这篇文章不错，转发给_老虎社区_美港股上老虎 - 老虎社区

1
评论
收藏

钞能力8888
01-14

这篇文章不错，转发给大家看看

阿里云2026年目标：拿下中国AI云市场增量的80%

这是刘伟光 2025 年走访了 146 个客户后反复思考的问题。“个人消费者使用 AI 的情况会有波动，但企业级市场只会不断增长。”过去一年中国 AI 企业市场的发展证实了他的判断。这也是阿里云的选择：做 AI 时代的基础设施。阿里云已经有了初步成绩。根据市场调研机构 Omdia 数据，2025 年上半年，中国 AI 云整体市场规模达 223 亿元，阿里云占比 35.8 %，超过第二到第四名总和。

阿里云2026年目标：拿下中国AI云市场增量的80%

免责声明：上述内容仅代表发帖人个人观点，不构成本平台的任何投资建议。

1

举报

评论

推荐
最新

empty

暂无评论

热议股票

{"i18n":{"language":"zh_CN"},"data":{"magic":2,"id":521654152479984,"tweetId":"521654152479984","gmtCreate":1768392938963,"gmtModify":1768392943267,"author":{"id":3560382599811193,"idStr":"3560382599811193","authorId":3560382599811193,"authorIdStr":"3560382599811193","name":"钞能力8888","avatar":"https://static.tigerbbs.com/1b5bb9f989d900381679c454f99c1351","vip":1,"userType":1,"introduction":"","boolIsFan":false,"boolIsHead":false,"crmLevel":1,"crmLevelSwitch":0,"currentWearingBadge":{"badgeId":"e50ce593bb40487ebfb542ca54f6a561-2","templateUuid":"e50ce593bb40487ebfb542ca54f6a561","name":"资深虎友","description":"加入老虎社区1000天","bigImgUrl":"https://static.tigerbbs.com/0063fb68ea29c9ae6858c58630e182d5","smallImgUrl":"https://static.tigerbbs.com/96c699a93be4214d4b49aea6a5a5d1a4","grayImgUrl":"https://static.tigerbbs.com/35b0e542a9ff77046ed69ef602bc105d","redirectLinkEnabled":0,"hasAllocated":1,"isWearing":1,"stampPosition":0,"hasStamp":0,"allocationCount":1,"allocatedDate":"2023.05.10","individualDisplayEnabled":0},"individualDisplayBadges":[],"fanSize":6,"starInvestorFlag":false},"themes":[],"images":[],"coverImages":[],"title":"","html":"<html><head></head><body><p>这篇文章不错，转发给大家看看</p></body></html>","htmlText":"<html><head></head><body><p>这篇文章不错，转发给大家看看</p></body></html>","text":"这篇文章不错，转发给大家看看","highlighted":1,"essential":1,"paper":1,"likeSize":1,"commentSize":0,"repostSize":0,"favoriteSize":0,"link":"https://laohu8.com/post/521654152479984","repostId":1158465446,"repostType":2,"repost":{"id":"1158465446","kind":"news","pubTimestamp":1768362697,"share":"https://www.laohu8.com/m/news/1158465446?lang=zh_CN&edition=full","pubTime":"2026-01-14 11:51","market":"us","language":"zh","title":"阿里云2026年目标：拿下中国AI云市场增量的80%","url":"https://stock-news.laohu8.com/highlight/detail?id=1158465446","media":"晚点LatePost","summary":"这是刘伟光 2025 年走访了 146 个客户后反复思考的问题。