“AI Infra 就是云计算本身。”

文丨贺乾明

100 多年前，电力首次进入工厂，许多工厂主做了一个看似合理的决定：保留复杂的蒸汽机传动轴和皮带系统，只用电动机替换蒸汽机。结果令他们大失所望：动力更强了，生产效率几乎没有同步提升。

接下来的 20 年，他们才逐步意识到，电力带来的真正变革不只是简单替代动力源，而是把它嵌入到不同的业务单元中，用不同类型的电机驱动钻头、传送带等，生产力才迎来爆发。

这是阿里云希望给企业深入应用 AI 提供的能力。他们认为，AI 时代客户要的不只是单一的模型或云的能力，而是更低成本使用更强模型时，有更灵活的综合体验。AI 云应该像当年的电力真正提高工业生产力时那样，提供多层次的服务，全面嵌入到企业的业务流程中。

这一判断有业务数据支撑：在阿里云上调用大模型 API （ MaaS 服务）的客户中，有七成也同时在使用其 GPU 算力服务。

阿里云智能集团资深副总裁、公共云事业部总裁刘伟光说，第一批深度使用 AI 的客户，会把场景分成不同档次：不只是简单调用大模型 API，还会用内部数据精调或者后训练基础模型，或者自己从头训练一个模型。

在刘伟光看来，AI 给云计算行业带来的变化才刚刚开始，整个云计算体系架构都要为 AI 重构，“MaaS 增长潜力很大，但关键是打赢 AI 云新增的全量市场”，要建立软硬一体的 AI 云全栈能力，推动企业用更低成本调用更强的 AI 模型，解决不同层次、不同场景问题，“这才是竞争中的胜负手”。

146 个 行业客户深度调研：Token 质量比数量重要

“如果今天所有的 AI 应用每天只能免费用 100 次，你会用它做什么？”

这是刘伟光 2025 年走访了 146 个客户后反复思考的问题。 他的结论非常直接：没有人会把它浪费在写段子或闲聊上，一定会做最重要的东西——对工作最有帮助的决策、对家庭生活最关键的建议。

在他看来，这是企业使用大模型与个人用户的本质区别。个人用户可能为了娱乐消耗 Token，但追求效率的企业，每一次 Token 的交换都有成本。他们不仅要为 Token 付费，业务线上的人力、时间也是投入。

很难想象一个年轻的工程师面对设备故障时，还需要多轮对话才能得到解决方案，需要更快的响应、能让他迅速解决问题的指南。同样，基金公司的交易员用 AI 辅助捕捉交易信号时，也很难容忍模型动辄陷入沉思，然后给出长篇大论，再问一句 “是否需要我帮你整理得更完善”。

传统行业的企业正在用不同的方式，尽可能避开 AI 的短板、提升效率。比如汽车诊断公司，用 30 年积累的产业检测报告做出来远程帮助汽修的大模型，才用到诊断报告中；基金公司会用沉淀 20 多年的数据和交易的行为跟模型结合，把各种形式的非结构化数据（如文字、语音、图像等）转化为可供投资参考的标准化信息。

企业也希望充分挖掘 AI 的潜力。中国两家农牧业巨头公司都在用千问做相同的事情，他们不仅尝试用 VL（视觉大模型）识别猪的数量，还用它来识别猪的异常行为，检测猪的健康与活性，或者是开发兽医大模型解决专业人才短缺问题。还有头部照明公司接入千问后，不再局限简单的开关灯或者调控色温，还用 AI 理解用户模糊的指令，用更流畅的对话打造更聪明的端侧语言模型，让人与光的交互更自然。

而企业一旦找到合适的方式把 AI 嵌入业务流程中，就会是严肃和连贯的。在线招聘行业中的每一家公司，几乎都在引入 AI 简历筛选、智能化面试、自动生成面试记录。当招聘专员习惯用 AI 辅助工作后，就会形成新的工作流，每天都会使用，不会受到个人喜好影响。

“个人消费者使用 AI 的情况会有波动，但企业级市场只会不断增长。” 刘伟光说，而且使用的广度和深度会不断加强，很多场景还没有解锁，“如果 AI 能把车损定损给改了，那绝对是一种 ‘革命’。”

