云栖 2026：阿里发力「芯片—模型—云」全家桶

9 月 22 日上午，杭州云栖大会主论坛。阿里巴巴 CEO 吴泳铭给了两个判断、一个比喻。

判断一：机器的思考总量，将达到人类的 1000 倍以上，今天这个比例还不到 3%。他的参照是动力革命：机器动力已承担 99.9% 的物理工作，思考预计也将承担 99.9%；从现在到人类的 1000 倍，中间还有数万倍的增长空间。判断二：机器智能时代的代表性产品，还没有出现。比喻是：今天的 AI 编程，只相当于 1882 年的电灯。爱迪生在珍珠街点亮第一座商用电站时，人们用它替代煤油灯；空调、冰箱、洗衣机的登场，是几十年后的事。

三个说法指向同一件事：思考正在变成可以规模化生产的商品，而行业还处在「电站刚建成」的阶段。对全栈厂商来说，接下来的问题很具体：电站怎么建、电网怎么铺、电用什么发。

阿里给出的回答，是一条环环相扣的链条：模型在变强，并开始反向设计运行它的芯片；芯片与系统在变强，又被模型拿来自我适配；云则按照智能体（Agent）的负载形态重新改造自己。本届大会上，这条链条第一次被拆成一串具体数字：芯片代际性能 ×3、AI 存储成本 -69%、模型零人工干预迭代 33 轮、单一集群 50 万卡。

作为国内少数同时在自研 AI 芯片、大模型和 AI 云上重注的厂商，阿里如何组织这三块，对国产算力生态有参照意义。本文按芯片、模型、云三块展开，回答四个问题：真武 V900 的「3 倍」成色如何？把它与华为昇腾 960、NVIDIA B300 放在一起，三条路线各选了什么？Qwen 的「自我迭代」改了什么、可信度如何？一朵「为 Agent 重造」的云，真正改变的是什么？

芯片：3 倍性能、216GB，和一张没有绝对值的规格表

真武 V900 是平头哥第三代的训推一体 AI 芯片。按官方说法，它单芯片性能是上一代真武 M890 的 3 倍，搭载 216GB 显存，片间互联带宽 1200GB/s，原生支持 FP8、FP4 低精度计算，可同时覆盖高精度训练和低精度、超低精度推理。量产时间定在 2027 年第一季度，比原计划提前约两个季度；官方称它是目前算力性能最强的中国自研 AI 芯片。

把路线图连起来看，迭代节奏比单点参数更有信息量：2024 年的 810E（96GB 显存、700GB/s 互联）→ 2026 年二季度的 M890（144GB、800GB/s，性能 3 倍于 810E）→ 2027 年一季度的 V900（216GB、1200GB/s，再翻 3 倍）→ 2028 年三季度计划推出的 J900。一年一代、每代翻三倍，按官方倍数连乘，从 810E 到 V900 约 9 倍。这个节奏已经跑了三代。商业面上，截至 4 月，真武系列累计出货 56 万片；截至 6 月，服务客户超过 650 家。按 IDC 统计的 2025 年数据，平头哥在国产云端 AI 加速器厂商中位列第二，份额约为 16%。

但整场发布留了一个空白：从头到尾没有给出绝对算力数字。单卡多少 TFLOPS、什么精度下的多少 PFLOPS，这些常规披露一律缺席。「3 倍」也没有限定条件：什么精度、稠密还是稀疏、按单芯还是整机。对习惯看算力表的读者来说，这张规格表是缺了一列的。

缺列可以有另一种读法：等 V900 和昇腾 960 在同一个交付窗口里碰面，外界自然会用同一张表把它们补齐。目前能做的横向锚定是容量与互联：216GB 显存加 1200GB/s 片间带宽，大致是谷歌上一代 TPU v7 的量级，略有超出（据未尽研究整理）。

