李彦宏复盘百度AI踩过的坑：从SFT到做更少的事

11月12日百度世界大会上，李彦宏提出行业下一幕是智能组织，并复盘百度踩过的坑：早期用开源模型做SFT，模型一升级成果就落后；智能体热潮下各业务线一哄而上，资源分散、成功率反降。两次纠偏指向同一件事——把努力从多变少。

这不是一场产品发布，而是一份少见的组织复盘。过去两年谈AI多谈参数、算力与评测榜单，李彦宏把话题挪到另一头：谁来训练模型、谁决定做什么、怎么让组织收敛注意力。现场速记不足三百字，三个坑连起来却是一条完整的方法论曲线。

第一个坑：把应用建在会变的地基上

大模型刚出现时，百度工程师热衷拿开源模型做SFT（监督微调），业务应用效果一度不错。问题出在基座一升级，原有成果很快落后。这不是调参没调好，而是资产本身建在了别人的地基上。

SFT是在某一版基座权重上做增量适配，适配层与基座版本强绑定。基座换代，权重分布变了，微调出来的能力与评测结论都要重做；业务线各自微调，还会产生一堆互不兼容的模型分支。短期看每个团队都拿到了指标，长期看是把算力反复投在会贬值的资产上。

这也是近两年行业口味变化的原因：能用提示词、检索增强、工具调用解决的，就不再动权重，把定制层放在模型之外，基座升级时应用自动继承新能力。开源模型迭代越快，这条原则越成立（参见：开源大模型支出89%流向中国厂商，GPT-6.2双档将发）。

第二个坑：热点一多，注意力就稀释

百度的第一次纠偏是收口：业务部门不许自行训练模型，统一交给专门的模型部门，李彦宏用了“熵增”这个词。借物理学概念说组织，指的是分布式训练带来的混乱度——版本碎片化、算力重复投入、评测口径不一，团队越多越难收敛。

收口的实质是把模型能力做成共享基础设施：一个部门负责底座，业务层只调用、不拥有。这与前些年流行的中台思路同源，差别在于底座从数据换成了模型。

智能体等新热点出现后，业务部门又纷纷跟进，资源重新摊薄，成功率反而降低。这次纠偏不是技术动作，而是节奏管理——每月开会要求聚焦，把努力从多变少，让大家做更少的事。行业转向智能体的速度本就快（参见：大模型转向智能体：DeepSeek开源新架构，万亿开源模型降价），跟得越紧越容易什么都做一点。

瓶颈从模型能力挪到组织形态

把三个坑串起来看，“智能组织”这个判断才说得通。第一次纠偏解决的是谁训练模型，第二次解决的是谁决定做什么，而每月聚焦会解决的是怎么让组织持续收敛。三件事都不是模型能力问题，是协同与决策问题。

这也解释了为什么低价模型、长上下文和智能体基建在同期一起变热（参见：Anthropic上市前夜发布Claude 5.2，Meta低价模型瞄准智能体经济）。当底座能力趋向同质、调用成本持续下降，公司之间拉开差距的不再是能不能用上模型，而是组织能不能少做几件事、把资源压到同一方向。

需要留意的是其中的张力。训练收口压住了熵增，也可能压掉一线业务快速试错的空间；做更少的事在路线清晰的成熟期是效率，在技术路线未定的探索期则可能错失窗口。集中与敏捷怎么配，取决于公司处在哪个阶段，没有通用解。

常见问题

为什么用开源模型做SFT容易白做？

SFT的适配层与特定版本的基座权重绑定。基座一代代升级，微调成果与评测结论都要重做；各业务线分头微调还会产生互不兼容的分支。把定制放在模型之外（提示词、检索、工具调用），才能随基座升级自动继承新能力。

李彦宏说的“熵增”是什么意思？

是借用物理学术语描述组织混乱度，不是严格的热力学概念。指多个业务团队各自训练、各自维护模型版本，带来版本碎片、算力重复投入与评测口径不一，团队越多越难收敛，因此需要统一收口。

这套做法适合所有公司吗？

不一定。模型训练集中化、主动削减项目数量，更适合底座能力稳定、方向明确的阶段。若技术路线仍在快速变化，保留一定分散试错可能比过早聚焦更有价值。李彦宏讲的是百度在特定阶段的取舍，不是通用公式。

信息来源：11月12日百度世界大会现场，第一财经记者刘佳报道，新浪财经、东方财富转载。文中关于SFT版本绑定、平台化收口与组织阶段差异的分析为编辑增量，非现场原话。