百度世界2026：李彦宏称AI下一幕是智能组织
百度押中AI下一幕！百万智能体组团上岗，AI科学家昼夜狂奔
新智元报道
新智元报道
这几天，AI做科研的节奏快得让人有些坐不住。
Fable 5.2 让 1000 个智能体组队上场，费马大定理的完整形式化只花了 30 小时。
断网状态下，Claude 参加化学盲考，不到半小时就给四个未公开分子分别写出了完整的合成路线。
另一边，OpenAI 把考场直接搬进了湿实验室：GPT-6 Astra 要自己看懂凝胶图、培养皿照片和仪器原始数据。
|
|
人们这才意识到，AI 在实验室里的角色已经彻底换了。它不再只是跑跑模拟，也不像 AlphaFold 那样只算单个蛋白结构。
现在，AI 科研走进了「任务协同」的新阶段——查文献、建模型、做实验，成群智能体把整套流程接了过去，科学家则腾出手来定方向、做判断。
可要把成百上千个智能体塞进日复一日的实验里，光有几个聪明的大模型远远不够。
人和 AI 怎么配合、经验怎么留下来、算力和仪器怎么协同运转——每一步考的都是一套新的组织方式。
11月12日，百度世界2026大会上，李彦宏一句话点破了这层关系：
AI发展的下一幕，是智能组织！
十年前，百度说过「互联网的下一幕，是人工智能」。十年过去，聚光灯从单点技术挪到了承载技术的组织方式上。
可疑问也随之而来：不少企业和实验室明明买回了最顶尖的大模型，核心产出为何仍在原地打转？
走进大多数实验室，答案其实一眼就能看见。算力被锁在机房里，数据散在几块移动硬盘上，实验仪器各管各的，彼此并不连通。
大家各干各的，这种流程下，哪怕给每个人配上再强的AI助手，顶多提升单兵手速，团队整体效率并不会质变。
李彦宏在大会上打过一个比方：AI至今没产生预期的经济效益，原因是我们只换了「电机」，还没重新设计「工厂」。
围绕这座「新厂房」，百度给出了智能组织的三条核心原则：
头一条，是拆掉岗位的边界。工业时代以岗位为基本单元，到了智能时代，单元换成了任务。往后组织里主要剩两种人：一种是做出新东西的Builder，另一种是负责建立信任连接的Seller。
第二条，沉淀隐性知识。把员工脑子里的个人经验显性化，沉淀到平台上，做到随时调用、人人可用。
第三条，设计流程闭环。可衡量+Looping=持续进化，结果可衡量，再一圈圈自动循环起来，组织就会越转越强。
细想下来，这三条原则最迫切落地的场景，恰恰是每天都在探索未知的科研实验室。
但新厂房不能只画在图纸上。百度集团执行副总裁、百度智能云事业群总裁沈抖接着把话往下说，组织进化有三条原则，这同样是智能云的新标准。
换句话说，未来的云不能只管IT系统，而要直接服务「具体任务」，让智能体随时按需调用组织里的算力、模型、数据与工具。
带着这套思路，当天下午的AI4S分论坛上，百度智能云正式发布了「芯云模体」一体化解决方案。
方案一共三层。最下面，算力由昆仑芯和百度百舸兜住；中间一层，用可信数据空间和数据平台把数据管起来；最上面，则安排通用、专业、定制三类智能体，替科学家分担手头的活。
三层不再拆成零件单卖，而是组装成完整系统，一体送进科研一线。
新系统进实验室后的第一件事，就是帮导师们解决那个最头疼的「人走经验断」难题。
几乎每个课题组都碰到过这样的无奈：最懂调参的「大师兄」一毕业，新来的师弟师妹就算把历史文档翻烂，也得从头再踩一遍所有的坑。
毕竟，那种靠无数次失败试出来的直觉，行内人叫「手感」。它既不会写进论文，在实验记录本上也查不到。
产业实践里，生态伙伴百图生科有类似的感受。生命科学中许多关键的实验背景，至今仍装在科学家脑子里、记在手写本上，AI 干起活来常常像在「盲人摸象」。
要把个人脑子里的「手感」留在团队里，百度智能云医疗与教育行业总经理吴超介绍了一套数据与智能体配合的办法。
