阿里云的“反差”2025：于无声处寻找 ASI开元棋牌- 开元棋牌官方网站- APP下载

　　开元棋牌,开元棋牌官方网站,开元棋牌APP下载

　　在 2025 年 9 月的云栖大会上，阿里巴巴集团 CEO 吴泳铭发表演讲认为实现 AGI 是个确定性事件，实现全面超越人类的 ASI 才是终局。

　　实现 “Self-learning（自主学习）”，即 AI 能为自身模型搭建训练基础设施、优化数据流程与升级架构；

　　实现 “Self-learning（自主学习）”，即 AI 能为自身模型搭建训练基础设施、优化数据流程与升级架构；

　　两个条件的“基础设施味”都很重，再结合阿里广为人知的 3800 亿投资计划，导向已经十分明显：在一段时间内，阿里云都会是企业在 AI 时代的“隐形”支撑者、赋能者和陪跑者。相比于平台注册数据、公有云 Token 调用数据……客户数据 + 基础设施投产进度，是阿里云业务发展更重要的 KPI。

　　据 IDC 2025 年对中国公有云基础设施市场的追踪报告：阿里云在多个行业市场份额位列第一，典型市场包括金融行业占比 43%、汽车行业占比 40%、游戏行业占比 41%。

　　阿里最新财报则提到，在 2026 财年第二财季，云智能集团累计收入 398.24 亿元，同比增长 34%，为历史最佳表现。但整个阿里巴巴经营利润为 53.65 亿元，同比下降 85%，主要归因于对即时零售、用户体验以及科技的投入，其中所谓科技投入，特指云 + AI 基础设施方面的支出。有信息指出，泰国、韩国、墨西哥等地新数据中心，都是阿里云在 2025 年开服。

　　从市场份额增长到利润下降，二者之间的差值，或许就是寻找 ASI 的“路费”。抛开资本市场不谈，普通人很难理解这份“路费”的价值与合理性，大家更乐于见到“Manus 式”的 C 端产品上岸故事，而不是一家云计算公司如何帮助成千上万家实体企业做 AI 提效。

　　这也使得 2025 年的阿里云极具“反差感”：一方面，它是中国云计算市场的领头羊，决计要做全球领先的人工智能服务商；另一方面，在最热闹的 AI 营销大战中，它又似乎不那么性感。

　　从 2025 年初到 2025 年底，国内的 AI 热度实际是由有限的几个 C 端应用串联而成的，包括了：DeepSeek、元宝、千问、豆包、夸克、蚂蚁阿福等。而 AI 原生 App 的月活，在这些应用的影响下，量级也来到了数以亿计。剩下一部分公共注意力，则被具身智能包揽。

　　由于 C 端火热，全民对 AI 的前景抱有期待，让企业内部“要不要上 AI”更容易达成共识。此外大量 C 端产品的出现，造成了技术价值外溢，间接推动提示词工程、Agent 工作流、评测方法、开源工具带入企业。

　　最后，20% 的头部 ToC 产品瓜分了互联网 80% 的流量，作为数字世界入口，它们把 AI 做成默认功能，倒逼企业被动升级对接与治理策略（尤其是权限、数据边界、知识库）。

　　应该说，过去一年， AI ToC 实在太热闹了，以至于在 AI 时代，市场教育经常是不需要的。

　　如果将这些 C 端产品的北极星指标定为“用户价值 x 增长效率 x 商业化质量”，前两者看似已经完成了，独独商业化质量成为了“拦路虎”。

　　AI 在 B 端的进展，某种程度上要比 C 端的进展更为顺利。至少在业务的核心评估模型上，不存在明显短板。AI ToB 领域以云模式、项目制 / 交付制为主，目标主要包括：

　　Attach Rate（云挂载率，有多少项目最终绑定了云用量 / 云产品）

　　Post-GoLive 90 天用量达标率（交付后 90 天，达到预期用量 / 调用量 / 活跃服务数的客户占比）

　　Attach Rate（云挂载率，有多少项目最终绑定了云用量 / 云产品）

　　Post-GoLive 90 天用量达标率（交付后 90 天，达到预期用量 / 调用量 / 活跃服务数的客户占比）

　　一方面，庞大且稳定的客群将云变成了复利生意，是将 AI 业务收入越做越厚的基础。另一方面，ToB 的关键在于需求驱动，数以百万计的客户每天反馈的问题和需求，本身就是 ToB 企业最大的护城河。有足够客群的企业，可以在工单中组装未来演进路线；没有足够客群的企业，只能靠猜和跟随。

　　在 2025 年 12 月底的一场小规模沟通会中，阿里云智能集团资深副总裁、公共云业务事业部总裁刘伟光表示，2025 年他拜访了 146 个客户，包括汽车主机厂、机器人、基础大模型公司、金融、手机、AI 硬件、零售行业、在线教育、物流、制造业、医疗制药、大型跨国企业、食品加工、漫剧短剧、畜牧业等，几乎覆盖了各行各业。