2024 年云栖大会上，阿里巴巴集团 CEO 吴泳铭在演讲中称，生成式 AI 最大的想象力，绝不是在手机屏幕上做一两个新的超级 App，而是接管数字世界，改变物理世界。

过去一年中国 AI 企业市场的发展证实了他的判断。AI 已不只在手机里面作为应用程序，而是出现在更多的载体中，包括眼镜、耳机、学习机、玩具、健身器材、汽车、机器人等全品类硬件设备中。

这种不同层次、不同场景的需求，当下无法用单一的模型 API 服务满足。在美国市场，原本已经给企业提供工具的 SaaS 行业，大模型调用量规模持续上涨，提供了一种相对标准化的方案。而在 SaaS 行业未能发展起来的中国市场，传统行业偏向定制服务解决特定场景问题，往往需要后训练或者微调大模型。云计算公司提供这样的服务，在一定程度上为企业提供了类似 SaaS 的服务。

“现在所有 MaaS 服务加一起，在中国云计算市场、甚至 AI 云市场占比都不高。MaaS 的空间当然非常大，但不是今天。” 刘伟光说，只统计公有云市场大模型 API 的调用量，无法代表 AI 云全貌。真实的 Token 消耗量，要把 MaaS 平台 API 调用、公共云 GPU 推理集群产生 Token、私有化模型部署产生 Token，设备端模型产生的 Token 等全部统计在内。

“冰川下的 Token 消耗非常大，却无法统计。而且企业用 AI 还处于转型早期， 90% 以上的企业还没有真正行动起来，未来肯定是百倍的增长。”

但可以观察的是，只要基础模型的性能持续提升，云厂商深入到技术栈的每一层提供服务，改进推理能力、节省成本，就可以带动更多行业的更多客户用 AI 解决问题。

做 AI 时代的基础设施，承接不同层次的需求

英伟达 CEO 黄仁勋曾抛出一个著名的论断：GPU 集群就是 “Token 工厂”，输入的是能量，输出的是 Token。这是典型的芯片公司视角，把 AI 生产过程简化为了物理层面的能量转换。

对于云厂商来说，如果只是从事算力转售业务，现在很难提供可用的 AI 服务。他们必须用系统工程能力，尽可能提升现有算力效率，针对不同行业、不同层次的企业提供模型服务。

这也是阿里云的选择：做 AI 时代的基础设施。用刘伟光的比喻来说，阿里云正在搭建的是一套现代化的自来水厂，而不只是水（大模型 API）的搬运工，还要维护水源地（开源模型）、搭建净化车间（数据清洗与模型训练平台）、铺设输水管网（高性能网络），以及处理污水（安全治理）等。

在这套体系中，阿里云能够提供当前不同类型的 “用水” 需求：

MaaS（直供水服务）： 就像家庭拧开水龙头就能用水，企业或者开发者不用关心底层复杂的管网，直接调用 API，开箱即用，按需付费。这是最轻量的接入方式。

PaaS（工业用水服务）： 类似于工厂需要特定的水源，企业可以获得基础模型，直接用 “开源模型” 在阿里云平台上微调或者自己后训练，然后部署到合适的环境中。

IaaS（水处理基础设施）： 像是将经过初步净化、萃取后的水源，输送给饮料厂或啤酒厂，企业可以用阿里云提供的算力和基础软件，用来训练独家配方的 “饮料”，比如自动驾驶模型、各种垂类大模型等等。

阿里云已经有了初步成绩。根据市场调研机构 Omdia 数据，2025 年上半年，中国 AI 云整体市场（AI IaaS+PaaS+MaaS）规模达 223 亿元，阿里云占比 35.8 %，超过第二到第四名总和。

搭建这套全面的基础设施，不仅需要高昂的投入，还要有战略决心。2025 年 2 月，阿里宣布未来三年将投入超过 3800 亿元，用于建设云和 AI 硬件基础设施，总额超过去十年总和。仅仅是 2025 年前三个季度，阿里用于建设 AI 数据中心等的资本开支就兑现了 950 亿元。

