公司概况与市场地位 - 公司是中国领先的实时数据基础设施和分析解决方案服务商，于2025年12月30日在香港证券交易所上市 [2] - 公司从资产管理行业起步，为全行业企业提供实时信息技术解决方案 [2] - 在中国实时数据基础设施及分析市场，公司整体市场份额为3.4%，排名第四；在资产管理行业细分市场，市场份额为11.6%，排名第一 [2] 行业分析与发展前景 - 中国实时数据基础设施及分析市场规模已从2020年快速增长至2024年的人民币187亿元，2020-2024年复合年增长率高达46.1% [2] - 受益于数据要素政策红利与下游数字化转型刚需，行业规模有望在未来五年保持双位数增长，预计2020-2029年复合年增长率为22.0%，于2029年达到人民币505亿元 [2] - AI落地（如OpenClaw等工具）带来数据治理需求高增，支持AI工具落地的数据基础设施需求将推动行业发展 [1] 业务模式与成长性 - 公司基本面扎实，以资产管理行业为核心起点，2022-2024年该行业收入占比从74.4%逐步降至38.7% [4] - 公司成功切入金融服务（资产管理除外）、城市管理、制造管理、电信等多元化领域，2024年非资产管理行业收入贡献占比达61.3% [4] - 在客户规模和ARPU增长的驱动下，预计2025-2027年公司整体营收为12.8/23.3/34.5亿元，对应增速为103%/82%/48% [5] 财务表现与盈利预测 - 公司预计将在2026年实现盈利，预计2025-2027年净利润为-1.30/2.72/8.41亿元 [5] - 公司预计将维持较高的毛利率水平并保持平稳，预计2025-2027年整体毛利率为71.6%/73.5%/75% [5] 估值与目标 - 选取Snowflake和Palantir作为对标公司，采用PS和P-FCF两种估值方法，给予公司2026年517亿港元目标市值，对应目标价160港元 [5] - 目标价相对现价有13%的涨幅空间 [5] 海外对标与行业逻辑 - Palantir通过“大模型+小模型”的AIP平台形式，解决了通用大模型在企业级应用中的灵活性和准确性问题，加速了AI应用在企业端落地 [3] - Palantir的成功案例说明，AI在企业端的深入落地离不开企业内部数据治理和相关数据基建的进一步发展与完善 [3] - 公司作为实时数据基建行业的龙头，将长期受益于AI落地带来的数据基础设施需求 [1]

公司业务动态 - 深桑达A于2月11日在互动平台回应投资者提问 [2] - 公司表示其中国电子云可信数据空间以国家数据基础设施标准为指引 [2] - 该业务旨在构建覆盖多方主体的数据基础设施体系 [2] - 其目标是推动数据资源从“自给自足”向“流通赋能”发展 [2] 行业发展趋势 - 数据基础设施体系建设成为行业发展方向 [2] - 数据资源从自用向流通共享赋能转型是行业趋势 [2]

文章核心观点 - 随着人工智能智能体从实验转向生产，企业当前的数据基础设施面临严峻的可扩展性挑战，预计AI工作负载将急剧增长，可能引发系统失效和重大财务损失，这凸显了数据库层现代化和稳健架构的紧迫性 [2][3][4][7] AI工作负载增长预期与基础设施压力 - 蟑螂实验室对1125名技术高管的调查显示，所有受访者预期AI工作负载明年会增长，其中超过60%预测增长幅度将达到20%或更多 [2] - 公司首席执行官预测，AI驱动的数据需求增长时间线将急剧压缩：三年内将有10倍增长，五年内可能会有100倍增长，远超历史上数据库每10年增长10倍多一点的可控速度 [3][4] - AI智能体持续运行，其请求量远超人类用户节奏，例如Python脚本访问API可能达到每秒5000次操作，这将对后端数据库造成前所未有的压力 [2][9] 企业基础设施面临的失效风险与财务影响 - 调查显示，83%的受访者预计其数据基础设施若不进行重大升级，将在未来24个月内失效，34%认为临界点将在未来11个月内到来 [3] - 系统停机的财务后果严重：98%的受访者表示一小时停机至少造成1万美元损失，近三分之二（约65%）表示每小时成本超过10万美元 [4] - 报告指出故障可能首先出现的环节：36%的受访者认为云基础设施或服务提供商是首要故障点，数据库层以30%的比例排在第二位 [6] 当前应对策略与认知差距 - 企业正在采用多种扩展策略：约一半采用混合或动态扩展方法，26%专注于水平扩展，22%专注于垂直扩展，混合方法被认为是更务实的渐进策略 [8] - 调查发现，85%的受访者将至少10%的总IT预算用于对数据基础设施有重大需求的AI计划，24%的支出超过25% [7] - 然而，存在明显的认知差距：63%的受访者表示，高管低估了AI需求超越现有基础设施的速度，这可能导致组织对使用模式的突然变化准备不足 [7][8] 解决方案与行业趋势 - 仅依赖云弹性无法解决问题，叠加在云基础设施之上的数据库和数据管理层的架构选择，将决定系统能否处理持续的AI驱动负载 [7] - 蟑螂实验室公司正将其长期强调的可靠性优势，定位为应对AI带来的扩展压力的关键解决方案，AI扩展压力正成为数据库现代化决策的更突出驱动因素 [8][9]

文章核心观点 - 在AI时代，软件公司的核心护城河在于构建平台，而非提供单点产品，平台因其与客户系统的深度集成和协同而具备强大的黏性[6][9][12] - 技术范式转移（如AI）的关键在于公司能否以最快的速度构建、学习、进化并利用新平台级变化，保持领先地位是应对投资人和客户质疑的根本[7][8] - 数据基础设施（如数据库）是技术栈中持久且不可或缺的“常量”，拥有巨大的总潜在市场，是AI时代构建应用的关键底层[21][24] - 企业级市场的成功不仅依赖技术，更需满足监管、安全、多云韧性等“企业级”要求，并建立强大的市场进入渠道[14][15] - 真正的产品领导力源于与客户的持续、深入交流，这能帮助公司预见未来、实现模式匹配并驱动有效的商业战略[33][34] AI时代软件价值与护城河 - **平台优于产品**：单点产品易被替换，而平台是客户经过深思熟虑的重要决策，能形成真正的黏性[6][9] - **护城河的本质是速度**：在技术范式转移时，公司必须以最快速度构建、转型并利用新技术，保持领先是核心[7][8] - **平台黏性的体现**：当客户在一个平台上构建多种协同工作的产品，并与其大量现有系统深度集成时，便形成了强大的护城河[12] - **规模化挑战**：依靠颠覆性单点产品可从0增长至1亿美元，但想达到100亿美元以上纯软件收入极为困难，平台型公司屈指可数[11][12] 企业级市场的真实挑战 - **超越“氛围编程”**：虽然“氛围编程”和代码生成能加速应用开发，但进入大型企业市场需解决监管合规、安全审计、多云部署等复杂要求[14] - **市场进入壁垒**：真正的总潜在市场在于《财富》10强、100强、500强公司，需要强大的市场进入策略和渠道以通过其严格的检查流程[12][15] - **企业级要求**：银行等大型客户要求应用具备监管测试能力、高韧性、多云支持（如同时部署在AWS和GCP）以及本地物理隔离部署选项[14] 数据基础设施的战略地位 - **持久的“常量”**：无论技术栈如何演变，数据存储层（数据库）是必须存在的，构成了一个巨大且持久的市场[21][24] - **巨大的总潜在市场**：数据库市场历史悠久（如Oracle将成立50周年），但仍有巨大的可颠覆空间，MongoDB作为颠覆力量在约18年内取得了显著成功[18][19][22] - **契合AI时代需求**：AI应用产生大量非结构化、混乱的数据，需要极高的开发和迭代速度以及强大的搜索能力，MongoDB的架构非常适合此场景[20] - **支撑关键应用**：许多关键任务级应用（如电商、商业银行系统、医疗系统、保险理赔）已运行在MongoDB上[19] 客户实践与AI采用现状 - **客户深度集成案例**：一家银行在MongoDB上构建了300个关键应用，而其应用总数达9000个，这展示了平台深度嵌入客户基础设施后产生的强大黏性[13] - **AI价值认知差异**：大型企业在办公生产力类AI助手（如Excel、PPT生成）上获得的价值不明确，但在代码辅助方面（如GitHub