AI 编程工具正在快速提升个人开发效率，但企业研发的变化才刚刚开始。当模型开始具备持续执行复杂任务的能力，企业面对的问题已经从“工程师如何使用 AI”，转向“如何组织一批数字研发工程师持续工作”。
代码生成只是其中一环，真正进入企业研发，还涉及知识供给、任务分配、团队协作、质量验证、安全治理、模型选择和成本控制。模型能力本身不会自动变成企业研发能力，中间需要一层新的基础设施。
可达智灵创始人兼CEO张宇嗅到了这一机会。张宇于2025年7月创立专注于企业级AI原生研发的科技公司可达智灵。他经历通信设备、亚马逊搜素、自然语言处理以及DPU芯片创业，长期参与复杂工程体系和大型研发组织。这也构成了可达智灵的 Founder-Market Fit：团队既理解 AI，也熟悉芯片、制造、金融等行业的真实研发流程。
张宇将可达智灵的产业链位置概括为价值转化的“最后一公里”。该公司的AI原生研发平台“织灵”，通过数字研发工程师ADE及多智能体协同技术，连接产品定义、架构设计、代码开发、测试验证、部署运维和持续迭代全过程。
2026年5月，可达智灵发布织灵Coda Loom 2.0版本，实现多智能体编排引擎、工程级记忆引擎、项目能效看板与分布式智能架构四大升级，实现研发全链路透明可控与智能体自主进化。
据了解，最新的Coda Loom 2.5版本预计在2026年10月份正式发布，2.5版本进一步聚焦自主推进、组织沉淀与持续进化，让 ADE 不只完成一次任务，而是持续进入项目运行并沉淀组织能力。
可达智灵优先进入芯片、智能制造、金融科技等研发复杂度高、知识壁垒深、企业付费能力强的领域，并采用“头部标杆客户验证 → 同行业复制”的扩张路径。目前，该公司已服务超过20家行业客户。
在张宇看来，企业级市场存在先发优势。更早进入客户，就是更早进入真实研发环境，积累行业任务、知识、规则、流程、Skill、评测数据和客户使用方式。只有这些真实积累持续沉淀进产品，才会形成复利。
企业AI研发目前尚处于早期发展阶段，客户通常先采用试用方式，从单个项目或团队入手，再逐渐向更大团队进行拓展和扩容。根据张宇介绍，从试用到正式签约大约需要1.5-3个月的时间周期，目前转化率为100%。
效率提升也在客户中得到验证。根据张宇介绍，一家智能制造客户原本主要依靠手工测试，一个版本需要两周时间；使用可达智灵产品进行流程自动化后，仅用一天时间即完成相同任务。
目前，可达智灵已形成规模化订单与收入。按照规划，该公司预计在2027年实现亿元级规模收入，并在2027年年底至2028年有望实现盈亏平衡。
创立不到10个月时间，可达智灵即完成三轮融资。张宇表示，目前正在进行的新一轮融资，资金将主要用于研发、人员招募与业务拓展，并推进海外业务布局。
企业级AI研发市场具有十万亿美元级市场规模。张宇更倾向于从全球企业研发投入向 AI 迁移的角度判断市场，而不是只看当前 AI Coding 工具的销售规模。汽车、芯片、软件、制造等行业每年都有庞大的研发预算，随着 ADE 承担越来越多研发工作，部分原本用于研发人力、测试和工具的预算将逐步转向 AI。
张宇表示，可达智灵瞄准的不是单一的 AI Coding 市场，而是更广义的企业研发生产力市场。未来两三年，系统性使用企业级 AI 有望成为研发团队的普遍状态。但真正拉开企业效率差距的，不是“有没有用 AI”，而是谁更早形成企业级 AI 研发的组织能力。
近日，IPO早知道与张宇对话，内容涉及公司成立背景、产品定位、商业模式、竞争优势、融资计划与未来发展。以下为对话内容精编：
基模能力越来越强，但企业级AI需要更多纵深行业知识
Q：为什么在2025年创办可达智灵，当时看到了什么契机？
张宇：我做过六年通信设备，在亚马逊做了接近十年的搜索和自然语言处理，2019年回国参与DPU芯片创业，经历了多个行业的研发。
