千帆800天：中国产业AI的「工程化创新」破局

产业互联网第一媒体。产业家

关于百度，关于百度智能云，伴随着 AI 大模型浪潮的带来，外界一直以来的印象是 "AI 第一枪 "、" 先行者 "、" 领跑人 " 等等标签，但在这些 " 速度 " 的定语底层，这家在每个时代都保持进化的互联网巨头还有另外一些表达，如扎实务实，如体系创新。

这些新的体系表达里对应的是把技术转化为生产力的工程 AI 能力，对应的是在每个千帆平台细小产品模块上的对产业 know-how 表达的精益求精，也更是从需求到产品再到需求的系统进化飞轮。

作者 | 皮爷

出品 | 产业家

"我们这些产品不是凭空捏造来的，而是根据企业真正的需求一个个打造出来的，包括我们千帆模型开发平台、应用开发平台以及数据智能平台。"林小琳告诉产业家。

作为百度智能云平台产品事业部增长运营负责人，她所说的是百度智能云千帆大模型平台的三个核心产品。

对于千帆大模型平台，外界并不陌生。从某种程度来看，这是继 2023 年百度面向 AI 发布文心大模型后，打响的 " 第二枪 "，而就全球范围来看，这甚至是真正将 "AI 落地流程 " 进行产品化呈现的 AI 工具层 " 第一枪 "。

而林小琳所说的恰是这个工具层的内部产品运营逻辑。" 这些都是为了保障真正的落地，很多产品的具体功能都是我们和落地 AI 的企业深度共建的，也是真实‘趟’出来的。"

实际上，从更广的视角来看，"AI 落地 " ——这个百度智能云千帆核心 "KPI"，如今也逐步成为一众中国企业提升生产力的首要指标。

但这并不是一件容易的事。根据不完全统计，在如今全部启动的 AI 项目中，有接近 30%-80% 的项目陷入困境，比如根据 RAND 智库统计，有 80% 的 AI 项目失败，失败率是传统 IT 项目的两倍，再比如根据 2025 年 Gartner 报告显示，有 30% 的生成式 AI 项目因成本高昂、数据质量差和商业价值不明确被搁置。

AI作为注定引领生产力革命的技术手段，其正确的打开方式和落地 SOP 应该是怎样的？以及即使对 2025 年的如今而言，这些工程化的 " 基座 " 是否已经准备好了？这些问题，在数据体系构建不完整的中国土壤上也更被无限放大。

这些问题，也是过去 2 年多时间千帆平台的进化主线——从技术到产品，从基座模型到行业模型，从数据体系到 Agent。这些被拆解的工程化模块在帮助一个个企业完成 AI 大模型落地的同时，也更构建着千帆平台的最新进化。

关于创新，谷歌联合创始人拉里 · 佩奇曾有这样一个说法，" 创新的本质不是创造新奇，而是让复杂的技术变得简单可用。"

800 天，千帆正在交出一份属于产业 AI 的创新答卷。

一

中国产业 AI 落地，走到哪了？

首先，一个毋庸置疑的信号是：在中国产业土壤里，尝试 AI 企业的企业在明显增多。

根据一份 2023 年的相关《白皮书》统计，在当时进行的一份市场调查问卷中，积极落地 AI 的企业仅仅占到 53.7%；而在 2025 年，根据贝壳财经的调查数据显示，这个口径对应的数据则是增长到了 91%。

但与这个 " 热情 " 形成鲜明对比的还有另外一组数据，即居高不下的 AI 落地失败率，即在 2023 年 Gartner 的报告统计口径中，AI 项目的失败率高达 63%，而根据 2025 年这一权威报告机构的最新报告统计口径，也更是有超过 80% 的 AI 项目未达预期。

AI 落地，到底难在哪？

在回答这个问题之前，可以先来看当下 AI 落地的整个链路，总体来说分为三步，即" 选择基座模型—精调企业模型— Agent 相关产品开发 "。

在这三个大的节点中又分为一些小的节点，比如在这个链条之前，企业需要选择 API 公有云接入还是本地私有化部署，在 " 选择基座模型 " 环节，是选择直接部署基座模型还是选择在某个基座模型的基础上蒸馏小模型，以更具性价比的方式进行部署。

比如在 " 精调企业模型 " 环节，企业需要优先构建好自身的企业数据和对应的行业数据集，基于此进行模型的精调；再比如 Agent 开发环节，企业需要明确定位好自身需要使用 AI 的场景，以选择将 AI 能力嵌入原来的软件，还是单独打造 Agent 产品等等。

如果想要做好 AI 落地，对企业而言，这些节点都必须完成。但从现实的情况来看，这些节点也可能是一个个 " 难点 "。

从最底层的模型部署来看，许多企业对调用模型 API 接口比较熟悉，但由于自身业务性质特殊，部分企业需要本地化部署模型。然而，本地部署后的模型运维（如蒸馏、精调等）与公有云版本存在差异，这就要求企业具备相应的部署和运维经验。

