在近期举办的百度AI开发者大会上，百度创始人李彦宏抛出了一个引发行业热议的新概念——DAA，即日活智能体数。这一概念的提出，被视为对当前AI行业主流度量方式的一次重要挑战，也预示着AI产业竞争焦点的潜在转移。
长期以来，Token消耗量一直是衡量AI服务规模的核心指标。无论是字节跳动的豆包大模型日均突破120万亿Token使用量，还是OpenAI每月数万亿级别的Token调用量，都成为行业关注的焦点。然而，这种以模型运算量为基准的统计方式，正逐渐暴露出其局限性——它更多反映的是技术投入，而非实际产出价值。
以具体场景为例：当用户要求AI撰写一封商务邮件时，消耗1000个Token可能产生高价值内容；但若让AI重复默写同一首古诗100遍，同样消耗1000个Token却几乎无实际意义。这种差异揭示了Token统计体系的根本缺陷：它无法区分技术消耗与用户价值创造之间的本质区别。
DAA概念的提出，正是为了填补这一评估空白。其设计逻辑借鉴了移动互联网时代的DAU（日活用户数）指标——正如DAU衡量真实用户活跃度，DAA则聚焦于每天有多少智能体（Agent）在有效执行任务并交付成果。李彦宏预测，随着企业级智能体应用的普及，未来全球DAA规模可能突破100亿，远超当前meta约34亿的DAU水平。
这一预测背后蕴含着深刻的产业逻辑。在AI发展初期，模型参数规模和Token消耗量成为主要竞争点；但随着技术成熟，应用层价值开始凸显。一个企业可能部署数百个智能体协同工作，每个智能体都可能创造超过单个用户的价值产出。这种转变使得DAA成为更贴近商业本质的评估维度。
从经济视角分析，DAA确实比Token更能反映AI的实际价值创造。当某AI公司的Token消耗量持续攀升，但任务完成质量低下导致用户重复操作时，高Token数据反而成为效率低下的警示信号。相反，DAA的增长直接对应着有效任务交付量的提升，这种产出导向的评估方式更符合企业估值和竞争力判断的需求。
两种指标的适用场景存在明确分工：Token更适合评估模型训练成本、推理效率等基础设施层面的问题，对算力供应商和芯片制造商具有指导意义；而DAA则聚焦于应用生态的繁荣程度和用户价值交付规模，是AI应用企业估值的重要参考。这种互补关系类似于移动互联网时代MAU与GMV的共存，未来可能形成双轨并行的评估体系。
李彦宏提出DAA的深层意图，在于推动AI产业竞争焦点从模型层向应用层转移。当行业开始比较谁的智能体数量更多、任务完成质量更高时，参数规模竞赛将逐渐失去主导地位。这种转变不仅符合商业逻辑，也预示着AI技术正在从实验室走向真实生产环境，其经济价值将通过实际任务交付而非技术参数来衡量。
