智能體年均增長超一倍，百度智能雲給智能體配了套新底座

作者 | 楊京麗 編輯 | 李水青 智能體的規模正在快速擴張。IDC預測，到2030年，全球活躍Agent數量將達到22.16億個，年複合增長率達到139%，年均增長超1倍。各類智能體也在密集湧現，熱度一路走高。從編程、辦公到個人助手，從消費端到企業端，智能體正快速進入各個場景，成為今年AI落地的重點方向。與熱度同步攀升的，是Token（詞元）的消耗量。國家數據局披露，到今年3月，我國日均Token調用量已超過140萬億，較2024年初增長1000多倍；中國信通院的監測則顯示，到今年6月，這一數字已達500萬億。如此龐大的調用量說明，智能體已經走出概念演示，開始承接大量真實任務。

這些被高頻調用的智能體，大多集中在通用能力和高頻場景。還有一條路線值得單獨拿出來看——產業智能體。通用智能體比拼的是場景覆蓋和調用頻次，產業智能體則直接扎進社區治理、工廠車間、園區和門店這些業務現場，解決瑣碎複雜的現實問題和日常事務。這正是百度智能雲蹚出的一條路子。在10月29日於武漢舉行的百度智能雲超級智能體大會上，從社區治理、園區運營、製造生產到門店管理，各類場景都湧現出百度智能體落地應用的實際案例：它可以根據居民訴求自動生成治理工單，把群眾的需求變成可追蹤、可閉環的處理流程；它還能將工廠老師傅的經驗沉澱成可調用的技能，方便後續快速複用。

將這些實踐連起來，不難看出百度智能體落地呈現出的幾個特徵：一是場景聚焦產業一線，治理、運營、生產、服務等環節均有實際落地案例。二是直面複雜需求，尤其是工業製造這類經驗密集、流程冗長的領域，對智能體的執行能力要求更高；三是強調任務閉環，能夠讓需求有結果、經驗可複用。要讓智能體在企業中長期、規模化地運行，需要先解決資源供給、任務執行、數據連接和安全管理這幾道難題。百度智能雲因此推出AI Infra與Agent Infra雙層基礎設施，讓智能體成為企業關鍵生產力。一、從個人助手到業務主力，智能體闖行業深水區 最近一年，智能體正從個人提效工具，走向企業核心業務場景，落地步伐逐步邁向深水區。

會上，百度副總裁石清華稱，百度搭子作為通用智能體，今年3月上線後，月活已達千萬級，環比增長10倍以上，智能體正在快速向大眾滲透。在C端不斷普及的同時，智能體也在企業業務場景釋放產業價值。杭州調味品企業松鮮鮮接入百度搭子後，原本需要兩天完成的數據彙總工作，可縮短至3分鐘。智能體展現出跨系統數據讀取與業務洞察能力，開始連接企業內部系統，參與經營分析和業務判斷。企業業務場景之外，百度搭子還深度參與基層治理。在武漢礄口，政企服務企業鴻海鑫基於百度搭子的基層治理項目已覆蓋100萬人口、300位用戶和40個真實場景。居民在網格群發佈的信息，經智能體分析後可自動生成訴求工單，並推送至街道系統跟進處理。

在複雜場景下，百度智能體具備非結構化數據處理能力、自動化執行能力與跨系統協作能力。無論是企業增效還是基層治理，智能體的落地並非一蹴而就，其背後是一整套系統工程的重新構建。隨著Agent在企業中的參與度不斷提高，相關基礎設施也需要同步升級。百度智能雲技術委員會聯席主席鄭然在接受採訪時談道，企業調用的已不只是一個大模型接口，想要讓智能體深入業務，還需要雲廠商提供兩類支撐：一方面是開箱即用的Agent能力，幫助企業快速接入和試錯；另一方面是支撐智能體長期運行的基礎設施，包括運行環境、數據連接、安全管理和持續運維等。而這兩類能力，正是百度智能雲面向企業智能體落地所提供的底層支撐。

二、智能體要長效，模型之後，要先補“運行底座” 要讓智能體在企業中發揮長效價值，需要為它提供一個安全穩定、價值可衡量的運行環境。首先，智能體需要調用工具和企業內部數據，一旦操作失誤就可能引發數據洩露或系統崩潰，因而需要一個安全的執行環境，“沙箱”可以讓智能體在封閉環境內執行任務，避免波及其他系統。其次，大模型還具有隨機性，企業還需要知道智能體到底做了什麼、花了多少成本、效果如何，這就要求基礎設施具備“可觀測”能力，幫助企業看清Agent成本、定位問題，推動效果持續迭代。Agent Infra的本質，正是把一次性的模型調用，變成一個可以長期運行、可觀測、可治理的任務系統。

