第三季度中国平板市场出货量同比下降22.3%,成本压力加速向需求端传导,市场调整幅度进一步扩大。消费市场受涨价影响持续收缩,商用市场则在需求前置后逐步回归常态,厂商竞争及市场需求结构也随之发生变化。

国际数据公司(IDC)发布了2026年第三季度中国平板电脑市场季度跟踪报告。数据显示,2026年第三季度,中国平板电脑市场出货量为660万台,同比下降22.3%。伴随成本上涨压力充分向销售端传导,市场出货量降幅较上半年显著扩大,单季度出货量在连续12个季度后首次低于700万台,降幅也创下2020年第一季度新冠疫情以来的最大值,市场首次迎来同比双位数下滑。

从市场表现来看,第三季度有三个值得关注的变化:一是消费与商用市场的表现背离仍在延续,但商用市场增长恐难持续;二是头部厂商格局相对稳定,中游厂商份额继续提升;三是成本上涨推动市场需求加速分化,入门级市场收缩与中高价位段升级同步发生。

消费市场涨价导致销量折损,商用市场库存补充进入尾声

2026年第三季度,中国消费与商用平板市场出货量继续呈现背离趋势。消费平板出货量同比下降24.9%,伴随头部厂商接连上调产品售价,市场均价环比提升8.6%,价格上涨对消费者购买意愿的抑制进一步显现。

商用平板市场出货量同比增长9.6%。作为教育行业需求高峰期,7、8月厂商继续加码教育市场布局,但9月需求已明显减弱。与此同时,华为、荣耀自7月起上调商用平板售价,也对后续市场需求带来压力。随着前期需求前置及渠道库存补充逐步进入尾声,商用市场增长势头预计难以延续。

竞争格局稳中有变,厂商持续调整产品布局以缓和涨价压力、寻求增长轨道

2026年第三季度,中国平板市场前五厂商排名与上一季度保持一致,但中游集团市场份额继续提升。成本上涨背景下,厂商在产品结构、渠道布局及价格调整节奏上的差异进一步显现。

  • 华为继续位列市场第一。尽管其消费及商用平板均迎来较大幅度的价格上调,但凭借鸿蒙生态互联能力、品牌影响力及完善的渠道布局,华为仍保持市场领导地位。与此同时,华为平板产品迭代持续推进,接续产品配置较上一代明显升级,带动产品结构优化。
  • Apple位列市场第二。6月底Apple上调其平板产品售价,导致第三季度出货量同比下降27.2%。价格上涨削弱Apple平板的竞争力,市场规模承压的同时,其产品结构也明显向低价数字版机型倾斜。
  • 联想位列市场第三,出货量同比增长33.2%,是前五厂商中唯一实现增长的厂商。消费市场方面,小新系列保持性价比优势的同时拯救者系列快速发展,第三季度出货量占比接近半数;商用市场出货节奏相对稳定,价格优势逐步回归,市场份额升至第一。
  • 小米位列市场第四。伴随平板9系列新品上市,小米市场份额企稳回升。其中,小米平板9 Pro Max凭借自研芯片玄戒O3首发优势获得较好的市场反馈,提升品牌声量的同时,也推动了小米平板价位段向上拓展。
  • 荣耀延续市场第五位。消费市场受成本上涨冲击持续收缩,季度新品平板X10 Pro Max凭借价格优势及教育场景拓展,帮助荣耀拓展13英寸及以上大屏市场布局;商用市场则在教育采购高峰期下延续高速增长,并通过配置调整优化产品价格。

市场需求加速分化,入门级市场收缩,中高价位段需求上移

受成本上涨影响,平板产品价格逐步抬升,部分厂商被迫放弃入门级价位区间,千元以下入门级市场规模同比缩减51.4%。与此同时,中高价位段份额持续提升。2026年第三季度,中国平板市场3000元及以上机型出货量占比约为45%,环比提升近10个百分点。

当前背景下,中高价位段需求拓展主要来自两类场景:一是结合大尺寸屏幕及PC级生态迁移的轻办公与学习场景,二是以小尺寸产品为代表的电竞及随行场景。伴随价格持续上涨或盘踞高位,厂商迫切需要通过性能、生态及场景体验提升平板的产品价值,为中高端产品创造更充分的溢价空间。

IDC结论及展望

2026年第三季度,中国平板市场出货量迎来双位数下滑,成本上涨对市场的影响进一步放大。消费市场需求明显收缩,商用市场也逐步进入前期需求释放后的调整阶段,整体市场面临较大压力。

IDC预计,此轮成本压力将持续至2028年,2026年第四季度及2027年中国平板市场出货量规模将面临较大挑战。价格上涨导致消费者换机决策更加谨慎,厂商也需要重新评估产品迭代节奏、市场备货及销售目标,以平稳驶过不确定性较强的市场阶段。

与此同时,市场也将在本轮调整中进一步推动平板产品的场景化布局,围绕核心用户群体挖掘细分需求,加快AI能力与实际应用场景的融合,持续提升平板产品的价值定位,为后续市场复苏与增长拓展新的空间。

进一步交流

本文数据及观点均源自IDC《中国平板电脑市场季度跟踪报告,2026Q3》。如需了解细分价位段、渠道库存、行业垂直场景等详细数据,或针对特定厂商策略进行定制化分析,敬请联络IDC中国终端系统研究团队。请点击此处与我们联系。

Quorra Liu

Quorra Liu - Research Manager

Quorra Liu is a Research Manager for the Client Systems Research team at IDC China. She is responsible for China's smart home device research. Her responsibilities include tracking the monthly and quarterly market development, conducting research in fully managed services market,…

大模型技术的快速演进正在重构 AI 产业生态:在催生 MaaS 等新兴市场的同时,亦为计算机视觉、语音语义、机器学习平台等传统AI赛道创造了新的需求场景与增长动能。

国际数据公司(IDC)于近日发布了《中国AI软件市场半年度追踪,26H1》报告。研究显示,大模型正在以不同方式影响各细分市场:

  • 在计算机视觉领域,大模型更多应用于研发流程优化和泛化场景理解,与传统视觉模型形成互补;
  • 在语音语义领域,大模型加速向会议纪要、翻译、智能客服等应用场景渗透,推动产品能力升级;
  • 在机器学习平台领域,企业基于自有数据的大模型训练与推理需求持续释放,推动平台市场稳步扩容,成为新的增长动力。

整体来看,传统 AI 能力作为企业智能化建设的底座,保持稳健发展;大模型的兴起则为既有市场注入新的技术活力与商业机会,开启新一轮增长周期。

计算机视觉市场稳健增长,大模型与专用模型协同发展

IDC数据显示,2026年上半年,中国计算机视觉私有化市场同比增长16.8%,规模达到43.2亿元。公安、城市治理等领域仍是市场的重要应用场景,视频监控、目标识别、行为分析及城市事件管理等需求持续支撑市场发展。

从技术应用来看,计算机视觉市场仍以专用小模型和传统视觉算法为主。在人脸识别、车辆识别、目标检测、工业质检等对识别精度、响应速度和稳定性要求较高的任务中,经过行业数据训练和场景优化的专用模型仍具备明显的应用价值。尤其在大规模摄像头接入、实时视频流分析等场景中,模型推理效率、算力成本和部署能力仍是项目落地的重要考量。

与此同时,大模型正在为计算机视觉市场带来新的能力增量。一方面,多模态大模型增强了对图像和视频内容的语义理解能力,可以处理传统视觉模型难以覆盖的复杂、开放式任务;另一方面,智能体开始进入视觉AI的研发和业务流程,辅助完成需求理解、数据处理、模型调用及任务编排等工作。

市场格局上,商汤科技以19.5%的市场份额位居第一,依托深厚的视觉算法积累及城市级视觉AI平台能力,在公共安全、城市治理等领域保持领先。其积极推动多模态大模型与专用视觉模型协同,由大模型负责复杂事件理解、分析研判和任务规划,传统模型承担人脸识别、目标检索等专业任务,并开始探索将智能体应用于案件侦查及视觉AI研发流程。海康威视以16.5%的份额位列第二,凭借视频监控领域的硬件与软件整合优势,以及广泛的行业渠道网络,在安防和城市治理领域占据重要地位;创新奇智以10.2%的份额位居第三,聚焦工业视觉质检、产线安全监测等场景,持续拓展制造业应用。

