最近跑论坛，发现了一件有趣的事儿。
9月16日，智能经济论坛上，百度高管沈抖说了一句话：如果和电力时代对比，今天的AI“可能只是灯泡发明后的第一个月而已”。
6天后，杭州云栖大会上，阿里巴巴高管吴泳铭也讲到了灯泡。他讲的是1882年爱迪生建成的珍珠街电站，那座电站点亮了附近街区大约400盏电灯。他还提到一个有意思的细节：爱迪生当年卖灯泡送电，“就像今天Agent送Token一样”。
一周之内，中国AI云双雄，都把爱迪生“请”上了台。当然，比喻撞在一起，本身并不稀奇。电力革命确实是对比AI最顺手的例子。有趣的是，他们关注的都是“AI落地企业”这同一个话题，却又有各自不同的视角。
沈抖的发言，回应了企业要怎样把模型能力变成经营成果；吴泳铭的讲述，则回应了AI供给扩张到什么程度。
这两个问题互为补充，可以算是同一盏灯下的不同眺望。
同一个时刻：灯亮了
两场演讲对“AI现在有多早”的判断几乎一样。
沈抖算了经济账：去年全球AI资本开支约5000亿美元，约占全球GDP的0.4%；与之相比，电力系统投资加电力消费接近全球GDP的5%。按照电力基础设施的尺度，AI基础设施的建设才刚刚起步。
吴泳铭给了“思考”的刻度：今天机器思考的总量大约不到人类的3%。如果未来机器思考总量达到人类的1000倍，机器智能仍有很大的增长空间。
两个人用的尺子不同，但结论一样：这场变革还在最开始。AI不只是模型技术的迭代，也意味着长期、大规模的基础设施建设。
这种判断，也体现在他们谈论的“单位”上。百度预计，到2030年将有30亿个产业智能体持续运行，带来超过100吉瓦级的推理需求；阿里则提出，到2032年运营的全球数据中心规模超过20GW。
我觉得这个细节比比喻本身更能说明问题。当数据中心和智能体开始用吉瓦来描述，AI的想象空间已经从一项软件能力，延伸到能源、机房、芯片、网络和云服务构成的庞大系统。这和黄仁勋提到的Token经济也是一致的。
于是，百度和阿里也达成了另一个共识：把全栈能力作为战略核心。而且，都把“发电机”握在自己手里。
百度布局了“芯、云、模、体”。2020年率先提出“云智一体”；也持续十余年坚持自研芯片，昆仑芯第三代P800已经在互联网、金融、能源多个等领域部署了成熟集群。天池超节点也实现了全栈国产化，并开放了六个核心模块的技术规范。前几天百度也把“百度最高奖”给予了天池团队。
吴泳铭则把机器智能时代的三大基石概括为模型、芯片和云。阿里自研的平头哥，也覆盖了GPU、CPU、智能网卡和互联芯片。大会上发布的V900，也再次提高了性能。
全栈布局，在全球都是稀缺能力。这两场演讲，也可以看成中国AI云主流叙事里的一次隔空对话。
他们首先体现的是共识，也就是AI产业化需要新一轮基础设施建设，云厂商要同时处理算力、模型和应用的问题。接着，也有了差异：需求如何出现？
电网，还是工厂？
沈抖则把目光对准了工厂。他提到“灯亮了，所有人都看到了变化，但是电力带来社会经济分工的调整还没有出现。”
他认为全球模型能力一直在涨，而GDP却没有明显变化，问题不一定是AI能力不够，也可能是企业的经营流程尚未改变。
这让我想起经济史上关于电气化和生产率的关系的研讨：电动机普及初期，很多工厂只是用电动机替换蒸汽机，但是，厂房布局和生产流程却基本没变，生产率也就没有明显提升。直到工厂围绕电动机重新设计生产线，生产率才明显上升。
沈抖说：“模型能力一直在涨，GDP却没有明显的变化。”在我看来，这就是那个现象在今天的翻版，也正好回答了我开头的问题。电已经有了，工厂还没有改造。
这也解释了沈抖为何把重点放在产业智能体上以及其背后的操作系统。因为必须围绕AI改造企业。产业智能体，就是要把企业带进“任务自主化”阶段。
他也提出，这一次“不会把旧系统全部抛掉”，而是把ERP、CRM、财务和供应链系统组织起来。换成电力史的说法就是，不用拆掉工厂，重新布置生产线就可以了。 这条路看的是“经营成果”，押注的是确定性。
吴泳铭讲电力，重点落在“新产品还没有出现”。
