阿里巴巴（BABA）把大模型的参数规模推向5万亿至10万亿，市场首先想到的往往是算力、芯片和数据中心。但真正决定这场投入能否转化为商业回报的问题只有一个：谁会为更大的模型持续买单？
吴泳铭在云栖大会上提出，Qwen团队计划训练5—10T参数规模的新模型，目标是完成更复杂、更长程的任务，并向ASI迈进。这个表述是规划目标，而不是已经完成的产品交付。模型能力、训练成本、推理效率和商业化节奏，仍待后续披露验证。
参数规模本身也不是订单规模的同义词。模型最终要通过Token调用量、应用使用率和客户ROI体现价值。即便模型可以处理更复杂的任务，如果推理成本过高、服务价格难以下降，或者客户无法把它嵌入真实业务，参数优势也可能停留在技术展示层面。数据质量、部署方式、数据安全（885942）以及客户是否愿意调整现有流程，都会影响模型能否转化为付费需求。
一条更完整的影响机制是：更大模型带来更强的长程任务能力，促使部分客户增加Token调用；调用增长提高算力利用率，推动芯片、网络和数据中心扩张；但只有当推理价格下降或生产效率提升能够覆盖新增计算成本，云厂商才能把算力投入变成稳定收入。这条链条中，任何一环出现断点，都会让“超大模型”与“更大订单”脱钩。
客户并不是以同样的速度进入这条链条。阿里云智能集团副总裁霍嘉在9月23日云栖大会期间的媒体群访中，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。前两类更偏需求驱动。AI原生公司、短剧公司以及互联网、汽车、手机等高科技企业，通常具备更强的技术团队，也更清楚自己需要什么，购买Token后可以较快投入使用。
企业级客户和政府客户则更偏价值驱动。他们需要先回答“为什么要用”“能节省多少成本”“能否承担错误”，才会从POC进入生产环境。霍嘉提到，Token消耗正在增长，价格也在上涨，背后叠加了需求增加、模型能力提高和企业感受到生产力提升等因素。但这只能说明部分客户的需求在加速，不能直接推导出企业AI已经全面成熟。
企业AI最容易失败的地方，往往不是模型不够聪明，而是项目方法错了。
第一，场景可能从一开始就选错。硬训一个垂类模型，未必比调用通用模型更划算，还可能遭遇数据不足、数据质量不稳定以及模型与算力集群不适配等问题。企业把“有数据”误认为“有足够好的训练数据”，是常见误区。
第二，IT Data不等于AI Data。传统信息化系统沉淀的是表格、流程和记录，Agentic Data则需要进一步匹配业务流程、权限体系、工具接口和运行环境。一个Agent能否执行任务，不仅取决于它能否理解文本，还取决于它是否被允许访问系统、调用工具并承担结果责任。
第三，低频Agent和低交易量场景可能无法覆盖复杂系统建设成本。如果一个应用每月只被少量使用，却需要长期投入数据治理、接口改造、安全审核和人工运营，项目的经济性很难成立。项目周期（883436）过长、甲乙方相互割裂，以及缺少客户现场验证，也会让方案在演示阶段看起来有效，进入生产后却难以持续。
阿里云试图用FDE，也就是前线部署工程师，缩短技术能力与客户结果之间的距离。FDE在售前阶段需要验证场景、技术可行性和ROI，帮助客户先砍掉伪需求，再决定是否进入开发和部署。对于企业客户而言，这种方式的价值不只是“多派工程师”，而是把模型能力放进真实业务现场检验。
但阿里云对FDE的定位，并不是把它单独做成一门高毛利服务生意，而更倾向于把它作为带动产品化的能力。理想结果是，现场验证过的流程被沉淀为标准工具、行业产品或MaaS服务，交付不再依赖每个项目重新定制。产品商业模式、长期服务合同以及Result as a Service（SCI）仍处在探索和分化阶段，不能简单视为已经形成行业统一模式。
结果付费听起来更接近客户诉求，却也带来新的风险。节省的成本究竟由模型贡献，还是由流程改造、人员调整和管理改善带来？结果如何量化、如何归因？当交付成本高于预期时，云厂商是否还能保持利润？客户是否愿意签订足够长期的合同？这些问题没有标准答案，Result as a Service（SCI）就很难成为稳定的收入模式。
阿里给出的长期基建方向也提高了商业化验证的门槛。吴泳铭提出，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；平头哥则在布局真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。阿里希望形成“模型—芯片—云”的协同，芯片负责生产Token，数据中心负责输送Token。问题在于，规模化基础设施需要持续需求支撑，不能只靠一次性的训练项目填满。
判断这项计划能否兑现，至少要盯住五个指标。
第一，Token调用量是否持续增长，而且不只是集中在AI原生和高科技客户。第二，企业项目能否从POC进入生产环境，并形成可复制的行业产品。第三，推理价格下降能否抵消更大模型带来的计算成本。第四，阿里云是否披露AI相关收入、资本开支、客户续约等更直接的经营数据。第五，Qwen的模型能力能否沉淀为开发者生态、工具链和长期服务合同。
超大模型计划对产业生态的潜在影响，确实可能从训练集群扩散到芯片、网络、数据中心和应用开发。但参数规模只是起点，不是商业结论。阿里真正需要证明的，是更强模型能否在推理成本可控的前提下，变成稳定调用、可验证的生产效率和持续的云收入。市场交易的是基础设施扩张的预期，企业客户最终支付的，却只能是看得见、算得清、能够长期运行的结果。