大模型重塑语音语义市场,驱动产品能力升级

2026年上半年,中国语音语义私有化市场规模达到约62.0亿元,成为大模型技术渗透较为深入的AI私有化市场。

大模型正在推动语音语义能力向更复杂的业务场景延伸。在智能客服领域,应用从传统的关键词匹配、固定问答和语音机器人,向融合企业知识库的多轮对话、坐席辅助和业务流程自动化升级,智能体进一步推动客服从被动应答向主动服务转变。在会议和翻译场景,大模型则推动产品从语音转写向会议摘要、重点提炼和实时跨语言交互延伸。

市场格局上,科大讯飞以15.6%的份额位居第一,依托语音技术积累和星火大模型本地化能力,深耕政务、教育、医疗;百度持续升级语音能力,引入大模型与行业知识库,推动语音交互向智能问答、业务办理和辅助决策延伸,支持政务热线、金融客服等场景的智能化升级,以14.7%的市场份额位列第二。

AI应用公有云市场持续发展,数据治理与利用是大模型落地关键

IDC数据显示,2026年上半年,中国AI应用公有云服务市场规模达到67.0亿元。随着大模型加速渗透,AI应用公有云服务的竞争重点不仅强调模型能力本身,更强调对企业业务上下文的理解,以及对数据和知识资产的有效利用。对于厂商而言,产品能力需要从融合大模型能力进一步延伸至理解用户业务流程、连接企业数据与知识库,帮助客户将分散的数据和知识资产转化为可调用的业务能力。对于企业用户而言,大模型应用的效果不仅取决于模型本身,也取决于自身数据治理和知识梳理的成熟度,建立规范、可用、持续更新的数据与知识体系,将成为释放大模型应用价值的重要基础。

市场格局方面,百度以32.5%的市场份额位居第一,持续升级语音与视觉产品,并通过端到端语音大模型、多模态视觉智能体等产品拓展复杂交互和视频理解能力;阿里巴巴以25.7%的份额位列第二,依托通义模型体系,持续丰富语音、音频及图像生成等多模态云服务;腾讯以21.2%的份额位居第三,持续升级语音识别、实时翻译及视觉AI服务,并探索大模型在内容理解和交互场景中的应用。

大模型训练推动机器学习平台市场增长

机器学习平台公有云服务市场:

生成式AI应用加速落地、Agent从单轮交互向复杂任务执行演进,以及企业基于自身业务数据开展模型后训练的需求,共同推动机器学习公有云市场持续增长。2026年上半年,中国机器学习平台公有云服务市场规模达到53.0亿元。

从需求侧看,具备数据资源、业务场景和技术积累的头部企业,尤其是互联网、汽车、游戏等行业企业,对模型自主训练和定制化开发的需求更为旺盛,持续加大相关资源投入。从厂商侧看,市场竞争的核心在于算力供给能力与资源利用效率。厂商不仅需要具备高性能、大规模算力集群的供给能力,还需要通过分布式训练、集群调度及训推优化等技术提升算力利用率、降低模型训练成本,从而形成竞争优势。

阿里巴巴依托PAI平台,构建覆盖数据准备、模型训练、微调及推理部署的一站式工具链,并通过灵骏智算集群及训练、推理加速技术,提升大规模训推效率,以47.5%的市场份额保持领先。华为依托昇腾AI芯片及ModelArts平台,构建软硬协同的训推体系,覆盖模型训练、强化学习及推理部署,在大规模集群管理和算力适配方面具备优势。亚马逊云科技依托全球GPU资源,提供大规模模型训练和推理服务,为企业出海提供支持。

机器学习平台私有化市场:

在数据安全与合规要求严苛的金融、政务行业,以及业务逻辑高度定制的零售领域,企业的模型训练与数据应用必须立足自有环境展开,这一刚性约束持续驱动私有化机器学习平台在这些行业的渗透与放量——平台嵌入风控、审批、营销等核心流程后成为常驻基础设施,客户基于它反复训练行业专属模型、持续沉淀可复用的 AI 资产,先发厂商的工程化能力与行业 Know-how 也随交付项目不断累积,构成后来者难以复制的壁垒。在此驱动下,2026年上半年,中国机器学习平台私有化市场规模达到13.0亿元。

市场格局方面,范式智能依托先知 AIOS 平台与 AutoML 核心技术,深耕金融、零售、制造等行业的私有化 AI 落地,以 45.3% 的市场份额位居市场第一。华为聚焦政务、金融、能源等强合规行业的客户,以 20.6% 的份额稳居市场第二。

分析师观点

IDC中国高级分析师洪婉婷表示,随着大模型加速渗透,传统AI市场正迎来新一轮价值重构。大模型并非对传统AI能力的简单替代,而是通过增强复杂场景理解、业务交互和任务编排能力,与专用模型形成互补,拓展AI应用边界。未来,市场竞争将不再局限于单一算法或模型能力,而是更加考验厂商对行业场景的理解、数据与知识资产的整合,以及产品工程化和规模化交付能力。能够将技术优势转化为可持续业务价值的厂商,将在新一轮市场竞争中占据优势。

进一步交流

如希望就《中国AI软件市场半年度追踪,26H1》定义、厂商份额及采购评估框架进一步交流,欢迎与我们联系。

Catherine Hong

Catherine Hong - Senior Market Analyst

Ms. Catherine Hong is served as the role of Senior Market Analyst in Emerging Technology sector for IDC China, and her main responsibility is conducting analysis and research for the China Blockchain market. She is also in support of regional…

人工智能正以前所未有的速度走向规模化应用。从大模型训练到智能体(AI Agent),AI正在融入更多企业的日常业务,推动全球算力需求持续增长。

但一个值得关注的现象是:AI需求不断增长的同时,全球数据中心供给却面临电力、设施建设及关键技术供应链等多重约束。IDC在2026年10月发布的《AI Is Short of Capacity, Not Demand》一文中指出,未来一段时期内,影响AI基础设施增长速度的主要挑战之一,可能不是需求不足,而是供给能否及时跟上。

与此同时,中国数据中心市场也在快速发展,但不同地区、不同类型运营商的供需情况存在差异。全球数据中心市场正在发生哪些变化?这些变化又会为中国数据中心运营商和技术供应商带来怎样的新机会?这些成为我们面临的新课题。

AI从模型训练走向规模化,数据中心需求逻辑发生转变

过去几年,生成式AI的发展主要围绕大模型训练展开。而随着AI进入企业业务流程,推理和智能体应用正在成为推动基础设施需求增长的新动力。

IDC于2026年7月开展的Future Enterprise Resiliency and Spending(FERS)调研显示,95.3%的受访企业已有至少一个智能体工作流投入生产环境,平均每家企业拥有约11个此类工作流。IDC同时预测,到2030年,全球智能体数量将达到25亿。

随着智能体能够调用工具、执行多步骤任务并相互协作,单次业务活动可能产生远高于传统问答应用的Token消耗。即使模型效率提升、Token单位成本下降,应用范围和调用规模的扩大,仍可能推动AI基础设施总体需求持续增长。

这一趋势在中国市场也有所体现。国家数据局披露,2026年3月中国日均Token(词元)调用量已超过140万亿,较2024年初增长超过千倍。快速增长的Token消耗表明,AI正从技术探索进一步走向规模化应用。

但Token调用量的增长,并不意味着数据中心电力容量将按相同比例增长。模型效率、硬件性能、资源利用率及部署方式的变化,都会影响最终的设施需求。

对于数据中心厂商而言,值得关注的是:未来的需求将不仅来自大型云服务商,还可能来自专业AI算力服务商、行业企业及更多持续运行的AI应用。

全球算力设施持续扩容,能源配套与供应链协同承压

AI应用需求的扩大,正在推动全球数据中心设施进入新一轮增长周期。

IDC《全球半年度数据中心设施跟踪报告》(Worldwide Semiannual Datacenter Facilities Tracker)数据显示,全球已配置机柜数量预计将从2026年的约2,500万架增长至2030年的5,800万架。同期,全球数据中心年度能源消耗预计将从2025年的519太瓦时(TWh)增长至2030年的1,308太瓦时。

与此同时,全球数据中心设施资本支出预计将从2025年的2,760亿美元增长至2030年的6,550亿美元。这一统计不包括服务器、GPU等IT基础设施投入,主要反映电力、制冷、建筑等物理设施的建设需求。

这些数据表明,AI基础设施扩张不仅是计算设备规模的增长,也需要庞大的物理设施与能源资源支撑。

然而,设施供给的增长并不总能与需求保持同步。

IDC研究指出,电力供应、电网接入以及数据中心建设能力,可能成为全球部分市场近期增长的重要制约因素。与此同时,关键电力设备、液冷及相关供应链的交付周期,也正在影响新增设施的建设进度。

