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(fā)展需求，興建了跨流域調(diào)水的中央河谷工程，起初飽受爭議?！堵迳即墪r報》曾多次刊登諷刺漫畫，甚至用“空頭支票”質(zhì)疑該工程的價值。

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

基礎超大參數(shù)模型就像一個水壩，壩體內(nèi)部的防滲結構是數(shù)以萬計的Agent和小模型，下游的灌溉渠網(wǎng)就是各類垂直應用。水壩的蓄水量越大、泄洪調(diào)控越精準，下游的農(nóng)田就越能得到充沛滋養(yǎng)。如同數(shù)據(jù)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(fā)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(wǎng)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(yè)部總裁劉偉光半打趣地說，傳統(tǒng)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(yè)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(lián)網(wǎng)到傳統(tǒng)行業(yè)，從內(nèi)銷到出海的國內(nèi)公司，也涉及到跨國公司。

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

第二種是AI硬件公司。與傳統(tǒng)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(chuàng)企，這類企業(yè)被視為典型的AI原生企業(yè)，例如法律垂直領域的創(chuàng)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(yè)，如漫劇與短劇，借助AI改變原有生產(chǎn)模式，成本交換是最主要的驅(qū)動因素。例如傳統(tǒng)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(qū)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(yè)者表示，過去一個月能產(chǎn)出20部劇集，如今能產(chǎn)出1000部。

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

對于企業(yè)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(shù)據(jù)質(zhì)量影響，大企業(yè)經(jīng)歷過多年數(shù)據(jù)治理與沉淀，數(shù)據(jù)質(zhì)量與實時性都更會好。

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

在過去，云計算產(chǎn)品主要是計算、存儲、網(wǎng)絡、安全、數(shù)據(jù)庫和大數(shù)據(jù)等，客戶主要是互聯(lián)網(wǎng)客戶和數(shù)字化程度高的傳統(tǒng)企業(yè)。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(yè)和初創(chuàng)企業(yè)。

技術在迭代，可國內(nèi)企業(yè)級市場環(huán)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(yè)因為安全，或者合規(guī)性要求，如金融行業(yè)，不會輕易地把數(shù)據(jù)放到公有云上。企業(yè)需求分層，倒逼云廠商尋求多種方案來調(diào)整自己的商業(yè)模式。

市場環(huán)境沒有因為AI的發(fā)展而變化，反而還在加劇。到目前為止，賣產(chǎn)品的Agent與賣原子化能力的Coding，這兩個市場在國內(nèi)尚未產(chǎn)生巨頭，市場規(guī)模也還處于初期。

另一個挑戰(zhàn)來自企業(yè)使用AI云的方式多種多樣，哪怕是AI原生的大模型創(chuàng)企，使用云的方式也不盡相同。有大模型創(chuàng)企只會在云上訓練與開發(fā)；亦有大模型創(chuàng)企會基于開源模型做開發(fā)；而一些互聯(lián)網(wǎng)客戶則是在云上訓練模型，再基于模型開發(fā)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(yè)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(chǎn)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(diào)用API接口，有的需要開源模型，有的只是需要數(shù)據(jù)清洗與模型訓練平臺。面對企業(yè)需求的差異化，國內(nèi)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(guī)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(yè)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(yōu)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(nèi)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(chǎn)力，潛在市場規(guī)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(chǎn)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(yè)直接使用。

第二種是提供工業(yè)級用水的定制化服務。大部分情況下，企業(yè)更青睞靈活、開放地選擇Agent開發(fā)平臺、模型選擇、AI框架選擇，或是獨立部署的企業(yè)，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(yè)具備IT能力，需要在VPC（虛擬私有云）環(huán)境下部署，或者有通用計算、高速網(wǎng)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(tài)，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(guī)模數(shù)據(jù)處理應用需求，阿里云則提供AI Infra。這種方案，可以理解企業(yè)直接租用阿里云的IaaS能力。

值得一提的是，不僅企業(yè)市場有著分層需求，單一企業(yè)也會因為場景原因，呈現(xiàn)不同需求。像物流企業(yè)，AI客服多以輕量接入的方式，而涉及到異常件識別、路徑規(guī)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(yè)的需求，但也為自己帶來了一個挑戰(zhàn)，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(tǒng)的訂閱制。

簡單來說，阿里云的價值實現(xiàn)，來自兩種形態(tài)，一種是建立在基礎設施分攤的資產(chǎn)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(nèi)手機保有量會突破100萬。

然而，到了2000年，國內(nèi)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(nèi)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(guī)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(yè)。

目前可以看到確定的趨勢是，應用端的爆發(fā)式增長，正在改變傳統(tǒng)IT時代的成本分攤模式。而阿里云所強調(diào)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(chǎn)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！