鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

起大早赶大集,百度迎来“兑现时刻”

编程导航
编程导航
2026-01-04 23:50
阅读 68
编程导航
2026-01-04 23:50
阅读 68

当国产AI芯片行业走向一次次突破,资本市场再次迎来了“重量级选手”。

1月2日,百度港交所公告,昆仑芯已于1月1日透过其联席保荐人以保密形式,向香港联交所提交上市申请表格,申请在主板上市及买卖。公告表示,香港联交所已确认百度可进行建议分拆,分拆后昆仑芯仍为百度附属公司。

消息一出,百度美股大涨15%,港股也以9.35%的涨幅领涨成分股。

百度股价大涨,显性的因素是昆仑芯冲击上市,赶上了“好时候”,但本质上,这是百度在芯片、无人驾驶(萝卜快跑)、全栈自研等长周期、高门槛业务方面投入后的效果显现。而在科技互联网的发展进入“十字路口”,硬核技术逐渐成为全球科技巨头们竞逐的核心战场时,百度所获得的不仅仅是商业回报,还有更加稳固和长久的竞争壁垒。

长期主义,迎来价值兑现

在对AI产业的布局与投入上,百度无疑是国内互联网巨头中起步最早、走得最长的。

早在2013年,全球AI浪潮尚未成形,深度学习刚刚从学术实验室走向产业,这一年,百度正式成立了深度学习研究院(IDL),将AI从学术圈拉进产业界。到了2017年,李彦宏吹响了百度向人工智能公司转型的号角,这十余年,百度的技术研发在自动驾驶、AI芯片、大模型等领域全面铺开。

当时,百度的选择并未被外界理解。在全球AI技术的浪潮还未被生成式AI的突破引爆前,百度对AI的重投,在很多人看来像是一场急于摆脱现实困境的“孤注一掷”,充满了理想主义的“天真”与幻想。

然而现在,“起大早、赶大集”,百度不仅成功构建了集芯片、框架、模型与应用的AI战略闭环,是全球少数实现全栈布局的企业。更重要的是昆仑芯、萝卜快跑等业务的显性化进展,正在对外证实它的长期主义。

昆仑芯布局于2011年,前身为百度智能芯片及架构部。2018年,昆仑芯启动AI芯片研发。首颗AI芯片“昆仑1”亮相后,两年便实现了大规模量产部署,算力持续突破。到2024年,基于昆仑芯P800,百度智能云率先搭建了三万卡集群,这是国产AI芯片首次实现如此大规模的集群部署。

产品的迭代和发展,促使百度的AI芯片业务迎来了增长机遇。根据IDC数据,2024年昆仑芯出货量达 6.9万片,位居国产AI芯片厂商第二。

除了AI芯片,布局十余年的萝卜快跑,也成长为全球领先的无人驾驶出行服务商,更向外界展示了百度在无人驾驶领域马拉松式地研发与投入,已经带来了难以忽视的落地价值,以及足以改变城市交通的想象力。

截至10月31日,萝卜快跑已在北京、上海、武汉、深圳、香港、迪拜、阿布扎比等全球22座城市落地,每周订单量超25万单,且100%为全无人订单。更亮眼的是,从累计服务量来看,萝卜快跑全球订单已超过1700万单,远超谷歌Waymo,成为名副其实的全球Robotaxi第一。

李彦宏引述投资机构ARK的研究数据表示,至2030年,美国Robotaxi每英里成本降至约0.25美元,打车需求则放大5到7倍。

当百度在AI领域沿着技术主航道坚定前行时,也一度有误解和质疑声。但现在的百度,却以一种“起大早、赶大集”的势态,在长期的底层技术积累和深层布局下重新迸发出新的增长活力,稳占牌桌中心。

科技互联网的未来,真正回归“技术制胜”

当前,科技互联网的发展正在进入一个新的“十字路口”。

我国算力芯片等底层基建成功引爆了资本市场,驱动国产替代新进程,除此之外,人工智能、人形机器人、商业航天、3D打印等硬核赛道,纷纷被撕开了口子,立于风口之上。

过去二十多年,互联网经济依靠模式的创新和巨大的人口红利,在资本投入的加持下,创造了空前的繁荣景象。如今,风向似乎变了,AI技术风暴的席卷,让硬核科技站在了创新的C 位。

这意味着在科技互联网的下一个阶段,只有高门槛的硬核科技属性企业,才可能在接下来的竞争中取得胜利。百度如今仍为互联网一极,正是因为在全栈AI、大模型、无人驾驶、芯片、智能硬件等高门槛业务提前布局带来的结果。