在基础模型层面，阿里持续投入训练不同尺寸、不同类型、不同模态的基础模型，并投入资源把它们做到第一梯队。比如视觉生成模型万相 2.6 性能媲美 OpenAI 的 Sora 2；Qwen-Image-Layered 是业界首个能实现图像分层精准编辑的模型；Qwen3-Max 的性位居全球模型性能榜单前列。

阿里选择把这些模型开源，提供给各行各业的团队或企业使用，其中 Qwen 的衍生模型数量超过 18 万，规模位居全球第一。

作为基础设施，阿里云上长出来的不只有阿里自研的模型，月之暗面也在阿里云上训练 Kimi 系列模型，以及许多智驾团队也用阿里云训练模型。

与此同时，阿里云也提供了一整套体系能力，支撑 AI 时代新诞生的产品迅速发展，除了阿里体系的千问 App，还有蚂蚁集团的灵光、阿福，以及月之暗面的 Kimi 应用、MiniMax 的海螺等。

尽管当前各行各业应用 AI 还处于早期阶段，但定位基础设施的阿里云，也在探索更新的产品形态，为接下来的 AI 应用爆发做好准备。最典型的例子就是阿里正在开发千问 App 的 Agent 版本。它不只局限于用户提问，还能够调用淘宝比价、使用高德导航，甚至阿里所有的服务都有可能成为它的插件。

最终这些在阿里内部业务和行业头部公司验证过的能力，都会沉淀在阿里云中，成为对外提供服务的产品。让客户具备长期、可持续地产生和使用智能的能力，而不是把客户锁定在某一种计量方式里。

AI 加速推动客户上云

AI 正在给云厂商带来了新的增长动力。无论是 AWS、微软 Azure、Google Cloud 还是阿里云，规模都在迅速增长。

但提供动力的不只是 GPU 用量或者大模型 API 的调用。阿里云团队观察到， 在阿里云上使用这些服务的客户群体，他们在计算、存储、网络以及大数据等产品上用量的增长，高于整个大盘的增长。

“AI 会加速推动客户上云。” 刘伟光说，客户为了用好 AI，不得不将数据全面上云。企业想要让一个 Agent 产生价值，基础模型只是一个方面，高质量的业务数据同样重要。

微软 Azure 的增长逻辑类似，出售 OpenAI 的基础模型的 API 服务只是其中一个方面，更充足的动力来自企业为了在业务中应用更强的模型，把分散在本地与各系统中的内容与数据，迁移到了更方便模型调用的云产品中。

为高并发 Web/HTTP 请求设计的传统云计算架构，难以高效支撑这样的需求。甲骨文重新获得增长动力，很大一部分因素就来自于部署 RDMA（远程直接内存访问）高性能网络和自治数据库，适应了大模型训练、推理的需求。

这直接改变了公共云计算服务在中国市场的前景。此前多年，中国云计算公司并不像 AWS 等海外云平台那样，公共云客户遍布各行各业，囊括美国证券交易所、大型石油公司、银行业巨头等，做大规模就能拥有利润。

在中国云计算市场，平台依赖的电力、带宽等基础设施成本并不受企业自身控制；部分传统企业出于数据安全、合规或历史惯性等原因，仍倾向于自建数据中心。

“阿里云的基础云架构，为 AI 重做了一遍。” 刘伟光说，AI Infra 并不是一个特定的垂直方向，就是云计算本身，不仅需要规模化、安全和稳定，更需要云上的跨服务流转能力，比如新型的向量数据库、高效的大数据清洗平台、灵活的开发框架，满足企业不同层次、不同场景使用 AI 的配套软件体系。

在阿里云看来， AI 时代云计算平台的竞争力在于 “软硬一体化” 的体系能力：硬件不只是芯片，而是围绕 GPU 算力构建的整个高性能底层架构；软件则是对模型的理解、优化和调度能力。

“阿里云的目标是拿下 2026 年中国 AI 云市场增量的 80%。” 刘伟光说，但是下一年增量的 10% 都会大于上一年的全量。所以过去取得了什么成绩并不重要，变化才刚刚开始。