大廠AI To B大戰,這回戰場為什麼是辦公?
大廠AI To B商業化的戰火,已經燒到AI辦公。內部賽馬、業務整合、資源重配,過去一個多月,騰訊、阿里、字節三家大廠幾乎同時將AI資源砸向辦公場景。“AI作為生產力工具,最終還是得企業來買單。”一場圍繞AI辦公的To B大戰,正在升溫。前兩週,兩家大廠披露的財報,也已經透出了些許硝煙:從騰訊Q2財報及業績會看,WorkBuddy用戶快速增長的同時,付費意願也在增強,付費用戶毛利率已經與騰訊雲整體毛利率相當。剛推出不久的千問辦公,已被阿里寫入2027 Q1財報(對應自然年Q2)。整合QoderWork、悟空、MuleRun的能力後,千問辦公被寄予厚望,成為阿里拿下B端AI辦公戰場的主力軍。
長期關注大廠AI的分析師陸鋒認為,字節始終是一個大變量。擁有龐大C端用戶基數和多項核心AI能力的豆包,加上AI商業化明顯提速的飛書、火山引擎——字節7月底的業務整合,將這三員干將都推上了AI To B的戰線。字節釋放的信號很清晰:要將豆包作為核心抓手。“用戶規模只是基礎。”在行業專家張旭看來,這場大戰最終要看的,是能不能把用戶在辦公場景形成的AI使用習慣,進一步轉化為B端穩定、規模化的收入。“說到底,還是得看企業客戶願不願意付費,以及能否持續付費。”如果往回追溯,不難發現,大廠在AI商業化這條路上至少走過兩輪:在To C上燒過錢,也在Coding上打過前哨戰。
走到今天,為何AI辦公成了新的戰場?在這場To B大戰裡,三家大廠各自握有什麼底牌?過去近兩個月的產品、組織調整,又會帶來哪些內耗?最關鍵的是,AI辦公能否撐起廠商賺大錢的野心?從To C到AI辦公,大廠尋找商業化增量AI To C鎩羽而歸轉向To B,意味著上半年硝煙瀰漫的AI To C大戰,在商業化上並沒有達到大廠的預期。在那場圍繞Chatbot展開的AI入口爭奪戰中,各家大廠都曾投入大量資源,爭相搶佔C端市場、擴大日活規模。
彼時大廠的策略,與如今All In AI辦公完全不同,但三家的打法並不算陌生,都是將自身最擅長的核心能力,帶到了AI戰場:騰訊把微信紅包社交裂變的玩法,用在元寶拉新上;擅長流量的字節借春晚的流量場,為豆包帶來大規模曝光;而阿里則把千問帶入電商、本地生活等既有業務場景,尋找更多變現切口。但當熟悉的互聯網流量打法進入AI戰場,那套增長公式卻沒那麼好使。流量退潮之後,Chatbot大戰並沒有迎來一個皆大歡喜的局面:有的產品高開低走,有的雖然跑出了用戶規模優勢,但仍未跨過商業化的坎。過去圍繞用戶增長展開的買量、投放、紅包活動等手段,雖然容易在短期內製造熱度,但並沒有真正解決用戶留存和商業化問題。
“Kimi買了兩年的量,買了一地雞毛;元寶砸了60億,也沒砸出真正的護城河。”某互聯網AI產品經理吳越認為,過去以用戶規模為核心的打法正在“失靈”。“真正的智能,最終還是要看能否把用戶留住。”從豆包身上,恰好能看到國內大廠AI競爭方向的變化。在DAU(日活躍用戶數)導向下,早期豆包的目標很簡單:把用戶規模做上去。為了衝擊上億日活,豆包更像一個流量型AI產品:移動端優先,通過搜索功能提高用戶打開頻率,再用大量輕量化場景擴大覆蓋面。吳越告訴,國內大廠現在也逐漸看清了這一點,正在重新評估DAU那套打法還能不能走得通。這就不難理解,即便豆包已經成為C端“流量巨獸”,字節仍在6月底推出豆包專業版。
這只是字節推動豆包從C端走向企業服務的第一步。在部分業內人士看來,7月15日正式實施的《人工智能擬人化互動服務管理暫行辦法》,對於尋求To B商業化突破的廠商來說,反倒成了一個契機:“這樣一來,字節就可以順勢甩掉那些賺不到錢的智能體,把豆包的定位從‘聊天玩具’調整成‘認認真真幹活的智能體’。”豆包專業版上線一個月後,字節便將豆包與飛書、火山引擎進行產品、組織整合,加速推進AI辦公的To B佈局。從Coding到AI辦公Coding前哨戰,打出了什麼名堂?包括字節在內,不少國內大廠都將Anthropic作為重要參照。據媒體報道,四個月前,字節高層曾到訪Anthropic。