到 2024 年底，我已经非常明确地感觉到，两三年后的研发方式一定会发生改变。模型能力会持续提升，成本也会下降，编码、测试和很多重复性工程工作会逐步交给 7×24 小时运行的数字研发工程师。真正缺的不是又一个个人工具，而是一套帮助整个研发团队组织这些能力的系统。
2025年上半年，市场上的产品大多服务个人，缺少帮助整个团队组织知识、管理任务、持续交付的产品。我自己作为研发人员本身就有这方面的需求。很多企业也很难花几千万元，组建一个既懂AI又懂行业的团队。因此，我们将这些共同需求做成产品，服务一批企业，这是可达智灵在2025年7月成立的出发点。
Q：Claude Code等产品的出现，对创办可达智灵是否有推进作用？
张宇：不是某一个产品直接促成了这次创业，更重要的是对整个AI方向的理解。当时已有Cursor、Copilot等工具，Claude Code也提供了通过命令行使用AI的方式。在我看来，这些只是不同的使用形式。
从最开始我们就认为，研发团队中，每个成员可以保留自己的使用习惯，有人喜欢IDE，有人喜欢命令行，但这些终端应该连接到同一个中心，这个核心大脑汇总团队的知识、规则和任务。我们关注的是整个团队如何使用这些能力。
Q：这次创业的团队基础是什么？与上一段在中科驭数的创业目前有什么资本层面的关系吗？
张宇：可达智灵是独立创业，不是中科驭数孵化。我在2025年已经离开中科驭数，现在没有在中科驭数任职。
我们有六位核心合伙人，有亚马逊的工作背景，也有清华、北大、中科大等知名高校的教育背景。其中，两位同事此前和我一起从亚马逊到中科驭数，做过软件和研发。团队成立时，CTO、产品、商务、人力和算法等方向的负责人已就位，是比较成建制的全球化团队。品牌、生态等能力则在之后已陆续补充。
Q：从芯片研发到企业级AI，过去的创业经历中，哪些能力可以直接迁移到可达智灵，哪些能力必须重新建立？
张宇：好像之前的积累都是为了做这件事。我们面向企业级用户，客户主要集中在芯片、智能制造、金融等行业，所以既要懂AI，也要理解客户的研发流程。过去的行业经历，以及在中科驭数创业时积累的融资、战略、团队组建和管理经验，都能用得上。
但在此前经验积累的基础上，又要打破之前的经验。芯片一轮研发可能要两年，AI产品要按周、按月迭代，这对组织方式、学习能力与执行速度提出了更高的要求。团队不能像之前选定一个方向后就埋头做一两年，而是要持续学习、修正判断。如今，我们每个月都会结合模型进展、产品实践和行业经验，校正对未来半年、一年的看法。公司也用织灵开发织灵，发现问题就直接改进，再把验证过的方法带给客户。
Q：企业级AI应用对行业经验的要求，是否意味着企业级AI很难出现像基础模型或具身智能的“小天才”创业？
张宇：企业应用的难点在于，客户有既有流程和历史积累，不能一下全部推翻。我们要先理解它今天怎样研发，再结合模型能力，判断这半年能改什么、下一步怎么走。比如做芯片开发，没有接触过芯片行业，就需要先学习芯片的研发流程，同时还要懂AI算法。只有算法能力，还不足以深入企业的实际业务，毕竟每个垂直领域有很深的行业壁垒。
基于大模型建立数字研发工程师机器管理、协作和运行体系
Q：可达智灵将“织灵”定义为工程级AI原生研发平台，平台解决的是什么问题？
张宇：我们叫AI原生研发平台，英文是AI Native Development Platform。我们提供的是数字研发工程师团队，也就是ADE，支持企业从产品定义、研发实现到测试、持续迭代的整个过程。
数字研发工程师需要调用底层模型，也要能操作工具、在企业内部工作，并与人类工程师协作。平台要把这些能力组织起来，帮助整个团队持续交付产品。
Q：基于底层模型，可达智灵具体开发了哪些能力？
张宇：我们不做基础大模型，而是在模型之上开发数字研发工程师及其管理、协作和运行体系。
假设企业有一百个、一千个智能体，我们要解决这些智能体怎样运行和协作、怎样安装技能、底层模型如何更新和混合使用，以及需要什么硬件环境等问题。对于需要私有化部署模型的客户，我们也提供相应方案，整体以软件能力为主。
Q：可达智灵所说的“工程级”，与个人AI编程工具有何区别？
