AI 自进化（RSI），自年初以来按下了加速键。
从编写代码到设计实验、运行测试，AI 逐步进入 AI 研发的核心流程。当 AI 利用研发成果反过来改进下一代 AI，一条自我加速的技术演进路径便开始显现。这正是 RSI 概念受到关注且热度持续飙升的原因。
11 月 10 日，AI Futures Project 团队基于 Anthropic 公布的研发自动化等级变化进行趋势外推，给出了一个相当激进的判断：超级人类 AI 研究员（Superhuman AI Researcher，SAR）可能在 2027 年底出现。
不过，AI 研发中的自动化进展并不意味着这套机制能够直接复制到现实世界。谷歌 DeepMind 联合创始人兼主席哈萨比斯在一次采访中提醒到，相较于游戏、实验室等规则相对清晰的环境，现实世界复杂得多。AI 的每一次行动都可能带来意料之外的结果，验证和控制难度也随之增加。
真实世界的复杂性最终会反映到企业的组织方式上。AI 进入企业核心业务后，影响的不再只是某项任务能否更快完成，还可能改变整条业务链的运行方式。
11 月 12 日，在百度世界 2026 上，百度创始人李彦宏将这一变化放到了更大的产业视角中。他判断，AI 的下一幕是「智能组织」，并指出 AI 不只是一场技术革命，更是一场组织革命。AI 带来的变化，从单个岗位的效率提升延伸到企业的任务分工、知识沉淀和组织协作。
李彦宏
围绕 AI 自进化的规模化落地，百度有了新动作。百度智能云旗下自我演化超级智能体伐谋 3.0 正式亮相，进一步打通企业内部业务数据，让 AI 进入生产、研发和经营系统，在产业一线接受考验。
这场 RSI 探索没有止步于企业生产。在百度智能云联合科研机构和产业伙伴举办的「AI+ 自进化」专场，来自材料、芯片、核聚变、量子计算、服装制造等领域的嘉宾齐聚现场，分享了 AI 参与科研、工程设计和产业优化的实践。
从企业生产到科学发现，AI 自进化进入到了越来越多过去依赖专业人才和长期经验的环节。接下来的关键，是让实验和工程验证跟上方案生成的速度，缩短从研究设想到成果落地的距离。
从自动寻优到持续学习，AI 自进化走出实验室
Benchmark 几乎成了这几年衡量 AI 能力的一把尺子。新模型发布，大家首先关注的往往是榜单排名。统一的题目、明确的规则和相对稳定的评分标准，让研究人员能够快速判断模型有没有进步。
但在百度伐谋产品总经理李安南看来，AI 自进化面临一个更大的问题：AI 能不能持续解决真实世界中的问题？他将自己对 RSI 的理解拆分为三个阶段：
第一阶段是 Auto Research，即自动化研究与持续寻优。给定一个相对明确的目标，AI 通过不断尝试、评估和调整，找到更好的解决方案。目前行业中大部分自进化实践还处于这一阶段，百度伐谋此前落地的许多案例也属于这一范畴。
第二阶段是持续学习。进入真实世界，情况变得复杂得多。很多问题的目标和约束本身就在变化，实验环境中的好结果也未必能在现实中重现。AI 需要根据真实实验和生产数据不断修正判断，适应变化中的环境。
第三阶段才是最接近人们想象中的完全自主自进化。AI 改进自身，并将这些改进转化为更通用的能力，推动后续研发持续进步。这是一个更长远的方向，目前行业中的多数成果尚未达到这一阶段。
三个阶段伴随着人机分工的改变。李安南用纺织业的技术演进作了一个类比。珍妮纺纱机提高了一个人的产能，但人仍然需要操作机器；直到阿克莱特水力纺纱机出现，机器承担了更多连续生产工作，人逐渐转向工艺设计、质量验收和异常处理。
今天的 AI 也在经历类似的变化。人从每一步具体操作中抽身出来，更多负责设定目标、制定标准和监督结果。在「AI + 自进化」专场上，我们看到了这一变化在真实环境中的不同尝试。
以新材料研发为例。研发人员想做出一种性能更好的材料，需要反复调整原料配比、制备工艺，再通过实验检验结果。即使有了初步方案，进一步提高性能、降低成本，仍然高度依赖老师傅的经验。
