Clearwater Analytics 发布统一因子风险平台，融合组合管理与监控
Clearwater Analytics 近期面向对冲基金及资管机构推出了全新的因子风险工具，助力投资团队在透彻掌握组合风险的基础上，实现更高效的决策响应。 对众多企业来说，因子风险常与投资流程相互割裂。基金经理往往需耗时数小时乃至隔日方能知晓单笔交易的风险效应，而首席投资官与风控团队则不得不依靠独立系统、服务工单及静态报表来应对基础的风险问询。 Clearwater 最新发布的两款产品直指上述痛点：专为基金经理和交易员打造的 Factor Risk Lens，以及面向首席投资官和风控主管的 Factor
AI原生教师：以教育内功驱动人机协作教学
各位领导、教育同仁，大家下午好！我是来自安徽芜湖的一名小学语文教师。我想先和大家讲一个我自己的故事：我曾经是一名器材党。我是一名羽毛球爱好者。在没进入球馆打羽毛球前，我一直认为自己羽毛球打得不错！后来有一次我去球馆打球，随便一个人都把我打得很惨！我一问，原来人家用的球拍一支就五六百，而我的球拍两支才一百块！于是，我把失败归因为球拍的问题！我还是一名摄影爱好者。刚开始玩摄影时，我以为只要买一堆好镜头就一定能拍出好照片！后来我才认识到：打羽毛球，拼的是步伐和发力；而摄影，则是构图和光影的艺术！我想通过这个故事
荣威家越07携手火山引擎打造AI原生车 豆包2.0首次上车
上汽荣威官方近日发布了旗下全新中大型SUV——家越07量产版车型的预告图，定位大尺寸大五座SUV。该车由上汽集团全球设计副总裁约瑟夫·卡班主导设计，是荣威与火山引擎共同打造的全球首款AI原生汽车。从已发布的预告图来看，量产版将配备星环式贯穿灯组，两侧融入三个U型元素灯组进行装饰，配合前舱盖下沿的荣威品牌logo，具有较高的辨识度。车尾部分，同样采用贯穿式尾灯组，与车头形成前后呼应的效果。此前概念车已在北京车展完成亮相。作为大尺寸大五座SUV，该车车长接近5米，充裕的车身尺寸不仅为车内五座布局创造了宽敞空间
人工智能演进三大方向
人工智能技术的构想早已有之，在近七十年的发展历程中，经历了逻辑推理、专家系统、深度学习等关键阶段。得益于算法、数据、算力的全面突破，近年来人工智能的各项能力迅速增强，在某些领域已达到或超越人类水平。可以说，此轮人工智能发展在速度、社会渗透力与跨界带动效应方面均呈现出前所未有的态势，具体体现在以下三个方面。首先，人工智能技术创新正从“被动训练”向“自主进化”方向转变，迭代速度显著加快。在早期阶段，人工智能模型参数较小、算力更新缓慢，迭代周期以年为单位计算，经典目标检测模型的升级间隔约为两年。随着算法框架的持
AI原生驱动健康管理：解锁产业三重增长新引擎
伴随大模型技术的迅猛突破，医疗人工智能正迎来产业升级的关键转折。本报告深入技术、应用场景、支付模式及政策导向四个维度，阐明了AI从单纯的“工具辅助”向“原生重构”的跨越，并首次界定“AI原生健康基座”这一核心产业形态。结合中国本土的实际案例，报告深度解析了该形态的竞争壁垒与发展空间，旨在为产业演进、资本布局及企业战略规划提供决策依据。核心观点如下：AI原生健康基座是承接产业转折红利、实现行业价值重塑的关键载体。该基座以医疗智能体为驱动核心，以循证能力构建竞争壁垒，是契合本轮产业范式变革的第三代行业形态。产
AI原生重构：企业智能化转型的范式跃迁之路
当前企业智能化升级正面临普遍的“表面进化困境”：大量企业投入资源部署AI工具、开展局部试点，却始终无法突破“用新技术服务旧模式”的怪圈。将AI作为既有流程的外部补充，在传统SOP框架内进行局部改良，看似实现了数字化升级，实则是用新工具延续旧的生产方式，最终陷入“试点有效、推广失效，降本有限、增收乏力”的困局。德勤《技术趋势2026》精准揭示了这一行业痛点，明确提出AI原生运营（AI-Native Operations）的核心变革逻辑：企业智能化升级的终极跨越，不是把AI嵌入既有流程，而是围绕AI智能体（A
GE医疗加速成像云化，发布全新影像方案
医疗影像领域正面临影像数据激增、病例日益复杂及医护人员匮乏的三重挑战。据美国放射学会数据，放射科医生短缺已连续三年被列为该行业最严峻的威胁。在此背景下，GE医疗宣布将携最新企业成像解决方案——Genesis Radiology Workspace与InteleShare，亮相于匹兹堡举办的2026年医学影像信息学学会年会。 Genesis Radiology Workspace是GE医疗推出的新一代产品，致力于重塑放射科工作流，提升医师效率与诊断精准度。其核心为获美国FDA批准的View诊断影像浏览器。V
超越工具思维：AI原生企业必须具备的六大核心特征
