阿里想把“思考”变成下一种工业品

过去两年，AI行业最热衷讨论的问题是：谁的模型更聪明？

但在今年的云栖大会上，阿里给出的答案有点不一样。

它开始讨论一个更激进的问题：如果有一天，“思考”本身可以像电力一样被大规模生产，会发生什么？

阿里巴巴CEO吴泳铭给出了一个颇为大胆的数字：

未来机器提供的思考总量，可能达到人类的1000倍以上，并最终承担全球99.9%的思考工作。

这当然不是一个可以被验证的预测。

但它非常重要，因为这几乎解释了今年云栖大会所有看起来互不相关的发布：

千问4为什么还要继续Scaling到更大的参数规模？

为什么阿里如此重视27B这种能够本地部署的模型？

为什么平头哥还在继续做GPU、CPU、互联芯片？

又为什么阿里云要把全球数据中心规模做到20GW？

因为阿里正在押注的，已经不只是“大模型”，而是一整套机器智能的工业化生产体系。

01 从“人工智能”到“机器智能”

吴泳铭在现场用了一个很有意思的类比。

工业革命之前，人类能够使用的动力主要来自人和动物；蒸汽机、内燃机和电出现之后，动力第一次成为一种可以规模化生产的商品。

今天，类似的事情可能正在“思考”上再次发生。

过去，一个社会能够生产多少高质量思考，本质上受制于人口、教育、时间和顶尖人才数量。

一个顶级科学家可能需要几十年才能培养出来。

但如果AI达到足够高的专业能力，只要增加芯片、电力和数据中心，就可以复制出成千上万个“AI科学家”。

智力第一次可能从一种极度稀缺的人力资源，变成一种可以扩产的工业资源。

这可能比“AI替代多少工作”更值得关注。

因为如果只是替代程序员写代码、替代白领写PPT，AI创造的仍然只是效率价值。

真正的变量在于：当智能的供给增长几个数量级之后，会不会产生今天根本不存在的新需求？

吴泳铭用了一个很形象的例子：

未来如果让AI设计一艘去火星的飞船，它可能把任务拆解成成千上万个子任务，再调用上百万个Agent持续工作。

人提供目标，机器提供几乎无限的“思考”。

这也是阿里为什么判断，今天机器产生的思考总量还不到人类的3%，未来理论上还有数万倍增长空间。

这个数字未必会准确。

但背后的产业逻辑值得重视：

AI最大的市场，可能不是把今天100个人的工作变成10个人，而是把过去根本没有经济性去做的事情，变成值得做。

02 今天的AI，可能还只是1882年的“电灯泡”

