吴泳铭云栖大会谈AI Coding：机器思考总量不到人类3%

编者按：本文来自微信公众号“版面之外”，作者：画画，创业邦经授权转载。

作者｜画画

工业革命最早投入实用的那批蒸汽机，其实跟火车并无关系。1712 年，英国工程师托马斯·纽可门造出一台大气式蒸汽机，长期驻守煤矿口抽水。它的热效率仅约1%，煤一车车往里填，干的还是矿工和马匹原先就在干的活儿。

这台机器之所以转得起来，靠的是煤矿不缺煤，燃料便宜，效率问题暂时被盖住了。放到当时去看，它只是一台价格不菲的矿井设备，离纺织厂、轮船和铁路都还远。

三百多年后，阿里 CEO 吴泳铭在云栖大会上，把眼下的 AI Coding 摆到了 1882 年的电灯旁边：机器能写代码、做报告、整理会议纪要，揽下的仍是人类已有的活儿，机器智能时代的标志性产品还没露面。

接着他试着给这种尚未诞生的生产力算了笔账：如今机器思考总量还不足人类的3%，往后可能冲到人类的1000 倍以上。阿里并未公布统计口径，这个数也没法直接折成 Token，更像是一个围绕市场规模的战略假设。

一、蒸汽机最早只会抽水

纽可门的机器问世时，英国的主要动力还是水和风。经济史学者尼古拉斯·克拉夫茨援引历史统计估算，1760 年英国装机的蒸汽动力约5000 马力，在风力、水力和蒸汽动力总量里只占5.9%。

到 1830 年，蒸汽动力才与水力大体打平；1870 年这个数字已攀至206 万马力，占三类动力总量近90%。从5.9%到近90%，蒸汽机走了一个多世纪。

后人总爱把蒸汽机、火车和工业革命捆在一起，好像瓦特拧完最后一颗螺丝，火车就驶出了车站。可历史的步子要慢得多。

早期蒸汽机效率低、用处窄，先在煤矿抽水，之后才进纺织和冶金；工厂围着动力重建，铁路与港口把使用范围铺开，矿井里那台设备才慢慢变成工业社会的基础能力。

今天的机器智能，同样处在动力已经出现、组织方式还没变的阶段。AI Coding 能把原本要八小时的项目压到两小时，可项目数量、人员规模和工作时间仍卡在原有边界内。

写报告、做 PPT、整理会议纪要也是同一个道理：机器把速度提上去了，任务总量还没跟着出现数量级的变化。

吴泳铭在演讲中描绘了另一种需求——上百万个 Agent 长期研究罕见病，或者把建造火星飞船拆成上千万个子任务。人只交代一次目标，机器便持续调用工具、检查结果、安排后续步骤。

计算需求也就从多少人用 AI，延伸到一个目标能展开多少机器任务。

二、吴泳铭给机器找了一个“马力”

纽可门之后，瓦特对蒸汽机做了改进。1769 年，瓦特拿到独立冷凝器专利，把蒸汽冷凝挪到汽缸之外。英国科学博物馆的资料显示，这项改进能省下约三分之二的煤耗。

进入1780年代，瓦特又把旋转运动这个难题攻克了，织机和其它工厂设备这才真正能靠蒸汽机带动起来。机器好用归好用，瓦特还得让矿主和工厂主明白它到底值多少钱。客户心里清楚一匹马一天能干多少活，可一台蒸汽机有多大做功本事，他们判断不了。

于是瓦特把机器的输出折算成“马力”，拿旧时代最常见的动力去解释一件大家都没见过的东西。“马力”后来变成了物理单位，但最开始，它其实是个销售工具。

“机器思考量”干的是差不多的事。它拿人类思考当参照，给一种还没成熟的机器生产力估出可能的需求规模。云栖大会上公布的两项实验，正好给这类工作留下了能数出来的记录。

Qwen3.8-Max 在没人插手的情况下自己搭训练流程、构造数据、设计实验、定位缺陷，一口气跑了一个多月，完成33 轮有效迭代。

另一项芯片设计实验跑了超过60 小时，模型调用 EDA 工具超过一万次，最后把一个芯片总线模块的物理面积压掉了42%。

这些结果出自阿里，还需要更多外部验证。不过“33 轮”和“一万次调用”已经记下了一个变化：人把目标定下来之后，机器能在后台接着把大量步骤做完。

阿里还宣布，采用新架构的 Qwen4 已经进入训练阶段，Qwen4.5 和 Qwen5 打算扩展到5 万亿到10 万亿参数。参数没法直接折成生产力，这份规划指向的是复杂任务能力、连续运行时间，以及根据反馈继续改进的余地。

