AGI什么时候到来？这个问题现在几乎每个科技媒体都在问。而最常被引用的回答，来自伊隆-马斯克和Anthropic CEO Dario Amodei。他们都预测AGI很快就会来。很多人信了。

我不信。不是因为我不尊重他们的技术判断，而是因为在这个问题上，他们是我所知道的利益最相关的人。一个普通人每天用AI的真实体感，可能比他们的预测更可靠。

一、一个普通人的体感判断

我是一个AI的重度用户，每天用AI处理各种技术任务–配置服务器防护、写脚本、分析日志、写文章。不是偶尔玩玩，是每天几小时的高强度使用。

这个使用强度让我对AI的能力边界有了非常具体的体感。AI很强，但它有一个明显的缺陷：缺乏宏观感觉。

它经常自以为已经搞定了，实际没搞定。需要我在旁边提醒它：”再想想”、”检查一下有没有遗漏”、”这个结论是不是太绝对了”。没有这些提醒，它做出来的结果往往不可靠。

这不是小问题。这种缺陷根植于当前AI的工作方式–预测下一个token，不是理解整个局面。预测下一个token可以写出完美的Apache规则语法，但无法判断”这套规则部署到生产环境后会不会出问题”。

基于每天的真实使用体验，我的判断是：AGI还早。

二、为什么马斯克和Amodei说”快了”

他们给出的预测大概意思是：几年内，AGI就会到来。支撑这个预测的核心技术依据是scaling law–过去几年验证的经验规律：更多的数据+更大的模型+更多的算力=更强的能力。

如果这个规律持续成立，AGI就只是一个工程问题。堆够多的算力和数据就行了，不需要新架构、新理论。时间取决于钱和芯片。

站在他们的位置上，这个判断有其道理。他们每天看到的是普通人看不到的内部进展–下一代模型的测试结果、能力的代际跃升。从GPT-3到GPT-5.5不到四年，这个速度在历史上确实前所未见。

三、为什么不应该完全相信他们

原因一：利益最相关

马斯克说AGI快来了，xAI就能融更多钱。

Amodei说AGI快来了，Claude就是通往AGI的路径，企业客户就该签大合同，投资人就该给更高估值。

如果他们说”AGI可能还要二十年”，投资人会犹豫，客户会观望，人才会去别处。”AGI快来了”本身就是最好的营销。

他们不是在骗人。但他们的判断不可能不受商业利益的影响。你很难客观评估一个跟你身家性命绑定的东西。这就好比你问一个房产中介”现在是不是买房的好时机”，他永远会告诉你”是”。

原因二：scaling law可能不是直线

scaling law到目前为止没有失效，这是事实。但”到目前为止没失效”不等于”永远不会失效”。

更重要的是，scaling law能解决的是”模型更大=能力更强”。但AI距离AGI的差距，不是所有维度都是”量”的问题：

• 痛感和代价权重：人类犯一次大错就终身不忘，AI需要同一个错误出现几百次才能学到。这是机制问题，不是参数量问题。
• 品味和价值判断：人类能判断”什么值得想”，AI不知道自己不知道什么。这是认知方式问题，不是数据量问题。
• 主动思考的内驱力：人类因为好奇、焦虑、生存本能而主动思考。你不问AI，它就待在那里。这是动机问题，不是算力问题。
• 训练推理记忆一体化：人类大脑训练、推理、记忆同时进行，实时学习。AI训练完了冻结权重去推理，推理时不能真正学习。这是架构问题，不是规模问题。

这些问题，没有一个是通过”更大”能自然解决的。它们需要的是新机制，不是更多参数。就像你把一栋楼修得再高，也不会自然变成一座城市。

原因三：预测AI里程碑的历史记录很差

2016年，特斯拉、Waymo等多家公司承诺2019-2021年实现全自动驾驶。到现在L5级完全自动驾驶仍未实现。

2020年GPT-3发布，有人说AGI近在咫尺。六年过去了，AGI还没来。

2022年底ChatGPT发布后，又有人说AGI三年内到来。三年多过去了，AGI还没来。

每一次AI能力的跃升，都会催生一波”AGI快了”的乐观预测。每一次都低估了剩余问题的难度。这不是某一个人的判断失误，而是整个行业系统性乐观偏差。

四、为什么自己的判断更靠谱

不是因为我比马斯克聪明，也不是因为我比Amodei更懂技术。而是因为在”AGI什么时候来”这个问题上，我有几个他们没有的优势：

第一，我没有利益扭曲

我说AGI还早，不会让我赚到钱；说AGI快了，也不会让我亏钱。我的判断不受任何商业利益的干扰。而他们的预测跟公司估值、融资节奏、人才招募直接绑定。

第二，我有真实的使用体感

我每天几小时用AI处理真实任务，不是看demo，不是看论文，是在生产环境中实战。我知道它在哪里强、在哪里弱、弱的那些地方是不是”再迭代一版”就能解决。

马斯克和Amodei看的是内部数据和下一代模型的能力曲线。但能力曲线不会告诉你”AI部署到生产环境后需要多少人工干预”。只有实际使用才知道。

第三，我能在AI的答案之外思考

这场关于AGI的思考，始于我给博客做安全防护的一个具体场景，延伸到安全行业的商业变局，再延伸到AI的能力边界和认知本质。整个过程中，AI给了我很多帮助，但每一个关键判断都是我做的：

• “威胁情报这一环节不是自己能搞定的”——是我在对话中纠正了AI的说法。
• “人类就是实时的训练推理记忆一体化模型”–是我提炼的。
• “AGI还早，因为AI缺乏宏观感觉”–是我基于使用体感的判断。

AI在这些判断中的角色是助手和对话伙伴，不是判断者。真正的判断来自人。

五、这恰恰说明AGI还早

如果AGI真的快来了，那我现在做的事情–跟AI对话、纠正它、引导它、在它的答案之外做判断–这些事情本身就应该被AI取代了。

但事实上，这场对话本身就是一个反证：AI仍然需要人来引导、纠正、判断方向。而AGI的定义恰恰是”不需要人来引导”。

所以，AGI什么时候来？我不知道具体时间。但我知道一件事：在AI还需要人说”再想想”的时候，AGI就没来。

而这个判断，不需要马斯克告诉你，也不需要Amodei告诉你。你自己深度用一个月AI就知道了。

—

2026年7月，一个AI重度用户的真实思考。

我是一个个人博客站长，不是安全专家。但在AI的帮助下，我刚刚给自己的博客服务器做了一次完整的安全防护升级–从ipset动态封禁到Apache L7规则加固。这个过程让我深刻体会到，AI对传统网络安全厂商的冲击，不是未来的预言，而是正在发生的现实。

一、事情的起点：一个被攻击的博客

我的博客跑在阿里云ECS上，CentOS 6.3，一台老机器。前段时间看日志，每天都有大量扫描攻击–SQL注入、路径穿越、恶意爬虫、漏洞探测，应有尽有。

以前遇到这种事，我能做的就是在Apache配置里加几条RewriteCond，拦几个已知的恶意UA。至于iptables，我知道有用，但不会写检测规则，不会做持久化，更不会搞ipset这种”高级”方案。