首先是日常开组会。通用智能体「百度搭子」会自动记下每次讨论的共识与待办任务，把零散的团队记忆沉淀下来。
接着到了动手做实验时，跑出来的各类数据不再各存各的电脑，而是统一归档进数据平台。
百图生科为赛诺菲等跨国药企提供的 BioMap OS 就是这样一个例子：背景知识怎么沉淀、模型怎么调用、实验数据怎么存放，全都放进同一套系统，让 AI 看得懂一次实验的前因后果。
更关键的一点在于，师兄们攒下的独门调参准则、生信工具链，都会被打成Skills（技能包），塞进「生信智能体（HPC Agent）」这类为实验室量身定制的智能体当中。
这么一来，新一届师弟师妹进组后，只要调用定制智能体和专业智能体「百度伐谋」，就能沿着前人留下的技术资产迅速复现，接着往下推进。
哪怕大师兄明天就拍毕业照走人，他六年攒下的调参经验照样留在云端，一天到晚替下一届同门盯着。
经验留住了，接下来就该让智能体上手干活，从易到难接手实验室里的两类核心任务。
第一类任务不碰外部硬件，专盯电脑里的算法调优、特征筛选和序列设计。
平时做科研，不少团队手上早有数据，初版算法也写好了，偏偏卡在最后调优这一步。上千个维度摆在面前，参数怎么组合、特征留哪些，过去全靠学生一轮轮硬试。
现在在不少合作实验室里，碰上这种最磨人的寻优活，大家养成了新习惯——「遇事不决问伐谋」。
育种研究就是个例子。某知名国家实验室请「百度伐谋」做植物表型特征鉴别，它在海量维度里自动做减法，找出最优采样组合，帮团队把田间采集成本省下了60%～70%。
类似的需求还在往外扩：脑科学MRI多模态判别要把准确率再提5%，北京工业大学要优化气相色谱柱流场，南开大学在做航空对抗研究，越来越多跨学科的参数寻优都由它接了下来。
往生物医药的最上游走，计算复杂度更是成倍往上翻。
广州实验室谢志研究员给出一组对比：一条1000个核苷酸的mRNA序列，潜在编码高达10的159次方，而已知宇宙的原子总数也不过10的79次方。
要在这么庞大的组合空间里挑出一条推进临床，靠人工穷举根本做不到。
借助AI来做智能筛选，一款流感抗原序列经过优化，中和抗体水平提高到原来的10倍；神经生长因子项目那边，剂量只用了此前的五分之一，药效就与原来持平。
碰上传统计算机也算不动的超大组合空间，生态伙伴玻色量子还提供了另一种解法——用量子计算破局。
他们把「量子云枢」接进百度智能云，用学者熟悉的PyTorch接口把量子物理的门槛挡住，目前已联合广州实验室在云端跑通单细胞表征与分子对接的毫秒级预筛选。
当然，算得快、筛得准只是第一步。只停留在电脑里算参数，科研充其量快了一半。
更大的断层出在「干湿分离」上：电脑算出的方案（干实验），还得靠学生守在台前手动配液去验证（湿实验），两边数据一旦对不上，又得推倒重来。
在北京大学深圳研究生院的生命科学实验室里，智能体直接连上了移液工作站、高通量检测等设备，把做实验改造成三步自动化流程。
第一步，科研人员像聊天一样，把目标和文献输入通用智能体，边讨论边迭代出实验方案。
第二步，智能体会在「百度搭子开发平台」上把方案自动排成可视化的「操作画布」。哪一步调哪台仪器、加多少微升试剂，一眼就能看清，扫一下就能确认。
第三步，画布上的流程由实验设备接手，配液、检测自动跑完，产生的真实数据同步回传云端，下一轮方案据此自动调整。
干湿实验连成闭环的路子，产业界也在加快推进。晶泰科技提到，细胞实验一轮往往要一两周，动物实验更拖到好几个月，前端模型算得再快，也会被湿实验拖住。他们把分子设计、机器人合成与测试串成自动化流水线，目标是把整体迭代速度提高十倍。
做新材料的鸿之微则提醒，大模型若长期只用合成数据反复训练，会像生物界的「近亲繁殖」，结果迟早失真。
