阿里巴巴（BABA）把AI的竞争，推向了一个更重的方向。
在云栖大会上，阿里巴巴（BABA）CEO吴泳铭提出，Qwen团队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方向推进。公开信息尚不足以确认这一模型已经完成训练，甚至具体训练项目是否全面启动，也仍待后续披露验证。
真正值得追问的不是“5万亿”这个数字有多大，而是：当模型参数、芯片、云和数据中心同时扩张时，阿里准备通过什么路径收回这笔长期投入？
从模型规划转向投入账本
吴泳铭给出的框架并非单押大模型，而是模型、芯片、云三大基石。模型负责形成能力，芯片提供训练和推理所需的算力，云则负责把算力组织起来并出售给企业客户。三者之间的传导链条是：更大模型带来更高算力需求，芯片和网络优化提升集群效率，数据中心承载训练与推理，最终由云服务和应用调用形成收入。
阿里云给出的长期目标是，到2032年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”究竟对应运营规模、装机容量，还是数据中心总功率口径，仍需公司进一步说明，不能简单等同于已经形成的可售算力。
此前相关报道提到，阿里过去三年投入超过3800亿元用于云与AI硬件建设。这个数字的投资范围、公告时间和已执行金额，需要结合公司正式披露进一步核对。它更适合作为阿里长期资本投入的背景参照，而非直接视作AI项目的独立成本。
芯片端，平头哥已经形成真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片等布局。公开报道显示，真武V900纸面算力为上一代M890的3倍，配备216GB显存，片间互联带宽达到1200GB/s，计划于2027年第一季度量产；单集群可扩展至50万卡的说法，也仍需以产品交付和客户部署情况验证。对超大模型而言，单颗芯片性能并不等于集群有效算力，芯片、服务器、交换机和机架之间的通信效率，同样决定训练利用率。
商业回报可能从哪里来
第一条路径是云上训练和推理服务。阿里如果能够把自研芯片、模型架构与云基础设施协同起来，就有机会向企业提供模型训练、部署、调用和行业定制服务。收入的基础不是模型参数本身，而是客户在云上持续购买算力和Token。
第二条路径是成本效率。自研芯片不必然带来更低成本，但如果芯片适配千问模型，并与阿里云调度、网络和数据中心系统共同优化，可能减少对外部通用芯片的依赖，改善算力供给稳定性。这个判断最终要看量产时间、软件适配程度、客户使用情况和单位推理成本，不能仅凭发布会参数得出结论。
第三条路径是生态黏性。Qwen的开源模型下载量、衍生模型数量、企业客户服务规模，可以观察开发者和企业是否真正围绕其体系展开二次开发。云栖大会上，依托千问大模型的智能眼镜、金融AI终端和数字员工等应用已经出现，但应用展示不等于规模化付费。
如果智能体进入更多生产流程，模型调用次数可能增加，推理需求也可能扩大。但调用量增长能否转化为收入，还取决于推理价格、客户留存、任务价值和服务毛利。模型越强，也可能带来更激烈的价格竞争。
资本开支与需求曲线的错配风险
重资产投入最怕的不是建设慢，而是建成之后利用率不足。市场讨论中出现过阿里单季度资本支出676.78亿元、同比增长75%的数字，但目前缺少对应财报季度及统计口径的明确出处，不能据此判断阿里AI业务的真实投入强度，更不能把资本开支增长直接解释为盈利能力提升。
数据中心建设也远不只是购买芯片。电力指标、土地、网络、液冷、服务器、工程交付和运维能力，都可能成为长期投入。高盛（GS）关于全球数据中心装机容量和用电需求的预测，属于机构对行业的判断，不能直接转换成阿里云项目的成本或电力缺口。自备电力、并网周期（883436）和设备交付，可能决定20GW目标能否按期落地，但阿里具体项目的能源（850101）方案仍有待披露。
模型训练完成时间、实际能力、客户付费意愿和云服务利用率，也都存在不确定性。参数规模扩大未必线性提升能力，训练周期（883436）拉长则可能增加技术路线变化带来的资产折旧风险。若模型能力提升速度快于客户应用成熟度，供给扩张就可能领先于需求。
判断投入是否有效，要盯住五组变量
一是AI相关资本开支与云业务收入增速是否同步，资本投入能否逐步转化为收入，而不是只形成资产规模。
二是算力资源利用率、超节点实际交付规模和集群通信效率。真武V900何时量产、部署多少、能否稳定支撑大规模训练，比发布时的峰值参数更重要。
三是自研芯片的量产进展、客户数量、软件适配和开发者使用反馈。没有生态适配的芯片，难以形成完整的供给壁垒。
四是模型调用量、企业客户留存、推理价格变化以及单次调用的成本。只有调用增长与客户付费同时出现，模型能力才可能转化为可持续业务。
五是能源（850101）供给和数据中心建设进度，包括20GW目标的具体口径、区域布局、并网情况和实际运营容量。
阿里的核心赌注，实际上不是一个5万亿至10万亿参数的模型，而是能否把模型、芯片和云组成一个持续运转的商业系统。超大模型可以成为算力需求的放大器，也可能成为资本开支的放大器。最终决定回报的，不是参数表上的数字，而是每一单位投入能否换来更高的集群利用率、更低的推理成本和更稳定的企业需求。
