All in Token, 移动，电信，联通，阿里，百度，华为，字节，Token石油战争，Token经济，百度要“重写”AI价值度量

AI Agent的价值应该怎么被衡量2026年AI行业的标志性拐点是Agent智能体快速普及。Agent作为核心生产力载体将AI从Chatbot聊天模式带进主动执行的办事时代。这个时候如果我们还用旧尺子去丈量新价值无异于刻舟求剑。换句话说行业需要一套贴合生产力本质、适配智能体时代的“价值度量衡”并确立新的AI价值坐标体系。但现实情况是DAU还在沿用Token也正在被热议。新旧转换它们会是Agent价值体系的最终答案吗DAU逻辑落幕Token指标“失真”我的答案都不是。DAUDaily Active User即日活跃用户数遵循的是互联网时代的流量逻辑和网络效应。用户规模越大增长和商业化效率越高。这套指标体系曾一度支撑了互联网数十年的发展但可能与AI底层逻辑相悖一方面AI普惠降低了技术门槛也消解了流量的稀缺性。产品的竞争焦点也从用户规模转向执行能力和用户体验另外一方面AI产品的算力成本打破了互联网边际成本递减的规律用户规模越大成本越高。一个典型事例是AI明星Anthropic旗下Claude全系产品DAU的总和仅为对手OpenAI当家应用ChatGPT的2%。但它在今年4月对外公布公司2026年年化收入ARR超过300亿美元。这个规模已经超过OpenAI后者被披露的年化收入约为250亿美元。可能很多人没发现Anthropic和OpenAI市场地位的切换背后其实就藏着这种底层逻辑的的分野OpenAI沿用互联网旧逻辑先用免费产品圈用户做大DAA再后期变现Anthropic直接锚定价值变现它先去找愿意付费的企业客户靠高价值任务交付实现盈利。这清晰的释放了一个信号Agent时代消费互联网的经典路径行不通“创造高价值任务交付”比“用户规模”更关键。也可以说任务交付价值优先于用户流量规模。正如行业分析人士Cage指出用DAU给AI公司估值如同1999年用页面停留时间评判谷歌。当年雅虎用户单页停留15分钟谷歌仅30秒短时停留恰恰证明谷歌检索效率更高。但这个思路在Agent时代正在被颠覆因为衡量对象变了。最新消息传出OpenAI内部正在弱化DAU指标。如果传闻属实这也可以视为流量逻辑即将在AI赛道落幕。DAU不适用后Token成为当前行业主流统计单位。黄仁勋对Token的提法很有代表性他在2026年英伟达GTC大会上阐述了一套新的商业逻辑数据中心正在从训练模型的地方变成生产Token的工厂。Token将是未来数字世界最核心、最值钱的大宗商品。黄仁勋的“Token经济学”就差更直白的说AI的未来就是Token了。这可能被很多人定义为暴论但他精准的点明了Token的本质定位即Token作为AI推理和决策成本的基本单位是AI时代的“燃料”。其价值由生产速度、功耗效率和应用场景决定。这意味着Token可能只是一个基础性的成本指标只记录投入不核算产出。它可以测算AI的“耗电量”、算力资源的消耗但不能体现效率和收益无法评判产出价值更不能确权真实的商业价值有些“失真”。黄仁勋关注的是AI的生产成本有高Token消耗他才能卖出更多的芯片。但高Token消耗不代表高价值成果就像程序员代码写得多不代表软件质量更高。因为还有大量无效调用、冗余运算普遍存在。这是典型的粗放式增长指标可能更适用于“大力出奇迹”早期大模型发展阶段。但长期来看无论是企业还是个人都会回归ROI投入产出比烧了这么多Token到底有多少转化有多少成了真实的生产力和业务价值简单来说DAU量的是“人头”是旧尺子Token是“燃料”是成本指标。二者都无法在AI自主办事、主动执行的新周期精准的量出新生产力和它的价值。DAA百度提出的更优AI价值“度量衡”这个新周期的主角是智能体。按照百度创始人李彦宏Create2026上的话说就是AI主第次不是模型是应。智能体出圈代表AI的发展从模型阶段向了应阶段AI的竞争也从智转向了执。如果AI价值评价体系不做“迭代”还停留在Chatbot阶段必然就像用马力衡量电动汽车完全找偏了参照系。图李彦宏提出AI时代的度量衡DAA对此李彦宏在会上明确提出一把新的标尺——DAADaily Active Agents即日活智能体数。