百度智能云伐谋3.0：AI自进化如何进入产业一线

AI 自进化（RSI）今年年初以来明显提速。从写代码到设计实验、跑测试，AI 正一步步走进 AI 研发的核心环节。

当研发成果被用来改进下一代 AI，一条自我加速的技术路径就出现了。RSI 概念之所以受关注、热度一直涨，原因就在这里。

11 月 10 日，AI Futures Project 团队依据 Anthropic 公布的研发自动化等级变化做趋势外推，给出了一个相当激进的判断：超级人类 AI 研究员（Superhuman AI Researcher，SAR）可能在 2027 年底出现。[1]

但 AI 研发环节的自动化进展，不等于这套机制能直接搬进现实世界。谷歌 DeepMind 联合创始人兼主席哈萨比斯在一次采访中提醒，游戏、实验室这类环境规则相对清晰，现实世界要复杂得多。AI 每做一次动作都可能带来意外结果，验证和控制的难度也跟着上升。[2]

真实世界的复杂性，最后会落到企业的组织方式上。AI 进入企业核心业务后，影响的就不只是某项任务能不能更快完成，整条业务链的运转方式也可能被改变。

11 月 12 日的百度世界 2026 上，百度创始人李彦宏把这个变化放到了更大的产业视角里。他判断，AI 的下一幕是「智能组织」，并指出 AI 不只是一场技术革命，更是一场组织革命。AI 带来的变化，从单个岗位的效率提升，延伸到企业的任务分工、知识沉淀和组织协作。

李彦宏

百度在 AI 自进化如何规模化落地这件事上又往前走了一步。百度智能云推出的自我演化超级智能体伐谋 3.0 正式登场，把企业内部业务数据进一步打通，让 AI 接入生产、研发和经营系统，到产业一线去接受检验。

这场 RSI 探索没有停在企业生产这一环。百度智能云联合科研机构和产业伙伴办了「AI+ 自进化」专场，来自材料、芯片、核聚变、

从企业生产到科学发现，AI 自进化正进入越来越多过去靠专业人才和长期经验撑着的环节。接下来的关键，是让实验和工程验证跟上方案生成的速度，把研究设想到成果落地的距离缩短。

从自动寻优到持续学习，AI 自进化走出实验室

这几年，Benchmark 几乎成了衡量 AI 能力的一把尺子。新模型一发布，大家先看的往往是榜单排名。题目统一、规则明确、评分标准相对稳定，研究人员能快速判断模型有没有进步。

但百度伐谋产品总经理李安南认为，AI 自进化面对的是一个更大的问题：AI 能不能持续解决真实世界里的问题？他把自己对 RSI 的理解拆成三个阶段：

第一阶段是 Auto Research，也就是自动化研究与持续寻优。目标相对明确时，AI 通过反复尝试、评估和调整，找到更好的方案。目前行业里大部分自进化实践还停在这一阶段，百度伐谋此前落地的许多案例也属于这一类。

第二阶段是持续学习。到了真实世界，情况复杂得多。不少问题的目标和约束本身就在变，实验环境里的好结果，现实中未必能重现。AI 得根据真实实验和生产数据不断修正判断，适应变化中的环境。

第三阶段才最接近人们想象中的完全自主自进化。AI 改进自身，再把这些改进转化成更通用的能力，推动后续研发持续往前走。这是更长远的方向，目前行业中的多数成果还没走到这一步。

这三个阶段反映的是人机分工的转变。李安南用纺织业的技术演进做了类比：珍妮纺纱机让单个人的产能上去了，可人依然要操作机器；等到阿克莱特水力纺纱机问世，连续生产更多由机器承担，人开始转向工艺设计、质量验收和异常处理。

眼下 AI 正经历相近的转变。人不再盯每一步具体操作，转而设定目标、制定标准、监督结果。在「AI + 自进化」专场上，已经能看到真实环境里各种不同的尝试。

以新材料研发为例。研发人员想做一种性能更好的材料，得反复调整原料配比、制备工艺，再通过实验检验结果。就算有了初步方案，要进一步提高性能、降低成本，仍然高度依赖老师傅的经验。