整体来看,从底层算力、自研框架、大模型研发,再到应用落地,百度通过全栈布局形成了完整的能力链条:算力、框架与模型,提供硬核支撑,应用层则直接面向用户与市场,创造增长曲线。包括伐谋、秒哒、GenFlow、数字人等在内的一批 AI 原生应用,已在 C 端和 B 端多场景爆发。

在“全栈AI”战略的布局下,百度不仅实现了单点突破,在多个赛道建立起坚实的竞争壁垒,而且立足于庞大的生态体系,其正在走向生态协同。

基于昆仑芯的长期主义式埋伏,百度智能云连续六年位居中国AI公有云市场第一,萝卜快跑则在全球各大城市的道路上加速“狂奔”。这背后是过去十余年里,百度心无旁骛,压强投入AI。

拿萝卜快跑来说,在安全性上,萝卜快跑深耕无人驾驶领域,拥有全球专利族数量第一的技术积累。2024年,百度Apollo发布了全球首个支持L4级无人驾驶的大模型Apollo ADFM以及第六代无人车。其中,Apollo ADFM基于大模型技术重构无人驾驶,可以兼顾技术的安全性和泛化性,做到安全性高于人类驾驶员10倍以上。

而成本的控制更让萝卜快跑在全球无人驾驶出租车市场独具优势。拿萝卜快跑第六代无人车来说,整车成本较上一代下降60%以上,价格仅为20.46万元,成本还不到Waymo无人车的1/7。

透过萝卜快跑,我们可以看到无人驾驶给城市生活带来的颠覆性改变。

在百度的生态体系中,技术研发、产品创新、商业落地,正在形成一种正向循环。这不但给百度内部的业务重新带来了增长动力,更关键的是,在未来科技互联网进入硬科技时代,随着互联网技术周期的更迭,百度的竞争力将会进一步凸显。

时代正在回馈那些“起大早”的企业

李彦宏曾在极客公园的采访中提到:百度这些年有做成的、有做失败的。如果有什么规律性的话,当这件事的成败几乎完全取决于它技术的先进性的时候,我们的成功概率就会大不少,尤其是这个技术需要很多很多年的投入和迭代,那我们成功的概率就会更大一些。

过去近十年,百度对AI的长期押注和大规模投入,和谷歌一样,经历不被看好的低谷。但是,如今在AI技术成果遍地开花、掀起一波又一波的创新浪潮的背景下,百度的长期主义正在被时代予以认可与真实的馈赠。

时间自有答案。

以昆仑芯为例,根据摩根大通的预测,昆仑芯的收入将从2025年的约13亿元飙升至2026年的83亿元,增幅超过6倍。随着昆仑芯拆分上市,未来将具备更大的优势。

昆仑芯从内部孵化、独立融资再到上市,它的成功不仅仅是百度长期主义的胜利,更重要的是,它在商业化前景上已经展现出的潜力,给了资本市场一个能带来确定性的价值锚点,让百度的AI故事更加清晰、更加具象化。

而未来这不单单释放在AI芯片上。

从实验室走向“千家万户”,AI智能体这一新兴的技术成果也在迎来一个关键时刻。今年世界大会上,百度发布了全球首个可商用的“自我演化”超级智能体百度伐谋,它能够在复杂环境下寻找全局最优方案。发布一个月,已经有超2000家企业申请试用。

当AI大模型革命的方向流向B端——从企业系统、生产决策、供应链优化、金融风控,到城市交通调度、新药研发、科学理论等领域,百度在云服务、通用大模型、智能体等核心赛道的全方位布局,将带领产业「起大早赶大集」。

从百度超出预期的业绩表现就可以看出,如今百度提出“内化AI能力”,让AI成为企业发展和个人成长的原生推动力,而这无疑是一场真正深入到生产力层面的巨大变革。未来AI技术的长期价值挖掘,很可能属于那些能真正内化AI的公司。

高瓴创始人兼首席执行官张磊在《价值》一书写道:长期主义不仅仅是一种方法论,更是一种价值观。

在我国互联网企业的发展、进化和更迭中,回望过去十年,鲜有企业能够一直坚守长期主义并始终保持“难而正确”的战略定力,而百度在云、芯片、人工智能、无人驾驶等长周期赛道坚持不懈的投入与研发,显然做到了这一点。

当AI时代的鲜花与掌声开始涌向那些“起大早”企业,百度也终于等来了回馈。

原文链接: 起大早赶大集,百度迎来“兑现时刻”
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230