算力上死磕，应用上探索，架构上适配。投入越坚定，试探越从容
文｜吴俊宇
编辑｜谢丽容
过去半年，阿里的AI（人工智能）业务一直处在快速变化中。
AI和云已经成为推动阿里巴巴增长的重要力量。阿里云2026财年（2025年4月1日-2026年3月31日）营收1581亿元，同比增长33.9%。2027财年一季度（2026年二季度）阿里的AI云与算力服务营收484亿元，同比增长44.9%。
伴随AI业务快速扩张，阿里也在重新调整与之匹配的组织和产品体系。过去半年，阿里云和阿里ATH（Alibaba Token Hub）两大事业群持续变化，围绕模型/智能体等业务的人事、组织和产品调整频繁发生。
收入增长的方向越来越明确，但频繁变化的组织、人事和产品动作，却让市场不容易看清阿里AI战略更长期的主线。
如果观察阿里持续投入资源的方向，这条主线反而清晰得多。9月22日的2026云栖大会，提供了一个观察窗口。
阿里巴巴集团CEO（首席执行官）吴泳铭表示，机器正在成为思考的主力，智能正在成为一种规模化的商品。未来机器思考总量将达到人类的1000倍以上。今天的AI Coding（AI编码）就像1882年的电灯，替代的是现有工作，还不足以创造一个新的时代。
吴泳铭认为，阿里未来的长期战略是——坚定投入AI模型、AI芯片、AI云，这三项基础设施。
在他看来，机器智能时代的代表性产品还没有出现。像电气时代一样，后续还会出现空调、洗衣机、冰箱等各类新产品和新发明。但无论后来出现多少新发明，第一步都要建足够多的发电站、铺足够广的电网。
吴泳铭的这一段讲话，也为理解过去半年阿里的一系列组织和产品调整提供了另一种视角： 在算力基础设施和模型层，阿里正在做越来越确定的投入；越靠近应用层，它反而留下了更多探索、调整和试错的空间。
产品和组织仍可能继续变化，但只要算力供给持续扩大、模型保持在SOTA（业界顶尖）梯队，阿里至少握住了下一阶段AI竞争中两项更有确定性的底层筹码。
确保算力供给
2026年，随着智能体爆发，全球算力产业链进入全线短缺的状态——从GPU（图形处理器）、CPU（中央处理器）、HBM（高带宽内存），再到光模块、电力与液冷等相关资源，乃至云计算和Token（词元）资源，几乎都供不应求。
吴泳铭在2026年云栖大会上表示，目前客户的AI需求非常强劲，阿里云正在全力上架AI算力。但从中长期来看，行业需求仍将远超供给能力，AI数据中心相关供应链的全球性紧缺，也在限制算力扩张的速度。
为确保算力供给，吴泳铭给出了一个长期的基础设施目标：到2032年，阿里云运营的全球数据中心算力规模超过20GW（吉瓦），较2022年增长10倍。
GW是功率单位，在AI行业也常被用来描述大型算力基础设施的规模。按照当前1GW级算力集群可容纳约10万枚旗舰GPU的行业口径粗略折算，20GW相当于约200万枚旗舰GPU级别的基础设施容量，也就是20个10万卡集群的规模。
如此庞大的基础设施建设计划，和阿里云目前的高增长，以及未来增长目标密不可分。
截至2026年二季度，阿里云AI相关产品年化收入（按当月收入×12计算）超过495亿元，占阿里云外部收入的35%。其中，MaaS（模型即服务，也可以理解为Token收入）年化收入超过160亿元。阿里管理层预计，到2027财年末，MaaS业务年化收入将进一步提升至300亿元。
2026年3月，阿里管理层还在财报电话会上甚至给出了一个更长期的商业化目标：到2030财年，阿里云和AI业务年收入突破1000亿美元，营业利润率超过20%。
一位阿里云人士对我们表示，这一激进的收入目标，一方面建立在AI需求快速增长、算力供给持续偏紧的判断之上；另一方面，它也是一种内部管理方式。阿里习惯在变革的关键阶段设定足够高的目标，再通过目标倒逼一线重新调整资源配置、组织方式和具体动作。
