阿里云的慢思考

撰文| 吳先之

編輯| 王 潘

1937年，美國為解決加州中、南部干旱缺水與城市發展需求，興建了跨流域調水的中央河谷工程，起初飽受爭議。《洛杉磯時報》曾多次刊登諷刺漫畫，甚至用“空頭支票”質疑該工程的價值。

在爭議聲中，中央河谷工程花了45年，經歷了初期蓄水與基礎下泄、分段擴容與精準調度、生態與生產協同下泄。覆蓋面積從最早的100萬畝農田（約為1.4個北京朝陽區），時至今日，成為全球最大的灌區、美國的“糧倉”（約100個朝陽區），并形成了一個數百萬人口規模的都會區。

基礎超大參數模型就像一個水壩，壩體內部的防滲結構是數以萬計的Agent和小模型，下游的灌溉渠網就是各類垂直應用。水壩的蓄水量越大、泄洪調控越精準，下游的農田就越能得到充沛滋養。如同數據積累越多、基模的能力層級越高，外部應用就能在更多領域生根發芽。

阿里云對AI云的理解，頗似“中央河谷工程”。試圖建立起從壩體到灌溉網絡，甚至自來水廠的體系。不僅直接提供灌溉水，還向飲料公司提供純凈水、為有污水處理需求的廠商提供污水處理設備租賃。

因為提供服務的不同，阿里云認為暫時無法用單一標準計量。

阿里云智能集團資深副總裁、公共云事業部總裁劉偉光半打趣地說，傳統云計算時代，阿里云有句口號叫“為了無法計算的價值”，那么AI云時代，“我們的目標就是為了無法計算的Token”。

企業AI需求分層

從2025年1月6日開始，到12月30日，過去一年中，劉偉光總共進行了186次拜訪，涉及到146家客戶。涵蓋了從互聯網到傳統行業，從內銷到出海的國內公司，也涉及到跨國公司。

他看到了不少企業進行AI實踐的范式，同時注意到企業需求有強有弱，其中有四種類型的公司擁抱AI的態度最為堅決。第一種是提供AIGC付費服務的企業，代表企業如Pika Labs。

第二種是AI硬件公司。與傳統硬件公司不同之處在于，AI硬件公司的利潤來源不是硬件，而是依托AI能力，如陪伴與教育獲取更高的溢價。而模型能力，決定價值高低，使得它們非常在意模型能力。

第三種是垂類AI Agent的創企，這類企業被視為典型的AI原生企業，例如法律垂直領域的創企Harvey、做人才招聘的Mercor、做銷售線索Agent的Clay等等。

第四種是娛樂行業，如漫劇與短劇，借助AI改變原有生產模式，成本交換是最主要的驅動因素。例如傳統短劇的制作成本主要由人力與場地構成，制劇效率是核心驅動力。引入AI后，大模型的相關開支替代了人力與場地，也顯著提升了效率。某短劇從業者表示，過去一個月能產出20部劇集，如今能產出1000部。

除上述四種企業外，大盤其實是一批非AI原生企業，而其中意愿最強的是行業中的頭部企業。原因在于，這些企業經歷過數字化改造，具備一定的智能化基礎。

對于企業而言，AI改造是效果導向的，而效果好壞取決于Agent能力，Agent又受模型能力與數據質量影響，大企業經歷過多年數據治理與沉淀，數據質量與實時性都更會好。

對于所有云廠商而言，服務這些企業并不容易，因為從IT時代到傳統云，再到AI云，有一條獨立的演進過程。

在過去，云計算產品主要是計算、存儲、網絡、安全、數據庫和大數據等，客戶主要是互聯網客戶和數字化程度高的傳統企業。進入AI時代，云計算向智算演進，也是一個交換過程，依靠通用計算，能夠為更多的客戶做推理訓練，包括廣大的中小企業和初創企業。

技術在迭代，可國內企業級市場環境卻沒有因此有太大變化，“造錘”的SaaS市場并不繁榮，阻滯著AI to B的進程。很多企業因為安全，或者合規性要求，如金融行業，不會輕易地把數據放到公有云上。企業需求分層，倒逼云廠商尋求多種方案來調整自己的商業模式。

市場環境沒有因為AI的發展而變化，反而還在加劇。到目前為止，賣產品的Agent與賣原子化能力的Coding，這兩個市場在國內尚未產生巨頭，市場規模也還處于初期。

另一個挑戰來自企業使用AI云的方式多種多樣，哪怕是AI原生的大模型創企，使用云的方式也不盡相同。有大模型創企只會在云上訓練與開發；亦有大模型創企會基于開源模型做開發；而一些互聯網客戶則是在云上訓練模型，再基于模型開發自己的Agent；金融機構則是自己下載模型、自己訓練，云廠商根本不知道實際使用情況。

