百度、阿里、騰訊重逢AI辦公,勝負手在數據

重點摘要
百度、阿里、騰訊近期不約而同整合旗下AI辦公產品,結束內部賽馬,轉向集中兵力打陣地戰。此舉背後原因是過去多條產品線並行導致算力分散與用戶認知混亂,而AI辦公被視為大模型落地確定性最高、商業閉環最清晰的超級場景。
百度、阿里、騰訊三大中國科技巨頭,在AI辦公領域再度狹路相逢,熟悉的火藥味瀰漫整個市場。短短一週內,三家企業不約而同地調整組織架構、整合產品線,將AI辦公提升至戰略核心地位,宣告一場全新的「陣地戰」正式開打。7月底,騰訊率先出手,將旗下WorkBuddy與CodeBuddy兩個團隊合併升格,明確將WorkBuddy定位為AI辦公的旗艦產品。緊接著,8月3日,阿里也宣布將QoderWork、悟空、MuleRun三款產品整合為「千問辦公」,並正式對外開啟公測。
進入8月初,百度完成AIWork產品線的新一輪整合,以「百度搭子」(DuMate)作為主要陣地,進一步協同GenFlow、秒噠等產品的技術能力。這一系列動作,讓外界嗅到幾年前BAT大戰的熟悉氣息。不同的是,這次的戰場從搜尋、電商、社交,轉向了AI辦公這個超級場景。三大巨頭不再各自放養多條產品線進行內部賽馬,而是選擇收攏散兵,集中火力,將模型、Agent、工具與數據能力匯聚到同一個旗艦入口。過去兩年,AI行業經歷了野蠻生長的階段。多家大廠內部同時孵化多個AI辦公產品,雖然確實試出了不少單點功能,但也暴露出算力分散、定位重疊、用戶認知撕裂等問題。
當AI行業從秀技術、拼參數,轉向交結果、看落地時,大廠必須改變策略,從「賽馬」轉向「陣地戰」。更深層的邏輯在於,AI辦公被視為當下大模型落地確定性最高、商業閉環最清晰的超級場景。無論是文書處理、程式碼生成、會議摘要、數據分析,還是流程自動化,AI辦公的應用場景幾乎涵蓋所有企業日常運作,且付費意願與轉換成本相對較高,是各大廠商必爭之地。從產品整合的路徑來看,三家巨頭的策略各有側重。百度以「百度搭子」為核心,強調個人化AI助手與工作流的深度結合,並串聯GenFlow的內容生成能力與秒噠的即時協作功能,試圖打造一站式的智慧辦公體驗。
阿里則以「千問辦公」為統一品牌,整合內部多款工具,強調電商生態與企業服務的無縫銜接,並藉助阿里雲的算力優勢,提供從底層模型到應用層的完整解決方案。騰訊則以WorkBuddy為旗艦,結合其在即時通訊、企業微信與協作工具上的深厚積累,主打「溝通即辦公」的場景閉環。值得注意的是,騰訊將CodeBuddy團隊併入WorkBuddy,顯示其不僅看重文書與協作,也將程式碼生成與開發者工具視為AI辦公的重要一環。業內人士分析,這場AI辦公大戰的勝負手,最終將落在「數據」上。
AI模型的智慧程度,高度依賴於訓練數據的品質與規模;而辦公場景中的數據,涵蓋了企業內部的溝通記錄、文件檔案、專案流程、客戶互動等,具有極高的商業價值與隱私敏感性。誰能更有效地獲取、清洗、利用這些數據,同時確保合規與安全,誰就能在AI辦公的競爭中佔據先機。百度擁有搜尋與知識圖譜的數據積累,阿里則掌握電商與雲端運算的龐大數據庫,騰訊則在社交與通訊數據上具備獨特優勢。三家公司各自握有不同類型的數據資產,如何在AI辦公產品中發揮這些數據的協同效應,將是決定產品體驗與商業化能力的關鍵。此外,隨著2026年AI行業進入「後對話框時代」,單純的聊天機器人已無法滿足企業需求。
用戶需要的是能夠主動執行任務、串聯多個系統、理解複雜上下文、並能持續學習與優化的智慧代理。這也意味著,AI辦公產品必須從「被動回答」進化到「主動服務」,從單點功能走向平台生態。目前,三家巨頭都已開始在各自產品中導入更進階的Agent能力,讓AI不僅能回答問題,還能自動排程、撰寫報告、管理專案、甚至跨系統調用API。這種從工具到夥伴的轉變,正是AI辦公賽道下一階段的競爭焦點。可以預見,隨著百度、阿里、騰訊的全面進場,AI辦公市場將迎來新一輪的激烈競爭。產品迭代速度、數據整合能力、生態開放程度,以及對企業用戶需求的洞察,將決定誰能在這場「陣地戰」中脫穎而出。
而對於企業用戶而言,這場大戰也意味著更多選擇、更優體驗,以及更高效的智慧工作方式。
Related
相關文章