这一变化反映出,全球AI基础设施产业链正在面临新的协调挑战:上层AI应用快速发展,但支撑这些应用的电力、机电设施及工程交付能力,需要更长时间才能形成。

对于数据中心技术供应商而言,全球设施规模和能源需求的持续增长,将带来更广泛的市场需求,同时也对规模化供应、技术协同及项目交付提出新的要求。

全球算力供给分化,中国数据中心市场呈现结构性差异

全球数据中心供给面临约束,并不代表所有地区都处于供不应求的状态。

IDC全球研究指出,部分地区的资源紧缺可能与其他地区的容量利用不足同时存在。AI基础设施面临的不仅是总体供给规模问题,还包括不同市场之间的需求与资源匹配问题。

这一观察对中国市场尤其具有参考价值。根据工业和信息化部2026年7月披露的数据,截至6月底,中国智能算力规模已达到2,185 EFLOPS(FP16),同比增长177%,全国算力设施整体上架率为71.4%。这反映出中国算力基础设施规模持续增长,同时,资源利用状况仍然是观察市场发展的重要维度。

例如,近期国内关于智算中心利用率和运营效益的讨论不断增多。这些讨论提示我们,数据中心市场不能仅从新增项目数量或总体建设规模判断增长机会,还需要观察不同区域和细分市场的实际需求。

值得注意的是,中国数据中心市场的参与者结构具有自身特点。三大电信运营商、第三方数据中心设施服务商,以及超大规模云服务商,构成了重要的供给主体。不同类型企业拥有不同的客户基础、业务模式和设施布局。

与此同时,AI基础设施的需求主体也在发生变化。

IDC全球研究观察到,除传统超大规模云服务商外,专业AI云服务商(Neocloud)、前沿模型厂商,以及具有大规模AI需求的企业,正在成为新的基础设施采购力量。AI工作负载也正在向云、私有环境、边缘及专用AI基础设施等多种部署形态扩展。

对于中国市场而言,这意味着未来设施需求的增长,可能通过不同类型的服务提供商和客户群体逐步体现。因此,中国数据中心市场需要关注的,不只是整体需求增长速度,还包括需求来源、服务提供方式以及运营商竞争结构的变化。

全球AI设施加速扩容,中国产业链迎来本土与出海双机遇

全球 AI 基础设施持续扩张,正从需求端、供给端对数据中心产业链各类参与者带来深远影响,不同角色的市场机遇与关注点各有侧重。

对于数据中心运营商,客户结构、业务需求正在发生显著变化,需要持续跟踪大型云厂商、专业 AI 算力服务商以及行业客户的设施诉求,研判各区域市场的容量增长节奏与竞争格局。

面向电力、制冷、机电等基础设施技术供应商,全球机柜规模、能源需求持续上行,直接拉动供配电、散热、配套系统的市场增量。企业不能仅聚焦单个项目设备招投标,更要把握全球设施建设大势,跟进不同类型客户的需求演变。

对于云与 AI 算力服务商,伴随 AI 应用规模化落地,设施资源获取、选址布局、合作伙伴选择,已经成为支撑业务持续扩张的关键要素。

全球不同区域 AI 基础设施供给不均衡,会驱动算力需求在地区间、服务商之间发生转移。这一格局变化,也为国内数据中心产业链打开国际化空间。

当前国内运营商、机电温控等技术厂商已经开始布局海外;东南亚、中东等区域数据中心建设需求旺盛,中国企业可输出国内沉淀的规模化建设、成套配套与工程交付经验。

同时海外市场存在差异化挑战:各国电力条件、建设监管、客户诉求、本地化服务要求差异明显。企业出海前,需要充分研判目标市场发展阶段、设施增长趋势以及本土运营商布局,因地制宜开展业务。

从全球趋势到市场判断:持续追踪数据中心设施变化

全球 AI 基础设施高速发展,具备连续性、可比性的市场数据价值愈发凸显。

对数据中心运营商与技术供应商而言,掌握全球机柜、电力容量增长趋势仅是基础;各区域供给动态、头部运营商布局、竞争格局与远期建设规划,同样深刻影响企业业务规划与市场研判。

IDC《全球半年度数据中心设施跟踪报告》以物理基础设施为核心,持续监测重点区域的数据中心数量、机柜规模、电力容量、能耗、碳排放及基建资本开支等核心指标。

区别于以服务收入为核心的传统研究,该项研究从业主与运营主体视角观测设施供给格局,依托标准化口径与半年更新机制,助力产业把握全球数据中心设施趋势,也为国内相关企业研判海外市场、挖掘出海机会提供参考。

AI 规模化落地持续推动数据中心市场演变,供需变化与主体策略值得长期跟踪;设施、电力及供应链配套能力,将影响全球 AI 产业发展节奏。IDC 将持续追踪全球及中国数据中心设施市场,依托设施跟踪研究,为产业链各方提供数据与行业洞察。

进一步交流

如果您希望深入了解全球及中国数据中心、中国智算中心的变化与趋势,欢迎点击这里,与我们联系!

Cindy Xin

Cindy Xin - Research Director

Cindy Xin is research director at IDC for the channels and partner ecosystems research practice. Based in Beijing, she is responsible for leading and developing the Greater China channels research practice. Cindy provides thought leadership and insights to technology vendors…

随着人形机器人和具身智能的发展,灵巧手的竞争正从自由度、抓握力等硬件参数,延伸至精细操作、感知控制及与具身智能模型的协同能力。当前,人形机器人配套、科研教育和具身智能数据采集是值得关注的主要需求方向,工业等应用仍处于探索阶段。未来,灵巧手市场不会仅由某一种驱动路线决定,厂商能否将硬件、模型、数据与操作技能有效结合,并在真实任务中实现稳定、可靠且具有成本效益的操作,将影响其商业化进程。

IDC预计,2026年全球灵巧手出货量约2.5万台,不含厂商向自有机器人产品的内部配套出货。其中,中国厂商出货量占全球市场的比例预计超过85%,在全球灵巧手市场中占据重要地位。随着人形机器人研发、具身智能数据采集及科研教育需求持续释放,灵巧手市场仍处于发展初期,其后续增长将受到机器人应用进展、产品成本及商业化落地速度等因素的共同影响。

从自由度到操作能力,技术竞争不止于硬件参数

目前,灵巧手主要采用腱绳驱动、直驱、连杆驱动及混合驱动等技术路线。不同方案在结构紧凑性、灵活性、力量传递、成本和维护等方面各有取舍,尚未形成统一的技术方向。技术路线的选择不仅取决于硬件设计,也与目标任务和应用需求密切相关。

在硬件参数之外,触觉感知和操作控制同样值得关注。巧手需要感知接触状态、作用力及物体变化,并据此调整动作。目前,触觉传感器在信号稳定性、一致性和感知精度等方面仍有改进空间。自由度较高并不必然意味着操作能力更强,感知与控制能力同样重要。

目前,灵巧手正逐步从自由度、抓握力等单项指标,延伸至可控性、精细操作能力,以及与机器人本体和具身智能模型的协同表现。未来,不同技术路线的竞争结果,可能更多取决于其对具体任务的适配程度,而非单一参数的高低。

灵巧手需求集中于人形机器人配套与科研,工业应用落地仍需验证

当前,人形机器人配套、科研教育,以及具身智能模型研发与数据采集是灵巧手的主要需求方向。与此同时,工业制造、物流等场景也在探索灵巧手的应用潜力,特别是在复杂抓取、物体姿态调整和多品种操作等任务中。相比之下,工业制造、商业服务等场景仍处于应用探索阶段。

在复杂抓取、物体姿态调整和多品种操作等任务中,灵巧手具有一定的应用潜力,但并不意味着能够全面替代传统夹爪。对于物体形态固定、任务重复性高、节拍要求严格的生产环节,传统夹爪往往具有结构简单、成本较低和易于维护等优势。灵巧手的价值更多体现在需要多指协同、精细接触或较强操作灵活性的任务中,其实际优势仍需结合具体工艺进行评估。

从研发样机走向持续运行,灵巧手仍需解决可靠性、环境适应性和维护成本等问题。复杂的机械结构、多关节驱动及传感器集成增加了设计与维护难度,粉尘、接触磨损及长期运行也可能影响产品表现。对于实际应用而言,单次成功完成动作并不足够,用户更关心机器人能否在真实环境中持续、稳定地完成任务,以及由此带来的效率提升能否覆盖设备、维护和集成成本。

灵巧手商业化的关键关键不只是能否完成特定动作,更在于能否在真实场景中稳定运行并持续完成任务。

灵巧手未来三年将从“路线探索”进入“工程化竞争”