今年云栖大会另一个很值得关注的判断是：

机器智能时代真正的代表性产品，可能还没有出现。

1882年，爱迪生的珍珠街电站开始供电。

但电最早大规模改变的东西是什么？

只是照明。

后来改变现代生活的空调、冰箱、洗衣机乃至计算机，都不是在电力出现的第一天诞生的。

吴泳铭认为，今天的AI Coding就很像那个时代的电灯。

它很好用，商业价值也已经出现，但本质上仍然是在替代一个原本由人完成的任务。

这个类比背后其实隐藏着一个对当前AI应用热潮相当克制的判断：

Chatbot、Coding Agent甚至今天大量AI应用，可能都不是AI时代最终意义上的“原生物种”。

真正改变产业结构的应用，要等到智能足够便宜、足够充裕以后才会出现。

这也是为什么，今年阿里的重点已经不只是再发布一个更聪明的聊天机器人。

它开始试图解决机器智能的“供给问题”。

03 千问正在从回答问题，进入真实生产

模型首先得真的能干活。

现场披露的一个数字很值得注意：

千问3.8 Max发布后的两个月内，真实用户收入增长8.5倍，Token消耗增长12倍。

Token增长明显快于收入增长，本身就是一个信号——模型正在被更高频、更长时间地调用。

而Agent会进一步放大这种趋势。

过去问AI一个问题，也许只发生一次推理。

现在让Agent完成一项任务，它可能需要搜索资料、调用工具、执行代码、检查结果，再重新规划。

AI的消费单位，正在从“一次回答”变成“一项任务”。

现场最有意思的案例之一来自芯片设计。

千问进入了真实工业级EDA环境，只拿到一份总线模块Spec，随后连续运行超过60小时，进行了数万次EDA工具调用，在保证性能的情况下，最终将芯片面积缩减42%。

这里真正重要的甚至不是42%。

而是AI已经开始进入过去只有专业工程师才能工作的生产环境，并且能够长时间自主调用专业工具。

一旦这条路径成立，会形成一个非常有意思的飞轮：

模型进入真实生产 → 获得真实反馈 → 找到自己的能力缺陷 → 生成新的训练数据 → 训练下一代模型 → 再进入更复杂的生产。

千问团队透露，其相关自我改进系统已经运行一个多月，完成33轮有效数据迭代。

这可能比某个Benchmark上涨几分更值得关注。

因为下一阶段模型竞争的关键，可能正在从“谁拥有更多互联网数据”，变成谁能获得更多真实世界任务反馈。

04 为什么阿里还在死磕27B？

另一个容易被忽视的信号，是27B。

在整个行业都在追逐万亿参数、超级模型的时候，阿里反而反复强调千问27B。

原因并不复杂。

前沿模型负责定义能力上限，27B这样的模型负责扩大AI的实际部署半径。

它足够小，可以进入PC、工作站和企业私有环境；又足够大，可以承担越来越复杂的Agent任务。

现场公布的数据显示，千问模型全球下载量已经超过30亿次，产生超过30万个衍生模型，累计开源官方模型超过460款。

而千问3.8 27B发布仅两个月，就成为Hugging Face历史上获得Like最多的模型之一。

下一代Qwen 4依然会保留27B。

与此同时，Qwen 4还将包括Max、Flash和Plus；再往后的Qwen 4.5和Qwen 5，阿里计划继续把模型规模推向5T—10T参数。

这实际上形成了两条完全不同、但互相补充的路线：

一条继续Scaling，探索智能的天花板；另一条不断压缩智能的成本，让足够强的模型进入更多设备。

前者决定技术高度，后者决定市场宽度。

05 但真正昂贵的战争，可能在模型下面

如果未来Token需求真的增长数万倍，一个现实问题马上就来了：

谁来生产这些Token？

所以今年云栖大会真正重资产的部分，其实藏在模型下面。

平头哥公布了下一代AI芯片真武V900：单芯片算力达到上一代M890的3倍，216GB显存，1200GB/s互联带宽。

更值得注意的是集群规模。

阿里计划基于新一代芯片建设50万卡级广域超节点。

吴泳铭同时给出了一个更大的目标：

到2032年，阿里云运营的全球数据中心规模超过20GW。

20GW是什么概念并不是最重要的。

重要的是，这已经不是“为了训练下一代大模型多买一点GPU”的思路。

阿里押注的是大量Agent未来会7×24小时运行，持续推理、搜索、调用工具、执行任务。

于是云的角色也发生了变化。

以前云计算出售CPU、存储和数据库。

未来，它可能越来越像一个巨大的“智能电网”：

芯片生产Token，模型把Token变成智能，云把智能输送到任何需要它的地方。

如果这个判断成立，AI云最终竞争的核心指标也会改变。

不再只是“我有多少GPU”，而是：

每一度电、每一块芯片、每一美元资本开支，到底能够生产多少有效智能。

06 阿里的赌注，其实比“大模型”大得多

所以重新看今年的云栖大会，Qwen 4、27B、真武V900、50万卡和20GW并不是五条独立新闻。

它们其实是同一场赌注的不同部分。

阿里在赌，未来智能会像工业革命之后的动力一样，成为一种几乎没有需求上限的基础商品。

如果这个判断成立，那么今天大家争论哪一个模型Benchmark高两分、低三分，可能只是这场产业变化非常早期的噪音。

真正决定格局的，是谁能同时控制几个变量：

更强的模型、更低的Token成本、更大的算力供给、更广的开发者生态，以及最关键的——更多真实世界任务产生的反馈。

这也意味着，大模型竞争正在进入一个更重的阶段。

它越来越不像互联网时代的软件竞争，反而越来越像半导体、电力和云计算的混合体：

既要拼算法，也要拼资本；既要拼模型，也要拼芯片；最后还要拼谁有能力把“智能”真正变成一种工业品。

从这个角度看，2026年的云栖大会真正值得记录的，可能不是阿里又发布了多少个AI产品。

而是它开始公开回答一个更大的问题：

如果“思考”真的可以被工业化生产，阿里想成为那个建发电厂、造发电机，同时还铺电网的人。