撰文| 吴先之
编辑| 王 潘
1937年，美国为解决加州中、南部干旱缺水与城市发展需求，兴建了跨流域调水的中央河谷工程，起初饱受争议。《洛杉矶时报》曾多次刊登讽刺漫画，甚至用“空头支票”质疑该工程的价值。
在争议声中，中央河谷工程花了45年，经历了初期蓄水与基础下泄、分段扩容与精准调度、生态与生产协同下泄。覆盖面积从最早的100万亩农田（约为1.4个北京朝阳区），时至今日，成为全球最大的灌区、美国的“粮仓”（约100个朝阳区），并形成了一个数百万人口规模的都会区。
基础超大参数模型就像一个水坝，坝体内部的防渗结构是数以万计的Agent和小模型，下游的灌溉渠网就是各类垂直应用。水坝的蓄水量越大、泄洪调控越精准，下游的农田就越能得到充沛滋养。如同数据积累越多、基模的能力层级越高，外部应用就能在更多领域生根发芽。
阿里云对AI云的理解，颇似“中央河谷工程”。试图建立起从坝体到灌溉网络，甚至自来水厂的体系。不仅直接提供灌溉水，还向饮料公司提供纯净水、为有污水处理需求的厂商提供污水处理设备租赁。
因为提供服务的不同，阿里云认为暂时无法用单一标准计量。
阿里云智能集团资深副总裁、公共云事业部总裁刘伟光半打趣地说，传统云计算时代，阿里云有句口号叫“为了无法计算的价值”，那么AI云时代，“我们的目标就是为了无法计算的Token”。
企业AI需求分层
从2025年1月6日开始，到12月30日，过去一年中，刘伟光总共进行了186次拜访，涉及到146家客户。涵盖了从互联网到传统行业，从内销到出海的国内公司，也涉及到跨国公司。
他看到了不少企业进行AI实践的范式，同时注意到企业需求有强有弱，其中有四种类型的公司拥抱AI的态度最为坚决。第一种是提供AIGC付费服务的企业，代表企业如Pika Labs。
第二种是AI硬件公司。与传统硬件公司不同之处在于，AI硬件公司的利润来源不是硬件，而是依托AI能力，如陪伴与教育获取更高的溢价。而模型能力，决定价值高低，使得它们非常在意模型能力。
第三种是垂类AI Agent的创企，这类企业被视为典型的AI原生企业，例如法律垂直领域的创企Harvey、做人才招聘的Mercor、做销售线索Agent的Clay等等。
第四种是娱乐行业，如漫剧与短剧，借助AI改变原有生产模式，成本交换是最主要的驱动因素。例如传统短剧的制作成本主要由人力与场地构成，制剧效率是核心驱动力。引入AI后，大模型的相关开支替代了人力与场地，也显著提升了效率。某短剧从业者表示，过去一个月能产出20部剧集，如今能产出1000部。
除上述四种企业外，大盘其实是一批非AI原生企业，而其中意愿最强的是行业中的头部企业。原因在于，这些企业经历过数字化改造，具备一定的智能化基础。
对于企业而言，AI改造是效果导向的，而效果好坏取决于Agent能力，Agent又受模型能力与数据质量影响，大企业经历过多年数据治理与沉淀，数据质量与实时性都更会好。
对于所有云厂商而言，服务这些企业并不容易，因为从IT时代到传统云，再到AI云，有一条独立的演进过程。
在过去，云计算产品主要是计算、存储、网络、安全、数据库和大数据等，客户主要是互联网客户和数字化程度高的传统企业。进入AI时代，云计算向智算演进，也是一个交换过程，依靠通用计算，能够为更多的客户做推理训练，包括广大的中小企业和初创企业。
技术在迭代，可国内企业级市场环境却没有因此有太大变化，“造锤”的SaaS市场并不繁荣，阻滞着AI to B的进程。很多企业因为安全，或者合规性要求，如金融行业，不会轻易地把数据放到公有云上。企业需求分层，倒逼云厂商寻求多种方案来调整自己的商业模式。
市场环境没有因为AI的发展而变化，反而还在加剧。到目前为止，卖产品的Agent与卖原子化能力的Coding，这两个市场在国内尚未产生巨头，市场规模也还处于初期。
另一个挑战来自企业使用AI云的方式多种多样，哪怕是AI原生的大模型创企，使用云的方式也不尽相同。有大模型创企只会在云上训练与开发；亦有大模型创企会基于开源模型做开发；而一些互联网客户则是在云上训练模型，再基于模型开发自己的Agent；金融机构则是自己下载模型、自己训练，云厂商根本不知道实际使用情况。
