阿里把大模型参数规模推向5万亿至10万亿，真正值得追问的并不是一个更大的数字，而是：当模型从万亿级继续放大，最先受限的还会只是芯片吗？
公开信息显示，吴泳铭提出，Qwen团队计划训练5—10T参数规模的新模型，目标是处理更复杂、更长程的任务，并向ASI方向推进。这个表述目前属于公司规划和技术目标，尚不足以等同于模型已经完成训练，也不能直接换算成阿里未来某一项目的具体采购额。
但从产业机制看，参数规模上升会把压力沿着一条链条传导出去：模型训练需要更多算力和显存，参数与中间计算结果需要更大容量、更高带宽的存储；大量芯片协同工作，又要求服务器、智能网卡、片间互联和集群调度保持高效率；设备规模扩大后，数据中心的机柜、网络、制冷、土地、能源（850101）和并网能力都必须同步跟上。训练是一次性的集中消耗，推理则可能在模型被广泛调用后形成持续的算力需求，二者共同决定基础设施能否真正承载模型能力。
阿里已经公开给出“AI模型、AI芯片、AI云”三层框架。模型是应用和能力的上游，芯片提供计算基础，云则负责把分散的算力、存储和数据中心组织成可调用的服务。阿里云副总裁霍嘉提到，Token消耗正在增长，价格上涨与需求爆发、模型能力提高及企业生产力提升有关。若企业侧调用持续扩大，产业链的价值量就不只集中在训练阶段，而会进一步延伸到推理、云服务和日常运维。
芯片之后，服务器和高速互联可能成为更容易被忽视的瓶颈。
平头哥发布的真武V900，公开资料给出的信息包括：算力约为上一代真武M890的3倍，配备216GB显存，片间互联带宽达到1200GB/s，单一集群可扩展至50万卡，计划于2027年第一季度量产。对超大规模模型而言，单颗芯片的峰值性能并不等于集群的有效性能。芯片之间传输参数和中间结果的效率、服务器内部拓扑、网络拥塞控制以及任务调度能力，都会影响最终训练速度和推理成本。
平头哥的布局也不止GPU。公开报道提到，其数据中心芯片覆盖真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。这样的组合说明，大模型竞争正在从“买到多少加速卡”转向整套系统能否协同：CPU负责通用计算和调度，GPU承担主要 AI 计算，智能网卡和互联芯片减少通信环节的损耗，软件系统则决定大规模集群能否稳定运行。
这也是阿里自研芯片与AI云结合的意义所在。芯片、模型和云服务可以在架构上协同优化，理论上有助于提升资源利用率和成本控制能力。但公开信息尚未披露真武V900的实际量产进度、客户使用率，也没有证据表明阿里已经就相关产品向特定芯片、服务器或网络企业下达订单。产业链影响可以从机制上成立，具体企业的收入兑现仍需订单和出货验证。
超大模型的第二张资源清单，是电力和并网。
阿里披露的长期目标是，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。这里的20GW是长期目标，公开信息尚不足以确认其具体口径究竟对应运营规模、装机容量还是数据中心容量，也不能把它理解为当前已经形成的采购规模，更不能据此推导某家能源（850101）设备企业的确定性订单。
高盛（GS）旗下Carbonomics团队的一份行业报告则从全球角度提示了约束。报告预计，全球数据中心装机容量将从2025年的101GW增至2030年的217GW，2030年全球数据中心用电量较2025年增长约170%；受电网扩张滞后影响，表后发电容量预测被上调至67GW，并预计到2030年自备电厂将承担全球约25%的数据中心电力需求。报告还称，燃气轮机、往复式发动机和燃料电池（885775）合计可能供应美国28%、全球25%的数据中心电力需求。
这些数字描述的是行业预测，不是阿里项目的实际用电需求。它们揭示的矛盾是，算力中心建设速度可能快于输电线路和并网审批。高盛（GS）资料提到，美国新建高压输电线路年均里程已从2010年至2014年的1700英里降至2020年至2023年的350英里，2023年至2024年间仅新增55至125英里；从提交并网申请到商业运营的中位等待时间接近五年，部分行业数据甚至将电网接入周期（883436）估计到七年。