他认为Token不一定代表终局它只代表成本并不代表收益衡量的是投入而非产出。AI进入Agent时代衡量个平台和态的繁荣更应该看的是DAA这个指标关注有多少Agent在给类活并交付结果。这谓的Token消耗更接近价值也更接近本质。在我看来DAA是DAU、Token之后百度为行业提供适配Agent时代的更优“度量衡”。相较DAU、TokenDAA跳出了流量、成本的单一维度重新定义了Agent时代的价值度量逻辑。这实际上补齐了Token在价值维度的拼图。如果说Token决定成本下限DAA将决定价值上限。二者将在未来一段时间共同构成AI时代度量衡的基础坐标系。目前从行业、企业、个体三维视角来看DAA具备不可替代的行业、产业价值甚至在重构AI时代生产关系对行业它能够有效衡量Agent是否真正落地为价值创造对企业它将增长逻辑从用户规模驱动拉回结果驱动并推动其组织形态变革成为“AI智能体”混编战队构成的超级组织对个体它成为判断AI是否真正提升效率的关键标尺并助力个体蜕变为超级个体。从更宏观视角看AI要实现普惠变成社会红利必须从一开始就锚定真实有效的生产力指标。Token计量不是终局当AI落地规模扩大行业关注点必然转向值不值得用。DAA的核心关注点不再是“有多少人用”而是直接锚定“任务完成”价值闭环将衡量标准从“使用”转向“交付”从“过程消耗”转向“结果产出”让AI价值可预期、可衡量、可规模化、可持续。图一图看懂什么是DAA百度作为AI时代“度量衡”的提出者也是业务上的实践者。其在本次Create大会上围绕智能体应用爆发百度芯云模体新全栈升级。其中集中发布和升级了通用智能体DuMate、代码智能体秒哒、数字人智能体百度一镜、自我演化决策智能体伐谋等系列智能体产品百度智能云也升级为面向大规模智能体应用的新全栈AI云。这些产品和基础设施的更新为个人用户、企业、组织提供了更智能的生产力也帮助他们在使用AI时获得更高效的DAA效果。比如DuMate此次上线移动APP端7X24小时的AI搭子可以帮用户胜任各种复杂工作。此外DuMate将百度AI搜索、秒哒、伐谋、百科等核产品能集成为可随时调的内置技能成为户进Agent世界的统。用户只需要句话就能实现从想法到结果动执多任务并处理。李彦宏预判未来全球活智能体数可能超过100亿。DAA对企业来说意味着数字员工的无限供给。他特别建议企业CEO去思考“智能体优先策略”通过人与智能体的共同进化去进化成长为AI时代的新型组织。而DAA就是管控、衡量、优化这一批数字员工的核心标尺。为什么又是百度我在Create2026上找到了答案DAA的提出在大家都卷流量、Token的大环境下就像给行业抛出的又一个“非共识”略显孤独。但冷静来看这或可在未来一段时间成为行业共识。这也可以成为另外一个设问为什么百度总能提前看见下一阶段答案其实已经很明显了。Create2026大会贯穿全程的关键词除了DAA还有一个关键词是“自我进化”。这是李彦宏面向AI生产力时代提出的“进化论”。图李彦宏提出AI时代的进化论——自我进化从内涵上看“自我进化”贯穿智能体、组织与个体三个层面是智能体的我进化从被动响应到主动执是个体的我进化从普通个体到超级个体三是企业组织的我进化从与的分协作到与智能体的混合编队成为超级组织。这与他在半年前百度世界2025上提出的内化AI能力一脉相承。当时他说“当AI被内化为原生能力智能就不再是成本而是生产力”。从“能力内化”走向“能力持续生长”从内涵定义到工具开发再到应用落地再到提出价值评估标准DAA李彦宏对智能体的思考已经自成体系。无论是自我进化还是DAA本质上是从应用驱动的第一性原理出发重新定义AI Agent的价值。为了支撑DAA的落地百度从“老全栈”到“新全栈”的技术路线也被催生出来。它正通过“芯、云、模、体”的协同进化进一步为DAA这一价值指标提供落地基础。AI Agent的价值衡量本质上是从“注意力经济”DAU/Token向“生产力经济”DAA的范式转移。当一家公司同时具备“好用的智能体”体和“能扛得住的基础设施”芯、云、模新全栈地基时它才有资格去前瞻这个时代的价值标准。比如在“体智能体进化”上代码智能体“秒哒”3.0亮相推出App端发布APP生成能力等系列上新将Agent自主开发应用的能力开放给用户降低开发门槛推动实现“人手拥有一个APP”。