基于 2026 年 9 月 22 日云栖大会演讲的文字整理稿吴泳铭在这次云栖大会上的主线很清晰机器正在成为思考的主力智能正在变成可以规模化供给的商品阿里要同时押注模型、芯片和云三层基础设施。演讲信息量大数字也多容易让人要么跟着兴奋要么直接划走。我想换个读法把它拆成六个观点说清楚值得接受的部分以及需要保留的部分。需要先说明本文依据的是一份演讲视频其中夹有转述性的叙述所有数字请以官方发布为准。01 “智能像电力一样供给”视角有用类比有边界演讲用工业革命作类比机械动力让体力变成可以廉价输送的公共资源AI 则让顶级思考能力变成同样的东西。这个视角的价值在于把注意力从“模型多聪明”转到“单位智能多少钱、能供给多少”这确实是企业和开发者做决策时该看的曲线。取把智能当作有成本曲线的生产资料来规划而不是当成一次性的“功能升级”。舍电力是同质的一度电就是一度电思考不是。输出的质量、可验证性和责任归属都很难标准化所以“商品化”目前更适合用在可检验的任务上比如代码、检索、报表而不是所有判断。02 “不到 3%”和“1000 倍”方向可信数字不可当真整理稿里提到机器思考量目前不到人类的 3%未来会超过 1000 倍承担 99.9% 的思考工作。这些数字很抓耳但有一个根本问题“思考总量”怎么度量按 token、按任务数、还是按等价的人类工时没有口径数字就只是修辞。取机器参与的认知工作占比会持续上升这个判断与当前趋势一致。舍不要把这些比例引用成事实也不要据此推算岗位或市场规模。写方案时请用你自己能测量的指标如任务完成率、人工介入率、单任务成本。03 “我们还在 1882 年的电灯阶段”鼓舞人心也是个难以证伪的叙事演讲认为AI Coding、智能助手这些应用只是用电灯替代煤油灯真正重塑生活的“空调、冰箱”级产品还没出现。这个类比提醒我们通用技术的红利往往来自全新的产品形态而不是旧流程的提效。取别把“替代现有工作流”当作终点多问一句智能便宜千倍以后哪些以前不可能的产品会成立。舍“杀手级产品还没来”也可以用来为任何尚未回本的投入辩护。电力普及历史上花了几十年投资人和团队等得起的时间窗口与技术成熟的节奏未必一致。04 递归式自我改进RSI闭环是关键评估器才是难点在模型层通义千问团队的方向是让模型在与环境的交互中自己发现短板、设计实验、合成数据并评估结果减少对人类标注和反馈的依赖。同时规划 5T 到 10T 参数的新一代模型。我认为这里最值得琢磨的不是参数而是“自我评估”。自我改进只有在评估信号可靠时才成立一旦评估器可被钻空子模型会很高效地优化错误目标。这与我在上一篇关于“启发式学习”的文章中的结论相通反馈要能自动化旧能力要有回归测试否则越改越乱。取把改进从“人类标注驱动”转向“环境反馈驱动”是合理的方向尤其在代码、数学等可验证领域。舍在没有可靠验证的开放领域“自主进化”还只是目标。参数规模也只是路线之一不要把更大等同于更好。05 模型、芯片、云全栈押注垂直整合有道理但这些大多是规划整理稿提到几项数字平头哥“真武 V900”整机算力约为上一代的 3 倍单集群支持 50 万张卡计划 2027 年第一季度量产阿里云计划到 2032 年全球数据中心电力规模超过 20GW。取模型、芯片、云联合优化确实能压低单位推理成本这对“智能商品化”至关重要。算力与电力被明确当作长期瓶颈也是务实的判断。舍这些几乎都是发布目标或远期规划不是已交付的能力。集群规模不等于有效算力利用率量产时间、软件生态成熟度和电力获取都有不确定性。引用时请标明“计划”二字。06 从卖算力到卖结果商业模式合理难在如何定义“结果”演讲提出“智能体云”不再只按 vCPU 或 GPU 卡时收费而是面向多智能体系统和长流程任务的结果计费。这对开发者很有吸引力因为它把成本和价值绑在一起。取按结果计费能激励平台把智能体做得更稳而不是堆更多调用。舍前提是结果可定义、可验证、可追责。失败、重试、部分完成怎么计价出错的责任在谁没有清晰的 SLA 和验收口径这种模式很容易变成新的不透明账单。对开发者与团队的落地建议演讲观点可以怎么用需要警惕智能成为商品建立“单任务成本 × 成功率”的核算只算调用费忽略人工复核成本机器思考占比上升优先自动化可验证、可回滚的任务把高风险判断直接交给机器自我改进为智能体建立评测集与回归测试评估器被钻空子全栈基础设施关注推理成本与可用性保留多模型备选被单一供应商或规划表绑定结果计费提前约定验收标准与失败处理结果定义含糊一句话总结这场演讲更像一份战略宣言方向值得认真对待数字和时间表则要打折阅读。判断一家公司是否在“把智能做成商品”最终要看它的单位成本、可靠性和交付记录而不是某一场演讲里的宏大数字。来源吴泳铭 2026 云栖大会演讲文字整理稿视频出处见稿中 Bilibili 链接。