智能体时代“新全栈” 让百度智能云跑出增长曲线

一年一度的WAIC，像一面镜子映照着中国AI产业的新动向。

ChatGPT刚出现时，外界问的是：中国有没有能力做出自己的大模型？

国产大模型密集发布后，问题变成了：中国模型何时能追上国外玩家？

开源大模型全面崛起，问题进一步落到底层：能否跑在自主可控的基础设施上？

到了2026年，问题再一次发生变化。

不再只是问模型“会不会说”，开始追问：AI能不能接手一项完整的工作？能不能连续执行几十个步骤？能不能调用企业内部的数据、软件和工具？能不能在复杂的生产环境中稳定运行，最终交付一个可以直接使用的结果？

每年的WAIC上，中国AI企业都用行动给出了答案，完成了整体落后、局部追平到独树一帜的跃变。

规格更高的WAIC 2026，自然也不例外。

作为国内最早布局AI的企业之一，百度这次全景呈现了“芯云模体”全栈布局，尤其是百度智能云从底层技术创新到产业场景、智能体应用的规模化进展；阿里巴巴展出了面向千行百业和前沿科研的多个AI智能体平台；华为首次公开展示了Atlas 950 SuperPoD超节点真机，支持1024张NPU卡高速互联，像一台计算机一样工作……

汇聚各国政要的WAIC，已经不只是一场技术成果展，也是中国AI面向智能体时代的阶段性答卷，每一家科技企业展现的都是自己最独特的一面，或者说是他们对行业竞争力的判断。

01 从模型竞赛走向任务竞赛，AI的底层需求变了

过去三年，大模型产业形成了一条相对清晰的价值链：芯片厂商提供算力、云厂商提供计算资源、模型厂商训练大模型、企业和开发者通过API调用模型、普通用户则在聊天框里提出问题并获得答案。

大模型占据了整条价值链的C位，形成了以模型为中心的叙事逻辑。模型的参数规模有多大、训练使用了多少张卡、模型在权威榜单上的排名，以及每百万Token的价格是多少，成了衡量企业竞争力的主要标准。

进入2026年后，Agent逐渐取代Chatbot成为AI应用的主流形态，以模型为中心的价值链加速解构。

在Chatbot的产品形态下，用户输入一个指令，模型返回一段文字、一张图片或者一段代码。如果答案不够准确，用户需要继续补充条件，进行下一轮对话。就像是一个越来越聪明的搜索框，可以提高信息获取和内容生产的效率，却永远走不出”提问—回答—再提问”的循环。

百度集团执行副总裁、百度智能云事业群总裁沈抖在最近一次访谈中判断：接下来大众、产业对智能体的认知深度会大幅提升。现在很多人还把 AI 等同于对话聊天机器人，下半年到明年，大家会真正理解智能体可以深度嵌入生产、办公全流程，会有更多企业、个人主动拥抱智能体，人机协同成为日常工作模式，超级个体时代正式到来，组织形态从传统金字塔转向人和智能体混合编队，组织知识可以通过 Skill 持续沉淀。

他认为，通用智能体、行业垂类智能体规模化落地速度会大幅提升，2026年下半年就能明显看到批量落地案例涌现。未来 90% 的工作都会有智能深度参与、协助完成，不是完全替代人，人聚焦决策、创意、监督，智能体承接长链路推理、多工具编排、大批量文件处理、数据治理这类重复性工作。智能体会成为企业标配，不管是大企业还是中小机构，都会批量搭建适配自身业务的 Agent，DAA（日活智能体数）会成为全行业通用衡量标尺。

其中DAA是百度创始人李彦宏在5月份提出的概念，他认为Token只是衡量消耗的指标，但在智能体时代，落地和效率才是关键因素。

这个判断在百度内部已形成多年。在百度的定义里，只有能够落地履职、产出实际效果的智能体才算有效统计对象；仅处于在线状态，无法完成业务任务、得不到客户认可的智能体，不具备实际价值，不计入有效 DAA。

事实上，几乎所有大厂也都看到了这点，2026年以来层出不穷的Agent产品就是证明。这种变化随之带来另一个问题：模型仍然重要，却不再是影响最终结果的唯一因素：从模型为中心，到任务为中心，绝不只是在Chatbot上增加一个执行按钮，全面改写了对AI基础设施的需求。

比如在计算层面，怎样调配不同计算资源，怎样减少芯片和网络等待，怎样保证长链路推理稳定运行，都会直接影响任务效率；

在运行层面，需要管理长上下文和持久记忆，需要调用不同工具、分配子任务、记录执行过程；

在成本层面，倘若执行任务所产生的成本超过了任务本身的价值，注定无法实现大规模商业化。

国内的AI厂商是怎么破题的呢？

02 “芯云模体”不是能力清单，而是互相协同的闭环

过去两个多月里，许多大厂开始重提“全栈AI”。海外，OpenAI宣布造芯片。国内，阿里云开始对芯片、云平台、模型和MaaS推理平台同时动刀；腾讯云提出要打造从芯片到智能体的全栈闭环能力；火山引擎在FORCE大会上亮出了全栈AI云原生战略……

原因正是人们对AI的需求变了。

倘若每家企业都只深耕产业链单一环节，或是纯售卖算力、或是对外输出大模型API 、或是研发对话类AI应用，产业链条中将存在大量技术断层，不仅会拉高整体落地成本，还可能限制智能体的实际业务处理能力。

百度的似乎早已看到了这个问题，他们的“全栈”布局很早，而且始终瞄准互相协同的方向。百度在WAIC 2026上的所有展示发布，都在回答一个关键问题——怎么让Agent真正跑起来。