“个人消费者使用 AI 的情况会有波动，但企业级市场只会不断增长。”过去一年中国 AI 企业市场的发展证实了他的判断。这也是阿里云的选择：做 AI 时代的基础设施。阿里云已经有了初步成绩。根据市场调研机构 Omdia 数据，2025 年上半年，中国 AI 云整体市场规模达 223 亿元，阿里云占比 35.8 %，超过第二到第四名总和。","content":"<html><head></head><body><p>100 多年前，电力首次进入工厂，许多工厂主做了一个看似合理的决定：保留复杂的蒸汽机传动轴和皮带系统，只用电动机替换蒸汽机。结果令他们大失所望：动力更强了，生产效率几乎没有同步提升。</p><p>接下来的 20 年，他们才逐步意识到，电力带来的真正变革不只是简单替代动力源，而是把它嵌入到不同的业务单元中，用不同类型的电机驱动钻头、传送带等，生产力才迎来爆发。</p><p>这是阿里云希望给企业深入应用 AI 提供的能力。他们认为，AI 时代客户要的不只是单一的模型或云的能力，而是更低成本使用更强模型时，有更灵活的综合体验。AI 云应该像当年的电力真正提高工业生产力时那样，提供多层次的服务，全面嵌入到企业的业务流程中。</p><p>这一判断有业务数据支撑：在阿里云上调用大模型 API （ MaaS 服务）的客户中，有七成也同时在使用其 GPU 算力服务。</p><p>阿里云智能集团资深副总裁、公共云事业部总裁刘伟光说，第一批深度使用 AI 的客户，会把场景分成不同档次：不只是简单调用大模型 API，还会用内部数据精调或者后训练基础模型，或者自己从头训练一个模型。</p><p>在刘伟光看来，AI 给云计算行业带来的变化才刚刚开始，整个云计算体系架构都要为 AI 重构，“MaaS 增长潜力很大，但关键是打赢 AI 云新增的全量市场”，要建立软硬一体的 AI 云全栈能力，推动企业用更低成本调用更强的 AI 模型，解决不同层次、不同场景问题，“这才是竞争中的胜负手”。</p><h2 id=\"id_3819039442\">146 个 行业客户深度调研：Token 质量比数量重要</h2><p>“如果今天所有的 AI 应用每天只能免费用 100 次，你会用它做什么？”</p><p>这是刘伟光 2025 年走访了 146 个客户后反复思考的问题。 他的结论非常直接：没有人会把它浪费在写段子或闲聊上，一定会做最重要的东西——对工作最有帮助的决策、对家庭生活最关键的建议。</p><p>在他看来，这是企业使用大模型与个人用户的本质区别。个人用户可能为了娱乐消耗 Token，但追求效率的企业，每一次 Token 的交换都有成本。他们不仅要为 Token 付费，业务线上的人力、时间也是投入。</p><p>很难想象一个年轻的工程师面对设备故障时，还需要多轮对话才能得到解决方案，需要更快的响应、能让他迅速解决问题的指南。同样，基金公司的交易员用 AI 辅助捕捉交易信号时，也很难容忍模型动辄陷入沉思，然后给出长篇大论，再问一句 “是否需要我帮你整理得更完善”。</p><p>传统行业的企业正在用不同的方式，尽可能避开 AI 的短板、提升效率。比如汽车诊断公司，用 30 年积累的产业检测报告做出来远程帮助汽修的大模型，才用到诊断报告中；基金公司会用沉淀 20 多年的数据和交易的行为跟模型结合，把各种形式的非结构化数据（如文字、语音、图像等）转化为可供投资参考的标准化信息。</p><p>企业也希望充分挖掘 AI 的潜力。中国两家农牧业巨头公司都在用千问做相同的事情，他们不仅尝试用 VL（视觉大模型）识别猪的数量，还用它来识别猪的异常行为，检测猪的健康与活性，或者是开发兽医大模型解决专业人才短缺问题。还有头部照明公司接入千问后，不再局限简单的开关灯或者调控色温，还用 AI 理解用户模糊的指令，用更流畅的对话打造更聪明的端侧语言模型，让人与光的交互更自然。</p><p>而企业一旦找到合适的方式把 AI 嵌入业务流程中，就会是严肃和连贯的。在线招聘行业中的每一家公司，几乎都在引入 AI 简历筛选、智能化面试、自动生成面试记录。当招聘专员习惯用 AI 辅助工作后，就会形成新的工作流，每天都会使用，不会受到个人喜好影响。</p><p>“个人消费者使用 AI 的情况会有波动，但企业级市场只会不断增长。” 刘伟光说，而且使用的广度和深度会不断加强，很多场景还没有解锁，“如果 AI 能把车损定损给改了，那绝对是一种 ‘革命’。”