1. 首頁 > 生活百科 > >

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

企業管理

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片

AI云玩家洗牌時刻，百度智能云憑什么六連冠？

文章圖片



大模型熱潮下 ， 代入企業IT/AI工程師的視角卻會發現 ， AI落地處處都是坑：
AI在企業內部應用的場景多了之后 ， 一到業務峰值 ， 用戶并發涌上來 ， 要是調度系統不給力、加速引擎沒提效、KVCache優化不到位 ， 服務一旦卡殼 ， 不僅用戶體驗崩了 ， 還會帶來業務損失；
智能體當道 ， “數字員工”大量上崗 ， 相互協作帶來了大規模推理服務需求 ， 但問題也隨之而來 ， 要么延遲超了 ， 要么吞吐上不去 ， 技術人員不得不熬夜做優化 。
這些焦頭爛額的場景 ， 正是當前企業AI落地過程中的真實寫照 。 AI Infra的能力支撐 ， 變得愈發重要 。
8月的2025百度云智大會上 ， 產業對AI Infra的訴求有了明確的回應：百度智能云正式發布新一代AI基礎設施 ， 以百度百舸5.0為核心打造超節點云實例等關鍵能力 ， 構建“云智一體、智能優先”的技術底座 。

正如百度集團執行副總裁、百度智能云事業群總裁沈抖所言：企業對基礎設施的需求已經從“降本增效”轉向“直接創造價值” ， AI云不再是企業的“成本中心” ， 而會成為新型的利潤中心 。
斷言背后 ， 百度智能云在AI云市場競爭中高歌猛進 ， 65%央企選擇、連續六年公有云市場第一……無論是超大規模算力調度 ， 還是復雜產業場景落地 ， 百度智能云都已經形成了技術突破與產業實踐的雙重護城河 ， 成為行業公認的頭部玩家 。
但整個云市場的競爭仍在日趨白熱化 ， 云廠商紛紛將AI軟硬件作為拉動增長的核心引擎 ， 導致技術路徑五花八門 ， 解決方案層出不窮 ， 讓不少企業用戶患上了選擇困難癥 。
到底該如何選 ， 才能真正吃透AI Infra的技術紅利呢？答案恐怕還要回到產業的真實需求中去尋找 。

風起云涌的AI浪潮中 ， 很多企業都想盡快用上AI提升競爭力 ， 但現實里卻處處受限：芯片性能短期內難有大幅突破 ， 自己建AI基礎設施要花大價錢 ， 而且企業自身大多缺乏搭建軟硬件搭建的能力 。
這時候 ， AI云就成了最優解 。 企業不用改造自己現有的系統 ， 通過云端即可高效調用AI所需的算力、網絡等核心能力 。
不過 ， 面對五花八門的AI云 ， 企業到底該看什么？業內共識是 ， 企業落地大模型時 ， 最容易被三個地方卡住脖子：算力瓶頸、互聯瓶頸、穩定性與可靠性挑戰 。
算力是企業應用AI的第一道關卡 。
大模型訓練的算力消耗就很驚人了 ， 以OpenAI為例 ， 今年底上線的GPU數量就超過100萬塊 。 而智能體的爆發 ， 也使得token使用量激增 ， 帶動推理算力需求上行 。

比如創下MPV紀錄的羅永浩數字人直播間 ， 前臺講解的兩個數字人主播背后 ， 助播智能體負責烘托氣氛 ， 劇本智能體撰寫雙人對話腳本 ， 不同智能體按職責動態調整 。 每個智能體都要靠專門的AI模型驅動 ， 這些模型同時跑起來 ， 瞬間爆發的高并發算力需求 ， 傳統集群的固定資源分配模式完全跟不上節奏 。
所以 ， 現在AI Infra的首要任務就是打破算力瓶頸 ， 讓大模型“裝得下、跑得起” 。
攻克算力瓶頸 ， 需要釋放硬件性能 ， 這時另一個卡脖子的問題又冒了出來 ， 那就是：互聯瓶頸 。
現在企業建AI集群 ， 主要走兩條路：Scale Out（橫向擴展）與Scale Up（縱向擴展） 。 其中 ， Scale Up超節點架構憑借單節點高密度算力集成的特性 ， 支撐DeepSeek這類單體算力消耗不大的模型 ， 成為企業應用AI的熱門選擇 。 但在實際落地中 ， 用Scale Up替換Scale Out ， 解決EP并行下的AlltoAll通信問題 ， 需要構建適配數十塊芯片在Scale Up域內實現高速全互聯的網絡架構 ， 研發與之匹配的高效通信協議 ， 并且對上層模型服務進行對應的適配優化 ， 通過這樣的“技術組合拳” ， 才能充分發揮Scale Up網絡 ， 解決互聯瓶頸 ， 釋放高密度算力集群的效能 ， 支撐DeepSeek等模型在企業級AI場景中的高效部署與運行 。

