从百度伐谋到Looping飞轮，照见百度AI的全栈野心

7月23日，王虹、邓煜代表中国籍数学家首次站上菲尔茨奖的领奖台。当晚赚足眼球的，还有另一位得主雅各布·齐默尔曼——他在获奖当日宣布加入OpenAI。数学家被AI公司挖走，AI公司反向给数学家搭台——AI和数学的关系，比我们想象的要近得多。

而这种融合并非个例，甚至反复出现：1月，困扰数学界50年的埃尔德什问题——编号1026难题，在AI的辅助下，被全球数学家团队用48小时攻克。5月，“单位距离问题”，被AI证明，这也是AI首次证明数学核心猜想。

AI，开始在基础科学问题上坐到主驾驶位。

科研端的突破已经是一个值得关注的信号。AI for Science的故事，正在悄悄进入一个更深、更实用的阶段。

8月12日，百度伐谋在南京举办了AI4S AI Day。现场，百度伐谋携手南京林业大学上线全国首个AI+早期松材线虫病防治⼀体化平台，在未来有望提升约50万至100万亩重点风险松林的早期预警能力，预计可节约相关成本约3000万至5000万元。

除了这个平台，百度伐谋还发布了“1+10+N”布局，展示10个代表性科研案例，并启动科学家共创计划。

而在百度伐谋背后，百度“芯云模体”的全栈Looping飞轮也转动了起来。

百度伐谋新"落点"

从自我演化到多产业端增长引擎

从百度伐谋AI4S上，能够看出眼下AI的运作逻辑和价值呈现方式发生了很大的变化。

百度伐谋是一款自我演化决策智能体。它能通过模型推理能力与大规模进化搜索技术，模拟生物界几亿年的进化过程并压缩至几天甚至几小时，用AI能力梳理人类各个学科过往的历程，从而找到人类从未发现过的全局最优解。根据现阶段各项外部条件的变化，自动迭代，给出最优的动态方案。这是一种“人类定义任务、智能体持续寻优”的新范式。

从去年11月推出后，百度伐谋一直在高速进化：今年4月，伐谋Agent 2.0再度登顶机器学习工程权威基准MLE-Bench并刷新SOTA；5月的Create 2026大会上，伐谋2.0发布，正式升级为面向业务专家的生产决策引擎。

AI4S（AI for Science）主要是指科学智能场景，聚焦AI科研和产业化的结合，这是百度伐谋重点布局的场景之一。而百度伐谋AI4S的运转逻辑是，由科学家定义问题、标准和边界，伐谋负责在大规模方案空间中进行探索和迭代，帮助科研人员把“凭经验试几个方案”变成“让AI先搜索更多可能性”。

这套逻辑与传统的方式不同，后者需要依靠专业经验，手工完成特征筛选、模型搭建、参数调优、仿真计算和结果验证。人脑往往很难面面俱到，面对高维数据、复杂机理和跨学科问题，试错周期长、计算成本高，部分成果也较难复现和推广。

伐谋的模式是与科研人员形成有效耦合，科研人员提供目标，伐谋围绕这个明确目标，通过算法发现与自动优化能力，将建模、搜索、验证、解释、复现和转化等环节串联起来，持续搜索和优化，帮助科研团队更快发现关键变量和有效模型，降低复杂科研问题的求解门槛，提升研究结果的稳定性与可复用性。

结合松材线虫病防治的实践，可以更好地理解百度伐谋在其中起到的作用。

松材线虫病俗称“松树癌症”，一旦症状显现。往往已错过最佳救治窗口，是我国最严重的外来生物入侵之一。

以往的模式下，南京林业大学通过无人机影像、可见光数据、多光谱数据等信息，人工筛选光谱波段、植被指数及其组合，再通过大量实验逐项验证，周期长且无法兼顾。

引入百度伐谋后，南林团队将Blue、Red、Red-Edge、NIR等波段，以及由这些波段派生的植被指数、时序差分特征等构建为候选特征池，并以自建深度学习模型作为固定评价器。百度伐谋负责完成大量特征组合的搜索和计算，围绕南林团队设定的评价目标，通过多轮评估自动搜索更优的输入特征组合和评价策略，提前判断哪些特征更值得进入后续实验，减少人工逐组尝试的工作量。

这套模式让AI有了可量化的条件。经过伐谋优化，研究团队从107个候选特征中筛选出约5个关键特征，特征数量压缩约82.8%。在整体检测效果上，早期病树检出率，由89.1%提升至98.0%，提升8.9个百分点。

