|
首页 所有 |
李桂松:全球算力资产竞争格局与资产管理报告(十二) |
| 日期 2026-10-20 作者 李桂松 编辑 北京云阿云 |
全球算力资产竞争格局与资产管理报告 导读:算力即国力。当芯片从设备升维为可计量、可调度、可金融化的战略资产,一场围绕有效算力的全球竞逐已然打响——美企主导、中国追赶,双核格局之下,大国算力博弈中国胜算几何?报告全文20万字,由云阿云智库平台主席兼财政金融院长李桂松原创出品。 报告名称:《全球算力资产竞争格局与资产管理报告》 报告撰写:北京云阿云智库平台主席兼财政金融院长李桂松 课题组长:李桂松院长 课题组成员名单: 李桂松:北京云阿云智库平台主席兼财政金融院长 李国熙:北京云阿云智库平台全球治理研究中心主任 李国琥:北京云阿云智库平台空天学院院长 李嘉仪:北京云阿云平台金融院长 报告完成日期:2026年9月19日 业务联系电话:13360021949(李博士) 第十二章百度 一、企业概况与算力资产规模 (一)AI业务收入占比首次过半 百度在2026年第一季度实现了一个具有历史转折意义的财务里程碑:AI业务收入占一般性业务收入的比重首次突破50%,达到52%。这一数字的象征意义远超其财务含义——它标志着百度在收入结构上完成了从“搜索广告公司”向“AI驱动公司”的质变,尽管这一质变的市场认可度远低于财务数据所暗示的程度。 从具体数据来看,2026年第一季度,百度总营收321亿元,一般性业务收入260亿元,同比增长2%。其中,AI业务收入136亿元,较2025年第三季度的39%、第四季度的43%持续攀升。AI业务的三条主线——AI云、AI应用与AI营销——均呈现出强劲的增长态势。AI云收入88亿元,同比增长79%,其中GPU云收入同比增长184%,成为增速最快的细分领域。AI应用收入25亿元,AI原生营销服务收入23亿元,同比增长36%。 李彦宏对AI业务占比过半的战略定性是明确的:“这表明AI已成为百度的核心驱动力。在企业需求增长和百度多年来建立的差异化全栈AI能力的推动下,AI云收入增长势头强劲。”这一表述将百度的战略重心明确锚定在AI,而非“搜索+AI”的模糊定位。 然而,财务数据的“光鲜”与资本市场的“冷淡”之间存在显著背离。2023年初ChatGPT爆火之后,百度第一时间发布文心一言大模型,一度引领中国大模型发展。三年后,百度AI业务收入占比形式上已经超过50%,但股价较2023年初下跌接近一半。界面新闻的分析将这一背离归因于“搜索和AI放在一个篮子里”的结构性矛盾:传统搜索业务“增速低、毛利高、前景不明、估值溢价能力越来越差”;大模型主导业务“前景光明、短期要经受亏损、需要长期大量资本开支做依托”。两大板块放在一起融资,投资者“即便再欣赏百度的大模型业务,也要被迫买入日薄西山的搜索业务,实在难以接受”。 2026年第二季度,这一矛盾以更剧烈的方式暴露。百度核心AI驱动业务收入环比下降8%,同比增长率从第一季度的49%骤降至25%;AI云端基础设施业务从88亿元季减17%至73亿元。财报发布后,百度ADS重挫12.73%,并引发了证券欺诈集体诉讼,指控百度“夸大其AI业务抵销传统线上营销业务下滑的能力”。这一事件揭示的核心问题是:百度AI业务的增长势头在2026年第二季度出现了实质性放缓,而市场对“AI故事”的耐心正在耗尽。 (二)昆仑芯部署规模 昆仑芯是百度算力资产体系中最具差异化价值的组成部分,也是百度在中国AI芯片市场唯一能够与华为昇腾形成竞争的自研芯片产品线。 从出货规模来看,昆仑芯的部署量在2026年已经达到了具有实质商业意义的量级。IDC数据显示,2025年下半年,华为昇腾市占位居境内第一,百度昆仑芯位居第二,寒武纪排在第三。2025年,昆仑芯的出货量约为20万卡,在中国云端AI加速器市场与寒武纪并列中国本土芯片厂商的第三位(出货约11.6万张卡,IDC口径)。