Persona: tech buyer

2026年全球基础大模型迭代进程显著提速，Tokens新经济也带动行业应用场景持续细分、落地需求持续深化，推动大模型开发平台进入能力升级与场景落地的关键迭代期。当前，头部大模型厂商已围绕高端推理、大规模部署、长上下文、智能体、代码工程、企业知识库集成等核心场景，搭建各类行业专有模型体系，大模型产业化应用正式从通用调用走向垂直深耕。在此行业背景下，大模型开发平台的产品核心价值与发展逻辑发生根本性转变，不再局限于单一模型封装与基础能力输出，而是朝着模型中立兼容、Agent智能化、安全合规落地、数据知识贯通、全流程运营赋能等方向全面演进。

近日，国际数据公司（IDC）特别针对中国市场发布了《IDC MarketScape：中国大模型开发平台厂商评估，2026》（Doc# CHC54109426，2026年8月）研究报告，基于市场参与者深度调研，平台厂商能够据此明确产品升级重点，打造差异化竞争优势。企业端可依此更新大模型开发平台选型规则，助力 AI 项目落地。产业从业者与投资者也可明晰赛道核心壁垒与发展走向。

基于对主流厂商的深度调研与横向对比，我们梳理出当前企业选型中必须重新审视的五个核心方向。这五个趋势将引领大模型开发平台发展新方向，是企业用户在实际落地中正在真实面对的决策分水岭。

趋势一：模型生态开放化——由单一模型调用走向模型中立生态与一体化场景交付

在大模型开发平台的模型选择/评估与应用适配功能上，头部厂商都完成了最新主流大模型的封装和多模态大模型集成生态以及行业模型适配，2026年，基础大模型迭代速度明显加快，全球市场的头部厂商构建了高端推理，大规模部署， API 密集型长上下文场景，Agent场景，代码/软件工程场景，企业知识库/应用集成场景，前沿模型等专有模型。针对于这些领域的模型调用，大模型开发平台厂商应保持模型中立 + 多模接入，主流平台的公有云、私有化部署版本都需兼容多家模型，避免厂商锁定。平台上的行业专有模型沉淀需要加速。

在工具链与应用开发支持方面，过去两年的市场中，买方选型的首要因素几乎都是价格，而且由于大模型迭代速度太快，买方通常选择直接调用大模型API，而不进行二次调优。但未来，企业将有更多垂直场景落地，这些场景离不开智能体的开发。因此，大模型开发平台在工具链上的完备性，在用户选型中的重要性将不断提高。从 “模型调用” 到 “场景交付” 需要构建覆盖数据治理→模型微调→RAG 知识库→Agent 编排→推理部署→监控运维一体化工具链，降低工程化门槛。也需要提供编码模式、和通过低代码 / 零代码可视化拖拽的模式让各类客户群体可以快速搭建 AI 应用。

趋势二：Agent 成为平台标配——依托强化学习打造自主任务执行体系

大模型开发平台Agent 相关功能成为标配：其一，用户市场需要基于开源模型的进行行业化知识增训，并追求训练后的模型效果。相比传统的增量训练和微调，市场对Agentic强化学习的能力需求增加，各厂商都在平台产品中推出基于大模型的强化学习增强能力。其二，很多头部供应商都在平台中逐步实现和智能体相关功能的深度打通，如Harness, MCP, Skills等， 原生提供上下文管理+记忆机制（支持 100K + 上下文，结合向量记忆与反思能力，实现复杂任务链式执行）、工具调用（原生对接数据库、API、代码解释器，形成 “感知 – 决策 – 执行 – 反馈” 闭环）等能力，适配复杂任务执行能力的Agent。

趋势三：安全体系升级——企业级管控完善，私有化部署转向常态化刚需

安全合规与私有化部署正在成为大模型开发平台落地企业场景的刚性需求。面向政企客户的数据风险诉求，平台需要完善全方位企业级安全管控能力，覆盖数据脱敏、分级权限管控、全链路审计日志、模型水印、可解释性（XAI）等多元能力，实现数据使用可追溯、模型行为可管控、知识产权可保护，有效化解大模型应用的数据泄露、模型滥用等风险。

行业层面，政务、金融、中央及国有企业出于数据主权与信息安全考量，普遍优先采用本地部署或者专属集群部署模式。这就要求大模型平台的私有化部署版本具备良好的软硬件适配能力，能够兼容国产本地芯片与自主操作系统。未来，单纯具备基础模型能力的平台将难以满足准入要求，完整的安全合规框架、成熟的私有化交付方案，会成为厂商获取政企项目的核心竞争门槛。