IDC认为,未来三年灵巧手市场的竞争将围绕以下几个方向展开。

市场需求将从研发与数据采集向具体任务应用拓展。 短期内,科研教育、人形机器人配套及具身智能数据采集仍是值得关注的需求方向。随着机器人应用探索深入,工业制造、物流、服务等场景则需要进一步验证其实际应用价值。灵巧手能否在复杂抓取、精细操作和多品种作业中体现出相较传统夹爪的优势,将影响其应用拓展速度。

技术竞争从硬件参数转向结构设计与综合操作能力。 腱绳驱动、直驱、连杆驱动及混合驱动各有适用条件,短期内不同技术路线仍将并存。产品竞争不仅取决于自由度和抓握力,还涉及电机、电控、减速器、丝杠等核心部件的设计与优化,以及结构紧凑性、驱动性能和可靠性之间的平衡。在此基础上,视触觉感知、精细控制及与机器人本体和具身智能模型的协同能力,也将影响灵巧手的实际操作表现。单纯增加自由度,并不必然带来更好的操作效果。

竞争从硬件本体向模型、数据与技能协同延伸。除灵巧手本体外,操作模型、数据资源、技能库及开发工具也逐渐成为厂商布局的组成部分。这些能力有望帮助用户开展模型训练、任务开发与技能复用,减少应用开发工作。未来,厂商之间的差异不仅体现在硬件性能上,也将体现在能否将硬件、模型、数据和技能有效结合,以及能否将这些能力转化为稳定的任务执行效果。

可靠性、成本和交付能力将影响市场竞争格局。 随着用户从研发测试走向实际应用,灵巧手厂商需要解决长期运行、产品一致性、维护和成本控制等问题。专业灵巧手厂商、本体厂商自研团队及传统末端执行器厂商将继续参与市场竞争,但不同类型厂商的优势和商业化路径可能有所差异。

总体来看,未来三年灵巧手市场仍将处于多种技术路线并存、应用持续验证的阶段。行业竞争的关键不在于某一种驱动路线率先胜出,而在于厂商能否围绕具体任务,将结构设计、核心部件、感知控制、模型和数据有效结合,并在操作性能、可靠性与综合成本之间取得平衡。 灵巧手能否从研发与测试走向更广泛的商业应用,最终仍需由真实场景中的任务表现来检验。

IDC相关研究

灵巧手正处于从“技术路线探索”向“工程化竞争”过渡的关键拐点。在这条拥挤的赛道上,谁能率先跨越软硬件协同与商业化落地的鸿沟,谁就能掌握下一阶段的主动权。

作为全球领先的IT市场研究与咨询机构,IDC在机器人、具身智能及核心零部件领域拥有深厚的研究积累。我们不仅关注底层技术路线的演进,更致力于帮助客户洞察商业化落地路径、市场规模预测及竞争格局。

针对灵巧手市场,IDC可为您提供:

  • 市场全景洞察:全球及中国灵巧手出货量预测与需求结构分析。
  • 技术路线评估:腱绳/直驱/连杆等不同驱动路线的优劣势比对与适配场景研究。
  • 竞争格局研判:头部厂商及跨界玩家(本体厂商、传统夹爪厂商)的战略布局与优劣势分析。
  • 定制化咨询:面向投资机构、本体厂商及终端客户的定制化市场进入策略与尽调支持。

进一步沟通

IDC将持续关注灵巧手市场的需求变化、技术路线、厂商布局与应用进展,并通过后续研究进一步分析其市场规模、竞争格局及商业化趋势。如需了解更多IDC机器人研究内容或定制化市场分析,欢迎与IDC中国分析师团队联系。请点击此处与我们联系。

Lily Li

Lily Li - Research Manager

Lily is the Research Manager for China Robotics and Embodied Intelligence, specializing in market research on embodied intelligent robots. She has long focused on the development trends of China’s embodied intelligence robotics industry, systematically studying the evolution of robot hardware,…

五家代表厂商入选,行业整体仍处发展早期,可靠性与工程闭环能力成核心竞争标尺

工业AI正在进入 “ 价值兑现” 的深水区,工控编程作为工业自动化领域门槛最高、价值最厚重的场景之一,正成为工业智能体落地的核心攻坚方向。随着生成式 AI 与智能体技术向运营技术(OT)领域渗透,工控智能体正从早期的代码补全、问答助手,逐步演进为可调用专业工程软件、交付可验证工程资产的工程协作者。

国际数据公司(IDC)于近日发布首份《中国工业控制智能体技术评估,2026》(Doc#CHC54370326,2026 年 10 月)报告。报告首次对中国市场工控编程智能体产品开展系统性技术评估,从工程能力、产品能力、业务价值、交付保障四大层面共十一项核心维度切入,对倍福、华龙讯达、万昇智能、西门子、远舢智能(按照拼音首字母顺序排列)五家代表厂商的产品进行深度评估,并给出行业平均能力基准,为制造企业选型与厂商产品迭代提供参考依据。

一、工控智能体重新定义工程交付范式

IDC 将工控智能体定义为:面向可编程逻辑控制器(PLC)、分布式控制系统(DCS)、监督控制和数据采集(SCADA)等相关工程控制软件,能够理解工艺需求、点位表、图纸和既有工程上下文,调用工程工具完成控制代码、硬件配置、人机界面(HMI)/SCADA 资产、验证和交付任务,并在人类工程师监督下形成可审查闭环的工业智能体。

其核心价值不只是生成一段结构化文本代码,而是系统性减少工程师在需求整理、对象创建、批量变更、编译修复、测试和文档交接中的重复劳动,重塑工程交付的效率边界。

当前中国工控智能体市场仍处于早期发展阶段。市场上产品名称虽普遍使用 Copilot、CoAgent 或 Agent,但实际能力边界差异显著:部分产品已形成正式商业版本并实现全球销售,部分处于客户试用阶段,还有部分方案仍以内部测试、定制项目形式验证能力。本次评估划定的核心市场边界为:产品是否能够生成可导入、可编译、可验证和可维护的控制工程。

二、十一项维度立体评估,五家厂商代表四条技术路径

本次评估围绕 “能否把工控编程能力、工程化能力和实际价值连接为可交付的工程闭环” 这一核心命题,设置十一项独立评分维度,覆盖工程需求与项目理解、控制代码与工程资产生成、工具执行与工程闭环、验证质量与工程可靠性、工程集成与开放扩展、安全可信与变更治理、产品化成熟度、工程与生产运营协同、实际应用与价值验证、部署与使用体验、客户服务与交付保障。所有维度采用 1-5 分独立评价,不设置权重、不计算综合分,聚焦产品当前可交付、可验证的真实能力。

本次研究从工控、工业软件与智能体供应商中筛选出五家具备中国市场产品与项目基础的代表厂商,对应行业四条主流产品演进路径:

  • 原厂 IDE 深度集成路径:西门子 Eigen Engineering Agent、倍福 TwinCAT 3 CoAgent for Engineering,依托原生工程软件生态实现深度工程操作
  • 原生智能体驱动工程平台路径:万昇智能 WasomCodeX V2.0,以智能体为中心重构工业 IDE 与工程工作流
  • 跨品牌场景化方案路径:远舢智能 INOS Claw 智立方,面向异构存量工厂提供跨系统、跨行业的场景化智能体方案
  • 自主控制器 + 原生工程环境路径:华龙讯达 JIC IAP 内置 AI 智能编程助手,基于自有控制器与开发环境形成全栈协同

整体来看,领先产品已经能够在明确的平台与任务边界内显著提升工程效率,并开始从 “回答代码怎么写” 走向 “在工程环境中完成完整任务”。

三、行业平均基准:基础能力初具,工程闭环仍是核心短板

基于全市场广泛调研形成的行业平均能力基准显示,当前中国工控智能体整体仍处于发展早期:需求理解、基础代码生成和传统服务支持已形成初步能力,但多数产品仍停留在建议输出、片段生成或有限工具调用阶段。工程执行闭环、独立行为验证、异常与回归测试、标准化商业产品形态以及可量化的投资回报,是当前行业最突出的能力短板。

IDC 2026 年离散制造业智能体功能调研数据显示,制造企业评价智能体时,82% 的受访者优先关注可靠性,70% 关注任务准确率,均显著高于对生成速度的关注。在工控场景中,控制程序直接关联设备运行、生产节拍与人员安全,“可靠、可审查、可回滚” 是产品从演示 Demo 走向生产级应用的核心前提。

四、五大趋势定义工控智能体下一阶段演进

IDC 判断,未来 2-3 年工控智能体将从以代码建议为主的辅助工具,逐步演进为能够理解工程目标、调用多类工具并交付可验证结果的工程协作者,市场将呈现五大核心趋势:

