智能体经济：同一盏电灯，两张图纸

一周多前，百度和人民日报联合主办了一场智能经济论坛。这个论坛最吸引我的，不是任何一个单纯的技术概念，而是它尝试去提出智能体经济时代的一种终局范式。

这比谈论AI Coding或AI办公要深入得多，哪怕前两者是目前唯二看得到“钱”的AI落地场景。

如果百度的范式得以落实，它的经济价值会比前者高几个数量级，因为它解决的不是单点优化，而是体系进化。它通过“产业智能体操作系统”的方式，让智能体真正进到产业循环里；而且，它是向后兼容的，能充分利用企业的存量数字资产，最大程度降低前进的阻力，简言之就是“利新容旧，高度务实”。

所以，当时我给它的评价是，看得高，看得远。

不过，提出一种终局模式，不意味着这就是唯一范式。

这也是我写这篇文章的一个出发点。因为好巧不巧，在9月22日，阿里云栖大会上，吴泳铭也拿出了一张智能体时代的发展蓝图，而且也具有很强的终局视角和格局感。

一个算的是经济账，一个算的是技术账，它们各自不同，但都能闭环。所以，我这篇文章并不是要对两者做对比。

这两个本身并不关联的独立事件，其真正的共同价值在于：中国头部AI云企业终于开始系统性地思考智能体时代的全局发展范式，并且完全走出了照搬美国模式的既有路径，提出了鲜明的中国主张。

这个差别值得多说两句。

相当一段时间以来，中美在争夺AI创新第一策源地的过程中，有一件事已经很清楚：单点上的比拼，我们不占优。

而这一次中国AI走的是另一条路：把庞大的产业规模当作最大的资产，让智能体落进真实的业务里，去创造和兑现经济价值。

它说明中国的AI产业已经不只是跟在别人的标准后面走，而是有了自己的主张。

这就是这两个独立主张的可贵性：我想把它们拆透给读者看，让大家看到中国AI在进入全球创新策源地的路上，是如何变得越来越有自己的主见和主张的。

——导语

01

百度智能云，智能体经济“操作系统论”的提出

过去一年，AI行业对前沿模型有了一种新的共识。

什么叫好模型，不再只看它答一道题答得多漂亮。人们盯住了一件更实际的事：这个模型能不能驱动一个或一群复杂的智能体，完成一个完整的任务，而且能够持续独立运转足够长的时间。任务越复杂，链路越长，自主性越高，打分就越高。

复杂智能体能力，成了衡量AI进步的公认尺子。

可是有一个问题，几乎没有人认真回答过：这么多智能体，在一个更宏观的经济体系里，彼此之间怎么协同？它们和企业已有的系统怎么衔接？谁来决定一个任务该交给哪类智能体、调用什么资源？

智能体可以越来越聪明，但一群各自为战的高手，不会自动变成一支有组织的军队。

历史上也有人碰到过一模一样的困惑——例如，在互联网时代还没有全面到来的1987年，经济学家罗伯特·索洛写下过一句后来被引用了无数遍的话：计算机时代无处不在，除了在生产率统计数据里。

三十九年后，同样的困惑落到了AI头上。沈抖在智能经济论坛上说，过去三年模型能力一直在涨，GDP却没有明显变化。他算了一笔账：去年全球AI资本开支大约5000亿美元，折算下来只占全球GDP的0.4%，而电力系统的投资加上电力消费，已经接近全球GDP的5%。

沈抖说："今天的AI有可能只是灯泡发明后的第一个月。灯亮了，所有人都看到了变化，但是电力带来社会经济分工的调整还没有出现。"

灯亮了，分工还没变，这件事在电力史上真实发生过一次。

十九世纪末的工厂靠一台巨大的蒸汽机驱动，动力通过一根贯穿车间的天轴和无数皮带，传到每一台机器上。电动机出现以后，工厂主做的第一件事，是把蒸汽机拆掉，换上一台同样巨大的电动机，天轴和皮带原封不动。

结果是电用上了，但生产率几十年纹丝不动。直到每一台机器都装上自己的小电机，天轴被拆掉，车间可以按工序重新排布，电力时代的生产率才真正起飞。经济史学家保罗·大卫后来把这段历史写成一篇著名的论文，题目叫《发电机与计算机》。

电本身不创造生产率，怎样组织电才创造生产率。智能体也一样。

百度智能云想清楚的正是这件事，而且已经在建一套系统去解决它。这套系统叫产业智能体操作系统，名字很大，要解决的问题却可以讲得很直白：让企业的智能体在一个统一的底座上高效组织、精密调度，最终创造出经济价值。

这套系统把产业智能体分成三类。

第一类是通用智能体，代表是百度搭子。很多人以为它就是个办公助手，其实办公只是它很小的一个切面。它真正的角色是调度层：接到一个任务，判断该怎么拆，该调哪些专业能力，该从哪些系统里拿数据，然后在授权范围内端到端地做完。

第二类是专业智能体，各管一个方向：做自我演化的伐谋，做本体构建的胜算，做应用开发的秒哒，做视觉的一见，做营销的Hogee，做数字人的一镜。过去几年大模型真正跑通的场景就是这几类，足够专业，结果也容易验证。

