AI超级应用还没有出现 ，阿里巴巴已经开始为下一轮算力基础设施铺路 。

　　9月22日的2026杭州云栖大会上，阿里巴巴集团CEO吴泳铭给出激进判断：未来
，机器思考的总量将达到人类的1000倍以上。今天，机器思考的总量 ，大概不到人类的3%
。

　　在吴泳铭看来
，今天的AI Coding，可能类似机器智能时代早期的电灯 ，替代的是人类社会现有的工作
，古法编程 、写报告等。当下，AI正进入更广泛的办公市场 ，但仅替代现有工作不可能创造一个新的时代 。

　　“我们很难预测
，当机器智能爆发之后会出现什么样的新产品、新发明
。就像站在1882年的电灯下，人们很难想象出电气时代的完整图景。”吴泳铭说 。

　　真正的AI时代还没到来 ，阿里为什么要大举建设基础设施？答案藏在吴泳铭对未来AI需求的判断里
。

　　过去人类能投入多少思考
，受限于人的数量
、时间和能力。未来，一个复杂任务可以被拆成数百万个子任务 ，由大量Agent持续执行 。机器思考的需求因此不再受人口数量约束，而是取决于机器智能的供给规模
。

　　吴泳铭据此推算
，未来，机器思考的总量至少有几万倍的增长空间。

　　这大概能解释阿里为什么把AI模型、AI芯片和AI云放到同一张战略图 。

　　先建基础设施

　　当下 ，AI最热闹的是应用
。从聊天机器人到AI Coding
，再到Work Agent，创业公司和大厂都在寻找下一个超级应用。

　　吴泳铭认为 ，这些可能只是机器智能的早期形态 。他以电气时代
，类比——1882年，爱迪生建成珍珠街电站 ，最初只点亮约400盏电灯。之后几十年
，空调 、洗衣机
、冰箱乃至计算机陆续出现，这些产品的诞生都建立在更大规模的电力基础设施之上
。

　　某种程度上 ，阿里现在做的事也是先把“电站 ”建起来。

　　吴泳铭在大会现场提出
，AI模型、AI芯片和AI云，是机器智能时代的三大基石 。围绕这三条线 ，阿里同时公布了新的模型 、芯片和数据中心计划
。

　　在模型端，Qwen团队正推进递归式自我改进（RSI）
，计划训练5万亿至10万亿参数规模的新模型，承担更复杂
、更长程的任务 ，并向ASI迈进。

　　云端则是更大规模的投入 。吴泳铭称
，近来 客户AI需求非常强劲，但行业中长期需求已远超供给能力 ，AI数据中心供应链的紧缺正在限制算力增长
。阿里因此提出
，到2032年，阿里云运营的全球数据中心规模超过20GW。

　　20GW已经不是普通意义上的云计算扩容 。

　　作为参照 ，Meta今年7月宣布在加拿大阿尔伯塔省建设一座1GW数据中心
，投资超130亿加元（约合人民币619亿元）
。询问 机构麦肯锡预计，到2030年 ，全球数据中心容量需求将达约220GW。其中
，AI负载约156GW 。美国数据中心的电力需求则可能从2024年的25GW增至2030年的80GW以上
。

　　因此，20GW不是一个单纯的“云规模”数字 ，它背后对应的是电力、机房 、网络
、芯片和服务器等一整套基础设施投入。

　　芯片开始成为核心

　　数据中心规模越大，芯片的重要性就越高 。

　　过去
，阿里的芯片业务更多被视作云业务背后的基础设施。现在，随着AI算力需求快速增长 ，芯片开始成为阿里整个AI体系中的关键一环
。

　　近来 
，平头哥已形成包括真武AI芯片、倚天服务器CPU 、ICN Switch互联芯片
、磐脉智能网卡和镇岳存储主控芯片在内的数据中心芯片布局。

时代周报记者摄

　　此次云栖大会，平头哥又发布新一代AI芯片真武V900 。按阿里披露数据 ，V900单芯片性能是上一代真武M890的3倍
，搭载216GB显存，片间互联带宽达到1200GB/s ，并支持千卡规模超节点
。

　　这里真正值得注意的
，并不只是“3倍算力
”。当模型从单轮问答走向多轮推理、Agent编排和长时间运行后，算力需求已经不再只是简单增加几张卡 。

　　一个复杂任务背后 ，可能同时发生推理 、检索、代码执行和多步调用
。算力的瓶颈因此逐渐从单卡性能
，转向芯片之间如何高速协同，以及整个集群能否以更低成本持续提供算力。

　　真武V900通过自研ICN Switch互联芯片连接后的超节点 ，具备原生内存语义和内存统一编址能力，可实现千卡全带宽高速互联 。这意味着上千颗真武V900能像一颗超级芯片"一样协同工作
。

　　三条线开始合流

　　如果说过去阿里分别在做芯片
、大模型和云
，那么这次云栖大会释放出的另一个信号是：三者开始被放进同一个体系里。

　　这不是简单的“业务协同”，而是模型和Agent的真实需求牵引芯片与系统设计 ，云平台将硬件能力组织成可规模化交付的服务
，模型再反向优化推理软件和芯片设计 。芯片、模型与云由此围绕任务效果 、响应速度
、吞吐和成本共同迭代，形成协同飞轮
。

　　最终 ，模型、芯片和云围绕同一组指标迭代：任务效果 、响应速度
、吞吐量和单位成本。这比单独做一款模型或者一颗AI芯片
，要重得多 。

　　阿里真正想建立的，是从芯片、服务器 、网络和数据中心 ，到模型
，再到云服务的一条完整链路。

　　这种从芯片
、模型到云平台的全栈布局，在国内并不常见
。华为、百度也在补齐这条链路 ，但各自的重心不同：华为更偏向芯片和算力基础设施
，百度则在加快昆仑芯出货和规模化部署，而在云计算市场 ，阿里的规模优势仍较明显。

　　国信证券研报指出，阿里不只是IaaS资源供给
，而是覆盖自研芯片 、云基础设施
、模型服务平台、通义模型与企业应用的全栈体系 。全栈的价值在于降低异构算力调度和模型部署成本，并通过MaaS把基础设施 、模型和应用收入连接起来 ，构建起垂直一体化的竞争能力
。

（文章来源：时代周报）