百度伐谋的能力边界，开始向科研端进一步延伸。

一方面，百度伐谋开始通过AI领域探索“未知”。相比于落点在已知问题上的AI探索，百度伐谋面对的是定义不清楚、答案不确定的领域。这意味着，它不再局限于某个领域，而是具备了底层能力和跨学科复⽤的成熟度。

另一方面，AI也开始带来真实可量化的产业增长和生态社会价值。

DAA的箭，正中AI靶心

此次百度伐谋在AI4S领域的发布，也是百度长期技术投入的又一落点。回顾百度在AI层面的探索，从搜索到智能云，从自动驾驶再到如今的AI4S场景深入，百度与产业的紧密联系是刻在基因中的。

如果说长期主义是百度伐谋的技术底色，DAA则是百度伐谋在多端跑通的度量逻辑支撑。

DAA（日活智能体数）是百度创始人李彦宏在Create 2026大会上提出的AI时代度量衡。相比于模型参数、Token消耗等传统指标，DAA更关注有多少智能体真正进入业务流程、完成任务并创造价值。

DAA度量逻辑的前提是Agent不但要能跑，还要跑得久、跑得广、跑出价值，Agent自然也就与交付价值连接更加紧密。

因此，百度伐谋无疑是DAA这套度量逻辑的又一验证。截至目前，已有超3000家企业试用百度伐谋，覆盖港口、物流、汽车、金融等多个重点行业，在多个产业端显现出可量化的价值。在青岛港，百度伐谋的加入，能让已趋极致优化的A-TOS系统在原型演示中的核心指标再提升10%以上；与中信百信银行的合作中，风控特征挖掘效率提升320%，风险区分度提升10%。

如今，百度伐谋的价值也开始在科研端涌现，此次发布的“1+10+N”战略中，1代表百度伐谋自演化智能体核心底座；10即是十大跨学科科研标杆成果，代表十个学科方向的科研智能体在跑；而N代表着更大范围的延伸，让更多科研团队的智能体跑起来。

除了百度伐谋，百度搭子、秒哒、一镜等百度智能体应用矩阵，都印证了DAA度量逻辑已经在更多产品上得以规模化验证。

DAA的度量价值也在持续获得更广泛的认可。7月，IDC在WAIC 2026发布了行业首份《DAA研究报告》，系统解析DAA指标。报告显示，全球活跃Agent数量2025年是2860万个，预计2026年达到7940万个， 2030年增长到22.16亿个。

李彦宏提出的DAA，又一次领先了行业。逻辑的领先最终作用到智能体与科研和产业端的紧密融合，进而带来AI赋能科研和产业的领先。

真正的关键，是百度站在DAA逻辑之上系统性谋篇布局，推进自我进化，形成良性循环，层层加强。这样的Looping飞轮一旦跑起来，也就赢得了AI竞争下半场的领先身位。

Looping飞轮，AI的未来之争

卷大模型参数，是AI在Chatbot时期的必要话题。但当AI进入智能体时代，再审视百度的AI布局，能够看出，百度构建的”芯云模体”全栈布局，构成了不同于其他AI巨头的独家技术壁垒。

昆仑芯是算力底座，为百度AI能力进化提供算力基础；智能云承载大规模训练与推理；大模型提供通用智能能力；智能体应用矩阵面向真实场景解决问题。

算力提升使得云端训练速度更宽，进而提升大模型的能力，从而提升智能体在应用层的表现，每一层都是上一层的支撑。在实际运转过程中，应用层的能力提升，又进一步产生新的优化需求和数据反馈，从而使得模型的能力提升，进一步拉动对算力的需求，强化芯片的需求。每一层又倒逼下一层全面升级。

李彦宏曾在分享中提到过Looping飞轮概念：百度“芯云模体”这几层之间能够相互加强、循环优化。而这个大的Looping飞轮，一旦运转起来，百度的芯片能力、云端训练水平、大模型能力、智能体的赋能效果会同步提升，飞轮滚滚向前，越跑越快。

百度伐谋作为“体”，在科研和产业端的应用，也会层层向上传导。它在科研和产业场景中的每一次搜索、优化和验证，都在推动大模型、智能云、芯片一层层地进化，带来迭代升级，一个完整的跨层Looping就此闭合。

所以，百度伐谋不只是证明了一个产品内部的闭环已经闭合，更证明了百度伐谋作为“芯云模体”全栈架构中“体”这一层的关键驱动者，正在让百度AI的整条技术栈形成跨层循环优化、相互加强的Looping飞轮。

AI之争，远未结束，但赛道已经换挡。从拼参数、拼Token，到拼谁能跑通动态的、自我增强的闭环，Agent时代的新赛点，也许就在这里。