中国大厂 6 月 AI 投资与行动：资金、模型与产业能力正在流向哪里

观察窗口：2026 年 6 月 1 日至 6 月 24 日。

如果只搜索“中国大厂 AI 投资”，很容易得到一串融资金额、数据中心预算和发布会口号。但真正看完 6 月的公开动作，会发现一个更值得注意的变化：这一轮投入正在从“宣布要投多少钱”，转向“把模型、算力、Agent 和物理设备塞进真实业务”。

字节发布 Seed2.1，把重点放在 Agent、Coding 和复杂任务交付；腾讯把个人工具、企业工作台、开发平台和行业方案组成 Agent 套件；华为云发布 Agentic Infra，并把存储、模型路由、强化学习和企业 Agent 放进同一基础设施；联想把 AI 部署到世界杯运营、转播和终端体系；小鹏则把 VLA、Robotaxi 与人形机器人放进同一套 Physical AI 路线；华为与中国移动湖北完成运营商 AI 推理加速方案的实网验证。

这些动作不完全等同于财务意义上的“投资”。有些是研发投入，有些是资本开支，有些是产品发布，有些是合作部署，还有些是把既有能力推向量产和真实网络。

但它们共同回答了一个问题：中国大厂现在究竟愿意把组织资源放到哪里？

我的结论先放在前面：

中国大厂的 AI 竞争，已经从“谁有一个更强的聊天模型”，转向“谁能同时控制低成本算力、真实数据闭环、高频入口和物理世界交付”。模型能力仍然重要，但单独的模型榜单正在失去解释力。

先把“投资”说清楚

这篇文章把 6 月 AI 投入分成五类：

类型	代表动作	真正投入的资源
模型研发	Seed2.1、VLA2.0	算力、数据、研究团队、评测体系
产品平台	腾讯 Agent 套件、华为 ModelArts Next	产品团队、云资源、开发者生态
基础设施	Agentic Infra、运营商推理加速	芯片、存储、网络、调度和运维
场景部署	世界杯、企业办公、汽车量产	交付团队、客户关系、可靠性责任
生态合作	运营商、大学、国际赛事	渠道、标准、行业数据和长期合同

这样分类很重要。发布一款模型和建设一套实网推理系统，都是 AI 行动，但风险完全不同。前者主要承担研发风险，后者还要承担成本、稳定性、集成、安全和服务等级责任。

真正值得关注的，不是谁在新闻稿里出现得多，而是谁开始承担后面这部分责任。

一、互联网与云：从模型参数转向 Agent 交付

字节跳动：Seed2.1 的重点不是更会聊天，而是把任务做完

6 月 19 日，字节跳动 Seed 先把 Seed-2.1-Preview 放上 Arena；6 月 23 日，Seed2.1 正式发布，并开始向豆包和火山引擎用户开放。

这次发布最值得看的不是某一项榜单排名，而是字节对模型价值的定义发生了变化。

官方把 Seed2.1 定义为面向真实生产力的 Agent 模型，重点覆盖三类能力：

跨工具、跨环境执行复杂任务。
从需求分析、实现、修复到验证的完整 Coding 交付。
复杂文档、图表、视频和空间信息的多模态理解。

字节还特别强调 GUI、浏览器、代码仓库、文件、MCP 和外部工具之间的切换。在官方披露的测试中，强化学习让移动端任务的平均操作步骤减少 16%。这仍然是厂商自报数据，不能直接等同于所有真实用户的生产率提升，但它说明模型优化目标已经从“回答质量”转向“任务闭环”。

更关键的是，Seed2.1 已经进入字节自己的模型研发流程。官方称，它参与评测系统开发、能力诊断、SFT 数据合成、RL 训练框架优化，以及论文方法的代码和实验验证；复杂任务可能持续数小时、数十小时甚至数十天。

