核心观点 - 微软发布Copilot秋季更新，将其从“生产力工具插件”升级为跨设备、跨场景的“情境AI基础设施”，体现了“以人为本的AI”理念 [2] - 此次发布围绕三个关键词：协作、个性化、连接，共推出12项关键功能 [2][3] - 新虚拟角色Mico的推出是本次更新的亮点，标志着微软在人机交互领域长达三十年探索的延续，旨在将AI从“工具”转变为“伙伴” [5][18] 关键功能更新 - **小组（Groups）**：支持最多32人共享Copilot会议，在同一工作空间进行头脑风暴和共同创作，Copilot负责维持上下文、自动汇总决策 [3] - **Imagine**：作为协作中心，用于在企业环境中快速创建和混合AI生成的视觉素材、营销草稿或培训材料原型 [3] - **真实对话（Real Talk）**：旨在摒弃AI模型过度讨好的行为，采用更可信的对话方式，如苏格拉底式问答，以提供更具技术协作价值的反馈 [7] - **记忆与个性化（Memory & Personalisation）**：使Copilot具备长期情境记忆能力，可按用户指示记住关键细节并提供个性化建议 [7] - **连接器（Connectors）**：与OneDrive、Outlook、Gmail、Google Drive、Google日历集成，实现跨账户的自然语言搜索 [7] - **主动行动（Active Actions，预览）**：基于用户最近活动与上下文，以“下一步建议”的形式主动提出可行操作 [7] - **Copilot for Health**：基于可靠医疗来源提供健康信息，并支持用户查找和比较医生 [7] - **实时学习（Live Learning）**：提供通过问题、视觉效果、白板的苏格拉底式、语音驱动辅导体验 [7] - **Edge中的Copilot模式**：将Microsoft Edge浏览器转换为“AI浏览器”，用户可通过语音总结、比较网页内容并执行操作 [7] - **Windows上的Copilot**：通过“Hey Copilot”激活，与Windows 11深度集成，引入Copilot Vision并通过摄像头/屏幕识别理解视觉内容 [7] - **Copilot Pages和Coppilot Search**：Pages为协作文件画布，Search将AI生成答案与标准网络搜索结果相结合 [7] 虚拟角色Mico - Mico是Microsoft和Copilot的组合名，以可爱、不规则圆点造型作为新的角色标识出现在用户界面 [3][5] - Mico能实时变换表情和颜色以反映情绪和反馈，定位为跨模态、统一的用户体验层 [3][15] - 该角色是微软对1997年推出的Office助手“大眼夹”（Clippy）理念的延续，旨在探索“情感化计算”和“亲和式交互” [5][6][10] - 微软AI部门高管表示，Mico拥有固定形象、独立空间以及“成长”过程，是公司“人本主义人工智能”愿景的具体化体现 [10][15][16] 行业意义与市场反应 - 外媒评论此举是微软将其生产力体验与生成式AI能力更深整合的一次重大举措 [3] - 此次更新标志着AI技术从“工具”迈向“伙伴”，旨在让人与电脑的关系从命令与响应转变为对话与理解 [18] - Mico亮相后在社交媒体引发讨论，有用户称赞其可爱、有活力，并包含将Mico变为Clippy的彩蛋功能 [20][21] - 有观点认为，Mico在市场上面临挑战，因为科技公司对赋予AI个性持谨慎态度，此前Clippy因技术受限和交互生硬而失败 [5][21]

模型发布与项目背景 - OpenAI于2025年8月发布了开源模型gpt-oss，提供120b和20b两个推理模型版本[3] - 该项目使用约1000行Java代码实现了一个可在CPU上运行的高性能gpt-oss推理引擎，并发布在亚马逊官方GitHub上[3] 模型架构设计 - 模型采用decode-only MoE架构，使用RoPE位置编码和RMSNorm归一化[5] - 注意力层使用Grouped Query Attention，结合Sliding Window Attention和full context交替计算以降低复杂度[5] - MLP