在 2025 年 9 月的云栖大会上，阿里巴巴集团 CEO 吴泳铭发表演讲认为实现 AGI 是个确定性事件，实现全面超越人类的 ASI 才是终局。
ASI 的概念起源，通常会追溯到统计学家 / 密码学家 I. J. Good 在 1965 年发表的文章： “Speculations Concerning the First Ultraintelligent Machine”，在性质上更接近学术随笔讨论。因此，排除所有面向资本市场的叙事后，如何准确理解 ASI ，某种程度上也决定了阿里云的去路和归处。
吴泳铭认为实现 ASI，需要满足两大核心条件：
AI 能获取真实世界的全量原始数据；
实现 “Self-learning（自主学习）”，即 AI 能为自身模型搭建训练基础设施、优化数据流程与升级架构；
两个条件的“基础设施味”都很重，再结合阿里广为人知的 3800 亿投资计划，导向已经十分明显：在一段时间内，阿里云都会是企业在 AI 时代的“隐形”支撑者、赋能者和陪跑者。相比于平台注册数据、公有云 Token 调用数据……客户数据 + 基础设施投产进度，是阿里云业务发展更重要的 KPI。
据 IDC 2025 年对中国公有云基础设施市场的追踪报告：阿里云在多个行业市场份额位列第一，典型市场包括金融行业占比 43%、汽车行业占比 40%、游戏行业占比 41%。
阿里最新财报则提到，在 2026 财年第二财季，云智能集团累计收入 398.24 亿元，同比增长 34%，为历史最佳表现。但整个阿里巴巴经营利润为 53.65 亿元，同比下降 85%，主要归因于对即时零售、用户体验以及科技的投入，其中所谓科技投入，特指云 + AI 基础设施方面的支出。有信息指出，泰国、韩国、墨西哥等地新数据中心，都是阿里云在 2025 年开服。
从市场份额增长到利润下降，二者之间的差值，或许就是寻找 ASI 的“路费”。抛开资本市场不谈，普通人很难理解这份“路费”的价值与合理性，大家更乐于见到“Manus 式”的 C 端产品上岸故事，而不是一家云计算公司如何帮助成千上万家实体企业做 AI 提效。
这也使得 2025 年的阿里云极具“反差感”：一方面，它是中国云计算市场的领头羊，决计要做全球领先的人工智能服务商；另一方面，在最热闹的 AI 营销大战中，它又似乎不那么性感。
阿里云的“反差感”之一： AI 不能只靠“热闹”赚钱
从 2025 年初到 2025 年底，国内的 AI 热度实际是由有限的几个 C 端应用串联而成的，包括了：DeepSeek、元宝、千问、豆包、夸克、蚂蚁阿福等。而 AI 原生 App 的月活，在这些应用的影响下，量级也来到了数以亿计。剩下一部分公共注意力，则被具身智能包揽。
AI ToC 应用的火爆，加速了 AI 的落地。
由于 C 端火热，全民对 AI 的前景抱有期待，让企业内部“要不要上 AI”更容易达成共识。此外大量 C 端产品的出现，造成了技术价值外溢，间接推动提示词工程、Agent 工作流、评测方法、开源工具带入企业。
最后，20% 的头部 ToC 产品瓜分了互联网 80% 的流量，作为数字世界入口，它们把 AI 做成默认功能，倒逼企业被动升级对接与治理策略（尤其是权限、数据边界、知识库）。
应该说，过去一年， AI ToC 实在太热闹了，以至于在 AI 时代，市场教育经常是不需要的。
如果将这些 C 端产品的北极星指标定为“用户价值 x 增长效率 x 商业化质量”，前两者看似已经完成了，独独商业化质量成为了“拦路虎”。
