2026年过了一半，云，成为了AI产业里最确定的机会。
随着Agent开始走进各大企业“干活”，AI时代的算力服务，正在变成竞争最激烈的领域。存储、光模块、高速互联等AI基础设施板块持续走强。前几年一度被边缘化的CPU，又重新成为了市场关注的焦点。CoreWeave、Nebius等一批NeoCloud公司快速崛起。微软、谷歌、亚马逊等云巨头都在疯狂加码AI投资。
2026年上半年，前沿大模型竞赛还在持续。Agent时代来临之后，各大企业对于Agent进入真实业务，并能够稳定运行和规模部署的需求激增，token经费也在燃烧。
因此，对于提供算力服务的云厂商们来说，这是绝佳的机遇。但基础设施上，无论是AI Infra还是Agent Infra都需要技术快速跟上。可以说，整个云产业正在迎来过去二十年来最大的一次架构升级。
那么AI Agent时代的“云”，到底是朵什么样的云？当AI从“回答问题”走向“执行任务”，云的底层逻辑发生了什么改变？云厂商如何能真正打通最后一公里？这篇文章，我们就来看看，2026年上半年，AI时代的那朵“云”，正在发生着什么样的变革。
▍互联网云：按需获取计算资源
要理解“云”变了什么，我们先看看以前的云是什么样的。
21世纪初，Google、Facebook、百度、淘宝等一大批互联网公司快速崛起，用户数量爆发式增长。当时，互联网企业的业务增长速度，远远超过了IT基础设施的建设速度。
企业想要支撑业务上线和增长，通常需要自己采购服务器、建设机房、组建运维团队。为了应对未来几年的业务增长，很多公司甚至需要一次性投入大量资金购买设备。
但问题在于，没有人能够准确预测未来会有多少用户。买少了，业务爆发时服务器可能瞬间瘫痪。买多了，又意味着大量设备长期闲置，造成巨大的资源浪费。
2006年，亚马逊推出EC2（Elastic Compute Cloud，弹性计算云），第一次将计算资源变成了一种可以像电力一样按需获取、按需付费的服务，拉开了云计算时代的大幕。
随后，微软、谷歌以及百度、腾讯、阿里等科技巨头纷纷入场，云产业逐渐形成了一套完整的能力栈：IaaS（基础设施即服务）、PaaS（平台即服务）和SaaS（软件即服务）。
其中，IaaS负责提供服务器、存储和网络等基础资源。PaaS提供数据库、中间件和开发平台等能力，让用户不用操心底层硬件，专注于业务逻辑的开发。SaaS则直接向用户交付软件服务，直接订阅使用。
这个阶段云解决的核心问题，是让软件能够更低成本、更高效率地开发、部署和运行。云的服务对象是网站、社交平台和企业软件。人使用应用，而应用去消耗计算资源。
2022年底，ChatGPT的上线改变了市场对算力的需求。AI时代来了，而云产业，也迎来了新的时代：GPU云。
▍GPU云：服务模型训练
在AI时代，云产业的服务对象开始从应用转向模型。云的能力，开始围绕着AI模型的训练需求而变化。
郑然
百度杰出架构师、百度智能云技术委员会联席主席
大模型时代最开始，云更多关注的是训练和推理的效率。尤其是在模型高速发展的阶段，更多客户的重点，聚焦在怎样实现更高效的大规模模型训练。在那个阶段，云所承载的，更多是帮助模型训练业务实现更复杂的异构计算能力。
首先，云运行的硬件基座变了。
互联网时代，云厂商建设数据中心时采购的核心设备是CPU服务器，因为网站、数据库、CRM等传统应用，本质上都是CPU密集型工作负载。但大模型的训练和推理依赖大规模并行计算，CPU所擅长的串行逻辑处理并不适用，这让GPU从过去数据中心里的“辅助角色”，一跃变成了最核心的生产资料。
而这种底层算力的变化，直接指数级推高了基础设施的建设成本。从2023年开始，科技巨头们开启了史无前例的资本开支扩张。模型规模每向前迈进一步，背后都意味着更多GPU、更大的数据中心以及更高的电力消耗。
其次，平台层的逻辑也随之发生了变化。