趋势四：数据链路革新——搭建端到端集成通道，打通知识检索与数据闭环

对于采用 RAG 的用户，在将来自企业内外部数据做成外挂知识库的过程中，需要选择专门的数据库来存储知识，这一数据库既可能是全新的向量数据库，也可能是具备向量引擎能力的传统数据库，未来也可能需支持多模态检索（图搜文、图搜图）以及支持 GraphRAG。另外，大部分企业还是存在不同程度的数据烟囱现象，数据分散、未标注、归集难、管理复杂是用户普遍会遇到的问题。建立端到端的自动化数据集成管道，减少跨数据存储库的数据集成工作，能够加快应用的上线。另外，针对于智能体数据反馈、数据回流、模型与数据集管理、规则干预等功能还需进一步优化。

趋势五：成本管理和运营服务演进——全周期模型运营赋能业务价值落地

2024年，中国企业级公有云MaaS市场按调用量统计的规模仅为114万亿Tokens，而到2025年，这一数字跃升至1944万亿Tokens，同比增长约16倍。在价格与成本方面，企业Token的日均消耗正在快速增长，尤其是各类Agent类产品的出现，进一步放大了Token的使用规模。随着规模化智能的到来，提供公有云版本厂商需要关注的不是单纯降低单位Token的价格，而需结合‌任务成功率、重试率、Token 消耗效率‌综合测算，场景适配度与总拥有成本（TCO）‌才是关键衡量指标 。‌‌

运营服务能力正逐步成为大模型开发平台公有云版本差异化竞争的重要组成部分。当前众多头部技术供应商持续完善平台的模型运营配套功能，形成覆盖 AI 应用全生命周期的运营支撑体系。相关能力涵盖多模型智能调度降本、统一管控合规审计（全链路调用追踪，智能告警防超支、精细化成本归因分析），同时支持提示词调优、业务工作流持续优化、合规风险评估以及落地效果与业务价值追踪等多元模块。

随着企业 AI 应用规模化推进，用户不再仅仅满足模型能够运行，更加关注资源可控、成本可视、效果可持续迭代。完善的运营服务可以帮助企业合理规划 Token 消耗，定位成本增长点，持续优化智能体与业务流程。未来，标准化、一体化的成本管理与模型运营工具，将降低企业持续运维 AI 应用的门槛，成为平台吸引政企客户、实现商业价值落地的重要加分项。

IDC给技术提供者的建议

建议一：平台需坚持模型中立化布局，兼容多家通用与行业专用大模型，公有云与私有化版本统一适配多模态模型，规避客户厂商锁定问题。加速沉淀各垂直行业模型资产，搭建从数据治理、模型微调、RAG 到 Agent 部署运维的全链路工具链，配套低代码开发组件，帮助企业告别单纯 API 调用模式，快速完成行业场景落地交付。

建议二：将 Agent 强化学习能力作为平台核心标配功能，面向行业开源模型提供定制化知识强化训练能力。打通 MCP、工具调用等智能体底层组件，搭载超长上下文记忆、任务反思模块，构建感知、决策、执行、反馈闭环架构。依托模块化智能体组件，支撑企业搭建复杂链式任务智能体，适配业务复杂流程自动化需求。

建议三：搭建一体化企业安全管控体系，落地数据脱敏、分级权限、操作审计、模型水印、可解释性模块，全方位管控数据与模型风险。打磨私有化部署方案，深度适配国产芯片与操作系统，满足央国企、政务、金融等领域数据要求。把合规架构与私有化交付作为核心竞标优势，突破政企项目准入壁垒。

建议四：适配向量数据库、GraphRAG、多模态检索知识库构建能力，解决企业知识库搭建痛点。打造端到端自动化数据集成管线，破除内部数据孤岛，简化多源数据归集流程。完善智能体数据回流、数据集管理、规则干预功能，形成数据采集、知识加工、推理使用、迭代优化的完整业务闭环，缩短 AI 应用上线周期。

建议五：转变定价逻辑，摒弃单纯低价策略，基于 Token 利用率、任务成功率等指标核算整体使用成本。上线全生命周期运营平台，实现用量监控、超支预警、成本溯源、合规审计一体化管理。配套提示词优化、业务迭代运营服务，帮助客户管控 Token 消耗，以精细化运营服务打造产品差异化竞争力。