说白了，我知道”应该做点什么”，但不知道”具体怎么做”。

二、AI让我变成了”安全工程师”

这次不一样了。我有了AI。

第一步，我让AI帮我分析攻击日志，归纳出11类攻击检测规则–SQL注入、XSS、路径穿越、敏感文件扫描、HEAD探测、恶意爬虫UA、攻击工具特征、RFI/LFI、命令注入、5xx错误响应、空UA。然后把这些规则写成shell脚本，每5分钟cron执行一次，自动提取恶意IP加入ipset黑名单。整个过程，从分析日志到脚本上线，大概一个小时。

第二步，我让AI审查我现有的Apache防护规则。它直接指出了问题：SQL注入的匹配条件太宽，”AND”、”OR”、”;”、”#”这些关键词会误伤正常请求–比如/blog/tag/education-and-learning里就有”and”。然后它帮我重新写了整个block-bots.conf，从原来的3类规则扩展到8类：恶意爬虫UA、漏洞扫描器UA、敏感目录探测、敏感文件泄露、路径穿越、SQL注入、XSS、RFI远程文件包含、PHP代码注入。部署上线，又是一个小时。

第三步，我让AI评估我现在的整体防护水平。它给我画了一张三层防护体系图，逐项打分，指出短板：无速率限制（防不了CC）、静态规则无法自动更新、CentOS 6.3早就EOL了。这些评估，不是泛泛而谈，每一条都有具体的技术依据。

三个小时，我一个人完成了一套从网络层到应用层的完整防护体系。放在两年前，这三件事我一件都做不了。

三、安全厂商的生意被AI吃掉了吗？

做完这些之后，我突然想到一个问题：以前这些事情，是不是要花钱请安全公司做的？

我去搜了一下。结果比我想象的更触目惊心。

国际市场：安全行业估值崩塌

2026年第一季度，全球网络安全M&A交易量骤降。收购方明确表示：AI让自研比收购更便宜，不再愿意为传统安全公司付溢价。有公司估值从8亿美元跌到5000万美元，买家仍嫌贵–因为AI已经侵蚀了其核心价值。估值倍数两极分化：高增长公司还能拿到13.7倍收入，慢增长公司只有3.5倍。

一份研究报告的标题直接写道：”AI如何通过估值崩塌重塑网络安全行业的整个架构”。文章的核心论点是：AI同时压缩了攻击时间线、商品化了整个产品类别、使传统的”做个单点产品然后被收购”的创业路径几乎不可行。

连Palo Alto Networks这样的行业巨头，也在用AI重新定义自己的平台战略。他们250亿美元收购CyberArk，不是为了PAM产品本身，而是为了AI Agent的身份控制平面。行业的竞争维度已经从”谁的功能多”变成了”谁的AI能力强”。

国内市场：连续11个季度下滑

国内的情况更严峻。A股18家网络安全上市公司，收入连续11个季度同比下降–从2023年Q3开始，每个季度都是负增长。2025年27家网安厂商中，18家亏损，近七成。奇安信亏损12.87亿居首，启明星辰亏损5.72亿，三家头部企业合计亏损超26亿。

2026年初，Anthropic发布AI代码安全扫描工具后，网安股集体下跌。市场直接用脚投票：AI工具的发布=传统安全业务的丧钟。

一篇文章的标题是：”数据安全的天，塌了又塌？”文中写道：”AI的发展正让安全厂商遭受一轮又一轮的冲击，尤其是国内安全厂商，生存状况愈发艰难。行业从’增收不增利’滑向’降收又降利’。”

四、从个人体验看行业变局

回到我自己的经历。我能做的事情，发生了质的变化：

能力	AI之前	AI之后
分析攻击日志	看不懂	5分钟归纳11类攻击模式
编写iptables/ipset规则	不会	完整脚本+持久化方案
编写Apache防护规则	会基础的UA拦截	8大类L7防护，覆盖OWASP常见攻击
评估整体安全水平	无从下手	分层评估+短板分析+升级路径
成本	请安全公司，几万起步	AI对话，免费

安全厂商被冲击的，恰恰是我现在能自己做的这些事–规则配置、日志分析、基础防护部署。这些工作的本质是”已知的攻击模式匹配”，门槛从”需要3年安全经验”降到了”会提问就行”。

五、安全厂商不会消失，但会分层

说安全厂商要完了也不准确。我用AI配好了规则，但如果有人用100G流量DDoS我的博客，我还是扛不住–这个得靠阿里云的带宽清洗。如果出了0day漏洞，我也不会逆向分析–这个得靠安全厂商的漏洞研究团队。如果要过等保三级，我自己写的规则不算数–这个得靠有资质的安全公司。

真正被冲击的是安全行业的”信息差”部分：写规则、配设备、做基础防护。这些以前需要专业知识和经验，现在AI能教你 step by step 做完。

不会被冲击的是”能力差”部分：威胁情报库、0day漏洞研究、合规资质、大规模带宽清洗、7×24小时安全运营中心。这些需要数据积累、人才储备和基础设施投入，AI替代不了。

所以安全行业的未来很清晰：低端同质化的产品和服务会被淘汰（正在发生），高端有壁垒的能力会越来越值钱。中间层的”配置服务商”最危险–他们的价值就是”知道怎么做”，而AI正在让这个知识变得免费。

六、一个普通人的感受

我不是安全专家，这篇文章也不是行业分析报告。但从一个普通博客站长的切身经历出发，我真切地感受到：AI对安全行业的冲击，不是分析师报告里的曲线和数字，而是每一个像我这样的人，都在发现自己能做以前做不到的事。

当”请安全公司配规则”和”问AI自己配”的效果一样、成本却差了几个数量级的时候，市场的选择不言自明。

18家上市安全公司连续11个季度收入下滑–这个数字背后，或许就有无数个像我一样的人，在AI的帮助下，第一次自己动手解决了安全问题。

这不是安全行业的末日，但确实是一个时代的结束。那个靠”信息差”吃饭的时代，结束了。

—

本文来自一个个人博客站长的真实经历，2026年7月。

一、报告概述

本报告基于当前大模型领域的公开技术文献、行业研报与头部厂商（OpenAI、Anthropic、DeepSeek、阿里等）的公开实践，系统梳理八大核心议题：大模型训练的底层 Scaling Law 逻辑、人类语料的历史结构与质量权重（含古籍蓝海）、AI 数据污染与模型坍塌风险、头部厂商技术路线差异（MoE 与稠密架构取舍）、数据成本结构、模型蒸馏的真实定位与天花板、中外大模型核心差距与国产差异化超车。