但长期扩张最终还是要算经济账。
阿里管理层后来在2027财年一季度财报电话会上算了一笔账：按照现有AI产品的毛利率水平，如果人工智能资本支出（CapEx）的投资回收期为3年，将业务增速控制在33%以下，理论上即可实现正现金流。
但阿里目前并不准备主动降低增长速度。管理层的判断是，AI仍处于早期阶段，与其提前收缩投资、提高现金回报，不如继续增加资本支出和供给规模，以换取更快的业务增长。随着AI产品毛利率提升、自研芯片替代率提高，资本支出回收周期有望进一步缩短至2.5年甚至2年。按照这一模型，即使维持40%以上的增长，AI业务仍有机会保持正现金流。
这构成了阿里当前扩张算力供给的经济基础：AI收入越快转化为现金流，自研芯片和基础设施效率越高，它就越有能力把收入重新投入下一轮算力扩张。
资本开支的变化直接反映了阿里的选择：当AI需求开始兑现为收入后，它还在继续把现金投入AI基础设施。
去年2月，阿里宣布未来三年投入3800亿元，用于AI和云计算基础设施建设。这项计划在今年迅速推进。
截至今年6月底，累计投入已经达到1900亿元，完成整体计划的一半，进度基本符合预期。仅2027财年一季度（2026年二季度），资本开支就达到677亿元，同比增长75.2%，创下近三年来单季度新高。阿里还在今年8月配售新股募资800亿港元，全部用于投资全栈AI能力，加强AI基础设施建设。
算力扩张的另一条线，是提高自研芯片供给。截至今年6月，上一代平头哥真武810系列芯片累计生产并出货已经超过50万颗。
阿里平头哥在云栖大会2026上最新推出的国产AI芯片真武V900，算力提升至真武M890的3倍。基于真武V900构建的单一集群最多可扩展至50万卡，可用于前沿大模型的训练和推理。该芯片计划于2027年一季度量产售卖。
目前，真武系列芯片已经供应了650家企业客户，覆盖智驾、金融、大模型、具身智能、能源、制造等行业。吴泳铭披露称，随着平头哥芯片产品线逐渐成熟、客户采用范围扩大，真武系列AI芯片的年出货量还将明显提升。
云和芯片需要同步扩张。自研芯片替代率提高，不仅能够增强算力供给的自主性，也会降低单位算力成本，进一步缩短AI基础设施的回本周期。
追求模型领先
对阿里而言，扩大算力供给只是第一步。算力最终需要通过模型转化成智能，因此，阿里还需要让阿里千问（Qwen）系列模型持续保持在全球模型能力的领先梯队。
过去半年，阿里Qwen面对的竞争正在加剧。2025年，国产大模型在开发者群体中还基本呈现出Qwen、DeepSeek两强格局。进入2026年后，智谱GLM、月之暗面Kimi快速追赶，国产模型竞争逐渐从两强走向多强并立。
为追求模型领先，阿里Qwen的技术路线可以概括为三个层次。
第一层，继续Scaling（扩大规模）。阿里并不认为Scaling Law（模型性能会随着参数规模、训练数据和计算量扩大呈现可预测提升）已经结束。下一代Qwen仍将继续扩大参数规模，探索更高的智能上限。阿里Qwen LLM项目负责人刘大一恒在云栖大会上透露，未来千问大模型总参数量将扩展至5万亿甚至10万亿规模。
第二层，降低Scaling的成本。模型继续做大，但训练和推理成本也需要同步下降。阿里希望探索下一代架构、注意力机制以及更低的参数激活比例，以此提高训练和推理效率。这可以让SOTA模型能够以更低成本被规模化使用。Qwen3.8-Flash提前采用并开源了下一代千问大模型架构，训练成本相比上一代降低近90%。