隨後,字節內部也開始調整AI資源分配,重心逐漸轉向企業服務產品。國內大廠想從Anthropic身上找到的,是一條跑通AI To B商業化的路子:據彭博社報道,截至7月底,Anthropic的年化收入運行率已超過650億美元,是2025年底約90億美元的7倍以上。僅兩個月前的5月,這一數字還只有470億美元。
Anthropic已經驗證,生產力場景確實能夠跑出規模可觀的To B生意,而Coding是目前最先跑出來的場景之一:其旗下Coding Agent Claude Code上線不到一年,年化收入就已突破25億美元;早在去年10月,整個Anthropic就有超過30萬家企業客戶貢獻約80%的收入。國內大廠在Coding上的前哨戰,同樣驗證了這條路走得通。但問題在於,這仍不足以支撐大廠的長期野心。2023年10月,阿里雲在雲棲大會上發佈了通義靈碼;2024年5月,騰訊雲推出了CodeBuddy,後納入AI Buddy家族;字節則是2025年年初先在海外上線了TRAE,兩個月後推向國內。
而擺在大廠面前的現實是,國內Coding市場的盤子仍然不夠大。IDC報告顯示,2025年國內AI編程市場規模僅為3.99億元人民幣,預計到2026年底也不過11.73億元。另外,大廠想在Coding賽道分到一杯羹也並不容易:阿里Qoder獨佔近半,以47.6%市場份額位居第一;跟隨其後的是兩家AI Native廠商——智譜CodeGeeX(11.5%)、商湯Raccoon(10.5%);而騰訊CodeBuddy、百度Comate分別僅佔6.9%、6.0%,勉強擠進牌桌。“當智譜、商湯在提升B端Coding能力的時候,互聯網大廠還在那兒搶C端用戶。
”在前述分析師陸鋒看來,相比互聯網大廠,AI Native公司雖然在C端缺乏足夠的用戶基礎和商業化經驗,但從B端切入,反而能在Coding這類To B場景上跑得更快。對大廠來說,與其在這個“小而擠”的賽道里與AI Native廠商貼身肉搏,不如轉向一個更能打出自己手牌的戰場——AI辦公。AI辦公,又為何成了大廠主場?某AI辦公產品負責人林朔認為,AI辦公天然就是大廠的主場。“今天國內投資人有一個共識:不投辦公智能體,因為這是大廠的賽道,小團隊根本沒法玩。
”過去幾年,國內已經形成了釘釘、飛書、企業微信等成熟的協同辦公格局,大廠手裡也因此攥著轉戰AI辦公所需的“家底”:大量的企業用戶、組織關係和真實的工作場景。在他看來,AI在辦公場景的想象空間,甚至比Coding還要大。AI辦公帶來的想象力,遠不是上一階段協同辦公的形態所能框定的,眼下火熱的WorkBuddy、千問辦公、豆包專業版,也只是AI辦公的早期形態。“大家真正在賭的,是AI如何重塑未來的工作方式。”林朔補充道,這也是為什麼眼下幾乎所有大廠都在探索更接近AI Native的企業辦公產品。
進入下半年後,阿里、騰訊、字節等開始密集調整AI業務,將模型、辦公產品和企業服務能力重新組合,將AI辦公推入實戰階段。這場商業化大戰,正式開打。AI辦公To B大戰,三家怎麼打?如上文所述,AI辦公是更能發揮大廠自身優勢的賽道。因此,這場競爭並非簡單地再造一個辦公軟件,而是看誰能更好地利用已有的資源和能力,讓AI真正進入工作流,並最終轉化為企業持續付費的動力。
三家大廠手裡的牌不同,打法也各不相同:騰訊從C端起步,先做個人用戶,再向企業端滲透;阿里背靠釘釘和阿里雲的企業客戶,從B端直接切入;字節則把豆包作為核心抓手,並深度整合飛書的企業辦公場景和火山引擎的雲服務能力,將三者的優勢轉化為AI To B的競爭力。騰訊:C端切入,B端滲透騰訊WorkBuddy的To B路徑,本質上是在用C端邏輯撬動B端生意。陸鋒認為,WorkBuddy形成了一種頗為特殊的用戶結構:付費和使用發生在個人端,即個人用戶自己下載、自己付費、自己用,但最終服務的是工作場景。這正是典型的PLG(產品驅動增長)模式:先讓個人用戶形成依賴,再向企業採購和組織級部署滲透。