首先，在模型蒸馏方面，2024 年年中之前，相关技术尚未完全成熟，企业很难基于基座模型高效地蒸馏出小参数模型。这不仅导致部署成本较高，模型效果也受到明显限制。

其次，在模型精调环节，由于国内大部分企业仍处于数字化建设的早期阶段，数据体系尚未完善，知识库等基础设施也相对薄弱。因此，企业往往缺乏足够的数据支撑，难以通过精调让模型适配自身的工作场景和业务流程。

最后，在 Agent 部署阶段，场景匹配成为关键挑战。目前业内的共识是 "AI 落地，场景为王 "。企业在构建 Agent 之前，需要先梳理自身业务，明确哪些内部流程或行业特性最适合优先引入 AI 技术，以确保实际应用效果。

但对大部分中小企业，乃至大型企业而言，这种 " 诊断 " 体系并不存在，一方面大部分企业对于 AI 能发挥的价值点到底在哪并不清晰，另一方面对不同产业、不同内部流程的企业而言，这更是一个极具 " 行业 know-how" 的推进动作，需要结合 "AI+ 产业 " 的属性进行定位。

除了这些显而易见的挑战之外，AI 落地还面临着诸多隐性难题。比如居高不下的算力成本，从模型层到数据层再到应用层的一站式需求缺口，以及持续性的模型优化和智能体升级等需求。这些 " 看得见 " 和 " 看不见 " 的挑战共同构成了 AI 技术落地的完整难题图谱。

从当前市场服务商的布局来看，针对 AI 落地过程中的单个技术瓶颈，其实并不缺乏解决方案。例如在数据体系建设方面，已有众多服务商提供从数据标注到治理的全流程服务；在 Agent 开发环节，也不乏宣称能够构建通用型或行业专属 Agent 应用的软件供应商。

但实际情况是，这种碎片化的单点服务模式，反而可能给企业带来更多实施障碍。由于各服务模块之间缺乏有效衔接，导致模型与数据、数据与 Agent 等关键环节难以协同，最终形成新的 " 技术孤岛 "，加重了企业的落地负担。

那么，真正有效的解决方案应该是什么？或者说，一个既深谙行业 know-how，又具备前沿 AI 技术实力的工程化平台，究竟需要具备哪些关键特质？

二

" 从需求出发到产品，到组织 "

" 千帆三个产品分别对应着企业不同层面的需求。" 林小琳告诉产业家，" 每一个产品都是从‘需求’倒推出来的。"

这是百度智能云交出的一张答卷。即从产品构成来看，在如今千帆大模型平台上，三个核心的产品线为模型开发平台、应用开发平台、数据智能平台（此次百度 Create 大会发布），从具体功能来看分别对应的是企业落地的三个核心节点，即模型部署、数据治理、应用部署。

林小琳告诉我们，这三个产品对应的恰是企业真正 AI 落地过程中需要的三个核心能力。

比如模型开发平台，现在已经提供了 100 多个模型，既包括刚刚在 Create 大会上 Robin 发布的文心 4.5 Turbo 等一系列百度自研模型，也包括像 DeepSeek、Llama、通义、Vidu 等等第三方模型，客户真正用得上、效果好的模型在千帆上都能找到，而且服务稳定、可靠，并且通过提供完整的工具链来帮助大家开发模型，为企业定制专精模型等。

再比如在应用开发平台，企业可以基于零代码 / 高代码的方式，快速生成自身的 Agent 应用，并且完成一键部署，以及基于最新发布的数据智能平台，通过多模态数据管理、多模态数据处理、弹性 AI 计算、统一在线协同开发四项核心能力，将企业把原本散落在各处的数据统一管理和治理，发掘数据的价值，实现数据变现并提升业务的决策效率。

在显性的这些能力模块之外，千帆的更大价值点还更在隐藏的 " 产业属性 "。"我们从最开始就一直和行业里的客户共创行业解决方案，包括在不同产业、不同场景内该用怎样的方式进行落地，以及如何精准落地发挥价值。" 林小琳表示。

以考试宝为例，在百度智能云千帆的加持下，这家拥有 6000 万用户的成人教育平台如今已经可以做到千人千面的教学辅助。根据考试宝 CTO 介绍，原来人工制作解析一道题成本平均 1.5 元，现在基于 AI 成本降低至 3 厘，整个内容生产效率较传统人力模式提升了超 1000 倍。更结果侧的一个数据是，在接入 AI 能力后，其产品营收迎来了大幅增长，产品付费率增长超过百分之百，营收增长更是超过 240%。