根据我的了解秒哒App本身90%的代码由秒哒智能体动成。截前秒哒成的应已累计服务户超1000万应价值达50亿元。我特别注意到其中的一个案例8岁用户扑满依托秒哒实现创意落地。这位年轻的“AI时代原住”是AIGCxChina最成员、央视AI春晚最年轻主创在秒哒的支持下仅凭自然语言指令便做出了一个校园互助小程序“哒哒打伞”。当一个二年级孩子都能把生活里的小想法开发出应用在此刻“超级个体”真真切切的被具象化了。由此看真正被改变的也许不只是开发效率而是一个前沿技术被采用的门槛。图秒哒8岁用户扑满台上分享·唐辰拍摄这个案例的核心意义不在于技术炫酷而在于印证了百度的产业理念AI不是造概念而是人人可用的实用工具。想必这也是百度提出自我进化和DAA的核心初衷衡量对人真实使用的效果衡量真实落地价值服务大众、赋能产业。还有一层很容易被外界忽略的因素就是创始人的洞察力。李彦宏曾多次提出“非共识”后来都被行业验证为“共识”。比如早在ChatGPT引爆全球AI热潮、行业普遍聚焦“大模型竞赛”时他就提出“模型的价值在于应用”随后行业进入下半场“卷应用”成为主线。《算力Token运营算力构建和Token生成、营销和Token智能体应用实操》大模型算法实战专家—周红伟 法国科学院算法博士/前阿里人工智能专家/马上消金风控负责人课程背景2026年企业将“Token服务”定为经营主线宣布从“流量经营”转向“Token经营”。同年同时将Token与智能体封装以“主从智能体协同”方式交付可独立完成任务的成品。但多数企业的实际情况远未跟上这一节奏。算力资源买了、模型接入了Token账单月月上涨却没人能回答三个基本问题消耗的Token去了哪些业务、消耗是否合理、能否对外卖出价钱。。与此同时Token的商业形态出现两条路径。一条是卖原料——按量计费的通用Token竞争激烈利润趋薄。另一条是卖成品——将Token与场景知识、任务流程封装为智能体按结果或效果收费溢价空间显著。两条路的算力需求、定价逻辑、客户关系和运营重点截然不同选择哪条路直接决定AI投入能否回本。本课程解决两个核心问题第一算力如何建成可计量、可降本的Token供给线第二Token如何封装成客户愿意买单的智能体产品。两天时间从算力底座到营销定价再到封装交付一条完整链路走完。课程收益掌握算力基础设施的成本拆解方法能区分中心云、边缘节点、端侧设备在成本结构中的占比与优化方向。能够设计Token的分层定价体系按通用、专业、定制三级制定差异化价格覆盖公众、中小企业和政企客户。掌握业务场景的任务拆解方法能画出一条端到端工作流并标注每个节点所需的模型规格。学会设计主从智能体协同架构能区分主智能体的调度职能和从智能体的专职任务避免功能混杂。带走一套可立即使用的工具模板含算力成本测算表、Token运营周报格式、智能体封装设计画布。培训时长2天课程大纲第一天算力底座的构建与Token的高效生产主题从物理算力到可计费Token的完整供给链搭建第一部分 算力基础设施的选型与成本模型1.1算力供给的三层结构1.1.1 中心云承载高并发的在线推理与模型更新1.1.2 边缘节点处理时延敏感型业务的就近部署策略1.1.3 端侧设备AI摄像头、AI智屏等终端的轻量算力利用1.2算力成本的可视化拆解1.2.1 硬件折旧GPU集群的租赁与自建在三年周期内的分摊模型1.2.2 能耗支出算力满载与闲置状态下的电力成本差异1.2.3 运维人力集群规模与所需驻场工程师的配比参考1.3算力利用率的评估与提升1.3.1 峰谷调度将离线训练与夜间闲时算力匹配的错峰方案1.3.2 碎片整理小任务合并为大批次请求的攒批策略1.3.3 淘汰机制长期低利用率的模型版本下线规则第二部分 算力到Token的转化推理引擎与供给平台2.1推理服务的部署架构2.1.1 模型加载内存常驻与按需加载两种模式的选择依据2.1.2 并发设计单卡支持多路请求时的显存分配与排队策略2.1.3 弹性伸缩基于请求队列长度自动扩容的阈值设定2.2 Token生成的计量与质量控制2.2.1 输入Token与输出Token的分开统计两者成本差异悬殊2.2.2 生成长度控制设置最大输出Token数防止失控消耗2.2.3 输出质量校验对生成结果的可读性与事实性做自动化抽检2.3多模型供给的统一平台搭建2.3.1 