阿里巴巴（BABA）正在把AI竞争的时间尺度拉长。云栖大会期间，阿里巴巴（BABA）CEO吴泳铭提出，Qwen团队将继续推进模型架构与数据优化研究，计划训练参数规模达到5万亿至10万亿的全新模型，目标是处理更复杂、更长程的任务，并向人工超智能（ASI）方向探索。
这是一项仍处于规划阶段的技术目标，公开信息尚不足以确认模型的具体训练进度、最终架构和实际性能。但从阿里同步释放的信号看，超大模型并不是孤立的产品计划，而是“AI模型、AI芯片、AI云”三层布局中的核心一环。模型负责形成智能能力，芯片承担Token生成，数据中心则负责把算力和服务输送到各类应用。
阿里已经给出了更长周期（883436）的云基础设施目标：到2032年，阿里云运营的全球数据中心规模超过20GW，较2022年增长10倍。这个数字与5万亿至10万亿参数模型的规划放在一起观察，可以看出阿里押注的并非单一模型迭代，而是一套从底层芯片到云端资源、再到终端应用的完整体系。
算力需求首先会向芯片环节传导。阿里平头哥目前已布局真武系列GPU、倚天系列CPU、磐脉系列智能网卡以及ICN互联芯片。云栖大会发布的真武V900，纸面算力达到上一代真武M890的3倍，配备216GB显存，片间互联带宽达到1200GB/s，单集群可扩展至50万卡，计划于2027年第一季度量产。阿里方面还披露，M890 AI超节点已经能够支撑超过2万亿参数大模型的高效推理。
如果5万亿至10万亿参数模型的训练目标推进，芯片数量、显存容量、网络互联和集群调度都将面临更高要求。对阿里而言，自研芯片的价值不只是降低部分成本，也在于增强算力供给的确定性，并通过芯片、模型和云基础设施的协同设计提升整体效率。对行业而言，超大模型竞争可能进一步推动GPU、CPU、智能网卡、高速互联和先进封装（886009）等环节扩产。
电力供应会成为另一道约束。高盛（GS）旗下Carbonomics团队在报告中预计，全球数据中心表后发电容量预测已从40GW上调至67GW；到2030年，燃气轮机、往复式发动机和燃料电池（885775）合计可能承担全球25%的数据中心电力需求，美国对应比例为28%。报告还预计，全球数据中心用电量到2030年较2025年增长170%。
这组行业数据并不等同于阿里项目的具体电力配置，却说明超大模型背后的竞争已经超出服务器采购范围。美国新建高压输电线路速度明显放缓，数据中心从提交并网申请到正式运营的等待时间接近五年，部分数据甚至显示电网接入时间已超过七年。在此背景下，数据中心自备电厂、燃料电池（885775）和往复式发动机受到市场关注，相关方案可能成为并网受限时期的过渡选择。小型模块化核反应堆则被高盛（GS）视为2030年后更具长期规模化潜力的方案，但其建设周期（883436）意味着大规模落地仍待验证。
供应链紧张也可能改变AI基础设施的建设节奏。高盛（GS）报告提到，ge vernova（GEV）积压订单及预留产能达到116GW，2030年产能已售罄，2031年产能也已有一半以上被预订。燃料电池（885775）和发动机环节同样受到产能限制。对大型云厂商来说，未来的竞争不只是“能否训练出更大的模型”，还包括能否提前锁定芯片、服务器、网络、电力和数据中心资源。
模型规模扩大后，应用端能否同步产生真实价值，仍是另一项考验。阿里云智能集团副总裁霍嘉曾将企业客户分为AI原生、高科技、企业和政府等类型，前两类更偏需求驱动，后两类则需要先证明应用价值。他对企业AI项目失败原因的观察是，部分项目并非败在模型不够强，而是选错场景、高估数据质量，仍以传统信息化项目的方法推进。
因此，5万亿至10万亿参数模型的意义，不能只用参数数量衡量。更大的模型或许有助于处理复杂任务和长程任务，但最终能否转化为稳定的Token调用、企业生产力和可持续收入，还取决于推理成本、服务价格、数据质量以及应用生态成熟度。阿里在云栖大会展示的智能眼镜、金融AI终端和数字员工等应用，显示其正在尝试把模型能力推向真实场景，但规模化效果仍需要市场进一步检验。
对AI产业生态而言，阿里的布局可能带来三方面影响：一是大模型训练和推理的算力门槛继续上升，芯片与互联技术的重要性增强；二是云厂商的竞争从模型服务延伸至数据中心、电力和供应链管理；三是模型厂商需要更重视应用落地，而非单纯追求参数扩张。阿里是否能够把模型、芯片和云连接成高效闭环，仍有待后续产品、量产和商业化进展进一步验证。
