6 月阿里云，7 月火山引擎，8 月百度。

两个月，三家国内 AI 头部平台先后跟同一家公司签了深度合作。这家公司叫卓越睿新（HK.02687），做的事情说起来也简单，帮高校把知识整理好，再落到教学场景里。听着跟大模型、Agent、算力这些热词隔了十万八千里，大厂偏偏全找上来了。

鹏哥把三份合作框架摆在一起看了一遍，发现一件事，三次合作，每一次都在往上走。

阿里云是 6 月 22 号签的。双方基于通义千问 3.7、CosyVoice 语音合成、通义听悟这些自研模型，加上阿里云开源的 AgentScope Java 多智能体框架，联合搭了一个多 Agent 平台，叫 " 大明白 "。合作文件里明确提了一个词，高质量知识 Token。

Token 这东西，搞 AI 的都熟，大模型就靠它喂。但互联网上的 Token 和教室里的 Token 差很远。互联网 Token 从公开网页、社交内容、百科词条里来，量大，结构松散。一个 " 牛顿第二定律 " 的词条，维基百科和百度百科各写一版，知乎上再写一版，来源五花八门，没有权威标注，也没有前后章节的逻辑关联。模型吞下去，能聊，但聊不出体系。

教室里的 Token 来自一个老师讲了十年的课，一届届学生的交互记录，经过学科专家反复审核的知识图谱。每个知识点都有前置依赖，每个概念都嵌在学科树里，每道题都绑着难易度和教学目标。量不大，每一颗都嵌在体系里。用这种东西训练出来的模型，才算把这门课吃透了。

阿里云跟卓越睿新合作，第一步是用学科内容训练 Agent。但鹏哥觉得，这步棋的落点，是验证一件事，用结构化知识 Token 调出来的模型，到底能不能在真实场景里跑通。跑通了，才有后面的故事。

字节也来了，牌打得更重

7 月 20 号签的，合作方向从 Agent 落地升级到了知识融合、虚实结合、AI 音视频互动、数字化人才培养四个方向。字节这次的牌打得比阿里云重。

为什么说更重，鹏哥拆一下。

阿里云那一轮，是在验证 " 结构化知识训练可行 "。到了字节这一轮，已经不是验证了，是直接铺场景。四个方向各有落点。知识融合是把豆包大模型嵌进学科知识体系里，让它从 " 什么都能聊 " 变成 " 在某门课上能精准回答 "。虚实结合实训更具体，工科学生在虚拟仿真平台上操作一台数控机床，AI 实时判断每一步对不对、哪一步有安全风险，不是事后看录屏，是当场纠错。音视频互动教学把 AI 从文字对答拉到语音和视频交互里。数字化人才培养，看下来是一套从教学到考核到认证的完整流程。

字节的逻辑不复杂。豆包大模型能力够强，缺的是两样东西。一样是垂直领域的知识校准。另一样是真实场景的反馈验证。

通用模型在公开测试集上刷分，正确率可以做到很高。但进了医学院的虚拟仿真实验室，问题全变了。一个医学生对着 AI 描述胸痛症状，模型需要问的不是 " 你吃啥了 "，是疼痛位置、持续时间、放射范围、既往病史，问完给出鉴别诊断，每一步推理都要在医学知识图谱里有据可查。一个环节跳了、逻辑乱了，轻则教学无效，重则养成错误判断习惯。这个标准，做了二十年教学的人才说得清楚。

卓越睿新给的两样东西刚好对上了。学科知识负责校准，教学行为数据负责反馈。大模型不是练得越久越聪明，是练对了才聪明。

百度最后入场，视野最大

和前两次不一样，这次合作的视野明显放大了。不再是 AI 进课堂那点事，延伸到了工业制造、能源调度、应急防灾、精密科研。

举个例子。一条高端产线上，AI 要帮工程师判断当前批次的工艺参数有没有偏离。光读操作手册不够，它得知道这个零件的公差带是多少、上一批次在哪个环节出过问题、调整某个参数对下游工序的连锁影响是什么。这不是通用语义理解能覆盖的，是行业知识体系加真实工况数据叠在一起才能解决的事。

百度那边，百科 3000 万词条、文库 18 亿专业文档、千帆大模型平台，三根柱子撑一边。卓越睿新的全学科知识图谱撑另一边。

还有一个细节挺有意思。双方提了一个业务衡量框架，叫 DAA，日活智能体数。不是日活用户，是日活智能体。每一组智能体跑起来的实效，都要对应到可验证的效率提升和成本优化上。

什么意思呢。以前大家做 AI 合作，做出一个能演示的东西就算交了卷。现在要求是，做出来还得能用。用了还得能算清楚账。从 " 可演示 " 走到 " 可度量 "，从 " 可度量 " 再走到 " 可复制 "，三步都走完了。鹏哥觉得，百度把目标定在这里，说明这次合作从一开始就没打算只做 PR。

三份合作放在一起，能看到同一条线。

教学 Agent 落地，垂直模型调优，产业知识基础设施输出。像爬楼梯，一步比一步高。

通用大模型进实体场景，有四个坎绕不过去。行业认知不够深，知识不成体系，输出不可控，价值没法量化。这几个问题靠堆算力解决不了。

一个通用模型做医疗问答，正确率 80% 看起来很高，但剩下 20% 的错漏可能出现在关键判断上。换成能源调度场景更敏感，一个参数建议偏了，停的是一条产线。换成应急防灾，偏了可能出大事。这些场景容错率近乎为零，需要的不是更聪明的模型，是被行业知识和场景反馈约束过的模型。卓越睿新攒了二十年的家底，恰好是这三样东西，约束它的知识、校准它的数据、承载它的场景。

鹏哥觉得它手里有两样东西，别人短时间内抄不走。

一个是数据。不是互联网上爬来的那种。是覆盖全学科的结构化知识体系，文本、图像、视频、三维模型、工况时序，都经过专家审核、教学验证、反复迭代。这类数据不在公开互联网上，没法合成，只能在真实场景里一天天攒起来。

另一个是场景反馈。高精密产线、能源调度、应急防灾，这些地方容错率极低。光有语义理解远远不够，得吃透行业规则和物理运行逻辑。卓越睿新在全国有大量实训和产业资源，知道哪些知识在实际运转里被反复调用，哪些逻辑用着用着就要修正，哪些痛点到现在还没人碰。这种反馈回路，算力可以买，买不来。

至于这事值多少钱，鹏哥也说不太准。两个信号可以盯着看。

一个是合作路径。从单门课到整个学科，从学科到跨行业输出，每走一步都会留下更多数据、更深场景，还有更强的不可替代性。这条路是越走越宽的。

另一个是 DAA 这个指标。它意味着这轮合作从一开始就不是先干了再说，是干出来就要算账。能算账的生意，天花板是看得见的。能算账又在持续往上走的生意，天花板自己会往上长。

卓越睿新不性感。历史上能跑出来的公司，大多数起步阶段都不性感。等所有人都觉得性感的时候，价格已经不是现在这个价了。