此外，自动驾驶与具身智能公司也是如此。两个行业对图形处理的算力需求很高，但因为需要即时响应，导致其对云的需求最终是完成本地化部署。即便厂商采用了某云厂商的大模型产品，也只能按照效果或者项目形式付费。
造“坝”铺“渠”
有的厂商调用API接口，有的需要开源模型，有的只是需要数据清洗与模型训练平台。面对企业需求的差异化，国内云厂商有两条路径可选。
一条是先刺猬再狐狸，抓住增长最快、规模最大的某个领域，将之做到极致，然后再横向拓展至其他领域；另一条是先狐狸再刺猬，以面的方式提供分层服务，企业按需选择，如此以来可以快速完成市场覆盖，并在此基础上多线并进，最终建立市场优势。
阿里云选择了造坝铺渠的后者，如同90年前的“中央河谷工程”。这意味着阿里云的AI服务体系，会和这项工程的建设周期一样，需要时间才能见到天花板。而阿里云自己也认为，目前AI云还是早期，在国内则还处于价值萌芽阶段。
即便阿里在去年2月宣布未来三年将对云和AI硬件基础设施，投入超过3800亿元，但如果从市场潜力来看，仍存在一定缺口。阿里云认为，AI提升的是社会生产力，潜在市场规模需要按照增幅的实际价值抬高，如果市场是10万亿，3800亿对于10%的增幅而言，ROI是完全算得过来的。
基于此，阿里云形成了从基础的AI Infra、到开源模型后训练、模型推理服务，再到AI应用构建的分层产品服务体系。
对于一站式快速便捷构建Agent应用的需求，阿里云提供类似于直饮水的轻量级接入方式。该服务直接按需计费，一般采用Token的计费方式。阿里云其实交付的是自己的AI与云能力，企业直接使用。
第二种是提供工业级用水的定制化服务。大部分情况下，企业更青睐灵活、开放地选择Agent开发平台、模型选择、AI框架选择，或是独立部署的企业，承接这部分需求的端口是阿里云的百炼。
除了模型服务，还有一部分企业具备IT能力，需要在VPC（虚拟私有云）环境下部署，或者有通用计算、高速网络、高性能存储、安全等云原生能力的需求。这时候，阿里云既能提供开源模型的生态，也能提供底层的原生能力，还能提供托管服务。
还有一种自己进行模型训练的情况，例如前面提到的本地部署，或者搜推等大规模数据处理应用需求，阿里云则提供AI Infra。这种方案，可以理解企业直接租用阿里云的IaaS能力。
值得一提的是，不仅企业市场有着分层需求，单一企业也会因为场景原因，呈现不同需求。像物流企业，AI客服多以轻量接入的方式，而涉及到异常件识别、路径规划这类核心能力，则更倾向于采购原子化能力，私有化部署。
阿里云虽然能够通过分层服务的方式，覆盖更多企业的需求，但也为自己带来了一个挑战，服务类型不同，无法用单一指标计量。截至目前，阿里云至少采用了三种计费模型，以Token为代表的按量计费，以结果为代表的按结果计费，以及传统的订阅制。
简单来说，阿里云的价值实现，来自两种形态，一种是建立在基础设施分摊的资产价值，另一种是建立在应用端的可计量价值，例如按照Token计费。
摩托罗拉的故事
95年前后，摩托罗拉总裁来华，他曾预测，到2000年，国内手机保有量会突破100万。
然而，到了2000年，国内手机保有量已突破1亿，几年之后迈过10亿大关。与此同时，手机还完成了从模拟机到虚拟机的迭代。此时，国内手机市场即便各类山寨机横飞，摩托罗拉却逐渐销声匿迹。
摩托罗拉这个故事表明，在新兴市场，短期的市场地位与规模预期很容易被颠覆或证伪，更无法用过往的历史推论未来，这条定律也适用于AI行业。
目前可以看到确定的趋势是，应用端的爆发式增长，正在改变传统IT时代的成本分摊模式。而阿里云所强调的模型与底层架构的软硬一体化会是胜负手的观点，目前仍存在分歧。
腾讯首席科学家姚顺雨此前注意到，垂直整合在AI to C与to B市场存在差异的情况。在C端市场，豆包与ChatGPT的成功，证明了模型与产品能够强耦合地迭代，而在to B市场，模型层的能力与应用层的需求之间是割裂的，得用更大的预训练填充。
AI云时代才刚开启，云厂商们纷纷将目光锁定在增量市场上，因为下一年增量的10%都可能超过上一年的全量。这也就是为什么，阿里云2026年的目标是拿到中国AI云市场增量的80%。
微信号｜TMTweb
公众号｜光子星球
别忘了扫码关注我们！
热门跟贴