张宇：“工程级”不是指代码更多或任务时间更长，而是要面对复杂产品、多人多团队协作、真实工具链、明确的质量和效益目标，以及持续迭代。一个 Agent 能完成一次任务，和一家企业能够稳定依赖数字研发团队持续交付，是两个完全不同的层级。
工程级参与协作的既有人类工程师，也有数字研发工程师。随着模型能力的增强，数字研发工程师承担的部分会越来越多。工程级不以周期长短来定义，我们希望通过协作缩短研发周期。
Q：人类工程师通过什么方式与数字研发工程师交互？
张宇：我们强调多端。可以用笔记本上的插件、命令行，也可以用手机。我们也在探索AR眼镜，未来可能形成新的工作方式。终端是交互入口，背后连接的是同一套数字研发工程师团队。
Q：数字研发工程师是自主协作，还是靠预编程方式进行协作？如果是有人参与的自主协作，人类参与的程度大约是多少？
张宇：既有自主协作，也要遵守客户团队的要求。哪些任务可以连续运行，哪些需要汇报，哪些动作必须有人参与，都要通过权限和流程设置。所有运行数据会汇总成报告，供客户随时查看和管理。系统私有化部署在客户企业内部，不是由我们监控客户的研发活动。
目前，数字研发工程师还无法完全脱离人。模型存在幻觉，也缺少一些行业知识，人的经验、审核和监督能明显提高完成质量。我认为，未来2-3年，人在研发流程中仍有很高的价值。
Q：复杂研发任务容易出错，怎样提高交付质量？
张宇：模型本身会越来越强，但企业不能只依赖模型能力。在 Harness 层，要把团队私有知识、研发经验、任务拆分、工作流程、测试机制和人工审核真正组织起来。人类工程师本身也会犯错，软件工程过去几十年本来就是依靠组织、流程、测试和持续迭代控制质量，数字研发工程师同样需要这套工程体系。模型决定单点能力上限，Harness 决定企业能不能稳定使用。
具体来说，先识别任务类型，从代码库和文档中检索相关内容，再结合客户的团队知识、记忆，以及研发和测试经验，让模型有依据地工作。核心是将复杂任务逐层拆分，缩小处理范围，同时做好子任务之间的交接、测试和迭代。模型可以辅助拆分，研发人员也能在平台中调整与配置。
Q：底层模型会持续更新，不同模型的选择权在谁手中？
张宇：我们会持续评测，根据具体任务推荐最适合的模型组合，最终的选择权在客户。
当然，在模型的选择上，不能只看通用榜单，也不必所有任务都用最强、最贵的模型，要结合场景在效果和成本之间取得平衡。客户也可以自己组建团队评测，但需要成本投入。因此，我们把这项工作集中起来，可以服务多个研发团队。
从立标杆、到普及整个行业，先进入硬科技领域
Q：可达智灵目前主要服务哪些行业？如何进入新的行业？
张宇：目前主要是芯片、智能制造和金融。首先，这些行业是团队熟悉的行业，研发复杂度高，客户价值和行业门槛也较高。接下来，我们会推进能源、医药等方向，现阶段仍优先围绕科技，尤其是硬科技企业。
进入一个新行业，我们通常先服务好一个有代表性的头部标杆，再向同类企业复制。芯片领域有中科驭数，智能制造涉及机器人、检测设备等企业，金融方面在推进银行、券商和量化机构。
Q：目前的已有客户中，有哪些可以量化的效果？能否举例说明。
张宇：一个智能制造客户原来主要依靠手工测试，一个版本要测两周。用我们的平台将流程自动化后，大概一天就能完成，约有十倍的提升。
当然，效果也与客户原有基础相关。如果已经做了部分自动化，提升可能是五倍，不能把单个测试场景的改善套用到所有客户。最终还是要看能否以更低成本、更快速度交付合格产品。
Q：织灵是标准产品，还是针对不同客户进行定制开发？
张宇：织灵底层是一套统一的标准产品，不同行业的差异主要体现在切入环节、配置和方案适配，而不是为每个客户重新开发一套系统。可达智灵希望走的是“标准平台 + 行业方案”的复制路径，而不是传统 ToB 项目制。
Q：客户从试用到签约，转化率大约是多少？通常需要多长周期？