IDC人工智能研究经理程荫表示 ，2026年基础大模型迭代提速带动Tokens经济火热，产业化应用向垂直场景深耕，大模型开发平台迎来全面升级。未来行业将呈现五大核心趋势：模型中立兼容与全链路场景交付、Agent智能化能力成标配、安全合规及私有化部署成为政企刚需、端到端数据知识集成持续完善，精细化成本分析与运营服务等，技术供应商需要根据市场需求保持创新，持续打造平台的差异化竞争力。

进一步交流

大模型开发平台的选型窗口正在收窄——模型中立、Agent成熟度、安全合规、数据闭环和TCO管控，每一项都直接关系到未来三年的落地成本和业务弹性。这篇文章只揭示了五大趋势的轮廓，真正的决策需要结合企业自身的场景权重、数据基础和部署约束来综合判断。

IDC此次MarketScape评估已覆盖主流厂商的详细能力对比，如果您正在推进平台选型或预算规划，欢迎与我团队直接沟通，获取针对您具体场景的分析视角。 点击此处联系我们。

当概念热度转化为产业动作，真正值得追问的不再是”有没有FDE”，而是”什么样的FDE能力能够在市场中持续被识别、被认可、被买单”。

FDE（Forward Deployed Engineer，前沿部署工程师）正在中国经历从概念到实践的加速转化。近期，北京、武汉等地在加快智能体发展的专项政策中，相继将FDE明确为加速应用落地的创新模式；多家头部IT服务商、企业软件厂商、云厂商和大模型公司已相继设立FDE相关团队——政策推动与市场响应正在同步提速。

但热度并不等同于共识。IDC 观察到，中国 FDE 实践正在发生明显的分化：一部分服务商开始系统性地构建 FDE 能力体系——包括人才选拔标准、交付方法论、前线与后方的反馈闭环；另一部分则尚未与传统驻场交付形成实质性区隔。同一个”FDE”标签之下，能力模型、交付逻辑和商业实质可能截然不同。

这种分化并非中国市场独有的现象。IDC 在全球调研中注意到，部分 FDE 标签被用于包装并未实质改变交付逻辑的传统角色，这个词本身正在失去采购信号价值。中国市场对 FDE 的反应速度和参与热度可能是全球最快的之一，但这也意味着概念红利的窗口可能收窄得更快——当越来越多服务商都说”我们有FDE”，标签本身的区分度正在衰减。真正能拉开差距的，不再是”有没有”这个岗位，而是能否说清楚自己的交付逻辑与传统的实施服务有什么实质性不同。

热度之外，服务商正在面临的三重考验

FDE 的热度之下，一些更深层的结构性问题正在浮现。它们不只在单一市场出现，而是在全球范围内被反复验证——而中国市场的特殊性，又让这些问题呈现出不同的面貌。

第一重考验：技术能解决的问题，和组织接不住的结果。IDC 调研显示，全球企业实现可量化业务成果的AI项目平均占比提升至52%，值得注意的一个发现是：客户端的执行纪律、变革意愿和治理准备，往往比服务商的技术水平对落地效果的影响更为直接。这在 Agent 交付场景中尤其突出——Agent 不是部署完就结束的系统，它会在运行中持续更新，需要客户侧有人能理解、能治理、能迭代。如果服务商只管”把 Agent 部署进去”而不管”客户能不能接得住”，交付效果必然受影响。在中国市场，大量企业正处于从”试试 Agent 能做什么”向”让 Agent 跑在业务里”过渡的阶段，组织就绪度的缺口可能比全球平均水平更为显著。这对服务商是一个现实的选择：是否愿意且有能力帮助客户补上这一环？

第二重考验：FDE 天然要求结果导向，但商业模型准备好为此定价了吗？ FDE 的工作方式是从业务结果出发定义技术方案，而非从需求规格出发推演交付计划——这使它天然倾向于对业务结果负责。然而，IDC 全球调研显示，接触过结果导向定价的客户比例在扩大，但常态化应用仍然有限——客户对定价确定性的偏好，往往走在组织能力前面。中国市场的局面更为复杂——一方面，”按效果付费”已有服务商在 Agent 交付中落地实践；另一方面，大量客户仍不愿为”理解业务”的过程买单。FDE 模式要求服务商从按人头计价的逻辑中走出来，但定价能力、客户接受度和内部核算体系之间的结构性矛盾，尚未被充分讨论。