模型注册所有可用模型的规格、成本、适用场景进入统一目录2.3.2 智能路由规则请求进来后根据复杂度与预算自动分配模型2.3.3 权限与配额管理按部门、按应用设置Token消耗上限第三部分 Token生产的经济账降本增效的实战手段3.1缓存与复用策略3.1.1 语义缓存相似问题直接返回缓存结果命中率的提升方法3.1.2 上下文复用多轮对话中固定前缀的Token消耗豁免技巧3.1.3 模板化输出高频格式类生成的预置模板绕开重复推理3.2 Prompt工程对成本的影响3.2.1 指令精简在不损失效果的前提下压缩提示词的多次迭代测试3.2.2 示例数量的权衡少样本与多样本在成本与准确率之间的拐点3.2.3 思维链的按需启用简单任务关闭长推理链的门槛设置3.3模型选型的降本阶梯3.3.1 分类与抽取用小模型准确率达标时优先调用轻量版本3.3.2 生成与理解用大模型仅在需要语义能力时启用高成本模型3.3.3 微调后的专用模型一次投入换取长期单次调用成本下降的核算方法第四部分 Token营销的定价体系设计4.1分层定价的三级结构4.1.1 通用Token适合QA、摘要等大众化场景的低价走量策略4.1.2 专业Token绑定行业知识库或微调模型的中等溢价定价4.1.3 定制Token含私有化部署与驻场服务的年度合约报价模式4.2分客群的套餐设计4.2.1 公众用户小面额体验包与跟宽带、云盘捆绑的权益包4.2.2 中小微企业按月订阅的Coding Plan设定阶梯用量与超量单价4.2.3 政企大客户私有化部署后的Token批发折扣与年度增量返点4.3营销效果的追踪指标4.3.1 Token消耗的客户活跃率按周统计有消耗行为的客户占比4.3.2 客户平均消耗量的增长曲线判断客户是否真正嵌入业务流4.3.3 套餐档位迁移率客户从低档向高档升级的比例与触发原因第五部分 Token运营的日常管控体系5.1用量监控与异常检测5.1.1 部门维度的日消耗排名识别消耗突增的组织与原因5.1.2 单应用维度的单位成本曲线监测模型调用效率的变化趋势5.1.3 异常调用的自动拦截高频、超大、非时段的请求触发强制审核5.2内部结算机制的落地5.2.1 部门Token成本分摊表的编制将账单从IT部门下沉到使用方5.2.2 预算额度与审批流程超预算申请的人工审核与自动拒绝规则5.2.3 成本节约的激励机制对Token降本有贡献的部门给予分成奖励5.3 Token运营报表的标准化5.3.1 周报的三项必含数据消耗总量、异常事件数、单位成本变化幅度5.3.2 月报的经营分析各部门消耗占比、套餐覆盖率、降本措施效果汇总5.3.3 数据源的自动化采集对接算力平台与计费系统的接口规范第六部分 第一天实战搭建一套可运行的算力Token运营方案6.1场景设定与资源盘点6.1.1 选择模拟标的一家中型连锁零售企业的AI巡检与客服需求6.1.2 算力资源给定中心云100卡、边缘节点20个、端侧设备500台6.1.3 业务需求清单门店巡检日报生成、在线客服应答、商品描述批量撰写6.2分组制定供给与定价方案6.2.1 算力调度方案三个业务分别部署在中心云还是边缘节点的决策依据6.2.2 模型选型与Token预估每个业务匹配哪种规格模型预估月Token消耗量6.2.3 对外营销定价针对不同客户群设计Token套餐结构与价格6.3产出运营管控计划6.3.1 编写监控指标清单设定各业务的Token消耗红黄绿基线6.3.2 制定异常处理预案当某业务Token消耗突增50%时的应对步骤6.3.3 形成一份Token运营周报模板供各组带回实际使用第二天Token的智能体封装与商业化应用主题从卖Token原料到交付智能体成品的全流程实操第一部分 智能体封装的经济逻辑与场景选择1.1 Token原料与智能体成品的价值差1.1.1 客户为“能完成任务的数字员工”付费的意愿远超“算力消耗额度”1.1.2 封装一次投入、持续收入智能体开发成本固定边际服务成本递减1.1.3 封装提升客户黏性客户换智能体比换模型服务商的迁移成本高得多1.2适于封装的任务特征1.2.1 流程固定且重复频次高巡检、核保、报告生成等每周执行数十次以上1.2.2 