百度又調整了AI組織。

最新變化是，設置百度模型委員會BMC。此前新成立不久的基礎模型研發部BMU、應用模型研發部AMU，將向BMC匯報；相關部門同時仍向百度CEO李彥宏匯報。

按照公開信息，BMC的成員由年輕、對大模型有深刻理解的研究員構成，將統籌百度大模型基礎模型和應用模型的研發工作。

BMC在BMU和AMU之上加了一個統籌協調層，標志著自去年成立模型研發新部門之后，這套組織架構正式成型。

這次調整的真正含義是：李彥宏正在百度內部畫出一塊AI自留地。

這塊地更年輕，更貼近大模型研發一線，也擁有一條更短的決策鏈路。它要繞開的，正是百度過去很多年里反復暴露出來的老問題：機會如雨點撒來，但百度都一閃而過。

先知先覺的百度

百度從來都是一家先知先覺的公司。

在中國互聯網公司里，百度是最早系統性押注AI的公司之一。無論是智能音箱、自動駕駛，還是后來的大模型，百度都不是等別人跑出結果后才倉促跟進。很多時候，李彥宏對技術趨勢的判斷甚至是偏早的。

但這也正是百度最尷尬的地方。

如果一家公司一直沒有看見趨勢，它的問題很簡單；如果一家公司總是很早看見趨勢，卻總是在結果出來時顯得落后，問題就復雜得多。

百度過去幾年被反復概括為“起大早，趕晚集”，這句話之所以流行，是因為它擊中了百度AI敘事里的核心矛盾：方向感并不差，交付結果卻總是不夠硬。

李彥宏很早強調AI，很早講智能體，也一直試圖把AI競爭從單純的模型能力，拉向應用和生產力。但問題在于，百度交出來的產品和模型，很多時候沒有撐住他的判斷。

最典型的例子，是過去兩年關于開源和閉源的爭議。

李彥宏曾經因為開源模型沒有機會、閉源模型才有前途的判斷，被外界反復討論。但如果把視角從國內輿論場拉到全球大模型商業化，這個判斷并非完全站不住。

OpenAI、Anthropic、Google等公司所代表的主流商業模型路徑，本質上都在證明這點。閉源模型可以形成壁壘、價格體系和商業收入。

今天再看，國內大模型公司的開源和商業化策略也并不是簡單地一路開源到底，阿里調整開源策略，豆包準備實行付費計劃。

如果文心大模型在能力、體驗和行業口碑上都明顯領先，李彥宏關于閉源的論斷會顯得順理成章。但當外界感知到的是文心沒有足夠強的統治力時，一個本來可能成立的商業判斷，就反過來變成了嘲弄的物料。

這說明李彥宏的問題未必是完全看錯了方向，而是他可能高估了百度自身的模型能力。

高估從哪里來？很大程度上來自組織內部的信息輸入。

一個CEO對公司核心能力的判斷，不可能只靠自己坐在辦公室里試產品。他依賴匯報，依賴內部評估，依賴層層傳遞上來的研發進度、模型指標、產品反饋和競爭判斷。

如果這些信息被組織慣性過濾和包裝過、樂觀化過，最終到達他面前的就不是真實世界里的百度。

這就是理解BMC的背景，也是理解BMU和AMU的背景。

留塊自留地，繞開舊體系

BMC最值得注意的地方，是匯報關系和“年輕研究員”。

這幾個字比“委員會”本身更重要。因為它說明百度并不只是想用一個更高層的管理人員做協調，而是在試圖讓真正理解大模型的一線技術人員，進入更靠近決策中心的位置。

這背后至少有三層含義。

第一，百度希望減少傳統管理鏈條對技術判斷的過濾。

大模型研發不是一個適合層層轉述的領域。模型路線、訓練數據、算力分配、后訓練策略、應用反饋，每一個環節都變化很快，也都非常依賴一線判斷。如果決策層聽到的主要是經過多層加工的總結，很容易錯過真正關鍵的技術細節。

讓年輕、懂模型的研究員進入BMC，意味著百度希望把一線研發判斷抬到更高位置。它并非單純的年輕化姿態，而是試圖改變信息抵達李彥宏的方式。

第二，這接近AI創業公司的組織氣質。

過去幾年，全球最強的一批AI公司，很多并不是傳統大公司的典型組織形態。它們的核心技術判斷，經常來自非常靠近模型訓練和產品迭代的一線團隊。研究、工程、產品、商業化之間的距離很短，方向錯了可以快速改，能力不足也很難被長期掩蓋。