第三层，让模型自我训练，加速迭代。RSI（递归自我进化）意味着模型参与模型研发本身。刘大一恒披露，Qwen3.8-Max通过自主搭建训练流程、构造训练数据，并自主设计实验、定位缺陷，在人类零参与的情况下持续迭代超过1个月，完成33轮有效迭代。阿里还在尝试把这一能力从模型训练进一步延伸到推理框架优化和芯片设计。
模型能力的边界也在继续扩展。除了基础语言模型，阿里还布局了视频生成、语音、图像、世界模型、音乐以及全模态模型。
阿里巴巴ATH技术副总裁、淘天集团首席科学家郑波判断，未来三年可能出现原生统一的全模态模型，模型体验将进一步突破文本、声音、图像和视频等模态之间的边界。阿里本届云栖大会也集中更新了语音、图像、视频和全模态模型。
但模型竞争并不只发生在参数和榜单上。一款模型发布之后，能否持续被开发者采用、讨论和二次开发，决定了阶段性的模型能力能否进一步沉淀为长期的生态影响力。
阿里Qwen系列目前依然在开发者群体中保持领先。这和它产品矩阵更完整、发布更频繁、社区维护更积极密切相关。阿里方面披露的数据显示，阿里已开源460余个Qwen大模型，Qwen开源模型下载量突破30亿次，衍生模型数超30万个。
过去四个月，我们借助Codex，追踪了（数据回溯约19个月）全球13家主流模型公司和机构在GitHub上的开发者热度，其中包括阿里Qwen、DeepSeek、字节跳动Seed、智谱AI、腾讯混元、月之暗面、MiniMax、小米MiMo等8家国产模型。
统计范围覆盖2025年1月1日-2026年8月30日，观察指标包括GitHub全站以及各家公司官方代码仓库中的Issue（问题讨论）和PR（Pull Request，代码修改请求）。
2026年1月1日-8月30日，8家国产模型公司的Issue/PR合计达到111.75万条。其中，DeepSeek为32.12万条，占28.7%；阿里Qwen为29.17万条，占26.1%。两家公司长期位居国产模型前两名，并多次交替领先。
但两者的增长方式并不相同。DeepSeek的开发者热度更多由少数明星模型推动，模型发布之后往往形成陡峭的增长曲线。阿里Qwen则更多呈现阶梯式上升。
一个重要原因是，阿里Qwen拥有更完整的大、中、小参数模型矩阵，模型发布频率更高，社区维护也更积极，因此每一轮新品带来的开发者关注更容易延续下来。
社区运营是阿里Qwen在开发者群体中持续维持热度的另一个关键。在GitHub，开发者提交一份代码修改后，需要经过仓库维护者审核。只有被接受的修改，才会被正式合并进项目代码。
2025年1月1日至2026年8月30日，Qwen官方仓库共产生约1.6万条Issue/PR，是DeepSeek的2.5倍。同期，Qwen官方仓库共产生7114个PR，其中5118个最终被合并，合并率达到72.1%，在我们追踪的全球13家模型公司中处于首位。
从这个角度看，阿里Qwen追求的并不只是某一次模型发布时进入SOTA梯队。它更像是在通过持续Scaling、降低模型成本、提高研发效率，再叠加开源和开发者生态，把阶段性的模型领先转化成更长期的技术影响力。
抓住确定性，对冲不确定性
阿里抓住算力供给和模型能力，是在用相对确定的底层能力，应对应用层的不确定性。
今天AI应用仍在快速变化，代码智能体、办公智能体、通用智能体都可能成为入口，也都可能被下一种产品形态取代。
但无论上层应用如何变化，它们最终都需要调用模型、消耗Token，并依赖底层算力。相比过早押注某一款具体产品，持续扩大算力供给、保持模型能力在领先梯队，是一条确定性更高的路线。
这种“底层确定、上层探索”的思路，也影响了过去半年阿里AI业务的组织方式。