二、核心底层逻辑：大模型能力的决定性因素

大模型最终能力由两大核心维度共同决定，遵循行业公认的缩放定律（Scaling Law），在预训练阶段边界清晰：

维度	核心作用	关键实证	边界约束
预训练语料（数量+质量+稀缺性）	决定模型能力理论上限	DeepMind Chinchilla 计算最优定律（2022, arXiv:2203.15556）：最优模型应满足 D约等于20N（每1个参数配20个训练token）；Gopher 280B参数仅喂300B token（D/N约1），性能不及同算力下70B参数喂1.4T token	数据不足时，盲目堆参数只会浪费算力
训练与对齐算法、架构创新	决定模型现有数据利用率	Llama系列实证：同70B参数下，训练数据从2T增至15T tokens（Llama 2到Llama 3），MMLU从68.9%升至82.0%	算法无法突破数据本身的知识边界
测试时计算（o1/R1类推理扩展）	后训练阶段打开新增量	DeepSeek-R1 纯RL+GRPO达到o1级推理能力	基座能力天花板仍由预训练语料决定

简言之：预训练阶段，数据定上限，算法挖潜力，二者缺一不可；测试时计算（o1/R1类推理扩展）为后训练阶段打开新增量，但基座能力天花板仍由预训练语料决定。

三、人类历史语料结构、体量与能力权重配比

3.1 语料体量占比

目前行业暂无绝对精准的全域量化统计，所有语料体量配比均为学术机构（Epoch AI、谷歌图书等）基于公开存量的合理估算区间，无绝对精确定值，本报告去除虚构精准百分比，采用严谨客观表述：

语料类别	体量估算	核心特征	质量评级
2000年前人类印刷语料（古籍、绝版图书、近代专著、学术典籍）	极小（全球独有书籍总存量约数十T token级，其中2000年前古籍仅占极小份额）	高质量、低噪声、长逻辑文本核心载体	高价值稀缺
2000-2020年人类印刷新书（现代专著、教材、科技文献等）	远超2000年前古籍，是印刷语料绝对主体	无AI污染原生文本，但全部印刷语料总存量（估约20T token级）仍远低于互联网文本体量	高价值
2000-2020年互联网人类原生语料（论坛、博客、百科、技术社区）	约3100T token（Epoch AI估算），单Common Crawl开源快照即达130T token，是全部印刷书总量的6倍以上	覆盖日常常识、通用知识、多元观点，但噪声、碎片化、冗余问题突出	基础数据

3.2 语料能力权重占比（模型实际能力贡献）

大模型能力贡献遵循「质量权重远大于体量权重」的核心规律，不存在行业统一精准量化比例，此前固定百分比为不实杜撰，现基于公开实验证据给出客观技术逻辑：

语料类型	能力贡献	关键实验证据	定位
千年印刷/古籍类高质量长文本	承载完整逻辑链条、严谨论证体系、考据型事实知识与规范写作范式，单位价值极高	微软Phi系列仅用约20B token教科书级数据即达到万亿级网页数据训练模型的推理水平；Meta LIMA实验证明千条精选数据的对齐效果可媲美五万条普通数据；书籍类数据在所有主流模型（Llama、GPT等）训练配比中均被过采样5-10倍	小体量、高权重
海量互联网原生网页语料	主导模型日常对话流畅度、现代社会常识、通用语言范式、生活化应答能力	体量庞大、覆盖场景极广，但未经筛选的原始网页内容碎片化、观点混杂、冗余噪声多、论证深度不足；经严格质量过滤后的精品网页子集可部分弥补此短板，但仍无法完全替代书籍与学术文献的结构化知识密度	大体量、低权重、高冗余

3.3 国内古籍资源开采现状（核心蓝海增量）

据《中国古籍总目》（2013）首次摸清的家底，国内现存汉文古籍约20万种、3000余万册（全国古籍普查口径），整体开采率极低，增量空间巨大：

开采阶段	现状描述	占比评估
高清影像扫描（无结构化文本，无法用于模型训练）	占国内存世古籍大半；据国家古籍保护中心数据，20余万种中数字化不超8万种，且多数止步于影像层	大半
基础OCR文本化（异体字错漏、断句混乱、无商用训练授权、未人工精校）	占比不低；真正实现文本数字化的不足4万种	中低
扫描+高精度OCR+人工校对+结构化清洗+合规商用，可直接用于大模型预训练	整体占比极低。版权归属分散（整理者、出版社均持股权）是核心卡点，北大”识典古籍”等平台虽已上线4.7万部，但商用授权覆盖率仍低	极低

结论：海量古籍稀缺语料尚未被有效利用，是国产模型主场专属的差异化数据资产（海外汉学机构有零星数字化布局，但无动力做商用级LLM语料开采）。其核心价值集中在中文文史、古典文献、传统民俗、古代典章制度、东方传统数理与工艺知识领域，可显著补齐模型中文传统文化理解、古籍精读、文史考据、古典文本创作的能力短板，降低文史领域幻觉；但无法大幅提升数学、代码、现代科学逻辑等高阶推理能力，此类能力核心依赖现代科学文献与算法优化。

四、当前互联网数据核心危机：AI数据污染与模型坍塌风险

2020年后互联网内容发生结构性质变，浅层通用语料红利见顶，但基座预训练并未彻底失效，而是从”粗放爬取”转向”分层筛选+高价值保留”：

维度	核心发现	数据来源
AI生成内容占比	新增英文文章AI生成占比52%；新增网页含AI内容74.2%；全球新增约35%有AI痕迹	Graphite 2025; Ahrefs 2025; 帝国理工+斯坦福+互联网档案馆 2025
模型坍塌风险	学术界在小规模、低质量数据多代迭代场景下观测到的潜在风险，未在大厂生产级训练中被证实规模化爆发	Nature 2024 (Shumailov et al.)
头部厂商策略	分层过滤低质AIGC水文，保留2020年后权威、专业、人类原创、高时效性内容；同时重点依托2020年前无大规模AI污染的原生人类文本夯实基础能力	GPT-4, Claude, Llama 3 等主流模型均仍纳入2020后最新学术成果与行业数据
核心判断	易采浅层通用互联网语料（Common Crawl类）红利已接近见顶，Ilya Sutskever在NeurIPS 2024将此称为”数据峰值（Peak Data）”，喻为AI的化石燃料——有限、不可再生	NeurIPS 2024

未来模型竞争核心将转向古籍、绝版专著、垂域专业数据库等深层稀缺语料的开采与精细化利用。

五、大模型企业数据成本结构

以企业全年整体运营成本为统计口径，成本结构分层清晰，但基座预训练厂与垂类/定制化应用厂的口径差异显著，不可混用：

5.1 纯语料采购成本（买书、数据库、版权）

厂商类型	采购特征	代表案例
头部基座厂（OpenAI、Anthropic、DeepSeek）	语料采购为非核心支出，整体占运营成本比例偏低	News Corp对OpenAI $250M/5年；Reddit对Google $60M/年；NYT对Amazon $20-25M/年；Axel Springer对OpenAI约$13M/年——单看金额不低，但摊入单轮预训练$100M-500M+算力支出中占比有限
终端/垂类应用厂	多直接调用头部模型API或采购成品数据集做微调，极少自建预训练语料栈，语料采购成本更低	——