Copilot）自2024年以来进展显著，2025年成为代码辅助的突破年[25][26] - **AI原生公司的定位难题**：企业客户在考虑AI原生解决方案时，困惑于是将其作为现有记录系统的补充，还是完全替代现有系统[27] - **转型意愿存在**：如果AI原生公司能证明可完全替代现有系统，且更便宜、更快、更好，企业领导者愿意忽略沉没成本并持开放态度[27][28] 公司战略与增长再加速 - **利用AI强化护城河**：平台型公司应利用AI更快地为更多用例创造新产品，并实现增长的再加速，这是投资人关注的核心[16] - **证明增长再加速**：投资人关心AI是否能让公司增长再次加速，若无法展示此点，投资人可能持中立甚至看空态度[16] - **清晰的护城河认知**：公司必须清楚自身真正的护城河（如与50个系统完成集成），并借助AI将其进一步加强[15] - **“与”而非“或”的策略**：对于MongoDB，AI原生公司的崛起应被视为增量机会（“与”），而非对其核心数据平台的替代（“或”），核心业务仍在持续增长[38] 产品领导力与客户洞察 - **客户交流是核心**：除非一直与客户交流，否则不可能成为出色的产品和工程人员，这有助于预见问题、洞察未来方向[33] - **从客户中获取洞察**：通过面对面交流，能了解客户如何部署产品、部署时长、期望价值，从而成为更脚踏实地的产品人[34] - **摒弃“酒香不怕巷子深”思维**：认为“产品做好了，他们自然会来”的想法是错误的，客户亲密度至关重要[34] - **理解商业全局**：优秀的产品人需要理解市场进入渠道、定价策略、危机应对等整体商业战略，而不仅仅是产品本身[34] 技术转型与变革管理 - **主动拥抱转型**：面对如AI这样的平台级变革，不主动参与不是一个选项，公司必须积极投入，无论技术成熟度在短期内如何[35] - **转型是变革管理问题**：从云转型到AI转型的成功，关键在于组织变革管理，而非单纯的技术问题[36] - **通过成果证明价值**：证明投资人看错的唯一方式是通过再加速并展示实际成果，让市场看到公司回归增长轨道[36] - **架构优势与客户信任**：顺利完成转型（如Atlas转型、多云转型、AI转型）需要坚实的架构基础和从客户那里获得的信任[36]

公司融资与业务进展 - 云器科技于2月4日宣布完成B轮融资 [1] - 本轮融资由ALC Capital领投 [1] 公司业务定位与产品 - 公司专注于为中国市场及出海企业提供完全自研的AI+Data下一代数据基础设施 [1] 公司合作伙伴与市场覆盖 - 公司合作伙伴包括蚂蚁集团、小红书、快手科技、Ninja Van等 [1] - 公司业务覆盖亚洲多个国家和地区 [1]

文章核心观点 - 在通往通用物理智能（如自动驾驶）的道路上，模型算法是天花板，而数据基础设施是地板，真正的壁垒在于两者能否实现“双轮驱动” [1] - 模型算法本身正在变成“快消品”，但如何从物理世界挖掘数据、定义好坏、构建逼真虚拟考场的基础设施，一旦建成将成为真正的护城河 [5] - 对于物理AI（如机器人、自动驾驶）而言，越是走向端到端和世界模型，以大规模实车数据闭环为核心的“重”基础设施就越有价值 [27][33] 行业风向与共识转变 - 自动驾驶和AI圈子的关注点已从比拼单个模型的智力上限（如模型架构、SOTA论文），转向争夺“数据基础设施”人才 [2][8] - 头部公司如Tesla、Wayve、DeepMind的技术重点已变为数据引擎、自动评测体系、生成式仿真和闭环能力 [3][8] - Tesla在FSD V12中强调从大规模车队中挖掘“特征片段”并构建自动评分系统，而非依赖人工规则 [3] - Wayve等激进端到端玩家将生成式世界模型（如GAIA-1/GAIA-2）作为产品路线图主干，认为AI需先学会生成逼真、可交互的世界才能真正学会驾驶 [3] - DeepMind的Genie项目逻辑类似，旨在从海量互联网视频中学习可交互虚拟环境，供智能体进行加速训练 [4] 物理AI的进化形态（类比科幻作品） - **第一阶段：完全虚拟（SAO Aincrad篇）** - 