阿里的蒸汽机时代

文 | 版面之外，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。 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。 二、吴泳铭给机器找了一个“马力” 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。 “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。 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。 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。 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。 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