共计 1112 个字符，预计需要花费 3 分钟才能阅读完成。
当云服务的主要使用者不再只是工程师, 而可能变成 Agent, 云计算的产品形态也必须被重写。 在最新一轮阿里云峰会上, 阿里云释放出的信号并不只是“加大 AI 投入”, 而是试图把云、芯片、模型和推理平台重新组织成一套面向智能体时代的基础设施。
📌 问题: 传统云架构难以承接 Agent 负载
一个智能体在执行任务时, 可能短时间内连续调用模型、启动沙箱、访问数据库、请求外部工具 , 并在任务结束后迅速释放资源。这类负载突发、短生命周期、跨组件协同, 对云平台的调度能力提出了新要求。
🔍 判断:Agentic Cloud 成为新架构关键词
为了让 Agent 能够直接调用云能力, 阿里云正在将云产品进行标准化改造 , 包括 Skill 化、MCP 化和 CLI 化。简单理解, 就是把过去面向人的控制台操作, 转化为 Agent 可识别、可调用、可编排的能力接口。
- Skill 化: 将云产品能力封装成可复用模块。
- MCP 化: 通过标准协议提升 Agent 调用能力的一致性。
- CLI 化: 让智能体可通过命令行或指令方式直接使用服务。
💡 核心: 芯片、模型、推理平台形成闭环
阿里云此次强调的另一条主线, 是全栈协同 。平头哥发布新一代训推一体 AI 芯片真武 M890, 并同步提到互联芯片 ICN Switch 1.0 等配套能力。材料显示, 真武 M890 具备 144GB 显存, 片间互联带宽为 800GB/s, 性能较上一代真武 810E 提升。
在模型侧, 千问系列继续迭代 。材料提到,Qwen3.7-Max 在相关大模型盲测榜单中位居国产模型前列, 并展示了在真武 M890 上自主完成 AI 计算内核编写与调优的案例。需要注意的是, 这些表现仍属于特定场景下的展示, 能否大规模复制到更多企业生产环境, 还需要后续验证。
推理平台百炼则承担连接模型与算力的角色。 其能力重点包括 GPU 资源并池调度、上下文缓存、吞吐弹性调度 , 以及面向 Agent 执行反馈的强化学习机制。这些设计都指向同一个目标: 降低推理成本, 提高复杂任务执行的稳定性。
📊 看点:Token 收入正在改变云商业模式
相比传统 ECS 等资源型收入,Token 计费让云厂商进入了更多业务环节 。企业营销、内容生成、软件开发、智能客服等过去未必属于云预算的场景, 都可能因模型调用转化为云平台收入。
- AI 原生企业的 IT 支出中,MaaS 占比可能更高。
- 互联网企业的 Token 相关开支正在提升。
- 传统企业当前占比仍较低, 但存在增长空间。
🚀 总结: 阿里云的赌注不只是投入更多算力
阿里云此轮调整的关键, 不在于单点发布某个模型或芯片 , 而在于试图把芯片、云架构、模型服务、推理平台和产品入口全部向 Agent 场景对齐。千问云官网以指令方式呈现入口, 也体现出其对“机器可读云服务”的重视。
