核心观点 - 阿里云在云栖大会上展示了AI技术在多个具体场景的应用 包括珊瑚礁生态监测、视障辅助、机器人开发和农牧场管理 强调技术向善和普惠价值 [1][3] - 公司不追逐单一"杀手级应用" 而是通过构建"模型+工具+场景"的闭环 推动AI与物理世界交互能力的升级 [4][5] - 阿里巴巴集团CEO提出"ASI（超级人工智能）"蓝图 将大模型定义为下一代操作系统 超级AI云为下一代计算机 并进行了全栈技术升级 [7][9][11] - 阿里云战略从技术输出转向生态共建 通过开发者平台和产业合作挖掘AI应用价值 目标成为全栈人工智能服务商 [14][16][18] AI场景应用案例 - 通义千问VL多模态大模型应用于珊瑚礁生态监测 将人工分析时间从18.6小时压缩至12小时 处理20多T水下影像数据 [1] - 瞳行科技利用AI语音交互技术为视障用户提供沟通渠道 [1] - UP主张子豪通过通义大模型实现低成本机器人开发 支持C++、Python等多种编程工具 [1] - 铁骑力士使用通义千问VL多模态大模型提升养殖场生物安全风险识别能力 管理8000多个摄像头监控数据 [3] 技术战略与布局 - 通义千问Qwen3-Max模型具备顶级智力和推理能力 Qwen3-VL在32项核心能力测评中超过Gemini-2.5-Pro和GPT-5 [11] - 通义万相（视觉）和通义百聆（听觉）升级 强化AI感知能力 [11] - Agent开发框架完善Tool Use能力 使AI具备工具使用和复杂任务执行功能 [11] - 阿里云推出以GPU为核心的全新AI原生计算架构 覆盖从模型制造到生态构建的全链条 [11][13] 生态建设与商业模式 - 超过20万开发者在阿里百炼平台开发80多万个Agent 利用阿里云AI基础设施和Qwen模型能力 [16] - 公司支持ISV生态伙伴开发产业级产品 推动中国AI应用在不同维度的生态发展 [14] - 基础模型能力同质化背景下 阿里云从技术输出方转型为生态共建者和价值发现者 [14]

西风 发自 凹非寺 量子位 | 公众号 QbitAI 老天奶，奥特曼对GPT的谈论，都跨越好几代来到 GPT-8 了！ 最近他在一档节目上，和 量子 计 算奠基人 戴维・ 多伊奇 （David Deutsch） 展开对话，针对两人存在分歧的" AI能否发展为具备意识的 超 级智能 "议题，奥特曼搬出GPT-8来试图说服多伊奇： GPT- 8 搞懂了量子 引力 ，还能跟你讲述它是如何做到的——比如它当时在思考哪些问题、为什么决定研究这个领域。但它呈现出的内 容，看起来依然只是语言模型的输出，可它确实真的解决了量子引力的问题。那到时候你会认可它吗？ 这段对话吸引了不少网友讨论，有网友认为两人的对话表明AGI （通 用人 工智能 ） 定义标准模糊、目标不断变化，根本无法衡量： 有人可能会争辩说，我们很快就会超越它，并将目光投向ASI （超级人工智能） 。 所以，两人究竟是怎么说的呢？ 完整对话整理 节目中，主持人先是问奥特曼" 你最爱的书真的是戴维・多伊奇写的《无穷的开始》吗？ "，奥特曼做出了肯定回答，接着解释了为什么喜欢 这本书： 即使你没有读完整本书，前四五十页就已经非常精彩了。我觉得它极度乐观地解释了，哪怕 ...