第三重考验：Agent 实施服务是 FDE 当前在中国被推向台前的场景，而不是它的来源——这块拼图要嵌入一个新版图，适配和重构是绕不开的。FDE 的火热，本质上回应的是一个市场困境：当 Agent 从”试试看”进入”真正跑在业务里”，传统实施服务的交付逻辑不够用了。需求在现场共同发现，效果在持续运行中验证，知识需要从前线反哺平台——FDE 站在这个变化的交叉点上。但它不是全部。一个服务商能否做好 Agent 交付，还要看行业深耕能力、方法论成熟度、持续运营体系等多个维度是否完整。IDC 全球研究也提示：FDE 活动范围之外的工作——治理、变革、流程再设计——恰恰是组织缺乏准备的环节。单点能力难以回答系统性问题，市场需要的是一个能够系统评估和比较 Agent 实施服务能力的参照框架。

FDE 在中国的故事刚刚开始。真正重要的，不是谁能最快喊出这个概念，而是谁能把它变成客户可感知、可验证的交付能力。

进一步交流

FDE 是 Agent 实施服务能力的一个观察切口，但远不是全部。架构设计、行业知识、治理机制、变革管理、持续运营——每一个维度都在影响最终交付质量。这正是 IDC 正在开展的《IDC MarketScape：中国 Agent 实施服务厂商评估，2026》研究所试图回应的需求。该研究将从多个维度对中国市场主要服务商的 Agent 实施服务能力进行系统性评估，旨在为行业用户和服务商提供一个完整的能力参照。更多信息，欢迎关注 IDC，也欢迎具备 Agent 实施服务能力的厂商与我们联系交流。

过去几年，大语言模型和生成式AI率先改变知识处理、内容生产和软件流程。随着多模态模型、世界模型、VLA模型和边缘AI持续发展，AI正在进入车辆、机器人、无人机、工业设备和城市设施，能力范围也从生成内容、调用软件，扩展到感知环境、规划任务和控制设备。

物理AI面对持续变化的真实环境，需要处理设备状态、空间关系、环境变化、物理规律和安全要求。系统既要形成“感知—决策—执行—反馈”的实时运行闭环，也要形成“真实运行—数据回流—模型训练—仿真验证—重新部署”的研发迭代闭环。前一类闭环影响任务能否稳定完成，后一类闭环影响产品能否持续改进并扩大应用范围。

IDC 2026年全球CEO调查显示，35.2%的受访CEO将物理AI列为未来12—24个月重点关注的新技术投资方向。资源行业的比例达到50%，制造和零售均为46%，医疗为38%。当前市场已经进入投入和生产验证并行阶段，企业普遍从任务清晰、数据可获得、收益可衡量的场景切入。

IDC认为，硬件决定系统能否稳定进入现场，软件影响学习速度、验证效率和复制能力，数据闭环负责把应用需求、软件工具和硬件执行连接起来。物理AI未来的差距，会越来越多地体现在运行数据能否沉淀为场景资产、验证用例和模型更新。

数据闭环贯穿三层产业架构

为了更系统地拆解数据闭环如何落地，IDC将中国物理AI产业划分为三层相互咬合的结构。 应用和业务层定义真实任务、运行流程和商业价值；软件基础设施层组织模型与策略、仿真验证和场景数据；硬件基础设施层提供计算、连接、供能、感知和物理执行条件。

三层围绕真实运行形成循环：应用产生任务和现场问题，硬件完成感知与执行，软件把运行数据转化为训练数据、仿真场景和验证用例，更新后的模型再进入设备和业务系统。下面逐层展开，看每一层在闭环中具体承担什么角色、当前进展到哪一步。

应用和业务层：闭环质量影响商业化节奏

任务边界、数据反馈、安全责任和投入产出，是判断场景成熟度的四项重要条件。运行问题能够被记录、复现和验证的场景，更容易进入规模部署。

智能驾驶已经形成较完整的数据采集、场景挖掘、仿真测试和版本回归流程，是当前数据闭环较成熟的物理AI场景。

具身智能终端正在从动作演示进入连续任务执行阶段。任务成功率、人工接管频率、异常恢复能力和跨环境适应能力，将逐步成为主要评价指标。

无人机和空天系统需要把飞行状态、空间环境、通信链路、任务调度、运行监管和异常处置纳入统一的运行与验证体系。

工业现场与工程装备拥有清晰的工艺、安全和成本目标。质量检测、预测维护、物料搬运、巡检、精密操作和无人作业等任务，已经开始产生可量化的效率、质量和安全收益。制造业具备流程明确、数据基础较好和指标体系成熟等条件，将继续成为物理AI的重要验证场。