5.2 全链路数据总成本

厂商类型	数据成本占比	算力成本占比	结构特征
头部基座厂	全链路数据成本为核心研发配套支出，占比显著高于纯采购	算力占总成本57%-70%（智谱招股书披露2024年算力服务费占研发70%+）	算力为绝对第一大刚性成本
垂类/定制化应用厂（企业私域微调、本地化部署）	数据工程（采集+清洗+标注）占比可达30%-50%	可反超算力硬件支出	与基座厂结构不同，数据工程为核心
垂直行业模型（医疗/法律）	高度依赖付费垂域专业数据库与定制标注，数据全链路成本占比最高	——	数据为第一大成本

5.3 人工标注单价锚点（2025行业公开区间）

标注类型	单价区间	备注
通用偏好对比（RLHF简单）	$0.10-$0.50/comparison	——
领域专家标注（医/法/码）	$1.50-$8.00+/task	——
高端RLHF（Surge AI等为Anthropic主供）	$100+/annotation	为Scale AI单价2-5倍

核心结论：基座预训练口径下，算力（GPU/数据中心租赁、集群运维）为绝对第一大刚性运营成本，远高于数据、人力、办公等其他支出。语料采购属一次性增量投入，算力为全年持续消耗支出。人工标注（SFT/DPO/RLHF）为独立成本科目，不归属语料采购。行业无公开精准统一的财务占比数值，此前固定百分比为杜撰内容，已全部删除。

六、头部厂商技术架构路线本质差异

厂商	架构类型	核心优势	核心短板	备注
OpenAI（GPT-4）	稀疏MoE架构（行业共识）	超大知识承载容量、规模化推理成本可控，适配海量通用与垂域语料训练	多专家路由复杂、训练工程难度极高	从未官宣GPT-5、GPT-6产品及架构细节，网传均为行业猜测
Anthropic（Claude全系列）	稠密Dense架构（行业普遍认为）	长文本极度稳定、幻觉极低、对齐简单、严谨性拉满，适配企业专业场景	推理成本极高、模型容量上限低于MoE架构	从未官方公开架构细节，此为行业基于性能特征与多方信源的推测
国产头部（DeepSeek为主）	全面押注MoE（DeepSeek-V3 671B MoE；Qwen-Max部分旗舰采用MoE，Qwen2.5-72B及以下为稠密）	超大模型容量消化稀缺古籍、工业、外文文献数据，以极低训练成本追平海外稠密模型能力	——	属于算力约束下的最优解，是国产缩小差距的核心架构抓手

七、模型蒸馏的真实定位（破除行业最大误区）

7.1 核心定论

蒸馏不是国产模型缩小与海外头部差距的核心方法，仅为低成本辅助工具，无法弥补底层预训练语料与基座能力短板。Hinton原始蒸馏论文（2015）已明确：Student参数量与容量天生构成天花板，综合上限小于等于Teacher。

7.2 蒸馏的真实价值

价值维度	具体描述	典型案例
低成本补充微调对齐样本	规避海外天价人工标注成本	DeepSeek-R1用80万条自蒸馏CoT替代同等规模人工标注，按高端RLHF单价（$100+/条）估可省$8M-$80M
模型轻量化落地	适配国产终端、中端算力设备	DeepSeek蒸馏Qwen/Llama 1.5B-70B系列
辅助初创企业快速落地商用模型	推理/代码任务可达教师85-95%能力，训练成本仅1/10-1/50	——

7.3 蒸馏的绝对天花板（行业共识）

限制维度	具体说明
信息损失	仅拿输出层logit的经典蒸馏仅能复刻表层输出模板；即便升级到CoT/Feature蒸馏，仍无法获取Teacher底层预训练语料、中间推理表征的完整信息、长尾稀缺数据
能力天花板	学生模型综合上限小于等于教师模型，泛化能力弱、冷门任务崩盘、幻觉更高（DeepSeek-R1-Distill-Qwen-32B数学AIME与R1持平，但代码/通用能力仍低于R1，且无法复现R1基座的预训练知识）
不可替代性	完全无法替代基座预训练，不能弥补西方科学文献、绝版书籍的原生数据缺口；仅在基座已训好后可用于小模型迁移，不参与基座知识构建本身

八、中外大模型核心差距与国产差异化优势

8.1 国产客观短板（无法短期纯算法弥补）

短板领域	具体描述	数据规模
近代基础科学英文科研文献	PubMed、ArXiv、SpringerLink等高质量科研文献高度集中于英文生态	PubMed约3800万篇、ArXiv约240万篇、SpringerLink约1300万册
百年绝版西方数理教材	海外厂商在高质量清洗与合规商用层面占先	Epoch AI估英文科研/教材类”无AI污染黄金数据”存量仍由美/欧/日图书馆数字化主导
全球冷门工程理论语料	国产模型在纯英文前沿理论、全球通用科学通识上存在原生数据劣势	——

8.2 国产独家不可复制优势（核心超车壁垒）

优势维度	具体描述	核心数据/案例
海量未开采中文古籍	海外汉学机构仅有零星学术级数字化，无动力做商用级LLM语料开采，形成主场专属的高阶逻辑与文史能力壁垒	《中国古籍总目》：国内现存汉文古籍约20万种、3000余万册（详见3.3）
国内独家工业/工程/政务/临床数据组合	西方模型在”国标场景+中国人群”组合下完全缺失，是西方模型无法复刻的落地类科学数据	高铁（中国8万公里+国标）、特高压电网（全球特高压80%+在中国）、国产制造（比亚迪/宁德/华为产线+国标供应链）、GB国标规范、本土医疗（中国人群+中医+国产器械）
自研无标注强化算法	DeepSeekMath首提GRPO，DeepSeek-R1首次用纯RL（无监督CoT标注）+GRPO推至o1级	AIME 2024 79.8%（o1-preview 74.4%、GPT-4o约50+），MATH-500 97.3%（o1 93.4%），Codeforces 96.3% percentile
中英双语联合预训练+可控合成数据	国产模型中文能力追平/反超GPT-4中文；配合可控合成数据内生补充外文科学数据缺口，摆脱海外API蒸馏依赖	Llama 2 C-Eval中文约30-40%、CMMLU约30+；Qwen2-72B C-Eval 84.2、CMMLU 83.8；DeepSeek-V3 C-Eval 88.5、CMMLU 87.2

九、行业核心争议定论：国产模型是否靠”蒸馏偷窃”海外技术？

9.1 关于Anthropic CEO观点的客观评析

Anthropic CEO Dario Amodei在2024年WSJ访谈中点名”中国模型通过API蒸馏获取数据”，该言论需分两层看：

层次	核心观点	关键事实
合规层	OpenAI、Anthropic的ToS均明文禁止”用模型输出训练竞争性模型”（OpenAI ToS Sec. 2.2）	2024年OpenAI曾发文暗指DeepSeek-V3可能用其输出蒸馏，DeepSeek否认并称全自主预训练+自研数据
技术归因层	Dario把”国产模型能力追上来”归因于”蒸馏海外”，被行业主流（Yann LeCun等）质疑	LeCun公开表态”蒸馏是行业通用做法，OpenAI自己也做过，单点中国不合适”