这一“20万卡级”的出货规模使昆仑芯成为中国AI芯片市场出货量最大的产品线之一,仅次于华为昇腾。 从万卡集群的交付来看,昆仑芯P800在2025年至今已交付多个万卡集群。更值得关注的是,昆仑芯在2025年成功研发了国内首个3.2万卡的自研AI集群。万卡集群的交付意义在于:它标志着昆仑芯从“单卡可用”走向了“集群可用”——AI训练的核心瓶颈往往不在单卡性能,而在大规模集群的线性扩展度和稳定性。昆仑芯全国产集群的有效训练率达到97%,万卡规模集群线性扩展度超过85%,这一数据“可满足前沿大模型大规模训练对计算精度、算子稳定性、框架适配和长周期运行的要求”。 从外部客户的角度看,昆仑芯的商业化能力正在加速验证。2026年6月的消息显示,昆仑芯的外部收入已经超过向百度内部供货。这一转折点的战略含义是:昆仑芯不再仅仅是“百度自用芯片” ,而是具有独立市场竞争力的商业产品。昆仑芯在2026年中标中国移动2025–2026年AI推理服务器集采,订单规模达到十亿级人民币。此外,腾讯已成为昆仑芯的客户,这一“竞对采购”的事实表明昆仑芯的产品力得到了行业认可。IDC报告显示,一批金融、能源、制造等领域的头部企业都在采购百度昆仑芯。 从IPO预期的角度看,昆仑芯拟赴港IPO,目标估值500亿美元。这一估值如果实现,将使昆仑芯成为中国估值最高的AI芯片公司之一。昆仑芯的IPO战略含义是:它将使百度的芯片业务获得独立的资本市场估值,从而部分解决“搜索拖累AI估值”的结构性问题。 (三)文心大模型算力需求 文心大模型是百度算力资产体系中最核心的“内部消费者”,其训练和推理的算力需求构成了百度GPU采购和昆仑芯部署的主要驱动力。 从最新版本来看,文心5.1于2026年5月正式上线,是百度在成本效率上实现突破的标志性产品。据百度介绍,这款模型“靠新的训练方法,只用了业界同等规模模型约6%的预训练成本,就达到了领先水平”,并登上LMArena搜索榜国内第一。这一“6%预训练成本”的数据是理解百度算力资产管理策略的关键线索:它表明百度在算法效率上的投入正在显著降低对算力规模的依赖。在算力供给约束的背景下,这一“以算法省算力”的策略具有特殊的战略价值。 从训练平台来看,文心5.1的重要版本训练是在昆仑芯全国产集群上完成的,有效训练率达到97%。这一事实的战略含义是双重的。在技术层面,它证明昆仑芯P800具备训练前沿大模型的能力——万卡集群的“线性扩展度超过85%”意味着增加芯片数量能够带来接近线性的算力提升,这是大规模训练经济可行性的基础。在战略层面,它使百度成为中国唯一实现“自研芯片+自研模型”闭环训练的企业——阿里平头哥的芯片虽然出货量更大,但尚未公开披露用其训练通义千问的重要版本;华为昇腾与DeepSeek的“芯模协同”涉及外部合作,而非内部闭环。 从推理算力需求的角度看,文心大模型的多产品线部署正在显著扩大推理算力消耗。文心5.1已被集成到百度搜索、百度App、秒哒、DuMate、百度伐谋等多个产品中。2026年3月,百度App月活跃用户数达6.55亿。每一次搜索的AI增强、每一次智能体的任务执行,都伴随着文心模型的推理调用。这一“海量用户基础”为百度的算力资产提供了稳定的内部需求,使其不依赖于外部客户的采购决策。 二、核心算力资产分析 (一)昆仑芯P800万卡集群 昆仑芯P800是百度算力资产体系中最具战略自主性的硬件基础,其“万卡集群”的规模化部署标志着百度在国产AI芯片集群化方面取得了实质性突破。 从芯片规格来看,昆仑芯P800于2024年量产,是昆仑芯第三代产品。P800的核心定位是“满足前沿大模型大规模训练”的需求。IDC和南都的测试数据显示,昆仑芯P800在跑DeepSeek-R1和阿里千问等经过适配优化的模型时,Token吞吐效率优于英伟达 H20。