“机器思考总量或将超人类千倍。
9月22日，2026杭州云栖大会开幕。阿里巴巴集团CEO吴泳铭在演讲中提出了一个颇具想象力的判断：机器正在成为思考的主力，未来机器思考总量将达到人类思考总量的1000倍以上。
在吴泳铭看来，上一次相似的变革发生在工业革命时期。蒸汽机、内燃机与电力，将“动力”从稀缺资源变成了可规模化供给的商品；而AI带来的变化，则可能是让“思考”也走向规模化供给。今天，机器承担了绝大多数物理工作，未来，大量重复、复杂甚至专业化的脑力工作，也可能被机器智能接过一部分。
这个判断并不只是一次关于未来的宏大表述。围绕“机器智能”时代，阿里在本届云栖大会上密集公布了模型、芯片、云和智能体基础设施的最新进展：Qwen计划训练5万亿到10万亿参数模型；平头哥发布新一代AI芯片真武V900；阿里云提出面向Model、Harness和Context构建Agentic Cloud，并推出AgentCore、Agent Sandbox、新一代高性能存储CPFS等产品。
从这些动作来看，阿里试图回答的并不只是“如何训练出更强的大模型”，而是一个更长期的问题：当AI从聊天、写作、编程等单点工具，进一步进入长程任务、自主决策和企业生产流程后，什么样的基础设施才能支撑机器智能被真正大规模使用？
这也是当前整个行业共同面对的命题。大模型能力快速进步，模型生成内容已不再稀缺；真正稀缺的，是如何让AI在复杂场景中稳定运行、调用数据、连接工具、完成任务，并对结果负责。
全栈底座布局：从模型自我进化到芯模协同的基础设施突围如果说大模型是机器智能的“大脑”，那么模型能力依然是整套体系最基础的一环。
本届云栖大会上，阿里集中展示了Qwen大模型在递归式自我改进，即RSI方面的探索。这项技术的背后，其实对应着Qwen试图突破的第一个行业痛点：摆脱传统模式下大模型迭代对于人力的高度依赖，追求更高智能并加速自我进化。
所谓RSI，可以理解为让模型不再完全依赖人工发现问题、人工准备训练数据、人工设计实验，而是在一定范围内自主发现短板、构造训练数据、验证结果，再将这些反馈用于下一轮优化。
在最新的Artificial Analysis全球大模型排行榜上，Qwen3.8-Max从40提升到45分
按照阿里披露的信息，Qwen3.8‑Max已能够自主搭建训练流程、构造训练数据，并设计实验、定位缺陷。在人类“零参与”的情况下，模型持续迭代超过1个月，完成33轮有效迭代。基于RSI与后训练等技术优化，Qwen3.8‑Max在Artificial Analysis上的得分从40分提升至45分，进入与Claude、GPT等前沿模型相近的梯队。
模型不断变大，多模态数据不断增加，Agent任务越来越长，都在快速推高算力、网络和存储的需求。
吴泳铭将Token比作AI时代的“电”，将芯片比作“发电机”。这种表述背后，是一个很直观的产业逻辑：模型能力再强，如果没有足够的芯片供给、集群能力和云服务，智能就难以从实验室和少数头部用户，走向更广泛的企业与终端。
本届云栖大会上，平头哥发布新一代AI芯片真武V900。阿里披露，真武V900的性能达到真武M890的3倍，基于该芯片构建的单一集群可扩展至50万卡，可支撑前沿模型训练和推理。平头哥目前的产品布局还包括真武系列GPU、倚天系列CPU、磐脉系列智能网卡及ICN互联芯片，覆盖组建超大规模AI集群所需的多个核心环节。
在超节点层面，阿里自研的M890 AI超节点已支撑超过2万亿参数大模型的高效推理，并实现规模化供给。即将在明年推出的灵骏真武V900超节点，性能将进一步提升，支持千卡Scale-Up互连，单集群扩展至50万卡规模。
对于大模型厂商和云服务商来说，芯片性能并不等同于最终可用的AI生产力。模型训练和推理是高度系统化的工程：芯片、服务器、网络、存储、软件框架、推理引擎和模型架构之间，任何一个环节出现瓶颈，都会影响整体利用率。