2025年全球人工智能领域私募融资规模从1517亿美元飙升至3447亿美元，年度增幅达127%。然而真正令人瞩目的并非资金流向，而是生产效率的鸿沟——顶尖AI原生企业的人均年化收入达到348万美元，相比传统SaaS企业（20万美元）高出整整17倍。>差距的本质不在技术本身，而在于组织架构的设计理念。「我们用ChatGPT生成文案」——这属于AI辅助范畴「我们在CRM系统中集成了AI摘要」——这属于AI增强范畴「我们让AI协助数据分析」——这同样属于AI增强范畴上述做法都不构成真正的AI原生。AI原生（AI
人工智能演进的新动向与特征
人工智能的构想早已存在，在近七十年的起伏历程中，经历了逻辑推理、专家系统、深度学习等关键阶段。得益于算法、数据与算力全链路的突破，近年来人工智能的各项能力迅速增强，在部分领域已达到“类人”乃至“超人”的境界。可以说，本轮人工智能发展在速度、社会渗透度及跨界带动效应上均展现出前所未有的态势，具体体现在以下三个方面。首先，人工智能技术创新正由“被动训练”向“自主进化”转变，迭代节奏显著加快。在发展初期，人工智能模型参数较少、算力更新缓慢，迭代周期常以年计，经典目标检测模型的升级跨度长达两年。随着算法框架的持续
金蝶AI SaaS营收登顶国内市场，份额领先行业
近日，国际权威研究机构IDC正式发布《中国AI增强的企业级ERP市场份额，2025》研究报告。凭借在企业级AI SaaS领域深厚的技术积累与规模化落地能力，金蝶荣登行业榜首，位居国内企业级ERP厂商公有云部署（AI-SaaS）营收及市场占有率第一！此次登顶榜首，不仅巩固了金蝶在国内AI-SaaS赛道的领先地位，也充分彰显了我国本土管理软件品牌在全球产业竞争中的核心优势持续增强、实力日益雄厚。依据IDC报告数据，在公有云部署模式市场中，金蝶以17.6%的市场份额稳居第一。其核心竞争优势集中体现在四个维度：其
AI原生数据治理：为何传统模式在AI面前全面崩盘？
说出来挺讽刺的。上周三下午，我在星巴克跟一位传统企业的CIO聊天。他特别自豪地告诉我，他们花了整整18个月、烧了将近600万，做了一套“完美”的数据治理体系。数据字典完整、元数据清晰、数据质量监控报表跑得漂漂亮亮。然后他问我：“这套东西上AI应该没问题吧？”我沉默了三秒，问他：“你们报表里正负样本比例是多少？”他愣了一下：“啥？”后来我才知道，他们那套“高质量”数据里，某个关键特征的正负样本比是1:10000——模型根本学不到任何东西。这个问题不是个例。IDC的数据告诉我们，2025年中国数据治理市场规模
AI 陪伴破局：无 IP 非绝境，唯 IP 是困局
近来与诸多友人探讨产品之道。部分观点虽经我极力阐述，却常如石沉大海。人总难逃认知惯性的桎梏。即便当下被“说服”，事后回味，仍觉格格不入。不妨将日常灵感悉心沉淀，如镜自照，反复打磨。交由时光长河去检验。近日热议一题，AI 陪伴赛道，若无 IP 授权是否注定无解？我的直觉回应是：绝非如此！IP 确能锦上添花，关键时刻或可雪中送炭。然而长远视之，AI 陪伴并非“无成熟 IP 便不可为”的逻辑。过分倚重 IP 更非长久之策！缘由何在？且从四个维度剖析：一、IP 究竟为何物二、IP 授权本质是何种生意三、AI 陪伴
AI原生企业营收能力超越传统厂商，智能体生态崛起
新浪科技讯 6月8日下午消息，近日，2026 Gartner大中华区科技行业高管交流大会上，Gartner研究副总裁孙志勇指出，“AI原生与‘AI优先’存在本质区别，前者正以远超传统模式的商业效率重塑产业格局，而智能体生态对搜索引擎的替代已悄然发生。”孙志勇透露，Gartner研究数据显示，2024年排名前30的AI原生初创企业的平均营收倍数已达40倍，而排名前100的公司的平均营收倍数接近18倍。“营收能力大致是传统厂商的2倍以上。”据其分析，这种差距源于底层逻辑的根本不同：传统“AI优先”是在现有业务
云知声U2登场：主打智能密度与执行能力，告别参数内卷
2026年6月8日，登陆港交所的AI科技公司云知声（9678.HK）推出了全新通用基础模型U2。 在当前国内大模型赛道已从"百模大战"演变为"百模淘汰"的背景下，这条消息本身并不算新鲜。但深入了解U2的技术底牌和商业路径后，会发现它传递的信号颇具新意：它并非又一个万亿参数军备竞赛的参与者，而是对"参数越大越强"这一底层逻辑提出质疑的破局者。 一、近3000亿参数对阵万亿：重新定义"智能密度" U2采用近3000亿总参数的MoE（混合专家）架构。这个数字在2026年的大模型格局中，看起来并不算大。 但云知声
迈向AI原生时代：重塑未来十年电信网络架构 | openFuyao#KADC 2026
朱浩鹏 华为Fellow针对AI原生概念繁杂、界限模糊的现状，本议题以“关注点分离（SoC）”及“第一性原理”作为方法论基石：借助分层架构剖析AI系统这一“系统之系统”，厘清功能边界与演进路线；同时回归AI原生的核心特质，萃取其必不可少的关键要素。据此，AI原生整体架构可拆解为AI基础设施、模型与数据赋能、智能体协同/调度、Agentic应用四大层级。在关键能力构建方面，着重关注声明式智能契约、专用型智能体协同、动态任务图及语义检查点四类要素，旨在为打造可扩展、可治理的AI原生体系提供指引。面对未来泛终端