　　从拜访结果来看，企业引入 AI 改善业务流程和产品的决心，要比 C 端消费者购买一个 AI 语音助手的决心要大得多。更关键的是，企业使用 AI 具有强连续性的。

　　在线教育行业，习题问答、作业批改都已经是成熟场景，终端设备也从 ChatBot 过渡到学习机，甚至是智能教室这样的立体解决方案。

　　金融行业仍然进展最快的行业之一，在部分场景下，其技术产品的储备速度，已经不亚于国际同行。比如在车险中，从前高度依赖人工的车辆定损和理赔，今天也正尝试交由 AI 来完成。

　　整体来看，如果不考虑应用深度、改造程度，仅从采用率口径来看， AI 对各行业的渗透将是一个恐怖的数字。

　　以上共同铸就了阿里云在 2025 年叙事的第一个“反差感”：尽管诸如 Kimi 这般广为人知的模型是在阿里云上训练的，其核心定位仍然偏“幕后”和“服务”，是在推动企业把 AI 写进 KPI、写进工单、写进流程，最后写进预算。

　　而当 AI 开始从“有没有用过”走向“每天必须用”，衡量方式就会变化：从下载量、DAU、Token 吞吐量，走向成本结构与组织结构的重估。

　　无论是下载量、DAU，还是 Token 吞吐量，本质都是在复述流量逻辑，复述移动互联网时代的增长规则。

　　尤其是 Token 的吞吐量，恐怕是 AI 时代集精准、模糊于一身的最矛盾指标。

　　一方面，Token 的吞吐量等同于模型用量；另一方面，所谓模型用量只是 MaaS 平台上的模型调用，仅为全量市场的九牛一毛，且非价值单位，不能代表模型价值。

　　实际上，IDC 报告里的“中国公有云调用率”，这个定语本身就存在限制：大量 AI 使用根本不是调用公有云 MaaS API ，因此不可见。

　　采购 GPU 服务器进行开源大模型私有化部署，创建私有化推理平台内部使用（金融、制造、能源等对数据外流高度敏感行业）；

　　采购 GPU 服务器进行开源大模型私有化部署，创建私有化推理平台内部使用（金融、制造、能源等对数据外流高度敏感行业）；

　　如果只按 MaaS 平台上 Token 调用量去计量，开源生态里发生的微调、蒸馏与私域部署都会被系统性抹掉。仅 Qwen 系列模型，就已有 18 万＋全球衍生模型和 全球 7 亿 + 的模型下载量——这部分‘消费’不以 Token 形式出现在公共统计数据里，却已经进入企业内部的实际生产环节。

　　概而言之，如果把全量的 AI token 比作一座冰山，MaaS 平台上可统计的部分只是冰山露出水面的一角而已。

　　来自阿里云的数据显示，截止到现在，在阿里云上调用 MaaS API 的客户，与使用 GPU 的客户重合度竟然达到 70%，这说明中国第一批深度拥抱 AI 的客户在全方位的选择不同的方式使用 AI 技术。

　　所以，一批正在形成“智能预算”的企业。他们既买 Token，也买算力——他们不是在做选择题，而是在做场景分级：哪里需要公有云 Token，哪里必须结合自己数据进行后训练，哪里要端侧小模型，哪里值得自建“智能工厂”：

　　中等复杂度场景做后训练：把业务规则、私域知识、历史行为数据灌进模型里，用微调、RAG、强化学习把“能用”推到“稳定可用”。

　　重资产场景直接训 / 蒸馏 / 端侧部署：自动驾驶、具身智能、摄像头多模态理解、工业设备诊断等，强调时延、隐私、安全与闭环。

　　中等复杂度场景做后训练：把业务规则、私域知识、历史行为数据灌进模型里，用微调、RAG、强化学习把“能用”推到“稳定可用”。

　　重资产场景直接训 / 蒸馏 / 端侧部署：自动驾驶、具身智能、摄像头多模态理解、工业设备诊断等，强调时延、隐私、安全与闭环。

　　这也直接改变了对企业级 AI 用量的统计算法： “公有云用量 + 专有云用量 + 开源衍生模型用量”不等于真实用量，三者存在很大的重叠部分。

　　另外一个问题是，模型越先进，消耗的的高质量 Token 其实越少。所谓 Token ROI ，对于深度使用 AI 的企业而言，是核心经营概念。虽然 Token 的单价下降了，但是 Agentic AI 兴起后，一次调用产生的 Token 总数也被放大了。

　　因为 Token 单价会越来越便宜，所以刻意忽视企业在为更多低效 Token 而付费的事实，颇有点掩耳盗铃的味道。用“吞吐量”当成唯一指标，会把“高效智能模型”误判成“低活跃”，把“唠叨模型”误判成“高消费”。

　　这也是为什么阿里云不断把叙事从“Token 工厂”拉回“AI 超级工厂”——后者强调的是全链路供给能力，而不是单一化的 Token 吞吐。模型能力，是背后价值兑现的关键。

　　2025 年 4 月底，阿里发布了 Qwen3，成为国内首个“混合推理模型”，“快思考”与“慢思考”集成进同一个模型，对简单需求可使用低算力“秒回”，对复杂问题可多步骤“深度思考”。 AIME25 测评 81.5 分，刷新开源纪录；LiveCodeBench 评测超过 70 分，超过 Grok3； ArenaHard 测评 95.6 分超越 OpenAI-o1 及 DeepSeek-R1。