此外，自動駕駛與具身智能公司也是如此。兩個行業對圖形處理的算力需求很高，但因為需要即時響應，導致其對云的需求最終是完成本地化部署。即便廠商采用了某云廠商的大模型產品，也只能按照效果或者項目形式付費。

造“壩”鋪“渠”

有的廠商調用API接口，有的需要開源模型，有的只是需要數據清洗與模型訓練平臺。面對企業需求的差異化，國內云廠商有兩條路徑可選。

一條是先刺猬再狐貍，抓住增長最快、規模最大的某個領域，將之做到極致，然后再橫向拓展至其他領域；另一條是先狐貍再刺猬，以面的方式提供分層服務，企業按需選擇，如此以來可以快速完成市場覆蓋，并在此基礎上多線并進，最終建立市場優勢。

阿里云選擇了造壩鋪渠的后者，如同90年前的“中央河谷工程”。這意味著阿里云的AI服務體系，會和這項工程的建設周期一樣，需要時間才能見到天花板。而阿里云自己也認為，目前AI云還是早期，在國內則還處于價值萌芽階段。

即便阿里在去年2月宣布未來三年將對云和AI硬件基礎設施，投入超過3800億元，但如果從市場潛力來看，仍存在一定缺口。阿里云認為，AI提升的是社會生產力，潛在市場規模需要按照增幅的實際價值抬高，如果市場是10萬億，3800億對于10%的增幅而言，ROI是完全算得過來的。

基于此，阿里云形成了從基礎的AI Infra、到開源模型后訓練、模型推理服務，再到AI應用構建的分層產品服務體系。

對于一站式快速便捷構建Agent應用的需求，阿里云提供類似于直飲水的輕量級接入方式。該服務直接按需計費，一般采用Token的計費方式。阿里云其實交付的是自己的AI與云能力，企業直接使用。

第二種是提供工業級用水的定制化服務。大部分情況下，企業更青睞靈活、開放地選擇Agent開發平臺、模型選擇、AI框架選擇，或是獨立部署的企業，承接這部分需求的端口是阿里云的百煉。

除了模型服務，還有一部分企業具備IT能力，需要在VPC（虛擬私有云）環境下部署，或者有通用計算、高速網絡、高性能存儲、安全等云原生能力的需求。這時候，阿里云既能提供開源模型的生態，也能提供底層的原生能力，還能提供托管服務。

還有一種自己進行模型訓練的情況，例如前面提到的本地部署，或者搜推等大規模數據處理應用需求，阿里云則提供AI Infra。這種方案，可以理解企業直接租用阿里云的IaaS能力。

值得一提的是，不僅企業市場有著分層需求，單一企業也會因為場景原因，呈現不同需求。像物流企業，AI客服多以輕量接入的方式，而涉及到異常件識別、路徑規劃這類核心能力，則更傾向于采購原子化能力，私有化部署。

阿里云雖然能夠通過分層服務的方式，覆蓋更多企業的需求，但也為自己帶來了一個挑戰，服務類型不同，無法用單一指標計量。截至目前，阿里云至少采用了三種計費模型，以Token為代表的按量計費，以結果為代表的按結果計費，以及傳統的訂閱制。

簡單來說，阿里云的價值實現，來自兩種形態，一種是建立在基礎設施分攤的資產價值，另一種是建立在應用端的可計量價值，例如按照Token計費。

摩托羅拉的故事

95年前后，摩托羅拉總裁來華，他曾預測，到2000年，國內手機保有量會突破100萬。

然而，到了2000年，國內手機保有量已突破1億，幾年之后邁過10億大關。與此同時，手機還完成了從模擬機到虛擬機的迭代。此時，國內手機市場即便各類山寨機橫飛，摩托羅拉卻逐漸銷聲匿跡。

摩托羅拉這個故事表明，在新興市場，短期的市場地位與規模預期很容易被顛覆或證偽，更無法用過往的歷史推論未來，這條定律也適用于AI行業。

目前可以看到確定的趨勢是，應用端的爆發式增長，正在改變傳統IT時代的成本分攤模式。而阿里云所強調的模型與底層架構的軟硬一體化會是勝負手的觀點，目前仍存在分歧。

騰訊首席科學家姚順雨此前注意到，垂直整合在AI to C與to B市場存在差異的情況。在C端市場，豆包與ChatGPT的成功，證明了模型與產品能夠強耦合地迭代，而在to B市場，模型層的能力與應用層的需求之間是割裂的，得用更大的預訓練填充。

AI云時代才剛開啟，云廠商們紛紛將目光鎖定在增量市場上，因為下一年增量的10%都可能超過上一年的全量。這也就是為什么，阿里云2026年的目標是拿到中國AI云市場增量的80%。

微信號｜TMTweb

公眾號｜光子星球

別忘了掃碼關注我們！