在云栖大会上，阿里巴巴（BABA）CEO吴泳铭提出，Qwen团队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方向推进。公开信息尚不足以确认这一模型已经完成训练，甚至具体训练项目是否全面启动，也仍待后续披露验证。
真正值得追问的不是“5万亿”这个数字有多大，而是：当模型参数、芯片、云和数据中心同时扩张时，阿里准备通过什么路径收回这笔长期投入？
从模型规划转向投入账本
吴泳铭给出的框架并非单押大模型，而是模型、芯片、云三大基石。模型负责形成能力，芯片提供训练和推理所需的算力，云则负责把算力组织起来并出售给企业客户。三者之间的传导链条是：更大模型带来更高算力需求，芯片和网络优化提升集群效率，数据中心承载训练与推理，最终由云服务和应用调用形成收入。
阿里云给出的长期目标是，到2032年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”究竟对应运营规模、装机容量，还是数据中心总功率口径，仍需公司进一步说明，不能简单等同于已经形成的可售算力。
此前相关报道提到，阿里过去三年投入超过3800亿元用于云与AI硬件建设。这个数字的投资范围、公告时间和已执行金额，需要结合公司正式披露进一步核对。它更适合作为阿里长期资本投入的背景参照，而非直接视作AI项目的独立成本。
芯片端，平头哥已经形成真武系列GPU、倚天系列CPU、磐脉系列智能网卡和ICN互联芯片等布局。公开报道显示，真武V900纸面算力为上一代M890的3倍，配备216GB显存，片间互联带宽达到1200GB/s，计划于2027年第一季度量产；单集群可扩展至50万卡的说法，也仍需以产品交付和客户部署情况验证。对超大模型而言，单颗芯片性能并不等于集群有效算力，芯片、服务器、交换机和机架之间的通信效率，同样决定训练利用率。
商业回报可能从哪里来
第一条路径是云上训练和推理服务。阿里如果能够把自研芯片、模型架构与云基础设施协同起来，就有机会向企业提供模型训练、部署、调用和行业定制服务。收入的基础不是模型参数本身，而是客户在云上持续购买算力和Token。
第二条路径是成本效率。自研芯片不必然带来更低成本，但如果芯片适配千问模型，并与阿里云调度、网络和数据中心系统共同优化，可能减少对外部通用芯片的依赖，改善算力供给稳定性。这个判断最终要看量产时间、软件适配程度、客户使用情况和单位推理成本，不能仅凭发布会参数得出结论。
第三条路径是生态黏性。Qwen的开源模型下载量、衍生模型数量、企业客户服务规模，可以观察开发者和企业是否真正围绕其体系展开二次开发。云栖大会上，依托千问大模型的智能眼镜、金融AI终端和数字员工等应用已经出现，但应用展示不等于规模化付费。
如果智能体进入更多生产流程，模型调用次数可能增加，推理需求也可能扩大。但调用量增长能否转化为收入，还取决于推理价格、客户留存、任务价值和服务毛利。模型越强，也可能带来更激烈的价格竞争。
资本开支与需求曲线的错配风险
重资产投入最怕的不是建设慢，而是建成之后利用率不足。市场讨论中出现过阿里单季度资本支出676.78亿元、同比增长75%的数字，但目前缺少对应财报季度及统计口径的明确出处，不能据此判断阿里AI业务的真实投入强度，更不能把资本开支增长直接解释为盈利能力提升。
数据中心建设也远不只是购买芯片。电力指标、土地、网络、液冷、服务器、工程交付和运维能力，都可能成为长期投入。高盛（GS）关于全球数据中心装机容量和用电需求的预测，属于机构对行业的判断，不能直接转换成阿里云项目的成本或电力缺口。自备电力、并网周期（883436）和设备交付，可能决定20GW目标能否按期落地，但阿里具体项目的能源（850101）方案仍有待披露。
模型训练完成时间、实际能力、客户付费意愿和云服务利用率，也都存在不确定性。参数规模扩大未必线性提升能力，训练周期（883436）拉长则可能增加技术路线变化带来的资产折旧风险。若模型能力提升速度快于客户应用成熟度，供给扩张就可能领先于需求。
判断投入是否有效，要盯住五组变量
一是AI相关资本开支与云业务收入增速是否同步，资本投入能否逐步转化为收入，而不是只形成资产规模。
二是算力资源利用率、超节点实际交付规模和集群通信效率。真武V900何时量产、部署多少、能否稳定支撑大规模训练，比发布时的峰值参数更重要。
三是自研芯片的量产进展、客户数量、软件适配和开发者使用反馈。没有生态适配的芯片，难以形成完整的供给壁垒。
四是模型调用量、企业客户留存、推理价格变化以及单次调用的成本。只有调用增长与客户付费同时出现，模型能力才可能转化为可持续业务。
五是能源（850101）供给和数据中心建设进度，包括20GW目标的具体口径、区域布局、并网情况和实际运营容量。
阿里的核心赌注，实际上不是一个5万亿至10万亿参数的模型，而是能否把模型、芯片和云组成一个持续运转的商业系统。超大模型可以成为算力需求的放大器，也可能成为资本开支的放大器。最终决定回报的，不是参数表上的数字，而是每一单位投入能否换来更高的集群利用率、更低的推理成本和更稳定的企业需求。