</p><p>2024 年云栖大会上，阿里巴巴集团 CEO 吴泳铭在演讲中称，生成式 AI 最大的想象力，绝不是在手机屏幕上做一两个新的超级 App，而是接管数字世界，改变物理世界。</p><p>过去一年中国 AI 企业市场的发展证实了他的判断。AI 已不只在手机里面作为应用程序，而是出现在更多的载体中，包括眼镜、耳机、学习机、玩具、健身器材、汽车、机器人等全品类硬件设备中。</p><p>这种不同层次、不同场景的需求，当下无法用单一的模型 API 服务满足。在美国市场，原本已经给企业提供工具的 SaaS 行业，大模型调用量规模持续上涨，提供了一种相对标准化的方案。而在 SaaS 行业未能发展起来的中国市场，传统行业偏向定制服务解决特定场景问题，往往需要后训练或者微调大模型。云计算公司提供这样的服务，在一定程度上为企业提供了类似 SaaS 的服务。</p><p>“现在所有 MaaS 服务加一起，在中国云计算市场、甚至 AI 云市场占比都不高。MaaS 的空间当然非常大，但不是今天。” 刘伟光说，只统计公有云市场大模型 API 的调用量，无法代表 AI 云全貌。真实的 Token 消耗量，要把 MaaS 平台 API 调用、公共云 GPU 推理集群产生 Token、私有化模型部署产生 Token，设备端模型产生的 Token 等全部统计在内。</p><p>“冰川下的 Token 消耗非常大，却无法统计。而且企业用 AI 还处于转型早期， 90% 以上的企业还没有真正行动起来，未来肯定是百倍的增长。”</p><p>但可以观察的是，只要基础模型的性能持续提升，云厂商深入到技术栈的每一层提供服务，改进推理能力、节省成本，就可以带动更多行业的更多客户用 AI 解决问题。</p><h2 id=\"id_3096586523\">做 AI 时代的基础设施，承接不同层次的需求</h2><p>英伟达 CEO 黄仁勋曾抛出一个著名的论断：GPU 集群就是 “Token 工厂”，输入的是能量，输出的是 Token。这是典型的芯片公司视角，把 AI 生产过程简化为了物理层面的能量转换。</p><p>对于云厂商来说，如果只是从事算力转售业务，现在很难提供可用的 AI 服务。他们必须用系统工程能力，尽可能提升现有算力效率，针对不同行业、不同层次的企业提供模型服务。</p><p>这也是阿里云的选择：做 AI 时代的基础设施。用刘伟光的比喻来说，阿里云正在搭建的是一套现代化的自来水厂，而不只是水（大模型 API）的搬运工，还要维护水源地（开源模型）、搭建净化车间（数据清洗与模型训练平台）、铺设输水管网（高性能网络），以及处理污水（安全治理）等。</p><p>在这套体系中，阿里云能够提供当前不同类型的 “用水” 需求：</p><p>MaaS（直供水服务）： 就像家庭拧开水龙头就能用水，企业或者开发者不用关心底层复杂的管网，直接调用 API，开箱即用，按需付费。这是最轻量的接入方式。</p><p>PaaS（工业用水服务）： 类似于工厂需要特定的水源，企业可以获得基础模型，直接用 “开源模型” 在阿里云平台上微调或者自己后训练，然后部署到合适的环境中。</p><p>IaaS（水处理基础设施）： 像是将经过初步净化、萃取后的水源，输送给饮料厂或啤酒厂，企业可以用阿里云提供的算力和基础软件，用来训练独家配方的 “饮料”，比如自动驾驶模型、各种垂类大模型等等。</p><p>阿里云已经有了初步成绩。根据市场调研机构 Omdia 数据，2025 年上半年，中国 AI 云整体市场（AI IaaS+PaaS+MaaS）规模达 223 亿元，阿里云占比 35.8 %，超过第二到第四名总和。</p><p>搭建这套全面的基础设施，不仅需要高昂的投入，还要有战略决心。2025 年 2 月，阿里宣布未来三年将投入超过 3800 亿元，用于建设云和 AI 硬件基础设施，总额超过去十年总和。仅仅是 2025 年前三个季度，阿里用于建设 AI 数据中心等的资本开支就兑现了 950 亿元。</p><p>在基础模型层面，阿里持续投入训练不同尺寸、不同类型、不同模态的基础模型，并投入资源把它们做到第一梯队。比如视觉生成模型万相 2.6 性能媲美 OpenAI 的 Sora 2；Qwen-Image-Layered 是业界首个能实现图像分层精准编辑的模型；Qwen3-Max 的性位居全球模型性能榜单前列。</p><p>阿里选择把这些模型开源，提供给各行各业的团队或企业使用，其中 Qwen 的衍生模型数量超过 18 万，规模位居全球第一。</p><p>作为基础设施，阿里云上长出来的不只有阿里自研的模型，月之暗面也在阿里云上训练 Kimi 系列模型，以及许多智驾团队也用阿里云训练模型。</p><p>与此同时，阿里云也提供了一整套体系能力，支撑 AI 时代新诞生的产品迅速发展，除了阿里体系的千问 App，还有蚂蚁集团的灵光、阿福，以及月之暗面的 Kimi 应用、MiniMax 的海螺等。