接漲了400%。從“跳樓大甩賣”到“坐火箭式漲價”，前後不到一年。到底發生了什麼？誰在背後推著價格往上走？更重要的是，這波漲價潮裡，誰最慘，誰在偷笑？去年還在“打骨折”，今年為什麼集體漲價？先簡單回顧一下這出“反轉大戲”。2025年4月，阿里雲率先扔出一顆重磅炸彈：核心產品最高降價60%。這可不是小打小鬧，是實打實的“腰斬再打折”。緊接著，京東雲說“隨便降，我跟”，騰訊雲、華為雲、百度雲全部跟進。一時間，算力市場硝煙瀰漫，價格戰打得那叫一個熱鬧。那會兒的口號是什麼？“讓AI用得起”“算力普惠”。很多創業公司真的信了，開始大張旗鼓地燒Token、跑模型。然而，免費的午餐從來吃不長久。2026年1月，亞馬遜AWS悄悄幹了件事——沒有任何發佈會，沒有任何預告，直接把EC2伺服器價格上調了15%左右。別看幅度不大，意義可大了：這是雲服務行業近二十年來第一次漲價。要知道，過去二十年，AWS降價的次數超過一百次，從來只有往下走，沒有往上調的道理。這一下，像是推倒了多米諾骨牌。3月11日，騰訊雲跟進，旗下Tencent HY2.0 Instruct模型輸入價格從0.0008元/千tokens漲到0.004505元/千tokens——漲幅463%，四倍多。3月18日，阿里雲宣佈算力卡產品上漲5%到34%，百度智能雲也跟著漲了5%到30%。那些之前免費公測的大模型，比如GLM 5、MiniMax 2.5、Kimi 2.5，全部結束“白嫖期”，轉入正式計費。從“搶著降價”到“搶著漲價”，為什麼變化這麼快？表面看是雲廠商扛不住了。GPU晶片越買越貴，資料中心的電費佔營運成本的40%到60%，再加上2025年下半年儲存晶片也開始漲價，成本端的壓力實實在在地壓過來了。但真正讓漲價變成“不得不做”的，是另一個更根本的原因——算力，真的不夠用了。誰在瘋狂“吃”Token？140兆的真相之前不是說算力過剩嗎？怎麼突然就不夠用了？答案是：Token被“吃”得太快了。根據國家資料局局長劉烈宏在今年3月披露的資料：到2026年3月，中國每天的Token呼叫量已經突破了140兆。這個數字有多誇張？給你兩個參照：· 2024年初，這個數字只有1000億。兩年時間，漲了一千多倍。· 2025年底，這個數字是100兆。也就是說，僅僅過去三個月，又漲了40%——光這三個月新增的量（40兆），就是2024年初全天的400倍。這不是線性增長，這是海嘯。那麼問題來了：誰在瘋狂消耗Token？答案就一個詞：智能體（Agent）。去年開始，以開源智能體OpenClaw（江湖人稱“龍蝦”）為代表的產品火得一塌糊塗。AI從一個只會“聊天”的機器人，變成了一個能“幹活”的助手——幫你訂機票、寫程式碼、做PPT、分析資料……聽起來很酷對吧？但代價是，智能體幹一件簡單的事，消耗的Token量是普通對話的10倍到100倍。舉個例子：讓AI幫你寫一個爬蟲指令碼。如果是普通對話，它給你一段程式碼，你複製走人，消耗幾百個Token。但如果是智能體，它要自己跑程式碼、報錯、偵錯、再跑、再調……來來回回十幾輪，Token消耗直接奔著幾萬去了。更別提視訊生成這種“吞金獸”。有分析指出，生成1分鐘的視訊大約要消耗10兆Token。而現在的視訊模型，生成5秒的視訊才收你幾毛錢到幾塊錢——這那是賺錢，這分明是賠本賺吆喝。但架不住用的人多啊，視訊、音樂、程式碼、資料分析……每個方向都在瘋狂“吃”Token。供給跟不上需求，算力自然就漲價了。這不是陰謀，是赤裸裸的供需失衡。算力排位賽：大廠吃肉，小玩家連湯都喝不上漲價這件事，對不同的人，意味完全不同。對雲廠商來說，漲價其實是好事。有券商算過一筆帳：阿里雲每提價1%，它的利潤率就能提升1個百分點。所以你看到的資料是，阿里雲的份額不降反升，已經佔到了中國AI雲市場的36%。而在AI呼叫量這個更細的賽道里，火山引擎（字節旗下）更是佔了將近50%——也就是說，全中國一半的Token呼叫，走的是火山引擎的管道。與此同時，華為雲、騰訊雲的份額在微幅下滑。頭部效應越來越明顯：大廠越做越強，資源越聚越集中。那誰最慘？中小AI創業公司，以及那些剛入局的小玩家。原因很簡單：漲價直接推高了他們的營運成本。以前Token便宜的時候，你可以隨便跑實驗、隨便調模型，反正花不了幾個錢。