無論Scale Out還是與Scale Up ， 都繞不開一個規律：Scaling law（擴展法則） ， 這就帶來第三個難題：系統的穩定性與可靠性挑戰與日俱增 。
模型性能隨參數規模增長的需求仍在主導著AI Infra的演進 ， 更直接影響著MoE（混合專家模型）等前沿架構的落地訴求 。 像DeepSeek那樣的MoE模型（混合專家模型） ， 得調動幾千上萬個專家節點一起工作 ， 再加上現在越來越多人用強化學習、搞訓推一體 ， 這些動態彈性高并發的訴求 ， 都對系統穩定性與可靠性帶來沖擊 。
穩定性與可靠性問題無法解決 ， AI服務就容易出現卡頓、延遲 。 這種情況下 ， 哪怕場景需求明確、應用價值很高 ， AI也很難真正落地 。 當下階段 ， 單純依賴硬件層面的優化已經不夠了 ， 必須讓軟件（比如推理系統）和硬件深度配合 ， 才能增強集群韌性 ， 保證系統穩定運行 。 更重要的是 ， 深入產業場景還會發現 ， 上述瓶頸并非是孤立存在的 。
AI落地 ， 難關重重 ， 企業需要在諸多彼此牽制的因素中尋找解法 ， 自然頭痛不已 。
而對于云廠商來說 ， 企業的痛點既是挑戰 ， 也是機遇 。 要贏得這個龐大且迅速增長的市場 ， 必須幫企業真問題 ， 僅靠單一技術顯然無法破局 ， 唯有對AI Infra來一場徹底的系統性創新 ， 才能在日趨激烈的競爭中撕開突破口 。

任何脫離企業實際應用需求的技術探索 ， 都難以形成穩定可信賴的服務價值 。 企業當下所需要的AI Infra ， 早已不再是簡單的算力供給 ， 還要解決網絡、穩定、模型適配等一系列復雜難題 。 唯有如此 ， 才能真正用好AI 。
沈抖就在云智大會上直言：這幾年我們一直在思考 ， AI云怎樣才能真正做到智能優先？答案是算力、模型、數據和工程能力 。 基于這一判斷 ， 百度智能云推出了全新升級的百度百舸5.0 。

當然了 ， 云廠商說得再好 ， 不如企業用戶現身說法 。 我們還是從一個個行業和企業的切實變化 ， 來看看新一代基礎設施如何精準回應產業落地AI的核心痛點 。
第一個需求 ， 就是讓AI跑起來 。
最直觀的就是具身智能機器人 。 無論是WAIC大會現場 ， 還是世界人形機器人運動會的賽場上 ， 跑動的機器人都貢獻了不少出圈的名場面 。 讓機器人跑起來得辦好兩件事：一是智商高 ， 二就是會學習 。
解決機器人的智商問題 ， 機器人的“大腦”（決策大模型）與“小腦”（運動控制小模型）得經過高效訓練 ， 這就需要龐大算力 。 百度智能云的昆侖芯超節點 ， 將64張全棧自研昆侖芯集成于單節點 ， 實現單卡性能提升95%、單實例推理能力提升8倍 ， 讓算力無憂 。

云智大會上 ， 百度百舸還正式上線了昆侖芯超節點公有云實例 ， 現在具身智能企業只需調用云實例 ， 幾分鐘就能跑萬億級開源模型 。 讓機器人的大腦（世界模型）和眼睛（視覺語言動作模型VLA）訓得快 ， 大幅縮短了機器人的落地周期 。
二是會學習 ， 機器人要到真實世界中接受地面摩擦力變化、障礙物突發等不確定性挑戰 ， 這要求機器人能適時調整動作策略 ， 應對復雜條件 ， 這就需要強化學習的試錯－反?。 嘔?， 來賦予機器人自主學習的靈魂 ， 不僅對算力要求高 ， 還需要強化學習框架 ， 來提高具身智能企業在多模態數據處理等方面的工程能力 。
百度智能云通過深度工程創新 ， 打造了適配具身智能的百舸強化學習框架 。 在訓練、推理、存儲等環節 ， 將吞吐推至極限 ， 更通過系統性協同實現全局效率最優 ， 把強化學習效率拉到了行業新高度 。
北京人形機器人創新中心等“國家隊”選擇與百度智能云合作 ， 正是因為在百舸的支撐下 ， 機器人的身心都有了堅實的承載底座 ， 加速具身智能從實驗室走向家庭、工廠 。
下一個需求 ， 就是跑得快 。
對金融、汽車、AIGC影視等行業來說 ， 模型“跑得動”只是基礎 ， “跑得快”才直接決定商業價值 。
如今許多金融機構都接入了DeepSeek等開源大模型 ， 應用在智能客服、智能投顧、文書寫作等領域 ， 但MoE模型的專家并行需要高頻通信 ， 推理時流量波動、超長文本處理需要節點協同 ， 若網絡帶寬不足、延遲過高 ， 會直接導致“算力等數據”的延遲 ， 十分影響業務人員和用戶的對話體驗 。
除此之外 ， 超大規模集群的算力堆了不少 ， 但訓練效率就是上不去的問題經常出現 。 正如前面提到的新能源車企的智駕模型訓練問題 ， 要解決網絡延遲、終端導致的訓練故障 ， 提升計算效率與資源利用率至關重要 。 讓AI跑得快 ， 就得打通算力和模型的通信卡點 。 為此 ， 百舸5.0針對性升級VPC、RDMA、XPU-Link三大網絡 ， 構建了低延遲、高可靠的通信底座 ， 讓算力跑上了高速路 。

