不是DAU、不是Token，李彦宏给出了AI时代的度量衡

出品 | 《态度》栏目

作者 | 纪川

编辑 | 定西

看完Create 2026，我惊讶的发现，李彦宏过去三年的判断，居然都正在被现实一一兑现。

过去三年，李彦宏在AI上的几个重要判断，几乎都曾是“非共识”。2024年，当大模型公司还在疯狂训练参数、比拼排行榜时，他开始反复强调：“卷应用，不卷模型”；当行业还在寻找下一个ChatGPT式超级App时，他判断，“智能体会成为AI应用最主流的形态”；当很多人还在谈“超级应用”时，他又提出，AI时代真正重要的，不是一个超级App，而是“数百万超级有用”。

这些判断，在当时都不算主流。

但到了2026年再回头看，它们正在变成行业共同语言：模型能力不再是唯一战场，AI应用开始进入真实业务流，Agent从概念走向产品，普通人也开始用自然语言开发应用、经营业务、完成过去只有团队才能完成的工作。

在Create 2026上，李彦宏进一步提出了一个新的概念：DAA，Daily Active Agents，日活智能体数。

在李彦宏看来，AI时代真正重要的，不再是有多少用户打开App，也不是消耗了多少Token，而是每天到底有多少智能体，在真实世界里替人完成任务、交付结果。

如果说DAU是移动互联网时代的度量衡，Token是大模型时代早期的成本刻度，那么DAA更像是智能体时代的价值刻度。它把AI行业的讨论，从“模型有多强”“成本烧了多少”“用户来了几次”，重新拉回到一个更本质的问题：AI到底替人做成了多少事？

1、DAA是什么？李彦宏想替换掉的，不只是一个指标

商业史上的每一次技术更迭，几乎都伴随着度量衡的重写。PC互联网时代，行业看PV、UV。谁有流量，谁就有机会。移动互联网时代，DAU成为最核心的指标。用户每天是否打开、停留多久、是否形成习惯，决定了一个App的商业价值。

到了大模型爆发的前两年，行业又迅速陷入对Token、参数量、榜单和跑分的追逐。这些指标当然有意义，但它们的问题也越来越明显。DAU回答的是“人有没有来”，Token回答的是“模型消耗了多少”，跑分回答的是“模型在标准测试里表现如何”。

但它们都无法回答一个更朴素、更商业的问题：AI到底产出了什么价值？

一个AI应用可以有很高的访问量，但用户可能只是来试一试、聊一聊；一个模型可以消耗大量Token，但Token本质上首先代表的是成本，而不是收益；一个模型可以在榜单上表现很好，但它未必能在复杂、混乱、不可控的真实场景里，把任务稳定做完。

这正是李彦宏提出DAA的背景。

按照他的定义，DAA就是Daily Active Agents，日活智能体数。更直白地说，就是每天有多少个Agent在给人类干活，并交付结果。

这个定义的关键，不在“日活”，而在“Agent”。过去移动互联网讲DAU，衡量的最小单元是“人打开App”。今天讲DAA，衡量的最小单元变成了“智能体完成任务”。

这背后是两套完全不同的产业逻辑。移动互联网的核心，是抢占人的注意力。一个用户打开App、停留、点击、转化，流量就有了商业化空间。智能体时代的核心，则不是让人多看几分钟屏幕，而是让AI替人少做几小时工作。

它的价值不在“占用时间”，而在“释放时间”。所以，从DAU到DAA，本质上是从互联网逻辑到Agent逻辑的迁移：DAU衡量的是人是否打开；Token衡量的是模型消耗；DAA衡量的是Agent是否真正完成任务。

这也是为什么DAA比Token更接近价值。

Token可能意味着更长的上下文、更复杂的推理、更高的成本，但如果没有交付结果，它只是算力账单上的数字。DAA则要求智能体进入任务链条，承担具体角色，并产生可验证的结果。

比如，一个智能体帮电商商家处理客诉、清洗销售数据、生成备货建议、制作营销海报，并搭建秒杀页面；一个智能体帮制造工厂识别安全隐患、生成巡厂报告、持续学习产线管理规则；一个智能体帮银行员工查流程、找材料缺口，减少客户等待时间。