50 万卡：把跨服务器的通信，做进内存语义

单卡数字之外，V900 发布真正的主角是系统。当集群规模上万卡，芯片之间的通信会吃掉大量训练时间，华为公开的估算是四成以上；单卡再快，系统跟不上也是空转。平头哥给出的解法是 ICN Switch 互联芯片：在超节点（把上千张卡用高速互联搭成的一台逻辑计算机）里，让卡与卡之间具备原生内存语义和内存统一编址能力，实现千卡全带宽高速互联，统一显存规模达到百 TB 级。用大白话说，上层软件不必再关心数据放在哪台服务器上，上千颗 V900 更像一颗「超级芯片」。配合新一代超节点服务器（内含 V900、ICN Switch、磐脉 920 智能网卡、镇岳 510 存储主控），单一集群可扩展到 50 万卡。

同一天下午，阿里云还发布了磐久 AL64，全球首个把 SNPO（Scale-Up NPO，面向多卡紧耦合互联域的近封装光学）做进产品的超节点服务器：单机 64 卡、无收敛扩展至 1024 卡，把光模块从机柜面板搬到计算芯片旁边。动因是铜的传输距离在超大规模 Scale-Up 域里已经不够用；而 SNPO 由阿里云与开放数据中心委员会（ODCC）牵头开放，不绑定任何一家的计算芯片与交换体系。开放的另一面是等待：规范给多厂商留了接口，落地速度要看生态里有多少人真的跟进。曦智科技同场首发了 3.2T/6.4T 的 SNPO 硅光芯片。

在售的这一代没有闲着：基于 M890 的灵骏超节点已在乌兰察布首批开服，将扩容到宁夏中卫，跑通了 Qwen3.8-Max、Kimi K3 等超过 2 万亿参数的模型，今年第四季度还会新增服务节点。

三种拼法：V900、昇腾 960 与 B300

过去一个月，三家公司先后交代了 AI 基础设施的下一步：华为在 9 月 17 日的全联接大会上发布昇腾 960 超节点，NVIDIA 的 B300 已量产出货，阿里在本届云栖亮出 V900。把三家的牌摆上同一张桌，最先撞进视线的是趋同：华为说「把竞争单位从单颗芯片扩大到整个系统」，阿里说「像一颗超级芯片」，NVIDIA 的机柜级方案叫 NVL72。三家都在把「一台计算机」往前推。

先看单卡：

三点值得细读。容量上，216GB 对 288GB，V900 小一档，而单卡容量直接决定万亿级参数模型的切分策略；互联带宽上，昇腾 960 的 2.2TB/s 是三者最高，超过了 B300 的 NVLink，这背后是华为对联接的押注：用 5500 颗 Hi-ONE 近封装光引擎替换 4.8 万颗可插拔光模块，功耗降低超过 550 千瓦；而算力一栏，只有 V900 是空的。

再看系统。华为昇腾 960 超节点单域 4096 卡，提供 8 EFLOPS FP8 算力与 1PB 内存，域内往返时延最低 2 微秒；多个超节点组网后，最大集群规模 51.2 万卡，配合多轨道拓扑可望向 100 万卡扩展。阿里这边，V900 超节点以「千卡全带宽 + 统一编址」为特征，集群上限 50 万卡，并用 SNPO 把光接进 Scale-Up 域。NVIDIA 的策略仍是机柜优先：NVL72 一台机柜 72 颗 GPU、铜缆全互联，机柜之间用 InfiniBand／Spectrum-X 组网。

两条中国路线的相似度值得单独标注：都把光互连推进到近封装，都把集群上限公开翻过 50 万卡，也都选择了「统一内存编址」这个说法。按《超节点定义与实践白皮书》（鹏城实验室与全球计算联盟牵头、38 家单位参与，2026 年 7 月发布），这正是超节点区别于传统集群的核心特征：让几千张卡在软件眼里像一台机器。区别在于光的用法：华为用自研 NPO 光引擎替代可插拔模块、追求低功耗；阿里用开放 SNPO 规范解耦供应链、给多厂商留接口。NVIDIA 的答案暂时是「把机柜做小、把机柜内带宽做大」，光留在机柜之间。

