阿里巴巴（BABA）对下一代大模型的规划，正在把行业视线从参数规模本身，进一步拉向模型背后的算力、芯片、数据中心和能源（850101）体系。
在云栖大会上，阿里巴巴（BABA）CEO吴泳铭提出，Qwen团队正在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（人工超智能）方向迈进。公开信息显示，这仍属于面向未来的技术规划，模型能否按计划完成训练、实际能力如何，仍有待后续验证。
这项计划的意义，不只在于数字更大。吴泳铭将阿里的AI布局概括为“模型、芯片、云”三大基石，并给出更长期的基础设施目标：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。模型负责产生智能能力，芯片提供计算支撑，数据中心则承担算力部署与服务交付，三者被纳入同一套长期建设框架。
模型规模上探，首先会抬高算力基础设施的门槛。阿里方面披露，平头哥真武V900芯片的算力约为上一代真武M890的3倍，单集群可扩展至50万卡；目前平头哥已布局真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。上一代M890已被用于支持超过2万亿参数大模型的高效推理。若5万亿至10万亿参数模型进入训练和推理阶段，芯片数量、显存容量、片间通信以及集群调度都将面临更高要求。
大规模集群的瓶颈也不再只是“有没有加速卡”。模型训练和推理需要在芯片、服务器、交换机与机架之间持续交换数据，集群越大，通信频率和网络层级越复杂。带宽不足或延迟升高，可能使加速卡陷入等待数据的状态，峰值算力难以转化为实际效率。由AMD、思科（CSCO）、英特尔（INTC）、阿里等企业参与推动的UALink开放协议，以及围绕高速交换和互连展开的产业投入，反映出AI基础设施竞争正在从单卡性能延伸到集群协同能力。
能源（850101）供给则是另一道硬约束。高盛（GS）旗下Carbonomics团队预测，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170%。该团队还将全球数据中心表后发电容量预测从40GW上调至67GW，认为燃气轮机、往复式发动机和燃料电池（885775）到2030年可能承担全球25%的数据中心电力需求。上述判断属于机构预测，并非已实现结果。
供电设备的交付周期（883436）已经成为算力扩张的现实约束。相关报告提到，ge vernova（GEV）积压订单加预留产能达到116GW，2030年产能已全部售罄，2031年产能也有超过一半被预订。燃气轮机供应紧张，可能促使数据中心运营商考虑燃料电池（885775）、往复式发动机等替代路径；从更长期看，高盛（GS）认为小型模块化核反应堆可能成为2030年后的永久解决方案，但其建设周期（883436）决定了大规模落地难以在2030年前完成。
对产业生态而言，阿里的规划可能带来三方面影响。其一，芯片、服务器、交换机、光互连、PCB、液冷和数据中心运营等环节将获得更强的需求牵引。高性能AI服务器对高多层PCB和高阶HDI产品的要求持续提升，硬件价值量也随算力密度和传输标准升级而变化。其二，云服务商的竞争将从模型调用价格，扩展到芯片适配、集群效率、能源（850101）成本和交付速度。其三，模型能力提升会推动智能体和行业应用进入更多生产环节，但数据、模型、软件、算力和平台供应链的安全治理也必须同步完善。
风险同样不能被参数规模掩盖。超大模型需要长期资本投入和稳定能源（850101）供给，训练成本、芯片供应、网络互连、数据质量以及模型安全，任何一环出现短板，都可能影响最终效果。相关研究还提示，大模型可能被用于漏洞挖掘、攻击链编排和规避检测，高权限智能体的行为难以完全通过静态规则预判。因此，身份权限管理、数据安全（885942）、模型评估、可信追溯和持续监测，可能成为企业部署大模型时不可缺少的配套能力。
阿里计划训练5万亿至10万亿参数模型，最终考验的并不是单一模型的参数数字，而是企业能否把模型、芯片、互连、云和能源（850101）组织成稳定运行的系统。AI产业的竞争，也将由“谁先做出更大的模型”，逐步转向“谁能以更高效率、更低成本和更可控的方式，让模型持续发挥作用”。