Key Points 云栖大会上，吴泳铭提出ASI（超级人工智能）的技术发展的三个阶段，分别是涌现智能、自主行动和自主学习； 目前我们处于第二阶段，第三阶段需要模型能够自己为自己的升级迭代，不仅学习人类归纳的知识，还要自己学习归纳出新知识； 未来的AI时代中，家庭、工厂、公司，都会有众多Agent和机器人，甚至未来每个人可能「都需要使用100张GPU芯片为我们工作」； 在他的框架中，阿里云将成为AI时代的计算机，千问模型是跑在这台超级计算机上的操作系统； 为此，阿里在3年3800亿元AI基础设施预算外，还要追加投入； 「开源+全栈研发能力」目前仍是阿里云的护城河，但如果仅以token消耗为维度来计算，火山引擎已超过阿里云。 在资本市场，有想法往往比有结果值钱。 阿里巴巴已经两次证明了这一点。一次是8月29日，它发布了2025年第二季度财报（2026财年第一财季，截至2025年6月30日），阿里中国电商集团经调整 EBITA同比下降14%，经营利润同比下降3%，且新增饿了么、淘宝闪购、飞猪等业务，但公司股价不跌反涨——拐点是财报发布后的电话会上，阿里巴 巴集团CEO吴泳铭和阿里中国电商集团CEO蒋凡给出了阿里巴 ...

文章核心观点 - Agent（智能体）被视为AI落地的关键载体，行业正进入Agent时代 [1][7] - 阿里云通过发布高代码Agent开发框架ModelStudio-ADK，展示了其在Agent领域的饱和式投入决心，旨在推动AI在真实业务场景的落地 [1][4][11] - 阿里云定位为“全栈人工智能服务商”，通过提供从底层算力到上层模型及Agent工具链的全栈服务，支持AI应用的工业化生产 [19][21] Agent行业趋势与共识 - 全球科技巨头（如英伟达、微软）均看好Agent，认为其是数万亿美元级别的机会 [7] - 中国科技巨头（阿里、字节、百度、华为）已积极布局Agent开发平台，各行业应用激进 [8] - 到2024年12月，中国头部综合类AI原生应用Agent数量已超10万个，2025年可能达百万级 [10] - 分析机构Gartner预警，到2027年底可能有超40%的Agentic AI项目被取消，当前热潮存在炒作成分 [10] 阿里云的技术与产品布局 - 基础模型层面：发布通义大模型Qwen3-Max等7款模型，核心性能宣称超越GPT-5 [4] - 技术愿景层面：提出ASI（超级人工智能）愿景，认为大模型是下一代操作系统 [4] - 应用落地层面：一站式平台“百炼”发布高代码Agent开发框架ModelStudio-ADK，突破预定义编排局限 [4][11] - ModelStudio-ADK基于AgentScope打造，推理性能提高50%，决策成功率达90%，支持200多款模型调用 [13] - 该框架集成7大企业级能力，支持复杂业务逻辑转化，可1小时内开发DeepResearch等项目 [15] - 平台支持多Agent联动，兼容主流Agent调用协议，支持异步、同步调用 [15] Agent开发模式探讨 - 行业存在低代码与高代码开发路径之争，面向真实业务场景的精品Agent需要高代码开发 [11][16] - 高代码开发源于Agent需连接真实物理世界，深度融合业务知识库、系统对接与外部能力调用 [11] - 阿里云采取ADP（低代码）与ADK（高代码）双平台策略，满足不同复杂度需求 [16][18][19] - 阿里云百炼平台已有超20万开发者开发了80多万个Agent [18] - 低代码平台应用案例：网商银行贷款审核应用，任务处理时间从3小时优化至5分钟内，准确率超95% [18] 阿里云的战略定位 - 阿里云致力于成为“全栈人工智能服务商”，提供公有云、云计算能力、上层模型及Agent工具链 [19][21] - 全球范围内，仅谷歌与阿里进行了类似的全栈AI业务布局 [21] - 全栈能力是打通Agent商业化最后一公里、推动精品Agent涌现及ASI时代到来的关键 [21]