</p><p>尽管当前各行各业应用 AI 还处于早期阶段，但定位基础设施的阿里云，也在探索更新的产品形态，为接下来的 AI 应用爆发做好准备。最典型的例子就是阿里正在开发千问 App 的 Agent 版本。它不只局限于用户提问，还能够调用淘宝比价、使用高德导航，甚至阿里所有的服务都有可能成为它的插件。</p><p>最终这些在阿里内部业务和行业头部公司验证过的能力，都会沉淀在阿里云中，成为对外提供服务的产品。让客户具备长期、可持续地产生和使用智能的能力，而不是把客户锁定在某一种计量方式里。</p><h2 id=\"id_1394918020\">AI 加速推动客户上云</h2><p>AI 正在给云厂商带来了新的增长动力。无论是 AWS、微软 Azure、Google Cloud 还是阿里云，规模都在迅速增长。</p><p>但提供动力的不只是 GPU 用量或者大模型 API 的调用。阿里云团队观察到， 在阿里云上使用这些服务的客户群体，他们在计算、存储、网络以及大数据等产品上用量的增长，高于整个大盘的增长。 </p><p>“AI 会加速推动客户上云。” 刘伟光说，客户为了用好 AI，不得不将数据全面上云。企业想要让一个 Agent 产生价值，基础模型只是一个方面，高质量的业务数据同样重要。</p><p>微软 Azure 的增长逻辑类似，出售 OpenAI 的基础模型的 API 服务只是其中一个方面，更充足的动力来自企业为了在业务中应用更强的模型，把分散在本地与各系统中的内容与数据，迁移到了更方便模型调用的云产品中。</p><p>为高并发 Web/HTTP 请求设计的传统云计算架构，难以高效支撑这样的需求。甲骨文重新获得增长动力，很大一部分因素就来自于部署 RDMA（远程直接内存访问）高性能网络和自治数据库，适应了大模型训练、推理的需求。 </p><p>这直接改变了公共云计算服务在中国市场的前景。此前多年，中国云计算公司并不像 AWS 等海外云平台那样，公共云客户遍布各行各业，囊括美国证券交易所、大型石油公司、银行业巨头等，做大规模就能拥有利润。</p><p>在中国云计算市场，平台依赖的电力、带宽等基础设施成本并不受企业自身控制；部分传统企业出于数据安全、合规或历史惯性等原因，仍倾向于自建数据中心。</p><p>“阿里云的基础云架构，为 AI 重做了一遍。” 刘伟光说，AI Infra 并不是一个特定的垂直方向，就是云计算本身，不仅需要规模化、安全和稳定，更需要云上的跨服务流转能力，比如新型的向量数据库、高效的大数据清洗平台、灵活的开发框架，满足企业不同层次、不同场景使用  AI  的配套软件体系。</p><p>在阿里云看来， AI 时代云计算平台的竞争力在于 “软硬一体化” 的体系能力：硬件不只是芯片，而是围绕 GPU 算力构建的整个高性能底层架构；软件则是对模型的理解、优化和调度能力。</p><p>“阿里云的目标是拿下 2026 年中国 AI 云市场增量的 80%。” 刘伟光说，但是下一年增量的 10% 都会大于上一年的全量。所以过去取得了什么成绩并不重要，变化才刚刚开始。</p></body></html>","source":"wandian","collect":0,"html":"<!DOCTYPE html>\n<html>\n<head>\n<meta http-equiv=\"Content-Type\" content=\"text/html; charset=utf-8\" />\n<meta name=\"viewport\" content=\"width=device-width,initial-scale=1.0,minimum-scale=1.0,maximum-scale=1.0,user-scalable=no\"/>\n<meta name=\"format-detection\" content=\"telephone=no,email=no,address=no\" />\n<title>阿里云2026年目标：拿下中国AI云市场增量的80%</title>\n<style type=\"text/css\">\na,abbr,acronym,address,applet,article,aside,audio,b,big,blockquote,body,canvas,caption,center,cite,code,dd,del,details,dfn,div,dl,dt,\nem,embed,fieldset,figcaption,figure,footer,form,h1,h2,h3,h4,h5,h6,header,hgroup,html,i,iframe,img,ins,kbd,label,legend,li,mark,menu,nav,\nobject,ol,output,p,pre,q,ruby,s,samp,section,small,span,strike,strong,sub,summary,sup,table,tbody,td,tfoot,th,thead,time,tr,tt,u,ul,var,video{ font:inherit;margin:0;padding:0;vertical-align:baseline;border:0 }\nbody{ font-size:16px; line-height:1.5; color:#999; background:transparent; }\n.wrapper{ overflow:hidden;word-break:break-all;padding:10px; }\nh1,h2{ font-weight:normal; line-height:1.35; margin-bottom:.6em; }\nh3,h4,h5,h6{ line-height:1.35; margin-bottom:1em; }\nh1{ font-size:24px; }\nh2{ font-size:20px; }\nh3{ font-size:18px; }\nh4{ font-size:16px; }\nh5{ font-size:14px; }\nh6{ font-size:12px; }\np,ul,ol,blockquote,dl,table{ margin:1.2em 0; }\nul,ol{ margin-left:2em; }\nul{ list-style:disc; }\nol{ list-style:decimal; }\nli,li p{ margin:10px 0;}\nimg{ max-width:100%;display:block;margin:0 auto 1em; }\nblockquote{ color:#B5B2B1; border-left:3px solid #aaa; padding:1em; }\nstrong,b{font-weight:bold;}\nem,i{font-style:italic;}\ntable{ width:100%;border-collapse:collapse;border-spacing:1px;margin:1em 0;font-size:.9em; }\nth,td{ padding:5px;text-align:left;border:1px solid #aaa; }\nth{ font-weight:bold;background:#5d5d5d; }\n.symbol-link{font-weight:bold;}\n/* header{ border-bottom:1px solid #494756; } */\n.title{ margin:0 0 8px;line-height:1.3;color:#ddd; }\n.meta {color:#5e5c6d;font-size:13px;margin:0 0 .5em; }\na{text-decoration:none; color:#2a4b87;}\n.meta .head { display: inline-block; overflow: hidden}\n.head .h-thumb { width: 30px; height: 30px; margin: 0; padding: 0; border-radius: 50%; float: left;}\n.head .h-content { margin: 0; padding: 0 0 0 9px; float: left;}\n.head .h-name {font-size: 13px; color: #eee; margin: 0;}\n.head .h-time {font-size: 11px; color: #7E829C; margin: 0;line-height: 11px;}\n.small {font-size: 12.5px; display: inline-block; transform: scale(0.9); -webkit-transform: scale(0.9); transform-origin: left; -webkit-transform-origin: left;}\n.smaller {font-size: 12.5px; display: inline-block; transform: scale(0.8); -webkit-transform: scale(0.8); transform-origin: left; -webkit-transform-origin: left;}\n.bt-text {font-size: 12px;margin: 1.5em 0 0 0}\n.bt-text p {margin: 