阿里的蒸汽机时代

作者｜画画

许多人或许并不清楚，工业革命初期实际投入使用的首批蒸汽机与火车毫无关联。

1712年，英国工程师托马斯·纽可门制造了一台大气式蒸汽机，长期在煤矿井口负责抽水作业。该机器的热效率大约仅为1%，大量煤炭被消耗，却只是替代了矿工和马匹原本承担的劳动。

它之所以能够持续运转，主要得益于煤矿本身不缺燃料，低廉的能源成本暂时掩盖了其效率低下的问题。

从当时的视角来看，这不过是一台昂贵的矿井设备，距离纺织工厂、轮船以及铁路的应用场景还十分遥远。

三百多年后的今天，阿里CEO吴泳铭在云栖大会上将当下的AI Coding比作1882年的电灯：机器能够编写代码、生成报告、整理会议记录，所从事的仍然是人类已有的工作，而机器智能时代的标志性产品尚未诞生。

接着，他试图为这种尚未成型的生产力算一笔账。目前机器的思考总量还不到人类的3%，未来有可能达到人类的1000倍以上。

阿里并未公布具体的统计口径，这个数字也无法直接换算成Token，它更像是一个关于市场规模的前瞻性假设。

一、蒸汽机最初只会抽水

当纽可门的机器问世时，英国的主要动力来源依然是水力与风力。

经济史学者尼古拉斯·克拉夫茨根据历史统计估算，1760年英国安装的蒸汽动力约为5000马力，仅占风力、水力和蒸汽动力总量的5.9%。

到了1830年，蒸汽动力才与水力大致持平；而到1870年，这一数字已达到206万马力，占三类动力总量的近90%。

从5.9%到近90%，蒸汽机走过了超过一个世纪的时间。

后人习惯于将蒸汽机、火车与工业革命联系在一起，仿佛瓦特拧紧最后一颗螺丝，火车便立刻驶出了车站。

但历史推进的速度要缓慢得多。

早期的蒸汽机效率低下、用途狭窄，它先在煤矿抽水，后来才进入纺织和冶金领域；工厂围绕动力源进行重建，铁路与港口则扩大了其应用范围，矿井里的一台设备才逐渐演变为工业社会的基础设施。

今天的机器智能也处于类似的阶段：动力已经出现，但组织方式尚未改变。

AI Coding可以将一个原本需要八小时完成的项目缩短至两小时，但项目的数量、人员的规模以及工作时间仍然受到原有条件的限制。

写报告、做PPT、整理会议纪要也遵循同样的逻辑：机器提升了速度，但任务总量并未随之出现数量级的增长。

吴泳铭在演讲中描绘了另一种需求场景：上百万个Agent长期研究罕见病，或者将建造火星飞船的任务分解成上千万个子任务。人类只需下达一次目标，机器便会持续调用工具、检查结果并安排后续步骤。

计算需求由此从“多少人使用AI”，延伸到了“一个目标能够展开多少机器任务”。

二、吴泳铭为机器寻找了一个“马力”

在纽可门之后，瓦特改进了蒸汽机。

1769年，瓦特取得了独立冷凝器的专利，将蒸汽冷凝过程移至汽缸之外。英国科学博物馆的资料显示，这项改进可减少约三分之二的煤炭消耗。

到了1780年代，瓦特又解决了旋转运动的问题，使得蒸汽机能够驱动织布机和其他工厂设备。

机器变得好用之后，瓦特还需要让矿主和工厂主理解它的价值。客户熟悉一匹马一天能完成多少工作量，却很难判断一台蒸汽机的做功能力。

因此，瓦特将机器的输出换算成“马力”，用旧时代最常见的动力单位来解释一件陌生的商品。

“马力”后来成为了物理单位，但其最初也承担着销售工具的角色。

“机器思考量”正扮演着类似的角色。

它以人类思考为参照基准，为一种尚未成熟的机器生产力标出了潜在的需求规模。云栖大会上披露的两项实验，为这种工作留下了可供计数的记录。

Qwen3.8-Max在无人干预的情况下搭建训练流程、构造数据、设计实验并定位缺陷，连续运行一个多月，完成了33轮有效迭代。

另一项芯片设计实验持续超过60小时，模型调用EDA工具超过一万次，最终将一个芯片总线模块的物理面积减少了42%。

这些结果来自阿里，仍需更多外部验证。但“33轮”和“一万次调用”已经记录了一个变化：人类下达目标后，机器可以在后台继续完成大量步骤。

阿里还宣布，基于新架构的Qwen4已进入训练阶段，Qwen4.5和Qwen5计划将参数规模扩展至5万亿到10万亿。参数无法直接换算成生产力，但这一规划指向了复杂任务处理能力、连续运行时间以及根据反馈进行改进的空间。