FFN层采用MoE架构，20b模型共24层，每层含32个专家，每次前向传播仅激活4个专家[5] - 模型参数采用mxfp4量化，20b模型文件大小仅约13GB，可在单卡16GB GPU上运行[5] 技术实现关键模块 - 代码结构参照PyTorch的model.py设计，包括模型加载、基础算子、注意力块、MLP块和采样等模块[10][15] - 实现原生gpt-oss model.safetensors格式的模型加载[15] - 基础算子包括矩阵运算、RMSNorm和softmax等[15] - 注意力块实现QKV计算、GQA注意力计算及RoPE位置编码[15] - MLP块实现专家路由、SwiGLU激活函数和MLP投影[15] MXFP4量化计算优化 - 模型文件采用mxfp4量化MLP层参数，使用u8类型做块级缩放参数，其余参数采用bf16[12] - 利用Java Project Panama的Vector API实现CPU指令级并行，通过查表转换和FMA指令加速计算[17][19] - 结合多线程并行大幅加速计算过程[19] 性能优化策略 - 通过矩阵转置提高CPU缓存空间局部性，实现26倍性能提升[26] - 利用SIMD向量化指令和4倍循环展开，达到77倍加速[26] - 采用多核并行计算，实现785倍性能提升[26] - 使用分块计算优化CPU缓存命中率，最终达到942倍加速，占物理机实际算力的42%[26] 系统级优化技术 - 关键计算环节如GQA缩放点积和MLP层的4个专家执行均实现并行化[28] - 采用Java Foreign Memory API通过内存映射方式加载MLP权重，仅需16GB内存即可运行模型[29] - 减少内存拷贝，直接加载内存映射段到CPU向量寄存器，避免JVM中间内存分配[30] - 实现算子合并减少计算量和迭代次数，并采用KV缓存优化内存占用[31][32] 性能表现对比 - 在MacOS Apple M3 Pro上实现解码速度8.7 tokens/秒，预填充速度11.8 tokens/秒[33] - 在AWS EC2 m5.4xlarge实例上实现解码速度6.8 tokens/秒，预填充速度10 tokens/秒[34] - 性能显著高于PyTorch原始的0.04 tokens/秒和Huggingface transformers的约3.4 tokens/秒[34] Java在AI推理中的潜力 - Java通过Project Panama等特性不断缩小与底层语言在计算效率上的差距[38] - 项目证明经过适当优化，Java可实现接近O3优化程序95%的性能[38] - Java在性能方面的持续进步使其在AI推理领域具有应用潜力[38]

Meta AI部门组织调整 - 公司在超级智能实验室裁减约600个岗位，该实验室目前共有数千名员工 [2] - 裁员涉及FAIR研究部门、与产品相关的AI团队以及AI基础设施团队，但不影响新成立的TBD Lab，该部门仍在积极招聘 [2] - 此次调整旨在解决团队官僚化问题，通过缩减规模提升决策效率和团队灵活性 [3] 关键人员变动与影响 - 华人AI科学家田渊栋及其部分团队成员受到裁员影响，田渊栋曾担任OpenGo项目负责人，并共同领导Llama 4的推理研究 [3][4] - 强化学习专家Rishabh Agarwal批评此次裁员"毫无道理"，认为可能是针对前GenAI员工 [3] - 公司鼓励被裁员工申请内部其他职位，并预计大部分人员可在内部重新上岗 [3] 战略重组与资源倾斜 - 超级智能实验室划分为四个子部门：TBD Lab（由Jack Rae领导）、FAIR、产品与应用研究部（由Nat Friedman领导）、MSL Infra（由Aparna Ramani领导） [10][17] - TBD Lab聚集了从竞争对手高薪挖来的研究员，部分人员薪酬高达数千万甚至上亿美元 [10] - 公司内部基础设施团队中9名成员因外部挖角被直接调入超级智能部门，公司称此为原计划调整 [10] 高层主导的AGI战略推进 - 公司首席执行官扎克伯格因对Llama 4不满，亲自介入AI业务，设立约50人团队专注通用人工智能目标 [11] - 公司向Scale