AI竞争的变化，从两条曲线相交开始|全栈|智能体|边际

2026 世界人工智能大会（WAIC 2026）将于‌7 月 17 日‌在上海正式拉开帷幕。本届AI大会的规格特别高，体现了国家对AI的重视，也是一个对中国AI发展的一个回顾。三年前，ChatGPT横空出世后，中国AI迅速追赶，从整体落后，局部追平，到现在智能体时代，百花齐放，中国交出了自己的答卷。以百度为例，它不仅是国内研发AI最早的企业，也是当下少数具备全栈自研，产出全国产超节点与芯片的AI公司。

当AI从模型参数比拼切换到智能体落地，技术与应用之间的距离在缩小，关联却越来越大，当下好的AI产品无一不依赖全栈自研的能力，而自研和全栈要发挥作用，势必要以产品来体现。也是这个原因，百度智能云成了这次百度AI在WAIC上的重点关注对象，一方面是因为今天的通用智能体产品越来越离不开全栈，另一方面则是在这个千行百业都开始智能化的节点，云正成为主角。

百度的例子是当下AI竞争逻辑变化的缩影，从技术到应用，从畅想到落地，两条曲线正迎来交会时刻。

一、

大型语言模型对资源的消耗极为巨大。科技公司买下了全球高端电脑内存供应量的70%，从而引发电脑内存和存储设备的价格飞涨。与此同时，业内还流传这样一句话：AI的尽头是算力、算力的尽头是电力，AI数据中心的电力需求也非常巨大。预计这类短缺局面还将持续多年。

这种短缺背后，是AI的Scaling Laws（尺度定律）。

所谓尺度定律，指随着模型规模（参数量）、数据集规模（Token）和计算量（FLOPs）的增加，训练损失会按照幂律（power law）持续下降。这是人工智能领域的一个关键定律。简单地说，它描述了模型性能随规模扩大而变得更强，也就是OpenAI在2020年提出的“越大越好”。

而且，更重要的是，随着模型变大，还会出现“涌现现象”，即向大语言模型添加更多的数据和计算量，就会涌现出智能。这是一种在较小规模模型中不存在，但在大规模模型中存在的能力。

正是在这两个定律的作用下，目前头部AI模型的参数量已从2020年的1750亿个增长到如今超过1万亿个。

尺度定律，虽然是越大越好，但并‌未打破一个更大层面的规律，那就是‌边际生产力递减规律。

所谓边际生产力递减规律又称边际报酬递减规律或边际产量递减规律，是指在技术水平和其他生产要素投入保持不变的条件下，连续等量增加某一种可变要素投入时，其边际产量会经历先递增后递减的过程。

从经济学的角度看，AI大模型的这个规模，是边际生产力递减曲线的前半段。我们观察到的尺度定律、涌现，描述多要素同步扩张下的幂律性能提升，某种程度上，就是边际产量先递增的过程。在这之后，随着要素的进一步投入，边际生产力递减规律，就会占主导地位。

当前 AI 领域已显现边际生产力递减规律的回归迹象，单纯依赖扩大参数的规模扩张路径已遇瓶颈。随着高质量数据枯竭、算力成本飙升及架构瓶颈出现，单纯推高规模带来的边际性能增益已显著放缓。

这种变化已经传导至行业。当下，不拼参数，拼全栈综合能力已经成为共识。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深度对话中也提出了他们的思考，他认为未来三年会成为一个黄金窗口期，在这个窗口期内拥有全栈先发优势的企业会进一步拉开差距。

为了提供大模型的能力上限，需要不断的探索合适的网络结构，比如从稠密模型到MOE，以及注意力层的各种注意力机制，这都对芯片的算力、显存和带宽提出了不同的组合要求。而一旦模型找到了最好的网络结构，就需要相应的芯片来支持。模型的研发中需要考虑如何最大化算力的利用率，甚至需要做一些妥协。只有模型和算力互相影响，量体裁衣，完美匹配，才能实现效率最大化。同时，智能体的广泛普及会带来大量高质量的数据，提升模型的能力，反过来模型的能力提升，也会解锁更多的智能体场景。只有这套体系紧密衔接，才会加速模型和智能体的螺旋上升。

二、

这个观点，正指向AI从纯技术领域走向应用时会遭遇的另一条曲线。

很多互联网生意，前期需要投入大量的时间和精力，可一旦步入正轨，后续的运营成本就会越来越低，甚至趋近于零——比如一款APP，前期研发需要大量投入，可一旦商业模式确立，随着新用户的不断增加，每新增一名用户的成本能够逐步降低。多一个用户使用，几乎不需要额外增加成本。这就是互联网的“边际成本递减”原理，也被称为logarithmic scaling（对数尺度），它是很多互联网生意的核心逻辑。