也就是电最早替代蜡烛和煤油灯，但它后来带来的变化远不止照明。空调、计算机等产品，都不是电灯的简单升级，而是新产品。所以，他认为机器智能不是“人造脑力”，而是一种完全不同的物种。机器智能时代真正的代表性产品仍未出现。
从这个判断出发，结论也就很自然：不管以后出现什么新发明，第一步都是建足够多的发电站、铺足够广的电网。
我认为两种判断都成立，差异在于飞轮从哪里启动。
百度设计的飞轮，更多从需求端转起：智能体进入业务、产生真实数据，推动模型迭代，再带动云和芯片投入，成本降低后又释放新的需求。也就是“芯、云、模、体”的产业大循环。
阿里提出的飞轮更多从供给端转起：更强的模型、更充足的算力、更低的Token成本，为还没出现的新物种准备电网。
每种解题思路，都是从自身资源禀赋出发。云厂商带来不同的解法，也为企业们带来更多选择。是件好事儿。
顺着推演，就要探讨一个更关键的话题：两种判断落到企业身上，分别会是什么样子？
Token就如电力，如何进厂工作？
吴泳铭的电力比喻，讲到了“插座”：未来，设备接入云，就能随时使用机器智能。芯片生产Token，云把Token送到需要它的地方。
沈抖则重点关注Token如何变成智能体，智能体又如何进入企业工作。
他拿到了一份统计，一家企业的任务中，20%是日常运营类，像收材料，做分析，组织会议、撰写会议纪要等等。这类工作为了把整个运营串起来，或者为后续专业任务提供支撑；然后，专业类任务占30%；剩余的50%，是真正决定企业经营的核心任务。
因此，要打造不同的智能体来应对。比如，通用智能体负责日常运营，专业智能体处理相对标准的专业任务，定制智能体则面向企业特有的核心流程。通用智能体调度其他能力，连接企业的数据、系统和权限，最终让智能体在任务链条里协作。
这一步不只是技术架构的延伸，更是对“AI怎样进入生产”的回答。演讲中的几个案例，提供了观察这种变化的窗口。
百度与汽车研发公司阿尔特合作风阻设计。伐谋经过120多轮演化，找到更优解；在保证风阻预测精度的前提下，单次CFD仿真时间从几小时缩短到秒级。
此刻，AI已经进入了一个已有的工程流程，与仿真系统协同工作。人没有消失，工程师仍然需要判断设计质量；变化在于，重复试算和方案筛选可以交给系统处理。
再比如泰康保险集团的展业合规场景，涉及规则变化快、审核口径复杂的问题。泰康从4月部署智能体开发平台后，已上线多个智能体，每天Token消耗量达到200亿。这些Token并不是为了消耗而消耗，而是智能体处理真实业务而自然产生。
业内经常会讨论，应该“为思考付费，还是为结果付费”。两条路都会消耗大量Token，区别在于Token是由不断扩大的能力供给拉动，还是由一项项跑通的业务拉动。
按照供给侧的叙事，客户购买的是更充足、更强大的机器思考能力；按照产业应用的叙事，客户购买的是把能力接入业务后带来的效率、质量或经营改善。从客户的角度看，这也是两种不同的采购逻辑。
现实中的产品和计费方式当然不会只有两种，正如开篇所说，现在仍是早期，一切都还在探索。
我也注意到，沈抖并没有把智能体落地说成一件轻松的事。他提到，企业最后一公里很难：不仅要接通权限、数据、系统和流程，还要让智能体理解业务上下文，并且持续、稳定地运行。百度搭子开发平台强调Harness、全生命周期管理和私有化部署，正是在回应这些工程问题。
回到企业家们普遍关心的话题，模型越来越强，企业报表为什么还没怎么变？
看完两场演讲，我的答案是：电力史早就给过提示，发电量和生产率之间，隔着一代工厂的改造。
电网和车间、供给和需求，历史都需要。电力改变世界，是因为有人建了电厂、铺了电网，也有人把工厂改成了适合用电的样子。缺少前者，电动机无电可用；缺少后者，电只能点亮几盏灯。
百度和阿里选择了从不同一端启动，但他们都坚定了一个趋势：行业的核心问题，已经从模型能力转向AI落地。灯已经亮了，电厂要建设，而工厂也应该为它重新布置生产线。
---全文完，欢迎交流
理工/金融 复合背景