新研智材联合创始人兼 CTO 南凯介绍，团队正在尝试让 AI 贯穿材料研发的多个环节。以导热凝胶的配方筛选为例，热导率、黏度、CTE与模量等指标相互牵制。泛半导体材料专家智能体SynMat Research 3.0 会先拆解研发目标，预测不同的材料配比方案，再逐步筛选候选配方。进入实验阶段后，系统还会分析实验结果，给出下一轮优化建议。
对于研发路径尚不明确的新材料，团队还构建了 MARS 平台，让 AI 自主寻找值得研究的材料方向，用「设计—执行—验证」闭环淘汰错误方向，提出候选方案、设计实验，并根据实验反馈继续探索。新研智材也与百度伐谋展开合作，将 MARS 平台中针对特定模型和参数的优化任务交给伐谋处理，MARS相关突破性成果正形成两篇高水平学术论文在投递中。
另外，新研智材在大会上首次展示了基于世界模型架构的下一代材料基础模型 SCALE 1.0 预告，将材料结构与温度、密度乃至人为操作等真实环境变量统一建模，实现与湿实验结果的一一对应，据悉完整的技术博客文章将于近期发布。
核聚变则把 AI 自进化带到了更复杂的物理环境中。
星能玄光 CAIO 王舸介绍，聚变装置的实验可能只需几分钟，但完整的装置级物理仿真却可能需要十几天。研发人员既要计算等离子体的状态，又要根据诊断设备采集到的数据反推内部温度、密度等参数，仿真和真实实验之间始终存在差距。
为此，团队一方面引入 AI 代理模型，将部分平衡计算压缩到毫秒级，较传统物理模拟快 100 倍以上；另一方面建设数字孪生系统，把装置数据、物理模拟和实时诊断数据放在同一环境中。实测数据可以反过来校准物理模型，为下一轮计算和实验提供依据。
一个值得关注的变化是，AI 生成方案的速度正在提高，研发的瓶颈也向实验验证、工程实现和真实数据反馈等环节延伸。谁能把这些环节真正连接起来，谁就有机会让 AI 从一次性的自动寻优走向更长周期的持续学习。
伐谋 3.0，把自进化闭环接进业务系统
从实验室走向产业，AI 还得先过企业内部这一关。
企业数据往往散落在生产、研发和经营系统里，各部门也有各自的业务规则和经验。即使知道哪里出了问题，想把这些信息汇总起来，让 AI 算出一套可行方案并不容易。百度伐谋 3.0 要做的，就是梳理、打通这些分散的信息和业务规则。
从业务问题梳理到方案落地，伐谋 3.0 的运行过程可以拆解为以下几个关键环节
在交给 AI 寻找解法之前，先摸清楚业务问题。 FDE（前沿部署工程师）深入客户现场，与业务专家梳理生产流程、数据和约束条件，把分散的业务经验转化为算法能够处理的问题。
问题明确后，围绕既定目标尝试不同的算法和策略，生成候选方案，通过多轮搜索和比较，逐步寻找更优结果。
紧接着，候选方案进入独立验证环境，按照预设规则接受检验。最后，方案进入生产环节，新的业务数据又会带来下一轮优化。
伐谋 3.0 的 AI 多轮寻优正在进入更专业的工程领域，芯片设计就是其中之一。立芯科技董事长兼首席科学家陈建利分享了一个相关实践。
芯片设计中的布局布线需要为大量晶体管寻找合适的位置和连接方式。一个芯片可能涉及上百个优化目标，面积、性能、时序等指标相互牵制，参数组合又非常庞大。工程师需要反复运行 EDA 工具，才能找到相对合适的方案。
立芯科技联合百度伐谋，将优化切入点放在了芯片设计中的时钟树综合环节。然后借助 EDA 工具、实际设计场景和评估标准，不断搜索更优的参数组合与优化策略。
在两个测试案例中，原本需要 29 次和 36 次的优化迭代分别减少到 11 次和 20 次。无效探索也随之减少，工程师反复调参的工作量大大降低。
芯片设计考验专业技术与复杂计算，而服装制造面对的则是另一种难题：如何让 AI 进入传统企业的生产流程。
深服科技 CEO 吴偲偲分享了 AI 制版产品「画衣衣」的实践。服装制版是一项高度依赖经验的工作。老师傅的版型可能保存在 CAD 文件、U 盘里，甚至只存在自己的经验中。与此同时，工业制版要求毫米级精度，生成一张好看的服装图片，并不意味着就能直接用于生产。