但生成式人工智能的生意却完全不同。它无法实现边际成本递减。一家致力于评估人工智能模型运行成本的机构Epoch AI，去年发布了一张图表。该图表展示了使用多个公开人工智能模型时，为服务更多“token”，成本呈指数级增长。

智能体时代，没有了logarithmic scaling效应，用户成本不能边际下降，但资源产出Token却会边际递减。这就意味着，两条曲线很快就会相交。互联网和移动互联网那种规模通吃的模式，在智能体时代，已经不再奏效。

但技术在发展，投入的要素不可能减少，单纯节流、压缩Token花费，并非解题之道。关键在于如何提质增效，释放每一个Token的更大价值，输出新型服务能力与商业模式。

那就是智能体驱动大模型迭代的闭环效应会变得更突出、更明显。智能体落地会产生大量真实产业数据回流，这些数据会持续迭代大模型，模型变强又能支撑更多场景智能体落地，这套飞轮转得越来越快，这是最核心的底层变化。

过去行业只比模型参数、跑分，现在以及未来一年半，比拼的不再是单纯模型基础能力，而是真实任务完成率、单位Token 价值、产业落地规模，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 会成为行业共识。

三、

从这个背景来看，DAA（Daily Active Agents，日活智能体数）概念的出现，似乎正当其时。

这是百度创始人李彦宏于2026年5月提出的一个AI时代核心度量衡的概念，指‌每天实际完成有价值任务并交付结果的智能体数量‌，旨在将AI评价标准从“投入消耗（Token）”转向“产出价值（任务闭环）”。

李彦宏认为，Token仅代表成本而非收益，衡量的是投入而非产出，未来衡量平台和生态的繁荣，更应该关注DAA，即有多少智能体在为人工作并交付实际结果。DAA 概念，正是在百度内部发展AI的核心策略，即衡量产出和结果，优化消耗。

实际上，这个转变也出现在国外的AI应用上。

去年底，在硅谷，一种以最大化Token消耗为目标的工作方式（Tokenmaxxing）开始蔓延。日均Token调用量、AI生成代码占比、内部AI工具使用率与员工转正、年度晋升、末位淘汰挂钩。Meta、OpenAI、Shopify都搞了内部Token消耗排行榜，管理者公开夸“耗得多的员工有潜力”，消耗量低的甚至会被约谈。国内阿里、腾讯、字节等大厂技术团队，也不同程度受到这个潮流的影响。但同时，这立刻产生了职场形式主义，推动组织AI化的意义与效果，也就大打折扣。

但转变也随即出现，5月29日，亚马逊近期关停了内部AI使用排行榜KiroRank。这一系统最初用于评估开发者平台Kiro的用户AI使用表现，但部分员工利用AI智能体执行大量无效任务“刷榜”，致使亚马逊的算力成本大幅攀升。所以，亚马逊改用“标准化部署量”作为新考核指标，更关注工程师用AI产出有效代码的频率，而非单纯的Token消耗量，引导技术团队从单纯的降本转向求优，避免无意义的资源空转。

沈抖介绍，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。如果将大模型比作电力基础设施，其核心价值不在于基础产能本身，而在于赋能千行百业落地场景后创造的实际效益。因此百度始终没有把 Token 调用量当作核心考核标准，百度更聚焦智能体实际活跃频次与日活跃智能体规模，也就是 DAA。

四、

但更深刻的转变，绝不仅是不再单纯用Token消耗量当作指标，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应用评估应结合输出质量、创新性、问题解决能力等多元维度。

在这套度量逻辑下，当整个行业从“卷价格”转向“卷效率”时，百度智能云，跑出了智能体时代的第一条增长曲线。2026Q1，AI业务收入达136亿元，占一般性业务收入52%，首次过半。AI云收入同比增长79%，GPU云收入同比增长184%。当行业还在用消耗量证明自己很忙，百度智能云已经用收入占比回答了真正的问题：AI能不能干活，能不能赚钱。

智能体时代，当两条曲线开始相交，AI行业的竞争逻辑正在发生一次底层切换：从“谁的Token调用量高谁就赢”转向“谁用更少的Token交付更多任务谁就赢”。毕竟，任何生意都是看产出，而不是比成本的。

刘远举