张宇：客户都会先试用，按照目前已经进入正式试用阶段的客户样本看，试用后的签约转化率接近百分之百。从试用到正式落地通常需要 1.5-3 个月，随着同一行业标杆积累，后续客户的落地周期正在缩短。
其中，很大一部分时间用于改变客户认知和使用方式。企业统一采购、组织团队使用，需要建立规则和协作流程，我们要与客户一起将流程跑通。当同一行业积累了几个标杆后，后续推进会呈现加速度。
Q：目前能看到复购与扩容情况吗？
张宇：现在谈年度续约率还为时尚早。合同通常签一年，早期客户已开始讨论后续，一些客户到2026年年底可能进入复购阶段。预计2027年会有更多扩容，主要是增加数字研发工程师数量。企业初次采购通常先在一个项目或团队试点，效果好，再推广到更多业务和团队。
Q：客户黏性主要来自哪里？平台的迁移成本有多高？
张宇：底层模型可以随着性能和成本变化持续替换，但一旦企业的知识、规则、流程、Skill、项目资产和团队使用方式沉淀进平台，更换平台的成本就远高于更换模型。模型层是可替换的，组织层是高迁移成本的。模型是供给层，平台才是组织生产力的承载层。
Q：企业使用智灵平台以后，员工个人还能在研发过程中继续使用针对个人的AI研发工具吗？
张宇：两者并不冲突。有些员工习惯使用Claude Code、Codex等工具，企业不想强制立即更换，我们会兼容这种使用方式。同时，企业可以汇总使用数据、统一下发规则、管理安全配置与操作。员工保留一定的工具选择自由，企业仍能统一管理研发活动。
Q：个人工具的迁移阻力与企业平台的迁移阻力，有什么不同？
张宇：个人使用与团队管理是两个层面。个人使用习惯本身有一定门槛，个人使用习惯一种工具后可能不愿更换另一种工具。我们进入企业时，很多团队还没有建立统一的平台，所以是在补上这部分能力，同时兼容员工已经使用的工具。
企业知识、规则和流程已经沉淀到平台后，再更换另一套平台，就不仅是某个员工重新学一个界面，还涉及整个团队的迁移。
行业存在明显先发优势，但守住地位靠持续迭代
Q：客户购买的是什么能力？平台如何收费，模型调用费用由谁承担？
张宇：客户购买的是提高研发效率的能力，对应企业的研发预算。产品服务通常按年收费，Token费用由客户承担，可以按月等方式支付。
客户可以自行向模型厂商采购Token，也可以由我们帮助汇集采购和接入，减少分别对接多家模型的工作。我们会建议客户选择更适合企业自身需要的方式。
Q：目前的商业化程度大概是什么阶段？是否存在阶段性的目标预期？
张宇：这是一个快速发展的行业，公司成立时间不长，仍在投入研发和市场。目前已有订单和收入，但尚未盈利，我们预计在2027年实现亿元级规模大收入，2027年年底到2028年有机会接近盈亏平衡。
Q：企业级AI研发市场上将会出现越来越多的产品，公司的竞争优势是什么？怎样避免先发优势被后来者用更新的技术消解？
张宇：企业级研发平台是一项系统工程，需要模型和算法能力、产品设计，以及结合行业研发流程的经验，客户会比较这些能力，也会实际试用。最终，大家比的是产品的实际使用效果。有一些客户用过某大厂的产品，最后还是选择了我们。
先进入这个方向，让我们有时间积累，但优势仍要靠使用效果和持续迭代来保持。如果既有团队机制出了问题、执行变慢，后来者就有机会。但如果我们持续迭代，我们推出更新的判断、更好产品与功能的频率明显高于行业平均的情况下，很难被后来者超越。
Q：面对大厂的品牌与生态优势，创业公司如何应对？
张宇：竞争已经发生。大厂有品牌和稳定性的背书，但不一定意味着迭代更快。它们自己的研发组织也需要完成AI转型，人与数字研发工程师如何结合，对它们同样是新问题，组织机制、激励机制和实际使用经验都会影响效率。
按照我们目前看到的情况，创业公司的机会首先来自 AI 产品仍处于高频迭代阶段，组织效率本身就是竞争力。从目前的客户实践和产品迭代节奏看，可达智灵在部分企业级研发场景中仍保持3-6个月的先发优势。
Q：一旦行业趋于成熟，大厂可能会加大投入力度，而且大厂有更强大的生态优势，届时创业公司会面临生存挑战吗？