智能體部署完成後，真正困難的是讓它在企業環境中穩定運行，並持續交付結果。要做到這一點，需要先了解智能體的底層技術形態。成熟的雲原生應用能夠按需啟動，根據任務量彈性調整計算資源，通過標準化方式調用雲上的計算、存儲和網絡資源，由平臺持續完成部署、調度和運維。鄭然告訴，智能體本身也是一種雲原生應用，現有云原生技術仍然是其運行基礎。但智能體的資源需求更具彈性，運行中也在一定的不確定性，未來還可能以海量規模運行，因此雲原生基礎設施需要進一步演進，以適應它的工作負載。隨著智能體數量快速增長，基礎設施還要支撐更大規模的協同運行，這對底層架構提出了更高的要求。

這就意味著，Agent進入生產後，企業的核心缺口逐漸從模型轉向運行底座。鄭然稱，企業如果從頭建設Agent Infra，需要覆蓋計算、存儲、網絡、雲原生和大模型工程等多個技術領域，建設投入和持續維護成本都很高。雲廠商則可以通過上下游協同和規模化運營，把這些能力沉澱為開箱即用、分層可組合的產品。企業可以根據自身所處階段，靈活選擇基礎設施、Agent平臺或開箱即用的智能體，快速驗證想法並持續迭代。百度智能雲的Agent Infra覆蓋沙箱、計算、網絡、存儲、可觀測和安全等能力。

沙箱負責快速啟動任務、隔離運行環境並保存任務狀態，讓智能體在安全邊界內執行任務；計算、網絡和存儲則像“水電”一樣，高效支撐任務執行、數據訪問和上下文處理；可觀測能力記錄智能體的執行軌跡，幫助企業分析成本、效果和故障原因。通過這些能力，智能體才能長期、穩定、安全地運行。在底層能力之上，百度智能雲還進一步降低了智能體調用的門檻。過去，雲產品複雜的界面和繁瑣的配置往往阻礙了智能體的自動化執行；為此，百度智能雲專門針對Agent的調用習慣，深度優化了雲產品的交互界面和使用方式，讓智能體能夠像“調用本地文件”一樣，更高效、直接地調度雲上的計算、存儲和網絡資源。

目前，百度智能雲已在自有產品和客戶項目中持續驗證相關能力，為企業提供從資源供給、智能體運行到開發運營的完整支撐。三、Token需求爆發式增長，AI Infra需要提升資源效率 Agent Infra把智能體的任務跑起來之後，背後還需要AI Infra持續提供模型訓練、推理和資源供給。隨著智能體數量和調用規模增長，AI Infra面對的壓力也在同步上升。IDC預測，這些智能體帶來的推理需求將超過100吉瓦。智能體越多、任務鏈路越長，算力、存儲、網絡和能源投入就越高，雲廠商需要同時擴大資源供給，並提高每單位資源的Token產出效率。

鄭然在採訪中提到，智能體上下文長度不斷提升，模型參數規模持續擴大，結構更加稀疏，後訓練佔比也在提升。這些變化對計算、存儲、網絡和推理效率提出了更高要求，基礎設施也需要圍繞模型訓練與推理重新設計，提升長上下文場景下的數據訪問和Token效率。百度智能雲通過百舸AI計算平臺6.0，將AI計算平臺從單純提供算力，升級為能夠協同基礎設施、資源管理和工程能力的“智能工廠”，更高效地支撐智能體的運行。智能體走入更多場景的背後，既需要Agent Infra承接智能體的任務執行、工具調用和運行管理，也需要AI Infra持續提升模型訓練推理和資源供給效率。

兩者協同，才能讓智能體在更長任務鏈路、更大規模的調用中保持穩定運行，並控制整體使用成本。結語：Agent進入生產現場，全新雲底座穩住落地需求 智能體正在從個人工具變成企業業務系統中的執行單元。模型能力只有進入生產環節，才能轉化為可以持續複用的產業價值。當前智能體在越來越多的場景中落地，不斷催生新的需求，這種“新”也會帶動芯片、光模塊、存儲等基礎設施產業發展，催生新的應用場景和商業模式。對雲廠商而言，競爭重點也從提供單一算力資源，擴展到支撐智能體長期運行的完整基礎設施。AI Infra與Agent Infra的協同，正在成為Agent落地的重要路徑。