在模型和算力基础设施一侧，阿里持续投入重资产。靠近产品和市场的一侧，则通过更高的业务目标、多条产品线并行推进和频繁的组织调整，加快寻找能够真正放大Token消耗的应用场景。
今年4月初，阿里云管理层设定了一个短期Token收入增长目标。具体要求是，到5月15日前，日均Token收入较4月初要增长5倍。这意味着要在45天内完成目标。
“515战役”结束后，阿里云很快又启动了“830战役”，要求在8月30日前进一步大幅提高日均Token收入。短周期、高目标，以及一轮接一轮的业务冲刺，成为这一阶段阿里云扩张AI业务的一种典型方式。
在变革期，阿里往往会给一线设定更高目标、施加更大压力，并通过持续的组织调整激发内部活力。这种管理方式能够加快资源重新配置和业务迭代，但代价是组织稳定性会被削弱，一线团队也需要持续承受更高的不确定性。
多位阿里云一线销售、架构师对我们表示，今年是他们过去三四年里感受到压力最大、不确定性最高的一年。“515战役”“830战役”并不只是管理层在主动施压，也和AI业务本身的增长逻辑发生变化有关。
最先变化的是客户。阿里云的客户结构、用云方式和预算结构都在改变。越来越多创业公司，甚至个人开发者，正在成为新客户。相比过去那些名单清晰、预算相对稳定的大企业，这些客户更加分散，也更难通过传统销售体系直接触达，需要一线主动寻找和挖掘。
客户变了，销售方式也在跟着变。过去，阿里云制定客户收入目标时，更多是从企业既有的IT预算出发，估算其中有多少会迁移到云上，再据此倒推出下一年的收入目标。这本质上是在一块既定的蛋糕里，判断自己能够分到多少。
AI正在打破这种线性预测方式。越来越多的企业开始单独增加AI预算。一个业务场景最终会消耗多少Token、需要多少算力，很难再根据过去的IT预算和上云率简单推算。 它更像是在判断一块新的蛋糕最终能够做多大。
当AI真正进入企业业务流程后，Token消耗甚至可能出现数量级增长。中国平安集团首席技术官王晓航在2026云栖大会上表示，平安日均Token用量已经从约300亿增长至超过3000亿，增长约10倍。同期算力规模从800PF（每秒千万亿次浮点运算）提升至1500PF。也就是说，以不到2倍的算力规模，支撑了约10倍的Token增长。
这也改变了一线销售和架构师的工作。一位阿里云一线架构师对我们表示，过去几个月，他的一项重要任务就是帮助客户提高Token使用量。一方面，要找到真正能够提升客户效率和业务价值的AI场景。另一方面，这些场景也会进一步转化为阿里云的Token收入。千问办公和Qoder，是他目前向企业客户推广AI应用的重要抓手。
但当不同产品同时进入同一批企业客户，另一个问题也开始出现：产品之间的边界越来越难划清。
今年8月，千问办公整合了钉钉等产品线，主要面向办公和知识工作；Qoder则从代码场景切入。几经整合之后，阿里旗下一系列智能体产品之间，仍然存在用户群体和市场边界重叠的情况。
这种情况并不只出现在阿里。字节跳动、腾讯乃至亚马逊AWS等国内外厂商，也不同程度面临类似问题。它反映出一个更普遍的变化： 智能体正在重新打破过去软件之间原本清晰的产品边界。
当智能体能够跨应用调用数据、工具和工作流，代码、办公、搜索、协同等过去相对独立的软件品类，都在向一个能够完成复杂任务的统一入口靠拢。原本按照功能划分的产品边界因此变得模糊，不同团队也越来越容易进入彼此的市场。
在最终产品形态尚未稳定之前，探索和试错很可能是这一阶段难以避免的现象。它确实增加了组织内部的协调成本，却也让不同团队能够沿着多条路线同时试错，再根据用户需求和市场结果重新配置资源。
抓住确定性，探索不确定性。过去半年，阿里的组织调整和产品线调整，可以理解为：算力和模型持续重投入，应用还在早期，可以保持探索和寻找。