1. 工程 IDE 向 “智能体友好型” 演进,开放生态成关键变量

原厂编程 IDE 将从面向工程师图形化操作,同步升级为支持智能体可靠调用的开放平台。命令行接口(CLI)、应用程序接口(API)、软件开发工具包(SDK)、模型上下文协议(MCP)及稳定对象模型,将全面覆盖项目读取、对象创建、差异比对、编译测试、版本管理与失败恢复,并配套细粒度权限与审计能力。开放程度将直接决定产品能否融入企业已有的 AI 工具链。

2. 工程知识资产化,多模态工程闭环释放长期价值

企业积累的标准功能块、设备模板、命名规范、画面库、工艺包与历史缺陷库,是工控智能体最核心的差异化资产。产品竞争将从 “生成代码的能力” 转向 “理解与复用客户工程资产的能力”;读取图纸、文档只是起点,更高价值在于将多模态工程资料转化为可追溯的 PLC 变量、I/O 配置与 HMI 对象,实现增量更新的完整工程闭环。

3. 历史项目复用与跨平台迁移,成规模化落地核心攻坚点

智能体的规模化应用,核心在于能否从历史项目中识别可复用的控制结构、设备模板与测试用例,并在新项目中完成参数化改造。面向多品牌共存的存量工厂,跨平台迁移能力将成为重要差异化指标 —— 其核心不是简单语法转换,而是完整保留控制意图、库语义、通信约束、安全互锁与工程维护习惯。

4. 可审查执行与独立验证,成为生产级应用准入标准

领先产品将把任务规划、工具调用、工程差异、编译结果与测试记录全链路串联,默认预览、显式应用、权限分级、失败停止将成为生产部署的标配。行业将逐步建立独立于代码生成器的行为评测体系,覆盖正常顺控、边界条件、断连重启、传感器异常与互锁冲突等场景 —— 编译通过不等于逻辑可靠,独立行为验证将成为硬性准入要求。

5. 工程与运维逐步衔接,拓展智能体价值边界

工程智能体未来将打通运行数据,辅助故障定位、变更影响分析与维护交接,实现从 “工程交付工具” 向 “全生命周期工程协作者” 的延伸。工程侧的对象语义与运行侧的实时数据打通后,将为跨岗位协同、持续工艺优化提供新的支撑。

分析师观点

IDC 中国制造行业高级研究经理杜雁泽表示:“工控智能体的价值,不在于生成多少代码,而在于能否把工业知识、历史工程资产、专业工具和验证机制连接成可审查、可恢复、可交付的工作闭环。下一阶段,原厂 IDE 能否向智能体开放稳定接口,客户工程库能否被安全理解和复用,以及跨平台迁移和 IEC 工程规范能否进一步统一,将决定产品能否从工程师试用走向规模应用。”

更多相关研究

  • IDC MarketScape: 中国工业 AI 及智能体平台 2026 年厂商评估(IDC #CHC54110326,2026 年 9 月)
  • IDC Market Glance: 中国工业 AI 及智能体,2Q26(IDC #CHC54370226,2026 年 8 月)
  • 中国核心工业软件及工业 AI 市场预测,2026-2030(IDC #CHC53716026,2026 年 4 月)
  • IDC MarketScape: 中国工业大模型及智能体解决方案 2025 年厂商评估(IDC #CHC53013925,2025 年 9 月)
  • 中国工业智能体 (AI Agent) 市场分析及供应商推荐(IDC #CHC52296125,2025 年 6 月)
  • 中国工业大模型应用进展与展望,2025(IDC #CHC52296025,2025 年 6 月)

进一步交流

如需获取完整报告,或就工控智能体技术趋势、技术选型、落地路径展开深入沟通,欢迎联系 IDC 中国制造业研究团队。请点击此处与我们联系。

Yanze Du

Yanze Du - Senior Research Manager

Yanze Du is a senior research manager for the Manufacturing Insights group in IDC China, and he is responsible for conducting research on and analysis of the China manufacturing industry and supply chain. He is also involved in regional and…

随着模型能力持续提升、智能体框架与工具链日趋成熟,越来越多企业开始将智能体用于实际业务。IDC调研显示,已有智能体投入生产的受访企业比例,从2025年9月的42.4%升至2026年3月的76.8%,其中亚太地区由30.8%升至75.9%,增幅居各地区之首(来源:IDC Future Enterprise Resiliency and Spending Survey Wave 2,2026年3月)。

企业部署的智能体越来越多,如何保障智能体的运行质量、安全可控并管理持续的成本支出,也正成为企业急需解决的难题。能够统一运行和治理各类智能体的智能体平台因而受到更多企业关注,带来了市场需求持续增长。IDC预测,全球智能体平台市场规模将由2025年的26亿美元增至2030年的415亿美元,2025—2030年复合增长率约为74%,其中亚太及日本地区(APJ)增速最快,复合增长率预计达到82%。(来源:Market Forecast: Worldwide Agentic AI Platforms Forecast, 2026–2030,2026年9月)。

智能体应用给企业带来了新的难题

围绕传统软件,企业大多已经建立起较为成熟的DevOps体系,覆盖开发、测试、发布和运维等环节。智能体应用在业务角色、运行方式和建设规模上与传统应用差异明显,难以直接沿用这套体系。

在业务角色上,传统软件应用通常围绕特定业务功能和流程提供服务,由员工组织和协调跨应用任务。而智能体应用具备任务理解、思考规划并调用不同系统的工具自主执行任务的能力,这些能力也带来了企业其对运行可靠性、权限控制和可观测可追溯能力的要求。

在运行方式上,传统软件按照预先设定的规则和逻辑开发,测试与验收的范围也比较明确。智能体的执行结果则取决于模型输出、所调用的数据和知识、智能体的循环执行策略以及工具返回的结果,同一项任务每次执行的路径和结果都可能不同。这些带来对智能体开发构建和持续运维管理的需求,智能体不仅要在开发阶段需要反复调试和验证,上线后也要根据实际使用情况不断调优,同时还需要持续对其模型Token消耗进行治理。

在建设规模上,企业部署的智能体数量通常远多于传统应用,并分散在不同部门、业务系统和技术环境中。如果仍由各团队分别开发、部署和维护,容易出现重复建设、权限不清、成本失控和协作困难等问题,各团队积累的知识、Skill和实践经验也难以沉淀为企业资产,这些问题带来了企业对智能体统一运维统一治理的需求。

智能体全生命周期管理能力是平台的核心

IDC所称的智能体平台,是指面向企业客户提供智能体构建、部署、运行、治理和编排能力的软件平台。平台支撑智能体在受控的权限、数据、系统和流程范围内完成业务任务,并帮助企业统一管理智能体资产、任务过程、风险、成本和运营效果。

IDC调研显示,58.7%的受访企业将强化智能体治理与合规列为引入或评估平台的首要目标,提升开发与交付效率(52.5%)和支撑跨场景规模化复制与推广(49.2%)紧随其后,选择沉淀统一资产体系、实现成本可控与可归因、建设统一入口与体验的企业分别占20.1%、14.0%和5.6%(来源:IDC Syndicated Survey 2026: China AI Agents Market 2026,2026年4月,Q16,N=179)。

企业的这些目标分布在治理合规、开发交付和规模化复用等不同环节,要求平台既能覆盖智能体从设计到下线的全生命周期管理,也能在运行中保障任务质量、安全合规和成本可控。

智能体全生命周期管理,应覆盖从需求定义与设计、开发构建、测试评估、部署发布、运行维护,到持续优化和停用下线的全过程。管理对象除了智能体本身,还包括其依赖的模型、提示词、工作流、工具、知识、记忆和Skill,以及相关的运行环境。

智能体要在真实业务中稳定完成任务并带来可验证的ROI,平台还需要具备相应的运行管理和成本治理能力。IDC全球调研显示,过去12个月中,67%的企业智能体支出超出预算,其中24%超支25%以上,能够按工作流实时追踪Token消耗和成本的企业只有45.4%(来源:IAddressing the Agent Economy’s Cost Governance Gap: A Mandate for IT Providers,2026年9月)。平台需要按部门、场景、智能体和任务归集消耗,提供预算预警和执行限制,同时统计任务成功率、人工介入率和单位成功任务成本,帮助企业核算智能体的投入与产出。

企业选型需要结合自身条件

国际数据公司(IDC)于近日发布了《IDC MarketScape: 中国智能体平台2026年厂商评估》(Doc# CHC54110526,2026年10月)报告,从能力和战略两个维度评估中国智能体平台市场的28家厂商,企业选择智能体平台时,需要先结合自身的数字化基础、组织结构和业务特点确定智能体建设路径,不同路径对平台和厂商能力的要求也不相同:

