AI自进化加速：百度李彦宏判断下一幕是「智能组织」

资讯 AI 行业观察 2026/11/14 07:00 全文 5130 字 · 约 13 分钟读完配图 9 张

带进产业一线

今年以来，AI 自进化（RSI）明显提速。AI 已经不只写代码，还参与设计实验、跑测试，一步步走进 AI 研发的核心环节。研发成果又被拿来改进下一代 AI，一条自我加速的技术演进路径随之浮现。RSI 这个概念之所以被频繁讨论、热度一路走高，原因就在这里。

11 月 10 日，AI Futures Project 团队参照 Anthropic 公布的研发自动化等级变化做趋势外推，给出的判断相当激进：超级人类 AI 研究员（Superhuman AI Researcher，SAR）或许会在 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到现实世界。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，都可能带来说不准的后果，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 一旦进入企业核心业务，受影响的就不只是某项任务做得快不快，整条业务链的运转方式也可能被改变。

11 月 12 日，百度世界 2026 现场，百度创始人李彦宏把这一变化放进更大的产业视角。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 带来的改变，从单个岗位的效率提升，一路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自进化规模化落地上有了新动作，百度智能云旗下自我演化超级智能体伐谋3.0正式亮相。这一版本把企业内部业务数据进一步打通，AI由此进入生产、研发和经营系统，在产业一线接受检验。

这场RSI探索并未止步于企业生产环节。百度智能云与科研机构、产业伙伴共同举办「AI+ 自进化」专场，材料、芯片、核聚变、量子计算、服装制造等领域的嘉宾到场，分享了AI在科研、工程设计和产业优化中的实践。

AI自进化正走进越来越多过去靠专业人才和长期经验支撑的环节，范围从企业生产延伸到科学发现。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，研究人员借此能很快判断模型有没有进步。

百度伐谋产品总经理李安南却认为，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中的问题？他把自己对RSI的理解分成三个阶段：

第一阶段叫Auto Research，也就是自动化研究与持续寻优。目标相对明确时，AI靠不断尝试、评估和调整，找到更好的解决方案。目前行业中多数自进化实践还停在这一阶段，百度伐谋此前落地的不少案例也在此列。

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，未必能在现实中重现。AI得依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，再把这些改进转成更通用的能力，带动后续研发持续往前走。这条路更长远，目前行业中的多数成果还没走到这一步。

三个阶段背后，是人机分工的变化。李安南拿纺织业的技术演进打了个比方：珍妮纺纱机提高了一个人的产能，但人还得操作机器；直到阿克莱特水力纺纱机出现，更多连续生产工作由机器承担，人逐渐转向工艺设计、质量验收和异常处理。

眼下这轮 AI 的变化，和当年纺织机械的演进有相似之处。人不再盯着每一步操作，转而把精力放在定目标、立标准、盯结果上。「AI + 自进化」专场里，这些尝试已经在真实环境中出现。

新材料研发就是一例。想让材料性能更好，研发人员得反复调配原料比例、调整制备工艺，再做实验验证。即便拿出了初步方案，要再往上提性能、降成本，还是得靠老师傅的经验。

新研智材联合创始人兼 CTO 南凯说，团队正试着让 AI 介入材料研发的多个环节。以导热凝胶配方筛选来说，热导率、黏度、CTE与模量等指标彼此牵制。泛半导体材料专家智能体SynMat Research 3.0 先拆解研发目标，预测不同的材料配比方案，再一步步筛出候选配方。到了实验环节，系统还会分析结果，给出下一轮的优化建议。

碰上研发路径还不明确的新材料，团队另建了 MARS 平台，让 AI 自己去寻找值得研究的方向，靠「设计—执行—验证」闭环把走错的方向淘汰掉，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处理，MARS相关突破性成果正形成两篇高水平学术论文在投递中。

大会上，新研智材还首次披露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。

核聚变那边，AI 自进化面对的是更复杂的物理环境。

星能玄光 CAIO 王舸介绍，聚变装置做一次实验可能只要几分钟，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，一边要根据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始终隔着一段距离。

团队的做法是两头推进：一头引入 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；另一头搭建数字孪生系统，让装置数据、物理模拟和实时诊断数据共处同一环境。实测数据可以反过来校准物理模型，为下一轮计算和实验提供依据。

有个变化值得留意：AI 出方案的速度在加快，瓶颈也随之挪到了实验验证、工程实现和真实数据反馈这些环节。谁能把这些环节真正串起来，谁就有机会让 AI 摆脱一次性的自动寻优，转向更长周期的持续学习。

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 还得先过企业内部这一关。

生产、研发、经营各套系统里存着企业的大量数据，每个部门还都有自己的业务规则和做事经验。就算问题已经定位清楚，想把这些信息归拢到一处，再交给 AI 推演出可行方案，同样不轻松。百度伐谋 3.0 干的活，就是把这些零散的信息和业务规则理清楚、接起来。