吴泳铭在云栖大会上提出，Qwen团队计划训练5—10T参数规模的新模型，目标是完成更复杂、更长程的任务，并向ASI迈进。这个表述是规划目标，而不是已经完成的产品交付。模型能力、训练成本、推理效率和商业化节奏，仍待后续披露验证。
参数规模本身也不是订单规模的同义词。模型最终要通过Token调用量、应用使用率和客户ROI体现价值。即便模型可以处理更复杂的任务，如果推理成本过高、服务价格难以下降，或者客户无法把它嵌入真实业务，参数优势也可能停留在技术展示层面。数据质量、部署方式、数据安全（885942）以及客户是否愿意调整现有流程，都会影响模型能否转化为付费需求。
一条更完整的影响机制是：更大模型带来更强的长程任务能力，促使部分客户增加Token调用；调用增长提高算力利用率，推动芯片、网络和数据中心扩张；但只有当推理价格下降或生产效率提升能够覆盖新增计算成本，云厂商才能把算力投入变成稳定收入。这条链条中，任何一环出现断点，都会让“超大模型”与“更大订单”脱钩。
客户并不是以同样的速度进入这条链条。阿里云智能集团副总裁霍嘉在9月23日云栖大会期间的媒体群访中，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。前两类更偏需求驱动。AI原生公司、短剧公司以及互联网、汽车、手机等高科技企业，通常具备更强的技术团队，也更清楚自己需要什么，购买Token后可以较快投入使用。
企业级客户和政府客户则更偏价值驱动。他们需要先回答“为什么要用”“能节省多少成本”“能否承担错误”，才会从POC进入生产环境。霍嘉提到，Token消耗正在增长，价格也在上涨，背后叠加了需求增加、模型能力提高和企业感受到生产力提升等因素。但这只能说明部分客户的需求在加速，不能直接推导出企业AI已经全面成熟。
企业AI最容易失败的地方，往往不是模型不够聪明，而是项目方法错了。
第一，场景可能从一开始就选错。硬训一个垂类模型，未必比调用通用模型更划算，还可能遭遇数据不足、数据质量不稳定以及模型与算力集群不适配等问题。企业把“有数据”误认为“有足够好的训练数据”，是常见误区。
第二，IT Data不等于AI Data。传统信息化系统沉淀的是表格、流程和记录，Agentic Data则需要进一步匹配业务流程、权限体系、工具接口和运行环境。一个Agent能否执行任务，不仅取决于它能否理解文本，还取决于它是否被允许访问系统、调用工具并承担结果责任。
第三，低频Agent和低交易量场景可能无法覆盖复杂系统建设成本。如果一个应用每月只被少量使用，却需要长期投入数据治理、接口改造、安全审核和人工运营，项目的经济性很难成立。项目周期（883436）过长、甲乙方相互割裂，以及缺少客户现场验证，也会让方案在演示阶段看起来有效，进入生产后却难以持续。
阿里云试图用FDE，也就是前线部署工程师，缩短技术能力与客户结果之间的距离。FDE在售前阶段需要验证场景、技术可行性和ROI，帮助客户先砍掉伪需求，再决定是否进入开发和部署。对于企业客户而言，这种方式的价值不只是“多派工程师”，而是把模型能力放进真实业务现场检验。
但阿里云对FDE的定位，并不是把它单独做成一门高毛利服务生意，而更倾向于把它作为带动产品化的能力。理想结果是，现场验证过的流程被沉淀为标准工具、行业产品或MaaS服务，交付不再依赖每个项目重新定制。产品商业模式、长期服务合同以及Result as a Service（SCI）仍处在探索和分化阶段，不能简单视为已经形成行业统一模式。
结果付费听起来更接近客户诉求，却也带来新的风险。节省的成本究竟由模型贡献，还是由流程改造、人员调整和管理改善带来？结果如何量化、如何归因？当交付成本高于预期时，云厂商是否还能保持利润？客户是否愿意签订足够长期的合同？这些问题没有标准答案，Result as a Service（SCI）就很难成为稳定的收入模式。
阿里给出的长期基建方向也提高了商业化验证的门槛。吴泳铭提出，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；平头哥则在布局真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。阿里希望形成“模型—芯片—云”的协同，芯片负责生产Token，数据中心负责输送Token。问题在于，规模化基础设施需要持续需求支撑，不能只靠一次性的训练项目填满。
判断这项计划能否兑现，至少要盯住五个指标。
第一，Token调用量是否持续增长，而且不只是集中在AI原生和高科技客户。第二，企业项目能否从POC进入生产环境，并形成可复制的行业产品。第三，推理价格下降能否抵消更大模型带来的计算成本。第四，阿里云是否披露AI相关收入、资本开支、客户续约等更直接的经营数据。第五，Qwen的模型能力能否沉淀为开发者生态、工具链和长期服务合同。
超大模型计划对产业生态的潜在影响，确实可能从训练集群扩散到芯片、网络、数据中心和应用开发。但参数规模只是起点，不是商业结论。阿里真正需要证明的，是更强模型能否在推理成本可控的前提下，变成稳定调用、可验证的生产效率和持续的云收入。市场交易的是基础设施扩张的预期，企业客户最终支付的，却只能是看得见、算得清、能够长期运行的结果。