AI投资143亿美元，并从OpenAI、Google DeepMind等公司高薪挖角，部分人员薪酬方案达100万至1亿美元 [11][12][15] - 扎克伯格成立超级智能实验室，由Alexandr Wang担任首席AI官，整合FAIR、TBD Lab等部门 [13] 内部矛盾与外部评价 - 部分研究人员对公司AI战略持怀疑态度，认为扎克伯格与首席AI科学家Yann LeCun存在战略冲突 [13] - 网友质疑裁员理由，认为实质是权力斗争或针对"内部把关人"，而非效率优化 [19][20] - 快速扩张导致任务重叠、优先级频繁调整，引发内部摩擦和早期离职潮 [15]

大会基本信息 - 活动名称为GTLC全球科技领导力大会成都站 由TGO鲲鹏会主办 主题为AI新"蜀"光 聚焦AI应用生态 [2][3][4] - 大会时间为2025年10月25日 地点在成都菁蓉汇7B 1层 [3][4][22] - 据不完全统计 超过半数的参会者为科技公司技术一号位 [2] 议程与活动安排 - 大会邀请20余位各领域顶级前沿观察者和实践者进行分享 [3] - 议程包括多场高质量主题演讲 7场午餐闭门会 3场午餐饭团 2场主题闭门会 [4] - 具体演讲议题涵盖智能驾驶 L4 NOA与roadAGI 大模型在金融行业研发应用 AI+智能硬件落地实践 传统企业转型AI痛点等 [7][8][10][11] - 除10月25日主议程外 还安排10月24日程序员节庆典 欢迎晚宴 足球友谊赛 10月25日科技领袖晚宴 精酿烧烤等活动 10月26日科技领袖川西自驾 [16][17][18] 参会与费用信息 - 目标参会规模为300+科技领导者 [20] - 普通门票价格为2999元/人 TGO鲲鹏会学员免费并可邀请三名符合标准的朋友免费参会 [20][21] - 非TGO鲲鹏会学员可申请免费门票 审核通过即可参会 [21] 主办方背景 - TGO鲲鹏会是极客邦科技旗下科技领导者同侪学习平台 学员由具有科技背景的公司创始人 CXO 技术VP等组成 共计超2000位 [24] - 该组织在北京 上海 深圳 广州 杭州 成都 南京 厦门 武汉 苏州 台北 硅谷 新加坡等地区定期举办学习活动 [24]

直播活动概述 - 直播活动为InfoQ《C位面对面》1024特别策划，主题为“AI如何重塑开发者未来十年” [2][3] - 直播时间为10月24日9:00-10:30，由极客邦科技CEO霍太稳对话阿里云智能集团副总裁、CIO蒋林泉 [2][3] - 直播内容将复盘AI落地的真实路径并探讨技术人如何构建可迁移的核心竞争力 [2] 核心讨论议题 - 议题包括从开发者到阿里云CIO的心路历程，探讨技术人才的职业发展路径 [3] - 议题关注AI时代技术人才与角色的重构，分析行业人才需求的变化 [3] - 议题将分享AI开发范式下的组织落地实践，为行业提供参考案例 [3] 技术人才竞争力构建 - 讨论将聚焦于技术人如何构建“可迁移”的核心竞争力，以应对技术变革 [2][3] - 直播将推荐使用的AI提效工具，分享行业内的有效实践方案 [3]

2050恳谈会活动 - 全球科技社区活动2050恳谈会于10月举办杭州主会场和北京分会场特别活动，愿景是"年青人因科技而团聚"[2] - 北京分会场由模力工场与极客时间八周年共同发起，主题为"AI Builder"，汇聚开发者、产品人与创作者探讨AI应用时代的创造力与工具变革[2] - 杭州主会场分享者包括杭州久痕科技创始人汪源、SegmentFault创始人左志鹏等行业代表，北京站邀请DeepPath时踪创始人王泰等开发者进行实战分享[2] - 活动延续"没有讲台、只有圆桌"的精神，鼓励自由交流共同描绘AI Builder时代未来蓝图[3] 模力工场秋季赛榜单 - 秋季赛进行中，设有应用榜单、用户榜单和城市榜单三大类[7][8] - 应用榜单包括应用点赞榜、应用传播榜和应用热评榜，用户榜单包含模力开发者榜、傾力推荐人榜和模力体验官榜，城市榜单分为一线&新一线城市榜和二线及以下城市榜[8] - 上榜应用包括爱图表、Lab4AI、AIGTC Al好记、AiBiao.com、DeepPath时踪、Deep Innovation、AIPPT.cn、Unicorn