需多步判断与多数据源协同单次任务即消耗大量Token的复合型工作1.2.3 结果可被客观评价审批通过与拒绝、报告通过与否、巡检异常是否属实1.3封装前的可行性评估1.3.1 当前AI调用量是否足以支撑封装投入的开发成本摊薄1.3.2 任务流程能否被分解为独立、可替换的子节点1.3.3 客户是否认可“按任务结果付费”而非“按Token消耗付费”第二部分 任务拆解将业务场景翻译成Token工作流2.1端到端任务的节点切割2.1.1 以“保险核保助理”为例拆为信息提取、规则匹配、风险评估、结论生成四节点2.1.2 每个节点的输入物和输出物必须定义清楚输出物是下一节点的输入2.1.3 设置节点间的异常返回某节点无法完成时退回上游还是转人工2.2节点任务类型的划分2.2.1 理解类节点意图识别、情感分析必须交给大模型2.2.2 查询类节点从数据库或API取数据用函数调用而非生成2.2.3 判定类节点按既定规则做是否判断用规则引擎或小模型2.3工作流的验证标准2.3.1 端到端成功率完整走完所有节点并输出有效结果的比例2.3.2 单节点耗时每个节点的响应时间是否满足业务时效要求2.3.3 Token消耗的可预测性同类型任务每次消耗的Token数偏差不超过15%第三部分 模型匹配与主从智能体的协同设计3.1每个节点选择最优模型3.1.1 理解节点配大模型保证语义准确但限制输出长度以防浪费3.1.2 查询节点配专用接口直接调数据库完全绕过生成式模型3.1.3 判定节点配轻量模型或规则库成本低、速度快、结果稳定3.2主智能体的设计与职责3.2.1 任务分发根据用户输入判断该启动哪个从智能体3.2.2 上下文维护多轮对话或跨节点时关键参数不丢失的机制3.2.3 异常接管从智能体返回不确定时重新派发或升级人工3.3从智能体的设计与复用3.3.1 单一职责一个从智能体只做一个任务避免功能混杂3.3.2 独立版本管理每个从智能体有自己的版本号升级不影响其他3.3.3 跨场景复用同一个“数据库查询智能体”可被多个业务场景调用第四部分 封装定价与服务交付的设计4.1三种定价模式的适用场景4.1.1 按任务量计费适用于每次结果标准化程度高的场景如单次审核4.1.2 按效果分成适用于可直接量化客户收益的场景如销售线索转化4.1.3 月订阅加超额累进基础月费含定量任务超出后按阶梯价结算4.2服务等级与交付物定义4.2.1 明确交付的是决策建议还是执行结果建议可免责执行结果需担责4.2.2 设定准确率承诺与免赔条款准确率低于承诺值时按比例退费或免单4.2.3 人工兜底的触发条件与响应时效模型无法处理时转人工的时间上限4.3定价的试算与调整4.3.1 先算出该任务的后台Token成本作为定价底线4.3.2 加上封装溢价知识、流程设计、运维支持的分摊4.3.3 与客户现有方案的成本做对比人工做同样任务的成本是多于还是少于智能体第五部分 星辰TokenHub封装能力实操5.1平台的多模型聚合与路由操作5.1.1 在平台上注册三个不同规格的模型分别标注适用场景与成本5.1.2 配置一条智能路由规则简单请求转轻量模型复杂请求转大模型5.1.3 跑一批混合请求流观察分流比例与总Token成本的变化5.2主从智能体的部署与联调5.2.1 创建一个主智能体设定其任务规划指令与从智能体选择逻辑5.2.2 创建两个从智能体一个做信息检索一个做文本生成5.2.3 发送复合指令测试协同观察从智能体的唤醒、交接和最终输出5.3监控与调优5.3.1 查看智能体调用的消耗报表区分各从智能体的Token消耗占比5.3.2 定位高消耗节点分析是否有某个从智能体被过度调用5.3.3 调整路由规则或提示词再次测试观察成本变化第六部分 结业路演交付你的智能体封装商业方案6.1分组选题与设计6.1.1 每组选定一个行业场景设备预测性维护、零售门店巡检、信贷审批、保险核保等6.1.2 完成端到端任务拆解图标注每个节点的模型选择与预估Token消耗6.1.3 设计主从智能体架构与协同流程给出封装后的定价方案6.2路演与答辩6.2.1 每组10分钟陈述重点讲业务痛点、任务拆解、模型匹配逻辑与定价依据6.2.2 评委提问方向智能体封装后能否真正替掉人工环节定价是否有竞争力6.2.3 每组提交《智能体封装商业设计书》作为结业成果