文章核心观点 - Token是未来的电 类比AI计算资源如同电力系统般的基础设施角色[1][4] - 阿里巴巴全面转型为AI公司 以AI驱动为核心战略 聚焦电商和AI+云两大方向[13][14][18] - AI演进路径分为三阶段 最终目标是实现自我迭代的超级人工智能(ASI)[7][9][23] AI演进路径与终极愿景 - AI发展分为三阶段：学习人(过去) 辅助人(现在) 自我迭代超越人(未来)[7] - 当前关键在工具使用能力(Tool Use) 连接数字与物理世界[7] - 未来自然语言成为AI时代源代码 每个人可创造Agent 数量超全球人口[8] - ASI需突破两门槛：连接真实世界全量原始数据 实现自主学习(Self-learning)[9] - 2032年阿里云数据中心能耗规模较2022年提升10倍 为ASI时代做准备[4][23] 阿里巴巴战略选择与投入 - 通义千问选择开源路线 目标成为下一代操作系统[4][11] - 阿里云定位"超级AI云" 全球仅5-6家能承载海量计算需求[11] - 三年投入3800亿元建设AI基础设施 超过去十年总和[4][16] - 推动"公共云优先"战略 收缩项目制订单 聚焦可规模化AI电网模式[15] - 全栈自研垂直整合 覆盖AI芯片 云计算平台 基础大模型三大核心层[20] 技术成果与市场表现 - 通义开源300余个模型 覆盖全尺寸全模态 全球下载量突破6亿次[17] - 衍生模型17万个 服务超100万家客户 中国企业级大模型调用市场占比第一[17] - 服务中国90%国家级及大型国有银行 全球前十手机品牌中九家深度合作[17] - 阿里云收入增速从2%提升至26% 股价最高涨幅超75%达148美元[16][17] - 支撑中国95%车企智能座舱与自动驾驶 通义灵码服务70%中国车企[22] 行业竞争格局 - 全球超级AI云仅AWS 微软云 谷歌云 阿里云四家拥有入场券[20] - 竞争焦点从模型智能转向全栈技术体系 比拼迭代速度与成本效率[20] - 阿里选择与谷歌类似的垂直整合路径 实现底层算力到上层应用全面赋能[20][22]

超级智能发展路径 - 超级智能是超越AGI和人类通用能力的更高维度AI发展方向，Meta等头部公司正投入巨资追求这一目标 [1][3] - OpenAI CEO认为构建超级智能是工程问题而非科学问题，暗示已有可行路径 [1][3] - Meta研究员质疑当前主流LLM+RL路径的有效性，认为无法实现超级智能 [1][2] 技术实现争议 - 构建超级智能的三种可能路径：纯监督学习(SL)、人类验证的强化学习(RL)、自动验证器的RL [2] - 当前LLM在训练分布内任务表现持续提升，但难以发展为单一超级智能模型 [2][34] - 文本数据具有特殊价值，非文本数据(图像/视频等)尚未证明能提升模型整体性能 [6][7] 数据与规模挑战 - 互联网文本数据面临枯竭风险，行业正全力挖掘剩余数据(如转录YouTube视频) [8][19] - 模型规模扩展遭遇硬件和电力瓶颈，部分公司尝试分布式训练甚至收购核电站 [18][19] - 参数规模突破10^19的假设难以实现，当前最大模型约千亿参数级别 [17][18][19] 学习方法比较 - 监督学习(SL)面临规模扩展极限，未来3-4年可能仅能扩展10倍 [19][20] - 强化学习(RL)存在冷启动问题，需结合SL解决 [22][23] - RLVR(可验证奖励强化学习)成为新方向，OpenAI已展示在数学题上的成功案例 [32][33] 行业竞争格局 - Meta建立秘密"超级智能"实验室，投入数十亿美元资金 [3] - OpenAI、Anthropic和Google DeepMind均公开超级智能研发目标 [3] - 行业可能进入RL任务集军备竞赛，争夺最优训练环境设计 [33]