纯逻辑反证 + GLM-5.2实证（2026.6智谱旗舰，对标2026美Top现役GPT-5.5 / Claude Opus 4.8 / Gemini 3.1 Pro）：Hinton蒸馏理论（2015）已明确Student综合能力小于等于Teacher，且Student的偏科方向基本继承自Teacher。若国产靠蒸Claude Opus 4.8（HLE 41.4、Terminus-2 84、AIME 2026 98.3，强Agent/Coding、数学/综合推理偏弱）或GPT-5.5（HLE 45、SWE-bench Pro 54.2、AIME 2026 98.2，强综合推理、Agent/Coding弱于Claude），Student天花板锁死在Teacher的偏科形态，不可能出现GLM-5.2（智谱2026.6，744B MoE、激活40B、28.5T自主预训练、Slime异步RL自研）这种全科均衡高的结果——HLE 40.5（工具辅助54.7，超Opus 4.8的52.2 / GPT-5.5的51.4）、AIME 2026 99.2、SWE-bench Pro 62.1（超GPT-5.5的54.2）、Terminus-2 81.0（追Opus 4.8的84）、Artificial Analysis开源SOTA 51分。单蒸Claude（强Agent弱数学）或单蒸GPT-5.5（强综合弱Agent）都出不了GLM-5.2这种”HLE 40.5 + SWE Pro 62 + Terminus 81 + AIME 99.2 + AA开源SOTA”的全科组合——这件事本身就在逻辑上证伪了”国产靠蒸海外追上”。国产与美Top2旗舰的剩余差距（GPQA 91.2 vs Opus 4.8 93.6 / GPT-5.5 94.3，差2-3pt），真凶是英文语料短板（8.1节）+ H100禁运 + 时间积累，不是”因为用了蒸馏”。

GLM-5.2与海外Top旗舰Benchmark对比

Benchmark	GLM-5.2	Claude Opus 4.8	GPT-5.5	Gemini 3.1 Pro	说明
HLE（无工具）	40.5	41.4	45	45	综合推理，接近o1-pro级
HLE（工具辅助）	54.7	52.2	51.4	—	超Claude Opus 4.8、GPT-5.5
AIME 2026	99.2	98.3	98.2	98.2	数学顶格
GPQA Diamond	91.2	93.6	94.3	—	博士级推理，略低于Top2但属第一梯队
SWE-bench Pro	62.1	58.6	54.2	—	超GPT-5.5
Terminus-2（终端）	81.0	84	74	—	追Claude Opus 4.8
Artificial Analysis Intelligence Index	51（开源SOTA）	闭源	闭源	闭源	开源权重第一

9.2 蒸馏为何解释不了国产的追赶——量化证据

即便放下合规问题，”蒸馏海外基座”这条路本身也走不到GLM-5.2 / R1现在的位置，三层：

层次	核心论点	关键证据
理论天花板	Student参数量与容量构成硬上限，综合能力小于等于Teacher；且Student偏科继承Teacher——蒸单一海外Top基座出不了全科均衡高模型	Hinton 2015, arXiv:1503.02531。Claude Opus 4.8强Agent/Coding（Terminus-2 84）弱HLE数学（41.4），GPT-5.5强综合推理（HLE 45）弱Agent/Coding（SWE Pro 54.2），单蒸任一个都出不了GLM-5.2的HLE 40.5 + SWE Pro 62.1 + Terminus-2 81组合
业界实证	蒸馏海外Top基座的Student在综合benchmark上普遍掉10-15pt，且代码/推理/长尾掉得更狠	业界半公开尝试（如Llama系模型蒸馏GPT-4输出做对齐补充）显示，无任何公开案例显示”蒸海外Top基座能反超Teacher本人或产出全科均衡反超”，与Hinton天花板一致
国产自主体系硬证据	DeepSeek-V3、R1、GLM-5.2均为自主预训练+自研算法，非蒸馏海外基座	DeepSeek-V3：14.8T token中英双语自主预训练；DeepSeek-R1：GRPO纯RL、无监督CoT标注，AIME 79.8 > o1-preview 74.4（注：R1与o1-preview为2025初同期对标，GLM-5.2已进入2026美Top现役对标档），R1的CoT是RL涌现的（o1的CoT不对外开放）；GLM-5.2：744B MoE、28.5T自主预训练、Slime异步RL自研（智谱GLM-5技术报告，2025.8）

技术注：辨析两类”蒸馏”

业界所谓”蒸馏”至少含两类，Dario言论里被混用了：

类型	定义	合规性	典型案例
logit KL蒸馏	Hinton 2015原义，调API拿输出训自己——也是OpenAI ToS禁止的那种	违反海外厂商ToS	OpenAI ToS Sec. 2.2所禁止的行为
CoT数据蒸馏 / 拒绝采样SFT	用自家模型的CoT当SFT数据训小模型，Teacher是自家模型不是海外基座，logit未外露	不违反ToS（Teacher为自有模型）	DeepSeek-R1-Distill系列：用R1的CoT训Qwen/Llama小模型

补充注脚：蒸馏在大模型训练全生命周期中的应用

蒸馏本身并非单一动作，而是贯穿预训练加速（TinyBERT）、指令微调（Alpaca用GPT-3.5生成数据）、对齐（dDPO跳过RLHF）、端侧压缩（DistilBERT、Phi-3-mini）全生命周期的通用技术手段，Meta/微软/HF均有广泛使用；Dario所指责的”抓取API输出训竞品”仅对应指令微调阶段的一种特定用法。

结论：Dario类”蒸馏偷窃”归因，合规层可指个别违规（国内确有厂商早期抓过海外API），但技术归因不成立——纯逻辑上”蒸Claude Opus 4.8或GPT-5.5单蒸任一个都出不了GLM-5.2的全科组合”，GLM-5.2全科均衡高 + 28.5T自主预训练 + 744B MoE自研架构这一事实本身就证伪了”国产全靠蒸海外”；国产剩余差距（GPQA差2-3pt）的真凶是数据+算力+时间，不是蒸馏。