Token记录的是已经发生的调用，而“机器思考量”描述的则是阿里预计这些调用还能扩张到多大的规模。

三、动力先行铺开

长任务一旦持续数小时、数天甚至数月，仅靠模型本身的能力很难完成。

任务可能会中断，也可能走错方向，系统需要保存进度、恢复运行、检查权限，还要确保计算、存储和网络保持协同。

平头哥在大会上公布了新一代训推一体AI芯片真武V900，官方称其单芯片性能达到上一代M890的3倍，计划于2027年第一季度量产并商业发布。

大会同时展示了服务器CPU、互联芯片、智能网卡和存储主控，升级后的超节点架构可将这些部件连接成最高50万卡规模的单一集群。

这背后的变化十分直接。

阿里开始将关注点从一颗更快的AI芯片，转向整套计算系统。

当模型持续运行时，CPU负责处理任务，网络负责传输数据，存储负责读写。任何一个环节跟不上，昂贵的AI芯片都只能处于等待状态。

在硬件之外，阿里云发布的Agentic Cloud负责长任务的执行与管理。AgentCore管理失败重试、断点恢复、身份权限和运行审计，Agent Sandbox则提供隔离环境。

企业真正采购的，是一套能够让机器持续运行、按权限行动、并留下完整记录的生产环境。

这套系统需要提前建设。

2025年2月，阿里宣布未来三年至少投入3800亿元建设云计算和AI基础设施；此次云栖大会上，吴泳铭又将2032年的数据中心目标设定为20GW。

模型、芯片和云已经沿着长任务的需求连接起来。如今，这些产能需要由企业每天产生的机器任务来消化。

四、电灯亮了，工厂尚未改变

1882年9月4日，爱迪生的珍珠街电站在纽约投入运行，最初服务82位客户，只点亮了约400盏灯。后来被写入教科书的电气时代，起点不过是曼哈顿下城的一个小型网络。

电灯很快让人们看到了电的用途，但工厂的变化却慢得多。

经济史学家保罗·戴维记录过一段历史。早期工厂获得电力后，老板们拆掉中央蒸汽机，换上一台大型电动机，但头顶的传动轴、皮带和厂房布局全部保留了下来。

电动机依旧拖着原来的生产系统运转，生产率几乎没有变化。

直到小型电动机被安装到每台机器上后，中央传动轴和皮带才逐渐消失，设备得以按照生产顺序重新摆放，厂房也从多层结构转向更灵活的单层布局。

电力带来的效率提升，源于生产流程随动力系统一起重新排列。

AI进入企业，也遇到了类似的瓶颈。

许多公司已经将AI应用于日常办公，却很少让它介入合同审批、客户账户、研发发布和财务系统。这些工作涉及审核、授权、测试与责任确认。

数据、工具和权限尚未打通，模型只能停留在业务流程之外提供辅助。

阿里在云栖大会上展示的，是一项任务如何贯穿这些环节。

一场会议结束后，QwenNote Eva桌面机器人或QwenNote A2录音卡片记录下现场内容，钉钉和MyContext再从消息、文档与历史会议记录中补充上下文，AgentCore随后管理执行权限、进度和记录。

任务也可以从手机发起，荣耀Magic9系列将成为首批搭载Qwen Intelligence的机型。从会议室里的一句话，到企业系统中的具体动作，阿里试图将过去断开的环节连接起来。

真正决定Agent能做多少工作的，也就不再只是模型参数。

它需要知道公司发生过什么、客户是谁、文件在哪里、哪些系统可以调用、哪些事情必须经过人确认。

上下文决定机器知道什么，工具决定它能做什么，权限决定它可以做到哪一步。

当这些东西接通后，AI才开始从一个回答问题的软件，转变为能够持续执行任务的生产力。

五、机器开始拥有自己的“工时”

机器真正开始工作，所缺的从来不只是算力。

一个Agent接到任务后，需要了解这家公司的信息、客户是谁、之前发生过什么、哪些系统可以操作，以及出现问题该向谁确认。

企业提供给AI的东西，也在发生变化：从一段Prompt、一份文档，扩展到完整的业务上下文，再到工具、权限和执行环境。

上下文决定机器知道什么，工具决定它能做什么，权限决定它可以做到哪一步。三者接通后，一个目标就能被拆解成几十甚至几百个动作，包括查资料、调接口、写文件、跑测试、等待反馈，然后再继续下一步。