这一“优于H20”的对比具有现实意义:H20是英伟达为符合美国出口管制要求而设计的中国特供版芯片,其性能显著低于H100/B200。昆仑芯P800的推理性能超越H20,意味着它在中国市场的“可用芯片”范围内具有竞争力。 从集群规模来看,昆仑芯P800在2025年成功研发国内首个3.2万卡自研AI集群。这一“3.2万卡”的规模在国产芯片中处于领先位置。作为对比,华为昇腾的超节点最大可支持100万卡集群(技术指标),但实际部署规模主要以千卡级超节点为主。昆仑芯的3.2万卡集群是实际交付的规模,而非技术指标,这一“交付能力”的差异使昆仑芯在万卡级集群的实际运营经验方面具有先发优势。 从客户结构来看,昆仑芯P800的外部客户覆盖了金融、能源、制造、通信等多个行业。中国移动的十亿级订单是昆仑芯外部商业化的标志性案例。腾讯的采购则表明昆仑芯的产品力得到了互联网同行的认可。在金融领域,百度智能云已服务100%系统重要性银行;在能源领域,百度智能云与国家电网的合作已超过十年,从智能客服到千亿级“光明电力大模型”,再到40多个业务场景部署智能体。 从下一代产品来看,昆仑芯的迭代节奏正在加速。2026年6月的消息显示,昆仑芯的下一代AI芯片已送测。昆仑芯的M系列将支撑千卡、四千卡超节点的构建。这一“M系列”的推出将使昆仑芯的产品线从“训练推理通用”扩展至“超大规模训练专用”,从而在超节点这一系统级竞争维度上与华为昇腾正面竞争。 (二)天池256卡超节点 天池256卡超节点是百度在系统架构层面最具战略独创性的产品,也是其“以系统优化弥补单芯片差距”策略的核心载体。 从发布节奏来看,天池256卡超节点于2026年5月13日在Create 2026百度AI开发者大会上正式发布,2026年4月完成点亮,6月正式上市。这一“发布即点亮、点亮即上市”的节奏表明百度在超节点工程化方面的成熟度正在快速提升。 从技术规格来看,天池256卡超节点采用Scale-up(纵向扩展)设计,将256个计算节点集成于一个机柜。其核心性能指标包括:吞吐性能较上一代提升25%,推理效率提升50%,网络架构升级至HPN5.0,端到端时延优化50%。这些“50%级”的优化幅度在超节点产品中属于显著水平,反映了百度在互联协议、拥塞控制和散热方案上的系统性创新。 天池超节点的核心技术自研体现在四个层面。第一,自研XPU-Link互联协议与可编程交换技术,将“超节点内大量加速卡组织为高带宽、低时延统一通信域”,将Scale-Up全互联通信域“从32节点扩展到1024节点”。第二,自研拥塞控制算法,缓解大规模集群中“多打一”的流量冲突。第三,报文分类与QoS机制,在拥塞时“优先保障核心业务低延迟”。第四,自研链路高可用算法,故障切换“压缩至50微秒以内”。在这些自研技术支撑下,天池超节点的实测带宽有效率达77%,“能够对标国际顶尖方案”。 从生态适配的角度看,天池256卡超节点已完成对文心、DeepSeek、GLM、MiniMax等主流模型的适配。这一“多模型适配”的战略含义是:天池超节点不绑定于文心模型,而是可以作为通用算力平台服务任何AI模型的训练和推理。对于外部客户而言,这意味着他们可以在天池上运行自己选择的模型,而不必被迫使用百度的模型。这一“模型无关”定位使天池超节点的潜在市场规模远大于“文心专用算力”的场景。 从扩展能力来看,天池超节点“可按需扩展至数十万卡乃至百万卡级超大集群”,且“数据中心整体建设周期缩短约30%”。百度智能云混合云部总经理杜海透露,下一代天池512/1024卡版本“单个超节点即可支撑万亿参数模型训练”,并将“基于昆仑芯M系列,推出千卡、四千卡超节点”。这一“从256卡到1024卡”的扩展路径表明:百度的超节点技术正在沿着“更大规模、更高密度”的方向快速演进。 (三)文心5.1训练与推理算力 文心5.1是百度算力资产体系中“算法效率”与“算力效率”协同优化的典范产品,其“6%预训练成本”的突破对理解百度的算力资产管理策略具有核心意义。 从训练成本的角度看,文心5.1采用的“多维弹性预训练”技术使其“仅以业界同规模模型约6%的预训练成本,达到基础效果领先水平”。这一“6%成本”的量化含义可以从两个层面理解。在绝对成本层面,如果业界同规模模型的预训练成本为1亿美元,文心5.1的成本仅为600万美元——这一差距在算力采购、电力消耗和训练时间上都有显著的节约效应。在战略层面,“6%成本”意味着百度不需要拥有与竞争对手同等的算力规模,就能达到可比甚至领先的模型能力。在算力供给约束的背景下,这一“以算法省算力”的策略具有特殊的生存价值。 从训练平台的角度看,文心5.1的重要版本训练是在昆仑芯全国产集群上完成的,有效训练率达97%,万卡规模集群线性扩展度超过85%。这一“97%有效训练率”的技术含义是:在万卡集群上,97%的时间用于有效计算,仅3%的时间用于故障恢复、检查点保存等非计算操作。对于需要数周甚至数月的大规模训练任务,3%的非计算时间意味着数天到数周的额外等待。97%的有效训练率在国产芯片集群中属于领先水平,反映了百度在集群调度、故障恢复和稳定性保障方面的工程能力。 从推理部署的角度看,文心5.1已经深度集成到百度的核心产品线中。百度搜索的AI增强、百度App的智能交互、秒哒的无代码开发、DuMate的通用智能体、百度伐谋的工程智能——这些产品的每一次用户交互都伴随着文心模型的推理调用。百度App的6.55亿月活用户为文心模型的推理提供了海量的需求基础。这一“海量用户+高频交互”的模式使百度能够持续收集真实场景的推理反馈,并将其直接用于模型的下一轮优化。 三、竞争优势分析 (一)全栈国产化算力验证的先发优势 百度在全栈国产化算力验证方面具有显著的先发优势,这一优势的核心在于:百度是中国唯一实现“自研芯片+自研模型+自研云”闭环训练的企业。 从闭环的完整性来看,百度在芯片层拥有昆仑芯P800,在模型层拥有文心5.1,在云层拥有百度智能云,在应用层拥有秒哒、DuMate、百度伐谋等产品。这一“芯-云-模-体”的全栈体系使百度能够在同一个组织内部完成“芯片设计-模型训练-产品部署”的完整循环。阿里平头哥的芯片虽然出货量更大,但其通义千问模型的重要版本训练是否使用平头哥芯片尚未公开披露;华为昇腾与DeepSeek的“芯模协同”涉及外部合作,而非内部闭环。百度的“内部闭环”使其能够更快地收集“芯片-模型”协同优化的反馈,并将这些反馈直接用于下一代芯片和模型的设计。 从“全国产”验证的深度来看,文心5.1在昆仑芯全国产集群上的训练不是“演示性”的,而是“生产性”的。沈抖披露的数据——“整个集群的有效训练率达到97%,万卡规模集群线性扩展度超过85%”——是实际训练任务的运行指标,而非基准测试的纸面数据。这一“生产性验证”的意义在于:它证明昆仑芯能够在真实的、长时间的、大规模的模型训练任务中稳定运行,而非仅在“短时间、小规模”的测试环境中可用。 从竞争格局的角度看,百度的“全栈国产化”优势在政策驱动的市场中具有特殊价值。在金融、能源、政务等对“自主可控”有刚性要求的行业中,百度是极少数能够提供“从芯片到应用”完整国产化方案的企业。百度智能云在金融领域已服务100%系统重要性银行,在能源领域与国家电网合作超过十年,在汽车领域覆盖国内全部主流车企。这些行业客户的信任基础是百度全栈国产化算力商业化的重要支撑。 (二)搜索业务与AI的协同 百度搜索业务与AI的协同是其在算力资产管理中最被低估但最具“独特性”的竞争优势。搜索业务为AI提供了海量的真实用户交互数据和高频的推理需求场景,而AI则为搜索业务提供了智能化升级的路径。 从数据飞轮的角度看,百度搜索的6.55亿月活用户每天产生数十亿次查询。