因此，阿里此次反复提及“芯模协同”和“全栈联合调优”。例如，在存储层面，阿里云发布新一代高性能存储CPFS，称其吞吐可达百TB/s级、IOPS达到亿级，单文件系统规模提升至100PiB，并可将模型启动平均耗时降低50%、峰值算力利用率提升30%、AI存储成本降低69%。
推理环节的优化同样重要。随着大模型上下文变长、Agent多轮任务增多，KVCache的规模快速膨胀。阿里云推出Tair KVCM和KV CacheStore等产品，围绕缓存管理、存储和调度进行优化。阿里披露，Tair KVCM缓存命中率可达99%，每Token成本下降50%；KV CacheStore在客户生产环境中实现缓存覆盖时间窗口扩大900%、吞吐提升20%、首Token延迟降低54%。
这些数据均来自阿里云披露，实际效果仍会受到模型类型、任务复杂度、客户系统和使用方式等因素影响。但它们也说明，AI基础设施的竞争已不再只是“拥有多少张卡”，而是如何让每一张卡、每一份缓存、每一次网络传输发挥更高效率。
面向企业级业务：Agentic Cloud试图解答商业化落地难题一个通用模型可以回答公开知识，也可以生成报告、代码和表格。但当它进入企业时，企业真正需要的往往不是通用回答，而是基于内部制度、客户资料、业务数据、实时状态和操作反馈做出正确行动。
为了与企业级客户的深度适配，阿里云推出企业级Agent构建治理平台AgentCore，将企业级Agent基础设施标准化、托管化，支持长任务、失败重试、断点恢复和异步执行；提供安全执行环境、资源隔离、身份权限和全链路审计，统一管理模型、MCP Server、Skill等资产，可提升任务完成率99%，TCO成本降低70%。
阿里云还推出了Agent Sandbox，能够为Agent提供开箱即用、极致弹性、安全可靠的执行环境，创建吞吐10万/分钟，深休眠唤醒＜600ms，兼容E2B和 K8s，满足从开发者到企业级Agent的规模化运行需求；Agentic OS，Agent 原生操作系统，可节省Token消耗30%以上，沙箱部署密度提升3倍；Agentic Computer，为智能体提供统一、长期在线的专属云电脑工位，兼容主流Agent框架，具备Computer Use和GUI操作能力，权限可控、操作可审计
从产品定义看，阿里云希望把企业部署Agent所需的基础能力托管化、标准化。企业无需从零搭建复杂的运行、监控、安全和治理体系，而是可以在云上组合模型、工具、技能和数据。
决定Agent能力上限的不只是模型参数，还包括能否持续理解企业知识、业务状态和执行反馈，因此上下文不再是应用侧的一段缓存，而正在成为企业需要统一建设和治理的新型数据资产。
围绕这一变化，阿里云提出了“存储—计算处理—上下文工程”三位一体的引擎——Context Engine，将企业全域数据转化为实时上下文，让Agent从“知道什么”进一步走向“此刻应该做什么”：底层以多模态数据存储承接对话、视频帧、点云、轨迹和Agent反馈；中间层覆盖数据集成、转换、治理、质量和建模；上层通过全域知识库、多模态语义整合、持续记忆管理和实时上下文装配，把分散数据组织成Agent可以按需调用、动态更新的上下文。
从面向Model的模型生产，到面向Harness的自主运行与持续进化，再到面向Context的实时智能决策，阿里云正在把算力、网络、存储、运行环境、身份安全和企业数据组织成统一的Agentic Cloud。
这些产品的共同指向是，AI云的核心价值早已不止于算力供给，而是一整套配套能力，帮助企业管理数据、沉淀业务知识、搭建持续记忆体系，让企业的数据资产可以高效流动，支撑智能体深度融入真实的业务流程。
AI竞争进入系统战阿里的挑战也刚刚开始从本届云栖大会释放出的完整信号不难看出，阿里巴巴的AI布局，已经彻底跳出单点产品的竞争逻辑，不只单纯追求一款大模型的榜单成绩或是单一云产品的功能迭代，转而构建一套打通模型、自研芯片、算力集群、高速网络、分布式存储、智能体运行平台与企业上下文引擎的完整技术闭环。