张宇：创新一直都在，字节、拼多多这样的公司的出现就是鲜活的案例。有些领域，平台优势的确更强，比如偏个人的内容生产，文本、图片、视频的生成，再到分发、流量和收费，都可以在同一个平台生态中实现。当然，有些环节还需要人工，可以赚辛苦钱，短期内也可能有机会。
我们服务的是芯片、检测设备、金融等企业，需要利用模型提高研发效率，同时需要保留自身的知识体系和数据积累。这些具体需求，是我们参与竞争的出发点。我们帮助他们更好地在各自的行业中生存发展，而不是让他们的能力被底层模型或平台完全吸收。
Q：基础模型厂商进入企业级应用市场，独立平台还有市场空间吗？
张宇：模型厂商做应用，往往有将流量导向自身模型的动力。但客户需要的是效果和成本最优解。未来几年，不同模型会各有优势，客户应该混合使用，而不应该被一家模型公司绑定。底层模型竞争越充分，可选择的组合就越多。作为独立平台，我们会从客户任务出发，选择更适合、更经济的模型，并把它们组织成可适用的能力。
Q：你提到客户私有数据与模型厂商之间可能存在矛盾，具体在担心什么？
张宇：企业会担心代码、知识和经验等数据被拿去训练其他的模型，因为这些本身就是自身的竞争力。模型好不好用，与客户数据如何被使用，是两回事。客户需要在利用模型的同时，保护自己的私有数据。
未来两三年，研发团队普遍会系统地使用企业级AI
Q：怎样判断企业级AI研发的市场空间？
张宇：狭义口径是现在有多少人购买AI编程和代码辅助工具，它反映的是当前的渗透情况，另一种是企业研发投入如何变化。我们更关注后者。
汽车、芯片、软件等行业都有很大的研发预算，过去主要用于人的研发和测试工作，未来可能有10%、20%、30%，甚至更高比例转向AI。研发生产方式变化后，会有多少投入迁移到AI，是我们判断市场空间的出发点。因此，我们判断市场空间的基准不是今天有多少人购买 AI Coding，而是未来企业研发预算有多少会迁移到数字研发生产力。
Q：你预计企业级AI研发的渗透率会有多快？
张宇：我个人认为，两三年后，系统地使用企业级AI可能在研发团队中接近普遍化。但使用普及不代表效果相同。团队认知、平台能力和组织方式不同，实际效率仍会有很大差距。
Q：你之前提到，AI降低研发成本，反而激发更多需求，杰文森悖论在企业级AI应用中也适用吗？
张宇：我们自己就有例子。公司成立一年多，客户几十个，过去可能用Excel管理就够了，不会这么早开发CRM（客户关系管理）系统。现在研发变便宜了，我们用织灵自己做了一个。人力系统也是如此，公司只有几十个人，过去可能觉得没必要开发，现在HR同事已经用我们的产品迭代开发出了可用的人力资源管理系统。
我理解这里有两个方向，一方面，过去不值得做的小需求，现在可以尝试；另一方面，企业会提高产品的复杂度和体验，而不只是把原来的事情便宜地做一遍。所以，不能只看Token消耗量，要看这些消耗完成了多少有效工作。效率提高后，客户可能去做更多事情，整体用量也会增加。
Q：在你看来，目前阻碍企业采用AI研发平台的主要因素是什么？
张宇：企业级AI研发仍处于早期阶段，主要是认知和行业教育。很多企业想做AI转型，却不知道如何落实到整个团队。一些大企业仍在培养个人使用习惯，比如先鼓励增加Token使用，再考虑团队知识、统一管理和协作流程。从个人工具走向团队研发，认知转变需要时间。
海内外同时布局，海外市场是2027年重点
Q：新一轮融资进展如何，资金主要用于哪些方向？
张宇：过去十个月做了三轮，现在最新的一轮，在10月份会集中推进。资金最大的部分是研发，其次是业务拓展，包括人员招募和市场投入。2027年要推进海外，如果同时进入多个市场，也需要相应资源。
Q：如果融资环境变差，融资不及预期，公司会怎样调整投入？
张宇：我对当前融资有信心，但要提前判断环境，不能等到资金短缺时再调整。资金充足时，可以同时推进多个行业和海外区域；如果三个月没有融资，就要省着花钱。如果判断未来半年到一年都比较困难，就要收缩扩张，比如先深挖一个行业、暂缓海外，降低现金消耗。
