7天两场演讲，中国AI云双强讲起同一个“爱迪生”

作者｜何晴

编辑｜重点君

9月16日，在2026智能经济论坛上，百度集团执行副总裁、百度智能云事业群总裁沈抖谈到AI的发展阶段时，用了一个电力时代的比喻：今天的AI，有可能只是灯泡发明后的第一个月。灯已经亮了，但电力真正带来的社会分工和产业重构，还没有发生。

六天之后，在杭州云栖大会上，阿里巴巴集团CEO兼阿里云董事长与首席执行官吴泳铭提到了1882年的珍珠街电站，“爱迪生点亮400盏电灯之后，人类并没有马上看到电气时代的完整图景”。

两场演讲像是提前对过稿。这边说灯泡刚刚亮起，另一边从珍珠街第一座电站讲起，两家云厂商不约而同地用电力时代类比当下的AI浪潮。

过去三年，大模型公司最容易比较的是参数、榜单和推理成本。谁更聪明、谁更便宜，一度就是竞争本身。但到了2026年，大模型智能早已不构成企业、产业AI落地的差距，产业方需要的早已不仅仅是回答更快、更会做PPT的AI，而是智能对生产效率、对产业的整体提效。

随着行业的竞争焦点从模型竞技转向生产力交付，百度和阿里给出了两个不同的切入点：百度试图先让智能进入真实的企业经营环境，建立业务闭环，当价值逐步被兑现，企业对于智能的需要将继续推动模型、云和芯片投入；阿里则试图把智能变成一种规模化供给，让机器智能电力一样成为随时可调用的基础商品，带动飞轮转动。

这两条路并无对错之分。1882年，爱迪生点亮了第一批电灯，此后数十年，围绕电建立起来的新产业才真正改变了世界。今天，AI也处在类似的阶段，灯已经亮了，但类似电气时代的产业重构尚未发生。当大模型按下了AI产业的起始键，AI云厂商试图往下一步，追问同一个问题：当智能像电一样被生产，AI如何从技术能力变成真正的生产力？

AI云双雄，都在关注AI生产力

就在上周，沈抖在智能经济论坛上算了一笔账。

2025年全球AI资本开支大约5000亿美元，看起来已经是一个巨大的数字，但只占全球GDP约0.4%。相比之下，电力系统投资叠加电力消费，已经接近全球GDP的5%。

如果把AI类比成电力，其实今天的AI基础设施建设远没有到过剩的阶段。但沈抖紧接着提出：过去三年模型能力一直在快速上涨，GDP却没有以相似的斜率增长。

过去两年，大模型完成了能力跃迁，但还没有落到真正影响营收和效率的业务具体场景里。

企业需要的是一整套能够理解业务背景，调用企业系统，执行复杂任务的高效AI系统，百度将之称为“产业智能体”。智能体用来连接模型能力和企业，百度切入的起始点，是先证明智能体能不能进入真实业务并且创造价值。

同一个趋势，另一场大会上，阿里从另一个方向做了呼应。

吴泳铭在云栖大会上提出，“智能正在成为一种规模化的商品”。过去工业革命做的事情，是把“动力”从人和牲畜身上剥离出来，变成可以大规模生产、传输和使用的电力。到了机器智能时代要发生的变化，是把过去稀缺的人类思考，同样变成一种可以规模化供给的商品。

顺着这一判断，阿里把AI模型、AI芯片和AI云定义为机器智能时代的三大基石。一方面，Qwen继续向更复杂、更长程任务推进，包括 5-10T参数模型和RSI递归式自我改进探索，模型的迭代也会产生更多需求，带动基础设施投入。另一方面，既然未来Agent、模型、软件都要上云，云需要成为机器智能时代的电网。而当智能供给足够丰富，新的应用和产业会被创造出来。

显然，当下两家公司都不约而同的看到了AI生产力在价值，只是选择了不同的切入点：一个放大价值闭环，一个放大规模效应

百度和阿里逻辑不同，需求拉动VS供给先行

一位汽车企业的采购告诉重点君，当下Agent进企业，采购最难向老板解释的就是AI预算和相应交付结果的对应关系。“比如买服务器和网络都有明确的使用场景，有了SaaS，企业会开通办公软件企业版，但Agent进入企业，除了烧token做PPT、找资料之外，Agent到底能做什么，能在多大程度上影响利润，才是老板最关注的。”

简而言之，企业想买的，正在从某种能力变成完整的价值交付。

这也是百度把产业智能体进一步推向企业核心任务的原因。

比如，一款新车从外形设计到最终量产，需要经过大量工程验证，一款车早一天定型，就意味着研发、试制和量产节点都能往前挪。工程师基于经验调整车身设计，再通过仿真验证风阻表现，一次高精度仿真往往需要数小时甚至更久，而这种改一版，等结果，然后再改一版的循环往往会拖慢研发节奏。