  • 数字化、信息化基础较为薄弱的企业,往往需要一边补齐业务系统建设,一边推进智能体应用,可以优先考虑能够提供综合解决方案的厂商。这类企业选择的平台需要能够与相关业务系统联合交付,并支持智能体的快速构建。
  • 多个部门同时建设智能体、业务系统来自不同厂商的大中型企业和集团,更需要一个能统一管理各类智能体的平台,重点考察多模型和多系统接入、智能体全生命周期管理以及安全与权限控制能力。金融、政务等对数据安全和信创要求较高的行业,还需要将私有化部署和本地服务能力作为前提条件。
  • 数据结构复杂或专业知识要求较高的企业,则需要关注平台或服务团队能否提供数据治理和业务语义建模能力,把企业数据、知识和业务规则整理成智能体能够理解和调用的形式,使智能体准确识别业务对象、采用一致的指标口径,并依据业务规则完成判断和操作。

分析师观点

IDC中国研究经理孙振亚表示:“企业智能体应用的规模越大,越需要平台把分散在不同部门和业务系统中的智能体统一管理起来,智能体平台正在成为承担这一角色的关键系统。平台不仅要支持开发和部署,还要保障业务执行、管控权限与成本,并支持依据评测和运行反馈持续优化,同时企业选型时也应基于企业实际情况选择合适的平台产品。”

IDC MarketScape从能力和战略两个维度评估中国智能体平台市场的28家厂商,分析其平台能力与发展路径,为企业选型提供参考。企业选型不仅要看智能体能否快速搭建,还要检验其能否在真实业务中可靠执行任务、控制风险与成本,并通过持续优化改善业务成效;基于Harness的自主规划智能体与确定性工作流如何协同、自进化过程能否验证和管控,也是评价平台能力的重要内容。随着智能体深入企业业务,平台还需承担统一运行与治理、连接已有系统、积累和复用业务能力的职责。智能体平台正成为企业AI应用中台的重要形态,与模型即服务(MaaS)、数据与知识平台共同构成AI时代企业IT系统的关键基础设施。

进一步交流

每家企业的智能体建设路径不同,评估维度落到具体场景时的权重也不同。如果您正在做智能体平台选型,或希望了解《IDC MarketScape:中国智能体平台2026年厂商评估》的详细评估维度、厂商画像与选型建议,欢迎联系IDC中国团队进一步交流。请点击此处与我们联系。

Zhenya Sun

Zhenya Sun - Research Manager

Zhenya Sun is a research manager for the IDC team focused on exploring the application of technology and industrial development of AI and AI agents. He is also responsible for providing clients with consulting services on technologies, products, and markets…

企业级Token混合成本一年内从18.40美元/百万Token降至6.07美元,下降67%。与此同时,中国日均Token调用量从2024年初的1,000亿攀升至2026年3月的超140万亿,两年增长超1,000倍。

这就是AI时代的杰文斯悖论——效率越高,应用越广,总消耗越大。Token单价的持续下降,并没有让总支出收缩,反而打开了指数级的应用空间。IDC预测,全球活跃AI智能体将从2025年的约2,860万个增至2030年的22.16亿个。当智能可以规模化生产,核心问题已经变成:怎样用最低成本、最大效率持续产出Token?

但比GPU代际迭代更值得关注的,是另一个结构性事实:同样一批GPU,在不同网络和存储架构上,Token产出成本可以相差数倍。

水面之下:真正决定Token产出的隐性变量

行业习惯用FLOPS衡量AI基础设施。但以DeepSeek-R1推理为基准,新一代GPU平台相较上一代:每美元FLOPS提升约2倍,每GPU的Token/秒却从约90提升至约6,000(提升约65倍),每百万Token成本从约4.20美元降至约0.12美元(降低约35倍)。算力指标增长2倍,业务产出却增长数十倍?

差距从何而来?低精度计算(FP8/FP4)、RDMA/GPUDirect RDMA、投机解码、KV Cache卸载与复用、Prefill/Decode分离调度——每一项都不只是芯片层面的进步,而是基础设施层面网络与存储的系统性协同设计。

“推理冰山”的比喻恰如其分:水面之上是GPU数量和FLOPS,水面之下才是决定实际产出的变量。网络和存储,正是水面之下两个最大的杠杆。

IDC数据显示,2026年AI推理成本在企业AI预算中已超80%。一座GW级AI数据中心的四年TCO约550亿美元,其中网络和存储合计占基础设施TCO的16%-18%——不到五分之一的投资,决定了五分之四以上资产的运行效率。也就是说,网络与存储的规划失误,会被直接放大进那80%以上的推理预算里——这是最容易被忽略的一笔账。

网络:从“连接管道”到“神经系统”

传统数据中心中,网络是“管道”——把数据从A搬到B。但在Token工厂中,网络的角色已经发生质变。

MoE架构的All-to-All通信把GPU间通信从“突发”变成了“持续”;PD分离后KV Cache跨节点读写成为常态;上万推理并发下,每一次响应都要经过上百次GPU间往返。网络延迟每增加1微秒,都会在上百次通信中被放大为Token产出的直接损失。

行业实际部署数据表明:在万卡集群中,采用动态路由(AR)优化的网络带宽利用率可达约95%,传统以太网仅约60%。35个百分点的差距,等效于数千万美元的GPU投资被闲置。您的集群现在落在哪个区间?如果长期停在60%一侧,那剩下对应的闲置算力,就是最容易被忽略的成本——而它往往不是GPU买少了,是网络没跟上。

网络效率的兑现需要四个维度逐级递进:速度(微秒级延迟+800G→1.6T带宽+RDMA三步直达)、效率(动态路由+拥塞控制将利用率从60%拉升至95%)、架构(Scale-Up/Out协同+网络计算,万卡集群维持百卡水平)、能效(在约40万GPU集群中,CPO光电封装将网络功耗从72MW降至21MW,节省约70%)。

四层不是并列关系,是逐层收敛——速度决定响应体验,效率决定单次服务成本,架构决定用户规模上限,能效决定普惠服务的空间。对最终用户而言,网络性能并不是抽象的带宽和延迟指标,而是 AI 助手能否快速响应、复杂任务能否流畅完成,以及高峰期服务是否依然稳定。网络延迟降低,用户等待的时间就可能缩短;通信效率提升,意味着同样的 GPU 资源能够支撑更多请求,企业也有机会以更低的成本提供 AI 服务;架构具备良好的扩展能力,才能在用户量和任务复杂度持续增长时,避免服务质量随规模扩张而下降;而能效的改善,则有助于控制 AI 服务长期运行的成本,为更广泛的应用和更普惠的定价创造空间。

网络已从“连接配件”升级为决定Token产出速度的“神经系统”。神经系统的速度不是由最快的那段决定,而是由最慢的那段决定。

存储:从“数据仓库”到“工作台”

另一条同样重要的线索在存储侧。

KV Cache代表了一类面向推理过程的AI原生数据形态:它是派生的(由Prefill计算产生)、瞬态的(生命周期跟随一次会话或一个智能体任务)、可重算的(丢失后可通过GPU重新计算)。这三个属性意味着,传统存储为“永久保存、绝不丢失”而设计的RAID、多副本、异地灾备等机制,对KV Cache而言是额外开销。

这一认知转变是新存储范式逻辑的起点。当上下文长度达到百万级,每次推理从头计算的成本远超缓存读取——用廉价的NVMe SSD存储替代昂贵的GPU重复计算,这是“以存代算”的核心经济逻辑。

新一代AI原生存储为此做了全栈重构:KV原生接口替代传统文件/块/对象接口,I/O路径极致精简,读写延迟降至接近NVMe硬件极限;分级保护策略取代一刀切的持久化体系,优先保障吞吐与时延;智能介质选择依据数据热度在内存、SSD与通用存储间动态调度;DPU硬件卸载实现CPU与GPU的零I/O开销。如果您的存储团队仍在按“绝不丢失“的口径设计KV Cache,这部分开销就是浪费——不是存储买贵了,是设计范式用错了对象。

MLPerf基准测试显示,新一代AI原生存储推理吞吐量和能效较传统方案提升约5倍;在多厂商联合测试和VAST 测试中,首个Token生成响应时间(TTFT)分别改善约9倍和约20倍。存储不再只是模型层的附属仓库,它是与计算和网络并列的基础设施独立支柱。