这是一项仍处于规划阶段的技术目标，公开信息尚不足以确认模型的具体训练进度、最终架构和实际性能。但从阿里同步释放的信号看，超大模型并不是孤立的产品计划，而是“AI模型、AI芯片、AI云”三层布局中的核心一环。模型负责形成智能能力，芯片承担Token生成，数据中心则负责把算力和服务输送到各类应用。
阿里已经给出了更长周期（883436）的云基础设施目标：到2032年，阿里云运营的全球数据中心规模超过20GW，较2022年增长10倍。这个数字与5万亿至10万亿参数模型的规划放在一起观察，可以看出阿里押注的并非单一模型迭代，而是一套从底层芯片到云端资源、再到终端应用的完整体系。
算力需求首先会向芯片环节传导。阿里平头哥目前已布局真武系列GPU、倚天系列CPU、磐脉系列智能网卡以及ICN互联芯片。云栖大会发布的真武V900，纸面算力达到上一代真武M890的3倍，配备216GB显存，片间互联带宽达到1200GB/s，单集群可扩展至50万卡，计划于2027年第一季度量产。阿里方面还披露，M890 AI超节点已经能够支撑超过2万亿参数大模型的高效推理。
如果5万亿至10万亿参数模型的训练目标推进，芯片数量、显存容量、网络互联和集群调度都将面临更高要求。对阿里而言，自研芯片的价值不只是降低部分成本，也在于增强算力供给的确定性，并通过芯片、模型和云基础设施的协同设计提升整体效率。对行业而言，超大模型竞争可能进一步推动GPU、CPU、智能网卡、高速互联和先进封装（886009）等环节扩产。
电力供应会成为另一道约束。高盛（GS）旗下Carbonomics团队在报告中预计，全球数据中心表后发电容量预测已从40GW上调至67GW；到2030年，燃气轮机、往复式发动机和燃料电池（885775）合计可能承担全球25%的数据中心电力需求，美国对应比例为28%。报告还预计，全球数据中心用电量到2030年较2025年增长170%。
这组行业数据并不等同于阿里项目的具体电力配置，却说明超大模型背后的竞争已经超出服务器采购范围。美国新建高压输电线路速度明显放缓，数据中心从提交并网申请到正式运营的等待时间接近五年，部分数据甚至显示电网接入时间已超过七年。在此背景下，数据中心自备电厂、燃料电池（885775）和往复式发动机受到市场关注，相关方案可能成为并网受限时期的过渡选择。小型模块化核反应堆则被高盛（GS）视为2030年后更具长期规模化潜力的方案，但其建设周期（883436）意味着大规模落地仍待验证。
供应链紧张也可能改变AI基础设施的建设节奏。高盛（GS）报告提到，ge vernova（GEV）积压订单及预留产能达到116GW，2030年产能已售罄，2031年产能也已有一半以上被预订。燃料电池（885775）和发动机环节同样受到产能限制。对大型云厂商来说，未来的竞争不只是“能否训练出更大的模型”，还包括能否提前锁定芯片、服务器、网络、电力和数据中心资源。
模型规模扩大后，应用端能否同步产生真实价值，仍是另一项考验。阿里云智能集团副总裁霍嘉曾将企业客户分为AI原生、高科技、企业和政府等类型，前两类更偏需求驱动，后两类则需要先证明应用价值。他对企业AI项目失败原因的观察是，部分项目并非败在模型不够强，而是选错场景、高估数据质量，仍以传统信息化项目的方法推进。
因此，5万亿至10万亿参数模型的意义，不能只用参数数量衡量。更大的模型或许有助于处理复杂任务和长程任务，但最终能否转化为稳定的Token调用、企业生产力和可持续收入，还取决于推理成本、服务价格、数据质量以及应用生态成熟度。阿里在云栖大会展示的智能眼镜、金融AI终端和数字员工等应用，显示其正在尝试把模型能力推向真实场景，但规模化效果仍需要市场进一步检验。
对AI产业生态而言，阿里的布局可能带来三方面影响：一是大模型训练和推理的算力门槛继续上升，芯片与互联技术的重要性增强；二是云厂商的竞争从模型服务延伸至数据中心、电力和供应链管理；三是模型厂商需要更重视应用落地，而非单纯追求参数扩张。阿里是否能够把模型、芯片和云连接成高效闭环，仍有待后续产品、量产和商业化进展进一步验证。