Hunter、remio等[8] - 合伙人招募火热进行中，征集技术资源如算力券、大模型使用账号，品牌资源如定制周边，以及资金或宣传支持[8] 第016周AI应用榜 - 本周共有8款应用上榜，显示AI应用从生成文字图片转向复杂信息结构化呈现，通过图表、音频、旅行轨迹等多维方式重塑表达[11] - 爱图表位列榜首，是AI驱动的数据报告和图表智能生成平台，支持一键生成图表、数据大屏及PPT，拥有海量模版[11] - 其他上榜应用包括LilyFM、豆包、DeepSeek、活力旅行轨迹、测测、可灵AI等，涵盖教育学习、工作效率、生活服务、设计创意等领域[23] 爱图表产品分析 - 爱图表由镝数科技创始人王琼开发，定位为AI驱动的数据报告生成平台，支持智能可视分析、自由创作可编辑功能[13][14] - 核心功能包括智能图表生成和自动化报告生成，AI根据数据3秒生成趋势图、柱状图等图表类型，一键生成PPT、数据大屏等形式的报告[24] - 主要用户场景包括营销宣传和工作汇报，帮助用户制作可视化报告提升沟通效率[19] - 产品优势在于AI驱动的数据报告生成并支持图表灵活编辑，具备丰富图表样式和在线演示分享功能[17][18] AI应用发展趋势 - AI应用正从"内容生成"进入"结构化表达"阶段，帮助用户以更直观、叙事性方式呈现思考和数据[35] - 未来1-2年AI与数据可视化结合将降低专业门槛，使非专业人士也能快速从复杂数据中提取洞察，提升决策效率[26][27] - 数据理解与表达能力将成为人人必备素养，AI赋能将推动社会整体数据素养提升，实现数据价值理性传递[27] - 本周榜单呈现"结构化创造力"趋势，代表性应用如爱图表实现信息表达智能化升级，LilyFM重新定义信息吸收与陪伴方式[35] 模力工场运营机制 - 榜单权重维度包括评论数、收藏与点赞、推荐人贡献等指标，评论数为核心指标代表社区真实反馈[36] - 开发者可通过上传AI应用并描述使用场景加入榜单，推荐人可发布推荐理由，用户可通过评论互动影响榜单权重[36] - 极客邦科技借助旗下InfoQ、AI前线、极客时间等全媒体矩阵进行传播，触达千万级技术决策者与开发者[36]

产品发布与市场影响 - OpenAI发布全新AI浏览器ChatGPT Atlas，导致谷歌股价一度下跌超4%，市值蒸发超千亿美元[2] - Atlas目前仅支持macOS系统，未来将适配Windows、iOS和Android系统[6] - 产品基于开源Chromium引擎开发，与谷歌Chrome底层技术相同，但深度整合了ChatGPT功能[6] 核心功能与技术创新 - 引入常驻侧边栏助手，可获取当前网页上下文并直接总结内容或回答问题[6] - URL栏默认集成ChatGPT搜索引擎，结果按文本、图片、视频和新闻分类展示[6] - Agent Mode支持自主执行任务（如预订酒店、编辑文档），仅限付费用户使用，演示中完成食谱食材采购耗时几分钟[7] - 新增"记忆"功能利用浏览历史生成个性化回答，用户可精细控制数据存储[9] - "光标聊天"工具支持行内文本编辑，用户选中文本即可通过ChatGPT优化内容[9] 战略定位与行业竞争 - OpenAI将浏览器视为"操作系统的下一阶段演进"，目标是打造"生活必备的操作系统"[5] - 公司从谷歌挖角Chrome核心开发者Ben Goodger（前谷歌副总裁）负责Atlas技术开发[11] - 谷歌正围绕Gemini 3模型构建AI功能反击，但Atlas的对话式搜索范式难以被传统浏览器复制[12] - 浏览器市场进入2.0阶段，竞争者包括Perplexity的Comet、The Browser Company的Dia等AI浏览器[15] 用户反馈与产品挑战 - 有用户指出Atlas需打开ChatGPT才能对话，在文件搜索和密码管理插件兼容性方面存在不足[16] - 与竞品相比，部分用户认为Atlas界面简洁但AI存在过度干扰，设计质感不及Dia浏览器[16] - 全球浏览器市场中Chrome仍占据约70%份额，用户习惯黏性强，新浏览器需成为默认预装才可能改变格局[16] 商业化路径与数据价值 - Atlas可通过浏览器窗口直接收集用户上下文信息，为未来广告定向投放提供数据支撑[13] - OpenAI近期发布大量广告技术岗位，暗示可能转向广告业务，产品聚焦用户增长与营收提升[13] - 用户行为模式从"输入问题→点击链接"转变为"询问AI→获取答案→采取行动"，颠覆传统网站、广告网络和SEO策略[13]