能源（850101）方案因此会出现分层。燃气轮机适合提供较大规模、相对稳定的电力，但供应周期（883436）和产能可能成为约束；往复式发动机更强调灵活调节，燃料电池（885775）适合分布式供能；小型模块化核反应堆被高盛（GS）视为2030年后可能规模化的长期方案，但建设周期（883436）意味着其大规模落地难以在2030年前实现。不同方案的成本、燃料来源、碳排放、审批条件和运行方式并不相同，不能因为数据中心缺电，就推断某一种能源（850101）路线已经成为阿里的确定选择。
产业链观察需要把“需求增长”和“业绩兑现”拆开。芯片、显存、服务器、光互联、制冷和能源（850101）设备都可能受益于算力扩张；国家统计局数据显示，相关新兴场景带动下，1—8月份光电子器件制造和半导体（881121）分立器件（884090）制造利润分别增长72.0%和51.8%，这可以作为行业景气的侧面印证。但单个企业能否把需求转化为利润，还取决于技术路线是否被采用、产品是否量产、产能是否及时释放，以及数据中心是否按期投运。
后续更值得跟踪的变量有五个：真武V900能否按计划量产，超大模型训练和推理是否出现可持续的Token需求，阿里云数据中心新增容量的实际投运节奏，能源（850101）合同与并网进度，以及云业务收入和客户使用率能否同步提升。只有这些指标逐步落地，20GW和5万亿至10万亿参数才会从战略刻度变成可验证的商业规模。
阿里的布局把AI竞赛的约束地图拉长了：瓶颈可能从芯片供给迁移到服务器组装、集群互联、工程交付，再迁移到电力和并网。市场可以提前交易这种长期预期，但预期不是订单，规划也不是收入。对产业链而言，真正的分水岭不在于谁先喊出更大的参数，而在于谁能把算力、网络、数据中心和能源（850101）系统稳定地交付出来，并以足够高的利用率收回投入。
公开信息显示，吴泳铭提出，Qwen团队计划训练5—10T参数规模的新模型，目标是处理更复杂、更长程的任务，并向ASI方向推进。这个表述目前属于公司规划和技术目标，尚不足以等同于模型已经完成训练，也不能直接换算成阿里未来某一项目的具体采购额。
但从产业机制看，参数规模上升会把压力沿着一条链条传导出去：模型训练需要更多算力和显存，参数与中间计算结果需要更大容量、更高带宽的存储；大量芯片协同工作，又要求服务器、智能网卡、片间互联和集群调度保持高效率；设备规模扩大后，数据中心的机柜、网络、制冷、土地、能源（850101）和并网能力都必须同步跟上。训练是一次性的集中消耗，推理则可能在模型被广泛调用后形成持续的算力需求，二者共同决定基础设施能否真正承载模型能力。
阿里已经公开给出“AI模型、AI芯片、AI云”三层框架。模型是应用和能力的上游，芯片提供计算基础，云则负责把分散的算力、存储和数据中心组织成可调用的服务。阿里云副总裁霍嘉提到，Token消耗正在增长，价格上涨与需求爆发、模型能力提高及企业生产力提升有关。若企业侧调用持续扩大，产业链的价值量就不只集中在训练阶段，而会进一步延伸到推理、云服务和日常运维。
芯片之后，服务器和高速互联可能成为更容易被忽视的瓶颈。
平头哥发布的真武V900，公开资料给出的信息包括：算力约为上一代真武M890的3倍，配备216GB显存，片间互联带宽达到1200GB/s，单一集群可扩展至50万卡，计划于2027年第一季度量产。对超大规模模型而言，单颗芯片的峰值性能并不等于集群的有效性能。芯片之间传输参数和中间结果的效率、服务器内部拓扑、网络拥塞控制以及任务调度能力，都会影响最终训练速度和推理成本。