这些查询的意图分布、语义特征和交互模式构成了训练和优化AI模型的宝贵数据。文心模型在搜索场景中的每一次推理,都伴随着用户对结果的点击、停留和反馈。这些真实场景的反馈信号使百度能够持续优化模型的搜索相关性,从而提升用户体验,吸引更多用户,产生更多数据。这一“用户-数据-模型”的飞轮效应是纯粹AI公司(如OpenAI、Anthropic)所不具备的——它们没有搜索场景的用户交互数据。 从商业化的角度看,AI原生营销服务是搜索与AI协同的直接变现路径。2026年第一季度,百度AI原生营销服务收入达23亿元,同比增长36%。这一“AI+搜索”的广告模式的核心逻辑是:AI使搜索广告的匹配更加精准,从而提升广告主的ROI,增强百度对广告主的议价能力。在传统搜索广告面临短视频平台分流的背景下,“AI增强搜索广告”是百度守住广告收入基本盘的重要武器。 从产品演进的角度看,百度正在将搜索从“关键词匹配”升级为“AI智能体交互”。百度App的“AI智能体”功能使搜索从“查找信息”转变为“完成任务”——用户可以用自然语言描述需求,AI智能体自主拆解步骤、调用工具、交付结果。这一“搜索即智能体”的转型使百度搜索的算力需求从“轻量级检索”转向“重量级推理”,从而显著扩大了搜索业务对算力资产的内部消化能力。 (三)文心模型的成本效率(6%预训练成本达领先水平) 文心模型的成本效率优势是百度算力资产管理中最具“杠杆效应”的竞争优势。在算力供给受限的环境中,“以算法省算力”的策略具有特殊的战略价值。 从“6%预训练成本”的量化含义来看,文心5.1采用的“多维弹性预训练”技术使百度能够以业界同规模模型约6%的预训练成本达到基础效果领先水平,并登上LMArena搜索榜国内第一。这一“6%成本”的突破性在于:它使百度在算力规模不及竞争对手的条件下,仍然能够训练出具有竞争力的模型。在中国AI算力紧缺、高端芯片获取受限的背景下,这一“算法效率优势”是百度最可靠的“非对称竞争武器”。 从成本效率的来源来看,文心5.1的“6%成本”并非单一技术的突破,而是多个技术创新的叠加。“多维弹性预训练”可能涉及动态计算分配——在训练的不同阶段,根据任务的难度和重要性,动态调整算力投入。“6%预训练成本”的实现可能还涉及数据效率的提升——用更少的数据达到更好的效果。这些“算法效率”的创新使百度在不增加算力采购的前提下,提升了有效算力产出。 从竞争含义的角度看,文心模型的成本效率优势具有“降维打击”的潜力。如果百度能够以6%的成本训练出与竞争对手同等水平的模型,那么百度的单位模型能力的算力成本将显著低于竞争对手。这一优势在MaaS(模型即服务)市场中具有决定性的定价权——百度可以以更低的价格提供同等质量的模型服务,同时保持可接受的利润率。在AI推理需求爆发的背景下,单位推理成本的竞争将决定AI服务的盈利能力,而文心的“6%成本”优势使百度在推理成本竞争中处于有利位置。 四、劣势与风险分析 (一)昆仑芯生态成熟度不足 昆仑芯的生态成熟度不足是百度算力资产体系中最关键的短板。虽然昆仑芯在出货规模和万卡集群交付方面取得了显著进展,但其软件生态的成熟度与英伟达 CUDA的差距仍然是结构性的。 从软件工具链的角度看,昆仑芯的编译器优化、框架兼容性和开发者工具的成熟度远不及CUDA。英伟达的CUDA经过十余年积累,拥有数百万开发者和数千个优化库。昆仑芯的开发者社区规模远小于CUDA,其教程、开源项目和技术讨论的数量和质量也存在显著差距。昆仑芯的生态建设虽然通过开源策略在加速,但“鸡与蛋”的难题——开发者不愿意为“用户少”的平台开发软件,而“用户少”的原因正是“软件少”——仍然是根本性的挑战。 从模型适配的角度看,昆仑芯虽然完成了对文心、DeepSeek、GLM、MiniMax等主流模型的适配,但这一“适配”的深度和广度与CUDA生态的“原生支持”仍有本质区别。