对应早期仿真与远程示教，所有交互发生在代码构建的虚拟空间，效率极低（1x实时），且无法模拟物理世界的混沌噪声 [9][10][16] - **第二阶段：增强现实（SAO Ordinal Scale篇）** - 对应当下的大规模实车数据闭环，在真实世界（如数千辆L4/L2+车辆）上叠加数据采集，核心优势是数据天然包含物理世界的真实分布，但核心痛点仍是数据积累速度受物理时间限制 [11][16] - **第三阶段：世界模型与时间加速（SAO Underworld篇）** - 对应物理AI的终极方向，即构建一个时间流速可加速（如现实1天等于虚拟几百年）的逼真世界模型，让AI在其中进行指数级快速试错与进化 [12][13][17] - **终局展望：脑机接口与人机融合（加速世界篇）** - 对应Neuralink等公司的愿景，通过高带宽脑机接口实现人类意图的零损耗采集，直接将人类价值观注入AI [14] 自动驾驶数据闭环体系的核心作用 - 当前建设的L4自动驾驶数据闭环，并非仅仅为了“修Bug”，而是将物理世界的混沌翻译成世界模型能理解的“教科书” [15] - 该体系为未来世界模型提供关键的“生成指令集”和自动化评判标准，其价值在于对物理世界的理解、问题定义和数据掌控力这些“慢变量” [21][32] 第一层：感知物理世界的“体温计”（指标体系） - 定义了如MPS（每愚蠢里程）和MPD（每危险里程）等客观物理指标，这些指标未来将成为世界模型的奖励函数，用以评判AI在虚拟世界中驾驶的舒适性与安全性 [18][19] - 这些物理世界的客观标准（如急刹代表体验差，画龙代表控制不稳，贴得太近代表危险）是永恒不变的 [24] 第二层：把“瞬间”变成“病历”（数据分级与CaseID） - 通过Microlog/Minilog/CaseID体系，从现实世界每秒产生的PB级噪声数据中，提取高价值信息，将零散数据事件（如一次急刹）转化为结构化的“临床病例”，供世界模型学习 [20][25] 第三层：把车队变成“题库”（标签与FastDM） - 通过秒级标签为每一帧数据打上数百个维度的标签（如雨天、夜晚、路口、有行人），再配合FastDM（极速挖数引擎），可以上帝视角快速检索特定场景组合 [21] - 这相当于为训练世界模型构建了一个“题库”和“生成指令集”，可以针对现实中最易出事的场景分布，指令世界模型生成大量变种环境进行针对性训练 [21] 第四层：把专家经验变成“自动判卷人”（Trigger框架） - 将资深算法工程师的Debug经验编写成Python Trigger，这些Trigger未来可在世界模型中运行，作为24小时监控虚拟车辆行为的“自动化判卷老师”，对违规行为即时给出负反馈 [22] 第五层：从Bug到课程（问题聚类） - 将零散的Bug聚类成“典型问题场景”，这对应于AI训练中的课程学习，可以分阶段、有重点地训练模型，例如先集中训练“无保护左转”，再高强度训练“鬼探头”场景 [23][26] 物理AI时代的基础设施价值 - **与LLM的差异**：ChatGPT等纯文本模型犯错代价低，而物理AI（如自动驾驶）存在“幻觉致命”风险（如生成违反物理规律的环境），且高质量负样本（如车祸数据）极其稀缺 [27][29] - **核心作用**：实车数据闭环用于校准世界模型的物理参数，并通过Trigger和挖数引擎淘金式挖掘高价值负样本 [28][29] - **未来开发模式**：世界模型作为“生成器”负责发散，生成海量可能路况；数据基础设施作为“判别器”负责收敛，用积累的典型问题库、MPD/MPS指标和实车数据去指引生成方向、评分并进行真实性校验 [29][36] - **长期主义投资**：真正的壁垒在于投资那些“不会变”的事物，如物理世界的客观指标、对优质数据（Corner Case）的筛选逻辑、以及自动化闭环的流程 [33][37] 实践成果与商业验证 - 阿里巴巴达摩院/菜鸟自动驾驶团队在2018至2025年间，实现了从封闭园区运营到公开道路常态化运营的跨越 [35] - 具体成就包括：双十一期间近千台“小蛮驴”在封闭园区并发运营的历史峰值；高速公路L4重卡达成500 MPI的目标；以及约500台公开道路无人车的常态化运营 [35][46] - 该系统创造了千万公里无重大事故的安全记录，并实现了降本增效的商业价值，证明了自动驾驶技术的生产力属性 [38]