这些都不是“聊天”，而是“干活”。

从这个意义上看，DAA并不是一个凭空发明的新指标，而是AI产业发展到Agent阶段后，对“价值发生在哪里”的重新校准。

李彦宏第一次把AI的价值锚点，从“能力”重新拉回“结果”。

2、这不是突然冒出来的新概念，而是一条连续三年的判断线

如果只看Create 2026，DAA像是一个新概念。但如果把时间线拉长，会发现它其实是李彦宏过去三年AI判断的自然延伸。

第一阶段，是2024年的“卷应用，不卷模型”。

那时，大模型行业的主战场仍然是参数、榜单和模型能力。几乎所有公司都在讲更大的模型、更强的推理、更高的分数。李彦宏当时的判断并不讨巧：模型本身会逐渐趋同，真正拉开差距的是应用和生态。

这句话放在当时，并不是共识。因为行业仍然相信，只要训练出足够强的模型，就会自然涌现出类似ChatGPT的超级应用。但现实很快证明，模型能力只是起点，真正的难点在于如何把AI嵌入具体场景，变成可持续使用的产品和工作流。

第二阶段，是2024年下半年开始，他反复强调智能体会成为AI应用最主流的形态。

当时行业还在寻找“下一个超级App”。但李彦宏的判断是，AI原生时代的信息、内容和服务载体，不一定是某一个超级入口，而可能是大量Agent。这个判断的核心在于：AI应用不是把聊天框做得更聪明，而是让模型拥有工具调用、任务规划、记忆、执行和反馈能力，从而真正进入人的工作和生活流程。

也正是在这个阶段，“智能体”从一个技术社区里的概念，逐渐成为AI产品的核心形态。

第三阶段，是2025年至2026年的“人人都是开发者”和“超级个体”。

当自然语言成为新的编程语言，开发应用不再只是程序员的专属能力。一个普通人只要能描述需求，就有机会把想法变成产品、服务甚至生意。

这件事的意义被低估了。过去，一个人想做一个软件，需要产品经理、设计师、前端、后端、测试、运营一起配合。今天，一个普通人可以用自然语言生成应用、改功能、上线、推广，甚至围绕应用完成商业闭环。

在Create 2026的素材里，有一个很有代表性的案例：来自温州的8岁小学生扑满，用秒哒做了一个“哒哒打伞”小程序。

这个想法来自校园生活：下雨放学时，没带伞的同学在走廊上喊“我要哒哒打伞”，带伞的同学接单，大家拼伞出校门。但问题是，一个班级的喊声传不到全校。于是，他想做一个全校版的“哒哒打伞”。

他不会写代码，就用自然语言告诉秒哒玩法和需求。最终，小程序支持“我想搭伞”和“我来打伞”，还能选择时间、起点、终点，支持独立打伞或拼伞，并通过积分升级激励更多同学参与。

这不是一个宏大的商业故事，却非常说明问题：开发正在从专业技能，变成表达能力。

秒哒的其他案例则更商业化。比如用户贺涛不懂编程，用秒哒做测评应用，跑通“想法—应用—变现—教学”的闭环；孙昱团队借助秒哒搭建智慧养老服务综合监管系统，单人7天搭建整套系统，4名无代码基础的业务项目经理可以1天出原型、半月交付，并已为超9万老人建立动态健康档案。

这些案例共同指向一个变化：AI不只是给大公司提效，也在放大普通个体和小团队的生产力。

所以，到了Create 2026，当李彦宏提出DAA，它其实并不是孤立的概念，而是前面三年判断的结果：

既然要“卷应用”，就必须衡量应用是否真正产生价值；既然智能体是主流形态，就必须衡量有多少智能体在真实运行；既然人人都是开发者、人人都是超级个体，就必须让每个人都能创造和使用Agent；既然企业会变成人与智能体的混合编队，就必须用新的指标衡量组织里的“数字员工”规模和活跃度。

这条线索是连贯的。它从“不要只卷模型”，走到“Agent会成为主流”，再走到“自然语言开发应用”，最后落到“DAA是AI时代的度量衡”。

在科技行业，真正稀缺的不是提出一个热词，而是连续几年在非共识阶段坚持同一套判断，并且不断用产品、基础设施和场景去验证它。

从这个角度看，李彦宏过去三年的AI判断，正在形成一个不断被现实验证的认知体系。

3、百度开始全面Agent化

如果说DAA是百度对AI时代价值衡量方式的判断，那么Create 2026上的产品发布，则显示出另一个趋势：百度的产品线正在全面向Agent迈进。

最典型的是DuMate。

DuMate是百度推出的通用智能体。它能看见屏幕、操作软件、处理文件、串联业务系统，用户只需要一句话，它就能从“想法”走向“结果”。

这和传统聊天机器人有本质区别。聊天机器人主要负责回答问题。用户问一句，它答一句。即便回答再准确，也还停留在“建议”层面。DuMate则更接近一个数字员工。它不只是告诉你应该怎么做，而是直接去做。