互联网云时代的云平台主要提供数据库、容器平台、中间件和开发工具，帮助开发者更高效地构建软件。但当服务对象从应用变成了模型之后，开发者面临的新问题变成了模型的训练、部署、推理加速、向量数据库、RAG以及模型管理平台等等。
于是我们看到，Google升级Vertex AI集成生成式AI能力、微软推出了Azure AI Foundry、AWS推出了Bedrock，国内的百度智能云推出了千帆平台、阿里云推出了百炼平台等等。
这些新的AI平台，其实都是在尝试把模型训练、推理、微调和应用开发过程封装起来，让企业能够像使用云服务一样使用AI能力。而软件层面，则涌现出类似于ChatGPT、Copilot等一系列AI原生应用。
但进入到2025年下半年之后，随着一系列Agent产品、底层协议的出现，以及OpenClaw等开源框架的爆红，企业开始尝试把强大的模型能力转变成生产力。云也由此进入了一个全新的阶段：“Agent云”。
比如在具身智能领域，Agent的核心不仅是把大模型接到机器人上，更是要让Agent具备可靠的长程规划、Skill调用和记忆能力，并在真实物理环境中尽可能提高一次性成功率。
鞠笑竹
北京人形机器人创新中心大模型负责人
我们在2024年底就已经立项去做“慧思开物”具身智能体。
在整个“大脑”层面，我们很强调Agent的能力，包括长程任务、记忆检索，以及工具调用的准确性，都有非常高的要求。同时，相比互联网的智能体，我们的要求还要更高一些。第一，我们是强物理交互的，所以不能有幻觉，包括不能幻觉出机器人完全不具备的技能，也不能幻觉出环境中并不存在的物体。另外，现在很多Agent可以做反思、做重新规划，但人类对机器人的要求特别高。如果用户发现机器人长时间地执行一个任务，大家会很不耐烦。所以在这个时候，我们追求的是Pass 1的成功率，就是一定要一次性尽量把任务完成。
所以卖算力、卖Token、卖模型调用，相对来说都只是基础能力。真正困难和具有挑战的地方，是如何让成千上万个Agent稳定运行、协同工作，安全地接入企业系统，并持续创造价值。
那么，云的能力需要怎么变化呢？
过去几年，大模型的能力实现了跨越式的进步。模型能写代码、分析数据、撰写报告，甚至在很多专业测试中都超过了人类水平。
但具体到应用落地环节，企业却发现，拥有一个聪明的问答模型，并不等于拥有能真正干活的员工。最新研究数据显示，有90%的企业都表示Agent在实际工作中会掉链子。
这背后的原因是：Chatbot和Agent看上去都是在对话，但“快速给出答案”和“高质量完成任务”却是完全不同的技术问题。所以，Agent Infra上怎么能把这个链子给缝起来呢？
郑然
百度杰出架构师、百度智能云技术委员会联席主席
原来的Chatbot，用户的诉求，或者说用户对它的预期，有点像搜索一样：你提交一个问题，它需要很快速地回应。
而在Agent时代，核心目标不是快速地完成任务，而是高质量地完成任务，这会是完全不一样的预期。对底层系统来说，模型需要有更多轮的推理过程，整个上下文的长度和Chatbot阶段也完全不在一个数量级的水平。这就要求整个大规模分布式推理，包括像KV Cache这样的存储基础设施，能够更好地支持大规模分布式推理的高效执行。
也就是说，大模型阶段，云的优化目标是速度优先，如果AI回应得慢，用户体验就崩了。因此AI建设的目的就是让模型跑得更快、更便宜、更稳定。
但随着模型的“智商”已经基本够用、Agent开始进入真实生产环境之后，云便不再只是“卖算力”，而是要同时提供包括推理、存储、工具、记忆、沙箱、安全在内的完整Agent运行环境，解决的是智能体如何能够稳定运行、如何大规模部署的问题。
而在这个过程中，Agent需要一套全新的“操作系统”：Agent Harness。关注AI进展的小伙伴们对“Harness”这个词肯定不陌生，我们之前的内容也提到过。
我们可以把Harness理解为Agent的“运行底座”，它位于模型之上、应用之下，负责把模型真正组织起来，让Agent能够调用MCP、使用各种工具、管理长期记忆、运行工作流，并在一个安全、隔离的环境中稳定执行任务。