0}\n</style>\n</head>\n<body>\n<div class=\"wrapper\">\n<header>\n<h2 class=\"title\">\n阿里云2026年目标：拿下中国AI云市场增量的80%\n</h2>\n\n<h4 class=\"meta\">\n\n\n2026-01-14 11:51 北京时间&nbsp;&nbsp;&nbsp;<a href=https://mp.weixin.qq.com/s/ynex947J8op8FzeptSSSHg><strong>晚点LatePost</strong></a>\n\n\n</h4>\n\n</header>\n<article>\n<div>\n<p>100 多年前，电力首次进入工厂，许多工厂主做了一个看似合理的决定：保留复杂的蒸汽机传动轴和皮带系统，只用电动机替换蒸汽机。结果令他们大失所望：动力更强了，生产效率几乎没有同步提升。接下来的 20 年，他们才逐步意识到，电力带来的真正变革不只是简单替代动力源，而是把它嵌入到不同的业务单元中，用不同类型的电机驱动钻头、传送带等，生产力才迎来爆发。这是阿里云希望给企业深入应用 AI 提供的能力。他们...</p>\n\n<a href=\"https://mp.weixin.qq.com/s/ynex947J8op8FzeptSSSHg\">网页链接</a>\n\n</div>\n\n\n</article>\n</div>\n</body>\n</html>\n","type":0,"thumbnail":"https://community-static.tradeup.com/news/467319397774f7af14a58f8df1f07825","relate_stocks":{"09988":"阿里巴巴-W","BABA":"阿里巴巴"},"source_url":"https://mp.weixin.qq.com/s/ynex947J8op8FzeptSSSHg","is_english":false,"share_image_url":"https://static.laohu8.com/e9f99090a1c2ed51c021029395664489","article_id":"1158465446","content_text":"100 多年前，电力首次进入工厂，许多工厂主做了一个看似合理的决定：保留复杂的蒸汽机传动轴和皮带系统，只用电动机替换蒸汽机。结果令他们大失所望：动力更强了，生产效率几乎没有同步提升。接下来的 20 年，他们才逐步意识到，电力带来的真正变革不只是简单替代动力源，而是把它嵌入到不同的业务单元中，用不同类型的电机驱动钻头、传送带等，生产力才迎来爆发。这是阿里云希望给企业深入应用 AI 提供的能力。他们认为，AI 时代客户要的不只是单一的模型或云的能力，而是更低成本使用更强模型时，有更灵活的综合体验。AI 云应该像当年的电力真正提高工业生产力时那样，提供多层次的服务，全面嵌入到企业的业务流程中。这一判断有业务数据支撑：在阿里云上调用大模型 API （ MaaS 服务）的客户中，有七成也同时在使用其 GPU 算力服务。阿里云智能集团资深副总裁、公共云事业部总裁刘伟光说，第一批深度使用 AI 的客户，会把场景分成不同档次：不只是简单调用大模型 API，还会用内部数据精调或者后训练基础模型，或者自己从头训练一个模型。在刘伟光看来，AI 给云计算行业带来的变化才刚刚开始，整个云计算体系架构都要为 AI 重构，“MaaS 增长潜力很大，但关键是打赢 AI 云新增的全量市场”，要建立软硬一体的 AI 云全栈能力，推动企业用更低成本调用更强的 AI 模型，解决不同层次、不同场景问题，“这才是竞争中的胜负手”。146 个 行业客户深度调研：Token 质量比数量重要“如果今天所有的 AI 应用每天只能免费用 100 次，你会用它做什么？”这是刘伟光 2025 年走访了 146 个客户后反复思考的问题。 他的结论非常直接：没有人会把它浪费在写段子或闲聊上，一定会做最重要的东西——对工作最有帮助的决策、对家庭生活最关键的建议。在他看来，这是企业使用大模型与个人用户的本质区别。个人用户可能为了娱乐消耗 Token，但追求效率的企业，每一次 Token 的交换都有成本。他们不仅要为 Token 付费，业务线上的人力、时间也是投入。很难想象一个年轻的工程师面对设备故障时，还需要多轮对话才能得到解决方案，需要更快的响应、能让他迅速解决问题的指南。同样，基金公司的交易员用 AI 辅助捕捉交易信号时，也很难容忍模型动辄陷入沉思，然后给出长篇大论，再问一句 “是否需要我帮你整理得更完善”。传统行业的企业正在用不同的方式，尽可能避开 AI 的短板、提升效率。比如汽车诊断公司，用 30 年积累的产业检测报告做出来远程帮助汽修的大模型，才用到诊断报告中；基金公司会用沉淀 20 多年的数据和交易的行为跟模型结合，把各种形式的非结构化数据（如文字、语音、图像等）转化为可供投资参考的标准化信息。