于是，机器的工作量开始有了“工时”的概念。

中国平安披露的一组数据，恰好提供了一个切面：其日均Token用量在不到一年里从约300亿增至超过3000亿，算力从800PF增至1500PF。算力增加不到一倍，但Token用量却扩大了十倍。

这只是单一企业的数据，但却展示了一种增长路径：

企业AI的增长，可以表现为在同一套业务里，机器开始承担越来越多的步骤。

平安披露的另一组数据也很有意思：AI已经进入客服、医疗、研发等具体环节，超过1亿次AI服务在不到半年时间里完成。

机器获得的已经是一批能够持续产生任务的业务场景。

这正是Agent与传统AI工具的区别。

模型能力决定机器会不会做，企业上下文决定它知道做什么，工具和权限决定它能不能做下去。随着这些环节逐渐接通，企业第一次有机会为机器排一张真正意义上的“工时表”。

阿里的20GW算力，最终也要应用在这里。

数据中心有多少GW，芯片有多少卡，最终都要回答一个更朴素的问题：每天究竟有多少工作可以交给机器？

七、增长单位变了，公司也会变

如果机器真的会成为一种新的生产力，那么最先发生变化的可能不是产品，而是公司的内部组织结构。

吴泳铭2023年9月接任CEO后，很快将“AI驱动”列为阿里的战略重心。到2025年2月，阿里宣布未来三年至少投入3800亿元建设云计算和AI基础设施。

资金投向算力，也开始改变公司的组织方式。

2026年3月成立的Alibaba Token Hub（ATH）就是一个信号。它把模型研发、MaaS、个人应用和企业应用重新整合到同一张组织图中，用“创造Token、输送Token、应用Token”这条链条串联起通义、MaaS、千问和悟空。

一个过去分散在不同业务中的AI能力，开始按照模型生产什么、基础设施如何输送、应用如何消化的逻辑重新组织。

紧接着，集团技术委员会成立，模型、云基础设施和业务技术平台之间的边界被重新划分。

阿里正在将AI从一项横向能力，转变为一套可以独立经营的业务系统。

这种变化最终体现在了财报上。

截至2026年6月30日的季度（阿里2027财年第一季度），阿里将云智能集团和平头哥合并为AI云与算力服务，而模型实验室、千问C端业务和千问办公则划归AI实验室与应用板块。

AI不再只是电商、云、办公等业务共同使用的技术投入，而是开始拥有自己的收入、成本和利润表。

数字也开始出现分化。

AI云与算力服务当季收入为484.37亿元，同比增长45%；但资本性支出却达到676.78亿元，同比增长75%，非公认会计准则自由现金流净流出446.70亿元，其中主要压力来自云基础设施投入。

将这组数字放在一起，阿里正在做的事情就非常清晰了。

一边经营已经成熟的电商生意，一边提前为机器智能建立一套新的供给体系。

电商的增长单位是订单、GMV和用户；而这套新生意的增长单位，则越来越接近Token、算力、Agent运行时间和企业任务。

前者在交易发生后获得收入，后者则需要先将机器造出来，再等待足够多的工作进入机器。

这也解释了为什么吴泳铭反复强调“机器思考量”。阿里真正押注的，是世界是否会产生足够多的机器工作。

如果答案成立，那么今天提前建设的芯片、数据中心、模型和Agent基础设施，就是产能。

如果机器迟迟找不到足够多的工作，这些投入也会变成利用率、折旧和现金流压力。

这可能才是“机器智能”作为一门生意，与传统互联网生意最不一样的地方。

在火车驶出车站之前，蒸汽机已经在矿井口抽了很多年水。阿里现在，大概还在矿井口。

但它已经开始为下一班火车准备动力了。

【版面之外】的话：

瓦特为蒸汽机计算马力时，人类并不知道蒸汽机会将自己带向何方。

后来，马匹退出了工厂，但马力却保留了下来。

今天阿里开始为机器计算“思考量”，也许同样如此。

一个新单位真正重要的，从来不是它叫什么，而是它开始让人类用机器的尺度重新计算生产力。

那时，机器智能才算真正走出了矿井口。

本文来自微信公众号“版面之外”，作者：画画，36氪经授权发布。