阿里巴巴（BABA）正在把大模型竞争的尺度继续向上推。9月22日云栖大会上，阿里巴巴（BABA）CEO吴泳铭表示，Qwen团队正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ASI，即人工超智能方向探索。
这仍是一个规划目标，并不代表模型已经完成或达到预期能力。但从阿里同时公布的芯片、云和数据中心计划看，5万亿至10万亿参数并非孤立的模型指标，而是其“模型—芯片—云”一体化路线中的一环。
一、模型规模上探，首先考验算力供给
参数规模进入万亿级之后，训练和推理对计算资源、存储、网络互联以及能源（850101）保障的要求都会显著提高。阿里将AI模型、AI芯片和AI云并列为机器智能时代的三大基础设施，意图也由单点模型竞争延伸到全链条供给。
在芯片端，阿里自研的真武V900已经亮相。公开信息显示，该芯片算力为上一代真武M890的3倍，配备216GB显存，单一集群可扩展至50万卡，计划于2027年第一季度量产。此前，真武M890已被用于支撑超过2万亿参数大模型的高效推理。平头哥还布局了真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。
如果芯片承担的是Token生产，数据中心则负责承载和输送这些计算能力。吴泳铭给出的长期目标是，到2032年，阿里云运营的全球数据中心规模超过20GW，较2022年扩大10倍。模型、芯片与云资源被放在同一套规划中，反映出阿里更看重AI基础设施的长期规模化供给。
二、产业链可能从模型端向上游扩散
模型参数量持续扩大，影响不会停留在算法公司内部。训练集群需要更多高性能芯片、显存、服务器、光通信设备（881129）和数据中心网络，电力与制冷系统也会成为约束条件。国家统计局数据显示，1—8月份，电子行业利润同比增长1.1倍，对全部规模以上工业企业利润增长的贡献率达到62.0%；新能源汽车（885431）、物联网（885312）和算力中心等场景带动芯片需求增加，光电子器件制造、半导体（881121）分立器件制造行业利润分别增长72.0%和51.8%。这些数据不能直接归因于阿里单一项目，但显示AI及相关新兴场景正在向电子产业链传导需求。
全球范围内，算力基础设施对能源（850101）的压力也已受到关注。高盛（GS）旗下Carbonomics团队在一份报告中预计，到2030年，数据中心表后发电容量将达到67GW，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。报告还提到，ge vernova（GEV）积压订单及预留产能达到116GW，2030年产能已经售罄，2031年产能也有超过一半被预订。相关预测和订单情况仍属于机构报告及市场信息，但它们说明，AI算力扩张的瓶颈可能逐步从芯片延伸到电力和能源（850101）设备。
三、模型变大，不等于企业应用自动成熟
阿里云智能集团副总裁霍嘉在云栖大会期间接受媒体采访时提到，企业AI项目失败，很多时候并非模型能力不足，而是场景选择错误、数据质量被高估，或者仍沿用传统信息化项目的实施方式。
他将客户分为四类：AI原生客户、高科技客户、企业级客户和政府客户。前两类通常有明确需求，购买Token后即可开始使用；后两类则更看重投入产出比，需要先证明AI确实有价值。霍嘉认为，企业级客户落地较慢，主要受AI人才不足、可复制案例有限，以及模型和工程方法快速变化等因素影响。
企业拥有数据，也不代表这些数据可以直接服务于智能体应用。霍嘉曾将这一问题概括为“IT Data不等于AI Data”，在应用阶段又进一步提出“IT Data不等于Agentic Data”。一套系统里的数据，只有经过整理、授权和流程适配，才能进入Agent运行环境。
项目规模同样需要重新评估。霍嘉提到，一家大型企业曾计划为每天仅有一百多笔交易的B2B电商平台设计AI方案。按照他的判断，人工处理这些交易只需几分钟到几小时，贸然引入复杂AI系统，未必能形成足够收益。因此，阿里云团队会主动拒绝部分场景，或者建议客户暂缓实施。
四、竞争焦点或从“训练模型”转向“把模型用起来”
为了提高落地效率，阿里云正在尝试让工程人员更早进入客户现场。霍嘉所介绍的FDE，即前置部署工程师模式，强调在售前阶段验证场景、技术可行性和ROI，再把成熟方案做成生产级系统。与传统先确定范围、签署项目文件再交付的方式相比，这种方法更接近边验证、边开发、边迭代。
阿里云并未将FDE定位为独立的服务生意。霍嘉表示，团队的核心考核是能否带动产品，阿里也不是一家以服务为主的公司。围绕FDE的长期商业化，阿里云更倾向于两类模式：产品商业模式，或面向重点客户的长期服务合同。结果付费，即Result as a Service（SCI），也被视为一种可能的方向，但其能否成为普遍模式仍待市场验证。
对阿里而言，训练5万亿至10万亿参数模型的意义，可能不只是刷新模型规模。它将同时检验自研芯片能否支撑大规模训练与推理，云基础设施能否持续扩张，以及企业客户是否愿意为更强的模型能力支付成本。Token消耗增长、价格上行，显示AI原生和高科技客户的需求正在加速；企业级应用则仍需要逐个场景验证。
因此，阿里的这项计划可能推动算力、芯片、服务器、网络、能源（850101）和云服务形成更紧密的协同，也可能让行业更清楚地看到：大模型竞争的终点并不只是参数量，真正决定商业价值的，还包括基础设施效率、数据可用性和应用结果。5万亿至10万亿参数模型能否按计划落地、实际能力如何，目前仍需要后续进展来验证。