我们与训练基础模型的公司不完全一样，不是必须一次投入十几亿元才能继续。关键是根据资源调整推进节奏。
Q：海外业务已经开始落地了吗？有没有具体的拓展路径？
张宇：我们已签下一家日本企业在中国的子公司，正在向其日本总部推进。国内市场与海外市场会同时考虑，海外将是2027年的重点。
当然，具体先进入哪里，要看标杆客户、投资人资源和落地条件。如果日本的客户和资源更成熟，就先推进日本；东南亚有合适资源，也可以同步做。行业未来两三年变化很快，如果资源与条件允许，我们倾向于同时铺开。
Q：海外拓展的主要约束是什么？
张宇：不同地区问题不同，不能用同一套方式，推进速度也要与融资和团队能力匹配。美国的企业市场很大，但中资背景企业开展业务有一定难度，需要考虑组织和业务架构。日本、欧洲、东南亚等市场各有特点，我们会参考已有出海企业的经验，再结合客户和资源进行布局。
未来的创业团队，建立团队可能先购买数字工程师
Q：你怎样定义数字研发工程师的AGI时刻？
张宇：如果数字研发工程师能完全不依赖人，自主研发产品，甚至研发下一代模型，再持续改进自身能力，它的影响就不只是编程。
我们身边的许多商品与服务，芯片、电视、汽车、软件等都离不开研发团队，数字研发工程师如果能操作工具、自己完成研发，再继续改进模型，会形成不断变强的自我循环。在我的理解里，这与更广义的AGI已经非常接近。但每个人定义不同，我更关注它在具体领域是否真的能独立完成工作，或者比人做得更好。
Q：你认为距离这一时点还有多远？
张宇：业界对于这个时点的时间差别很大，马斯克比较激进，认为是2027年年底；黄仁勋相对缓和，认为3-5年；Demis Hassabis则认为要9-10年。我没有准确时间表，至少我对三年内完全达到这种状态持比较怀疑的态度。物理世界还涉及电机、灵巧手等问题，与纯数字世界完全不同。
但我认为，两三年后，数字研发工程师有可能承担研发中的大部分工作，同时仍需要人参与。对我们更有意义的是把握这一阶段研发团队组织方式的变化。
Q：你们的业务边界会从研发平台扩展到办公、机器人或终端吗？
张宇：从能力层面看，能做好研发、操作电脑，就有机会处理很多办公任务。在此基础上，也可以探索与机器人、终端结合。但是否拓展其他产品与服务，目前没有确定。
我们招聘芯片方向的人，是为了服务芯片行业客户，不代表转向自己做芯片或机器人。我们的AR眼镜也可以与已有企业合作，不一定自己生产。最终，还是要看资源、价值和经济性。现阶段企业研发市场已经足够大，我们仍会集中资源做好这部分业务。
Q：你如何定位可达智灵在AI产业链里的位置？
张宇：我们是价值转化的最后一公里，也是企业级应用的入口。底层有数据中心、有模型，但客户不能直接把这些东西转变成自己的研发成果，需要有人将它们组织成能用的能力。我们希望提供的是数字研发生产力，是既懂行业、又在前沿探索这些能力的团队。
Q：三到五年后，你希望外界如何定义可达智灵这家公司？
张宇：我希望我们是在数字AGI应用方向最前沿探索者之一。在模型如何用于数字工作和行业研发方面，保持领先的理解和实践。到时团队也许仍只有几十人，却有上千个数字研发工程师，支撑不同产品线。
再设想一下，未来的科技创业团队可能不再首先通过不断扩招工程师来扩大研发能力，而是先建立数字研发团队，再由少数人类工程师负责目标、判断和创新。这一图景何时完全实现仍不确定，但其中间阶段已经开始发生：AI 从个人工具变成 Agent，Agent 开始进入团队，企业正在把知识、流程、数据和数字研发工程师组织成新的生产体系。如果这一变化持续，可达智灵希望成为承载这一新生产体系的基础设施——研发工程的下一代基础设施。
Q：朝着这一方向，未来3-5年最重要的里程碑是什么？
张宇：行业变化日新月异，无法确保这么长周期的发展。目前比较明确的是，2027年我们要把国内和海外业务同时做起来，从大的标杆企业逐步向中小企业和OPC覆盖，并继续拓展行业。
小马智行｜地平线｜文远知行 蜜雪冰城｜古茗｜沪上阿姨 极智嘉｜云迹科技｜特斯联