一个判断:系统级协同优于单点突破

三个结构性转向正在同时发生:用“每Token成本”替代“每美元FLOPS”作为核心评估指标;网络投资应与GPU同节奏规划,而非事后补网;KV Cache应被视为独立数据类别,而非传统存储上的“特殊文件”。

三个转向叠加,是Token成本结构性坍缩的基础设施前提。

在AI从“烧钱”走向“赚钱”、从“特权”走向“普惠”的过程中,网络和存储不一定是投资额最大的两个部分,但它们是决定整个Token工厂效率上限的两个核心变量。改变任何单一层面的效率,不如打通层与层之间的协同瓶颈——这才是Token工厂隐形的天花板。

行动建议

  • 用“每Token成本”替代“每美元每秒浮点运算次数(FLOPS)”作为评估与资源配置的核心指标。
  • 网络投资与GPU同节奏规划,而非事后补网——网络占TCO不到10%,却决定45%的GPU资产效率。
  • 将KV Cache视为独立数据类别,采用KV原生接口与分层存储,实现“以存代算”。

IDC相关研究

《AI Token工厂的网络与存储加速》,Doc# CHC54979226,2026年10月

进一步交流

网络与存储如何影响Token产出成本,不同集群规模、不同推理负载下的瓶颈位置并不相同。如果您正在规划或优化AI基础设施,希望结合自身情况做一次针对性讨论,欢迎联系IDC分析师团队。我们可基于实际部署数据与TCO模型,帮您判断瓶颈落在网络四层中的哪一层、KV Cache是否该切换范式。期待与您交流。请点击此处与我们联系。

Xiangdong Hu

Xiangdong Hu - Research Director, Enterprise Research

As research director of IDC China's Enterprise Research, Steven Hu leads the China networking team in doing market research and project consulting. His team research projects include network equipment such as switches, routers, wireless, and emerging technologies including software-defined network…

人工智能正在推动网络安全从单点能力增强走向整体架构变革。大模型已广泛应用于威胁分析、漏洞检测和安全运营,但更深层的变化在于,AI正从辅助安全人员分析和决策,逐步走向自主规划任务、调用安全工具、执行防御操作并根据结果持续调整。面对日益复杂的攻击和不断扩大的数字资产规模,传统以规则检测、告警驱动和人工处置为主的防御模式亟需突破,网络安全正在迎来以自主执行和协同防御为特征的新阶段。

IDC认为,生成式AI技术的持续突破推动安全智能体市场进入爆发式增长期,到2030年,中国网络安全相关AI Agent应用市场规模将达到593.5亿元,未来五年的复合增长率高达106.5%。拥有不同基因的多元参与者(AI云厂商、互联网厂商、综合安全厂商、新兴创新者等)正在共塑市场格局,生态高度活跃。

24项AI赋能的网络安全软件技术有望重构安全产业格局

为了更清晰地判断不同AI赋能的网络安全软件技术的发展阶段及未来潜力,并帮助用户进行技术选型,国际数据公司(IDC)近日发布了《中国AI赋能的网络安全软件技术发展路线图,2026》(Doc#CHC53616026,2026年10月)报告,该报告对24项新兴及重要的AI赋能的网络安全软件技术进行了系统评估,并从技术采用阶段、市场热度、风险级别、采用速度以及市场培育时间等维度,对不同AI赋能的网络安全软件技术的发展状态进行了可视化呈现。

360数字安全集团、阿里巴巴、安恒信息、安永、博智安全、长亭科技、德勤、斗象科技、灰度安全、火山引擎、华为、绿盟科技、派拉软件、奇安信、启明星辰集团、青藤云安全、瑞数信息、矢安科技、山石网科、深信服科技、天地和兴、天融信、微步在线、威努特、网宿科技、悬镜安全、易安联、亿格云、亚马逊云科技、亚信、永信至诚、中国电信、竹云、指掌易(按公司首字母排序)入选各技术点推荐厂商。

2026年IDC中国AI赋能的网络安全软件技术发展路线图详见下方:

IDC本次研究报告显示, AI正在推动网络安全软件从产品智能化走向架构Agentic化,第一阶段是将AI作为Copilot嵌入现有安全产品,辅助分析师完成查询、研判和配置;第二阶段则是以Agent为新的安全计算与控制单元,重新定义安全产品之间的协作方式、决策机制和运营流程,最终推动端点、网络、身份、云、数据和安全运营体系向Agentic架构演进。

中国网络安全软件技术发展趋势:AI主动安全防御体系

步入Agentic时代,用AI打造主动安全防御体系,意味着网络安全不再局限于利用AI辅助人员做出判断,而是通过大模型、智能体与专业安全能力的协同,推动安全系统自主规划任务、执行防御行动,并依据反馈持续优化。从安全产品的智能化走向防御体系的自主化,AI正在重塑网络安全的决策机制与协作模式。未来,安全能力的关键不仅在于发现威胁,更在于主动识别风险、持续验证防御效果,并在可控、可验证的前提下实现自主响应。

总体来看,未来中国AI赋能的网络安全软件技术及市场发展趋势将主要呈现以下几点特征:

  • 网络安全软件从“AI增强”迈向“Agentic架构重构”

未来AI对网络安全软件的影响将不再局限于告警摘要、智能问答、辅助分析等功能增强,而是逐步改变安全产品的底层运行机制。大模型负责理解复杂安全上下文,智能体负责任务规划与执行,安全Skills负责沉淀专业能力,并通过标准化工具接口连接现有安全控制能力,使安全产品逐步从“人操作产品”转向“人定义目标、智能体自主完成任务”。因此,Agentic并不是传统安全产品增加一个AI助手,而是安全软件架构、交互方式和运营模式的一次重构,将成为未来几年中国安全软件技术创新最重要的主线之一。

  • 安全大模型成为新一代网络安全软件的核心智能底座

未来,通用大语言模型、安全垂域大模型以及面向特定任务的专用模型将长期并存。网络安全软件的技术竞争将逐渐从“谁拥有一个更大的模型”转向“谁能够更有效地组织和调度不同模型”。未来安全平台可能根据任务复杂度、数据敏感程度、响应时效和计算资源等条件,动态选择通用大模型、安全垂域模型或专用模型,并通过模型路由、模型协同、知识增强和智能体编排形成多模型协作体系;同时,企业私有模型、本地模型与公有云模型也可能按照不同安全和数据要求协同工作。

  • 模型幻觉治理成为AI赋能网络安全软件规模化应用的关键前提

模型可能生成虚假线索、错误判断或不可行的攻击路径;在涉及自动化处置的场景中,错误推理还可能引发误隔离、权限配置错误或业务中断。因此,模型幻觉不仅影响分析准确性,也可能沿决策与执行链路放大风险。未来,网络安全技术提供商需要结合实时数据校验、安全规则、多模型验证、执行前风险评估及结果反馈等机制,建立覆盖推理、决策、执行和验证的全流程治理体系,并通过分级授权、人工审批和回滚机制约束高风险操作。

  • 网络安全软件竞争从单点检测能力转向自主决策与闭环能力

AI对网络安全软件价值的影响将越来越集中于从风险发现到安全处置的全过程自动化。未来,产品需要具备更强的任务理解、攻击分析、风险判断和行动规划能力,减少安全人员在告警研判、攻击路径分析、处置决策和效果验证等环节中的重复操作,并根据实时反馈持续调整安全策略。由此,安全软件的竞争评价维度将进一步扩展,检测能力、自主决策能力、任务完成能力和安全闭环能力将共同决定产品价值。

  • 长期来看,AI将推动网络安全软件向“主动防御体系”演进

大模型带来的语义理解、复杂推理和自主规划能力,使安全系统第一次具备持续寻找风险、提出安全假设、设计防御动作并根据结果调整策略的技术基础。未来,网络安全软件有望进一步融合安全大模型、暴露面管理、威胁情报、攻防验证以及多种安全控制能力,形成“持续感知—主动发现—自主推演—防御行动—效果验证”的闭环,最终从AI赋能单个安全产品走向AI驱动整个安全防御体系;不过这一方向目前仍处于早期探索阶段,将是更长期的产业演进目标。

IDC分析师观点

IDC中国网络安全市场高级研究经理赵卫京认为:“AI正在推动网络安全软件进入持续而深刻的架构演进期,其影响已经从单点功能智能化逐步延伸至安全产品、运营模式乃至防御体系的重构。AI赋能网络安全的终极价值将体现为防御能力的自动化和主动化。不过,这一演进不会一蹴而就,模型可靠性、数据质量、自主决策边界以及安全责任机制仍是制约产业规模化落地的关键因素。对于技术提供商而言,未来竞争的核心也将逐渐从单纯的AI赋能转向模型能力、专业安全知识、Agentic架构、工具与Skills生态以及真实安全场景落地能力的综合竞争。”