这仍是一个规划目标，并不代表模型已经完成或达到预期能力。但从阿里同时公布的芯片、云和数据中心计划看，5万亿至10万亿参数并非孤立的模型指标，而是其“模型—芯片—云”一体化路线中的一环。
一、模型规模上探，首先考验算力供给
参数规模进入万亿级之后，训练和推理对计算资源、存储、网络互联以及能源（850101）保障的要求都会显著提高。阿里将AI模型、AI芯片和AI云并列为机器智能时代的三大基础设施，意图也由单点模型竞争延伸到全链条供给。
在芯片端，阿里自研的真武V900已经亮相。公开信息显示，该芯片算力为上一代真武M890的3倍，配备216GB显存，单一集群可扩展至50万卡，计划于2027年第一季度量产。此前，真武M890已被用于支撑超过2万亿参数大模型的高效推理。平头哥还布局了真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。
如果芯片承担的是Token生产，数据中心则负责承载和输送这些计算能力。吴泳铭给出的长期目标是，到2032年，阿里云运营的全球数据中心规模超过20GW，较2022年扩大10倍。模型、芯片与云资源被放在同一套规划中，反映出阿里更看重AI基础设施的长期规模化供给。
二、产业链可能从模型端向上游扩散
模型参数量持续扩大，影响不会停留在算法公司内部。训练集群需要更多高性能芯片、显存、服务器、光通信设备（881129）和数据中心网络，电力与制冷系统也会成为约束条件。国家统计局数据显示，1—8月份，电子行业利润同比增长1.1倍，对全部规模以上工业企业利润增长的贡献率达到62.0%；新能源汽车（885431）、物联网（885312）和算力中心等场景带动芯片需求增加，光电子器件制造、半导体（881121）分立器件制造行业利润分别增长72.0%和51.8%。这些数据不能直接归因于阿里单一项目，但显示AI及相关新兴场景正在向电子产业链传导需求。
全球范围内，算力基础设施对能源（850101）的压力也已受到关注。高盛（GS）旗下Carbonomics团队在一份报告中预计，到2030年，数据中心表后发电容量将达到67GW，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。报告还提到，ge vernova（GEV）积压订单及预留产能达到116GW，2030年产能已经售罄，2031年产能也有超过一半被预订。相关预测和订单情况仍属于机构报告及市场信息，但它们说明，AI算力扩张的瓶颈可能逐步从芯片延伸到电力和能源（850101）设备。
三、模型变大，不等于企业应用自动成熟
阿里云智能集团副总裁霍嘉在云栖大会期间接受媒体采访时提到，企业AI项目失败，很多时候并非模型能力不足，而是场景选择错误、数据质量被高估，或者仍沿用传统信息化项目的实施方式。
他将客户分为四类：AI原生客户、高科技客户、企业级客户和政府客户。前两类通常有明确需求，购买Token后即可开始使用；后两类则更看重投入产出比，需要先证明AI确实有价值。霍嘉认为，企业级客户落地较慢，主要受AI人才不足、可复制案例有限，以及模型和工程方法快速变化等因素影响。
企业拥有数据，也不代表这些数据可以直接服务于智能体应用。霍嘉曾将这一问题概括为“IT Data不等于AI Data”，在应用阶段又进一步提出“IT Data不等于Agentic Data”。一套系统里的数据，只有经过整理、授权和流程适配，才能进入Agent运行环境。
项目规模同样需要重新评估。霍嘉提到，一家大型企业曾计划为每天仅有一百多笔交易的B2B电商平台设计AI方案。按照他的判断，人工处理这些交易只需几分钟到几小时，贸然引入复杂AI系统，未必能形成足够收益。因此，阿里云团队会主动拒绝部分场景，或者建议客户暂缓实施。
四、竞争焦点或从“训练模型”转向“把模型用起来”
为了提高落地效率，阿里云正在尝试让工程人员更早进入客户现场。霍嘉所介绍的FDE，即前置部署工程师模式，强调在售前阶段验证场景、技术可行性和ROI，再把成熟方案做成生产级系统。与传统先确定范围、签署项目文件再交付的方式相比，这种方法更接近边验证、边开发、边迭代。
阿里云并未将FDE定位为独立的服务生意。霍嘉表示，团队的核心考核是能否带动产品，阿里也不是一家以服务为主的公司。围绕FDE的长期商业化，阿里云更倾向于两类模式：产品商业模式，或面向重点客户的长期服务合同。结果付费，即Result as a Service（SCI），也被视为一种可能的方向，但其能否成为普遍模式仍待市场验证。
对阿里而言，训练5万亿至10万亿参数模型的意义，可能不只是刷新模型规模。它将同时检验自研芯片能否支撑大规模训练与推理，云基础设施能否持续扩张，以及企业客户是否愿意为更强的模型能力支付成本。Token消耗增长、价格上行，显示AI原生和高科技客户的需求正在加速；企业级应用则仍需要逐个场景验证。
因此，阿里的这项计划可能推动算力、芯片、服务器、网络、能源（850101）和云服务形成更紧密的协同，也可能让行业更清楚地看到：大模型竞争的终点并不只是参数量，真正决定商业价值的，还包括基础设施效率、数据可用性和应用结果。5万亿至10万亿参数模型能否按计划落地、实际能力如何，目前仍需要后续进展来验证。