这件事的战略意义在于：模型开始参与生产下一代模型。

如果这个闭环有效，字节获得的就不只是一个更强的豆包模型，而是一套能够压缩研发周期、扩大实验吞吐、积累 Agent 轨迹的内部生产系统。外部产品提供流量和反馈，内部研发提供高价值任务，两者会共同形成数据飞轮。

腾讯：不押一个超级入口，而是把 Agent 铺进现有工作流

6 月 5 日，腾讯云在北京的 AI 产业应用大会上发布了生产力 Agent 套件。

面向个人用户，套件整合 QClaw、WorkBuddy、元宝、ima 和腾讯文档；面向企业，则包括 WorkBuddy Enterprise、ClawPro、腾讯云智能体开发平台 ADP、企点营销云等产品。

腾讯的路线和字节不同。

字节更像是在强化模型和 Agent 本身的任务能力；腾讯更强调把 Agent 接入文档、会议、知识、开发、营销和行业系统。腾讯会议可以把会议上下文结构化，再通过 MCP、Skills 和 CLI 供不同 Agent 理解和检索；腾讯文档则尝试让人和 Agent 在同一文档里协作。

腾讯还披露，CodeBuddy 已覆盖超过 95% 的腾讯工程师，并称整体编码时间降低 40%；Hy3 Preview 接入 WorkBuddy 后，首响速度提高 54%，平均任务完成时间降低 47%。这些数字来自腾讯自身，不应该被当作独立审计结果，但可以看出腾讯在用内部超大规模组织验证产品，再向企业客户输出。

腾讯真正的优势不是模型一定最强，而是它拥有大量高频工作流：微信、会议、文档、企业微信、云、游戏、广告、支付和开发平台。

我的判断是：腾讯正在把分发优势改造成执行优势。

过去的超级应用把流量送到服务；未来的 Agent 平台可能直接理解上下文、调用服务并完成任务。谁控制工作流，谁就更容易获得持续反馈，也更容易把推理成本转成订阅、云消费或行业合同。

这一行业真正争夺的是什么

互联网与云大厂表面上在发布模型和 Agent，实际争夺的是三个东西：

入口：用户从哪里提出任务。
上下文：模型是否理解文档、会议、代码、历史记录和组织知识。
执行权：Agent 能否调用工具、修改文件、运行代码、触发业务流程。

当这三者连起来，聊天框才会变成生产系统。

这也解释了为什么这一轮竞争不会只由模型公司决定。一个模型可以通过 API 被替换，但企业身份、权限、文档、会议和业务系统的连接关系，很难在一夜之间迁移。

二、ICT 与智能终端：AI 开始成为完整系统，而不是设备卖点

华为云：Agentic Infra 把存储、模型和行业平台重新组合

6 月 5 日举行、6 月 8 日对外发布的 Huawei Cloud INSPIRE 2026 上，华为云宣布了新的Agentic Infra 和一系列 Agentic AI 产品。

其中最值得关注的不是“又一个企业 Agent 平台”，而是华为试图重新定义 Agent 所需的基础设施：

Agentic Memory Storage 通过 NPU 直通和分层 KV cache 池，面向 PB 级记忆空间和多日长任务。
ModelArts Next 把强化学习服务、保密推理、模型路由和模型矩阵放进同一训练推理平台。
行业 AI Foundry 新增智慧医疗、具身智能、智能制造和科学计算专区。
通用计算与 AI 计算统一调度，并把数据安全和企业自主控制作为平台能力。

华为称 ModelArts Next 已提供 15 个以上模型服务，模型调度准确率超过 95%，平均调用成本降低 20%。同样，这些是厂商口径，最终效果取决于客户模型、请求结构和部署环境。

但方向非常清楚：企业未来不会只使用一个模型。它们会在不同任务之间做模型路由，在成本、速度、隐私和质量之间动态选择。

这意味着云厂商真正要卖的，不只是 GPU 或 NPU 时间，而是每个有效任务的最低综合成本。

联想：世界杯把 AI 从产品演示推到高压现场

联想 6 月的 AI 动作很少围绕模型榜单，更多围绕 2026 年世界杯的真实运营。

联想官方 StoryHub 在 6 月集中披露了多项落地，包括世界杯运营与 AI 驱动转播、AI PC、智能指挥中心、3D 球员形象和 Referee View 等场景。6 月 22 日，联想还宣布与南安普顿大学推进高性能计算合作。