最后是时间表，它把三家拉到了同一个考场：960DT 与 V900 都指向 2027 年第一季度，B300 已量产在售、下一代产品爬坡中。那是第一次可以用同一批公开数据做三方实测的窗口：能不能准时交付、软件栈是否就绪、超节点在真实训练任务里能否兑现理论算力，都会在那时见分晓。需要说明的是，上表三种信度并存：昇腾 960DT 为华为官方数字，B300 为媒体整理数字（非官方披露），V900 无绝对值披露。几家在稠密或稀疏等精度细节上的标注也不一致，同表并置只作量级参照。

补位的芯片们：CPU、网卡与存储主控

芯片故事还有第二层：V900 只是平头哥全栈矩阵中的一块。同场首次公布路线图的倚天服务器 CPU，指向一个判断：Agent 时代，CPU 回到了关键路径。任务规划、工具调用、代码沙箱、检索编排都依赖单核性能与内存带宽。为此，2027 年的倚天 730 采用全自研微架构、单核性能最高提升到倚天 710 的 1.4 倍，倚天 720 则以 192 核支撑大规模并发；再往后的倚天 750 会通过 ICN 总线与真武芯片直接互联。加上磐脉 920 网卡、镇岳 510 存储主控与 ICN 互联芯片，平头哥已把数据中心的核心芯片补齐。软件侧，2026 年 7 月开源的底层软件栈覆盖率超过 96%，主流框架上游版本到完成适配平均不超过一周，这是国产芯片过去最容易被卡住的环节。

模型：自我迭代，开始改到硬件头上

RSI：把实验循环交给模型自己

递归式自我改进（Recursive Self-Improvement，RSI）的核心动作，是让模型自己发现问题、设计实验、改进自己。在吴泳铭的表述里，这是通往超级智能（ASI）的具体技术路径；一年前阿里的判断是「AGI 只是起点」。云栖大会上，阿里第一次给出了工程化细节：Qwen3.8-Max 在人类完全零参与的情况下，自主搭建训练流程、构造训练数据、设计实验、定位缺陷，持续迭代超过 1 个月，完成 33 轮有效迭代（平均约每天一轮）；结果是 Artificial Analysis 智能指数从 40 分升到 45 分，跨进海外顶级模型所在的分数区间，官方称其领先当前所有国产模型。

拆开看，被自动化的是研究循环本身：假设、实验、定位、修正。过去这是研究员的工作节奏，现在模型自己跑完 33 圈。这比单点提分更值得记录，因为它改变的是能力增长的方式：迭代速度不再受人类工作时长的限制。

值得问一句：为什么是现在？至少三件事凑齐了：模型跨过了一道能力门槛，能长时程执行、能调用工具、能从失败反馈里修正。支撑工具链已经就位，模型不必自己发明实验基建。度量也已就位，每一轮改动的效果都能被立刻读出来，不必等人来判断。三样缺一，自主迭代都只能停留在演示阶段。

也正因如此，读的时候要带两个限定。起点与评价体系仍然是人搭的：预训练基座、评测集、训练框架的初始版本都是人类资产，模型改的是之后的循环。45 分本身也不是代差，它的意义在于把「自主研究」第一次做成了可以按月观测的过程。这些数字还全部来自阿里自述，尚无第三方复现。

