阿里的蒸汽机时代

作者｜画画

很多人可能并不知道，工业革命最早投入实用的一批蒸汽机跟火车没有关系。

1712 年，英国工程师托马斯·纽可门建成一台大气式蒸汽机，常年守在煤矿口抽水。这台机器的热效率只有约1%，煤一车车烧进去，做的还是矿工和马原本就在做的工作。

它能运行，主要靠煤矿不缺煤，低廉的燃料暂时掩盖了效率问题。

站在当时看，这是一件昂贵的矿井设备，距离纺织工厂、轮船和铁路都很远。

三百多年后，阿里 CEO 吴泳铭在云栖大会上把今天的 AI Coding 放在了 1882 年的电灯旁边：机器可以写代码、做报告、整理会议纪要，承担的仍是人类已有的工作，机器智能时代的代表性产品尚未出现。

接下来，他试图给这种尚未出现的生产力算一笔账。今天机器思考总量还不到人类的3%，未来可能达到人类的1000 倍以上。

阿里没有公布具体统计口径，这个数字也无法直接换算成 Token，更像是一个关于市场规模的战略假设。

一、蒸汽机最早只会抽水

纽可门的机器出现时，英国的主要动力仍来自水和风。

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

1830 年，蒸汽动力才与水力大致持平；到 1870 年，这个数字已经达到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。

后人习惯把蒸汽机、火车和工业革命放在一起，仿佛瓦特拧完最后一颗螺丝，火车便驶出了车站。

但历史推进得慢得多。

早期蒸汽机效率低、用途窄，先在煤矿抽水，后来进入纺织和冶金；工厂围绕动力重建，铁路与港口扩大使用范围，矿井里的一台设备才逐渐成为工业社会的基础能力。

今天的机器智能也处在动力已经出现、组织方式尚未改变的阶段。

AI Coding 可以把一个原本需要八小时完成的项目缩短到两小时，项目数量、人员规模和工作时间仍受原有边界约束。

写报告、做 PPT、整理会议纪要也遵循同样的逻辑：机器提高了速度，任务总量还没有随之出现数量级变化。

吴泳铭在演讲里描述了另一种需求，上百万个 Agent 长期研究罕见病，或把建造火星飞船分成上千万个子任务。人只交代一次目标，机器持续调用工具、检查结果并安排后续步骤。

计算需求由此从多少人使用 AI，延伸到一个目标能够展开多少机器任务。

纽可门之后，瓦特改进了蒸汽机。

1769 年，瓦特取得独立冷凝器专利，把蒸汽冷凝放到汽缸之外。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耗。

到了 1780 年代，瓦特又解决了旋转运动问题，蒸汽机得以驱动织机和其他工厂设备。

机器变得好用，瓦特还得让矿主和工厂主理解它值多少钱。客户熟悉一匹马一天能干多少活，却很难判断一台蒸汽机的做功能力。

瓦特于是把机器输出换算成“马力”，用旧时代最常见的动力解释一件陌生商品。

“马力”后来成了物理单位，起初也承担着销售工具的作用。

“机器思考量”扮演着相近的角色。

它把人类思考作为参照，为一种尚未成熟的机器生产力标出可能的需求规模。云栖大会披露的两项实验，为这种工作留下了可以计数的记录。

Qwen3.8-Max 在无人干预的情况下搭建训练流程、构造数据、设计实验和定位缺陷，连续运行一个多月，完成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，最终把一个芯片总线模块的物理面积减少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：人下达目标之后，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 已经进入训练，Qwen4.5 和 Qwen5 计划扩展至5 万亿到10 万亿参数。参数无法直接换算成生产力，这项规划指向复杂任务能力、连续运行时间和根据反馈改进的空间。

Token 记录已经发生的调用，“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规模。

三、动力先铺开

长任务一旦持续数小时、数天甚至数月，单靠模型能力很难完成。

任务可能中断，也可能走错方向，系统需要保存进度、恢复运行、检查权限，还要让计算、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 年第一季度量产及商业发布。

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。

这背后的变化很直接。

阿里开始把注意力从一颗更快的 AI 芯片，推向整套计算系统。

模型持续运行时，CPU 处理任务，网络搬运数据，存储负责读写。任何一个环节跟不上，昂贵的 AI 芯片都只能等待。

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 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、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；这次云栖大会上，吴泳铭又把 2032 年的数据中心目标定为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，工厂还没有改变

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，只点亮约400 盏灯。后来被写进教科书的电气时代，起点不过是曼哈顿下城的一个小网络。

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，头顶的传动轴、皮带和厂房布局全部保留。

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。

很多公司已经把 AI 放进日常办公，却很少让它接触合同审批、客户账户、研发发布和财务系统。这些工作牵涉审核、授权、测试与责任确认。

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，阿里试图把过去断开的环节接起来。

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，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 拿到任务之后，需要知道这家公司的信息，客户是谁，之前发生过什么，哪些系统可以操作，出了问题又该向谁确认。

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。

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。三者接起来，一个目标就能拆成几十甚至几百个动作，查资料、调接口、写文件、跑测试、等待反馈，再继续下一步。

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，企业第一次有机会给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、增长单位换了，公司也会变

如果机器真的会成为一种新的生产力，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，很快把“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。

钱投向算力，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放进同一张组织图里，用“创造 Token、输送 Token、应用 Token”串起通义、MaaS、千问和悟空。

一个过去分散在不同业务里的 AI 能力，开始按照模型生产什么、基础设施怎么输送、应用如何消化的链条重新组织。

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。

阿里正在把 AI 从一项横向能力，变成一套可以单独经营的业务系统。

这种变化最终落到了财报上。

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

AI 不再只是电商、云、办公等业务共同使用的技术投入，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484.37 亿元，同比增长45%；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。

这组数字放在一起，阿里正在做的事情就很清楚了。

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；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。

前者在交易发生以后获得收入，后者需要先把机器造出来，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，是世界会不会产生足够多的机器工作。

如果答案成立，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，和传统互联网生意最不一样的地方。

火车驶出车站以前，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：

瓦特给蒸汽机算马力时，人类并不知道蒸汽机会把自己带到哪里。

后来，马匹退出了工厂，马力却留了下来。

今天阿里开始给机器计算“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矿井口。