这套体系的优势在于，阿里同时拥有Qwen模型、平头哥芯片、阿里云基础设施，以及面向开发者和企业的产品能力。模型可以推动芯片和推理系统优化，云可以承接模型训练、推理与智能体运行，企业数据和应用需求又能反过来为模型迭代提供真实反馈。
但一套完整的技术体系，并不代表商业价值能够自动兑现，全栈布局的背后，是多重现实约束与待解的产业命题。
首先，AI基础设施需要长期、持续且高强度的投入。模型参数扩张、数据中心建设和芯片研发都意味着巨大的资源消耗。阿里提出2032年全球数据中心规模超过20GW的目标，反映了其对需求的信心，但市场需求释放速度、供应链条件、技术路线变化和投资回报周期，都将影响这一目标的实际推进。
同时，还需要注意的是，随着多款智能体产品同步推向市场，产品线之间的边界日渐模糊：今年8月，千问办公整合钉钉相关能力，主攻办公知识协同场景；Qoder垂直切入代码开发赛道。经过多轮调整之后，阿里多条智能体产品线，仍然存在用户群体、应用场景互相重叠的情况。
此外，企业级AI的竞争早已不止局限于技术能力，最终的较量落脚于两大现实命题：使用成本与数据安全。
在成本端，Token消耗的失控已经成为企业普遍的痛点。硅谷企业内部曾经流行过AI使用排行榜，员工无节制地调用最高规格大模型能力，个别员工单月Token消耗成本甚至达到50万美元。放到现实的企业经营场景当中，如果员工不加节制地调用高阶模型能力，带来的成本压力是绝大多数企业管理者都无法承受的。
而安全层面的约束则更加刚性，绝大多数企业风控部门都会严格限制员工使用公共版本AI工具，核心顾虑就是内部经营数据泄露的风险。对企业风控负责人而言，智能体的安全边界，是一切业务落地的前置条件。
对于阿里而言，如何将基础模型、云服务和行业场景更紧密地连接起来，形成可复用、可交付、可持续的商业模式，仍然需要持续的实践摸索。
AI竞赛加速智能机器时代的资本博弈吴泳铭在云栖大会宣布，到2032年阿里云运营的全球数据中心规模将超过20GW。
黄仁勋曾估算，建设1GW级AI数据中心需500亿至600亿美元。瑞银的测算口径更保守：新增1GW仅IT设备资本开支就约1000亿元人民币。
巨额投入的可持续性，首先取决于企业自身的资金底盘。高盛测算，阿里年度资本开支约2000亿至3000亿元人民币，资金来源包括电商业务稳定的EBITA、云业务利润增长、账面现金及融资。
资本市场也对这套长期投入给出了乐观的收益预期。瑞银预计2032年阿里云对外收入约1700亿美元，花旗测算约1600亿美元，摩根士丹利则给出约2400亿美元的总收入产能路径。三家机构均隐含约40%的年复合增速。
阿里自身的说法更直接。吴泳铭曾在分析师电话会上表态：“AI算力Capex投资回报确定性非常高，Capex投入可三年内回本”。逻辑是用前两三年的现金流净流出，换取五年后每年数百亿美元的云收入。
当然，大规模AI布局并非阿里一家的单独行动，一场全行业的智能竞速已经全面展开。腾讯2026年二季度资本开支升至528亿元，同比翻了近三倍，绝大部分投向数据中心和GPU服务器。字节跳动2026年AI资本开支规划约2000亿元，力度甚至超过阿里。BAT三家二季度资本开支合计超过1260亿元，同比增长105%。算力基础设施的大规模投入，已经成为头部互联网厂商的共同选择，这场军备竞赛几乎没有退路。
巨额资本持续涌入算力赛道，本质上是行业正在押注一套全新智能基础设施的建成。
吴泳铭将机器智能比作新的电力系统，或许正是在表达这一层含义。电力改变世界，并不只因为它可以点亮一盏灯，而是因为发电站、电网、插座和无数电器共同构成了一张社会基础网络。
AI也正在走向类似的过程。模型是大脑，芯片是发电机，云是电网，Agent则可能成为未来连接智能与具体任务的“电器”。时至今日，机器智能时代最终的产品形态尚未形成统一答案，所有行业参与者，仍然处在一条漫长的探索之路上。
文：几重山月 / 数据猿责编：凝视深空 / 数据猿爱配资提示：文章来自网络，不代表本站观点。
