不是DAU、不是Token，李彥宏給出了AI時代的度量衡

出品 | 《態度》欄目

作者 | 紀川

編輯 | 定西

看完Create 2026，我驚訝的發現，李彥宏過去三年的判斷，居然都正在被現實一一兌現。

過去三年，李彥宏在AI上的幾個重要判斷，幾乎都曾是“非共識”。2024年，當大模型公司還在瘋狂訓練參數、比拼排行榜時，他開始反復強調：“卷應用，不卷模型”；當行業還在尋找下一個ChatGPT式超級App時，他判斷，“智能體會成為AI應用最主流的形態”；當很多人還在談“超級應用”時，他又提出，AI時代真正重要的，不是一個超級App，而是“數百萬超級有用”。

這些判斷，在當時都不算主流。

但到了2026年再回頭看，它們正在變成行業共同語言：模型能力不再是唯一戰場，AI應用開始進入真實業務流，Agent從概念走向產品，普通人也開始用自然語言開發應用、經營業務、完成過去只有團隊才能完成的工作。

在Create 2026上，李彥宏進一步提出了一個新的概念：DAA，Daily Active Agents，日活智能體數。

在李彥宏看來，AI時代真正重要的，不再是有多少用戶打開App，也不是消耗了多少Token，而是每天到底有多少智能體，在真實世界里替人完成任務、交付結果。

如果說DAU是移動互聯網時代的度量衡，Token是大模型時代早期的成本刻度，那么DAA更像是智能體時代的價值刻度。它把AI行業的討論，從“模型有多強”“成本燒了多少”“用戶來了幾次”，重新拉回到一個更本質的問題：AI到底替人做成了多少事？

1、DAA是什么？李彥宏想替換掉的，不只是一個指標

商業史上的每一次技術更迭，幾乎都伴隨著度量衡的重寫。PC互聯網時代，行業看PV、UV。誰有流量，誰就有機會。移動互聯網時代，DAU成為最核心的指標。用戶每天是否打開、停留多久、是否形成習慣，決定了一個App的商業價值。

到了大模型爆發的前兩年，行業又迅速陷入對Token、參數量、榜單和跑分的追逐。這些指標當然有意義，但它們的問題也越來越明顯。DAU回答的是“人有沒有來”，Token回答的是“模型消耗了多少”，跑分回答的是“模型在標準測試里表現如何”。

但它們都無法回答一個更樸素、更商業的問題：AI到底產出了什么價值？

一個AI應用可以有很高的訪問量，但用戶可能只是來試一試、聊一聊；一個模型可以消耗大量Token，但Token本質上首先代表的是成本，而不是收益；一個模型可以在榜單上表現很好，但它未必能在復雜、混亂、不可控的真實場景里，把任務穩定做完。

這正是李彥宏提出DAA的背景。

按照他的定義，DAA就是Daily Active Agents，日活智能體數。更直白地說，就是每天有多少個Agent在給人類干活，并交付結果。

這個定義的關鍵，不在“日活”，而在“Agent”。過去移動互聯網講DAU，衡量的最小單元是“人打開App”。今天講DAA，衡量的最小單元變成了“智能體完成任務”。

這背后是兩套完全不同的產業邏輯。移動互聯網的核心，是搶占人的注意力。一個用戶打開App、停留、點擊、轉化，流量就有了商業化空間。智能體時代的核心，則不是讓人多看幾分鐘屏幕，而是讓AI替人少做幾小時工作。

它的價值不在“占用時間”，而在“釋放時間”。所以，從DAU到DAA，本質上是從互聯網邏輯到Agent邏輯的遷移：DAU衡量的是人是否打開；Token衡量的是模型消耗；DAA衡量的是Agent是否真正完成任務。

這也是為什么DAA比Token更接近價值。

Token可能意味著更長的上下文、更復雜的推理、更高的成本，但如果沒有交付結果，它只是算力賬單上的數字。DAA則要求智能體進入任務鏈條，承擔具體角色，并產生可驗證的結果。

比如，一個智能體幫電商商家處理客訴、清洗銷售數據、生成備貨建議、制作營銷海報，并搭建秒殺頁面；一個智能體幫制造工廠識別安全隱患、生成巡廠報告、持續學習產線管理規則；一個智能體幫銀行員工查流程、找材料缺口，減少客戶等待時間。