“C端發家的騰訊,太懂普通用戶的需求了。”在陸鋒看來,PLG模式下,誰能先打動個人用戶,誰就搶佔了先機。“如果讓個人自己選,那麼WorkBuddy大概率會佔大頭。”從訪問量來看,騰訊已經在AI辦公個人用戶爭奪戰中跑到了前面:易觀分析數據顯示,WorkBuddy 6月訪問量達2097萬次,超過第二名字節TRAE IDE國內版(1279萬次)和第三名阿里QoderWork(788萬次)的總和。而C端流量,只是這套打法的第一步:從普通白領、個體經營者等個人用戶切入,逐步拓展至小型工作室等“小B”客戶,再向更大規模的企業客戶滲透。
WorkBuddy從個人版上線、快速積累用戶,到推出企業版,前後只用了三個月。這背後,是騰訊更早的戰略考量。Q2業績會上,騰訊方面也提到,投入WorkBuddy並不只是為了短期商業回報,還在於持續收集場景反饋,反向優化大模型與整個騰訊生態。早前就有業內人士向提到,騰訊很早就認識到,WorkBuddy一旦做好,就可以接入大量應用。“如果能率先積累用戶,用戶在真實工作中產生的工作流和交互數據,就可以反過來用於混元模型訓練。”這也解釋了,為什麼騰訊內部從一開始對WorkBuddy的推動力度就很大。“那時其他大廠可能還沒意識到這一點。
”阿里:B端底牌,生態協同阿里則打出了一張與騰訊截然不同的牌:直接從B端入手。在陸鋒看來,阿里的底氣不在於C端獲客能力,而是它手裡已經握著一批企業客戶。三家之中,阿里的整合動作也是最早的。7月初,阿里內部啟動QoderWork、悟空、MuleRun三款產品的能力整合,由釘釘新任CEO陳宇森牽頭推進;由此整合而來的千問辦公在7月底啟動小範圍內測,並於8月初開啟公測。這款產品雖定位為企業級Agent,但同時向個人用戶開放。千問辦公的B端基因,很大程度上源於釘釘。釘釘已有的企業生態,讓千問辦公無需從零拓展B端客戶——原有的客戶、銷售網絡、組織關係以及權限體系,都有可能成為其向B端滲透的現成通道。
陸鋒認為,即便C端流量再大,To B商業化的關鍵變量仍在於企業是否願意集體採購。在他看來,AI辦公產品一旦被企業納入採購流程,就不能光看產品好不好用,還是要看銷售能不能把合同籤回來。“如果釘釘的銷售跑到某家公司談個年框,老闆點頭了,全公司都得切到千問辦公。”而在企業市場,阿里的另一張牌是阿里雲。對於已經部署在阿里雲上的企業來說,阿里的優勢並不只在AI辦公產品本身。企業的數據、業務系統和雲基礎設施本就在阿里雲體系內,接入阿里的模型和AI應用,在數據連接、系統集成和部署適配上更為順暢。換言之,千問辦公在B端的真正底牌,實則是釘釘和阿里雲多年積累起來的企業生態。
在陸鋒看來,這些現成的企業資源,也給剛完成能力整合的千問辦公留下了更大的市場驗證和產品迭代空間。但能否將這一生態優勢真正轉化為競爭力,仍要經受企業辦公場景的考驗。字節:豆包掛帥,三方互補字節內部的AI戰略方向已十分明確:將兼具龐大C端用戶基數和多項AI能力的豆包,作為核心抓手。CEO梁汝波在8月6日的年中全員會上表示,希望豆包未來能成為像抖音一樣的“主幹”業務。豆包被推至C位,在7月底的整合中已初見端倪:與已在B端跑通商業化的飛書、火山引擎兩大業務體系深度整合。回看這場整合,於三者而言,不失為一場能力互補:豆包補AI能力,飛書補企業辦公場景,火山引擎補雲服務和商業化。
豆包、飛書的雙向補給官宣整合前,C端發家的豆包推出專業版僅一個月左右,組織關係、權限、歷史數據以及真實業務流程等“企業上下文”仍相對欠缺。這正是豆包進入B端場景時面臨的核心短板。林朔告訴,AI辦公是一個尤為依賴“高級別智能”的賽道。這種智能,不僅靠模型,還靠背後的上下文體系。從這個角度看,飛書恰好補上了豆包缺失的那塊短板:憑藉多年企服經驗,飛書手裡攢下了不少關鍵的企業上下文,也跑通了AI從個人使用向企業採購滲透的路徑。年初“龍蝦”熱潮出現後,飛書迅速推出“一鍵部署”能力,先圈住了個人用戶,再通過個人使用習慣向團隊滲透。“一個人用順手了,就往團隊裡推。春節那波流量,在一季度、二季度慢慢轉化過來。
