AI辦公進入「上下文戰爭」,百度如何出牌?
上下文,正成為AI辦公新的競爭變量。“任何事情都可以成為用戶的上下文。”在百度AI Day開放日接受採訪時,百度集團副總裁、個人超級智能事業群組(PSIG)總裁王穎表示,過往的歷史積累、沉澱的文件資產,以及與同事之間的對話,都是上下文的重要組成部分。當AI辦公邁入上下文競爭階段,各家手裡的優勢也各不相同:有的來自企業協作場景,消息、文檔、會議天然沉澱其中;有的來自業務軟件,更貼近垂直流程和行業數據;而百度的一張王牌,來自文庫和網盤等多年積累的內容資產。對百度而言,這是一座“富礦”——文庫和網盤,均已運營十餘年。
這種優勢,讓團隊在過去幾年裡並沒有跟隨ChatBot熱潮,而是前瞻性地選擇生產力賽道:去年4月,百度文庫和網盤聯合推出GenFlow 1.0,開始以通用AI Agent的形態,切入寫論文、做PPT、生成行業報告等任務場景。今年8月,GenFlow官宣中文名為“庫庫AI”,同時上線獨立端,以更完整的產品形態繼續參與AI辦公大戰。十餘年家底,成為上下文“富礦”如果把視線拉回AI時代之前,百度文庫和網盤解決的是兩類頗為具體的需求:文庫積累了十多年的公域知識,用戶不斷上傳、沉澱文檔資料;網盤則承載個人和企業多年積累的數據,文件、圖片、視頻等內容都長期放在裡面。
過去,這些內容更多以“存檔”形態存在;到了AI辦公時代,它們開始被AI調用,變成可檢索、可生成的數據資產。但數據被調用,並不等於它就能直接成為上下文。換言之,數據資產多,也不等於上下文多。如何讓這些數據發揮價值?PSIG國內業務部負責人鍾昊認為,關鍵在於讓數據“從沉澱變成使用,從零散變成結構化,並最終能被AI吸收和複用”。因此,過去幾年,團隊始終在做兩件事:一是加深對內容的理解,二是讓AI不斷滲透。這源於AI辦公落地的一個困境——工作的上下文本身就很複雜,也並非現成。以網盤為例,存儲於其中的數據只是原材料,只有這些數據能夠被理解、被結構化,並在具體任務中被重新調用,它才真正成為上下文。
但回到真實的工作場景,上下文並不只來源於網盤:溝通發生在飛書、釘釘等協作工具裡,信息來自搜索,業務則散落在不同的專業軟件和系統中。不同系統之間,天然存在一道“上下文牆”。AI辦公真正爭奪的,是一個人完整的工作上下文。如何打破這些牆?王穎提到,目前庫庫AI已經開放連接器授權,飛書、釘釘等平臺的內容,在獲得用戶授權後,可以直接被庫庫AI調用。與此同時,百度網盤也在盤活自身內容資產,希望成為用戶“工作上下文”的內容源。
瞭解到,對於網盤裡大量的Word、PDF、PPT、圖片和視頻,百度已經在持續做多模態內容理解和文件格式解析,再進一步識別其中的實體、概念和關係,將原本零散的內容結構化,讓它們能夠被Agent真正調用。PSIG基礎研發和B端業務負責人唐海浩提到,相比單純的文檔,多模態數據的解析和結構化本身就是一個更大的難題,也是百度網盤希望形成差異化的地方。從個人上下文,到企業上下文AI辦公產品想要成為真正的生產力工具,所需的上下文就不能侷限於個人,而要走向企業。企業上下文,並不是個人上下文的簡單放大。王穎在採訪中表示,個人與企業的區別,並不只是用戶規模。
“比如很多工作場景都需要組織協同來共同解決一個問題,這就是一個人和一個團隊的區別。”在她看來,上下文對組織的價值,核心在於組織協同、知識沉澱與經驗複用。這意味著,企業上下文不僅要求AI“懂我”,還要“懂組織”:既能參與協同,也能把工作中產生的知識和經驗沉澱下來,供其他人、其他Agent複用。這一理念也貫穿於庫庫AI企業版。唐海浩透露,目前B端已經成交的客戶,主要看中三點:一是能直接解決問題。比如金融客戶,尤其是投研場景,效果不錯,就直接買了;教育場景裡,老師平時要做PPT,也會直接買單。二是安全。如果每個員工都單獨用一個智能體,企業會擔心數據安全,所以老闆尤其看重企業版的安全能力。
三是能沉澱經驗。有些老闆希望把優秀員工的經驗留下來,變成公司的積累。除了解決問題、安全這類通用考量,企業上下文也正成為B端採購AI辦公產品時的一個新關注點。據瞭解,庫庫AI企業版剛推出,已經有3000家企業試用,其中中小企業的推廣速度更快。這背後,還藏著PSIG團隊的一套“打法”:他們洞察到大型企業流程長、決策慢,改造重構難度不小;相比之下,中小企業轉型更快,因此選擇從這一方向切入。此外,多模態能力也讓它拿下了一批以圖片、視頻為主要工作內容的企業客戶。王穎表示,庫庫AI在To C和To B場景都已跑通,且二者能夠相互反哺。
一方面,To B場景積累了大量專家Skill,可以向下賦能To C;另一方面,To C的辦公需求數據,又能幫助完善Agent數據、提升通用智能體能力,再服務於要求更高的To B客戶,由此形成數據飛輪。出海,重建一套“工作上下文”AI辦公大戰正酣,但在王穎看來,AI辦公工具還沒有真正建立起用戶粘性,眼下的市場空間並不小——這也意味著,這場大戰還遠沒有定數。但百度早已將目光投向海外市場。去年,百度文庫網盤推出海外一站式AI辦公平臺Oreate AI,一年內海外用戶便突破1000萬。此番Oreate AI也煥新為庫庫AI海外版「Kooko」。
PSIG海外業務部負責人文思穎表示,海外市場仍處於普及和使用的早期階段,“蛋糕”還在越做越大,當前最重要的是先搶佔用戶心智。但在海外,AI辦公產品仍要面對本地化考驗:不同國家的用戶有不同的軟件環境、工作習慣和內容偏好。比如韓國用戶對特定模板的需求增長較快;拉美、中東的AI滲透情況與美國又有所不同,甚至同樣是一份PPT,不同市場對信息密度、設計和色彩的偏好也存在差異。由此可見,AI辦公出海不只是把產品搬到另一個市場,而是把AI放進另一個工作環境裡,讓它重新理解當地用戶的工作方式。從這個角度看,這也未嘗不是在重建“工作上下文”。
Related
相關文章