企业也希望充分挖掘 AI 的潜力。中国两家农牧业巨头公司都在用千问做相同的事情，他们不仅尝试用 VL（视觉大模型）识别猪的数量，还用它来识别猪的异常行为，检测猪的健康与活性，或者是开发兽医大模型解决专业人才短缺问题。还有头部照明公司接入千问后，不再局限简单的开关灯或者调控色温，还用 AI 理解用户模糊的指令，用更流畅的对话打造更聪明的端侧语言模型，让人与光的交互更自然。而企业一旦找到合适的方式把 AI 嵌入业务流程中，就会是严肃和连贯的。在线招聘行业中的每一家公司，几乎都在引入 AI 简历筛选、智能化面试、自动生成面试记录。当招聘专员习惯用 AI 辅助工作后，就会形成新的工作流，每天都会使用，不会受到个人喜好影响。“个人消费者使用 AI 的情况会有波动，但企业级市场只会不断增长。” 刘伟光说，而且使用的广度和深度会不断加强，很多场景还没有解锁，“如果 AI 能把车损定损给改了，那绝对是一种 ‘革命’。”2024 年云栖大会上，阿里巴巴集团 CEO 吴泳铭在演讲中称，生成式 AI 最大的想象力，绝不是在手机屏幕上做一两个新的超级 App，而是接管数字世界，改变物理世界。过去一年中国 AI 企业市场的发展证实了他的判断。AI 已不只在手机里面作为应用程序，而是出现在更多的载体中，包括眼镜、耳机、学习机、玩具、健身器材、汽车、机器人等全品类硬件设备中。这种不同层次、不同场景的需求，当下无法用单一的模型 API 服务满足。在美国市场，原本已经给企业提供工具的 SaaS 行业，大模型调用量规模持续上涨，提供了一种相对标准化的方案。而在 SaaS 行业未能发展起来的中国市场，传统行业偏向定制服务解决特定场景问题，往往需要后训练或者微调大模型。云计算公司提供这样的服务，在一定程度上为企业提供了类似 SaaS 的服务。“现在所有 MaaS 服务加一起，在中国云计算市场、甚至 AI 云市场占比都不高。MaaS 的空间当然非常大，但不是今天。” 刘伟光说，只统计公有云市场大模型 API 的调用量，无法代表 AI 云全貌。真实的 Token 消耗量，要把 MaaS 平台 API 调用、公共云 GPU 推理集群产生 Token、私有化模型部署产生 Token，设备端模型产生的 Token 等全部统计在内。“冰川下的 Token 消耗非常大，却无法统计。而且企业用 AI 还处于转型早期， 90% 以上的企业还没有真正行动起来，未来肯定是百倍的增长。”但可以观察的是，只要基础模型的性能持续提升，云厂商深入到技术栈的每一层提供服务，改进推理能力、节省成本，就可以带动更多行业的更多客户用 AI 解决问题。做 AI 时代的基础设施，承接不同层次的需求英伟达 CEO 黄仁勋曾抛出一个著名的论断：GPU 集群就是 “Token 工厂”，输入的是能量，输出的是 Token。这是典型的芯片公司视角，把 AI 生产过程简化为了物理层面的能量转换。对于云厂商来说，如果只是从事算力转售业务，现在很难提供可用的 AI 服务。他们必须用系统工程能力，尽可能提升现有算力效率，针对不同行业、不同层次的企业提供模型服务。这也是阿里云的选择：做 AI 时代的基础设施。用刘伟光的比喻来说，阿里云正在搭建的是一套现代化的自来水厂，而不只是水（大模型 API）的搬运工，还要维护水源地（开源模型）、搭建净化车间（数据清洗与模型训练平台）、铺设输水管网（高性能网络），以及处理污水（安全治理）等。在这套体系中，阿里云能够提供当前不同类型的 “用水” 需求：MaaS（直供水服务）： 就像家庭拧开水龙头就能用水，企业或者开发者不用关心底层复杂的管网，直接调用 API，开箱即用，按需付费。这是最轻量的接入方式。PaaS（工业用水服务）： 类似于工厂需要特定的水源，企业可以获得基础模型，直接用 “开源模型” 在阿里云平台上微调或者自己后训练，然后部署到合适的环境中。IaaS（水处理基础设施）： 像是将经过初步净化、萃取后的水源，输送给饮料厂或啤酒厂，企业可以用阿里云提供的算力和基础软件，用来训练独家配方的 “饮料”，比如自动驾驶模型、各种垂类大模型等等。阿里云已经有了初步成绩。根据市场调研机构 Omdia 数据，2025 年上半年，中国 AI 云整体市场（AI IaaS+PaaS+MaaS）规模达 223 亿元，阿里云占比 35.8 %，超过第二到第四名总和。搭建这套全面的基础设施，不仅需要高昂的投入，还要有战略决心。2025 年 2 月，阿里宣布未来三年将投入超过 3800 亿元，用于建设云和 AI 硬件基础设施，总额超过去十年总和。仅仅是 2025 年前三个季度，阿里用于建设 AI 数据中心等的资本开支就兑现了 950 亿元。在基础模型层面，阿里持续投入训练不同尺寸、不同类型、不同模态的基础模型，并投入资源把它们做到第一梯队。