本文来源：时代周报 作者：朱成呈

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。

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，目前客户 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）。咨询机构麦肯锡预计，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。

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。

目前，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。

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。