北美 AI ToC 类工具，无论是 Coding 工具，还是搜索工具，一般都是付费订阅的，最低档通常为 20 美元 / 月。而国内大部分 C 端 AI 工具，通常是免费的，没有订阅收入。换句话说，“用户愿付费的核心场景”还没找到。当 C 端竞争主要集中在渠道和入口问题上，这种从“热闹”到“留存 / 付费”的落差，成为了 2025 AI ToC 最大的结构性矛盾。
AI 在 B 端的进展，某种程度上要比 C 端的进展更为顺利。至少在业务的核心评估模型上，不存在明显短板。AI ToB 领域以云模式、项目制 / 交付制为主，目标主要包括：
Attach Rate（云挂载率，有多少项目最终绑定了云用量 / 云产品）
Time-to-Usage（从验收到产生稳定用量的时间）
Post-GoLive 90 天用量达标率（交付后 90 天，达到预期用量 / 调用量 / 活跃服务数的客户占比）
云侧 NRR（“某批上线客户”半年后 / 一年后是否扩张）
项目对云的“单位获客成本”
五大指标在 AI 的牵引下，都已经进入自增长轨道。
云计算的核心竞争标的是客群，这是阿里云的天然优势。
一方面，庞大且稳定的客群将云变成了复利生意，是将 AI 业务收入越做越厚的基础。另一方面，ToB 的关键在于需求驱动，数以百万计的客户每天反馈的问题和需求，本身就是 ToB 企业最大的护城河。有足够客群的企业，可以在工单中组装未来演进路线；没有足够客群的企业，只能靠猜和跟随。
在 2025 年 12 月底的一场小规模沟通会中，阿里云智能集团资深副总裁、公共云业务事业部总裁刘伟光表示，2025 年他拜访了 146 个客户，包括汽车主机厂、机器人、基础大模型公司、金融、手机、AI 硬件、零售行业、在线教育、物流、制造业、医疗制药、大型跨国企业、食品加工、漫剧短剧、畜牧业等，几乎覆盖了各行各业。
从拜访结果来看，企业引入 AI 改善业务流程和产品的决心，要比 C 端消费者购买一个 AI 语音助手的决心要大得多。更关键的是，企业使用 AI 具有强连续性的。
在重工业制造领域，诸如 AI 顾问、设备维修助手、智能客服、财务助手、工艺标准 AI 助手、试验在线助手这些新兴事物正在形成的过程中，价值空间巨大。
在农牧业，比如国内两家最大的龙头集团，已实现猪兽医领域大模型"猪小新"、实现猪场猪只数量识别、猪死淘鉴定、后备猪筛选、猪异常行为识别等业务场景，通过体貌图片等数据，实时获取猪群健康信息，交由 AI 系统能够在后台快速完成初步诊断。即便是新手员工，也能凭借平台系统辅助，像经验丰富的养殖专家一样快速判断猪群的健康状况，并及时处置指导，降低了对资深专家经验的依赖。
在线教育行业，习题问答、作业批改都已经是成熟场景，终端设备也从 ChatBot 过渡到学习机，甚至是智能教室这样的立体解决方案。
金融行业仍然进展最快的行业之一，在部分场景下，其技术产品的储备速度，已经不亚于国际同行。比如在车险中，从前高度依赖人工的车辆定损和理赔，今天也正尝试交由 AI 来完成。
整体来看，如果不考虑应用深度、改造程度，仅从采用率口径来看， AI 对各行业的渗透将是一个恐怖的数字。
以上共同铸就了阿里云在 2025 年叙事的第一个“反差感”：尽管诸如 Kimi 这般广为人知的模型是在阿里云上训练的，其核心定位仍然偏“幕后”和“服务”，是在推动企业把 AI 写进 KPI、写进工单、写进流程，最后写进预算。
而当 AI 开始从“有没有用过”走向“每天必须用”，衡量方式就会变化：从下载量、DAU、Token 吞吐量，走向成本结构与组织结构的重估。
阿里云的“反差感”之二：流量逻辑失效