在CUDA生态中,任何主流AI框架和模型都可以“开箱即用”地在英伟达 GPU上运行。而在昆仑芯上,模型的适配需要额外的工作——包括算子重写、性能调试和精度验证。这一“适配成本”的存在使开发者迁移到昆仑芯的心理门槛更高。 从竞争对比的角度看,昆仑芯的生态成熟度与华为昇腾的CANN相比也存在差距。华为在2026年宣布CANN软件栈全面开源开放,兼容PyTorch、vLLM等主流生态,并开放50余个代码仓及超800个算子。华为还联合PyTorch基金会成立了Ascend for PyTorch社区,加速开发一致性对齐。百度在生态建设方面的投入力度和系统性不及华为,这使昆仑芯在开发者吸引力方面处于相对劣势。 (二)搜索广告业务增长乏力对AI投入的制约 搜索广告业务的增长乏力是百度算力资产管理中最根本的结构性约束。搜索广告是百度的传统核心业务,其现金流生成能力是百度支撑AI投资的基础。然而,搜索广告业务在短视频平台分流和宏观经济压力的双重作用下,增长持续乏力。 从财务数据来看,2026年第二季度,百度的传统业务收入下滑23%,在线营销服务总收入下滑19%。这一“双位数下滑”的态势使百度缺乏足够的内部现金流来支撑激进的算力投资。作为对比,腾讯的广告业务在2026年第二季度同比增长22%,为算力投资提供了充足的“弹药”。百度的搜索广告业务不仅未能为AI投资提供增量资金,反而本身就在萎缩,形成了“逆风”。 从资本开支的角度看,百度2026年第二季度的资本开支为114亿元,较上年同期的38亿元增长200%。这一“质的飞跃”表明百度正在加大算力投资。然而,界面新闻的分析指出了关键问题:“即便百度已经使出牛劲提高资本开支,但在腾讯面前仍是‘洒洒水’的水平”。腾讯2026年第二季度的资本开支为528亿元,是百度的约4.6倍。在算力军备竞赛的背景下,资本开支的绝对规模差距使百度在算力资产的扩张速度上处于结构性劣势。 从融资能力的角度看,搜索广告业务的低增长和低估值正在制约百度的融资能力。界面新闻的分析揭示了这一恶性循环:“搜索和AI放在一个篮子里”使投资者不愿意为百度的AI业务支付溢价,因为“即便再欣赏百度的大模型业务,也要被迫买入日薄西山的搜索业务”。这一“估值拖累”使百度难以通过股权融资来为AI投资筹集资金,而债务融资的成本又高于有更强现金流的竞争对手。百度2025年发行了144亿元人民币债券 + 20亿美元可交换债券,主要目的是“借新还旧优化债务结构、为AI算力扩张储备资金”,而2026年并未有新的融资计划。 (三)在中国AI云市场的份额落后于阿里 百度智能云在中国AI云市场的份额落后于阿里云,这是百度算力资产管理中最直接的竞争劣势。虽然百度智能云在大模型中标金额方面位居行业第一,但其在整体云市场份额方面与阿里云的差距是结构性的。 从中标金额的角度看,百度智能云在2026年上半年大模型相关中标金额约13.85亿元,位居行业第一,占五家主要AI云厂商整体中标金额的近六成以上。这一“中标金额第一”的数据表明百度智能云在大模型项目这一细分市场中具有领先地位。百度智能云也实现了“2025全年、2026年第一季度及2026年上半年公开中标金额持续领跑”。 然而,大模型中标金额的领先与整体云市场份额的领先是两回事。阿里云在中国云市场的整体份额远超百度智能云,其基础设施规模、客户覆盖和生态完整度都是百度智能云难以匹敌的。阿里云2026财年的外部商业化收入突破1000亿元人民币,而百度智能云的季度收入仅为88亿元(2026年第一季度AI云收入)。这一“规模差距”使阿里云在芯片采购、数据中心建设、电力采购等方面具有更强的规模经济优势。 从客户结构的角度看,百度智能云的客户主要集中在金融、能源、汽车、政务等对“自主可控”有刚性要求的行业,而阿里云的客户覆盖互联网、电商、金融、制造、政务等更广泛的行业。