OpenAI 稱其遭遇有組織蒸餾,將矛頭指向月之暗面
作者:潞源 責編:潞源 評論: 感謝網友 愚公騎馬、咩咩洋 的線索投遞!10 月 1 日消息,當地時間 9 月 30 日,OpenAI 在官網發文,稱其近期遭遇一場有組織的蒸餾活動。OpenAI 在文中表示,該活動最初始於 7 月第一週,符合對抗式蒸餾(adversarial distillation)之特徵,即系統性未經授權地利用某模型輸出或推理過程,幫助訓練、復現或改進另一模型。
推出 Olmo-core 3:為大型 MoE 打造的開放、可擴展訓練基礎架構
今日我們正式釋出 Olmo-core 3,這是我們大型語言模型開發框架的重大升級,核心亮在於重新設計的開放式混合專家(MoE)訓練系統。Olmo-core 3 旨在將 MoE 訓練規模擴展至兆級參數,同時維持運算效率。該系統是下一代 Olmo 的核心基礎之一,亦體現我們持續開放每款新模型背後工具與訓練基礎架構的承諾。
NVIDIA 發布 Kumo Tabular:開放表格基礎模型,單次前向傳播即可預測新資料列
NVIDIA 推出 Kumo Tabular,這是一系列用於分類與回歸任務的新型表格基礎模型(TFM)。若您曾接觸過 TabPFN 或 TabICL,對此架構應不陌生。該模型以已標記的資料列作為上下文,並在單次前向傳播中預測新資料列,無需訓練、無需超參數調整,也無需特徵工程。Kumo Tabular 提供 Small、Medium 與 Large 三種版本,參數量約從 2,800 萬至 2.15 億不等,並透過 NVIDIA 開源的 structured-data-models(SDM)函式庫運行。此模型可直接部署,其權重採用 OpenMDW-1.1 授權,允許商業使用;SDM 程式碼則以 Apache-2.0 授權發布,需搭配 Python 3.11 以上版本與 PyTorch 2.7 以上版本,範例程式以 CUDA GPU 為目標環境。SDM 函式庫的附加價值在於,它是一個專為結構化資料設計的 GPU 原生函式庫。
Perplexity 發布 pplx-embed-v2-context-9b-preview:可檢索答案及其佐證的語境嵌入模型
Perplexity Research 與 turbopuffer 合作推出 pplx-embed-v2-context-9b-preview,這是一款專為 RAG 管線設計的語境嵌入模型。每個區塊在嵌入時都會將完整文件納入考量。真正的變革在於訓練信號:模型學習檢索答案以及驗證答案所需的上下文,而非僅擷取單一「黃金段落」。 這款模型是否可部署?可以,作為自架預覽版。權重已以 MIT 授權發布於 Hugging Face。載入時需使用 transformers>=5.4.0 並設定 trust_remote_code=True。目前尚未整合至 Perplexity API。模型卡特別註明,權重與介面可能在不提供向後相容性的情況下變更。 為什麼黃金段落不夠好?RAG 系統會將長文件分割成多個區塊。但某個區塊往往依賴於文件中其他地方定義的實體、標題或概念。語境模型正是為瞭解決此問題而設計。

OpenAI推理之父最新訪談!數學只是多智能體時代的開胃菜
OpenAI研究員、o1核心作者Noam Brown在最新訪談中指出,千禧年數學難題的突破中,10000個Agent最多只佔10%功勞。他認為多智能體系統是未來研究方向,並進一步探討公司經營、遞歸自我改進與超級對齊等議題。

個人Agent,人邁向硅基的第一步?
字母AI2026.09.30 19:17 · 來自北京全文5353字00:00 / 15:05信奉硬件為王的蘋果,天要塌了?文 | 字母AI9月初,Meta的Muse上線,不到兩週登上美國App Store免費榜首,Sensor Tower估算截至9月24日累計下載量超過340萬次。