新研智材联合创始人兼 CTO 南凯说，团队正试着让 AI 覆盖材料研发的多个环节。拿导热凝胶的配方筛选来说，热导率、黏度、CTE与模量这些指标彼此牵制。泛半导体材料专家智能体SynMat Research 3.0 先拆解研发目标，对不同材料配比方案作出预测，再一步步筛出候选配方。到了实验阶段，系统还会解析实验结果，提出下一轮的优化建议。

碰上研发路径还不明确的新材料，团队另外搭了 MARS 平台，由 AI 自己去寻找值得研究的材料方向，靠「设计—执行—验证」闭环把错误方向淘汰掉，提出候选方案、设计实验，再依据实验反馈接着探索。新研智材还和百度伐谋合作，把 MARS 平台里针对特定模型和参数的优化任务交给伐谋来做，MARS相关突破性成果正形成两篇高水平学术论文在投递中。

新研智材同时在大会上首次展示了下一代材料基础模型 SCALE 1.0 的预告，该模型基于世界模型架构，把材料结构与温度、密度乃至人为操作等真实环境变量统一建模，做到与湿实验结果一一对应，据悉完整的技术博客文章将于近期发布。

核聚变则把 AI 自进化带到了更复杂的物理环境中。

星能玄光 CAIO 王舸介绍，聚变装置的实验或许几分钟就结束，可完整的装置级物理仿真往往要十几天。研发人员一边要算等离子体的状态，一边要凭诊断设备采集的数据反推内部温度、密度等参数，仿真和真实实验之间总隔着一段差距。

于是团队两头下手：一边引入 AI 代理模型，把部分平衡计算压到毫秒级，比传统物理模拟快 100 倍以上；一边搭建数字孪生系统，让装置数据、物理模拟和实时诊断数据共处同一环境。实测数据能反过来校准物理模型，给下一轮计算和实验提供依据。

变化已经出现：AI 出方案越来越快，卡点随之后移到实验验证、工程落地和真实数据回传这些环节。谁把这几段接得起来，谁就有机会让 AI 摆脱一次性的自动寻优，转入周期更长的持续学习。

伐谋 3.0，把自进化闭环接进业务系统。从实验室走到产业，AI 先要过企业内部这一关。

生产、研发、经营各套系统里都躺着数据，各部门又守着自家的业务规则和经验。问题看清了，想把信息归拢到一处、再让 AI 算出可行方案，照样不容易。百度伐谋 3.0 对准的正是这件事：把分散的信息和业务规则理出来、串起来。

从梳理业务问题到方案落地，伐谋 3.0 的运转可拆成下面几个环节：

交给 AI 找解法之前，先把业务问题摸清。FDE（前沿部署工程师）进到客户现场，和业务专家一起过生产流程、数据与约束条件，把零散的业务经验转成算法能处理的问题。

问题定下来，就围绕目标试不同的算法和策略，产出候选方案，多轮搜索、比较，一步步逼近更优结果。

候选方案随后进入独立验证环境，按预设规则接受检验。过了这一关就进生产环节，新产生的业务数据再带出下一轮优化。

伐谋 3.0 的 AI 多轮寻优正走进更专业的工程领域，芯片设计是其一。立芯科技董事长兼首席科学家陈建利讲了一个相关实践。

布局布线要为大量晶体管找位置、找连接方式。一颗芯片可能牵扯上百个优化目标，面积、性能、时序彼此掣肘，参数组合数量庞大。工程师只能一遍遍跑 EDA 工具，才找得到相对合适的方案。

立芯科技拉上百 度伐谋，把优化切口选在芯片设计的时钟树综合环节，再借 EDA 工具、实际设计场景和评估标准，持续搜索更优的参数组合与优化策略。

两个测试案例里，原本要 29 次和 36 次的优化迭代，分别降到 11 次和 20 次。无效探索少了，工程师反复调参的活儿也轻了不少。

芯片设计拼的是专业技术和复杂计算，服装制造撞上的则是另一类难题：怎么让 AI 挤进传统企业的生产流程。

深服科技 CEO 吴偲偲讲了 AI 制版产品「画衣衣」的实践。制版这行高度吃经验，老师傅的版型可能躺在 CAD 文件里、U 盘里，也可能只装在自己脑子里。工业制版又要毫米级精度，图片生成得再好看，也不等于能直接投产。