第三类，也是最重要的一类，是定制智能体。

每家企业都有自己独有的知识体系、工作方式和业务判断，它们长在企业的数据里、流程里、系统里，沈抖称之为企业真正的禀赋。

有通用性的智能体不可或缺，但永远成不了一家企业的差异化竞争力。只有把企业内部的Know-How和智能体定制工具结合起来，做成专门为这家企业、这项业务服务的智能体，才碰得到那些最有价值的核心任务。

三类智能体不是三根烟囱。它们嵌套运行，AI和AI直接对话，专业智能体和定制智能体作为Skills，被通用智能体统一调度。支撑这种调度的，就是被类比为"产业智能体操作系统"的那套体系。

论坛现场演示了一个芯片设计的案例——在半导体设计中，布局规划和布局是两个紧密相连的环节，工程师过去的大量时间花在把上一步的结果搬进下一步、重新核对约束上，耗时的反而不是设计判断本身。这一次，百度搭子调用了伐谋，让两段割裂的工作流第一次由智能体而不是人直接串了起来。沈抖说，这可能是全球第一次用通用智能体把割裂的专业工作流真正串联起来。

这就是所谓"产业智能体操作系统"要做的事：向上承接任务，判断该调哪类智能体；中间连接企业的数据、知识、权限和流程；向下调度云上的算力、存储和安全资源。ERP、CRM这些跑了多年的系统不推倒，以轻方式接入；搭子开发平台与搭子共用同一套Harness框架，搭子升级，企业定制的智能体同步升级。

支撑这套操作系统的，是百度智能云"芯云模体"的全栈能力。

百度智能云的Agent Infra把模型彻底资源化，150多个模型随时切换调用，过去六个月智能体的长链路推理性能提升了3倍以上。

算力AI Infra这一层，昆仑芯P800已经在互联网、金融、能源、制造等行业建成成熟集群。天池超节点实现全栈国产化，并开放了六个核心模块的技术规范。进入吉瓦时代，百度智能云用预制模块重新设计AIDC，建设周期缩短30%。

全栈不是一张每项要打钩的能力清单，而是四层必须拉通才能形成的一种闭环——智能体进入真实任务产生业务数据，既推动模型迭代，也带动更大规模的云和芯片投入，单位成本随之下降，做不了、做不起的场景被一个个释放出来。飞轮的启动点放在智能体落地这一环，需求拉动供给。

这个循环已经在客户那里初步转起来了：80%的央企、100%的系统重要性银行、100%的中国主流车企选择了百度智能云。

这也是百度智能云能提出这套主张的实证基础。

这些数字的背后，是一套以终为始的思考。百度智能云从"AI怎样创造经济价值"这个终点倒推，把终局做成了一套可以操作的结构：任务怎么拆，智能体怎么分，旧系统怎么接，成本怎么降。它的收入绑在企业的业务结果上，每一分基建投入都有场景托底。

它的可贵之处在于，明确提出了一条完整链路：从一家企业如何引入智能体、让智能体接管绝大多数工作，到整个社会如何通过智能体操作系统形成有效协同。

这套思考的底气，来自一条很长的来路。2018年百度大脑3.0就已经搭起全栈AI布局，此后从"云智一体"到"深入产业"再到今年的"芯云模体"，判断没有变过，主线始终如一。

沈抖给这幅图景标了刻度：到2030年，将有30亿个产业智能体持续运行，带来超过100吉瓦级的推理需求。他在演讲最后说了一句话：历史一再证明，无论我们多么高估一场技术变革，最终都会被证明是低估了它。

02

阿里云，先修电站，等一场确定会来的爆发

六天之后的杭州云栖大会上，吴泳铭从另一个方向走进了智能时代的宏观格局规划，但他没有从企业的业务层切入，而是从智能本身的性质切入。

先讲一个瓦特的故事。

十八世纪八十年代，瓦特的蒸汽机开始卖给磨坊和啤酒厂，那里的动力原本是马。老板们问的问题很实在：你这台机器顶几匹马？瓦特只好去量马，量出一匹马一分钟能做多少功，把这个数定为一马力。

"马力"这个词就是这么来的：一个新物种，一开始只能拿它要替代的旧东西来计量。可没过几十年，蒸汽机就做到了再多的马也做不到的事，火车飞奔，轮船横渡大洋。

吴泳铭在云栖大会上讲的，是同一个道理。

Artificial在英文里更接近"人造"，像人造钻石、人造皮革；过去人们用"像不像人"来衡量AI，图灵测试一度是那把标尺。但机器动力从来不是人造体力，机器智能也不是人造智力，它是一个完全不同的物种。