在阿尔特的汽车做风阻设计时，研发人员试图引入AI探索一种更快速地进行高密度仿真的方法。他们把百度伐谋接入原有CFD仿真系统，自主演化了120多轮。在保证风阻预测精度的情况下，把一次原本需要数小时的CFD仿真压缩到秒级。研发人员不用再等仿真结果出来在决定下一轮怎么改，而是可以用AI一次并行探索更多的可能性，人负责制定标准和修正。

对于南方电网这样的超大型能源企业来说，他们的需求往往更复杂。这类企业往往设备管理涉及了海量数据，包括设备参数，历史检修记录，运行状态等等，但数据又往往分散在不同的系统。当一个设备出现异常，例如温度升高、运行参数变化时，工作人员不仅需要判断问题是否真实存在，还需要结合设备历史状态、运行环境和维护记录，决定下一步处理方案。

所以，对电网来说，AI如果仅仅是识别某个异常，并不能带动整体的提效。AI能知道异常意味着什么，接下来应该按照什么流程处理，才是真的提效。

为了解决这个问题，百度胜算通过数据本体连接了原本各自分散的信息，让智能体可以沿着真实业务逻辑完成判断、查询和工单生成，也就是把异常出现后，人工查询再由专家判断的环节，变成Agent自动关联数据，分析给出建议，人只负责在关键节点确认。

AI就这样嵌入了原有的流程本身，企业开始为某个问题被解决，或者说Agent的完整交付结果付费。

泰康则把这种逻辑进一步规模化。4月份部署智能体开发平台后，泰康已经上线3500多个智能体，每天Token消耗量达到200亿。AI开始从一个员工偶尔使用的工具，进入医疗健康、风控合规、销售运营等企业内部流程。

阿里面对的也是同一批正在进入AI时代的企业。阿里云本质上是“供给先行”的Token经济学，依托芯片、模型和云构建三基石，客户买单的是未来机器庞大的思考量（Token消耗量），是在为“可能性”计费；而百度智能云走的是“需求拉动”的生产力经济学，以产业智能体为启动点，让智能体干真活、产生真实业务数据，进而推动模型迭代与云投入，客户买单的是问题被解决的确定性，是在为“经营结果”计费。

按照沈抖的定义，产业智能体也不是一个孤立的AI产品，而是“智能体+产业系统”。它既能够连接企业内部的知识、数据、流程和工具，也能在真实场景中完成任务、交付结果，产生真实数据和反馈，这些反馈再推动模型和Agent继续迭代，又拉动更大的云基础设施和芯片投入。

站在2026年，这两条路线已经开始越来越接近。

十年全栈长跑，押注同一个方向

事实上，如果把时间拉长会发现，百度和阿里这种共识并不是从2026年才开始的。早在大模型爆发之前，两家AI云大厂就押注了同一个方向。

2020年，百度提出要把技术突破与“产业实际需求”结合，通过“云智一体”把AI能力输送给产业。沈抖提出，要直接从行业核心场景切入，再用应用需求反向改造推动AI基础设施的优化，形成一套不断进化的产业智能化循环。

阿里同样很早就开始把AI和产业落地放在一起，并逐渐形成全栈。

今天AI云双雄谈Agent、谈AI基础设施，底层延续的是十年前的同一个判断：AI不会只停留在应用层，最终要进入企业的生产系统。

其中，百度很早就在尝试把AI从单点技术组织成完整技术栈。

2018年，百度大脑3.0已经开始全栈布局芯片、深度学习框架到平台和生态，陆续升级为芯-模-云-体全栈AI，并在2026年百度Create大会上进一步升级“新全栈AI云”。这套全栈AI能力已经赋能千行百业，目前已有80%的央企、100%的系统重要性银行以及100%的中国主流车企选择了百度。此外，2025年百度在中国AI游戏云市场和中国具身智能AI云市场均占据份额第一的位置。

阿里也沿着另一条路径逐渐发展为全栈玩家。早期阿里云首先解决的是计算资源的规模化供给，后来陆续补齐自研芯片、模型、模型服务以及Agent平台。从通义千问、百炼到平头哥和AI云，这些过去分散在不同业务里的能力，正在被重新组合成一套面向“机器智能”的全栈基础设施。

这种收敛并不只发生在中国。IDC预计，到2027年，超过85%的中国组织需要把传统云环境改造成适配AI工作负载的新平台，80%的中国500强企业将部署代理式AI平台用于云运营。AI已经成了云最重要的变量。

到2026年，百度和阿里都已经具备芯片、模型、云，也都开始把Agent往企业核心流程里推。无论是百度从价值在真实产业释放切入，最终拉动规模，还是阿里从规模效益切入，推动机器智能发展，两种思路都终将汇合。在AI需要变成生产力的当下，没有规模化供给，AI无法普及。没有真实业务反馈，AI也无法进化。中国AI云的两大巨头，百度智能云、阿里云正在共同定义AI产业化的中国路径。

正如两场演讲所提到的，爱迪生点亮那400盏灯的时候，并不知道后来会有一个生气蓬勃的电气时代。如今真正值得关注的是，既然灯已经亮了，那么AI生产力爆发的时代势必即将到来。