十、最终核心结论与未来趋势

结论维度	核心判断
语料竞争逻辑迭代	通用浅层互联网人类语料的能力红利已逐步释放完毕（Ilya Sutskever在NeurIPS 2024称此为”数据峰值Peak Data”，喻为AI的化石燃料——有限、不可再生；Epoch AI估全网文本存量约3100T token，但易采浅层Common Crawl类已被多轮挖掘，2025年新增内容AI痕迹占比已达35%-52%）。行业增量空间转向古籍、绝版专著、垂域专业数据库等深层稀缺语料开采
古籍差异化能力壁垒	国内现存汉文古籍约20万种、3000余万册，开采率极低（详见3.3），可持续强化模型中文文史、古典文献、传统国学、东方传统工艺数理等专属能力，构建海外模型在”国标场景+中国人群组合”下无法复刻的中文文明场景差异化壁垒；古籍中传统算学/工艺数理属文史逻辑范畴，不赋能现代形式化数学、代码、前沿科学推理
国产模型理性超车路径	仅靠算法优化、模型蒸馏无法实现全方位无短板超越海外头部模型。国内核心突围路线为「本土独家差异化语料 + 适配算力的MoE稀疏架构 + 自研无标注强化算法 + 内生合成数据补全外文短板」四维体系
行业竞争格局深度升级	大模型早期竞争以算力规模、通用网页数据体量为核心（基座厂算力占总成本57%-70%；垂类/定制化厂数据工程占比可达30%-50%，结构已分化），当前已迭代为独家稀缺语料资源、专业化数据工程体系、自主可控训练与对齐算法的核心壁垒竞争

参考文献

一、论文与 arXiv 预印本

序号	文献信息
[1]	Kaplan J, McCandlish S, Henighan T, et al. Scaling laws for neural language models. arXiv:2001.08361, 2020.
[2]	Hoffmann J, Borgeaud S, Mensch A, et al. Training compute-optimal large language models. arXiv:2203.15556, DeepMind, 2022.
[3]	Hinton G, Vinyals O, Dean J. Distilling the knowledge in a neural network. arXiv:1503.02531, 2015.
[4]	Shumailov I, Shumaylov Z, Zhao Y, et al. AI models collapse when trained on recursively generated data. Nature, 2024.
[5]	Gunasekar S, Tsipras D, et al. Textbooks are all you need. Microsoft Research, 2023.
[6]	Zhou C, Liu P, Xu P, et al. LIMA: less is more for alignment. Meta, 2023.
[7]	DeepSeek-AI. DeepSeekMath: pushing the limits of mathematical reasoning in open language models. arXiv:2402.03300, 2024.
[8]	DeepSeek-AI. DeepSeek-R1 technical report. 2024.
[9]	Villalobos P, Sevilla J, Heim L, et al. Will we run out of data? An analysis of the limits of scaling datasets in machine learning. arXiv:2211.04325, Epoch AI, ICML 2024.
[10]	Penedo G, et al. FineWeb: decanting the web for high-quality LLM pretraining data. Hugging Face, 2024.
[11]	Li Y, et al. DCLM: data-centric LLM benchmarking via filtered common crawl. 2024.

二、行业研报与机构

序号	文献信息
[12]	Patel D, Wong G. GPT-4 architecture, infrastructure, training dataset, costs, vision, MoE. SemiAnalysis, 2023-07-10.
[13]	Epoch AI. Will we run out of data? Limits of LLM scaling based on human-generated text. 2024 update.
[14]	Graphite. State of AI content 2025: 52% of new English articles AI-generated. 2025.
[15]	Ahrefs. AI content in the web: 74.2% of new pages contain AI content. 2025.
[16]	Imperial College London, Stanford, Internet Archive. Estimating AI-generated content on the public web: ~35% of global new content with AI traces. 2025.

三、公开披露

序号	文献信息
[17]	北京智谱华章科技股份有限公司．首次公开发行股票招股说明书（申报稿）．香港交易所，2024．
[18]	OpenAI. How OpenAI’s models influenced DeepSeek’s performance and safety standards. OpenAI Official Blog, 2024-02.
[19]	Amodei D. Interview on Chinese models distilling overseas API data. Wall Street Journal, 2024-05.
[20]	OpenAI. Terms of service, Sec 2.2: restrictions on training competing models. 2023-11 update.
[21]	Kang D. Human data is (probably) more expensive than compute for training frontier LLMs. Substack, 2025-08.

四、中文专项

序号	文献信息
[22]	《中国古籍总目》编纂委员会．中国古籍总目[M]．北京：中华书局；上海：上海古籍出版社，2013．
[23]	国家古籍保护中心，全国古籍普查平台．全国古籍普查登记数据（汉文古籍约3000万册）[DB/OL]．
[24]	北京大学数字人文研究中心．”识典古籍”平台（3年上线4.7万部）[EB/OL]．

专题分析报告 | 2026年7月5日

---

一、核心命题

当员工与AI大模型交互时，他们不仅在”使用工具”，同时在”传授知识”。每一次对话都在将个人的专业判断、推理路径和领域经验无偿输送给AI模型公司。如果企业不对AI使用场景进行分级管控，本质上是在按月付费将自己的核心竞争力输送给第三方。

这不是隐私问题，是知识产权问题和生存问题。

二、问题背景：五重趋势交汇

2.1 AI公司的”既卖铲子又挖金矿”模式

Anthropic在发布Claude Science科研工作台的同时宣布自研药物——作为AI工具提供商，它同时在成为客户的竞争者。这种模式在AI行业尚属首次，但正在蔓延。Google DeepMind的Isomorphic Labs、OpenAI的ChatGPT Health都在向垂直领域延伸。

含义：你的AI工具商，可能明天就是你的竞争对手。

2.2 数据主权觉醒已成全球趋势

• 微软：内部禁用Claude，强制使用Copilot
• 阿里：全域禁用Claude Code，必须使用通义灵码
• 美团：推出LongCat后，内部强制用自家模型，用别家需审批
• 欧盟：有人建议使用中国开源模型自部署，而非依赖美国闭源模型
• Palantir CEO：公开警告AI大模型公司正在虹吸所有公司的专业知识

含义：大企业已经在行动，中小企业尚未觉醒。

2.3 用户协议实质是强制授权

对OpenAI、Anthropic、DeepSeek、智谱清言、豆包五家用户协议的横向对比显示：

公司	默认用于训练	用户能否退出	退出门槛
OpenAI	是	可退出，但”可能限制服务能力”	隐性惩罚
Anthropic	是	可通过账户设置退出	Feedback和安全审查除外
DeepSeek	是	可关闭”数据用于优化体验”	相对透明
智谱清言	是	需主动联系客服	门槛最高
豆包	是	协议未提及退出机制	无退出路径

结论：没有一家是默认不用于训练的。”不同意就别用”构成实质性强制授权。

2.4 个人隐私风险远超传统认知

传统隐私泄露的是静态信息（姓名、电话、身份证号）。AI对话泄露的是动态的、人格级别的信息——思维方式、情感状态、决策偏好、潜意识想法。一个人跟AI聊半年，比他配偶了解他的都多。

工信部已因此下架情感陪伴智能体，字节豆包和阿里千问均下线相关功能。监管正在收紧，但企业不能等监管——自己的核心知识等不起。

2.5 闭源模型估值逻辑面临重置

OpenAI/Anthropic的天价估值建立在数据飞轮叙事上：越多人用→数据越多→模型越强→更多人用。当企业开始撤回数据，飞轮中最高质量的数据源被掐断，估值将从”通用人工智能平台”回归到”正常软件公司”。