经济学家熊彼特有一句话，说的正是这种物种之别：无论你把多少辆邮政马车连在一起，都得不到一条铁路。

这个正名决定了后面整套推演的走向。既然机器智能是新物种，它的天花板就不该用人类思考的总量来丈量。

由此，吴泳铭做了一个重要的判断：机器正在成为思考的主力，智能正在成为一种规模化的商品。上一次发生这种级别的变化，是工业革命把“动力”变成了规模化供给的商品。

他用一组数字给这个判断定了尺度。

今天机器动力承担了99.9%的物理工作，未来机器思考也将承担99.9%的思考工作，而今天机器思考的总量还不到人类的3%。

支撑这个判断的，是智能体将提供前所未有的智能密度。为了迎接这一天，阿里启动了一轮规模空前的基建。

这看上去是技术架构的基础设施化，本质上是在为智能体的爆发储备智能。

当机器智能可以极大降低"智能"这个词本身的成本时，一些过去我们从来没有解决办法的问题，就会水到渠成地出现解决方案——全球有记录的早衰症患者只有几百人，从医药产业的商业逻辑看，很少有公司愿意花十几年、耗巨资去为几百人研发一款新药。但当AI具备专业研究的能力，只要算力足够便宜，每个细分领域都可以组织上百万个Agent持续研究。

机器智能也许造不出一个智商300的大脑，但它可以造出成千上万个智商140的大脑，用极低的成本让它们同时运转，将那些最前沿的发明、那些需要最多智力的工作，从奢侈品变成普通商品。

吴泳铭的想象力极为开阔。在他看来，未来需求一端的变化更根本。咖啡要有人喝，车要有人开，物理商品的消费总量受人口约束。思考不一样，一个人提出造一艘飞船去火星，AI就可以把它拆成上千万个子任务，交给上百万个Agent日夜不停地执行。

从这一刻起，思考的消耗和人口脱了钩，只取决于机器智能的深度和供给的规模。

但到底什么样的业务会率先引爆这种需求，今天并没有唯一的答案。吴泳铭对这一点非常坦诚：机器智能时代的代表性产品，还没有出现。

1882年爱迪生建成珍珠街电站，点亮了附近街区大约400盏灯。吴泳铭说：“爱迪生卖灯泡就送电，就像今天Agent送Token。”但如果电的应用到此为止，只用来替换煤油灯和蜡烛，那它不过是曼哈顿富人的一件玩具。

真正把人类推进电气时代的，是电的供应能力一个数量级接一个数量级地扩大之后，那些当初谁也想不到的用电器一个个冒了出来。1902年有了空调，洗衣机、冰箱陆续进入家庭，第一台计算机要等到1946年。电气时代之后是信息时代，信息时代之后才轮到今天的AI。

所以吴泳铭的选择是：不去猜终局产品长什么样，而是笃定地相信那个时刻必然到来，并为它做好一切准备。无论后来出现多少发明，第一步都是建足够多的发电站、铺足够广的电网。

在我看来，这绝对不是好高骛远，而是一种有洞察的预判。一个案例是：1900年前后，全世界一整年的发电量，放到今天只够用两个小时。

阿里云由此从一家云公司变成了新物种的基建商。吴泳铭给机器智能时代定下三块基石：模型是大脑，Qwen团队在探索递归式自我改进，让模型自己发现短板、自己设计实验、自己进化；芯片是发电机，真武V900单一集群可扩展到50万卡；云是电网，把Token送到每一个需要的地方，2032年全球数据中心的目标超过20GW。

眼下需求已经跑在了供给前面。吴泳铭说客户的AI需求非常强劲，阿里云收入持续加速增长，而行业的中长期需求远超供给能力，真正的瓶颈是AI数据中心供应链的全球性紧缺。

阿里云这条路的经济逻辑因此很简洁：把思考的供给做大，把单位成本压低，让今天还不存在的需求品类自己长出来。没有人事先规划过空调和计算机，是充沛而廉价的电让它们成为可能。

这是我目前看到的对机器智能时代规模判断最大、时间尺度最长的一套推演。它把智能本身定义成一种商品，然后给出了这种商品从生产到输送的完整方案。它和百度智能云的操作系统模型形式上截然不同，算的也是两笔账——一本技术账，另一本是经济账。

结语：

同一盏灯，两张图纸

两张图纸各自画的是什么，前面两个部分已经拆透了。

两个飞轮烧的都是真实任务，但驱动的却不是同一种进化。

百度智能云的飞轮，是以需求驱动的产业闭环：产业智能体进入真实业务场景后，产生更多真实任务和业务数据，推动模型持续迭代，并带动大规模投入和单位成本下降，让更多过去做不了、做不起的场景成为可能。它不是由某一层单向驱动，而是芯、云、模、体四层相互放大。最终形成一个不断自我强化的产业大循环。

而阿里云的飞轮，可以看作是“供给驱动”型，通过强大的基础设施建设和分发网络的完善，把人类获取高水平机器智能的成本降到更低，让智能体去完成一切领域的真实任务，从而自然带动渗透、普及和闭环。

两家都推导出同一个结论：芯片、云、模型、应用，每一层都必须握在自己手里。

两条路的终点，也都标在了同一个物理单位上——吉瓦。

在电力的历史里，一个时代既需要有人回答电从哪里来，也需要有人回答电怎么用。这两家中国企业各回答了一个，如果能够合在一起，是否就是AI产业化的中国路径？