”飛書代理商劉銘告訴。隨著AI向企業採購滲透,飛書的售賣模式也開始發生變化。劉銘的感受很直觀:過去賣席位,現在賣AI資源包。具體而言,過去主要按賬號、席位收費,如今開始疊加與Token使用量掛鉤的AI資源包。原本相對穩定的SaaS訂閱模式,正在變成一門帶有持續消耗屬性的生意。“比如買個99000的AI資源包,可能沒多久就花光了,花光就得續。雖然企業會心疼預算,但又不太敢限額,或者乾脆不給員工用。一旦限額或停用,員工體驗感馬上就下來了。”這種“一邊嫌貴、一邊續費”的狀態,在劉銘看來,恰恰說明企業對飛書AI功能已經產生了較強的使用需求。
劉銘觀察到,AI功能大規模上線之前,飛書賣的更多是“字節的成功學”——怎麼開會、怎麼組織提效。但最近幾個季度,情況已大有不同。尤其是上個季度,飛書客戶中購買AI產品的比例已達到90%,新客的AI產品滲透率也基本與此持平。“這個數據和一兩年前相比,完全是天翻地覆的變化。”這意味著,AI正在從飛書SaaS產品的附加功能,變成越來越多企業採購的標配。與豆包整合後,飛書又獲得了更強的AI能力。對字節而言,飛書也正在從一款協同辦公工具,逐漸變成AI商業化的重要載體。火山銷售的新“敲門磚”火山引擎補上的,則是B端商業化能力。最直接的表現,就是飛書GTM(市場、銷售、客戶服務)團隊與火山引擎團隊合二為一。
一位長期關注雲計算的人士認為,兩個團隊整合之後,聯合打單或成常態——原來的火山引擎團隊可以賣飛書產品,銷售KPI中也會包含飛書的相關指標。這對雲銷售來說,也是一種“利好”:過去,火山引擎賣的是計算、存儲、網絡等產品,這些雲基礎資源離業務場景太遠,客戶感知有限。GTM團隊整合後,雲銷售手裡又多了一塊“敲門磚”:先用AI的話題把門敲開,再用飛書產品進入客戶的業務場景,最終再落到雲上。一位火山引擎銷售告訴:“我們不指望AI本身賺多少錢,但它是一個觸點、一個鉤子。只要客戶有AI需求,我們就有機會切進去。
”AI一旦進入客戶的業務場景,字節的To B生意也就有了更多變現空間:既可以從前端的AI應用切入,又可以進一步帶動模型調用,以及算力、存儲等雲資源的持續消耗。AI To B商業化,真正的考驗剛開始從阿里7月初啟動內部整合算起,僅一個多月,大廠AI To B商業化的競爭就已明顯提速,各家“心照不宣”地加快了組織整合和產品迭代。如今,這場戰事正漸入白熱化,而參戰者遠不止上述三家大廠。一邊,辦公軟件領域的頭部廠商金山辦公,正在加速向AI原生轉型:7月推出靈犀專業版和WPS Comate,前者面向個人用戶,後者則主攻組織級場景。
另一邊,百度也帶著AI原生桌面智能體“搭子”殺了進來:據AI產品榜(AICPB)統計,百度搭子7月PC端MAU(月活躍用戶數)僅次於WorkBuddy;8月初百度啟動內部整合,將辦公智能體dodo相關研發人員和資源併入百度搭子。但產品上線、資源整合只是開始,真正的考驗還在後面:比如組織能否順利磨合、資源如何重新分配,以及品牌資產能否平穩承接。而最核心的考驗是,這門生意能否實現規模化盈利,撐起大廠的商業化野心。短期陣痛:整合之後,還有三道難題待解對內,業務整合的另一面,是組織磨合與資源洗牌。一是組織關係,整合後怎麼磨合?某大廠相關人員告訴,整合消息傳出後,部分一線員工才得知具體安排。