國外巨頭基本沒有做模型的聲量，能力限制和主動選擇都是因素。唯一做出成績的谷歌，也依靠DeepMind作為相對獨立的研發設施。

百度作為一家成熟大公司，很難完全復制創業的結構。但BMC至少是在向這個方向靠近：讓模型研發不再完全沉在既有組織層級里，而是形成一條更短、更直接的路線。

第三，這是對百度過去內部信息鏈條的一種修正。

如果百度過去的問題是“起大早，趕晚集”，那它要反思的就不能只是戰略層，而必須反思執行層、反饋層和判斷層。李彥宏需要知道真實的模型能力到底在哪里，真實的產品體驗到底如何，真實的競爭差距到底有多大。這些信息越經過層層匯報，越容易失真。

BMC的設置，本質上是在縮短這個距離。

這里還可以看到一個更微妙的信號：百度傳統AI技術體系長期與王海峰相關，但BMU、AMU以及現在的BMC，都是直接面向李彥宏的大模型線。它至少說明，李彥宏希望把大模型研發從百度既有技術管理體系里單獨拎出來，形成一條更短、更直接的決策鏈條。

BMU和AMU本來就不應該是割裂的。

BMU做通用基礎模型，AMU做更貼近應用的專精模型和能力。表面上看，一個偏底座，一個偏場景；但在大模型時代，兩者天然互相依賴。

一個編程類應用能不能做好，不只取決于應用層怎么設計，也取決于基礎模型在代碼能力上的起點。這個起點又會反過來影響訓練數據權重、評測體系和模型路線。

如果基礎模型團隊只追求通用指標，應用模型團隊只在后端補能力，兩者之間就會出現斷裂。BMC的價值正在于此：它試圖把基礎模型研發、應用模型研發和業務落地放進同一套統籌機制里。

所以，BMC、BMU和AMU更像是一種內部創業機制。

李彥宏在百度內部畫出一塊AI自留地，因為他可能已經意識到，原有組織體系很難自然長出他想要的大模型結果。既然這套現有體系靠不住了，那就試試以內部創業的形式搞某種程的“單干”。

BMC 重組隊伍，DAA 定義規則

在Create 2026上，李彥宏對外拋出了另一個概念：DAA，Daily Active Agents，日活智能體數。

李彥宏想表達的是，AI時代不能只看有多少人燒了多少token，更要看有多少智能體在替人完成任務。移動互聯網時代，DAU是一個核心指標；但到了智能體時代，Agent就是參與主體。

這個方向有啟發。

如果AI的價值不只是回答問題，而是替人執行任務，那么衡量標準確實應該從“人訪問了多少次”，轉向“機器完成了多少工作”。在這個意義上，DAA是百度試圖為智能體時代提出一套新計分方式。

但DAA也有問題。

agent本質上仍然是被賦予一定智能的程序。只要愿意拆分、部署和運行，agent的數量可以被迅速做大。一個agent是否真的創造了價值，不能只看它是不是“活躍”。

相反，低質量agent甚至可能制造噪音。

社交媒體上的AI評論就是一個很直觀的例子。它們表面上增加了互動，實際上卻未必提供新的信息、經驗和判斷。用戶之所以看評論，是為了獲得自己單獨思考時無法得到的補充。

如果評論只是大模型可以隨手生成的套話，它增加的是注意力負擔。我要看AI回復，那我直接問AI不就行了。而且大概率用來跑agent的不是最頂尖的模型，我自己問，想問opus 4.7就問，想問gpt5.5也行。

李彥宏說token代表成本，不代表產出，這話有一部分道理。token消耗本身確實不能說明任務是否完成。但反過來說，token是付費資源，是實實在在的成本。

企業和用戶愿意持續為token買單，已經說明它在某些環節創造了價值。錢仍然是最有效的衡量尺度之一，付費就是最強的產出認可度。

DAA可以某種程度上被理解為百度爭奪AI應用時代話語權的一次嘗試。

它和BMC放在一起看，才更有意思。

Create 2026上，百度對外說的是：AI競爭不應該只看模型榜單、參數、token和聊天機器人的DAU，而要看智能體是否真正完成任務。

這是百度想重新定義外部比賽規則。

BMC則是百度對內做的動作。如果未來競爭真的要看智能體能否持續交付，那么基礎模型、應用模型、訓練路線和業務落地就不能彼此割裂，并且要用另起爐灶的方式保障資源、效率和信息傳遞。

這是李彥宏在重組內部參賽隊伍。

但百度這里缺了一環，原生AI應用場景。

百度App、搜索、百度網盤、百度文庫，都有用戶、有數據、有場景。問題在于，這些產品大多形成于上一代互聯網周期。它們的功能、用戶心智和商業模式早已成型，AI可以改造它們，但這種改造更多是在既有功能上的增強。

秒噠、DuMate、伐謀、一鏡，構成了百度在Create 2026上展示的智能體矩陣。它們讓百度的AI應用敘事變得完整：有通用智能體，有代碼智能體，有決策智能體，也有數字人智能體。但它們還需要證明自己是穩定、高頻、能充分激發付費能力的真實應用。

組織可以重建，應用場景不能靠組織架構自然長出來。

這是BMC的邊界，也是百度接下來真正要面對的問題。