无论是下载量、DAU，还是 Token 吞吐量，本质都是在复述流量逻辑，复述移动互联网时代的增长规则。
在 AI 时代，尤其是 ToB 领域，这显然不不合时宜。
尤其是 Token 的吞吐量，恐怕是 AI 时代集精准、模糊于一身的最矛盾指标。
一方面，Token 的吞吐量等同于模型用量；另一方面，所谓模型用量只是 MaaS 平台上的模型调用，仅为全量市场的九牛一毛，且非价值单位，不能代表模型价值。
实际上，IDC 报告里的“中国公有云调用率”，这个定语本身就存在限制：大量 AI 使用根本不是调用公有云 MaaS API ，因此不可见。
而不可见的部分至少包括：
通过公共云租赁 GPU 部署模型（需要大规模部署特定领域模型的企业）；
采购 GPU 服务器进行开源大模型私有化部署，创建私有化推理平台内部使用（金融、制造、能源等对数据外流高度敏感行业）；
汽车、具身智能等端侧模型闭环（时延与隐私决定无法上云实时调用）；
模型蒸馏后的边缘推理（云上训练、端侧运行，消费不表现为 token）；
下载开源大模型在企业内部使用（诸如 AirBnb 的模式）；
开源衍生模型的长尾使用（下载、微调、再分发，统计口径天然缺失）。
如果只按 MaaS 平台上 Token 调用量去计量，开源生态里发生的微调、蒸馏与私域部署都会被系统性抹掉。仅 Qwen 系列模型，就已有 18 万＋全球衍生模型和 全球 7 亿 + 的模型下载量——这部分‘消费’不以 Token 形式出现在公共统计数据里，却已经进入企业内部的实际生产环节。
概而言之，如果把全量的 AI token 比作一座冰山，MaaS 平台上可统计的部分只是冰山露出水面的一角而已。
我们必须重置对企业 AI 用量的认知。
来自阿里云的数据显示，截止到现在，在阿里云上调用 MaaS API 的客户，与使用 GPU 的客户重合度竟然达到 70%，这说明中国第一批深度拥抱 AI 的客户在全方位的选择不同的方式使用 AI 技术。
所以，一批正在形成“智能预算”的企业。他们既买 Token，也买算力——他们不是在做选择题，而是在做场景分级：哪里需要公有云 Token，哪里必须结合自己数据进行后训练，哪里要端侧小模型，哪里值得自建“智能工厂”：
轻量场景 用 API/MaaS：客服质检、内容生成、企业知识库问答、基础办公 Copilot、翻译审核等，强调易用、快接入、低门槛。
中等复杂度场景 做后训练：把业务规则、私域知识、历史行为数据灌进模型里，用微调、RAG、强化学习把“能用”推到“稳定可用”。
重资产场景 直接训 / 蒸馏 / 端侧部署：自动驾驶、具身智能、摄像头多模态理解、工业设备诊断等，强调时延、隐私、安全与闭环。
这也直接改变了对企业级 AI 用量的统计算法： “公有云用量 + 专有云用量 + 开源衍生模型用量”不等于真实用量，三者存在很大的重叠部分。
另外一个问题是，模型越先进，消耗的的高质量 Token 其实越少。所谓 Token ROI ，对于深度使用 AI 的企业而言，是核心经营概念。虽然 Token 的单价下降了，但是 Agentic AI 兴起后，一次调用产生的 Token 总数也被放大了。
因为 Token 单价会越来越便宜，所以刻意忽视企业在为更多低效 Token 而付费的事实，颇有点掩耳盗铃的味道。用“吞吐量”当成唯一指标，会把“高效智能模型”误判成“低活跃”，把“唠叨模型”误判成“高消费”。
这也是为什么阿里云不断把叙事从“Token 工厂”拉回“AI 超级工厂”——后者强调的是全链路供给能力，而不是单一化的 Token 吞吐。模型能力，是背后价值兑现的关键。
