新眸原创·作者 | 周韵

十年前，李彦宏在百度世界提出“互联网的下一幕，是人工智能”。十年后，11月12日的百度世界2026上，他把“下一幕”落到了组织上。如果AI技术的上游是能源，那么它的下游就是组织能力。

他同时解释了企业的AI投入为什么没换来生产力——"我们只是更换了电机，却还没有重新设计工厂。"

重新设计工厂，需要新的基础设施。百度智能云今年5月在Create大会上把自己升级为面向大规模智能体应用的新全栈AI云，这次大会要接着回答的是下一个问题：这样一朵云，怎么托住一家走向智能组织的企业。它要穿透的层次比过去深——不只是企业的IT系统，还包括底层的资源系统乃至经营系统；服务的对象也不再是人、工具、流程中的某一个，而是由这些单元共同构成的一个个任务。

难点不在装多少个智能体，而在有没有一套机制让AI在真实业务里持续变好。这恰好是今年AI圈最热的概念RSI（递归自我改进，也叫AI自进化）呈现出来的现象：编程和数学自带"黄金验证器"，代码能不能跑通、答案对不对，机器自己就能判；一换到真实产业场景，验证器消失了，AI把策略改成什么样算改对了，没人能当场给出答案。

这也对应着企业侧的那个怪象：Token越烧越多，收入和利润没跟着涨。Gartner今年10月针对CIO和技术高管的另一项调查里，回答已经靠AI拿到显著价值的只有13%。

同一场大会上，这朵云里最深入产业的那类专业智能体——百度伐谋，升级到了3.0。它的解法相当直接：把验证换成企业真实的业务指标，港口的出货量，直播间的GMV，产线上一个工件的加工时间。

伐谋去年在百度世界大会上发布时，定位是"自我演化超级智能体"。百度伐谋产品总经理李安南的解释更朴素：只要人能把标准定义清楚，剩下的交给AI持续演化，让效果不断优化。

这件事拆开只有两件：一是验证环境，二是寻优。

验证环境是前半段，也是过去最贵的一段。无论求解器公司还是技术服务商，常见路径都是派算法工程师驻场，理解业务流程，再把规则和经验翻成数学模型，搭一套能跑的环境。难点不只在求解，更在建模。伐谋把这段的门槛压到了1到2个人，而且这1到2个人不一定有技术背景。"在我们的内部实践中，偏产品角色就能做得很好，很多项目甚至由偏实习生的角色也能完成得不错。"李安南说。

寻优是后半段。环境搭好，算法开始自己迭代。李安南在接受新眸采访时展示的一条真实环境曲线迭代了约400轮，纵轴是具体业务指标的分数，曲线一路往上爬。

关键在于纵轴上放什么。伐谋最早也打榜——今年4月，伐谋2.0登顶机器学习权威基准MLE-Bench，在15道最难题目中拿下9项第一。但团队很快发现，榜单分数和生产价值是两件事。"就像'做题家'把高考逻辑拟合得很好，分数非常高，但题目稍有变化，效果就不好。"把评估集换成最终业务指标，是伐谋与大部分RSI研究截然不同的地方。

按这个逻辑，伐谋瞄的是三类任务：资源运营，比如物流、港口、工程排产；经营策略，比如直播选品、投流预算分配、金融风控与量化交易；创新研发，比如芯片与光芯片工艺设计、EDA与PCB布局布线，以及新材料研发这类AIforScience任务——做光刻胶材料的新研智材就属于这一类，伐谋帮它做分子筛选。

三类任务听起来不相干，共同点是都高度依赖人的经验。生产运营有老师傅，产业研发有工艺专家，经营有运营专家——他们用大量试错攒出一套方法论，这套方法论就是策略。伐谋要做的，是让这三类策略变得更好。