深服科技拿出的 AI 制版产品「画衣衣」，想把老师傅攒下的制版经验变成数字化能力。以往一位老师傅一天打两个版，现在一个版约 10 分钟就能做出来，输出照旧是通用 CAD 格式。

技术过关只是头一步。深服科技和百度伐谋合作，靠 FDE 扎进不同服装企业，对着外贸、电商、品牌等场景分别推 AI 制版落地。

吴偲偲把双方合作的目标指向更远的 C2M。AI 制版一步步进入实际生产后，消费者需求、设计方案和生产反馈有望连得更紧，AI 也能在越积越多的行业数据和实践经验里持续改进。

这些案例摆在一起，共同趋势很清楚：AI 开始踏进原本由专业人员把持的业务流程，接走其中可计算、可验证、可反复优化的工作。这正是伐谋 3.0 与早期自动寻优工具的一大差别。不过，AI 一旦进了真实生产环境，光追优化效果不够，全过程还得安全、稳定、可控。

伐谋 3.0 留了人工审核、算法版本备份和回退机制。AI 可以自己探索、自己出方案，上不上线由人拍板。对验证过的优化成果，系统还会把客户专属的业务策略和能沉淀为通用能力的方法分开处理。

更难的一关是压长期服务成本。每个客户都得 FDE 工程师长期驻场，规模化推广就受限。伐谋团队往后想逐步抬高 Agent 自主运行的比例，让人多管管理和监督。

智能组织需要智能的云。过去企业想把一件事做漂亮，靠的是懂业务的人一遍遍摸索。值钱的经验散在不同人脑子里，一个人摸出的门道也很难马上变成全团队能用的能力。人一换、业务一变，攒下的经验说不定就过时了。

百度创始人给出组织进化的三大原则：打破岗位边界，让组织围着任务重新协作；沉淀隐性知识，把专家经验转成组织可调用的能力；设计流程闭环，让业务结果推动持续改进。

智能组织里，智能体各自分担任务链条上的不同环节。员工与专家攒下的经验，会被企业整理成组织知识，留给后续任务随时取用。过去攥在个人手里的干活办法，就这样变成了组织层面能反复调用的能力。

往远看，智能体成批走进企业，也在逼着云计算重新给自己定位。对云厂商而言，算力规模照样是硬指标，但能不能让智能体安全、稳当地进入企业核心业务，会是下一轮竞争的关键分界。

以往云服务是围着企业 IT 系统来调配计算、存储和网络资源。智能体插手业务以后，云要面对的事情更实在了：一次采购、一轮生产优化、一回经营决策，背后都可能得靠模型、数据、工具和多个智能体一起配合。

百度集团执行副总裁、百度智能云事业群总裁沈抖把这层变化说得很直白：智能云服务的对象，正从「IT 系统」转向「具体任务」。

沈抖

针对这种新的智能组织，百度智能云对新全栈 AI 云做了全面升级，拆成两块：Agent Infra 和 AI Infra。

百度千帆 Agent Infra 能撑住百万量级的沙箱并发。百度搭子充当统一入口，把通用、专业和定制智能体连到一起。企业可以调用伐谋、一见、一镜这些专业智能体，也能在搭子平台上开发自家的智能体。百度百舸 AI Infra 则能在分钟级拉起 200 万个沙箱，端到端强化学习吞吐达到每秒 5.2 万个 Tokens，训推差异控制在万分之一。两边分工明确：前者负责让智能体接活、协同，后者给模型训练和推理打底。

沈抖认为，李彦宏提出的三个组织进化原则，恰好对应智能云服务的三个新标准：围绕具体任务把算力、模型、数据和安全能力整合起来；帮企业存好、管好组织上下文，让个人经验落成组织能力；靠长期服务，支持企业把业务流程闭环一步步推下去。

回头看看前几轮技术变革，电力让工厂不再依赖蒸汽动力，计算机和互联网改掉了企业处理信息、组织协作的老办法。每次生产方式一变，底下都有一套跟着演进的基础设施。眼下，「智能组织，需要智能的云。」

参考链接：

[1] https://blog.aifutures.org/p/q35-timelines-update-looks-like-the

[2] https://www.axios.com/2026/01/27/models-improve-ai