在Create 2026上我们看到，一个电商服装品牌创始人同时面对三项工作：处理未读邮件、分析销售数据并给出备货建议、生成新商品海报和公众号预热内容。

传统情况下，这至少对应客服、销售运营、市场营销三个岗位。DuMate的做法是三条任务线并行执行。工具是人来调度工具。Agent是人提出目标，智能体调度工具。

DuMate背后内置百度搜索、秒哒、伐谋、百科等Skill，还支持把标准化执行过程沉淀为Skill，并通过日报式反思持续进化。它真正指向的是一种新的工作形态：不是一个AI助手围着人转，而是一批数字员工围绕目标协同工作。

秒哒则对应另一个层面：让更多人创造Agent和应用。

Create 2026上，秒哒发布3.0，上线企业版，支持生成App，推出秒哒App，并扩展通用Agent和自定义Skill能力。它试图降低开发门槛，让用户通过自然语言生成iOS与Android应用，完成从开发、调试到发布的全流程。

如果DuMate解决的是“让Agent替人干活”，秒哒解决的就是“让人创造更多Agent和应用”。

这两者结合起来，才有可能形成DAA的增长基础。因为未来100亿个日活智能体，不可能只来自少数大厂，而必须来自大量普通人、开发者、小企业和行业客户的持续创造。

百度一镜则代表数字人产品进入多Agent协作阶段。

它从原来的直播带货数字人，升级为全场景数字人平台，覆盖直播、视频、实时互动、电商带货、广告营销、内容创作、影视剧集、服务培训等场景。

关键变化也不是“数字人更像人”这么简单，而是它背后有多Agent协作。

在视频创作中，一镜可以调度剧本Agent、视频Agent、剪辑Agent等完成端到端内容生产；在直播场景中，它可以调度主播、助播、场控、运营等多个专家智能体，完成复杂任务。

比如在帕梅拉蛋白能量棒带货视频案例中，一镜不仅生成了形象一致的数字人，还围绕健身博主的人设设计剧情：一个极度自律的人被“抓包”偷吃披萨，再自然引出蛋白棒作为“解馋、回血、无负担”的替代方案。它不是简单读参数，而是把卖点放进故事里。

这说明AI内容生产也正在从单点生成，变成多个专业Agent协同完成。

伐谋则更偏向企业决策Agent。

在Create 2026上，伐谋2.0被定义为直接面向业务专家的全局最优决策工具，不再只是技术人员使用的算法优化工具。它的核心价值在于：企业不需要一开始就把所有业务规则完整建模，而是在使用过程中，让业务专家不断指出方案与现实的偏差，系统持续理解、调整和优化。

这对制造、物流、工艺、金融风控等场景非常关键。

因为很多企业真正的壁垒，并不写在流程文档里，而藏在老师傅、调度员、风控专家、工程师多年积累的隐性经验中。传统软件很难把这些经验一次性结构化，而Agent可以在持续交互和推演中逐步沉淀。

青岛港案例很典型。码头调度是典型的多目标优化问题，每个目标都不能差，很多权衡需要把多个方案摆在业务专家面前才能判断。引入伐谋后，A-TOS自动化码头智能管控系统在实际生产环境中持续寻找更优调度方案，核心指标进一步提升9.91%。这已经不是“AI做辅助分析”，而是AI参与企业决策链条。

这就是Create 2026释放出的重要信号：百度不是在做几个孤立的AI应用，而是在把整个产品体系Agent化。

4、如何支撑百亿DAA？百度的新全栈AI云与“芯”动力

如果未来DAA真的走向百亿级，最大的问题不是概念是否成立，而是成本是否成立。

一个聊天机器人每天响应几轮对话，和一个Agent每天执行长链路任务，是完全不同的算力消耗。

智能体要完成任务，往往需要规划、拆解、调用工具、读取文件、访问系统、处理上下文、反复判断、纠错和复盘。一次任务可能包含几十步、上百步推理，也可能持续数小时甚至数天。这意味着，智能体时代对基础设施的要求远高于聊天机器人时代。

如果每一次Agent执行都伴随大量重复计算、上下文膨胀和推理成本飙升，那么DAA的繁荣就会停留在演示和少数高价值场景里，很难规模化。

所以，Create 2026上百度智能云提出“新需求，新供给，新全栈”，其背后的逻辑非常清楚：当客户需要的从计算、存储、网络，变成高活跃、高价值、规模化的智能体应用，云服务也必须重新定义。