AI时代编程语言的选择与权衡 - 在AI写码成为新常态的背景下，编程语言的选择反而更为重要，语言会直接影响Agent生成代码的质量[2] - Go语言在AI场景下表现更优，其抽象层薄、结构规整，便于模型读懂与改写，同一类小程序让AI分别用多种语言各写十次比较通过率，Go明显优于Python，也好于Rust[2] - 无论创办什么公司，最终都绕不开Python，可能不会用它写核心服务，但只要涉及机器学习或数据处理，Python一定会出现，同理JavaScript和TypeScript也无法回避[2] - 当前是创造“更完美语言”的窗口期，短期内不会摆脱AI生成代码的范式，而现有语言也未必是人机协作的最优解，“为人类与Agent共编而设计的下一代语言”正成为行业趋势[3][5][28] 主流编程语言的特性与适用场景 - Python生态极其成熟，在机器学习领域无可替代，非常适合构建Web服务，尤其适合AI推理为主、大部分时间在等待网络返回结果的公司，开发效率高[16] - Rust非常适合打造精巧的开源项目，但在创业公司中不够理想，因其编译极慢、需要写更多代码、借用检查器约束太强导致开发效率存在摩擦[8][9] - Go是一种极其实用的语言，稳定、简单，最适合用于构建Web服务或命令行工具，语法比Python更简单直接且易于维护[10][16] - TypeScript让JavaScript生态相当成熟，但npm生态依赖过多，构建一个正常项目几乎不可能少于500个依赖包，在服务端难以安心[17] AI编程工具对软件开发的影响 - AI工具已能承担大量标准化工作，当前创业公司约有80%以上的代码是AI生成的，这些代码结构规范、测试完善，承担着标准化API、开放接口、基础逻辑等工作[21] - AI大大降低了构建自定义工具的成本，让非技术背景的联合创始人也能直接用Claude和Codex构建原型验证产品体验，过去需要三周构建的可视化工具现在用Claude半小时就能生成更漂亮的版本[20][21] - 系统架构、复杂度管理、可维护性等核心问题并不会因为AI而改变，人类对新问题的创造性思考仍是竞争优势的关键，完全依赖机器的公司会失去团队活力[24] - AI降低了编程入门门槛，让更多从未接触编程的人进入该领域，过去要花几个月学习才能独立产出成果，现在输入几个指令就能看到结果，编程变得更民主化[25] 初创公司的技术栈选择策略 - 初创公司应该在早期尽量控制技术栈的数量，三到四种语言已经足够，选择语言时要从问题出发而不是从偏好出发[18] - 引入新语言的原因可能是性能考虑，也可能是为了融入某个生态系统，例如Sentry引入Rust是因为它能嵌入Python从而在不分拆系统的情况下提升性能[14][15] - 随着AI工具高效生成代码，“统一代码库”的价值下降，保留清晰的系统边界反而更有利于开发，尤其是在使用React Server Components等技术时[18] - 规模化并不仅仅取决于数据量，而是包括团队规模、问题复杂度以及系统架构的复杂性，在这些条件下企业往往需要在不同语言间做取舍[14] 错误处理与语言设计权衡 - 不同语言的崩溃方式不同，JavaScript错误极为常见但通常不会导致系统崩溃，而C++崩溃事件数量少但每个都更具意义导致会话中断[34] - 类型安全的语言理论上应能减少低级错误，但在实践中改善微乎其微几乎无法量化，因为开发者在得到更安全的工具后往往会更大胆地构建复杂系统[35] - 语言设计总是在不同需求间权衡取舍，例如Context Local功能会让每次函数调用变慢，对于追求性能的语言阵营几乎不能接受[40] - 错误永远不会消失只会不断演变，随着React等框架普及出现了“水合错误”等新错误类别，应用越复杂错误种类就越多[35][36]

