阿里云栖大会公布AI基础设施投入：模型、芯片、云三大方向具体进展
阿里明确AI基础设施三大投入方向
2026年9月22日的杭州云栖大会上，阿里巴巴集团CEO吴泳铭没有讲太多愿景，而是直接列出了公司在AI基础设施上的三个具体投入方向：AI模型、AI芯片和AI云。他说，这是阿里的长期战略选择，不是短期热点追逐。
吴泳铭提到一个数据：目前机器承担的“思考”工作还不到人类总量的3%，但未来可能达到99.9%。这个判断背后，是他对“思考”将成为一种可规模化供给商品的预期——就像电力一样，插上插座就有，不需要关心发电厂在哪。
要实现这一点，光有算法不够，必须把底层基础设施做扎实。阿里选择从模型、芯片、云三个环节同时推进，形成闭环。
模型：5–10T参数规模与递归式自我改进
过去一年，通往通用人工智能（ASI）的技术路径逐渐清晰。阿里内部将其称为“递归式自我改进”（Recursive Self-Improvement, RSI）。简单说，就是模型能自己发现短板，设计实验、构建数据、评估结果，再循环优化自身。
Qwen团队已经在做这方面的探索。虽然没有公布具体指标，但团队确认已取得阶段性进展。与此同时，Qwen还在持续推进模型架构和训练数据的优化，目标是训练参数规模达5–10T的新模型。这类模型能处理更复杂的任务，比如长程推理或多步骤规划。
不过，光有“聪明的大脑”还不够。吴泳铭强调，AI还需要具备感知和交互能力——能理解声音、图像、表情甚至动作，并对齐人类的文化、审美和价值观。因此，阿里把“理解与生成一体化”的多模态模型作为另一个重点方向。理想状态是，用户不再需要面对复杂的命令行或界面，直接用自然方式交流即可。
终端侧也在同步推进。桌面端，开源的Qwen27B模型已经能在普通工作站上流畅运行，支持本地部署；移动端，阿里推出了Qwen Intelligence解决方案，帮助手机厂商集成复杂AI任务能力，比如实时翻译、文档摘要或图像编辑。
芯片：真武V900算力提升3倍，集群扩展至50万卡
模型跑得快，离不开硬件支撑。阿里旗下的平头哥半导体已经完成了数据中心芯片的全栈布局：真武系列GPU负责AI计算，倚天系列CPU处理通用任务，磐脉系列智能网卡优化网络传输，还有ICN互联芯片负责芯片间高速通信。
在本次云栖大会上，平头哥发布了新一代AI芯片——真武V900。官方数据显示，其算力是上一代真武M890的3倍。基于V900构建的单一AI集群，理论上可扩展至50万张加速卡规模，足以支撑当前最前沿大模型的训练和推理需求。
更重要的是，平头哥的芯片已经开始被外部客户采用。阿里预计，随着产品线成熟和应用场景扩大，年出货量将显著增长。
除了单芯片性能，阿里还在做系统级优化。他们将芯片、服务器、超节点、网络、模型和推理引擎联合调优，目标是提升整个集群的Token产出效率。目前，自研的M890 AI超节点已经能高效推理超过2万亿参数的模型，并在阿里云上实现规模化服务。今年第四季度，阿里云还将新增多个服务节点，进一步扩大超节点的供给能力。
AI云：目标2032年运营超20GW数据中心
吴泳铭打了个比方：今天没人会关心电是从哪个电厂来的，只要插上插座就有电。未来的机器智能也该如此——任何设备接入云，就能随时调用智能能力。
要实现这种“无感使用”，需要一张覆盖全球、高度协同的超级网络。这张网络不仅要整合GPU、CPU、存储和数据库，还要对各类工具链进行深度优化。网络越完善，吸引的用户和AI Agent就越多，进而形成正向循环。
目前，客户对AI算力的需求非常旺盛。阿里云正在全力上架资源以满足订单，收入也因此持续加速增长。但吴泳铭坦言，行业的中长期需求远超当前供给能力。全球范围内的AI数据中心供应链仍处于紧缺状态，这直接限制了算力扩张的速度。
为此，阿里巴巴决定加大投入。他们的目标很具体：到2032年，阿里云在全球运营的数据中心总功率将超过20GW。作为参照，目前全球最大的云计算厂商数据中心总规模大约在10–15GW区间。这意味着阿里计划在未来六年将基础设施规模翻倍以上。
这一目标不仅依赖自建，也需要与供应链、合作伙伴共同推进。吴泳铭表示，阿里愿意开放技术栈，与硬件厂商、软件开发商一起打造面向“机器智能时代”的AI云底座。
投入背后的逻辑：不做孤岛，做基础设施
阿里这次没有提“颠覆”或“革命”，而是反复强调“基础设施”。这反映出一种务实策略：与其在应用层打价格战，不如把底层做厚。
模型、芯片、云三者环环相扣。大模型需要强大算力支撑，算力依赖高性能芯片，而芯片的价值又通过云平台释放。只有三者协同，才能真正提升整体效率。
例如，Qwen模型在训练时可以直接调用平头哥芯片的特定指令集，推理阶段又能通过阿里云的调度系统动态分配资源。这种软硬一体的优化，比单纯堆砌硬件更能提升实际性能。
此外，阿里也在推动开源和开放。Qwen27B的开源降低了企业本地部署门槛，Qwen Intelligence则让手机厂商能快速集成AI能力。这种“授人以渔”的做法，有助于扩大生态，反过来又拉动对阿里云和芯片的需求。
现实挑战依然存在
尽管规划清晰，但挑战也不少。首先是供应链问题。高端AI芯片制造仍受制于先进制程产能，即便平头哥设计能力强，量产交付仍需时间。其次是能耗。20GW的数据中心意味着巨大的电力消耗，如何保障绿色能源供应将是关键。
另外，模型越大，训练成本越高。5–10T参数模型的训练可能需要数亿美元投入，且不一定能带来线性收益。阿里需要在模型规模与实用性之间找到平衡点。
最后是竞争格局。国内外云厂商都在加码AI基础设施，英伟达、AMD、华为、腾讯等对手各有优势。阿里能否凭借全栈自研形成差异化，还需市场检验。
结语：用工程化思维做AI
整场演讲没有太多“改变世界”的豪言，更多是具体的产品路线图和时间节点。阿里似乎在传递一个信号：AI的下一阶段不是比谁喊得响，而是比谁能持续交付可靠的基础设施。
从Qwen的迭代节奏，到真武芯片的性能指标，再到数据中心的GW目标，每一步都可测量、可验证。这种工程化思维，或许正是当前AI行业最需要的。
毕竟，真正的智能普及，不靠口号，靠插座——插上就能用的那种。