在云栖大会上，阿里巴巴（BABA）CEO吴泳铭提出，Qwen团队正在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（人工超智能）方向迈进。公开信息显示，这仍属于面向未来的技术规划，模型能否按计划完成训练、实际能力如何，仍有待后续验证。
这项计划的意义，不只在于数字更大。吴泳铭将阿里的AI布局概括为“模型、芯片、云”三大基石，并给出更长期的基础设施目标：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。模型负责产生智能能力，芯片提供计算支撑，数据中心则承担算力部署与服务交付，三者被纳入同一套长期建设框架。
模型规模上探，首先会抬高算力基础设施的门槛。阿里方面披露，平头哥真武V900芯片的算力约为上一代真武M890的3倍，单集群可扩展至50万卡；目前平头哥已布局真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片。上一代M890已被用于支持超过2万亿参数大模型的高效推理。若5万亿至10万亿参数模型进入训练和推理阶段，芯片数量、显存容量、片间通信以及集群调度都将面临更高要求。
大规模集群的瓶颈也不再只是“有没有加速卡”。模型训练和推理需要在芯片、服务器、交换机与机架之间持续交换数据，集群越大，通信频率和网络层级越复杂。带宽不足或延迟升高，可能使加速卡陷入等待数据的状态，峰值算力难以转化为实际效率。由AMD、思科（CSCO）、英特尔（INTC）、阿里等企业参与推动的UALink开放协议，以及围绕高速交换和互连展开的产业投入，反映出AI基础设施竞争正在从单卡性能延伸到集群协同能力。
能源（850101）供给则是另一道硬约束。高盛（GS）旗下Carbonomics团队预测，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170%。该团队还将全球数据中心表后发电容量预测从40GW上调至67GW，认为燃气轮机、往复式发动机和燃料电池（885775）到2030年可能承担全球25%的数据中心电力需求。上述判断属于机构预测，并非已实现结果。
供电设备的交付周期（883436）已经成为算力扩张的现实约束。相关报告提到，ge vernova（GEV）积压订单加预留产能达到116GW，2030年产能已全部售罄，2031年产能也有超过一半被预订。燃气轮机供应紧张，可能促使数据中心运营商考虑燃料电池（885775）、往复式发动机等替代路径；从更长期看，高盛（GS）认为小型模块化核反应堆可能成为2030年后的永久解决方案，但其建设周期（883436）决定了大规模落地难以在2030年前完成。
对产业生态而言，阿里的规划可能带来三方面影响。其一，芯片、服务器、交换机、光互连、PCB、液冷和数据中心运营等环节将获得更强的需求牵引。高性能AI服务器对高多层PCB和高阶HDI产品的要求持续提升，硬件价值量也随算力密度和传输标准升级而变化。其二，云服务商的竞争将从模型调用价格，扩展到芯片适配、集群效率、能源（850101）成本和交付速度。其三，模型能力提升会推动智能体和行业应用进入更多生产环节，但数据、模型、软件、算力和平台供应链的安全治理也必须同步完善。
风险同样不能被参数规模掩盖。超大模型需要长期资本投入和稳定能源（850101）供给，训练成本、芯片供应、网络互连、数据质量以及模型安全，任何一环出现短板，都可能影响最终效果。相关研究还提示，大模型可能被用于漏洞挖掘、攻击链编排和规避检测，高权限智能体的行为难以完全通过静态规则预判。因此，身份权限管理、数据安全（885942）、模型评估、可信追溯和持续监测，可能成为企业部署大模型时不可缺少的配套能力。
阿里计划训练5万亿至10万亿参数模型，最终考验的并不是单一模型的参数数字，而是企业能否把模型、芯片、互连、云和能源（850101）组织成稳定运行的系统。AI产业的竞争，也将由“谁先做出更大的模型”，逐步转向“谁能以更高效率、更低成本和更可控的方式，让模型持续发挥作用”。