这些动作的价值，不在于“足球也用了 AI”，而在于世界杯是一个非常苛刻的系统测试：

赛事时间固定，不能延迟交付。
现场设备数量多，网络和边缘环境复杂。
转播、裁判、运营和观众体验同时承受高并发。
任何错误都可能被全球观众放大。

联想的 AI 战略因此不只是卖 AI PC，也不是单纯卖服务器。它在尝试把终端、边缘、数据中心、服务和现场运维绑成一套交付能力。

这类能力未必像大模型发布那样吸引眼球，却更接近真实收入。企业客户买的不是“AI 概念”，而是有人对设备、网络、模型和业务结果一起负责。

智能终端的核心，不是多一个 AI 按钮

终端厂商都想把 AI 放进手机、PC、汽车和可穿戴设备，但真正的分水岭不是有没有助手，而是三件事：

AI 能否获得当前任务上下文。
本地和云端计算能否合理分工。
设备厂商能否连接后端服务并承担持续交付。

如果做不到，AI 只是一个新的功能入口；如果做到，设备就可能变成用户与 Agent 长期协作的身份、感知和执行节点。

三、汽车与机器人：模型开始争夺物理世界的数据闭环

小鹏：VLA、Robotaxi 和人形机器人开始共用一套 Physical AI 叙事

6 月 3 日，小鹏在官方新闻中披露了其 CVPR 2026 Physical AI 进展。

这次最重要的信息是：小鹏称基于自研基础模型的 VLA2.0 辅助驾驶系统已经进入正式量产，并继续推进 VLA2.0、Robotaxi 和人形机器人的规模化落地。

按照小鹏的官方口径，VLA2.0 使用数亿段视频训练，单次模型迭代消耗超过 4 万亿 token；它把视频、人的指令和车辆运动输出放进统一建模框架，并与世界模型结合，预测多视角未来画面和车辆动作。

这些数字仍需要用真实道路安全、接管率、事故率和长期运行数据检验。模型进入量产，也不等于已经达到无人驾驶。

但小鹏路线的产业意义很强：汽车、Robotaxi 和人形机器人不再被当成三个完全独立的业务，而是三个不同的物理智能载体。

它们共享的能力包括：

对真实世界的视觉感知。
对未来状态的预测。
复杂环境中的决策与控制。
通过持续运行收集数据并迭代模型。

车是当前最成熟的数据采集和商业化载体，Robotaxi 提高自动驾驶强度，人形机器人则把同一套感知和动作能力带进更多空间。

如果共用模型、数据管线、仿真系统、芯片和工程团队能够成立，小鹏获得的不是三个故事，而是一套 Physical AI 平台。

如果共用程度不高，结果也可能相反：汽车、Robotaxi、飞行汽车和机器人同时烧钱，组织注意力被摊薄，每个业务都需要漫长投入，却没有一个足够快地产生现金流。

这正是汽车大厂做 AI 最锋利也最危险的地方：它们离物理世界最近，也最容易被物理世界的成本拖住。

四、芯片与算力：竞争开始从“有多少卡”转向“每张卡能产出多少 token”

华为与中国移动：第一次把推理优化放进运营商实网

6 月 24 日，中国移动湖北与华为宣布完成运营商行业 AI 推理加速方案实网验证。

方案使用 OceanStor A800 存储、Ascend A3 SuperPoD 和 Unified Cache Manager，并在中国移动湖北的真实网络环境中部署 vLLM-Ascend，对 MiniMax M2.5、GLM-5.1 等模型进行 8K 到 190K 长序列测试。