深服科技推出的 AI 制版产品「画衣衣」，尝试将老师傅积累的制版经验转化为数字化能力。过去一位老师傅一天只能打两个版，如今一个版的制作时间可以缩短到约 10 分钟，输出仍是通用 CAD 格式。
技术能力提升只是第一步。深服科技与百度伐谋合作，通过 FDE 深入不同服装企业，针对外贸、电商、品牌等不同业务场景，推动 AI 制版落地。
吴偲偲还将双方合作的目标指向更远的 C2M。随着 AI 制版逐步进入实际生产，消费者需求、设计方案和生产反馈有望形成更紧密的连接，使得 AI 在不断积累的行业数据和实践经验中持续改进。
这些案例看下来，一个共同趋势呼之欲出：AI 开始进入原本由专业人员主导的业务流程，接手其中可以被计算、验证和反复优化的工作。这正是伐谋 3.0 与早期自动寻优工具的一个重要区别。
不过，AI 一旦进入真实生产环境，除了追求优化效果，还必须保证整个过程安全、稳定、可控。
伐谋 3.0 保留了人工审核、算法版本备份和回退机制。AI 可以自主探索和生成方案，但是否上线最终由人拍板决定。对于经过验证的优化成果，系统也会区分客户专属业务策略与可以沉淀为通用能力的方法。
进一步的现实挑战是如何降低长期服务成本。如果每个客户都需要 FDE 工程师长期驻场，规模化推广会受到限制。未来伐谋团队希望逐步提高 Agent 自主运行的比例，让人更多负责管理和监督。
智能组织需要智能的云
过去一家企业想要把一件事做得更好，要依靠熟悉业务的人反复摸索。有价值的经验藏在不同人的脑子里，一个人摸索出来的方法也很难立刻变成整个团队都能使用的能力。人员一换、业务一变，过去积累的经验又可能不合时宜了。
百度创始人李彦宏提出「智能组织」，希望改变的正是这种状况。他进一步总结组织进化的三大原则：打破岗位边界，让组织围绕任务重新协作；沉淀隐性知识，将专家经验转化为组织可以调用的能力；设计流程闭环，让业务结果推动持续改进。
在智能组织里，智能体承担任务中的不同环节。企业将员工和专家积累的经验沉淀为组织知识，供后续任务调用。原本掌握在个人手中的工作方法，由此转化为可复用的组织能力。
从更长远的视角看，智能体规模化进入企业也在推动云计算重新定义自己的角色。对云厂商来说，算力规模依然重要，但能否让智能体安全、稳定地进入企业核心业务，将成为下一阶段竞争的重要分水岭。
传统云服务主要围绕企业 IT 系统组织计算、存储和网络资源。智能体进入业务之后，云面对的事情更加具体：一项采购任务、一轮生产优化、一次经营决策，都可能需要模型、数据、工具和多个智能体共同完成。
百度集团执行副总裁、百度智能云事业群总裁沈抖将这一变化概括为：智能云的服务对象正从「IT 系统」走向「具体任务」
沈抖
围绕新的智能组织，百度智能云全面升级新全栈 AI 云，具体分为了两大部分：Agent Infra 和 AI Infra。
百度千帆 Agent Infra支持百万量级沙箱并发。百度搭子作为统一入口，连接通用、专业和定制智能体。企业既可以调用伐谋、一见、一镜等专业智能体，也可以基于搭子平台开发自己的智能体。百度百舸 AI Infra可以在分钟级拉起 200 万个沙箱，端到端强化学习吞吐达到每秒 5.2 万个 Tokens，训推差异控制在万分之一。二者各司其职：前者让智能体接活、协作，后者为模型训练和推理提供支撑。
在沈抖看来，李彦宏提出的三个组织进化原则也对应智能云服务的三个新标准：围绕具体任务整合算力、模型、数据和安全能力；帮助企业保存和管理组织上下文，让个人经验沉淀为组织能力；通过长期服务，支持企业持续推进业务流程闭环。
回看过去几次技术变革，电力让工厂摆脱了对蒸汽动力的依赖，计算机和互联网改变了企业处理信息、组织协作的方式。每一次生产方式变化背后都有一套随之演进的基础设施。现在，「智能组织，需要智能的云。」
参考链接：
https://blog.aifutures.org/p/q35-timelines-update-looks-like-the
https://www.axios.com/2026/01/27/models-improve-ai