“有的項目組同學知道這件事的時間,比外界還晚——新聞發出去半小時,他才新建文件夾。得知消息後,每條業務線都在抓緊衝起來。”有業內人士認為,該大廠此次整合略顯倉促,背後或有應對競爭加劇的考量。不過,該大廠對外強調,這並非臨時起意,而是一次主動的戰略動作。但關鍵問題在於,過去各自為戰的團隊,能否在短時間內完成磨合,並在新的產品、組織體系下形成合力。二是資源分配,整合後往哪傾斜?有業內人士向直言,飛書劃入豆包後,意味著其業務線在集團內部的話語權和優先級下降,資源響應也會受到影響。在大廠內部,整合並非所有資源的簡單相加,而是重新確定誰是核心、哪些產品繼續投入、哪些團隊被收編。
這也是產品和組織調整之外更現實的問題:資源往哪裡傾斜,這直接關係到團隊士氣和後續走向。對外,則面臨更尷尬的問題:品牌資產,整合後如何承接?難點在於過去的品牌資產並不能直接平移,客戶教育、市場認知、銷售鋪墊都得重新來過。“原產品之前已經向客戶推得七七八八了,現在名字一換,產品形態也跟著變,又得跟客戶講一遍。”某大廠雲銷售向坦言,整合後,一線銷售的處境更難了:客戶過去的認知還在,但新的品牌又得從頭建立。長期考驗:AI辦公能否撐起大廠賺大錢的野心?歸根到底,這場AI辦公大戰拼到最後,看的還是誰先跑通To B的規模化盈利。
難就難在,這門生意的定價邏輯跟過去的協同辦公完全不同:廠商需要把模型調用產生的成本,折算成用戶更容易理解的點數、額度或AI資源包。前述AI辦公產品負責人林朔認為,今天市場上的“點數”模式(不同廠商叫法各異,如積分、靈點、Credits等)本質上都是一套“匯率體系”:廠商根據Token消耗核算成本,再將其折算成“點數”,按照不同的兌換比例向用戶收費。這套體系下,AI產品的定價出現了一個反常識的現象:用戶用得越多,平臺未必賺得越多,甚至可能虧得越多。尤其在B端,企業客戶使用AI的頻率越高、Token消耗量越大,模型調用和算力成本也會隨之增加,利潤空間反而可能被壓縮。
而比成本壓力更現實的問題是,眼下AI市場仍處於“跑馬圈地”的階段。林朔告訴,部分廠商甚至願意以低於Token成本的價格提供AI服務,靠融資或戰略性虧損來換取用戶規模和市場份額。在這樣的競爭環境下,大廠進入AI辦公賽道後,短期內未必會將盈利放在首位。真正的考驗在於:當流量紅利和補貼退潮後,企業客戶是否願意持續付費?隨著AI使用量增長,Token消耗帶來的收入能否覆蓋不斷上漲的模型和算力成本,最終跑出足夠的利潤空間?本文作者長期關注互聯網大廠Agent產品以及組織、人事變動,歡迎添加作者微信skylar1214交流探討。注:文中陸鋒、張旭、吳越、林朔、劉銘皆為化名。
Related
相關文章
Google 開源 Harness²:遞迴代理程式框架,無需新模型也能提升效能
Google Cloud AI Research 開源了 Harness²,這是一個遞迴代理程式框架,透過改良凍結模型周圍的程式碼與檔案來增強效能。對開發者而言,重點很簡單:你的代理程式無需更強大的模型也能進步。重點摘要:規模為框架而非模型,訓練參數為0,包含8個可編輯的框架元件,版本0.1.0。執行環境為Linux、Python 3.12或3.13搭配uv,模型呼叫則透過Vertex AI。GPU需求未公開。效能方面:一次改良步驟即可在3個基準測試中,提升所有4個模型與框架組合的表現。最佳成果:GLM-5搭配OpenCode在WorkBuddy-Bench上從64.2提升至75.7(+11.5點);最差表現:GLM-5搭配Codex在JobBench上僅提升1.2點(23.6至24.8)。什麼是Harness²?它是Google研究推出的即插即用框架。
如何利用NVIDIA結構化資料模型進行零訓練表格預測
In this tutorial, we implement Structured Data Models, NVIDIA’s new library that puts several pretrained foundation models for tables behind one PyTorch interface, and use it to make predictions without training.