Token 记录的是已经发生的调用，“机器思考量”讲的则是阿里预计这些调用还能撑到多大的量级。

三、动力先铺开

长任务一旦跑上几个小时、几天甚至几个月，光靠模型本身很难扛住。任务可能断掉，也可能跑偏，系统得能存进度、能恢复、能查权限，还得让计算、存储和网络配合起来。

平头哥在大会上亮出了新一代训推一体 AI 芯片真武 V900，官方说单芯片性能是上一代 M890 的3 倍，计划 2027 年第一季度量产及商业发布。

会上还一并展示了服务器 CPU、互联芯片、智能网卡和存储主控，升级后的超节点架构能把这些部件连成一个最高50 万卡规模的单一集群。

这背后的变化很直接。阿里的注意力，正从一颗更快的 AI 芯片转向整套计算系统。

模型持续跑的时候，CPU 负责处理任务，网络负责搬数据，存储负责读写。哪个环节掉链子，再贵的 AI 芯片也只能干等。

硬件之外，阿里云发布的 Agentic Cloud 管的是长任务的执行和管理。AgentCore 负责失败重试、断点恢复、身份权限和运行审计，Agent Sandbox 提供隔离环境。

企业真正掏钱买的，是一套能让机器持续运行、按权限行动、并且留得下完整记录的生产环境。

这类基础设施必须提早布局。阿里在 2025 年 2 月放话，未来三年将拿出至少 3800 亿元砸向云计算和 AI 基础设施；到了这届云栖大会，吴泳铭又提出，到 2032 年数据中心规模要干到 20GW。

模型、芯片和云已经顺着长任务的需求串了起来。眼下，这些产能要靠企业每天产生的机器任务来消化。

四、电灯亮了，工厂还没有改变

1882 年 9 月 4 日，纽约的珍珠街电站开始运转，那是爱迪生手笔，首批用户 82 家，点亮的灯大约 400 盏。谁也没想到，后来教科书里大书特书的电气时代，最初只是曼哈顿下城一小片供电网络。

电灯很快让人看见电的用途，工厂的变化却慢得多。

经济史学家保罗·戴维曾留下这样一段记录：工厂刚用上电那会儿，老板们把中央蒸汽机撤了，换成一台大型电动机，可头顶的传动轴、皮带还有整个厂房布局，照旧没动。

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。

小型电动机进入每台机器后，中央传动轴和皮带逐渐消失，设备得以按照生产顺序重新摆放，厂房也从多层转向更灵活的单层布局。

电力带来的效率提升，来自生产流程随动力系统一起重排。

AI 进入企业，也遇到了类似的门槛。

眼下不少公司已经在日常办公里用上了 AI，但合同审批、客户账户、研发发布、财务系统这些环节，还是很少让它碰。原因在于，这些活儿都牵扯审核、授权、测试和责任确认。

数据、工具和权限没有接通，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 录音卡片留下现场内容，钉钉和 MyContext 再从消息、文档与历史会议记录中补齐上下文，AgentCore 随后管理执行权限、进度和记录。

任务同样能从手机上发出，荣耀 Magic9 系列会是第一批搭载 Qwen Intelligence 的机型。从会议室里说出一句话，到企业系统里落地成一个具体动作，阿里想做的，是把过去断开的那几段接上。

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，AI 才开始从一个回答问题的软件，变成能够持续执行任务的生产力。

五、机器开始有自己的“工时”

机器真正开始上工，缺的从来不只是算力。

一个 Agent 领到任务后，得先搞清楚这家公司的底细：客户都是谁，过去出过什么事，哪些系统能动，万一出了问题又该找谁拍板。

企业给 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。

机器知道什么，由上下文说了算；它能干什么，看工具；能干到哪一步，则取决于权限。这三样串起来，一个目标就能被拆成几十甚至几百个动作——查资料、调接口、写文件、跑测试、等反馈，然后再往下走。