現在價格翻了幾倍甚至十幾倍，每一輪訓練、每一次推理都要掂量掂量。更麻煩的是，小玩家沒有議價能力。大客戶可以跟雲廠商簽長期協議，鎖定一個相對優惠的價格。你一個初創公司，一年才花幾萬塊錢的算力費，誰跟你談折扣？只能老老實實按漲價後的價格付錢。很多原本打算做AI應用的項目，算了一筆帳之後，默默擱置了。還有一些已經在做的，要麼縮減規模，要麼自己扛著虧損硬撐。偏偏終端市場競爭又激烈，你不敢輕易給使用者漲價——隔壁家還免費呢，你一收費使用者全跑了。最後所有的成本壓力，只能自己嚥下去。一位從業者跟我吐槽：“以前覺得算力便宜，創業門檻低了。現在才發現，門檻不是低了，是先讓你進來，再把門關上。”這其實是一場殘酷的排位賽。過去二十年，雲廠商靠“低價走量、先圈地再盈利”的打法活得很滋潤。但那個時代結束了。算力正式告別補貼期，進入商業化定價階段。未來比拚的不再是誰更便宜，而是誰的服務更穩定、誰的生態更完善、誰能幫企業真正用好每一分算力。而在這場排位賽裡，小玩家大機率要被甩下車。回頭看看這一年多的過山車，你會發現一個挺扎心的真相：算力從“白菜價”到“火箭價”，本質上是AI行業從野蠻生長走向成熟的一個縮影。免費時代結束了，價值競爭開始了。那些靠補貼活著的商業模式會死掉，而那些真正有技術、有場景、有使用者的產品，會在算力成本上升的環境中活下來，甚至活得更好。AI創業的核心競爭力，從來不是算力有多便宜，而是你拿算力來幹什麼。算力時代，Token確實貴。但比Token更貴的，是一個知道怎麼用好Token的腦子。 （鋅財經）

截至2026年3月，人工智慧已從生成式AI全面進入智能體（Agent）+ 具身智能（Embodied AI）的落地爆發期，核心是從“會說會寫”走向“會規劃、會行動、會幹活”，並深度融入物理世界與產業全流程。以下為補充大量實際案例與權威資料後的完整版本。一、核心技術：四大前沿突破（含案例+資料）1. AI智能體（Agent）：從“被動應答”到“主動執行”AI已成為能自主完成複雜任務的數字員工，直接控制電腦/手機、跑完整工作流。- 系統級操作：Anthropic Claude Mytos、OpenAI GPT-5.2已實現直接控制電腦/手機，無需API，可自動點選、填寫、跨軟體操作、跑完整工作流。- 自主規劃協作：具備目標拆解、多步驟規劃、記憶、迭代最佳化能力，可自動寫報告、做報表、做PPT、處理客服、跑供應鏈。- 企業滲透：Gartner預測2026年40%企業應用嵌入任務型AI智能體（2025年僅5%）。-實際案例- 百度“伐謀”智能體（汽車設計）：阿爾特汽車用其將風阻測試從10小時縮至分鐘級，設計師2天完成原3個月工作量，效率提升45倍。- 上汽通用五菱“智能島”：AI調度動態最佳化，車型切換效率提升40%，白車身一次合格率達99.97%。- 美團AI調度：訂單暴漲300%、騎手少40%時，55毫秒規劃最優路線，外賣平均30分鐘送到。2. 多模態大一統：AI“看懂、聽懂、感知整個世界”新一代模型實現文字、圖像、音訊、視訊、3D、感測器資料的統一理解與生成，接近人類多感官協同。- 文生視訊/3D：一鍵生成高畫質長視訊、3D模型，用於影視、工業設計、數字孿生。- 即時多模態互動：看一眼場景、聽一段語音，即可還原邏輯、生成方案，支援AR/VR沉浸式互動。- 性能與普惠：輕量化模型（50億參數內）推理速度提升40%、成本降50%，移動端/中小企業可低成本部署。-實際案例- 萬興科技AIGC工具：使用者破2000萬，文生視訊付費轉化率18%；自動剪輯將1小時工作縮至5分鐘，自媒體周更從3條→7條，粉絲增速+45%。- 零售3D建模：Lowe’s用AI將2D圖轉3D模型，成本**<1美元/個**，電商轉化率提升。- 醫療多模態：罕見病診斷精準率從38%→72%。3. 具身智能（Embodied AI）：AI走出螢幕，進入物理世界AI從“思考者”變成“行動者”，機器人懂物理、會操作、能適應真實環境。- 物理認知：GoogleDeepMind PhysBrain 1.0讓機器人理解物體運動、碰撞、力學規則，實現精準物理互動。- 人形機器人落地：特斯拉Optimus、Unitree等已從Demo走向工業/服務場景，可搬運、裝配、巡檢、做家務。