認識 Kyutai REKI:2.4B VLA 模型為機器人操控帶來高效記憶
Kyutai 與 Inria 及 École des Ponts 合作,推出了 REKI——一個用於機器人操控的 2.4B 參數視覺-語言-動作模型(VLA)。該模型僅使用公開數據進行預訓練,並配備了輕量級的近期記憶功能。在三個分佈外基準測試中,僅有規模約為其兩倍的模型能超越它。所有模型權重已於今日在 Hugging Face 上公開。核心資訊:規模:2.4B 參數(2.2B Qwen3.5-2B VLM + 0.2B 流匹配動作專家)。記憶涵蓋最近 3 幀,間隔 1 秒。運行環境:在 1 張 NVIDIA H100 上進行基準測試。從兩個 256×256 攝像頭輸入,編譯後每個動作區塊耗時 21.8 毫秒。權重以 BF16 格式提供,暫無量化版本。性能:在 LIBERO-Plus 和 RoboTwin Clean2Rand 基準測試中,為公開數據預訓練的 VLA 模型中最優;在 LIBERO-Plus 上達到 90.4% 的最高分。
DeepSeek 發布 V4.1-Flash-1017,DeepSWE 得分 77.0,並開放搜尋 API
DeepSeek 剛發布 DeepSeek-V4.1-Flash-1017,這是其 V4.1-Flash 模型的新檢查點,現已在 DeepSeek 網站、應用程式及 API 上線。DeepSeek 宣稱該版本在性能、任務完成速度與輸出簡潔度上均優於 9 月發布的 V4.1-Flash,並稱之為性能與成本的帕累託改進。同時,DeepSeek 也向所有開發者開放了搜尋與擷取 API。對代理建構者而言,這意味著更便宜的編碼模型加上單一 API 金鑰即可使用的第一方網路層。重點摘要:骨架參數 552B,另加 196B 的 Engram 參數;預填充階段每 token 啟用 8B 參數,解碼階段啟用 16B 參數;上下文長度達 1M tokens,最大輸出 384K tokens。運行於 DeepSeek API 的 deepseek-flash 模型。9 月版的 V4.1-Flash 權重(763B 參數,FP8)採 MIT 授權。
2026年20款Jev替代方案:挑戰TypeSafe的決策模型
TypeSafe於2026年9月15日推出Jev,這是一款決策模型而非聊天機器人。使用者可定義允許的答案,Jev將回傳標籤、分數或是否的機率。約4週內,至少20款Jev替代方案相繼問世,來自Cloudflare、OpenAI、Perplexity、Liquid AI、AWS的Strands Labs及獨立開發者。本指南比較各方案在規模、授權、硬體、價格、Jev API相容性及已發布基準測試的表現。重點摘要:規模範圍從287M(GLiNER2.5-multi-Decide)到35B-A3B(Mapika Decider),Jev規模未公開。執行環境:Von和Laya等編碼器可在CPU上運行,4B適配器適用24 GB GPU或32 GB Mac。效能:多數開源模型在困難推理上落後Jev,但在狹窄分類任務上數款與之匹敵或超越。最佳表現:Cloudflare Clef在BANKING7取得94.20分。
長鑫科技市值兩月內跌去1萬億;阿里加碼AI硬件品牌,天貓、速賣通聯動;國行版蘋果AI有望12月上線,百度、阿里參與合作丨雷峰早報
要聞提示1.長鑫科技市值兩月內跌去1萬億2.年內已至少18次故障!DeepSeek發放宕機補償,有人拿到3000元3.阿里加碼AI硬件品牌,天貓、速賣通聯動4.國行版蘋果AI有望12月上線,百度、阿里參與合作5.可靈AI新一代模型Kling 4.