百度智能云的“行业聚焦”策略使其在特定行业中具有深度优势,但也限制了其客户基础的广度。在AI云市场从“试点”向“规模化”演进的过程中,客户基础的广度可能成为决定市场份额的关键因素。 (四)大模型商业化路径尚不清晰 百度大模型商业化路径的清晰度不足是其在算力资产管理中最根本的“回报验证”问题。虽然AI业务收入占比已经超过50%,但这一收入的结构、质量和可持续性仍然存在显著的不确定性。 从收入结构的角度看,百度的AI收入主要由AI云(88亿元)、AI应用(25亿元)和AI营销(23亿元)构成。AI云收入是最大的组成部分,但其增速在2026年第二季度出现了显著放缓——从第一季度的79%降至AI云端基础设施业务季减17%。AI应用收入虽然增长,但25亿元的规模相对于百度的总营收仍然较小。AI营销收入的36%增长虽然可观,但其基础是传统搜索广告——AI营销的增长在多大程度上是“AI带来的增量”而非“传统广告的AI化”,难以区分。 从商业化路径的角度看,百度的大模型商业化面临与所有AI公司相同的核心问题:客户是否愿意为AI能力支付溢价?百度智能云的中标项目中,应用类项目占比接近一半,算力项目贡献了超过七成披露金额。这一“应用项目多、但金额小;算力项目少、但金额大”的结构揭示了一个深层矛盾:AI应用的商业化仍然困难——客户愿意为“算力”付费(因为算力是可量化的资源),但不愿意为“AI应用”支付高溢价(因为AI应用的价值难以量化)。 从市场信心的角度看,百度2026年第二季度AI业务增速的显著放缓和随之而来的证券欺诈集体诉讼,使市场对百度“AI故事”的信任度受到了严重打击。诉状指控百度“夸大其AI业务抵销传统线上营销业务下滑的能力”。这一诉讼的核心指控是:百度未能如实披露其AI业务无法弥补搜索广告下滑的结构性困境。无论诉讼的最终结果如何,它都反映了市场对百度AI商业化路径的深层怀疑。 五、战略动向与展望 (一)从“搜索公司”向“AI全栈公司”的估值逻辑转型 百度的战略演进方向在2026年已经清晰可见:将百度从“搜索广告公司”重新定位为“AI全栈公司”。这一转型的核心标志是AI业务收入占比突破50%和“芯-云-模-体”全栈体系的构建。 从战略叙事的角度看,李彦宏对AI业务的定位明确而坚定:“AI已成为百度的核心驱动力”。百度在Create 2026上提出的“芯云模体”新全栈AI云体系,覆盖了“芯片、云基础设施、大模型、智能体平台,以及行业应用全链路能力”。这一“全栈叙事”的资本市场含义是:百度不再是一个“搜索公司”,而是一个“拥有搜索业务的AI全栈公司”——后者的估值倍数可能高于前者。 然而,这一转型的核心障碍是“搜索拖累AI估值”的结构性矛盾。界面新闻的分析一针见血:“搜索业务在市场中已经没有太大估值能力,百度应该快刀斩乱麻”。百度未能拆分AI业务使投资者无法单独为AI业务估值——他们被迫同时持有“日薄西山的搜索业务”。昆仑芯的IPO可能是解决这一矛盾的“突破口”——如果昆仑芯成功上市,百度将拥有一个独立的AI芯片上市平台,其估值将不再受搜索业务的拖累。 (二)昆仑芯IPO与芯片业务的独立估值 昆仑芯的IPO计划是百度算力资产管理战略中最具“资本运作”色彩的布局。如果昆仑芯成功上市,它将获得独立的资本市场估值,从而部分解决“搜索拖累AI估值”的结构性问题。 从估值规模的角度看,昆仑芯的目标估值500亿美元。这一估值如果实现,将使昆仑芯的市值超过百度的整体市值(2026年9月约311亿美元)。这意味着昆仑芯单独一块业务的估值可能超过百度整体市值——这一“估值倒挂”现象本身反映了市场对百度“搜索+AI”混合体估值的“折扣”。 从IPO的战略含义来看,昆仑芯的上市将使百度获得多重收益。第一,融资渠道:IPO将为昆仑芯的芯片研发和产能扩张提供独立的资金,而不需要与搜索业务竞争百度的内部现金流。