這些都不是“聊天”，而是“干活”。

從這個意義上看，DAA并不是一個憑空發明的新指標，而是AI產業發展到Agent階段后，對“價值發生在哪里”的重新校準。

李彥宏第一次把AI的價值錨點，從“能力”重新拉回“結果”。

2、這不是突然冒出來的新概念，而是一條連續三年的判斷線

如果只看Create 2026，DAA像是一個新概念。但如果把時間線拉長，會發現它其實是李彥宏過去三年AI判斷的自然延伸。

第一階段，是2024年的“卷應用，不卷模型”。

那時，大模型行業的主戰場仍然是參數、榜單和模型能力。幾乎所有公司都在講更大的模型、更強的推理、更高的分數。李彥宏當時的判斷并不討巧：模型本身會逐漸趨同，真正拉開差距的是應用和生態。

這句話放在當時，并不是共識。因為行業仍然相信，只要訓練出足夠強的模型，就會自然涌現出類似ChatGPT的超級應用。但現實很快證明，模型能力只是起點，真正的難點在于如何把AI嵌入具體場景，變成可持續使用的產品和工作流。

第二階段，是2024年下半年開始，他反復強調智能體會成為AI應用最主流的形態。

當時行業還在尋找“下一個超級App”。但李彥宏的判斷是，AI原生時代的信息、內容和服務載體，不一定是某一個超級入口，而可能是大量Agent。這個判斷的核心在于：AI應用不是把聊天框做得更聰明，而是讓模型擁有工具調用、任務規劃、記憶、執行和反饋能力，從而真正進入人的工作和生活流程。

也正是在這個階段，“智能體”從一個技術社區里的概念，逐漸成為AI產品的核心形態。

第三階段，是2025年至2026年的“人人都是開發者”和“超級個體”。

當自然語言成為新的編程語言，開發應用不再只是程序員的專屬能力。一個普通人只要能描述需求，就有機會把想法變成產品、服務甚至生意。

這件事的意義被低估了。過去，一個人想做一個軟件，需要產品經理、設計師、前端、后端、測試、運營一起配合。今天，一個普通人可以用自然語言生成應用、改功能、上線、推廣，甚至圍繞應用完成商業閉環。

在Create 2026的素材里，有一個很有代表性的案例：來自溫州的8歲小學生撲滿，用秒噠做了一個“噠噠打傘”小程序。

這個想法來自校園生活：下雨放學時，沒帶傘的同學在走廊上喊“我要噠噠打傘”，帶傘的同學接單，大家拼傘出校門。但問題是，一個班級的喊聲傳不到全校。于是，他想做一個全校版的“噠噠打傘”。

他不會寫代碼，就用自然語言告訴秒噠玩法和需求。最終，小程序支持“我想搭傘”和“我來打傘”，還能選擇時間、起點、終點，支持獨立打傘或拼傘，并通過積分升級激勵更多同學參與。

這不是一個宏大的商業故事，卻非常說明問題：開發正在從專業技能，變成表達能力。

秒噠的其他案例則更商業化。比如用戶賀濤不懂編程，用秒噠做測評應用，跑通“想法—應用—變現—教學”的閉環；孫昱團隊借助秒噠搭建智慧養老服務綜合監管系統，單人7天搭建整套系統，4名無代碼基礎的業務項目經理可以1天出原型、半月交付，并已為超9萬老人建立動態健康檔案。

這些案例共同指向一個變化：AI不只是給大公司提效，也在放大普通個體和小團隊的生產力。

所以，到了Create 2026，當李彥宏提出DAA，它其實并不是孤立的概念，而是前面三年判斷的結果：

既然要“卷應用”，就必須衡量應用是否真正產生價值；既然智能體是主流形態，就必須衡量有多少智能體在真實運行；既然人人都是開發者、人人都是超級個體，就必須讓每個人都能創造和使用Agent；既然企業會變成人與智能體的混合編隊，就必須用新的指標衡量組織里的“數字員工”規模和活躍度。

這條線索是連貫的。它從“不要只卷模型”，走到“Agent會成為主流”，再走到“自然語言開發應用”，最后落到“DAA是AI時代的度量衡”。

在科技行業，真正稀缺的不是提出一個熱詞，而是連續幾年在非共識階段堅持同一套判斷，并且不斷用產品、基礎設施和場景去驗證它。

從這個角度看，李彥宏過去三年的AI判斷，正在形成一個不斷被現實驗證的認知體系。

3、百度開始全面Agent化

如果說DAA是百度對AI時代價值衡量方式的判斷，那么Create 2026上的產品發布，則顯示出另一個趨勢：百度的產品線正在全面向Agent邁進。

最典型的是DuMate。

DuMate是百度推出的通用智能體。它能看見屏幕、操作軟件、處理文件、串聯業務系統，用戶只需要一句話，它就能從“想法”走向“結果”。

這和傳統聊天機器人有本質區別。聊天機器人主要負責回答問題。用戶問一句，它答一句。即便回答再準確，也還停留在“建議”層面。DuMate則更接近一個數字員工。它不只是告訴你應該怎么做，而是直接去做。