含义：AI公司有极强的动力继续吸收企业数据——这不是被动的副作用，是其商业模式的核心。

三、核心风险：知识虹吸的运作机制

3.1 人机交互是双向的

• AI给人的：公开知识的重新组合、文字组织、代码生成——价值有限，可替代
• 人给AI的：思维方式、推理路径、专业判断、领域知识、试错经验——价值极高，不可替代

3.2 认知错位是最致命的

• 你跟同事讨论方案，你知道在交流
• 你写文档，你知道在产出
• 但你跟AI聊天时，你觉得自己在使用工具，不是在传授知识

这个认知错位导致员工在最没有防备的状态下，把最有价值的知识交了出去。

3.3 四类核心知识被虹吸

1. 研发思路泄露 — 你问AI怎么解决某个技术难题，AI知道了你的研发方向和卡点
2. 推理过程被学习 — 你跟AI反复探讨、迭代方案，你的推理路径被模型吸收
3. 失败经验被白嫖 — 你告诉AI”这个方案不行，因为X”，这些试错经验是最昂贵的知识
4. 领域知识蒸馏 — 你把行业专有知识喂给AI，AI转手就能卖给你的竞争对手

3.4 自杀式飞轮

你越用它，它越懂你的领域；它越懂你的领域，你越离不开它；最终你的核心竞争力变成了它模型里的一组权重，而你能被随时替代。付的费越多的重度用户，贡献的高质量知识越多，喂出来的模型越强，反过来对自己威胁越大。

四、囚徒困境与破局路径

4.1 囚徒困境

• 不用AI → 竞争力落后于同行 → 被淘汰
• 用公网AI → 核心知识被虹吸 → 被AI公司干掉
• 私有部署 → 成本太高 → 中小企业扛不起

三条路看似都是死路。但短期无解，长期有解，关键在于时间差。

4.2 五条破局路径

1. 开源模型追平 — DeepSeek、Qwen已在大量场景下够用，1-2年内差距可能缩小到可接受范围
2. 行业联盟共建 — 非竞争企业联合部署开源模型，分摊算力成本，数据只在联盟内共享
3. 国家公共AI基础设施 — 各地智算中心正在建设，企业提供数据在受控环境下微调，数据所有权不转移
4. 分层使用策略 — 非核心业务用公网API，核心业务用本地模型，最值钱的知识留在本地
5. 时间换空间 — 用最小代价获取AI能力的同时储备自部署能力，等开源模型和硬件成本到位时完成切换

4.3 最优策略：拖

不是”用或不用”的二选一，而是分场景使用 + 持续储备自部署能力，在开源模型能力追平、硬件成本降到可接受范围时完成切换。核心知识从一开始就不碰公网模型。

五、解决方案：AI使用分级规范

5.1 三级分类框架

[绿] 绿区——可以使用公网API

特征：即使数据被拿去训练，对核心竞争力零影响。

典型场景：通用文案撰写、翻译、格式转换；公开知识查询；代码格式化、注释生成（非核心逻辑）；不含商业机密的会议纪要整理。

判断标准：信息来源本身是公开的、通用的。

[黄] 黄区——可以使用，但必须脱敏

特征：知识有价值，但去掉关键细节后模型学到的是”方法”不是”数据”。

典型场景：内部流程优化建议（去掉具体业务参数）；通用技术方案评估（去掉核心算法细节）；市场分析框架（去掉具体客户数据）。

判断标准：经过脱敏处理后，不暴露核心商业机密。

[红] 红区——绝对禁止使用公网API

特征：企业命根子，喂出去一次永远收不回来。

典型场景：核心算法设计、研发方案讨论；产品架构决策、技术路线选择；客户核心数据、供应链关键信息；商业模式创新、战略规划推演；试错经验、失败案例分析。

判断标准：一旦被模型吸收，将直接削弱企业核心竞争力。

5.2 落地步骤

1. 盘点 — 梳理企业内所有AI使用场景，逐一标注红黄绿
2. 设规 — 红区强制使用本地模型，黄区必须脱敏，绿区自由使用
3. 给工具 — 红区必须提供可用的本地模型（哪怕是7B/14B小模型），否则员工会偷偷用公网的
4. 做培训 — 告诉员工为什么不能把核心问题喂给公网AI——不是禁令，是认知
5. 常审计 — 定期检查企业API调用记录，监控是否有红区内容泄露
6. 动态调整 — 随着开源模型能力提升，持续将更多场景从黄区/绿区纳入可控范围

5.3 关键注意事项

• 不能只靠制度 — 如果红区没有可用的本地替代方案，员工一定会偷偷用公网API。制度必须有工具支撑
• 不能只靠培训 — 认知很重要，但没有制度约束的认知是不可靠的
• 不能一劳永逸 — AI能力在快速变化，分级标准需要定期复盘更新

六、对不同类型企业的建议

大型企业（500人以上）

• 立即启动AI使用分级梳理
• 评估私有化部署方案（开源模型+国产算力）
• 建立企业内部AI治理委员会
• 将AI使用规范纳入信息安全管理体系

中型企业（50-500人）

• 优先做红区隔离——至少把最核心的研发和战略讨论挡在公网API之外
• 评估行业联盟共建模式
• 选择1-2个开源模型进行小范围试点微调

小型企业（50人以下）

• 至少做一件事：把核心研发讨论和客户数据从公网AI中隔离出来
• 利用云厂商提供的私有化推理服务（数据不用于训练的版本）
• 关注国家公共算力基础设施的开放机会