百度百舸200Gbps的高速VPC網絡 ， 能夠支持巨型幀傳輸 ， 可以顯著提升推理階段KV Cache傳輸、訓練階段Checkpoint讀寫這些核心環節的計算效率 。 單集群十萬卡RDMA互聯網絡 ， 可以把端到端的延遲壓縮到4微秒 。 面對MoE模型海量、高頻、延遲敏感的All-to-All通信的瓶頸 ， 百度自研的XPU-Link協議把卡間帶寬提升8倍 ， 把延遲做到國內最低 ， 讓專家并行的通信更快 ， 最大程度地釋放芯片的計算性能 。
無論是垂直行業訓練專有大模型 ， 還是各行各業上線實時推理的DeepSeek ， 只有跑在高速通信的網絡上 ， 都能更快更高效 。
第三個也是企業落地AI的底線考驗：跑得穩 。
2025年產業AI的一個主要變化 ， 就是Deepseek帶火了MoE架構 ， 計算任務也從預訓練轉向了后訓練、推理環節 ， 而推理的工作負載會隨著流量規模、上下文長度的變化而變化 。 各行業使用AI的熱情高漲 ， 新場景不斷涌現 ， 進一步增加了推理的動態和復雜性 。
如沈抖所說 ， 這時候單靠堆卡是不夠的 ， 需要做系統性的優化 。 百度智能云最新推出了百舸5.0推理系統 ， 就是為此而來 ， 通過軟硬協同優化 ， 為AI業務場景提供高效支撐 。
今年上半年 ， 百度百舸上線了領先業界的PD分離能力 ， 以大規模推理的效率 ， 而如今面對大規模、復雜MoE的場景 ， 百度百舸5.0將分離做得更徹底 ， 還推出了VIT分離（視覺和語言） ， 以及Attention-MLP分離 ， 通過深度解耦這些計算模式不同的模塊 ， 讓整個系統更加高效 ， 實現了數十倍的吞吐提升 ， 從而更好地提升MoE 時代的推理性能 。

針對多智能體協作時KV Cache增多的問題 ， 百舸5.0 KV Cache系統還可以實時感知集群全局狀態 ， 從HBM靈活遷移至內存、SSD乃至遠程分布式文件系統中 ， 實現緩存智能管理 ， 讓存儲資源的彈性適配 ， 從而提升整體系統的調度效率與資源利用率 。
在律師處理法律合同、政務部門處理超長文檔等場景中 ， 百舸5.0的自適應能力 ， 能夠根據輸入文本長度動態調整張量、序列和專家并行策略 ， 讓MoE模型推理效率顯著提升 。 128K超長文本3秒內出首字 ， 能減少等待時間 ， 顯著提升用戶的使用感受 。 在相同成本下 ， 能處理更多請求 ， 模型能完成的任務量更多了 。
還有像3D建模平臺VAST這樣的企業 ， 如果平臺的百萬設計師同時在線調用模型 ， 那么百舸5.0的智能調度 ， 通過數據并行、專家并行雙重負載均衡 ， 優化推理效率 ， 即使是大規模高并發的實時訪問場景 ， 也能為設計師們源源不斷的創作靈感保駕護航 。
可以發現 ， 百舸5.0的四大升級并非孤立技術 ， 而是圍繞“企業如何用好AI”來構建系統性解決方案 。
這也印證了產業實踐中 ， 算力瓶頸、網絡瓶頸與穩定性與可靠性挑戰三大關卡彼此制約的復雜難題 ， 必須靠組合拳才能擊穿 。 舉個例子 ， 業內也有云廠商推出了吸引眼球的技術 ， 如高密度超節點 ， 但并沒有搭好云實例 ， 企業看得到但用不上 ， 最后還是卡在上不了手的死胡同 。
讓企業真正靠AI Infra把AI用起來 ， 百舸5.0的系統性方案 ， 正是百度智能云轟向AI落地關卡的一組組合拳 。