华为披露的结果包括：

长序列推理 token 吞吐最高提升 372%。
MiniMax M2.5 的首 token 时间改善 26% 至 62%。
在 64K 序列下，每 NPU 的 TPS 提升 58%；128K 下提升 78%。

这些结果来自合作方测试，不等于所有模型和生产负载都能获得同样收益。但它抓住了推理成本里一个经常被忽略的瓶颈：KV cache。

长上下文 Agent 会反复读取历史信息。如果所有上下文都重新计算，芯片会花大量时间重复工作。把 KV cache 从有限的片上内存和 DRAM 扩展到分层存储，并让存储、计算和网络协同调度，可以减少重复计算，提高已有 NPU 的有效产出。

这件事比简单宣布“新增多少算力”更重要。

真正稀缺的不是芯片数量本身，而是可持续、可利用、可变现的 token 产能。

一套集群如果利用率低、长上下文效率差、模型迁移困难、故障率高，即使账面算力很大，也不等于真实供给很强。

联想与大学 HPC：科研算力仍是 AI 生态的上游入口

联想 6 月 22 日与南安普顿大学宣布高性能计算合作，说明另一类投入仍在继续：把计算基础设施铺进大学和科研机构。

科研 HPC 不一定直接产生消费级 AI 收入，但它会形成算法、人才、工程经验和高价值工作负载。对基础设施厂商来说，大学既是客户，也是未来模型、软件和开发者生态的源头。

因此，算力投资不能只看互联网数据中心。运营商、大学、制造企业、汽车公司和公共科研平台，正在共同构成分布式的 AI 计算市场。

把四个行业放在一起：大厂真正争夺四种稀缺资产

1. 便宜而稳定的有效算力

不是峰值参数，也不是一次采购，而是每个可用 token 的综合成本。

芯片、存储、网络、模型路由、缓存、液冷、供电和运维都会进入这个公式。华为的实网验证和 Agentic Infra 都说明，基础设施正在从“堆机器”转向“优化任务产出”。

2. 专有数据闭环

字节拥有内容、搜索、广告、开发和模型研发反馈；腾讯拥有社交、文档、会议、企业协作和游戏；小鹏拥有道路、车辆和物理行为数据；联想能够从设备和大型交付现场获得系统运行经验。

未来最有价值的数据，不是互联网公开文本，而是任务如何被完成、哪里失败、用户如何修正、设备如何运行。

3. 高频入口与权限关系

Agent 要创造价值，必须知道用户是谁、可以访问什么、能够执行什么。

腾讯文档和会议、豆包与火山引擎、联想终端、汽车座舱和企业云，都是不同入口。入口越高频，身份和权限越完整，Agent 越容易从回答问题走向执行任务。

4. 进入物理世界的交付能力

软件出错可以回滚，汽车、机器人、赛事系统和运营商网络出错会产生现实后果。

因此，物理 AI 的护城河不会只来自模型。供应链、认证、维护、现场工程、故障恢复和责任边界同样重要。

乐观判断：中国的优势可能在“部署密度”

