AI競爭的變化，從兩條曲線相交開始

2026 世界人工智能大會（WAIC 2026）將于?7 月 17 日?在上海正式拉開帷幕。本屆AI大會的規格特別高，體現了國家對AI的重視，也是一個對中國AI發展的一個回顧。三年前，ChatGPT橫空出世后，中國AI迅速追趕，從整體落后，局部追平，到現在智能體時代，百花齊放，中國交出了自己的答卷。以百度為例，它不僅是國內研發AI最早的企業，也是當下少數具備全棧自研，產出全國產超節點與芯片的AI公司。

當AI從模型參數比拼切換到智能體落地，技術與應用之間的距離在縮小，關聯卻越來越大，當下好的AI產品無一不依賴全棧自研的能力，而自研和全棧要發揮作用，勢必要以產品來體現。也是這個原因，百度智能云成了這次百度AI在WAIC上的重點關注對象，一方面是因為今天的通用智能體產品越來越離不開全棧，另一方面則是在這個千行百業都開始智能化的節點，云正成為主角。

百度的例子是當下AI競爭邏輯變化的縮影，從技術到應用，從暢想到落地，兩條曲線正迎來交會時刻。

一、

大型語言模型對資源的消耗極為巨大?？萍脊举I下了全球高端電腦內存供應量的70%，從而引發電腦內存和存儲設備的價格飛漲。與此同時，業內還流傳這樣一句話：AI的盡頭是算力、算力的盡頭是電力，AI數據中心的電力需求也非常巨大。預計這類短缺局面還將持續多年。

這種短缺背后，是AI的Scaling Laws（尺度定律）。

所謂尺度定律，指隨著模型規模（參數量）、數據集規模（Token）和計算量（FLOPs）的增加，訓練損失會按照冪律（power law）持續下降。這是人工智能領域的一個關鍵定律。簡單地說，它描述了模型性能隨規模擴大而變得更強，也就是OpenAI在2020年提出的“越大越好”。

而且，更重要的是，隨著模型變大，還會出現“涌現現象”，即向大語言模型添加更多的數據和計算量，就會涌現出智能。這是一種在較小規模模型中不存在，但在大規模模型中存在的能力。

正是在這兩個定律的作用下，目前頭部AI模型的參數量已從2020年的1750億個增長到如今超過1萬億個。

尺度定律，雖然是越大越好，但并?未打破一個更大層面的規律，那就是?邊際生產力遞減規律。

所謂邊際生產力遞減規律又稱邊際報酬遞減規律或邊際產量遞減規律，是指在技術水平和其他生產要素投入保持不變的條件下，連續等量增加某一種可變要素投入時，其邊際產量會經歷先遞增后遞減的過程。

從經濟學的角度看，AI大模型的這個規模，是邊際生產力遞減曲線的前半段。我們觀察到的尺度定律、涌現，描述多要素同步擴張下的冪律性能提升，某種程度上，就是邊際產量先遞增的過程。在這之后，隨著要素的進一步投入，邊際生產力遞減規律，就會占主導地位。

當前 AI 領域已顯現邊際生產力遞減規律的回歸跡象，單純依賴擴大參數的規模擴張路徑已遇瓶頸。隨著高質量數據枯竭、算力成本飆升及架構瓶頸出現，單純推高規模帶來的邊際性能增益已顯著放緩。

這種變化已經傳導至行業。當下，不拼參數，拼全棧綜合能力已經成為共識。百度集團執行副總裁、百度智能云事業群總裁沈抖在最近一次深度對話中也提出了他們的思考，他認為未來三年會成為一個黃金窗口期，在這個窗口期內擁有全棧先發優勢的企業會進一步拉開差距。

為了提供大模型的能力上限，需要不斷的探索合適的網絡結構，比如從稠密模型到MOE，以及注意力層的各種注意力機制，這都對芯片的算力、顯存和帶寬提出了不同的組合要求。而一旦模型找到了最好的網絡結構，就需要相應的芯片來支持。模型的研發中需要考慮如何最大化算力的利用率，甚至需要做一些妥協。只有模型和算力互相影響，量體裁衣，完美匹配，才能實現效率最大化。同時，智能體的廣泛普及會帶來大量高質量的數據，提升模型的能力， 反過來模型的能力提升，也會解鎖更多的智能體場景。 只有這套體系緊密銜接，才會加速模型和智能體的螺旋上升。

二、

這個觀點，正指向AI從純技術領域走向應用時會遭遇的另一條曲線。

很多互聯網生意，前期需要投入大量的時間和精力，可一旦步入正軌，后續的運營成本就會越來越低，甚至趨近于零——比如一款APP，前期研發需要大量投入，可一旦商業模式確立，隨著新用戶的不斷增加，每新增一名用戶的成本能夠逐步降低。多一個用戶使用，幾乎不需要額外增加成本。這就是互聯網的“邊際成本遞減”原理，也被稱為logarithmic scaling（對數尺度），它是很多互聯網生意的核心邏輯。

但生成式人工智能的生意卻完全不同。它無法實現邊際成本遞減。一家致力于評估人工智能模型運行成本的機構Epoch AI，去年發布了一張圖表。該圖表展示了使用多個公開人工智能模型時，為服務更多“token”，成本呈指數級增長。