一位油氣領域專家曾向我們感慨：智能化一旦啟動 ， 就不會停止 。 這是行業一線從業者的真實體感 ， 而綜合數據也印證了這一點 。
IDC發布的 《2025年第一季度全球服務器市場跟蹤報告》顯示 ， 2025 年第一季度服務器銷量大幅上漲 ， 其中GPU需求成為推動增長的核心因素 。 隨著AI大模型的廣泛應用 ， 企業對GPU加速服務器與云端算力的依賴顯著加強 ， 原本依賴本地數據中心的組織 ， 正在將AI相關工作負載逐步遷移至云端；而已經部署云架構的企業 ， 也在持續將AI能力嵌入業務流程與數據系統 ， 帶動對GPU與云基礎設施的長期需求 。
對各行各業來說 ， 智能化是一場漫長的長跑 ， 那么 ，AI云市場 ， 誰能陪企業跑得更遠、更久？
一份報告揭開了行業秘密：8月18日IDC發布的IDC報告顯示 ， 2024年中國AI公有云服務市場規模達195.9億元 ， 百度智能云以24.6%的市場份額穩居第一 ， 連續六年、累計十次蟬聯中國AI公有云市場冠軍 。

百度智能云能成為65%央企的AI創新合作伙伴 ， 背后的秘密或許就藏在累計十次、六連冠的長期主義中 。 毫無疑問 ， 百度智能云是一個深耕AI云賽道的耐力型選手 ， 技術能力和產業耐力都得到了時間的檢驗 。 這意味著 ， 在政企落地AI的智能化長跑中 ， 選擇百度智能云一同陪跑 ， 會得到以下助力：
一是多年沉淀的產業級技術護城河 。 從云智大會披露的進展來看 ， 昆侖芯超節點云實例、百舸訓推升級、強化學習框架等產品、新技術 ， 不只是為了炫技 ， 更緊貼產業需求 。 這種技術競爭力 ， 來自百度智能云多年來押注產業智能化的積累 。 早在2015年百度正式對外提供云服務時 ， 便強調云的智能屬性 。 2019年 ， 百度智能云將“云+AI”確立為核心戰略 ， 提出“云智一體、深入產業” ， 進一步明確了AI云的發展方向 。
能深度理解AI業務 ， 并具備持續迭代的技術韌性 ， 這在公有云市場當中是一種十分稀缺的能力 ， 也為產業客戶帶來了長期信心 。
特別是對于大型政企來說 ， 業務關系國計民生 ， 在布局AI時 ， 每一次選擇都關乎產業升級的方向與節奏 。 中國郵政儲蓄銀行依托百舸完成GPU/CPU算力重組 ， 提升混合芯片集群利用率；長安汽車也牽手百度智能云建設AI基礎設施 ， 進一步加速智能駕駛模型迭代 。 這些企業本質是選擇一個戰略伙伴 ， 作為智能化路上的定心丸和壓艙石 ， 支撐自身轉型的全周期需求 。

二是300+行業場景驗證的AI落地方法論 。 產業AI的本質是“產業為先” ， 技術落地必須貼合業務場景的節奏 ， 無法一蹴而就 。 百度智能云在服務政企的過程中 ， 積累了覆蓋金融（招行）、能源（中石化）、汽車（長安汽車）、AIGC（生數科技）、具身智能（人形機器人創新中心）的300+場景經驗 ， 既能為行業龍頭提供超大規模算力調度 ， 也能為創業公司提供精準場景突破 ， 與各個產品同頻共進 ， 精準賦能 ， 才能讓技術真正成為智能升級的助推器 。
智能化征程中 ， 每一個人與企業都是跑者 。 而AI Infra作為底層根基 ， 牽一發而動全身 ， 一旦在企業中扎下根來 ， 就很難被輕易替代 。 正因如此 ， 當下的AI云市場不是溫和競逐 ， 而是搶算力、拼方案的白熱化廝殺 ， 本質是跟時間賽跑 ， 搶奪企業AI陪跑者的身位 。
誰能搶先接住企業落地AI的真需求 ， 相當于拿下了未來的市場 。 百度智能云累計十次、連續六年蟬聯中國AI公有云冠軍 ， 就是佐證 。 把技術突破轉化成貼合用戶的智能化陪跑能力 ， 不僅搶到了與65%央企共同探索AI創新的入場券 ， 更是為自己筑起了別人難以快速趕上的領先優勢 。
目前AI技術仍在快速迭代 ， Infra層面仍存挑戰 ， 這也提醒我們 ， 唯有以技術破局、為產業筑牢底座 ， 云廠商才能贏下這場AI決戰 。
【AI云玩家洗牌時刻，百度智能云憑什么六連冠？】

    推薦閱讀