- 群體智能：無人車、無人機、工業機器人實現自主協作，完成複雜叢集任務。-實際案例- 電力巡檢“天工”機器人：在西南變電站自主巡檢、操作裝置，故障識別精準率99.9%，替代人工翻山越嶺。- 優必選Walker S2：在比亞迪、極氪等20家車廠實訓，自主換電、連續工作72小時。- 星動紀元物流機器人：京東亞洲一號倉分揀精準率99.7%，拿下5000萬元訂單。- 資料：2026年人形機器人出貨量預計破6萬台，市場規模超千億元；單台替代3名工人，投資回報周期18個月。4. AI for Science（科學AI）：成為“AI科學家”，加速科研突破AI從輔助工具升級為自主科研主體，大幅縮短研發周期。- 藥物/材料研發：自動化實驗室+科學大模型，將數年研發壓縮至數月，加速新藥、新材料、催化劑發現。- 前沿科學：輔助核聚變模擬、氣候預測、蛋白質/基因解析、量子計算最佳化。- 實際案例- 儲能材料研發：“分子—電網工業智能體”將傳統以年計的研發周期縮至數月，工業級電站綜合性能提升超100%，已應用於張家口懷來資料中心。- 藥物研發：AI將藥物研發周期縮短60%，成本降低40%。- NASA火星車：Anthropic Claude全權規劃路線，將路程拆解為10米路段，規劃時間縮短50%。二、產業與應用：價值兌現，全面滲透（資料+案例）1. 規模與格局（2026最新）- 全球AI市場突破9000億美元，同比增長18%+。- 中國AI核心產業規模超12兆元，周呼叫量（4.69兆Token）首次超越美國，全球前五模型中四款來自中國。- 產業鏈：硬體（35%）、軟體（40%，智能體增長超80%）、應用（25%）。- 融資：2026年Q1中國AI融資88起、200億元，同比近乎翻倍；3月單月融資85億元，創歷史新高。2. 重點落地場景（資料+案例）- 智能製造- 中國智能工廠超3萬家，生產效率提升22.3%。- 某汽車零部件廠商：AI預測性維護，裝置故障率-28%，維護成本-32%。- 西門子+百事：數字孿生，生產吞吐量+20%，資本支出-10–15%。- 醫療健康- AI輔助診斷滲透率超60%，基層醫院達60%+。- 某社區醫院：AI處方稽核，效率+60%，處方合格率+15%；累計稽核**100萬+處方，識別8000+**不合理處方。- 重症監護：AI助手使檔案錯誤減少68%。- 金融風控- 信用卡欺詐檢測：響應時間從3秒→80毫秒（-97%），誤報率-42%。- 跨境合規審查：效率+80%。- 某國際投行：AI ESG系統，綠色金融規模2000億美元+，合規成本-55%。- 交通與物流- 城市交通：AI調度，擁堵率-25%，出行時間-30%。- 菜鳥網路：AI倉儲，效率+50%，物流成本-30%。- 內容創作- 行銷內容：AI生成效率+8–10倍，成本-90%，轉化率+30%。三、代表產品與模型（2026最新）- OpenAI GPT-5.2：44項專業任務勝率70.9%，醫療/法律/金融精準率超80%，多模態與長文字能力全面升級。- Google Gemini 3.1：推理能力翻倍，整合Lyria 3音樂生成，支援一鍵生成視訊配樂。- Anthropic Claude Mytos：新一代旗艦，性能大幅領先，支援Computer Use（系統級操作）。- 國產第一梯隊：字節、阿里、百度、騰訊等模型在推理、程式設計、多模態上與全球頂尖正面競爭，多項指標領先。四、關鍵趨勢與挑戰1. 核心趨勢- 範式躍遷：從生成式AI → 智能體AI → 具身智能（物理AI），AI從虛擬走向現實。- 普惠化：推理成本較2023年降70%，中小企業部署門檻大幅降低。- 安全與合規：AI安全、可解釋、倫理監管成為標配，人類主導權強化。2. 核心挑戰- 智能體協作標準化：多智能體通訊協議（MCP/A2A）尚在完善，跨平台協作待統一。- 具身智能可靠性：真實環境魯棒性、安全性、成本仍需突破。- 資料與隱私：高品質資料稀缺，資料安全與合規壓力增大。一句話總結：2026年是AI“動手幹活”的元年，智能體與具身智能讓AI真正成為能自主執行、能融入物理世界、能深度改造產業的核心生產力。 (追逐時代浪潮的人)