这一轮国内 AI 大潮的演进，很难再用「技术突破」或「产品创新」来简单概括。如果换一个更贴切的描述，倒是更像在焦虑驱动下展开的系统性扩张。春节期间的红包混战、几家巨头大模型定位的频繁摇摆、到现在的全行业「龙虾」热，看起来是热闹的创新繁荣，如果把这些现象放在同一张坐标系里观察，会发现一个更深层的特征：在不确定性之中不断试探与外延，这其实上是一种典型的「熵增」过程。

这种熵增并不只体现在技术层面。模型参数持续刷新，能力指标不断被抬高，但用户的真实感知并没有同步提升；产品形态快速迭代，却缺乏稳定结构；内容生成能力显著增强，信息污染问题却愈发突出。随着前几天「315 曝光 GEO」事件的出现，用户对大模型内容的信任似乎开始出现裂痕。行业正在从「谁更强」的竞赛，悄然转向「谁更可靠」的比拼。

这样的背景下，百度的路径转变倒是显得有些反直觉。不再一味地强化参数竞争，在叙事上也不再不断切换，选择了一种更为克制的方向：全栈优势。其中全栈优势下，又主打应用驱动。这种聚集式创新，可以理解为一种「熵减」策略，即在系统复杂度不断上升的情况下，有意识地降低不确定性、压缩噪音、强化结构。

这种取向首先体现在模型层。此前围绕「铸币坊」读音的讨论中，多家大模型给出了不一致甚至错误的答案，最终反倒是百度内嵌的 AI 给出了正确结果。这个案例虽是个例，但却揭示了一个关键转折：用户真正关心的，并不都是模型能否给出更复杂的推理，还要看是否可靠、是否稳定、是否值得信任。在这一维度上，「更少幻觉」往往比显得「更加聪明」更有价值。百度没有把重心放在参数规模的极限拉升上，而开始更多投入在降低污染、减少幻觉，并通过产品结构提供交叉验证的可能性。这意味着正试图把大模型从一个「生成工具」，重新锚定为一个「可信工具」。

在产品层，这种熵减体现得更加明显。许多公司选择用 AI 去替代搜索，而百度则选择用 AI 去强化搜索。搜索的核心从来不只是答案本身，还需要信息的选择权与判断路径。将文心助手嵌入百度 App，让用户在 AI 生成结果与传统搜索结果之间形成对照，从而完成判断。这种设计看似减少了「自动化程度」，但却显著提高了系统的确定性。而类似「百看」这样的形态，搜索后以 AI 生成及检索综合呈现的多模态搜索结果，也是沿着同一逻辑展开：通过 AI 提升信息获取效率，同时保留用户对信息的解释与选择能力。在这里，AI 并没有取代人，反而是被约束在一个可验证、可对比的框架中运行。

对 OpenClaw 的布局，同样可以放在这一逻辑下理解。表面上看，这是对一个新趋势的快速跟进，但如果回溯百度在智能体方向上的长期投入，这更像是一次顺势接续。李彦宏较早提出「卷应用而非卷模型」，也在将竞争焦点从能力本身转向能力的结构化使用。围绕「龙虾」展开的一系列产品动作，我看到，龙虾创始人都点赞，并且喊话合作。无论是搜索 Skill 的快速增长，成为当下全球下载量第一的官方搜索 Skill，还是从云端到终端的多层部署，核心都指向同一个目标：把大模型能力转化为可调用、可组合的接口结构，而不是停留在孤立的模型能力上。这种从能力到结构的转化，就是一种典型的熵减过程。

更深一层的变化则发生在组织内部。百度新设立了基础模型研发部与应用模型研发部两大部门、文库与网盘成立新的面向 C 端的事业群，并且都向核心决策者直接汇报，这些动作并不只是管理层面的调整，还意在减少信息传递路径、压缩决策链路。在高不确定性的技术周期中，如果组织本身是高熵的，战略再清晰也难以落地。相反，只有在组织层完成熵减，技术与产品层的聚焦才有可能真正执行。

从更长的时间维度来看，这一轮 AI 可能最终会演化成出两类公司。一类持续制造新的可能性，通过更强的模型、更大的参数和更激进的产品形态不断扩展边界；另一类则致力于降低系统的不确定性，让这些能力变得可用、可信、可持续。前者推动熵增，后者完成熵减。

在行业的早期阶段，熵增是必要的，因为有必要探索边界；但在进入应用兑现阶段之后，熵减可能会成为决定胜负的关键。

因此，与其说百度在选择一条不同的路径，不如说它在选择一个不同的时间坐标。当大多数玩家仍然停留在扩张阶段时，提前进入了聚焦阶段。这种选择的难度，不在技术层面，在于需要放弃部分短期的叙事优势，接受一种更不显眼但更长期、更稳定的增长方式。

AI 的上半场，比的是谁能做出更强的能力；而下半场，决定结果的往往是另一件事：谁能在复杂系统中持续降低不确定性。从这个角度看，所谓「熵减」，并不是一种风格选择，而是一种不可回避的演进方向。产品的进步，也不在于增加了多少能力，而在于减少了多少不确定性。

百度的熵减底气，核心在于构建了全球罕见的「芯云模体」全栈布局。比如昆仑芯要独立 IPO了，投行也给出不错的估值。萝卜快跑，服务次数超过 2000 万次，已经落地全球 26 城。在底层算力与顶层物理 AI 两个关键领域，都跑出来了。