于是，机器的工作量开始有了“工时”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，Token 用量却扩大了十倍。

这还只是一家公司的数据，可它摆出了一条可复制的增长曲线：企业 AI 往前走，未必要靠业务换新，而是同一摊事情里，机器接手的环节一个接一个变多。

平安那边公布的另一组数字同样有看头：AI 早已渗进客服、医疗、研发这些具体的活里，不到半年，超过1 亿次AI 服务就跑完了。机器手里攥着的，是一批能不断派活的业务现场。

这恰恰是 Agent 跟过去的 AI 工具不一样的地方。

模型行不行，决定了机器会不会干；企业的上下文，决定了它清楚该干什么；工具和权限，决定了它能不能一路干到底。这些环节一点点接上之后，企业头一回有条件给机器排一张名副其实的“工时表”。

阿里那20GW算力，说到底也要用在这上头。数据中心堆了多少 GW、芯片插了多少卡，最后都得落到一个更实在的问题上：一天里到底有多少活能交出去。

七、增长单位换了，公司也会变

假如机器真能变成一种新的生产力，最先被撬动的恐怕不是产品，而是公司里的组织结构。

2023 年 9 月吴泳铭接任 CEO，没多久就把“AI 驱动”定成阿里的战略重心。到了 2025 年 2 月，阿里又宣布，未来三年至少砸3800 亿元去建云计算和 AI 基础设施。

钱往算力上走，公司的组织方式也跟着松动。

2026 年 3 月挂牌的 Alibaba Token Hub（ATH）就是个信号。模型研发、MaaS、个人应用和企业应用被重新摆进同一张组织图，通义、MaaS、千问和悟空由“创造 Token、输送 Token、应用 Token”这条线穿起来。

原先散落在各业务里的 AI 能力，现在按另一套逻辑归拢：模型负责产出什么、基础设施怎么送出去、应用又怎么消化掉。

没过多久，集团技术委员会也立了起来，模型、云基础设施和业务技术平台之间的分界线被重新画过。阿里这是要把 AI 从一项横向能力，变成一套能单独拿出来经营的业务系统。

这种调整最后都落到财报上。截至 2026 年 6 月 30 日的季度，也就是阿里 2027 财年第一季度，云智能集团和平头哥被并成 AI 云与算力服务，模型实验室、千问C 端业务和千问办公则归入 AI 实验室与应用。

AI 不再是电商、云、办公一起分摊的技术投入，它开始有自己的收入、成本和利润表。数字也随之分岔。

AI 云与算力服务当季进账484.37 亿元，同比涨45%；资本性支出却是676.78 亿元，同比涨75%，非公认会计准则自由现金流净流出446.70 亿元，压力主要来自云基础设施的投入。

这些数放在一块看，阿里在干什么就不难明白：一只手照看已经成熟的电商生意，另一只手提前给机器智能搭一套新的供给体系。

电商那边，增长单位是订单、GMV 和用户；这门新生意的增长单位，越来越像 Token、算力、Agent 运行时间和企业任务。

交易一完成就能进账，这是前一种生意的逻辑；后者不一样，得先把机器造好，然后等着足够多的活儿找上门来。

吴泳铭一再提“机器思考量”，原因也在这儿。阿里下的注，其实是这个世界到底会不会冒出足够多的机器工作。要是这个判断站得住，那眼下先一步铺开的芯片、数据中心、模型还有 Agent 基础设施，全都算产能。

可要是机器左等右等也等不来足够的活儿，这些投入转头就会压到利用率、折旧和现金流上。

机器智能作为一门生意，和过去互联网那套玩法最大的分别，或许就在这里。

火车还没出站的时候，蒸汽机已经在矿井口抽了好些年水。阿里眼下，大致也还待在矿井口。

不过它已经在给下一班火车攒动力了。

【版面之外】的话：

瓦特拿马力去衡量蒸汽机那会儿，没人知道蒸汽机会把人类带向何方。再往后，马退出了工厂，马力这个词却留了下来。

今天阿里动手给机器算“思考量”，说不定也是同样的路数。一个新单位的分量，从来不在于它被叫作什么，而在于它开始让人用机器的尺度，重新算一遍生产力。

到那个时候，机器智能才算真的从矿井口走出来了。