模型开始改自己的供给链

RSI 的外溢，比分数更具体。大会披露的工程结果里，模型同时在供给链的两端动手。

软件侧，它先完成了此前从未接触过的平头哥新款 GPU 的适配：从零搭起下一代模型 Qwen3.8-Flash-Next 的推理框架，长文本首 token 延迟下降 47%，每输出 token 延迟下降 60%，日常对话场景单实例吞吐提升 96%。新一代模型上自家新芯片的适配，大半由模型自己完成。硬件侧，它拿一份真实的芯片模块规范，自主运行超过 60 小时、调用 EDA 工具超过一万次，完成了从功能架构、验证到物理实现的完整流程，把模块物理面积减少 42%。在「AI 参与设计芯片」的各种说法里，这是一个相对硬的工程结果：约束来自真实规范，输出是可落地的物理实现。

训练流水线也没落下：云侧用 PAI 异步 Agentic RL 框架，把轨迹采样、回报累计、模型训练、参数更新串成一条流水线，存储侧由 CPFS 保证数据供给。三件事的共同点：模型开始改造自己的工具链与硬件链，下一轮能力提升由此多出一个来源。提升一旦开始叠加，曲线会比单纯的规模扩张更陡。

5–10 万亿参数，和一条一毛钱成本线

规模这条线没有停。Qwen4 正在以全新架构训练中，后续的 Qwen4.5、Qwen5 计划把总参数扩展到 5 万亿至 10 万亿。按业内整理出的竞争坐标，前沿模型的门槛目前在 3 万亿左右，10 万亿是国内厂商里第一个被公开喊出的目标。多模态也在同步推进：全模态的 Qwen3.8-Omni、图像 3.1、语音 3.1、视频生成 Wan3.0（Artificial Analysis 文生视频与视频编辑双榜第一），以及一批世界模型新品，下一代视频生成模型将在 11 月发布。

另一条线是成本。Qwen3.8-Flash 提前开源了下一代架构：通过注意力机制与模型内部信息传递机制的改造，训练成本下降约 90%，推理时几十亿级激活参数就能达到前沿性能，缓存价格压到每百万 tokens 一毛钱。开源盘子继续扩大：460 多个开源模型、累计下载超过 30 亿次、衍生模型超过 30 万个。

两条线放在一起才有意思：一边把参数推向 10 万亿，一边把每百万 token 的价格压到一毛。规模与效率是同一个问题的两面，如果思考要成为「电价」，这两件事必须同时发生。

云：为 Agent 重造的账本

从 AI Native 到 Context Engine

阿里云 CTO 李飞飞给出的框架是：企业级 Agent 大规模落地，短板集中在四样基础设施：全面且持续更新的上下文；支持自主运行与持续进化的执行环境；融入身份、权限与审计的可信协作；以及从静态规则走向实时感知、动态推理与自主行动的能力。对应这套需求，阿里云把技术栈从 AI Native Cloud 推进到 Agent Native Cloud，再到 Context Engine（上下文引擎），核心是三个词：Model、Harness、Context。

这里的代际差有具体所指：AI Native 解决的是「把模型服务化」，请求来、结果回，请求之间彼此无关；Agent 的负载正相反，任务要连续跑几天，中途要断点、要重试、要隔离，上下文要持续更新、跨会话携带。无状态架构对这几种需求都没有现成答案。Context Engine 要收回的，正是这块「有状态执行」的基础设施活。

产品化落在两件东西上。其一是 AgentCore，把运行 Agent 所需的基础设施标准化、托管化：长任务支持、失败重试、断点恢复、异步执行，加上安全隔离、身份权限与全链路审计，官方称可以把任务完成率提升 99%、总拥有成本降低 70%（厂商自述数字，尚无独立验证）。托管化的对价是迁移成本：执行、状态、记忆都标准化在平台里之后，应用与云的绑定会更深一层。其二是 Agent Sandbox 及 Agentic OS、Agentic Computer 等运行环境。这组发布想解决的具体问题是：当 Agent 的任务从「回答一个问题」变成「连续运行几天」，云不能让每个应用自己实现断点、重试和沙箱，就像当年没人应该自己实现数据库事务。

