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 这几天，AI科研的进度，快得让人有点坐不住！ Fable 5.2派出1000个智能体组队，只用30小时，就把费马大定理完整地形式化了一遍。 拔掉网线后，Claude在化学盲考中不到半小时，就为四个未公开分子各写出一条完整的合成路线。 另一边，OpenAI把考场搬进湿实验室，让GPT-6 Astra直接看懂凝胶图、培养皿照片和仪器原始数据。 大家突然发现，AI在实验室里扮演的角色彻底变了。它不再只是跑跑模拟，也不再像AlphaFold那样只算单个蛋白结构。 如今，AI科研迈入了「任务协同」的新阶段。从查文献、建模型到做实验，成群的智能体开始接手整套流程，科学家则把精力放回定方向、做判断上。 不过，要把成百上千个智能体融进日复一日的实验里，光靠几个聪明的大模型远远不够。 人与AI如何打配合、经验如何留存、算力和仪器又如何协同运转，每一步考验的都是一套全新的组织方式。 11月12日，在百度世界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，百度提出「互联网的下一幕，是人工智能」。十年后的今天，聚光灯从单点技术转向了承载它的组织方式。 智能组织 才是AI时代的「新厂房」 可问题来了，为什么很多企业和实验室买回了最顶尖的大模型，核心产出却还是在原地打转？ 推开大多数实验室的大门，答案其实就在眼前。算力锁在机房里，数据散落在几块移动硬盘上，实验仪器也各管各的，彼此互不连通。 在这种各自为战的流程里，就算给每个人配再强的AI助手，充其量也只是提升了单兵手速，整个团队的效率并没有发生质变。 李彦宏在大会上打了个比方，AI之所以还没产生预期的经济效益，是因为我们只更换了「电机」，却还没有重新设计「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： 第一，打破岗位边界。岗位是工业时代的单元，任务才是智能时代的单元，未来组织里主要是创造新东西的Builder和建立信任连接的Seller 。 第二，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，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。 仔细想来，这三条原则最迫切落地的场景，恰恰就是每天都在探索未知的科研实验室。 不过，新厂房不能只停在图纸上。百度集团执行副总裁、百度智能云事业群总裁沈抖紧接着指出，组织进化的三条原则，同样也是智能云的新标准。 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。 整套方案分作三层，底下由昆仑芯和百度百舸供足算力，中间靠可信数据空间与数据平台管好数据，顶层则派出通用、专业、定制三类智能体帮科学家干活。 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。 「芯云模体」上阵 留住大师兄的「手感」 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。 几乎每个课题组都遇到过这样的无奈，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。 生态伙伴百图生科在产业实践中也有同感。生命科学里大量关键的实验背景，依然留在科学家的脑海里和手写记录本上，导致AI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。 就像百图生科服务赛诺菲等跨国药企的BioMap OS一样，把背景知识沉淀、模型调用与实验数据装进同一套系统，让AI读懂实验的前因后果。 更关键的是，师兄们摸索出的独门调参准则和生信工具链，会被打包成Skills（技能包），装进「生信智能体（HPC Agent）」这类实验室专属的定制智能体里。 这样一来，等新一届师弟师妹进组，只需调用定制智能体和专业智能体「百度伐谋」，就能顺着前人留下的技术资产快速复现、继续往下做。 就算大师兄明天拍毕业照离校，他六年积累的调参经验依然留在云端，全天候帮下一届同门把关。 24小时不眠试错 跑通「干湿实验」闭环 经验留住了，下一步就是让智能体动手干活，由浅入深接手实验室里的两类核心任务。 电脑里的算法寻优，交给专业智能体 第一类任务不用外接硬件，专攻电脑里的算法调优、特征筛选与序列设计。 平时做科研，很多团队手里早有数据，也写好了初版算法，偏偏卡在最后的调优上。面对上千个维度，参数如何组合、特征留哪些，过去全靠学生一轮轮硬试。 如今在不少合作实验室里，遇到这种最磨人的寻优活，大家养成了一个新习惯——「遇事不决问伐谋」。 比如在育种研究中，某知名国家实验室就请「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，帮团队省下了60%～70%的田间采集成本。 从准确率再提5%的脑科学MRI多模态判别，到北京工业大学的气相色谱柱流场优化，再到南开大学的航空对抗研究，越来越多跨学科的参数寻优都由它接了下来。 如果往生物医药的最上游走，计算的复杂度更是呈指数级增长。 广州实验室谢志研究员摆出了一组对比，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。 在这么庞大的组合空间里挑一条推进临床，靠人工穷举根本不可能。 改用AI做智能筛选后，一款流感抗原序列经优化，中和抗体水平提升了10倍；另一个神经生长因子项目，只用原来五分之一的剂量就达到了同等药效。 要是遇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给出了另一种解法——借量子计算破局。 他们将「量子云枢」接入百度智能云，用学者熟悉的PyTorch接口屏蔽了量子物理门槛，目前已联合广州实验室在云端跑通了单细胞表征与分子对接的毫秒级预筛选。 连上实验室仪器，让智能体自动做实验 当然，算得快、筛得准只是第一步。如果只停留在电脑里算参数，科研充其量还是只快了一半。 更大的断层在于「干湿分离」，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），一旦两边数据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，把做实验改造成了三步自动化流程。 第一步，科研人员像聊天一样向通用智能体输入目标与文献，讨论迭代出实验方案。 第二步，智能体会在「百度搭子开发平台」上，自动把方案排成可视化的「操作画布」。哪一步调哪台仪器、加多少微升试剂一目了然，扫一眼就能确认。 到了第三步，实验设备按画布自动完成配液与检测，跑出的真实数据实时传回云端，自动修正下一轮方案。 这套干湿闭环的思路，同样正在产业界加速落地。 比如晶泰科技指出，一轮细胞实验动辄一两周，动物实验更要好几个月，前端模型再聪明也会被湿实验拖