智能體時代，沒有了logarithmic scaling效應，用戶成本不能邊際下降，但資源產出Token卻會邊際遞減。這就意味著，兩條曲線很快就會相交?；ヂ摼W和移動互聯網那種規模通吃的模式，在智能體時代，已經不再奏效。

但技術在發展，投入的要素不可能減少，單純節流、壓縮Token花費，并非解題之道。關鍵在于如何提質增效，釋放每一個Token的更大價值，輸出新型服務能力與商業模式。

那就是智能體驅動大模型迭代的閉環效應會變得更突出、更明顯。智能體落地會產生大量真實產業數據回流，這些數據會持續迭代大模型，模型變強又能支撐更多場景智能體落地，這套飛輪轉得越來越快，這是最核心的底層變化。

過去行業只比模型參數、跑分，現在以及未來一年半，比拼的不再是單純模型基礎能力，而是真實任務完成率、單位Token 價值、產業落地規模，客戶不再為概念買單，開始實實在在為效果、提效效率付費，用好每一份算力、每一個 Token 會成為行業共識。

三、

從這個背景來看，DAA（Daily Active Agents，日活智能體數）概念的出現，似乎正當其時。

這是百度創始人李彥宏于2026年5月提出的一個AI時代核心度量衡的概念，指?每天實際完成有價值任務并交付結果的智能體數量?，旨在將AI評價標準從“投入消耗（Token）”轉向“產出價值（任務閉環）”。

李彥宏認為，Token僅代表成本而非收益，衡量的是投入而非產出，未來衡量平臺和生態的繁榮，更應該關注DAA，即有多少智能體在為人工作并交付實際結果。DAA 概念，正是在百度內部發展AI的核心策略，即衡量產出和結果，優化消耗。

實際上，這個轉變也出現在國外的AI應用上。

去年底，在硅谷，一種以最大化Token消耗為目標的工作方式（Tokenmaxxing）開始蔓延。日均Token調用量、AI生成代碼占比、內部AI工具使用率與員工轉正、年度晉升、末位淘汰掛鉤。Meta、OpenAI、Shopify都搞了內部Token消耗排行榜，管理者公開夸“耗得多的員工有潛力”，消耗量低的甚至會被約談。國內阿里、騰訊、字節等大廠技術團隊，也不同程度受到這個潮流的影響。但同時，這立刻產生了職場形式主義，推動組織AI化的意義與效果，也就大打折扣。

但轉變也隨即出現，5月29日，亞馬遜近期關停了內部AI使用排行榜KiroRank。這一系統最初用于評估開發者平臺Kiro的用戶AI使用表現，但部分員工利用AI智能體執行大量無效任務“刷榜”，致使亞馬遜的算力成本大幅攀升。所以，亞馬遜改用“標準化部署量”作為新考核指標，更關注工程師用AI產出有效代碼的頻率，而非單純的Token消耗量，引導技術團隊從單純的降本轉向求優，避免無意義的資源空轉。

沈抖介紹，在百度的定義里，只有能夠落地履職、產出實際效果的智能體才算有效統計對象；僅處于在線狀態，無法完成業務任務、得不到客戶認可的智能體，不具備實際價值，不計入有效DAA。如果將大模型比作電力基礎設施，其核心價值不在于基礎產能本身，而在于賦能千行百業落地場景后創造的實際效益。因此百度始終沒有把 Token 調用量當作核心考核標準，百度更聚焦智能體實際活躍頻次與日活躍智能體規模，也就是 DAA。

四、

但更深刻的轉變，絕不僅是不再單純用Token消耗量當作指標，而是需要重塑理念，重新思考什么是真正的智能效率。有效的AI應用評估應結合輸出質量、創新性、問題解決能力等多元維度。

在這套度量邏輯下，當整個行業從“卷價格”轉向“卷效率”時，百度智能云，跑出了智能體時代的第一條增長曲線。2026Q1，AI業務收入達136億元，占一般性業務收入52%，首次過半。AI云收入同比增長79%，GPU云收入同比增長184%。當行業還在用消耗量證明自己很忙，百度智能云已經用收入占比回答了真正的問題：AI能不能干活，能不能賺錢。

智能體時代，當兩條曲線開始相交，AI行業的競爭邏輯正在發生一次底層切換：從“誰的Token調用量高誰就贏”轉向“誰用更少的Token交付更多任務誰就贏”。畢竟，任何生意都是看產出，而不是比成本的。

劉 遠 舉

央視網、第一財經、光明日報、騰訊大家、南方周末、新京報、南方都市報、FT中文網、澎湃等特約作家，多家智庫研究員。

關注財經、科技、時政，以深度、專業、理性的態度，去掘現象背后的事實。

中國科技自媒體50人

第35屆中國新聞獎評論三等獎

第34屆中國經濟新聞獎評論二等獎

第28屆北京新聞獎一等獎

2024年湖南新聞獎一等獎

騰訊大家年度作家獎

新浪最有價值專欄作家獎

紅辣椒評論年度佳作獎

已開快捷轉載，歡迎轉載

已開過白名單的公眾號，轉載請遵循轉載規則

您的關注是最好的支持！