这其中涉及到的不单纯是模型侧的调用，更包括一系列小参数模型生成、模型调优等等一系列工程落地服务。

实际上，不仅考试宝，也不仅教育，在金融、能源、汽车等多个最新尝试 AI 落地的行业，都能频繁看到千帆的身影。数据显示，百度智能云是目前国内大模型项目中标最多的企业之一。

根据三方统计，2024 年全年大模型中标项目共 910 个，在中标项目数、行业覆盖数、央国企中标项目数这三个维度里百度智能云均为第一，此外，从行业来看，在能源、政务、金融这三个行业，百度智能云中标项目数也更是位于所有厂商第一。

这些广泛的落地也恰构成着百度智能云对于大模型落地的深入理解，而这些理解的最直接能力转化点正是千帆上的一系列模块，比如模型蒸馏 / 精调、RAG 能力、推理加速、Agent 部署等等。

而这些真正的工程化模块能力也恰构成了千帆在模型工具层的真实成绩——截至 2025 年 3 月，百度智能云千帆企业客户数量 40 万 +，百度智能云千帆企业应用开发数量 100 万 +，百度智能云千帆组件数量 1000+。

从某种程度来看，这恰是一个先进 AI 服务和先进 AI 生产力的良性飞轮。即基于真实 AI 需求出发的产品构成和产品进化逻辑推动了千帆在 AI 工程落地能力上的持续成型，而这种工程能力的成型也反向构成着百度智能云在越来越多市场项目中的被选择和被投票，进而再反向推动千帆内不同产品模块的升级。

" 我们其实不怎么谈虚的事情，核心诉求就是帮助企业在 TO B 侧用好大模型，真正能做到 AI 落地，和生态伙伴一起做好行业解决方案。" 林小琳说道。

她还告诉我们，" 百度智能云千帆始终秉持开放共赢的理念，我们深知在丰富的产业场景中需要与生态伙伴深度协同，打造更贴合行业需求的方案与服务，共同推进 AI 技术在产业端的创新落地 "。

三

产业 AI 爆发潮里，

我们需要怎样的基建角色？

在大模型发展 3 年时间的如今，一个必须思考的问题是，我们到底需要怎样的产业 AI 平台？或者说，在中国这个特殊的产业土壤上，到底怎样的产业 AI 平台可以成为真正的基建者和助力者？

客观来看，百度智能云千帆正在提供一个答案。

即在这个如今仍然在加速迭代的答案里，能看到的是从真实产业需求到产品满足的良性倒推，是对真实先进的 AI 技术的产业工程化拆解，是和一个个真实的大型企业不断共建、共创的行业 AI 方案，也更是集合优质 AI 生态伙伴的共同发力，这些都在构成着千帆平台上一个个具备真实 AI 落地能力加持的组件和解决方案。

如今，这个具备良性循环的 AI 工程平台如今还在持续迭代。除了前文提到的在本次 Create 大会上发布的数据智能平台之外，固有的模型开发平台和应用开发平台也被再次升级。

前者模型开发平台更加多维开放，支持上百个模型服务；此外，新增多模态、深度思考模型工具链，并且成为国内首个把 RFT、GRPO 等领先强化学习方法产品化的平台；" 一键蒸馏 " 功能，让企业客户更方便地用小参数模型 " 学 " 到大参数模型，解决特定问题的推理能力，降低大模型的使用成本。

后者应用开发平台则在 Agent 智能体侧有更为亮眼的升级，比如在原来的 Agent 全流程服务之上，其逻辑推理、多模态、工具调用和多智能体协同能力再次升级，比如 RAG 能力升级为 Agentic RAG，再比如在工具调用和多智能体协作上，其提供超过 100 个官方精品组件和 1000+MCP 组件，让 Agent 可以像团队一样配合完成复杂任务。

此外，在最前沿的 MCP 协议侧，千帆还在国内率先实现了 MCP 协议的全生态兼容，发布 MCP 组件广场，企业可以基于自己的需求自行调用 MCP 组件，以更成熟的组件搭建自身的 Agent 产品。

这些升级共同传递出来的一个信号是，千帆正在加速把过去几年百度智能云的产业实践和技术积淀转化为更可视、可用、可组合的模型、Agent 等分子化能力，搭建出一个能让企业更好落地 AI 大模型、打造自身 AI 体系的土壤环境。

这一切也恰构成了百度集团执行副总裁、百度智能云事业群总裁沈抖在这次大会上所说的那句话——系统的价值，不仅是解决某一个问题，而是让企业拥有创造 " 创造的能力 "。

奔跑 800 多天的千帆，恰在成为这句话的最佳侧写。

最新视频号内容推荐

产业 AI 大模型

产业数字化

数字化大势下，科创板 IPO 的 " 紧箍咒 "》

透视京东，和隐藏起来的 200 个上升密码》

云上管车背后：透视数字化时代的企业内功》

透视云测试：技术、产业、降本增效下的数字化之战》

产业 SaaS