比如视觉生成模型万相 2.6 性能媲美 OpenAI 的 Sora 2；Qwen-Image-Layered 是业界首个能实现图像分层精准编辑的模型；Qwen3-Max 的性位居全球模型性能榜单前列。阿里选择把这些模型开源，提供给各行各业的团队或企业使用，其中 Qwen 的衍生模型数量超过 18 万，规模位居全球第一。作为基础设施，阿里云上长出来的不只有阿里自研的模型，月之暗面也在阿里云上训练 Kimi 系列模型，以及许多智驾团队也用阿里云训练模型。与此同时，阿里云也提供了一整套体系能力，支撑 AI 时代新诞生的产品迅速发展，除了阿里体系的千问 App，还有蚂蚁集团的灵光、阿福，以及月之暗面的 Kimi 应用、MiniMax 的海螺等。尽管当前各行各业应用 AI 还处于早期阶段，但定位基础设施的阿里云，也在探索更新的产品形态，为接下来的 AI 应用爆发做好准备。最典型的例子就是阿里正在开发千问 App 的 Agent 版本。它不只局限于用户提问，还能够调用淘宝比价、使用高德导航，甚至阿里所有的服务都有可能成为它的插件。最终这些在阿里内部业务和行业头部公司验证过的能力，都会沉淀在阿里云中，成为对外提供服务的产品。让客户具备长期、可持续地产生和使用智能的能力，而不是把客户锁定在某一种计量方式里。AI 加速推动客户上云AI 正在给云厂商带来了新的增长动力。无论是 AWS、微软 Azure、Google Cloud 还是阿里云，规模都在迅速增长。但提供动力的不只是 GPU 用量或者大模型 API 的调用。阿里云团队观察到， 在阿里云上使用这些服务的客户群体，他们在计算、存储、网络以及大数据等产品上用量的增长，高于整个大盘的增长。 “AI 会加速推动客户上云。” 刘伟光说，客户为了用好 AI，不得不将数据全面上云。企业想要让一个 Agent 产生价值，基础模型只是一个方面，高质量的业务数据同样重要。微软 Azure 的增长逻辑类似，出售 OpenAI 的基础模型的 API 服务只是其中一个方面，更充足的动力来自企业为了在业务中应用更强的模型，把分散在本地与各系统中的内容与数据，迁移到了更方便模型调用的云产品中。为高并发 Web/HTTP 请求设计的传统云计算架构，难以高效支撑这样的需求。甲骨文重新获得增长动力，很大一部分因素就来自于部署 RDMA（远程直接内存访问）高性能网络和自治数据库，适应了大模型训练、推理的需求。 这直接改变了公共云计算服务在中国市场的前景。此前多年，中国云计算公司并不像 AWS 等海外云平台那样，公共云客户遍布各行各业，囊括美国证券交易所、大型石油公司、银行业巨头等，做大规模就能拥有利润。在中国云计算市场，平台依赖的电力、带宽等基础设施成本并不受企业自身控制；部分传统企业出于数据安全、合规或历史惯性等原因，仍倾向于自建数据中心。“阿里云的基础云架构，为 AI 重做了一遍。” 刘伟光说，AI Infra 并不是一个特定的垂直方向，就是云计算本身，不仅需要规模化、安全和稳定，更需要云上的跨服务流转能力，比如新型的向量数据库、高效的大数据清洗平台、灵活的开发框架，满足企业不同层次、不同场景使用  AI  的配套软件体系。在阿里云看来， AI 时代云计算平台的竞争力在于 “软硬一体化” 的体系能力：硬件不只是芯片，而是围绕 GPU 算力构建的整个高性能底层架构；软件则是对模型的理解、优化和调度能力。“阿里云的目标是拿下 2026 年中国 AI 云市场增量的 80%。” 刘伟光说，但是下一年增量的 10% 都会大于上一年的全量。所以过去取得了什么成绩并不重要，变化才刚刚开始。","news_type":1,"symbols_score_info":{"BABA":2,"09988":2}},"isVote":1,"tweetType":1,"viewCount":173,"commentLimit":10,"likeStatus":false,"favoriteStatus":false,"reportStatus":false,"symbols":[],"verified":2,"subType":0,"readableState":1,"langContent":"CN","currentLanguage":"CN","warmUpFlag":false,"orderFlag":false,"shareable":true,"causeOfNotShareable":"","featuresForAnalytics":[],"commentAndTweetFlag":false,"andRepostAutoSelectedFlag":false,"upFlag":false,"length":27,"optionInvolvedFlag":false,"xxTargetLangEnum":"ZH_CN"},"commentList":[],"hasMoreComment":false,"orderType":2}