智慧城市相关应用需要打通感知、分析、调度和执行。AI进入交通、设施、低空和应急等物理系统的实际运行后，才会形成更完整的物理AI能力。

无论哪个场景，应用层产生的海量运行反馈，都需要经由软件层转化为可复用的能力——这正是下一层的核心使命。

软件基础设施层：把运行反馈转化为可复用能力

软件基础设施层包括模型与策略、仿真与验证、场景数据与合成数据。三类能力通过数据闭环持续协同，决定物理AI的进化速度和规模复制能力。

模型与策略方面，世界模型仍处于多条技术路线并行发展阶段，可用于交互环境生成、状态变化预测和行动结果推演；VLA模型连接视觉、语言和动作，为机器人及自主设备生成任务策略。未来系统将更多采用分层架构，由高层模型理解任务与环境，中间层完成预测和规划，底层控制系统负责实时、稳定和安全执行。

仿真与验证方面，数字孪生、空间智能和仿真平台之间的协同正在加强。数字孪生提供设备结构、空间关系、物理参数、工艺规则和实时状态；空间智能帮助模型理解三维环境和对象关系；世界模型扩展场景生成、状态预测和策略探索；仿真平台承担测试、回归和安全验证。虚拟环境由此可以覆盖训练、方案推演、系统测试和运行优化。

场景数据与合成数据方面，物理AI需要的数据已经从单帧图像和单点记录，扩展到包含时间、空间、设备状态、动作过程和执行结果的连续场景数据。真实运行中的故障、接管、任务失败和高风险事件，需要经过筛选、标注和结构化处理，沉淀为可检索、可复现和可重复使用的场景资产。

数据闭环将分散的模型、数据和仿真工具连接成持续研发体系。任务覆盖度、异常覆盖度、问题复现率、回归关闭率和跨版本一致性，将逐渐成为物理AI软件平台的重要评价指标。物理AI软件平台商业模式也会从单次工具采购，延伸到场景资产管理、模型生命周期管理、持续验证和安全证据链服务。

软件层的一切优化最终都要回到物理世界中验证，而硬件层正是这个闭环的起止点。

硬件基础设施层：连接真实数据与物理执行

硬件层包括能源电力、算力和IoT/OT连接基础设施。云端承担模型训练、批量仿真和数据处理，边缘节点负责现场协同与模型管理，设备端完成实时感知、推理和控制。

传感器、摄像头、雷达和设备运行系统提供真实环境数据，控制器和执行器负责把模型判断转化为物理动作。硬件层既是数据闭环的起点，也是系统执行结果的出口。

涉及车辆制动、机器人避碰和工业安全的关键任务，还需要保留本地执行、故障降级、冗余控制和人工接管能力。

中国在设备制造、通信网络、能源系统和工程实施方面具备较好基础，高端AI芯片、工业级传感器、核心零部件和复杂环境可靠性仍需持续提升。

三层架构完整就位之后，真正的挑战不在于单点突破，而在于如何让闭环从技术层面延伸到行业应用层面。

展望：从技术闭环走向行业闭环

未来几年，世界模型仍将保持多条技术路线并行，数字孪生、空间智能、仿真平台、合成数据和真实运行数据之间的连接会继续加强。模型能力的提升将扩大系统可以完成的任务范围，验证体系则负责控制进入真实环境的速度和风险。

中国拥有丰富的制造、城市运行和机器人应用场景。下一阶段需要提高软件平台的产品化水平，推动场景数据跨项目复用，加强设备接口协同，并建立覆盖模型、硬件和运行过程的评测与验证体系。

物理AI的市场差距将更多体现在系统学习效率、验证可信度、长期运行能力和跨场景复制能力。企业能否把现场问题快速转化为场景资产、验证用例和模型更新，将影响其产品迭代速度和规模化能力。

IDC将持续跟踪物理AI技术、市场和生态变化，并通过“物理AI+行业场景”的研究方式，重点关注制造业、城市物理系统和具身智能等方向，进一步分析技术架构、市场机会、厂商格局和产业化路径，为技术供应商和行业用户提供持续参考。

进一步交流

如需了解物理AI架构评估、场景落地路径或数据闭环能力诊断等研究方向，欢迎联系IDC中国物理AI与行业智能化研究团队。我们将安排对应行业分析师与您深入沟通，提供定制化决策参考。