在Create 2026上我們看到，一個電商服裝品牌創始人同時面對三項工作：處理未讀郵件、分析銷售數據并給出備貨建議、生成新商品海報和公眾號預熱內容。

傳統情況下，這至少對應客服、銷售運營、市場營銷三個崗位。DuMate的做法是三條任務線并行執行。工具是人來調度工具。Agent是人提出目標，智能體調度工具。

DuMate背后內置百度搜索、秒噠、伐謀、百科等Skill，還支持把標準化執行過程沉淀為Skill，并通過日報式反思持續進化。它真正指向的是一種新的工作形態：不是一個AI助手圍著人轉，而是一批數字員工圍繞目標協同工作。

秒噠則對應另一個層面：讓更多人創造Agent和應用。

Create 2026上，秒噠發布3.0，上線企業版，支持生成App，推出秒噠App，并擴展通用Agent和自定義Skill能力。它試圖降低開發門檻，讓用戶通過自然語言生成iOS與Android應用，完成從開發、調試到發布的全流程。

如果DuMate解決的是“讓Agent替人干活”，秒噠解決的就是“讓人創造更多Agent和應用”。

這兩者結合起來，才有可能形成DAA的增長基礎。因為未來100億個日活智能體，不可能只來自少數大廠，而必須來自大量普通人、開發者、小企業和行業客戶的持續創造。

百度一鏡則代表數字人產品進入多Agent協作階段。

它從原來的直播帶貨數字人，升級為全場景數字人平臺，覆蓋直播、視頻、實時互動、電商帶貨、廣告營銷、內容創作、影視劇集、服務培訓等場景。

關鍵變化也不是“數字人更像人”這么簡單，而是它背后有多Agent協作。

在視頻創作中，一鏡可以調度劇本Agent、視頻Agent、剪輯Agent等完成端到端內容生產；在直播場景中，它可以調度主播、助播、場控、運營等多個專家智能體，完成復雜任務。

比如在帕梅拉蛋白能量棒帶貨視頻案例中，一鏡不僅生成了形象一致的數字人，還圍繞健身博主的人設設計劇情：一個極度自律的人被“抓包”偷吃披薩，再自然引出蛋白棒作為“解饞、回血、無負擔”的替代方案。它不是簡單讀參數，而是把賣點放進故事里。

這說明AI內容生產也正在從單點生成，變成多個專業Agent協同完成。

伐謀則更偏向企業決策Agent。

在Create 2026上，伐謀2.0被定義為直接面向業務專家的全局最優決策工具，不再只是技術人員使用的算法優化工具。它的核心價值在于：企業不需要一開始就把所有業務規則完整建模，而是在使用過程中，讓業務專家不斷指出方案與現實的偏差，系統持續理解、調整和優化。

這對制造、物流、工藝、金融風控等場景非常關鍵。

因為很多企業真正的壁壘，并不寫在流程文檔里，而藏在老師傅、調度員、風控專家、工程師多年積累的隱性經驗中。傳統軟件很難把這些經驗一次性結構化，而Agent可以在持續交互和推演中逐步沉淀。

青島港案例很典型。碼頭調度是典型的多目標優化問題，每個目標都不能差，很多權衡需要把多個方案擺在業務專家面前才能判斷。引入伐謀后，A-TOS自動化碼頭智能管控系統在實際生產環境中持續尋找更優調度方案，核心指標進一步提升9.91%。這已經不是“AI做輔助分析”，而是AI參與企業決策鏈條。

這就是Create 2026釋放出的重要信號：百度不是在做幾個孤立的AI應用，而是在把整個產品體系Agent化。

4、如何支撐百億DAA？百度的新全棧AI云與“芯”動力

如果未來DAA真的走向百億級，最大的問題不是概念是否成立，而是成本是否成立。

一個聊天機器人每天響應幾輪對話，和一個Agent每天執行長鏈路任務，是完全不同的算力消耗。

智能體要完成任務，往往需要規劃、拆解、調用工具、讀取文件、訪問系統、處理上下文、反復判斷、糾錯和復盤。一次任務可能包含幾十步、上百步推理，也可能持續數小時甚至數天。這意味著，智能體時代對基礎設施的要求遠高于聊天機器人時代。

如果每一次Agent執行都伴隨大量重復計算、上下文膨脹和推理成本飆升，那么DAA的繁榮就會停留在演示和少數高價值場景里，很難規模化。

所以，Create 2026上百度智能云提出“新需求，新供給，新全棧”，其背后的邏輯非常清楚：當客戶需要的從計算、存儲、網絡，變成高活躍、高價值、規模化的智能體應用，云服務也必須重新定義。

