《思科2025人工智能就绪指数》(Cisco AI Readiness Index 2025)最新研究结果表明:“领导者”,即受访企业中13%最具AI就绪度的群体,正通过基础设施方面的差异化决策创造复合优势。值得注意的是,全球97%的领导者已经以足够的规模和速度部署人工智能,成功解锁应用场景并实现投资回报。
思科亚太、 日本及大中华区云和人工智能基础设施业务总经理Simon Miceli表示:“今年的报告显示人工智能领导者采用差异化架构——领导者印证了这一点。他们以网络为核心构建基础架构、优先布局电力基础设施、 持续优化系统,并从一开始就将安全能力嵌入其中。因此,97%的领导者实现了可衡量且可扩展的价值。中国大陆62%缺乏此类架构远见的企业,正面临累积'AI基础设施债务'的风险——那些权宜之计与架构缺口将演变为扼杀创新与竞争力的瓶颈。”
《思科2025人工智能就绪指数》揭示了AI领导者在基础设施上的四项关键决策:

一、未雨绸缪应对能耗限制
超半数中国大陆受访企业预计三至五年内AI工作负载增幅将超50%,且40%计划将在一年内新建数据中心容量。但电力基础设施部署需18-36个月。96%全球领导者已建设专用设施优化能耗,而中国大陆仅42%。超半数中国大陆企业在缺乏配套能耗设施的情况下建设人工智能算力。领导者针对最难后期改造的约束进行前瞻布局。

二、视网络为基础,而非事后补救
当多数受访者关注算力时,领导者更重视布局网络。全球81%的领导者认为其网络架构已“针对AI工作负载实现最优状态”,而中国大陆仅有20%的企业达到这一水平。当工作负载翻倍时,网络将先于算力成为瓶颈——而在生产负载下重构数据中心布线并非易事。全球79%的领导者已实现AI与网络的全面集成,而与云的集成比例为61%。中国大陆受访企业两项整合度相近但偏低——网络整合31%,云整合25%,且未形成清晰层级。领导者将网络视为基石,其他架构皆以此为基础。

三、通过持续优化实现部署后真实价值
将AI模型投入生产固然值得庆贺,但模型性能会随时间而衰减。领导者注重部署后的持续优化:72%的领导者具备自动再训练的持续监控机制,而中国大陆仅有24%。这种机制带来速度优势:65%的领导者可在1小时内以最短停机更新模型,而中国大陆为49%。这一优势具有复合效应:优化速度快3至4倍的企业每年可运行50次以上迭代,而普通企业仅可实现12至15次。领导者视部署为起点而非终点。

四、构建加速创新的安全体系
领导者从一开始就将安全融入基础设施。全球84%的领导者具备端到端加密与持续监控的能力,而中国大陆仅27%。在AI代理快速部署的背景下,这种安全策略显得尤为关键:73%的中国大陆企业正部署自主AI代理,但仅有30%能充分保障其安全。而在领导者中,这两个比例分别为96%和75%。尽管仍存在差距,但领导者的安全体系是从内打造的,而非事后附加,因此风险更易管理。领导者们将安全融入基础设施以推动创新,而非制造阻力。

AI基础设施债务的复合成本
领导者的成功并非因为投入更多,而是其提前进行架构押注——早在工作负载爆发前、瓶颈出现前、安全需求变得迫切前就提前布局。
而那些被动构建AI体系的企业,则面临积累“AI基础设施债”的风险。中国大陆的受访者中,已有早期警示迹象——AI代理的部署速度快于安全防护能力、仅有20%的企业认为其网络已处于“最优”状态、 58%的企业尚未具备足够的能耗基础设施,尽管超过一半的企业预计工作负载将增长50%以上。
这些技术债务可能逐步演变为运营风险、安全威胁、合规挑战以及竞争劣势。
企业今日的基础设施决策,将决定其明日所能达到的高度。而领导者,已在这场竞争中占据明显优势。
好文章,需要你的鼓励
企业AI搜索公司Glean宣布年度经常性收入(ARR)达3亿美元,较15个月前的1亿美元增长三倍。尽管谷歌、微软、OpenAI等科技巨头纷纷入局企业AI搜索市场,Glean凭借"上下文图谱"技术深度理解企业业务需求,并帮助客户显著降低AI计算成本。该公司提供按用量计费和混合定价两种模式,客户涵盖Databricks、Reddit、Pinterest及三星等企业。Glean上轮融资后估值达72亿美元。
香港中文大学与MiniMax提出ClaimDiff-RL框架,将图像描述的AI训练从整体打分升级为逐条核查,有效解决了传统方式导致AI"少说保平安"的问题,同时在多项基准测试上超越Gemini-3-Pro-Preview。
杰夫·贝索斯旗下的蓝色起源公司在佛罗里达卡纳维拉尔角进行静态点火测试时,新格伦重型火箭发生爆炸。这是美国历史上最大规模的火箭爆炸之一,也是蓝色起源公司遭遇的最严重失败。所有人员安全,但该事故可能导致新格伦火箭项目长期暂停。此前该火箭已成功完成三次发射,并实现了助推器回收和重复使用。
ParaVT是一个由南洋理工等多校联合提出的并行视频工具调用框架,通过让AI同时分析多段视频并引入PARA-GRPO算法解决训练中的格式崩溃与工具跳过问题,在六项长视频理解测试中平均提升约7.9%。