导读如果大模型最后只是陪你聊天、写写文案、改改周报那全球根本没必要建这么多数据中心更不需要一车一车地往机房里塞GPU。前两集我们讲了千问为什么诞生也讲了大模型为什么突然把GPU、显存、内存都推到了算力舞台中央。但真正决定这场AI战争能走多远的其实不是模型会不会回答问题而是一个更现实的问题……真正的分水岭是大模型能不能干活如果大模型最后只是陪你聊天、写写文案、改改周报那全球根本没必要建这么多数据中心更不需要一车一车地往机房里塞GPU。前两集我们讲了千问为什么诞生也讲了大模型为什么突然把GPU、显存、内存都推到了算力舞台中央。但真正决定这场AI战争能走多远的其实不是模型会不会回答问题而是一个更现实的问题它到底能不能干活 我做服务器二十多年这两年越来越强烈的一个感受就是客户开始关心的已经不只是“我要不要部署一个大模型”而是“这个模型能不能真正进入我的业务”。其实阿里在2023年第一次推出通义千问的时候就已经没准备让它只待在聊天框里。当时阿里列出来的方向就包括物流、媒体、金融、制造、能源、零售等行业还提出企业可以用自己的数据和行业知识去微调模型不需要每家公司都从头训练一个基础大模型。 这件事听起来很普通但背后的变化其实非常大。过去一家制造企业想做AI可能要针对质检做一套模型针对客服再做一套供应链预测又是另一套大模型出现以后大家开始尝试用一个基础模型再接企业自己的知识库、数据和业务系统把很多原来割裂的能力串起来。知识库和业务数据让模型成为工具举个已经落地的例子。阿里云披露的客户案例里阿斯利康就利用Qwen和专属Model Studio做药物不良事件报告的整理和摘要Haleon则把Qwen用于健康咨询场景通过知识检索和个性化回答提高服务效率。这里的大模型已经不是在回答“今天天气怎么样”而是在处理企业每天真实发生的大量文档、知识和业务流程。 你再把这个思路放到我们熟悉的高校和科研院所里其实也一样论文太多让AI帮你检索整理实验数据太杂让它辅助分析代码不会写让它帮你调试几十年的内部资料没人翻得过来就做一个自己的科研知识库。这个时候大模型才真正从“玩具”开始变成工具。但到了2026年事情又往前走了一步。现在行业里越来越多的人已经不满足于让AI“告诉我怎么做”而是希望它直接替我去做。1月份千问App开始把淘宝、淘宝闪购、支付宝、飞猪、高德这些服务接起来。你可以对它说一句话让它帮你订餐、规划旅行、订机票酒店甚至在用户确认以后直接完成支付。阿里把这个变化说得很直白就是从“AI that responds”走向“AI that acts”从一个会回答问题的AI变成一个能够执行任务的AI。从回答问题走向执行任务这一步我觉得特别关键。因为以前你去北京出差要自己查机票、比较时间、订酒店、找路线可能要在四五个App之间来回切。以后你可能只说一句“下周二我要去北京开会下午两点前到帮我安排一下。”AI先理解你的要求再查航班、比较价格、安排酒店、规划路线最后把方案交给你确认。4月份千问又和中国东方航空合作把搜索机票、购票、选座、值机这些原本分散的步骤放进同一个对话流程里。 到5月份淘宝又把超过40亿件商品的完整商品库接给千问用户可以直接用自然语言让AI找商品、比较、下单、管理物流和售后。 这时候你再把千问叫“聊天机器人”其实已经有点像把智能手机叫“能打电话的机器”了。企业这一边变化更快。阿里今年推出的Wukong就是专门面向企业的Agent平台它可以让多个AI智能体分工协作而且正在把钉钉、淘宝、1688、支付宝、阿里云这些能力变成可以调用的工具。阿里甚至已经把智能体应用做到了电商、制造、法律、财务、招聘、软件开发等十个方向。 这背后意味着什么以前一个员工打开ERP、查Excel、写邮件、做报告五个步骤都是人在操作未来很可能变成一个Agent自己去找数据、调用系统、生成结果人在最后做判断。AI真正改变千行百业很可能不是把所有岗位都“替代”而是悄悄把很多原来需要人不停点鼠标、复制粘贴的工作接过去。Agent把一次对话变成多步工作流可这个变化从我们做算力的人眼里看还有另外一层意思Agent比聊天更吃算力。以前你问千问一个问题模型推理一次或者几次回答完就结束了。Agent不一样它可能先理解任务再规划步骤然后查知识库、调用搜索、运行代码、再问模型、检查结果发现不对还要重新来一遍。一个看起来很简单的“帮我做一份市场报告”背后可能已经连续运行了很多轮模型推理。如果未来一个员工背后不是一个Agent而是研究Agent、代码Agent、数据Agent几个一起干活那么一个人产生的AI算力需求可能比今天问几十句聊天问题大得多。阿里今年发布Qwen3.6-Plus时就把重点明确放到了能够自主完成复杂工程任务和现实工作流程的Agent能力上。这也是为什么我现在看AI服务器已经不太把它理解成一台“跑大模型的机器”了。对于高校一个GPU工作站可能就是老师和学生自己的AI实验平台到了一个几十人的团队就可能需要多GPU服务器让不同的人同时跑推理、知识库和实验到了企业几百几千人每天都调用Agent后面就不再是一两台机器的问题而是GPU集群、存储、网络和整个数据中心的问题。2025年企业已经明显在扩大AI应用规模阿里云自己也说这些AI部署反过来推动了云计算基础设施的使用增长。 模型从聊天框里走出来的那一刻也就是算力需求真正开始放大的时候。模型走出聊天框以后算力需求才真正放大所以我觉得千问真正有意思的地方不是它能回答多少道题也不是某一次跑分比谁高。真正值得观察的是它正在从一个模型慢慢变成一个能够进入工作、科研、购物、出行和企业流程的基础能力。以前互联网时代抢的是搜索入口、浏览器入口、手机入口现在AI开始替你完成任务以后下一个问题就来了如果未来我们很多事情都先交给AI那么谁掌握这个AI入口谁是不是就掌握了下一代互联网最重要的位置由此也引出了更深一层的问题阿里真正想要的也许从来不只是一个通义千问。它真正想争的是AI时代的入口。从模型发展回到算力建设大模型部署不能只看参数规模还要结合精度方式、上下文长度、并发用户、知识库容量、响应速度以及持续运行要求综合评估GPU显存、CPU、内存、NVMe存储、高速网络和散热条件。不同单位的业务目标不同适合的算力路径也不会完全相同。