平头哥的布局也不止GPU。公开报道提到，其数据中心芯片覆盖真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。这样的组合说明，大模型竞争正在从“买到多少加速卡”转向整套系统能否协同：CPU负责通用计算和调度，GPU承担主要 AI 计算，智能网卡和互联芯片减少通信环节的损耗，软件系统则决定大规模集群能否稳定运行。
这也是阿里自研芯片与AI云结合的意义所在。芯片、模型和云服务可以在架构上协同优化，理论上有助于提升资源利用率和成本控制能力。但公开信息尚未披露真武V900的实际量产进度、客户使用率，也没有证据表明阿里已经就相关产品向特定芯片、服务器或网络企业下达订单。产业链影响可以从机制上成立，具体企业的收入兑现仍需订单和出货验证。
超大模型的第二张资源清单，是电力和并网。
阿里披露的长期目标是，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。这里的20GW是长期目标，公开信息尚不足以确认其具体口径究竟对应运营规模、装机容量还是数据中心容量，也不能把它理解为当前已经形成的采购规模，更不能据此推导某家能源（850101）设备企业的确定性订单。
高盛（GS）旗下Carbonomics团队的一份行业报告则从全球角度提示了约束。报告预计，全球数据中心装机容量将从2025年的101GW增至2030年的217GW，2030年全球数据中心用电量较2025年增长约170%；受电网扩张滞后影响，表后发电容量预测被上调至67GW，并预计到2030年自备电厂将承担全球约25%的数据中心电力需求。报告还称，燃气轮机、往复式发动机和燃料电池（885775）合计可能供应美国28%、全球25%的数据中心电力需求。
这些数字描述的是行业预测，不是阿里项目的实际用电需求。它们揭示的矛盾是，算力中心建设速度可能快于输电线路和并网审批。高盛（GS）资料提到，美国新建高压输电线路年均里程已从2010年至2014年的1700英里降至2020年至2023年的350英里，2023年至2024年间仅新增55至125英里；从提交并网申请到商业运营的中位等待时间接近五年，部分行业数据甚至将电网接入周期（883436）估计到七年。
能源（850101）方案因此会出现分层。燃气轮机适合提供较大规模、相对稳定的电力，但供应周期（883436）和产能可能成为约束；往复式发动机更强调灵活调节，燃料电池（885775）适合分布式供能；小型模块化核反应堆被高盛（GS）视为2030年后可能规模化的长期方案，但建设周期（883436）意味着其大规模落地难以在2030年前实现。不同方案的成本、燃料来源、碳排放、审批条件和运行方式并不相同，不能因为数据中心缺电，就推断某一种能源（850101）路线已经成为阿里的确定选择。
产业链观察需要把“需求增长”和“业绩兑现”拆开。芯片、显存、服务器、光互联、制冷和能源（850101）设备都可能受益于算力扩张；国家统计局数据显示，相关新兴场景带动下，1—8月份光电子器件制造和半导体（881121）分立器件（884090）制造利润分别增长72.0%和51.8%，这可以作为行业景气的侧面印证。但单个企业能否把需求转化为利润，还取决于技术路线是否被采用、产品是否量产、产能是否及时释放，以及数据中心是否按期投运。
后续更值得跟踪的变量有五个：真武V900能否按计划量产，超大模型训练和推理是否出现可持续的Token需求，阿里云数据中心新增容量的实际投运节奏，能源（850101）合同与并网进度，以及云业务收入和客户使用率能否同步提升。只有这些指标逐步落地，20GW和5万亿至10万亿参数才会从战略刻度变成可验证的商业规模。
阿里的布局把AI竞赛的约束地图拉长了：瓶颈可能从芯片供给迁移到服务器组装、集群互联、工程交付，再迁移到电力和并网。市场可以提前交易这种长期预期，但预期不是订单，规划也不是收入。对产业链而言，真正的分水岭不在于谁先喊出更大的参数，而在于谁能把算力、网络、数据中心和能源（850101）系统稳定地交付出来，并以足够高的利用率收回投入。