過去的云，主要賣資源。智能體時代的AI云，必須賣“能讓Agent穩定運行、持續進化、安全可控的基礎設施”。

百度把這套能力拆成兩層：Agent Infra和AI Infra。

Agent Infra解決的是智能體怎么開發、怎么運行、怎么管理的問題。比如Agent Harness提供長上下文管理、記憶、Sub-agent調度和評估能力，幫助開發者快速構建能完成復雜長程任務的智能體；內置Office、瀏覽器等Skills，讓Agent具備跨生態執行能力；Agent Runtime則提供穩定、安全、可觀測的運行環境，讓Agent不只停留在Demo里，而是能進入企業生產系統。

AI Infra解決的是算力和效率問題。在長鏈路任務中，模型上下文會隨著輪次增加迅速膨脹，動輒達到百萬Tokens。但其中大量內容其實是已經計算過的上下文，如果每一輪都重新加載、重新計算，成本會非常高。百度智能云用Agent-first理念重構模型服務，通過長上下文和Cache管理，讓Agent復用上下文、減少重復計算。這件事的意義不亞于移動互聯網時代的云原生基礎設施。

因為DAA的核心不是讓一個Agent偶爾工作，而是讓大量Agent每天穩定工作。只有當單位Token產生更高業務價值、單位算力支撐更多任務閉環，DAA才可能真正成為產業指標。

這也是“芯云模體”全棧能力的重要性所在。

在“芯”層面，百度昆侖芯P800已經在大模型訓練和推理場景中完成規模化驗證，并在互聯網、金融、制造、教育、能源等行業實現超萬片級交付。Create 2026上，百度還提到256卡昆侖芯版本已在上個月點亮，將在6月正式上市，可將模型推理效率提升50%。

在“云”層面，百度智能云強調面向Agent的基礎設施重構。例如，義烏“前店后廠”企業用一見視覺智能體搭建AI廠長。過去廠長要針對不同問題訓練模型，再把識別規則和處置流程逐個配置到攝像頭。現在，商家可以用自然語言把工廠特定的產線標準交給一見，視覺智能體就能快速學習管理要求，并接管多個攝像頭，完成安全隱患、設備異常、人員違規等巡檢任務。

在“模”層面，5月9日，百度正式發布新一代基礎大模型文心大模型5.1。該模型采用“多維彈性預訓練”技術，僅以業界同規模模型約6% 的預訓練成本，達到基礎效果領先水平，登上 LMArena 搜索榜國內第一、全球第四，是唯一上榜的國產模型。在多項業界權威基準測試中，文心5.1在智能體、知識、推理和深度搜索等方面表現出色，其中Agent 能力提升較為明顯，超越了 DeepSeek-V4-Pro。此外，其創意寫作能力與 Gemini 3.1 Pro 相當，推理能力也已接近業界領先閉源模型。

在空間智能領域，百度地圖也拿出了面向智能體時代的具體方案。本次大會，百度地圖將正式發布整車AI座艙智能體平臺DuDuClaw“嘟嘟蝦”，向車企開放底層能力;同時推出百度地圖CLI工具以及國內首家發布的地圖開發智能體MAPYA，支持自然語言生成代碼與AI調用。截至目前，百度地圖已服務超400萬開發者，其AI副駕也在今年五一期間累計服務超2億人次。

這些案例共同證明一點：DAA不是消費互聯網里的“活躍用戶”概念，而是生產系統里的“活躍智能體”概念。

它需要模型、云、芯片、工具、運行環境、行業知識和安全體系共同支撐。沒有全棧能力，DAA很容易淪為空洞口號；有了全棧能力，它才可能變成可增長、可運營、可商業化的真實指標。

5、真正的機會，常常藏在非共識之中

AI行業變化太快，快到很多共識的保質期都很短。

昨天所有人還在討論大模型參數，今天已經開始討論Agent落地；昨天所有人還在尋找超級App，今天越來越多行業開始接受“智能體編隊”；昨天Token消耗還被當作繁榮象征，今天大家已經意識到，Token首先是成本，只有轉化為結果才有意義。

越是在這樣的周期里，越需要有人回到技術和商業的本質，提出那些不一定順耳、但可能更接近長期趨勢的判斷。因為在AI這樣高速迭代的時代，共識往往意味著窗口正在關閉，而真正的機會，常常藏在非共識之中。

Create 2026之后，DAA或許也會經歷一個從被討論、被質疑到被驗證的過程。它可能還需要更清晰的統計口徑、更廣泛的行業參與、更真實的商業案例來支撐。但至少，它把AI行業帶回了一個值得討論的問題：我們到底應該用什么來衡量AI的價值？