进一步交流

Agentic时代的到来,正在重新定义网络安全技术的边界与产业发展的方向。IDC将持续关注AI赋能网络安全的技术创新、应用实践与市场演进,也期待与更多技术提供商及行业用户开展深入交流,共同探索主动安全防御体系的落地路径,推动AI真正转化为可验证、可持续的安全能力。如需进一步深入沟通,请与我们联系。请点击此处与我们联系。

Austin Zhao

Austin Zhao - Senior Research Manager

Austin Zhao, senior research manager of IDC China, focuses on research and analysis of the China network security market. He provides intelligence and consulting services to both local and multinational cybersecurity vendors. Austin has deep insights into the China network…

IDC数据显示,2025 年全球 IT 支出增长 14%,是自 1996 年三十年以来的最高年增长率。不同的是,1996 年 14% 的增长基于 7 亿美元的市场规模,而 2025 年 14% 的增长建立在 4.2 万亿美元的市场之上——这不是一个普通的增长周期,而是将重新定义整个 IT 行业的超级周期。

以 DeepSeek 和 OpenClaw 为代表的标志性产品,显著降低了大模型的使用门槛,推动 AI 向生产力工具转变,带动 Token 消耗呈指数级跃迁。Token 成本持续下降,用户使用量与频次大幅增加,算力需求不降反升,基础设施持续扩张,进一步推动成本下降,形成自我强化的正循环。Token 经济的中的需求侧,包括行业场景、用户基数、模型性能决定消耗总量,运营侧来看的市场竞争、运营效率、规模效应决定了Token的单价,而供给侧,最基础的算力、存力、运力,将决定 Token 生产的上限,让AI 基础架构的投资成为刚需。

IDC 预计,2026 年全球AI 基础架构市场规模将超过 5,000 亿美元,到 2029 年将超过 1 万亿美元,年复合增长率超过 26%。面向 AI 的 IT 基础架构,正在形成标准化、规模化、可重复、垂直整合的智能算力工厂,即 AI Factory 模式——像流水线工厂一样批量生产 Token,并在机架级和集群级做垂直整合,使每一层都为 AI 工作负载优化。

AI-RDSI评估报告与定义

近期,国际数据公司(IDC)发布《IDC MarketScape:中国人工智能就绪的数据存储基础设施2026年厂商评估》(Doc# CHC54132926,2026 年 9 月)研究报告。报告基于厂商调研与访谈、公开信息以及最终用户体验,对中国企业级存储市场中具备完整 AI 就绪数据存储基础设施(AI-Ready Data Storage Infrastructure,AI-RDSI)解决方案能力的厂商进行了系统评估,从能力与战略两个维度综合评估,帮助技术提供者明确产品升级与交付重点,为技术买家选型提供第三方参考、推进业务场景落地提供参考。如需了解更多评估结果,可参考所发布的报告。

IDC 定义的 AI-RDSI,是指用于识别相关数据,并以自动化方式准备、摄取、存储、分类、管理、保护、保障、治理和迁移数据,以满足人工智能应用需求的硬件、软件和服务的组合,既包括产品级的 AI 原生 AI-RDSI 产品,也包括对现有技术打包和升级的解决方案级 AI-RDSI 方案。AI-RDSI 还涵盖与 AI 工作负载相关的服务级别(包括性能和系统可用性)、数据质量相关属性(如可信度和溯源性),以及分析后数据的处置技术。

AI-RDSI 的关键,在于针对数据资产“采、存、算、管、用”的全生命周期提供能力,具体覆盖四大环节:

  • 数据获取:外部数据源接入、内部数据创建、物理环境适配、数据格式标准化,支持结构化、半结构化与非结构化数据;
  • 数据存储:高性能文件系统(HPFS)、对象存储、并行文件系统、GPU-Direct Storage 直通,以及全闪存/混合闪存分层;
  • 数据管理:数据发现与分类、索引与标签、脱敏、数据编排与复制、延迟管理与 SLA 保障;
  • 数据信任:数据溯源、知识产权保护、数据主权、零信任架构与数据加密。

IDC 认为,为满足市场需求,AI-RDSI 正处于从“配套设施”向“核心基础设施”升级的关键阶段,未来演进将呈现五大方向:

一,架构重构,存储从被动容器变为主动参与计算的智能数据平台;

二,行业垂直化和生产范式革新,场景化方案 + 领域知识库成为差异化关键;

三,可信智能与安全合规能力深化,成为数据安全与质量的关键底座;

四,智能化与服务转型方面,智能调度、API市场等能力推动基础设施向服务化、普惠化演进;

五,数据湖/存储演进方面,存储系统正从”静态仓库”演进为具备智能检索、主动服务能力的AI数据底座。

AI-RDSI 将成为技术买家未来的布局重点,数据存储基础设施的战略地位将进一步提升。

厂商评估结果

本次评估共覆盖 15 家符合入选标准的中国市场 AI-RDSI 厂商(入选标准要求厂商至少 50% 的产品/服务内容满足 IDC 对 AI-RDSI 的定义,且在中国有具体落地项目和标杆客户)。

  • 领导者类别:华为(HUAWEI)、浪潮数据(Inspur Data)、VAST Data、新华三(H3C)、中科曙光(Sugon);
  • 主要玩家类别:戴尔科技(Dell Technolog)、IBM、联想(Lenovo)、深信服科技(Sangfor)、杉岩数据(SandStone)、星辰天合(XSKY)、焱融科技(YanRong)、中兴通讯(ZTE);
  • 竞争者类别:宏杉科技(Macrosan)、同有科技(Toyou)。

备注:以上排序不分先后,按拼音/英文首字母排序。

给技术买家的五点建议

IDC结合对全球 AI 基础设施市场的持续跟踪及本地 AI-RDSI 市场研究,向技术买家提出五点建议:

  1. 从实际业务场景出发,分阶段明确建设目标:避免“一步到位”的大而全思路,区分训练、推理、Agent 应用不同阶段的需求差异,制定分阶段路线图,确保投入与产出匹配;
  2. 构建统一数据底座,提升算力利用率:优先选择支持全局命名空间、多协议互通的统一存储架构,减少数据跨系统搬运与多副本冗余,从源头提升 GPU 利用效率;
  3. 采用分层存储架构,平衡性能与成本:根据数据热度构建“热—温—冷”分层体系,热数据层用高性能全闪满足低时延需求,温冷层用 QLC 闪存与对象存储承载数据集归档与模型仓库,通过智能分层优化总体拥有成本(TCO);
  4. 优先选择开放生态方案,降低锁定风险:重点考察对 NFS、S3、POSIX 等标准协议的支持、对主流 AI 框架与异构算力的兼容能力,以及混合多云统一管理能力,为未来架构演进预留空间;
  5. 建立运维与成本观测体系,持续优化 ROI:同步规划 AIOps 与成本可视化能力,实现全链路监控、智能调度与弹性扩缩容,建立清晰的成本核算与优化机制,确保 AI-RDSI 投资持续产生业务价值。

分析师观点

IDC 中国企业级存储基础设施研究经理杨昀煦表示:“在Token经济里,存储基础设施能力决定 AI 生成能力的上限;同时,AI 就绪的数据基础设施已成为最终客户部署 AI 应用时能否有效利用算力的技术瓶颈——存储性能瓶颈会导致 GPU 集群利用率偏低,使昂贵算力资源无法充分释放。AI-RDSI 的重要性由此凸显。技术提供商需充分掌握各类新兴技术的能力特性,并搭建一套合理且丰富的架构方案,充分发挥适配人工智能基础设施投资的商业价值,同时协助技术买家优化成本、性能与安全水平,使技术买家能够灵活选用多种 AI 就绪的数据基础设施部署方式与运营模式。”

IDC更多企业级存储研究相关报告:

《IDC中国企业级外置存储市场跟踪报告》

《IDC中国软件定义存储和超融合系统市场跟踪报告》

进一步交流

本次IDC MarketScape评估覆盖15家中国市场AI-RDSI厂商,既帮助技术提供者明确产品升级与交付重点,也为技术买家选型、推进业务场景落地提供第三方参考。若您希望就评估结果、厂商能力对比或自身场景的存储架构规划做进一步探讨,欢迎与我们联系交流。请点击此处与我们联系。

Yunxu Yang

Yunxu Yang - Research Manager, Enterprise Services Research

Bella Yang is a research manager for IDC China's Enterprise Research. Bella is mainly responsible for the market research and consulting for storage systems at the entrepreneurial level in China, providing researches and consulting services for famous IT companies at…