第二,估值锚点:昆仑芯的市场估值将为百度的AI芯片业务提供独立的定价基准,使投资者能够更清晰地评估百度AI资产的价值。第三,人才激励:独立的上市平台使昆仑芯能够以股权激励吸引顶尖芯片人才,而不受百度整体股价低迷的拖累。 (三)从“模型提供商”向“Token效率提供商”的价值定位 百度在2026年对AI商业化的核心叙事正在从“模型能力”转向“Token效率”。沈抖对此的表述具有战略清晰度:“智能体时代,AI云竞争的核心不是比谁消耗了更多tokens,而是比谁能用好每一个token”。 这一“Token效率”叙事的资产管理含义是深远的。它标志着百度的价值定位从“提供更多的算力”转向“提供更高效的算力产出”。在算力供给约束的背景下,“用好每一个token”比“拥有更多的token”更具战略意义。文心5.1的“6%预训练成本”正是这一“Token效率”理念的量化体现——它证明百度能够以更少的算力投入达到可比的模型效果。 从商业化的角度看,“Token效率”的定价逻辑与“Token数量”的定价逻辑是根本不同的。在“Token数量”的定价逻辑下,客户支付的费用与消耗的算力成正比——这使算力供给方的收入增长依赖于客户消耗量的增长。在“Token效率”的定价逻辑下,客户支付的费用与“完成的任务”或“获得的结果”挂钩——这使算力供给方能够在客户消耗量不变的情况下,通过提升效率来增加收入。百度正在从“卖算力”转向“卖结果”,这一转型的成功将取决于百度的AI能力是否足够强大,使客户愿意为“结果”支付比“算力”更高的溢价。 (四)展望:在“全栈优势”与“规模劣势”之间寻找可持续平衡 百度算力资产管理战略面临的核心张力,可以概括为“全栈优势”与“规模劣势”之间的平衡。 “全栈优势”来自百度“芯-云-模-体”的完整AI栈。百度是中国唯一实现“自研芯片+自研模型+自研云”闭环训练的企业,其昆仑芯全国产集群的有效训练率达97%,万卡规模集群线性扩展度超85%。文心5.1的“6%预训练成本”使百度在算力效率上具有结构性优势。这些“全栈优势”使百度在不拥有最大算力规模的条件下,仍然能够训练出具有竞争力的模型,并以更低的成本提供AI服务。 “规模劣势”来自百度资本开支的绝对规模不足和搜索广告业务的下滑。百度2026年第二季度资本开支114亿元,仅为腾讯528亿元的约五分之一。搜索广告收入的双位数下滑使百度缺乏足够的内部现金流来支撑激进的算力投资。在算力军备竞赛的背景下,资本开支的规模差距可能逐渐转化为“算力资产规模差距”,进而影响模型训练的速度和规模。 百度的战略选择是以“全栈效率”对抗“规模劣势”——以算法效率(6%预训练成本)和系统效率(97%有效训练率)来弥补算力规模的不足,以昆仑芯的IPO来获取独立融资渠道,以“Token效率”叙事来建立差异化的价值定位。这一策略的成功条件是:百度能够持续在算法效率和系统效率上保持领先,使“效率优势”的累积速度超过“规模劣势”的扩大速度。如果成功,百度将在“后规模时代”开辟一条“以效率换规模”的独特路径;如果失败,百度可能在算力军备竞赛中逐渐边缘化。 2026年的百度,正处于“AI转型的深水区”。AI业务收入占比首次过半是积极的信号,但AI业务增速在第二季度的显著放缓和证券欺诈诉讼是警示的信号。李彦宏的“AI已成为百度的核心驱动力”的表述,既是对转型成果的确认,也是对未来挑战的动员。这一“AI驱动的全新百度”能否在“全栈优势”与“规模劣势”之间找到可持续的平衡,将取决于未来12-24个月内昆仑芯IPO进展、文心模型迭代和AI云商业化的实际表现。 |
|||
![]() |
|||
|
|
|
云阿云智库●区域经济研究院 |
|
北京市平谷区中关村科技园区平谷园1区-21594(集群注册) |
|
| 13360021949 (李博士) | |
liguisong2006@163.com |
|