覆盖面上也能看出这条路走到了哪。目前伐谋的客户分布在全国41个工业大类中的25个，约占六成，明年的目标是九成以上。剩下的多是土木工程这类更传统的行业。 

在这条路径上，真正的考验不在实验室，而在真实的产业现场。当大部分研究聚焦于通用基准的突破时，伐谋更早地扎进了真实的产业现场。

海高激光的产线上，几台六轴机械臂要协同切同一个工件，切的是汽车车身的覆盖件。

这是一家纯硬件企业，做超大型机械臂。它的硬件本身已经很先进，卡住的是软件——控制系统仍要用海外方案，这也是国内典型的"卡脖子"位置。而一个工件切下来，轨迹得分成若干块，分给不同机械臂，还要定先后。过去这件事由工艺员凭经验定，哪台机器空着，哪块轨迹好走，哪两台靠得近容易撞，全在脑子里。

伐谋在这里同时处理三件事，运动耗时预测、多机防碰撞、任务分配排程。三者扣在一起，才决定一个工件要加工多久。它已经跑通了单个工件从耗时预测、防碰撞验证到任务排程的完整流程，眼下正往更多工件和批量任务上做泛化验证。

一套四机械臂机器人的切割方案设计时间从原来的4到8小时缩短至约10分钟，并且实现四臂协同作业全程零冲突。

对组织来说，变化在于工艺员的位置。他不再一块一块地分，改去判断算法给的方案在什么条件下会失效。经验没有消失，换了个存放的地方。 

交个朋友的编导，面对的是另一种复杂。

直播电商里，哪个商品会成为爆款、A主播配B商品该用什么话术和什么背景。过去，这些判断很大程度上依赖个人经验，历史内容和业务表现数据没有充分变成团队能共享的方法。

伐谋的做法不一样。它从历史内容和表现数据里提出一批候选特征，用多模态模型识别素材里到底有什么，再拿真实业务数据检验这些特征有没有预测价值。筛过几轮，留下的有效因素被翻成编导能看懂的自然语言建议，优化选品和内容策略，助力GMV环比提升152.7%。

这并不意味着AI能断定什么内容一定会爆。它做的是把难以言明的经验拆成可观察、可验证的因素，让团队用数据检验哪些方法在特定场景下有效，再跟着实际表现调整。

知识沉淀也有边界。能写成流程的动作，本来就不难；难的是那种说不清、换个品就失效的手感。系统要做的，是把这类手感变成可检验的假设，并且允许它在下一个任务里被推翻。

两个现场，同一件事。把散在人身上的判断，搬成组织能调用的东西。

搬过去之后，还有一个更麻烦的问题。

一次优化做完，项目常常就结束了。系统交付，验收签字，团队撤场。过两三年，业务环境变了，当初那版算法开始失准，原来的供应商和工程师却不容易再叫回来。某自动化码头的调度系统就遇到过这种处境，算法跑了两三年，效果慢慢走低，重新调一次的代价高过重做。

伐谋3.0改的是这一段。产品上新增了一个内部称为"数据流"的方案，把Agent平台接进客户的生产、研发或经营系统；优化目标也从单一静态指标，换成生产系统上持续变化的目标，每天跑，每天看结果，用户只关注最终结果。

成本账同样要算。"如果一直安排一个人在现场，成本不可持续。"李安南说，核心逻辑是让伐谋每天自主在系统里巡游、尝试，人每周或每月来看一次，更像是负责人或巡视者。

让算法改自己的策略，客户下意识的反应是不放心。伐谋设了三道锁：

第一道是硬性机制：所有方案必须先在独立的验证环境里跑，这个环境伐谋自己不可改变、只能使用，结果通过后仍由人完成上线确认。

第二道是回退：演化出的几百代算法里留一批做备选，线上突发问题时能快速切回上一版。

第三道是解释：把算法给出的方案和老师傅历史上的操作数据摆在一起对比，让人看得出哪部分沿用了他的逻辑、哪部分是新发现，再由他判断是否合理。

管住之后才谈得上放开。

商业模式跟着一起变。伐谋3.0从纯产品变成产品加FDE服务，直接为客户最重要的终局指标负责——交个朋友直播间的GMV、港口的出货量。中间指标只是过程指标，不拿来当评估集。

组织里的角色跟着变。百度内部把一类新角色叫OPC，一个人带着一套演化系统，把算法、产品、方案、业务梳理几件事捏在一起。过去这几件事分属四个部门，一层层交接，一层层衰减；现在一两个人加一个商务角色，就能把一个客户的场景做到尾。