曝字節訓10億參數大模型,或超Mythos 5,張一鳴、梁汝波先後發聲
字節跳動正在訓練一個參數量高達10萬億的AI模型,規模可能超越Anthropic的Mythos 5。創辦人張一鳴在內部會議中強調編程的關鍵地位,並反對模型蒸餾,認為這只能複製而非超越對手。字節跳動在AI領域持續加大投入,同時在產品端與訓練端採取雙線進攻策略。

AI 需求擠爆雲計算,消息稱 AWS 要求工程師關閉閒置服務器減少資源浪費
因AI需求導致算力緊缺,亞馬遜AWS要求工程師關閉閒置的EC2實例,以減少資源浪費。數據顯示約65%的EC2實例在30天內平均CPU利用率低於20%,AWS因此升級計算優化器自動標記低使用率虛擬機。此外,AWS過去一年新增3.8吉瓦電力容量,仍難以應對GPU雲端實例的龐大需求。
使用 NVIDIA NeMo Retriever、託管 NIM、LanceDB、重新排序與基於事實生成建立多模態 RAG 管線
在本教學中,我們將使用 NVIDIA NeMo Retriever 建立一個先進的多模態檢索增強生成管線。首先設定 Python 3.12 環境、安裝必要套件,並在無需 GPU 或外部 API 金鑰的情況下進行離線 PDF 文字提取。接著,我們透過託管的 NVIDIA NIM 端點來偵測頁面元素、提取表格、圖表與資訊圖形、產生稠密向量嵌入,並將處理後的內容儲存至 LanceDB。最後,我們實作了稠密檢索、視覺語言重新排序、後設資料過濾搜尋、附行內引用的基於事實回應生成,以及輕量級的 recall-at-k 評估,以驗證跨多模態文件內容的檢索品質。
NVIDIA AI 推出 NOOA:將 AI 代理轉化為單一 Python 類別的物件導向框架
NVIDIA 實驗室開源了 NOOA(NVIDIA 物件導向代理),這是一個與模型無關的 Python 框架,用於建構 AI 代理。傳統的代理開發分散在提示模板、工具架構、回呼程式碼和工作流程圖中,而 NOOA 將所有這些整合到一個 Python 類別中:方法代表模型可採取的動作,欄位代表代理狀態,文件字串作為提示,型別註解則是執行時期強制執行的合約。主體為「...」的方法由 LLM 驅動的迴圈在執行時期完成,而具有正常主體的方法則保持確定性的 Python 程式碼。開發者與模型因此共享同一介面,使代理行為能像一般軟體一樣進行測試、追蹤、重構和版本控制。NVIDIA 報告在 SWE-bench Verified 上達到 82.2%,在 CyberGym L1 上達到 86.8%,平均 RHAE 為 85.1%。

六巨頭定AI插件新標準,撞臉Claude,Anthropic沒上桌
六大科技巨頭(AWS、Anysphere、GitHub、微軟、OpenAI、Vercel)聯合發布AI智能體插件統一開放規範Agent Plugins 1.0.0,旨在統一插件打包格式,減少開發者重複勞動。該規範的結構與Anthropic的Claude Code插件系統高度相似,但Anthropic並未參與制定,而是繼續經營自己的封閉生態。

DeepSeek重啟融資,三年市值對齊騰訊?
DeepSeek重啟第二輪融資,以5000億元人民幣估值尋求籌集80億美元,但網傳一份由小型醫藥私募發起的專項基金募資材料引發網友質疑,後經DeepSeek員工證實部分數據屬實。該公司近期宣布API大幅漲價,可能打破其以低價換規模的估值邏輯,面臨客戶流失風險。市場關注其能否從「價格屠夫」轉型為價值提供商,以及三年內市值能否對齊騰訊等巨頭。