数据基础设施建设核心方向 - “十五五”时期是数据基础设施从“建起来”向“用得好”跨越的关键阶段 核心发力方向为“统筹协同、场景牵引、普惠适配” [2] - 首要任务是筑牢“统一底座” 以国家级基础设施为核心 推动技术标准、数据格式、安全规范的全国统一 避免重复建设和“数据烟囱” [2] - 强化“算力+信任”双轮驱动 基础设施需提供算力支撑并嵌入数字信任能力 通过“数据可用不可见”解决流通痛点 [2] - 建立“分级分类”建设机制 针对政务、工业、民生等不同领域明确功能优先级和技术路径 [2] 地方与行业实施路径 - 引导地方行业因地制宜的关键在于“分类指导+试点示范” [3] - 对政务服务等共性场景 推广国家级平台的成熟方案 [3] - 对产业互联网、跨境贸易等特色场景 鼓励地方结合产业优势开展定制化适配 例如长三角可聚焦跨境数字凭证互认 珠三角可侧重制造业供应链数据可信流通 [3] - 基础设施建设方应聚焦实际场景 避免“重技术轻应用” 让数据基础设施真正成为场景落地的“硬支撑” [3] 技术优化与互联互通 - 解决跨技术路线互通堵点、平衡安全与效率的核心是通过“技术标准化+架构模块化”实现突破 [3] - 需推动建立统一的技术标准 针对不同技术路线制定统一的跨平台调用接口和数据转换协议 [3] - 打造基于多种技术的融合架构 例如将隐私计算、零知识证明、联邦学习等技术与区块链服务网络(BSN)的分布式信任底座结合 实现“安全防护不降级、流通效率不打折” [3] - 在跨区域政务数据共享中 通过区块链完成身份确权和授权存证 通过隐私计算实现数据“可用不可见” [3] - 依托国家级平台统筹构建跨区域、跨行业“信任联盟” 通过链上互认减少重复核验 打破“信任壁垒” [4] 可信数据空间与国信数字凭证平台实践 - 隐私保护计算、区块链等技术成为破解“数据可用不可见”的关键 [4] - 《国家数据基础设施建设指引》明确将“数据可信流通”作为核心功能 鼓励打造低成本、高效率、可信赖的流通环境 [4] - 2025年12月19日 由国家信息中心指导的“国信数字凭证公共服务平台”正式发布 旨在破解“数据可信流通”的关键瓶颈 [4] - 平台旨在打造“数字信任底座” 一方面依托国家信息中心的统筹优势保障数字凭证可信 另一方面通过市场化运营机制实现凭证服务便捷化 [4] - 平台落地实践坚持“多方协同、场景为王” 聚焦行业痛点难点 初步形成“跨界合作+多场景突破”的良好格局 在国内应用场景已实现多点开花 [5] 未来场景拓展方向 - 国信数字凭证公共服务平台未来场景拓展将聚焦三大方向 [5] - 方向一：深度融入数字经济循环 为数据要素可信流通提供底层支撑 助力产业数字化与数字产业化协同发展 [5] - 方向二：支撑国家治理能力提升 推动数字凭证在跨地区、跨部门政务协同中的规模化应用 构建高效协同的数字治理体系 [5] - 方向三：聚焦民生福祉改善 让数字信任服务渗透到生活服务各环节 打造更便捷、更安全、更普惠的数字生活新形态 [5] - 最终目标是实现“全场景覆盖、全链路可信、全方位赋能” 进一步夯实数据基础设施根基 助力新质生产力培育 [5]

行业现状与挑战 - 中国是全球数据大国，但数据留存率仅2.8%，面临海量数据存不下、存储成本高和能耗大的技术难题 [1][4] - 行业高质量数据稀缺，以医疗模型为例，中国模型训练数据量仅为西方领先国家的10%左右 [1][4] - 大量城市与企业数据仍储存在“孤岛”上，数据共享率不足25% [1][4] - 全球年度数据泄露量已达惊人的471.6亿条，数据泄露成为当前数据跨境流动的核心命题 [1][4] 发展趋势与市场动态 - 用于AI的数据量同比增长41% [3] - 数据资源共享日益活跃，更多行业和技术企业选择进入数据市场，通过扩充数据资产的规模、精度与多样性来取得竞争优势 [3] - 高质量数据集建设提速，截至目前中国已建成超过500PB高质量数据集 [3] - AI的快速发展推动传统IT架构从“以算力为中心”向“以数据为中心”转变 [3] 公司战略与实践（城市层面） - 建议发挥城市枢纽作用，打造先进存力中心，推动公共数据和行业数据的汇聚、治理和可信流通 [4] - 实践案例：已助力一些城市汇聚50PB公共数据，服务超60家本地企业 [4] - 实践案例：帮助部分城市构建高质量汽车行业数据集，支持智能网联汽车发展 [4] - 实践案例：通过“聚数、治数、供数、用数”，打造了环京津数据要素产业园，带动地方经济增长 [4] 公司战略与实践（行业层面） - 建议建设数据共享协作平台，推动数据从分散利用到智能融合，让高质量行业知识库赋能生态 [5] - 实践案例：帮助某国家级育种实验室构建全国一体化育种数据基础设施，管理百PB跨域数据 [5] - 通过统一数据标准和一站式数据工具链，将数据标注和模型微调效率提升4倍，打造智慧育种智能体 [5] 公司战略与实践（企业层面） - 建议助力企业建设AI数据湖底座，加强全域数据共享、高效管理与敏捷使用 [5] - 以自动驾驶为例，通过AI数据湖整合路测、仿真、高精地图等多样数据 [5] - AI数据湖提供百万车辆数据高速接入、EB级数据高效管理、全球站点数据跨域流动等关键能力，支持多种智能体协同 [5] 未来技术投入与方向 - 公司将加大投入，迭代并引领AI数据湖发展方向，助力解决收数、存数、治数、用数问题 [6] - 具体方向一：继续完善并开源开放端到端的AI工具集，丰富中国AI工具生态 [6] - 具体方向二：依托全局数据管理技术，深入研究可信数据跨域流通过程中的合规治理、安全流转与跨境审计 [6] - 具体方向三：推动数据存储技术发展，降低向量、标量等新型数据存储范式的储存成本 [6]

政策导向与核心目标 - 国家数据局印发实施方案，旨在通过强化场景应用牵引国家数据基础设施建设，将数据基础设施潜能转化为实际效能，推动公共数据赋能产业发展并释放数据要素价值 [1] - 政策与实践目标在于破解生态资源面临的资源分散难整合、价值模糊难量化、产权不清难交易、绿色产业融资难等制约，拓宽“绿水青山”向“金山银山”的转化路径 [1] 数据整合与资源盘活实践 - 浙江常山县两山合作社依托“生态资源云脑”，打通全县自然资源、农业、林业等19个核心部门的1.3亿条数据，搭建贯通多元主体的数据平台，为“低小散”生态资源赋予规模价值 [2] - 通过整合县域内分散的胡柚林资源数据并建立统一的“数字户口”和透明流转通道，推动产业向规模化、集约化发展转型，并通过培育龙头企业、提供市场信息等场景化服务赋能产业链 [2] 资产确权与价值评估体系 - 福建顺昌县“森林生态银行”依托数字化系统，为集中起来的林业资源建立标准化的价值评估体系，实现生态资产的精准确权与动态量化，让“一亩林”有了清晰的价格标签 [2] - 通过引入森林康养、林下经济等多元业态，深度挖掘并提升资源的复合价值，构建数据化的“定价体系”将生态服务转化为市场可信赖的“计价单位”，打通资源从“可运营资产”向“可交易商品”转化的堵点 [2] 数据信用与金融创新 - 江西抚州市“两山”转化智能综合服务平台汇聚自然资源确权登记、补贴保险及审批规划等多维数据，为金融机构生成精准的风险评估画像 [3] - 基于平台数据，森林、耕地等生态资产得以成为合格的抵押物和信用凭证，使可信的数据流成为引导金融资源精准灌溉绿色产业的“智能渠系” [3] 场景应用与未来展望 - 场景创新是释放数据基础设施价值的关键动力，需持续聚焦生态保护、产业升级与金融创新等领域 [3] - 未来需不断深化数据整合与应用，推动数据基础设施在更多垂直应用场景中实现开放赋能，使其真正成为高质量发展的动力引擎 [3]

公司动态与市场反应 - 国际商业机器公司（IBM）股价在美股周一早盘上涨0.6% [1] - 数据流处理公司Confluent（CFLT）股价在消息影响下大幅上涨28.5% [1] 潜在战略并购 - 国际商业机器公司（IBM）正就收购Confluent（CFLT）进行深入谈判 [1] - 潜在交易金额约为110亿美元 [1] - 此次收购旨在加强公司在人工智能和数据基础设施领域的布局 [1]