国星宇航与商汤科技宣布共建“商汤算力星座”，这件事把AI基础设施的想象边界往上推了一层。过去谈模型训练和推理，关键词通常是GPU、数据中心、电力、液冷和网络；现在，太空算力开始被系统级接入大模型公司，意味着AI产业链不再只围绕地面智算中心展开，而是开始尝试把轨道资源纳入下一代算力网络。
这不是把服务器搬到天上那么简单。国星宇航此前已建成在轨算力达到5POPS的太空计算中心，双方提出的路径是“单星验证、平台建设、星座组网”，目标指向千星万P规模太空算力网络。与此同时，RISC-V AI算力超节点、设备级智能体、Agent专业基准和防务AI融资也在同步升温。它们共同说明，AI竞争正在从单个模型能力，走向更复杂的基础设施重构：算力在哪里、数据怎么流动、任务如何交付、系统能不能稳定运行，都会变成新的产业门槛。
太空算力入局
“商汤算力星座”的核心信号，是太空算力第一次以较明确的产业链角色进入大模型公司的基础设施叙事。地面智算中心仍然是主力，但它受到土地、电力、散热、网络覆盖和灾备能力约束。轨道计算如果能完成验证，就可能在特定场景里提供补充能力，例如遥感数据就近处理、低空与卫星数据融合、跨区域任务调度、灾害应急和边远地区数据服务。
AI模型越往真实世界走，对数据新鲜度和处理链路的要求就越高。很多卫星、无人机、物联网和边缘设备采集的数据，过去要先回传地面，再进入数据中心处理。这个链路会消耗带宽，也会拖慢响应。如果部分计算可以在轨道侧完成预处理、筛选、压缩和初步推理，地面只接收更有价值的结果，整个系统的效率就会发生变化。太空算力的价值不一定是取代地面GPU，而是在特定数据源旁边形成更短的计算闭环。
天地协同
从产业角度看，太空算力最现实的定位不是孤立建设另一个“天上云厂商”，而是与地面智算形成协同。模型训练仍然需要大规模、稳定、低成本的地面集群；但遥感、气象、海洋、交通、能源巡检和应急管理等场景，天然具有大范围、连续采集和快速判断需求。轨道侧如果能承担一部分实时处理任务，地面数据中心就能把更多资源留给模型训练、精细分析和多系统融合。
这也解释了为什么商汤这样的模型公司会关注星座能力。多模态模型不只吃文本，它还需要图像、视频、地理空间、传感器和行业数据。未来的AI系统要理解城市、工厂、矿区、海域和灾害现场，仅靠用户上传文件远远不够。谁能更高效地接入真实世界数据，谁就更容易把模型能力变成行业应用。算力星座的想象空间，正是在“数据从哪里来”和“计算在哪里发生”之间打开新的组合方式。
芯片超节点
同一批重点资讯里，奕行智能在WAIC发布业界首个RISC-V AI算力超节点方案，也让基础设施主线更清晰。它基于自研Epoch芯片和ELink高速互联架构，强调单柜百T级带宽，支持32至128卡全互联，并通过EVACA软件栈和KernelFab算子智造中枢，把算子开发从“周级”推进到“天级”。这说明AI算力竞争已经不只是买更多GPU，而是要从芯片、互联、软件栈到开发工具一起优化。
RISC-V路线的看点在于开放生态与商业化落地之间的平衡。AI产业需要大量算力，但算力并不只是峰值指标。互联效率、算子适配、推理框架、开发者迁移成本和运维稳定性，都会决定一套算力能不能真正变成可用产能。太空算力谈的是空间位置，RISC-V超节点谈的是硬件架构与集群组织，它们看似不同，本质上都在回答同一个问题：当AI应用规模越来越大，基础设施能不能跟上模型和场景的扩张速度。
Agent落地
基础设施升级的另一面，是Agent应用开始进入更难的执行场景。腾讯应用宝推出的设备级AI智能体Marvis，上线后DAU两天突破30万，7日留存率达到54%，产品聚焦本地环境感知和任务直接执行，并计划构建Skill生态。这个方向强调的不是聊天，而是让智能体理解设备状态、调用本地能力、直接完成任务。
但阿里巴巴ATH-MaaS团队获得ACL 2026最佳资源论文奖的HSCodeComp基准，也给行业泼了一盆冷水：最强AI Agent在海关编码分类任务准确率只有49.4%，人类专家可达95%；经过微调和强化学习优化后提升到65%，仍然存在明显差距。这类任务考验层级规则、专业判断和责任边界，单靠扩大模型规模很难补齐。也就是说，Agent要真正进入企业和行业流程，除了算力和入口，还需要专业数据、流程约束、记忆机制、验证系统和可审计的执行链路。
记忆与交付
上海交大和清华联合发布的Agent记忆系统横评，进一步说明“会记住”并不是简单把摘要塞进数据库。研究覆盖12种框架、5类场景和11个数据集，结论很务实：没有万能方案，跨会话推理更适合图结构或时序结构，精确事实定位适合混合过滤系统，有状态执行则需要保留完整交互轨迹。更重要的是，保留原始内容往往比抽象摘要更可靠，成本也主要由维护范围决定，而不是由某一种结构天然决定。
这对企业AI落地很关键。一个智能体如果不能记住上下文，就很难连续处理复杂任务；如果记忆过度摘要，又可能在关键细节上出错；如果全部保留原始交互，成本和隐私压力又会快速上升。Marvis、设计Agent、办公Agent和行业智能体都会遇到这个问题。模型能力是一层，记忆、权限、工具调用、任务回放和错误追踪是另一层。真正可交付的AI产品，必须把这些工程问题一起解决。
应用边界扩大
除了基础设施和Agent，AI应用的边界也在继续外扩。昆仑万维发布Mureka V9.5，强调通过改善人声、编配和曲风控制，让AI音乐减少“AI味”，指令精准度从6.92提升到7.62。这说明内容生成的竞争已经从“能生成一首歌”变成“能否更接近人的审美判断”。当AI音乐进入审美竞争阶段，产品要解决的不只是技术指标，还有风格、情绪、可控性和商业使用门槛。
欧洲防务初创企业Helsing完成18亿美元融资、估值达到180亿美元，则显示AI正在进入更敏感也更高投入的领域。防务AI涉及无人机、感知系统、任务规划和软硬件一体化平台，商业价值巨大，监管和伦理压力也更高。把这些动态放在一起看，AI产业正在同时向上进入轨道基础设施，向下进入终端设备和本地任务，向内进入企业专业流程，向外进入音乐、防务、设计等更具体的行业。下一阶段的竞争，不会只属于会写答案的模型，而会属于能够把算力、数据、工具、记忆和行业交付串起来的系统。