伐谋 3.0 从理清业务问题到方案真正落地，中间要经过几个环节。

在把问题交给 AI 找解法之前，得先把业务本身摸透。FDE（前沿部署工程师）会扎到客户现场，和业务专家一起梳理生产流程、数据以及约束条件，让原本散落在各处的业务经验变成算法能处理的问题。问题定下来之后，再围绕目标去试不同的算法和策略，生成候选方案，经过多轮搜索和比对，一点点逼近更优的结果。

接下来，候选方案会被送进独立的验证环境，按事先定好的规则过一遍检验。通过之后才进入生产环节，而新的业务数据又会带出下一轮优化。

眼下，伐谋 3.0 的 AI 多轮寻优正走进更专业的工程领域，芯片设计是其中一个方向。立芯科技董事长兼首席科学家陈建利分享了一则相关实践。

芯片设计做布局布线，要给大量晶体管安排位置和连接方式。一颗芯片可能牵扯上百个优化目标，面积、性能、时序这些指标彼此掣肘，参数组合的数量又极其庞大。工程师只能一遍遍跑 EDA 工具，才可能找到相对合适的方案。

立芯科技拉上百度伐谋，把优化的切口选在芯片设计里的时钟树综合环节，再依托 EDA 工具、真实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，原本分别要 29 次和 36 次的优化迭代，降到了 11 次和 20 次。无效探索少了，工程师反复调参的负担也跟着减轻。

芯片设计拼的是专业技术和复杂计算，服装制造碰到的却是另一类问题：怎么让 AI 真正走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。服装制版极其吃经验，老师傅的版型或许存在 CAD 文件里、U 盘里，也可能只留在自己脑子里。可工业制版要的是毫米级精度，生成一张好看的服装图，不代表就能直接拿去生产。

深服科技推出的「画衣衣」，就是想把这批老师傅攒下的制版经验变成数字化的能力。以前一位老师傅一天顶多打两个版，现在一个版大约 10 分钟就能做出来，输出的还是通用 CAD 格式。

技术上的进步只是开头。深服科技和百度伐谋合作，靠 FDE 走进不同服装企业，针对外贸、电商、品牌等各类业务场景，把 AI 制版推到实地落地。

吴偲偲把双方合作的目光放得更远，指向 C2M。AI 制版一步步走进实际生产之后，消费者需求、设计方案与生产反馈之间的连接有望变得更紧，AI 也能在不断累积的行业数据和实践经验里持续迭代。

这些案例摆在一起，能看到一个共同的方向：原本由专业人员把持的业务流程，开始有 AI 进场，接手那些可以计算、可以验证、可以反复优化的活儿。伐谋 3.0 与早期自动寻优工具的一大差别，也正在这里。

只是，AI 一旦踏入真实生产环境，光盯着优化效果不够，整个过程还得安全、稳定、可控。

为此，伐谋 3.0 留了人工审核、算法版本备份和回退机制。方案可以由 AI 自主探索、自主生成，上不上线却要人来拍板。至于经过验证的优化成果，系统还会作区分：哪些是客户专属的业务策略，哪些方法可以沉淀成通用能力。

更现实的难题是长期服务成本怎么降。每个客户都要 FDE 工程师长期驻场的话，规模化推广就会被卡住。伐谋团队接下来的打算，是逐步抬高 Agent 自主运行的比例，让人腾出手来多做管理和监督。

智能组织

需要智能的云

放在过去，一家企业想把某件事做得更好，靠的是懂业务的人一遍遍摸索。有用的经验散在不同人的脑子里，一个人琢磨出来的方法，也很难马上变成整个团队都能用的能力。人一换、业务一变，先前攒下的经验说不定就不合时宜了。

百度创始人李彦宏提出「智能组织」，想改的正是这种局面。他把组织进化的原则归结为三条：打破岗位边界，让组织围绕任务重新协作；沉淀隐性知识，将专家经验转化为组织可以调用的能力；设计流程闭环，让业务结果推动持续改进。

在智能组织里，任务中的不同环节由智能体分担。员工和专家积累的经验，被企业沉淀为组织知识，供后面的任务调用。原本攥在个人手里的工作方法，就这样变成了可复用的组织能力。

放眼更远的周期，智能体成规模进入企业，也在逼着云计算重新给自己定位。算力体量对云厂商仍然要紧，但接下来能不能让智能体安全、稳定地扎进企业核心业务，会成为竞争的一道重要分水岭。

过去的云服务，是围绕企业IT系统来配置计算、存储和网络资源的。智能体进了业务以后，云要面对的事情更实在：一次采购、一轮生产优化、一场经营决策，背后都可能要模型、数据、工具和多个智能体一起上。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成：智能云服务的对象，正由「IT 系统」转向「具体任务」。

面向这种新的智能组织，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。

沈抖

其中，百度千帆 Agent Infra 能支撑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在一起。企业可以调用伐谋、一见、一镜这些专业智能体，也能在搭子平台上自己开发。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为每秒 5.2 万个 Tokens，训推差异压在万分之一。两边分工明确：前者负责让智能体接活、配合，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，对应着智能云服务的三个新标准：按具体任务把算力、模型、数据和安全能力拢到一起；帮企业存好、管好组织上下文，让个人经验变成组织能力；靠长期服务，陪企业把业务流程闭环一步步推下去。