　　同时， 4 张 H20 即可部署 Qwen3 满血版，显存占用仅为性能相近模型的三分之一。开源版本丰富，包含 2 款 30B、235B 的 MoE 模型，以及 0.6B、1.7B、4B、8B、14B、32B 等 6 款稠密模型，每款模型均斩获同尺寸开源模型 SOTA（最佳性能）。

　　开源是阿里云在模型竞争力上最为关键的一步棋。这允许企业可以在不签大合同、不押单一供应商的前提下先跑通 POC，这对中国企业尤其重要。

　　毋庸置疑，AI 原生企业天然地拥抱 AI，深度使用 AI，它们是中国 AI 市场的“种子用户”。

　　在阿里云的观察里，除了 AI 原生企业，第一批深度拥抱 AI 的企业还往往具备以下共同特征：

　　数据治理相对成熟：Agent 上限取决于模型与数据质量——这不是口号，而是工程现实。

　　对安全与合规敏感：这决定了“MaaS / 云上专有环境 VPC / 私有化部署 / 端侧闭环”会长期存在，市场不可能被一种形态吃掉。

　　数据治理相对成熟：Agent 上限取决于模型与数据质量——这不是口号，而是工程现实。

　　对安全与合规敏感：这决定了“MaaS / 云上专有环境 VPC / 私有化部署 / 端侧闭环”会长期存在，市场不可能被一种形态吃掉。

　　这意味着：阿里云如果要把“AI 超级工厂”的投入摊薄到足够低的边际成本，并把技术优势兑现为现金流，它必须走向更大的、付费更坚实的企业级市场。

　　这一轮中美 AI 竞争的胜负手，就在于谁能用 AI 提升改造各自的支柱产业，带来生产力的变革。

　　当前，中国 AI 的第一波市场聚焦在娱乐、陪聊等消费端场景；从美国 AI 市场发展看，SAP、Salesforce 等 SaaS 软件对 AI 大模型的调用量最大，其次是 AI 编程。

　　Open AI 和谷歌的报告也显示，ChatGPT 和 Gemini 的企业客户调用量远超 C 端个人用户调用量。

　　所以，“领头羊”阿里云想要做的是，让 AI 深入到各行各业，用 AI 提升生产效率。

　　与此同时，当中国的 AI 原生企业在海外遍地开花，当中国的第一、第二及第三产业客户纷纷出海，使得阿里云加速剑指全球化。

　　刘伟光表示， 2024–2025 ，中国企业的出海，不再只是把供应链优势搬出去，而是把AI 能力当作产品溢价的一部分：

　　家电、照明、厨具等传统硬件出海：正在被“自然语言对话 + 多模态理解”重新定义交互方式；

　　家电、照明、厨具等传统硬件出海：正在被“自然语言对话 + 多模态理解”重新定义交互方式；

　　对阿里云来说，这类客户天然会提出“海外部署”的硬需求：低时延、数据合规、跨区域运维、弹性供给，以及在海外可用的模型服务与训练推理能力。也因此，2025 年阿里云在泰国、韩国、墨西哥等地新建数据中心的动作，不只是“基建扩张”，更像是在给下一轮 AI 应用出海提前铺路。

　　工程化才决定可用性：稳定性、时延、SLA、合规、跨区域交付能力，决定企业是否敢把核心流程交给你。

　　生态与接口决定渗透速度：当软件与工具链 MCP 化、API 化，云厂商能否把“可调用的能力”变成“可组合的系统”，决定了 Agent 落地的上限。

　　工程化才决定可用性：稳定性、时延、SLA、合规、跨区域交付能力，决定企业是否敢把核心流程交给你。

　　生态与接口决定渗透速度：当软件与工具链 MCP 化、API 化，云厂商能否把“可调用的能力”变成“可组合的系统”，决定了 Agent 落地的上限。

　　这也是为什么阿里云正在“把 3 万多个产品的 API 服务全面做 MCP 化开放”。海外更像一个“标准件市场”，一旦你能用标准件快速交付，就能更快形成规模。

　　在国内，它用开源与超级工厂体系抓住最先动起来的 AI 企业，把 AI 从“试用”推向“连续使用”；

　　在海外，它需要把这套能力转化为规模化商业闭环——不是为了讲更大的故事，而是为了让故事具备财务可持续性。

　　在国内，它用开源与超级工厂体系抓住最先动起来的 AI 企业，把 AI 从“试用”推向“连续使用”；

　　在海外，它需要把这套能力转化为规模化商业闭环——不是为了讲更大的故事，而是为了让故事具备财务可持续性。

　　“这十多年来，中国云计算市场各种概念曾层出不穷，价格战屡见不鲜，但阿里云始终在牌桌上。如果用更长的时间去穿越周期洞察未来，技术能力和技术布局的前瞻性永远是核心竞争力。”刘伟光说。返回搜狐，查看更多