2025 年 4 月底，阿里发布了 Qwen3，成为国内首个“混合推理模型”，“快思考”与“慢思考”集成进同一个模型，对简单需求可使用低算力“秒回”，对复杂问题可多步骤“深度思考”。 AIME25 测评 81.5 分，刷新开源纪录；LiveCodeBench 评测超过 70 分，超过 Grok3； ArenaHard 测评 95.6 分超越 OpenAI-o1 及 DeepSeek-R1。
同时， 4 张 H20 即可部署 Qwen3 满血版，显存占用仅为性能相近模型的三分之一。开源版本丰富，包含 2 款 30B、235B 的 MoE 模型，以及 0.6B、1.7B、4B、8B、14B、32B 等 6 款稠密模型，每款模型均斩获同尺寸开源模型 SOTA（最佳性能）。
开源是阿里云在模型竞争力上最为关键的一步棋。这允许企业可以在不签大合同、不押单一供应商的前提下先跑通 POC，这对中国企业尤其重要。
AI 价值锚点在 AI 原生市场、中国企业级市场和全球化
毋庸置疑，AI 原生企业天然地拥抱 AI，深度使用 AI，它们是中国 AI 市场的“种子用户”。
在阿里云的观察里，除了 AI 原生企业，第一批深度拥抱 AI 的企业还往往具备以下共同特征：
这简直是对上云并能用好云的客户的精准侧写。
这意味着：阿里云如果要把“AI 超级工厂”的投入摊薄到足够低的边际成本，并把技术优势兑现为现金流，它必须走向更大的、付费更坚实的企业级市场。
这一轮中美 AI 竞争的胜负手，就在于谁能用 AI 提升改造各自的支柱产业，带来生产力的变革。
当前，中国 AI 的第一波市场聚焦在娱乐、陪聊等消费端场景；从美国 AI 市场发展看，SAP、Salesforce 等 SaaS 软件对 AI 大模型的调用量最大，其次是 AI 编程。
Open AI 和谷歌的报告也显示，ChatGPT 和 Gemini 的企业客户调用量远超 C 端个人用户调用量。
所以，“领头羊”阿里云想要做的是，让 AI 深入到各行各业，用 AI 提升生产效率。
与此同时，当中国的 AI 原生企业在海外遍地开花，当中国的第一、第二及第三产业客户纷纷出海，使得阿里云加速剑指全球化。
刘伟光表示， 2024–2025 ，中国企业的出海，不再只是把供应链优势搬出去，而是把 AI 能力当作产品溢价的一部分：
对阿里云来说，这类客户天然会提出“海外部署”的硬需求：低时延、数据合规、跨区域运维、弹性供给，以及在海外可用的模型服务与训练推理能力。也因此，2025 年阿里云在泰国、韩国、墨西哥等地新建数据中心的动作，不只是“基建扩张”，更像是在给下一轮 AI 应用出海提前铺路。
当然，全球化竞争，激烈程度远超国内：
模型能力只是门票：语言、coding、多模态缺一不可。
工程化才决定可用性：稳定性、时延、SLA、合规、跨区域交付能力，决定企业是否敢把核心流程交给你。
生态与接口决定渗透速度：当软件与工具链 MCP 化、API 化，云厂商能否把“可调用的能力”变成“可组合的系统”，决定了 Agent 落地的上限。
这也是为什么阿里云正在“把 3 万多个产品的 API 服务全面做 MCP 化开放”。海外更像一个“标准件市场”，一旦你能用标准件快速交付，就能更快形成规模。
阿里云的 2025 可以被理解为一场“前置换轨”：
其核心在于：先把路修出来，再等车流出现。
“这十多年来，中国云计算市场各种概念曾层出不穷，价格战屡见不鲜，但阿里云始终在牌桌上。如果用更长的时间去穿越周期洞察未来，技术能力和技术布局的前瞻性永远是核心竞争力。”刘伟光说。