乐观地看，中国大厂具备几个非常现实的优势。

第一，应用场景密集。电商、支付、内容、物流、制造、汽车、通信和城市服务都能提供大量高频任务。

第二，工程与供应链协同快。模型、云、终端、汽车、机器人和制造体系之间距离较近，产品可以快速试错和压低成本。

第三，市场对价格敏感，反而会逼出更高推理效率。算力受限不一定只产生劣势，也可能迫使企业在蒸馏、路由、缓存、软硬协同和小模型部署上形成能力。

第四，大厂拥有成熟分发入口。AI 不需要从零获取所有用户，可以直接进入文档、会议、内容平台、手机、PC 和汽车。

如果这些优势能够连成闭环，中国 AI 未必需要在每一个 frontier benchmark 上领先，仍然可能在低成本部署和行业规模化上形成强竞争力。

悲观判断：很多 AI 投入仍可能只是昂贵的流量补贴

悲观地看，问题同样明显。

第一，模型和基础设施重复建设。每家大厂都做模型、Agent、云平台和开发工具，可能造成大量同质化投入。

第二，用户付费意愿不足。AI 功能使用量增长，不等于收入能够覆盖推理、存储、研发和折旧。

第三，厂商数据很漂亮，独立验证很少。编码时间降低、吞吐提升、榜单排名和行业覆盖，都需要长期客户留存与真实财务结果检验。

第四，物理 AI 的回报周期很长。汽车、Robotaxi、机器人和算力基础设施都需要持续资本投入，任何量产延迟都会放大现金流压力。

第五，入口优势可能变成组织负担。大厂产品多、权限复杂、历史系统重，Agent 要跨部门真正执行任务，往往比做一个演示困难得多。

如果商业化跟不上，AI 最终可能成为新的“免费功能军备竞赛”：每家公司都必须提供，但没有人能单独提高价格。

客观判断：2026 年真正的分水岭不是发布，而是单位经济

客观地看，现在还不能仅凭 6 月的发布判断赢家。

接下来应该追踪五个指标：

AI 收入能否覆盖新增推理与折旧成本。
Agent 的任务成功率和复用率是否持续提高。
企业客户是否从试点转向多年合同。
汽车和机器人是否产生稳定量产、使用和安全数据。
算力优化能否在更多模型、负载和客户环境中复现。

这些指标比模型榜单更慢、更无聊，却更接近企业价值。

我的观点：最危险的误判，是把中国 AI 只看成“模型追赶”

我认为，外界最容易犯的错误，是只用“谁的模型更接近美国头部模型”判断中国 AI 实力。

这当然重要。高端训练算力、基础研究、人才密度和模型上限仍然决定长期能力，中国企业在这些方面存在真实约束。

但如果只看模型差距，也会忽略另一半现实：AI 的最终价值不是产生一个更漂亮的答案，而是以足够低的成本进入足够多的工作流，并稳定完成任务。

中国大厂在 6 月表现出的共同倾向，不是停止追模型，而是开始把模型嵌入自己的产业纵深：

字节把模型嵌入内容、开发和模型研发。
腾讯把 Agent 嵌入文档、会议、企业协作和云。
华为把 Agent 嵌入算力、存储、模型平台和行业基础设施。
联想把 AI 嵌入终端、赛事运营和科研计算。
小鹏把模型嵌入汽车、Robotaxi 和机器人。

这条路线的上限很高，因为它能产生真实数据和收入；它的下限也很低，因为每一个行业都可能陷入低价竞争、重复建设和长期烧钱。

我最看好的不是“所有大厂都会赢”，而是其中少数能完成三次转换的公司：

把模型能力转换成任务成功率。
把任务成功率转换成客户愿意付费的工作流。
把收入转换成下一轮算力、数据和产品优势。

做不到这三步，AI 投资只是成本中心。

做到这三步，模型、云、终端和物理设备才会形成真正的复利。

文章总结

2026 年 6 月，中国大厂可验证的 AI 动作以模型升级、Agent 平台、真实场景部署和推理基础设施优化为主，公开大额股权投资反而不是主线。
字节和腾讯都在争夺 Agent，但字节更强调模型与复杂任务交付，腾讯更强调入口、协作和企业工作流。
华为和联想正在把 AI 从软件功能扩展为包含计算、存储、终端、行业平台和现场服务的完整系统。
小鹏的 VLA、Robotaxi 和人形机器人路线，代表汽车公司试图把道路数据、世界模型和物理执行能力放进同一平台。
华为与中国移动湖北的实网验证说明，算力竞争正在从芯片数量转向 token 吞吐、KV cache、模型路由和单位成本。
中国 AI 的机会在部署密度、供应链协同和成本工程；风险在重复建设、付费不足、厂商数据缺少独立验证，以及物理 AI 的漫长回报周期。
最终赢家不会只是模型最强的公司，而是能把模型能力、任务成功率、付费工作流和下一轮投入连成闭环的公司。