首先要跑得动。

Agent完成一项任务，往往不是生成一个答案就结束，需要持续理解目标、拆解步骤、调用工具、处理反馈，并在多轮执行中不断推进。

对AI Infra而言，只有将芯片、框架、模型与应用在指令集级别原生对齐，才能把Token效率做到极致；只有把训练、推理、芯片、调度和工程工具链协同起来，才能让每一次Token消耗都更高效。

可以佐证的是，百度基于昆仑芯P800集群完成了对文心5.1重要版本的训练，以同规模模型约6%的预训练成本，就达到了领先水平；基于昆仑芯的天池256卡超节点，吞吐性能较上一代提升25%，推理效率提升了50%。

然后是跑得好。

一个真正可用的Agent，必须具备目标理解、上下文管理、工具调用、记忆沉淀、子任务调度、评估反馈和运行控制能力。

百度智能云进行了两个方面的对症下药：一是将MaaS模型服务升级为Token Factory，提升模型调用和推理效率；二是升级Harness Engineering，让模型、工具、记忆、Skills、MCP和Runtime协同起来。

特别是Harness Engineering，集长上下文管理、持久记忆、工具调用、子智能体调度、评估反馈及Runtime等核心能力于一体，在使用浏览器、Office等典型办公场景中，相比同类产品最高可降低23%的Token消耗。

最终要跑出结果。

Agent的价值不在于回答问题，需要在真实业务中承接长程任务、应用生产、复杂推演、数据决策等需求，并交付结果。

百度没有选择做一个万能超级App，而是用智能体“全家桶“覆盖了客户需求的全场景。

深入办公场景干活的百度搭子，负责承接开放式需求；秒哒、伐谋、一镜、一见、Hogee代表的垂类智能体，解决具体场景中的专业任务；以及企业和合作伙伴基于百度智能云底座开发的产业智能体。三者并非相互替代，而是由通用智能体提供统一入口，垂类和产业智能体沉淀专业能力，完成了从个人到企业、从通用到专业的完整覆盖。

全栈难以被复制的，不是芯片、云和模型的产品清单，智能体在真实业务中产生的任务数据、失败记录和用户反馈，可以反向推动模型与驾驭工程优化；模型能力提升后，又能解锁更多智能体场景，进而模型、智能体与产业数据间形成持续迭代的闭环。

03 从技术路线到增长曲线，AI云进入价值兑现期

一条技术路线是否成立，不能只看实验室里的参数、发布会上的概念，还要看能不能转化为真实的商业结果。

百度智能云的答案里有两组实实在在的数据。

第一组是百度Q1财报：百度AI云的收入达到88亿元，同比增长79%，其中GPU云收入同比暴增184%。同行还在用消耗量证明“自己很忙”时，百度智能云已经用收入回答了“AI能不能赚钱”。

第二组是AI云行业机构智能超参数近期发布的《2026年上半年AI云厂商公开中标统计》报告：百度智能云以13.85亿元的中标金额位居行业第一，占五家云厂商整体中标金额近六成以上。

两组数据指向了同一个结论：当AI从模型演示走向任务交付，云厂商的竞争逻辑也在发生变化。

第一，需求侧开始为实际价值买单。

AI应用越深入业务，企业对基础设施的要求就越高。比拼的不再是单纯模型基础能力，客户不再为概念买单，开始实实在在为效果、提效效率付费，用好每一份算力、每一个Token正成为行业共识。

百度智能云此前全面升级的新全栈AI云，正是从两个最底层的方向，朝这个目标靠拢。AI Infra聚焦于提供性能最强、最具性价比的AI算力服务，而Agent Infra则目标将单位Token的智能水平做到最好，基于这套底层体系诞生的智能体产品又会反哺更强大的数据和选连，构筑起同行难以复刻的双层产业迭代飞轮。

第二，全栈协同开始成为新的竞争壁垒。

智能体进入生产环境后，竞争不再只发生在单一环节。是否拥有稳定、自主的芯片供应，集群能否高效扩展，模型服务能否减少Token浪费，驾驭工程能否提升任务成功率……都会影响市场竞争力。

因为智能体不是一次模型调用，是一条由芯片、网络、模型、缓存、工具和运行系统共同参与的长链路。任何一层效率不足，都会在任务执行中被持续放大，采购和集成拼能力的方式无法真正做到跨层协同。在沈抖看来，当前头部科技企业纷纷入局自研芯片，也印证端到端全栈布局已是行业必然趋势。未来三年将是一个黄金窗口期，能否打通软硬件协同闭环、激活产业迭代飞轮，会直接决定企业未来行业地位。

第三，商业化开始步入持续性兑现。

对云厂商来说，生产环境带来的不只是持续收入，还有持续产生的真实业务反馈。智能体在执行过程中暴露的工具调用错误、流程漏洞、参数问题和用户修正，都可能沉淀为模型、驾驭工程和Skill继续优化的数据资产。

而且云厂商与客户的关系正在从“交付一个项目”，转向“长期支撑一套业务系统运行”。智能体覆盖的场景越多、承担的任务越复杂，对云端基础设施的依赖就越深，收入也越有可能从阶段性项目，转化为长期、稳定的使用型收入。

如果说过去的全栈投入还属于技术路线选择，当行业从”卷价格”转向”卷效率"，已经进化成为智能体时代的增长曲线。

04 写在最后

2026 WAIC交出的，不仅是一份技术成绩单，也是一份产业化答卷。

中国AI正在从追赶模型能力，走向重构智能体基础设施；从比拼参数、价格和调用量，走向比拼任务完成率、单位Token价值和产业落地规模；从一次性的技术交付，走向持续运行、持续反馈、持续进化的生产系统。

会说，是上一代AI的能力；能做，才是下一代AI的起点。