七、结论

AI使用分级规范不是”要不要做”的选择题，是”什么时候做”的生存题。

不做分级的企业，分两种结局：

• 快死 — 核心知识被竞争对手通过AI模型获取，直接被碾压
• 慢死 — 持续向AI公司输送领域知识，最终自己的核心竞争力变成别人模型里的权重

做了分级的企业，能在AI时代保持两个关键优势：

• 效率优势 — 绿区场景充分利用公网AI的强能力
• 安全优势 — 红区核心知识留在自己手里，不被虹吸

数据主权觉醒不是未来的趋势，是当下的现实。企业的AI使用分级规范，就是这场觉醒中最紧迫的落地动作。

---

本报告基于2026年7月5日沟通讨论整理。涉及的市场动态和公司政策信息均基于公开资料。

当2万种原子任务重构了1000多种职业，企业软件服务公司的机会在哪里？

—

一、提出问题：AI时代，企业软件服务公司往哪走？

最近在今日头条上看到北大国家发展研究院副院长张丹丹教授的一场演讲，主题是“AI对就业的重塑”。演讲中有几个数据让人印象深刻：

中国劳动力市场有1000多种职业，这些职业由2万多种原子任务构成

白领职业的AI暴露度最高——会计、编辑、销售、程序员首当其冲

但暴露度高不等于必然被替代，同样暴露度的职业，有的需求下降，有的反而上升

这场演讲虽然是学术视角，但对我们这些做企业软件服务的公司来说，它其实是一张商业路线图。

问题很明确：在AI大发展的背景下，传统的B端软件服务公司，未来的方向在哪里？

二、分析问题：我们有什么，以及AI到底改变了什么

2.1 我们已有的积累

像我们这样的企业软件服务公司，二十多年来积累了几样核心资产：

第一，行业know-how。我们服务过制造、金融、零售、医药等各行各业的客户，知道每个行业的业务流程、痛点、合规要求。这不是靠买一套大模型就能获得的。

第二，PaaS平台沉淀。我们的PaaS平台上沉淀了大量组件和原子能力——权限体系、流程引擎、数据模型、集成适配器。这些是构建企业级应用的“预制件”。

第三，AI平台基础。从智能体开发平台到数字员工构建平台，我们已经具备了Agent编排、知识库管理、模型对接、工具调用等能力。

2.2 张丹丹方法论给我们的启发

张丹丹教授的研究方法，本质上是在做一件事：把职业拆解成任务，再评估AI对每个任务的完成能力。

这个方法完全可以倒过来用——不是去研究“AI会干掉哪些工作”，而是去研究“我们能帮客户干掉哪些任务”。

具体来说：

2万种原子任务 → 哪些是重复性、规则明确、数据密集的？这些就是AI最容易替代的

任务组合方式 → 一个岗位里哪些任务可以被AI替代，哪些需要人机协作？这决定了数字员工的设计

窗口期 → 张丹丹说“真实的冲击尚未完全落地，我们仍处于宝贵的窗口期”。这个窗口期就是我们的产品化窗口

2.3 从“卖软件”到“卖任务替代”的转变

传统软件公司卖的是系统——一套ERP、一套CRM，交付即结束。

AI时代的数字员工公司卖的是任务完成——不是“我给你一个系统”，而是“你公司里会计岗位的发票录入、对账、报表生成这三个任务，我帮你用AI做掉”。

这个转变的本质是：从卖工具变成卖劳动力。

2.4 一个对比：个人助手 vs 企业平台

说到这里，有必要厘清一个容易混淆的问题——市面上已经有一些优秀的个人AI助手工具（比如OpenClaw），那直接用它们来做企业数字员工不行吗？

答案是不行，因为两者的定位和设计哲学完全不同：

维度	个人AI助手	企业数字员工平台
用户	个人开发者/极客	企业客户及其员工
安全模型	单用户信任边界	多租户 + 组织权限体系
合规	无	等保、审计、全链路可追溯
数据管控	数据去向不可控	数据不出域、细粒度权限
集成	通用工具链	与企业ERP/OA/HR系统原生打通
交付方式	自己部署自己用	平台化交付，持续运营
商业模式	开源免费	平台订阅/项目交付

个人AI助手的官方定位就是“面向开发者和高级用户的个人AI助手”，安全模型明确声明是单用户信任边界，不支持多租户。这决定了它适合个人提效，但扛不住企业级的数据安全、权限管控和合规审计要求。

而企业数字员工平台的核心竞争力恰恰在于：与PaaS生态的深度整合——权限、组织、流程、数据都是现成的，数字员工天然继承这些能力，不需要从零搭建。别的平台搭Agent还要考虑怎么对接企业ERP/OA/HR，企业级PaaS平台是原生就通的。

所以，个人AI助手和企业数字员工平台不在一个赛道上，不存在替代关系。这也意味着，做企业软件服务的公司，在AI时代面临的不是“被替代”的问题，而是“如何用好自己的平台优势，帮客户完成数字化转型”的问题。

三、解决问题：企业软件服务公司的路径选择

3.1 我们的基础优势

资产	怎么用
行业服务经验	知道每个岗位在做什么任务，可以直接拆解成任务原子
PaaS组件	权限、流程、数据模型——数字员工需要的企业级基础设施，已经就绪
AI平台	Agent编排、AutoAgent节点、Skills机制——可以快速构建数字员工
PaaS原生整合	数字员工天然继承企业组织架构和权限体系，不需要额外做合规

3.2 具体可以做的几件事

① 构建企业任务原子库（Task Atomic Library）

把企业常见岗位拆解成任务清单。比如“会计”这个岗位：

发票录入（AI可做95%）

银行对账（AI可做90%）

凭证生成（AI可做80%）

报表编制（AI可做60%）

税务申报（AI可做40%——需要人工复核）

每个任务标注AI可做程度、需要对接的系统、需要的权限。这就是数字员工的“积木”。

② 打造数字员工模板市场

基于任务原子库，组合成行业化的数字员工模板：

“销售助理数字员工” = 客户跟进 + 商机提醒 + 周报生成 + 合同初审

“财务对账数字员工” = 银行流水抓取 + 自动对账 + 差异预警 + 凭证生成

“HR简历筛选数字员工” = 简历解析 + 岗位匹配 + 初筛评分 + 面试邀约

客户选模板 → 配权限 → 上线，不需要从零搭建。

③ 提供AI就绪度评估服务

帮客户分析他们公司每个岗位的“AI暴露度”，输出报告：

“贵公司财务部有37%的任务可以被AI替代，预计可节省XX人天/月”

这本身就是咨询价值，也是数字员工的销售入口。

④ 持续迭代AutoAgent节点

把Skills机制和任务原子库打通，让AutoAgent节点能自动识别当前任务、按需加载工具、自适应编排流程。这是从“手动搭积木”到“自动拼积木”的关键一步。

3.3 定位：以服务为内核，以平台为武器

以我们为例，公司有上万名员工，核心能力是服务——深入客户现场，理解业务痛点，交付解决方案。

我们自研的PaaS平台可以赋能这些顾问，让他们在服务客户时，能够基于平台快速构建数字员工，帮助客户完成从传统软件到数字员工的转型。

换句话说：平台是武器，服务是内核。顾问带着平台去客户现场，用任务原子库拆解客户需求，用AI平台快速构建数字员工，用PaaS的权限和集成能力确保落地。

这才是这类企业的独特优势——既有平台能力，又有万人服务团队去交付。纯平台公司做不到最后一公里的落地，纯服务公司没有规模化的杠杆。两者结合，才是护城河。

四、结语

张丹丹教授在演讲最后说了一句话：

“目前我们看到更多的还是潜在的影响，真实的冲击尚未完全落地。所以我们还处在一个很宝贵的窗口期。”

对于企业软件服务公司来说，这个窗口期或许意味着两件事：

还有时间观察和准备——不是明天就被颠覆

但窗口不会一直开着——值得现在就行动起来

从北大教授的学术研究，到企业软件服务公司的商业实践，方法论或许是相通的：拆解任务、评估能力、组合方案、持续迭代。

以上只是我们基于观察的一些思考，希望能给行业同仁带来一点启发。AI浪潮下的机会很多，每家公司都有自己的路径，找到适合自己的那一条就好。