也就是说，未来决定Agent是否能真正走向落地的，就是Harness这一整套工程能力。而在这个系统中，存在着显著的“木桶效应”，每一个环节都不能有短板，木桶最短的那块板，决定了整个系统的能力。
郑然
百度杰出架构师、百度智能云技术委员会联席主席
为了完成任务，还需要给Harness一个执行的环境。它需要存储一些临时文件，需要调用工具，比如下载一些网页，需要用Skill，需要调用MCP。这些都需要一个环境，同时有工具、有记忆，再加上安全，帮助Agent的任务具备隔离性和稳定性。所以这背后，就对整个工程层面提出了完全不一样的要求。
我们理解Agent是一个系统化的工程，某种意义上说，它存在着一定的木桶效应。整个Agent Harness依赖很多配套的能力，需要一个系统化的优化，才能让Agent更高效地执行。某一方面出现短板，就容易造成Agent执行效果的下降。
所以从“一次推理给答案”到“多轮推理、调用工具、管理记忆、执行任务”，这背后对云提出了一整套全新的工程要求。
在这样的背景下，过去智能云三大层级的内涵和能力，也需要围绕着Agent的落地部署来重新架构：从IaaS、PaaS和SaaS，演变成一种“AI Infra+Agent Infra+智能体应用”的新架构。
郑然
百度杰出架构师、百度智能云技术委员会联席主席
IaaS层面，我们以AI Infra为代表，更多聚焦在训练、推理、集群调度、性能优化和算力基础设施方面，为整个模型提供坚实的运行底座。PaaS层面，我们把它延伸到了Agent Infra，让客户能够聚焦在智能体的开发运行、工具调试、上下文管理、工作流编排这样的功能上，帮助客户的Agent稳定地完成任务。同时从SaaS层来看，我们也在尝试做一些面向企业的Agent应用，帮助企业落地Agent的价值，包括客服、营销，以及一键式的任务流系统的尝试。
这种底层逻辑的变化，今年也直接传导到了整个产业链上。
Agent要部署落地，GPU之间需要高速大规模互联，KV Cache和Agent记忆需要超高带宽存储，推理过程需要超低延迟网络，向量数据库需要海量并发读写。于是，HBM（高带宽内存）、光通信模块、先进封装，每一个环节都变成了新的稀缺品。
与此同时，CPU也重新变得重要起来。模型推理由GPU完成，而任务调度、工具调用、跨系统协作等大量执行工作则重新回到了CPU。
因此，云的核心生产资料，从大模型时代单一的GPU，扩展到了“GPU+CPU+HBM+光互联”协同运转的新体系。于是我们也看到，这些板块的公司们今年的股价一路暴涨。
而在这一轮需求爆发中，还有一个难以忽视的部分，是今年NeoCloud（新云）的快速崛起。
一方面，NeoCloud能够更加灵活地提供包括GPU资源、裸金属服务等在内的基础设施能力，快速响应企业不同场景下的定制化需求。
另一方面，随着全球AI需求持续爆发，大量训练和推理订单开始向外溢出，也给CoreWeave、Nebius等“新云”带来了快速成长的机会。
Nebius自2024年10月复牌上市以来，股价已经涨了超过10倍，还在今年6月22日被正式纳入纳斯达克100指数。这说明无论是资本市场还是真正的产业需求，都在押注AI云业务。
不过，中国的情况有点不同。与美国已经形成比较明显的NeoCloud（新云）赛道不同，中国目前还没有发展出这一独立的产业类别。
这背后的主要原因可能在于，百度智能云、火山云、阿里云等超大云厂商正在快速向AI Native Cloud（AI原生云）演进，已经将AI算力、模型训练、推理服务等能力整合进自身平台。相比催生新的云厂商，中国更多是在现有云平台基础上直接完成AI升级。
随着AI工作负载的演进，云服务产业正在形成更加多元的能力分工。围绕算力、推理、Agent运行和企业落地等不同环节，不同类型的云厂商正基于各自的优势，构建自己的核心能力。