DeepSeek-OCR模型技术突破 - 模型发布6.6GB专门为OCR微调的模型，首次量化视觉-文本token压缩比，验证10倍近无损压缩、20倍仍保有60%精度的可行性[2] - 提出DeepEncoder解决现有编码器高分辨率-低内存-少token不可兼得的问题，在实用场景达到SOTA且token消耗最少[2] - 采用仅12层的精简架构，因OCR本质是模式识别任务，不需要太多推理或长程记忆[5] - 进入新兴小型专家混合范式，总规模较大但每次推理仅激活5亿参数，能单批次处理大量数据[7] - 采用激进编码策略结合语义池化，在输入阶段进行大量信号压缩，显著提升处理速度[7] 输入范式革命性观点 - Karpathy提出根本性问题：对大语言模型而言像素可能比文本是更好的输入形式，文本token可能是浪费而糟糕的输入方式[3] - 认为Tokenizer必须被淘汰，许多文本到文本任务可重构为视觉到文本任务，但反过来行不通[4] - 未来用户输入可能都是图像，模型输出仍是文本，因生成像素级输出不现实且暂时不需要[4] - 图像输入优势：信息压缩更高效，在更短上下文窗口中包含更多信息；信息流更丰富，能自然包含加粗、颜色、格式等视觉要素[6] - 输入可天然使用双向注意力，而非语言模型必须的自回归逐步处理，结构表达更强大[6] 行业影响与竞争格局 - 代表轻量高效OCR模型最佳范例，可能成为未来所有OCR系统的起点[4] - 在多模态视觉语言模型出现前，业界领先的Google Cloud OCR模型规模仅一亿参数左右[4] - 17亿参数的dots.ocr在内部和公开基准测试中准确率普遍超过OpenAI、Anthropic，某些任务优于Gemini，成本仅为后者一小部分[4] - 模型意义在于成为真正基础型OCR模型，找到推理效率与性能最佳平衡点，奠定工程基础[8] - 要在大规模真实业务中应用，仍需针对特定领域进行数据标注和定制化流程设计[8] 开发者实践与部署案例 - 资深开发者Simon Willison花40分钟成功在NVIDIA Spark上运行模型，通过Claude Code用4次提示解决兼容问题[9] - 环境搭建涉及Docker容器、CUDA配置、npm安装Claude Code等步骤[10] - 遇到PyTorch 2.5.1不支持新GPU问题，通过寻找ARM版本CUDA wheel包，升级到PyTorch 2.9.0解决兼容性[14][15] - 模型成功识别文本与定位框，生成检测结果，不同提示词模式表现各异[16][17][19] - 实践总结成功要点：给予充分环境与目标、沙箱模式完全自主执行、关键时刻用经验引导[22]

企业AI投入困境 - 企业普遍存在盲目跟风AI投入现象，如斥资数百万购买系统组织培训但员工仅学会聊天做PPT等基础应用，业务场景未获实质提升[2] - 部分企业因AI替代焦虑仓促调整组织架构，导致团队士气低落与业务衔接不畅，反映AI投入方向存在偏差[2] - 真正AI能力建设需聚焦技术普及与业务价值的精准切入点，而非依赖预算堆砌或团队结构调整[2] 极客时间AI加速活动核心价值 - 推出30天免费SVIP权益的"AI应用全员加速中"活动，企业可零成本验证AI人才培养可行性[3][4] - 活动提供按岗位划分的完整学习路径，课程内容源自一线企业实战案例，强调学完即用的实战能力[6][7] - 覆盖管理层AI战略方法论、业务骨干提效工具、技术团队大模型开发等精准学习路径，避免大锅饭式培训[9][12] 课程内容与资源特色 - 《AI Agent进阶实战》课程教授智能体搭建技术，《大模型安全实战课》涵盖8类高频模型风险防御手段[7] - 平台提供5500+实战课程，由谷歌/腾讯/字节等企业技术专家亲授，覆盖AI办公、Agent开发及大模型实战等方向[13] - 学习资源包含100个技能点课程、70个岗位课程及24个认证项目，支持OMO混合式教学与线上训练营等多种形式[18] 企业服务能力与行业覆盖 - 极客时间企业版已服务3000+数字化企业，覆盖银行、证券、保险、金融科技、汽车、工业制造及零售等行业[16] - 平台提供智能SaaS培训管理系统，集成组织管理、能力测评、课程中心及考练中心等模块，支持全生命周期顾问服务[20] - 数字化人才培养方案纳入中国信通院铸基计划专项，通过场景化解决方案赋能业务增长[17][19]