通过与宁德时代共建云端自动化实验室，鸿之微已完成数十款分子材料验证，并持续用真实实验产出的AI-ready数据反哺模型。
干湿实验真正闭环之后，年轻学者不必再守着仪器熬夜做重复操作，可以把精力放在想新课题、做关键判断上。
实验室内部的流转顺了，可往外多走一步，学界和产业界就撞上同一个难题。
这两年论文写得快了，单次计算也快了，但百度副总裁石清华直言，「药，还是难造；临床，还是难上；成果，还是难转化」。
实验室里漂亮的数据，为什么变成新药和产业成果还是这么难？
吴超以DeepMind为例，当年做AlphaFold，内部科研人员和工程师的配比接近1比1。
多数高校和药企却只有专攻科研的学者，配套的AI工程团队跟不上。学者想出好算法，也难靠自己搭起工业级系统，成果就卡在实验室里。
为填平这道鸿沟，百度智能云的做法是派FDE（前线部署工程师）驻场，和科学家并肩组成「科工复合体」。
广州实验室与百度共建的国家级「中国数字肺」智能解析与预警平台就是典型：前沿科学问题由实验室定义，工程化落地交给百度。
沿着这条产学研通路，百度智能云一边与中国科学院科技创新发展中心、中关村学院等共建科研语料与智算底座，一边靠旗下GBI Health医药数据集服务上百家药企与院所，帮企业研判管线方向、拉动联合攻关。
说到底，新药研发有10年10亿美元的「双十定律」，百度自己不下场造药，只负责把实验台通往产业的路修通。
成百上千个智能体在实验室里昼夜跑代码、调仪器，底层的百度千帆Agent Infra与百度百舸AI Infra先得扛住骤增的并发压力。
百度内部规模化验证显示，过去一年百度日活智能体数量增长6倍，有效任务完成数增长11倍。
资源调用侧的变化更猛：云沙箱并发量涨了60倍，总调用量涨了315倍。
沙箱需求为何突然翻几百倍？人敲命令是单线程的，「百度伐谋」一启动寻优，单个任务瞬间就裂变出1000条并行试错分支。
面对瞬间迸发的计算需求，升级后的百度千帆Agent Infra支持百万级沙箱并发，百毫秒内拉起上千个安全隔离沙箱，随用随启、用完即焚。
跑得快之外，实验过程还得有迹可循。平台给每个智能体发了「唯一数字身份」，哪一步推理走岔、哪一次调用报错，都能逐帧回放排查，避免错误脚本污染实验数据。
百度千帆在算力与模型的跨组织调配上，还上线了一个中立、可信的大模型交易平台「词元所」。Token提供方和需求方可以在这个平台上直接对接，算力与模型资源由此实现灵活调配。
顺着任务流继续往下走，进入大规模强化学习（RL）训练环节，百度百舸能在分钟级内一次性拉起200万个训练沙箱。
端到端训练吞吐量达到每秒5.2万个Tokens，此前行业最高纪录是4.5万Tokens/s，这次被刷新。训推数值差异则被控制在万分之一以内。
再往最底层的硬件看，全新发布的「百度天池1024卡超节点」把跨卡光互联带宽提升了3倍，单套即可支撑5万亿参数超大模型训练。
显存与KV Cache加速柜配合使用后，多轮长文推理的首Token等待时间（TTFT）缩短了90%，推理吞吐量提升7倍。
牛顿说过，自己能看得更远，是因为站在巨人的肩膀上。
延续数百年的科学共同体，某种程度上就是人类历史上最早的「智能组织」雏形。
问题在于，科研传承一直快不起来。老学者花一辈子攒下的实验手感，常常来不及写进论文；新发现想进教科书，也得等上好几年。
石清华的看法与此一致：AI4S 较量到最后，拼的是 AI 云的全栈能力。算力强不强、数据顺不顺、智能体能不能把活干完，哪一样都不能缺。
如今，百度智能云的「芯云模体」正把巨人的肩膀搬上云端。每一次试错都会被妥善留存，每一份手感都能被后来者接着用。
十年前，李彦宏说互联网的下一幕是人工智能。十年后的今天，下一幕的主角已经换成了智能组织。
而科研，很可能是这一幕里最先亮灯的那间厂房。