另一类是驻场工程师FDE。他们交付的东西变了，过去是一套软件，现在是一段陪客户跑出来的业务。这种角色在ToB行业不新鲜，新鲜的是考核对象从系统上线换成了指标改善。

这恰好落在李彦宏给出的三条组织进化原则上：打破岗位边界、沉淀隐性知识、设计流程闭环。在他的表述里，岗位是工业时代的单元，任务才是智能时代的单元；知识只待在员工脑子里，就还是个体能力，沉淀到公司平台上才是组织智能；而可衡量加上Looping，组织才会不断变强。伐谋这一年做的，相当于在车间、实验室和直播间里，把工位、工序和班组重排了一遍。

一个智能体跑通某项业务，和成百上千个智能体稳定进入整个组织，中间隔着一套基础设施。技术跑在前面，组织落在后面，这个时差就是回报迟迟不来的原因。

按百度智能云的划分，企业里的任务分三类，承接的智能体也分三类：通用办公交给百度搭子，生产运营、经营策略、产业研发这类专业任务交给伐谋、一见、胜算、Hogee，企业自己的专属任务交给智能体开发平台上定制的智能体。

三类智能体，共用一套底座。 

底座的第一层是运行环境。智能体的工作负载有脉冲式的特点，有任务时才被唤醒，做完就休眠。百度的沙箱支持百万量级并发，上千个沙箱同时启动可以控制在百毫秒级；全链路可观测，让效果评估和持续优化有依据；每个智能体配唯一数字身份，把执行控制在权限边界内。这类需求有真实的负载在推着走，今年以来，智能体运行所需的沙箱并发量增长了25倍。

第二层是模型服务。千帆的MaaS服务把主流模型聚到一起，KVCache命中率可以做到95%。这次新推出的词元所走的是另一条路，做一个模型交易市场，对供应商资质逐一核验，对上架模型定期抽检，把调用指标沉淀成公开可查的信用档案。

上线一个月，入驻的供应资源超过100个，日均调用次数突破3000万，日均调用Token超过6500亿。对产业来说，这一步把价格竞争往质量竞争挪了一格，供给越透明，企业越敢把关键任务交出去。企业面对的真问题，是模型越多越不敢用。

第三层是算力。新一代昆仑芯M100已经上市，天池超节点在全国多个地方做了千柜级部署，并且实现全栈国产化。

新发布的1024全光互联超节点，用光互联替代长距离铜缆，让上千张卡跨柜协同；G1.5显存加速柜提升缓存读取带宽，长上下文推理性能提升2倍；G3.5KVCache加速柜把反复使用的上下文缓存下来，缓存命中的多轮对话里，首Token等待时间降低90%，吞吐提升7倍。

单套超节点可以拓展到万卡规模，最大支撑50万卡集群，7万亿参数的模型训练和推理都能装下。百舸的AgenticRL则把训练侧的三个指标往前推，分钟级拉起200万个沙箱，每秒5.2万Tokens的吞吐，训推差异控制在万分之一。

云服务的对象变了。过去的云支撑企业的IT系统，以CPU通用计算为核心，服务的是人、工具、流程里的某一个环节。智能云要服务的是由这些环节共同构成的一个个任务。任务会并发、会休眠、会失败、会迭代，也会越权。基础设施不跟着改，智能体就只能停在演示阶段。

这也解释了伐谋的位置。它是进入复杂产业任务的那一类专业智能体，负责把业务问题、生产数据、专家经验和算法能力接起来，围绕最终结果持续优化。

它跑得动，是因为下面有运行环境；它看得见，是因为上面有可观测和评估；它敢放手演化，是因为有验证、回退和解释三道锁。入口在前台，底座在后台，两者缺一，智能组织都落不了地。

多部署几个智能体，并不会自然长成智能组织。它要把任务重新切分，把知识搬进平台，把责任重新分配，把反馈接成闭环。这四件事，一件比一件更依赖基础设施。

电力与电机让科学管理落进车间和流水线，计算机与网络让知识跨部门、跨地域流动。每一次组织形态的变化，背后都站着一套与之匹配的基础设施。

智能体要真正进入生产、经营和研发，同样需要一朵为任务设计的云。