过去的云，主要卖资源。智能体时代的AI云，必须卖“能让Agent稳定运行、持续进化、安全可控的基础设施”。

百度把这套能力拆成两层：Agent Infra和AI Infra。

Agent Infra解决的是智能体怎么开发、怎么运行、怎么管理的问题。比如Agent Harness提供长上下文管理、记忆、Sub-agent调度和评估能力，帮助开发者快速构建能完成复杂长程任务的智能体；内置Office、浏览器等Skills，让Agent具备跨生态执行能力；Agent Runtime则提供稳定、安全、可观测的运行环境，让Agent不只停留在Demo里，而是能进入企业生产系统。

AI Infra解决的是算力和效率问题。在长链路任务中，模型上下文会随着轮次增加迅速膨胀，动辄达到百万Tokens。但其中大量内容其实是已经计算过的上下文，如果每一轮都重新加载、重新计算，成本会非常高。百度智能云用Agent-first理念重构模型服务，通过长上下文和Cache管理，让Agent复用上下文、减少重复计算。这件事的意义不亚于移动互联网时代的云原生基础设施。

因为DAA的核心不是让一个Agent偶尔工作，而是让大量Agent每天稳定工作。只有当单位Token产生更高业务价值、单位算力支撑更多任务闭环，DAA才可能真正成为产业指标。

这也是“芯云模体”全栈能力的重要性所在。

在“芯”层面，百度昆仑芯P800已经在大模型训练和推理场景中完成规模化验证，并在互联网、金融、制造、教育、能源等行业实现超万片级交付。Create 2026上，百度还提到256卡昆仑芯版本已在上个月点亮，将在6月正式上市，可将模型推理效率提升50%。

在“云”层面，百度智能云强调面向Agent的基础设施重构。例如，义乌“前店后厂”企业用一见视觉智能体搭建AI厂长。过去厂长要针对不同问题训练模型，再把识别规则和处置流程逐个配置到摄像头。现在，商家可以用自然语言把工厂特定的产线标准交给一见，视觉智能体就能快速学习管理要求，并接管多个摄像头，完成安全隐患、设备异常、人员违规等巡检任务。

在“模”层面，5月9日，百度正式发布新一代基础大模型文心大模型5.1。该模型采用“多维弹性预训练”技术，仅以业界同规模模型约6% 的预训练成本，达到基础效果领先水平，登上 LMArena 搜索榜国内第一、全球第四，是唯一上榜的国产模型。在多项业界权威基准测试中，文心5.1在智能体、知识、推理和深度搜索等方面表现出色，其中Agent 能力提升较为明显，超越了 DeepSeek-V4-Pro。此外，其创意写作能力与 Gemini 3.1 Pro 相当，推理能力也已接近业界领先闭源模型。

在空间智能领域，百度地图也拿出了面向智能体时代的具体方案。本次大会，百度地图将正式发布整车AI座舱智能体平台DuDuClaw“嘟嘟虾”，向车企开放底层能力;同时推出百度地图CLI工具以及国内首家发布的地图开发智能体MAPYA，支持自然语言生成代码与AI调用。截至目前，百度地图已服务超400万开发者，其AI副驾也在今年五一期间累计服务超2亿人次。

这些案例共同证明一点：DAA不是消费互联网里的“活跃用户”概念，而是生产系统里的“活跃智能体”概念。

它需要模型、云、芯片、工具、运行环境、行业知识和安全体系共同支撑。没有全栈能力，DAA很容易沦为空洞口号；有了全栈能力，它才可能变成可增长、可运营、可商业化的真实指标。

5、真正的机会，常常藏在非共识之中

AI行业变化太快，快到很多共识的保质期都很短。

昨天所有人还在讨论大模型参数，今天已经开始讨论Agent落地；昨天所有人还在寻找超级App，今天越来越多行业开始接受“智能体编队”；昨天Token消耗还被当作繁荣象征，今天大家已经意识到，Token首先是成本，只有转化为结果才有意义。

越是在这样的周期里，越需要有人回到技术和商业的本质，提出那些不一定顺耳、但可能更接近长期趋势的判断。因为在AI这样高速迭代的时代，共识往往意味着窗口正在关闭，而真正的机会，常常藏在非共识之中。

Create 2026之后，DAA或许也会经历一个从被讨论、被质疑到被验证的过程。它可能还需要更清晰的统计口径、更广泛的行业参与、更真实的商业案例来支撑。但至少，它把AI行业带回了一个值得讨论的问题：我们到底应该用什么来衡量AI的价值？