上下文的搬运费：一份新账单

基础设施这边，数字更硬一些。新一代 CPFS 把并行文件存储拉到百 TB/s 级吞吐、亿级 IOPS、单文件系统 100PiB，官方给的三组效果数字是：模型启动平均耗时降低 50%、峰值算力利用率提升 30%、AI 存储成本下降 69%。推理侧，Tair KVCM 统一编排内存池、缓存与远端共享存储，把缓存有效命中率做到 99%、每 token 成本下降 50%；KV CacheStore 在客户生产环境里把缓存覆盖时间窗口扩大 900%、首 token 延迟降低 54%、吞吐提升 20%。

这组数字背后的机制不复杂：Agent 时代的负载，上下文越来越长、状态越来越多，KV Cache 成了介于算力与存储之间的第三方成本中心。谁的搬运与保存更便宜，谁就能报出更低的推理价格。存储、缓存、调度这几个过去在云账单里不起眼的位置，正在变成决定推理经济性的主战场。

把视野再拉远：阿里云把 2032 年的目标定在运营数据中心规模超过 20GW，并明确说客户需求远超当前供给、供应链紧缺限制扩张速度；今年第四季度先新增超节点服务节点。据华尔街见闻引述的分析师测算，按每 GW 年收入 120 亿至 150 亿美元估算，20GW 对应一条万亿级人民币收入的路线图。这只是线性外推；能不能兑现，电力、芯片供给与需求三者缺一不可。

终端：把智能递到手上

终端是另一条路径的触点：千问 AI 硬件一次亮出三件，AI 眼镜 N1 / N1 Pro 与 AI 耳夹式耳机，当日起预约、10 月 13 日发售；办公侧，千问办公发布「企业上下文」与 QwenNote A2 录音卡，上线一个月用户超过 3000 万；移动侧，Qwen Intelligence 面向手机厂商提供全栈 AI 方案。桌面端，开源模型 Qwen-27B 已可本地流畅运行。它们单件都不算重磅，但合起来说明一件事：云端模型能力正在通过硬件与办公软件，渗到具体的用户场景里。这些触点的共同短板也很清楚：硬件刚起步，体验与生态才决定它们能走多远。

总结与判断

把云栖 2026 的发布清单压缩成一句话：阿里把算力的竞争单位，从单颗芯片换成了整套系统，并把系统的三个部件（芯片、模型、云）塞进了同一个反馈环。

竞争单位已经是系统。过去一个月，华为、阿里与 NVIDIA 在同一方向上用了几乎相同的语言：一台计算机、统一内存、超节点。单卡差距不再单独决定胜负，系统设计的自由度（光互连、内存语义、开放标准）成为新变量。中国两家把光送进 Scale-Up 域、把集群上限翻过 50 万卡，NVIDIA 继续机柜优先，三种拼法给的是三份不同的答卷。

比语言更实的是数字。互相改造开始产出可度量的结果：模型把芯片模块面积减了 42%，把自己在新芯片上的推理吞吐提了 96%，云把 AI 存储成本降了 69%。但这些数字全部来自厂商自述，缺少独立复现；而披露策略本身也是竞争的一部分：只给倍数不给绝对值，就保留了「留到交付时再说」的空间。

最硬的一关在时间表上：2027 年第一季度是第一个验证窗口。届时 V900 与昇腾 960DT 同季就绪、B300 在售且下一代爬坡，三家的系统设计将第一次接受同场检验。更近的观察点有三个：今年四季度阿里云超节点扩容的执行情况、RSI 的下一轮迭代数字、Qwen4 的训练进展。

---

声明： 本文基于 2026 云栖大会（9 月 22–24 日，杭州）公开演讲、官方新闻稿，以及科创板日报、财联社、上海证券报、南方都市报、驱动中国、未尽研究等多家媒体的报道与解读，交叉核对后撰写。部分数据为厂商自述，未经独立验证。不构成投资建议。文中数据截至 2026 年 9 月 23 日。