50 万卡、5-10T、20GW：云栖第一天所有硬数字我都抄下来了

我把主论坛和各场发布里出现的硬数字都抄了下来：50 万卡、5-10T、20GW、216GB、1200GB/s、69%、33 轮……都在这篇里，速查表在文末。但如果只带一个数字回家，我建议是 42%。后面会解释为什么。

01 大概不到 3%

阿里巴巴集团CEO吴泳铭在云栖大会主论坛给出了两个数字：未来机器思考总量将是人类的 1000 倍以上，而“今天，机器思考的总量，大概不到人类的 3%”。

大概不到3%。这是他的估算，不是机构测算，口径未公布；1000 除3%约等于三万倍，所以他说“至少还有几万倍的增长空间”。

但这恰恰是这句话最有力的地方——它不是在描绘遥远的科幻，而是在承认我们才刚起跑。

他接着讲了电：1882 年爱迪生的珍珠街电站点亮了约 400 盏灯：1900年前后电器已进入家庭，但当时全世界一整年的发电量，放到今天只够用两个小时。今天的 AI Coding 就像当年的电灯。“无论后来出现多少新发明，第一步都要建足够多的发电站、铺足够广的电网。”

三块基石由此而来：AI 模型、AI 芯片、AI 云。

02 模型：把 Scaling 这条路继续走下去

过去一年，业界对通往 ASI 的技术路径逐渐形成共识，这条路径叫递归式自我改进（RSI）：模型从真实反馈中发现自身短板，自主设计实验、构建数据、评价结果，循环推动自身进化。

主论坛上，Qwen LLM项目负责人刘大一恒把它讲得更具体：Scaling 仍是迈向 ASI 的关键路径。基于新一代架构的 Qwen4 已投入训练，Qwen4.5、Qwen5 等后续版本的参数规模计划扩展至 5 万亿到 10 万亿。

注意”计划”两个字。这不是产品发布，是路线图。

作为铺垫，Qwen3.8-Flash 已经提前开源了下一代模型架构，通过注意力与模型内信息传递机制的创新，把训练成本压低约 90%，仅6B小参数模型即可达到前沿性能。

RSI 这块给了过程数据，我觉得比结论更有意思：Qwen3.8-Max 自主搭建训练流程、构造训练数据、自主设计实验、定位缺陷，在人类完全”零参与”的情况下持续迭代超过 1 个月，完成 33 轮有效迭代。基于RSI 与后训练的联合优化，新版本在 Artificial Analysis 基准上得分提升 12.5%

模型家族也在向两端延伸。

一端是多模态。吴泳铭的说法是”一颗聪明的大脑还不够”，AI 还得掌握感知和交互能力，像人一样理解声音、图像、表情和动作。所以 Qwen3.8-Omni 把视频、音频、图片、文字纳入统一理解框架，下一代视频生成模型将于11月发布；同声传译模型 Qwen3.8-LiveTranslate 把人类同传平均 4 秒以上的时延压到 2.5 秒以内。

另一端是终端。桌面端开源的 Qwen3.8-27B 可本地流畅运行，移动端推出 AI 手机全栈解决方案 Qwen Intelligence。

生态数据：已开源460 余个Qwen 模型，累计下载突破30亿次，衍生模型超30万个。

03 芯片与云：从”能不能用”到”可投入生产”

吴泳铭有句话很直白：如果说 Token 是 AI 时代的电，芯片就是发电机。未来机器智能时代对 Token 的需求几乎没有上限，芯片要不断提高性能、扩大供给。

今天的主角是真武 V900。

单芯片性能是真武 M890 的3倍，搭载216GB 显存，片间互联带宽1200GB/s，原生支持 FP8／FP4，计划 2027 年第一季度量产上市。通过自研 ICN Switch，可实现千卡全带宽高速互联。

再往上是系统。新一代磐久超节点服务器集成 V900、ICN Switch、磐脉智能网卡与镇岳 SSD 主控芯片，实现算存网全栈协同，单一 AI 集群可扩展至 50 万卡。明年推出的灵骏真武 V900 超节点会搭载业界首发 200Pbps 通信带宽、6μs 时延的集群架构，自研 SNPO 支持全光互联与千卡 Scale-Up。

CPU 赛道同样在推进：2027 年推出倚天 720 与倚天 730，其中 730 首次采用全自研微架构，单核 SPECint 2017/GHz 性能最高可达倚天 710 的 1.4 倍；2029 年倚天 750 将通过 ICN 总线与真武芯片直接互联。至此，搭建超大规模 AI 集群所需的核心芯片已实现全面覆盖。

超节点的价值不在单卡，在于这堆线缆和交换机把 64 张卡变成一个整体。

云侧当前真正落地的是 GP9A。

灵骏真武M890 超节点实例 GP9A 已对外提供服务，是国内首个可稳定运行超 2 万亿参数大模型的超节点形态算力，目前已承载 Qwen3.8-Max 与 Kimi K3。规格方面：依托 ICN Switch 1.0 实现 64 张 M890 卡之间800GB/s 高速互联，显存池容量 9TB；在Agentic 推理场景下，最高可实现 1.5 倍性能提升。底层依托灵骏智算平台＋HPN 8.0 训推一体网络，单集群最高支持 13 万卡异构算力混布，可弹性扩展至百万卡级。该实例首批在乌兰察布开服，中卫节点尚在规划中。

阿里云自己的定调是：”从能不能用，升级为可支撑前沿大模型、可投入生产环境的算力系统。

这句话我想单独拎出来。国产算力这两年最大的争议从来不是峰值参数，而是”能不能长期稳定跑在生产环境里”。GP9A 对外服务、承载两个 2 万亿级模型，是这个争议的第一个有分量的回答。

软件层的价值可以折算为成本改善指标：新一代全栈自研 CPFS 具备百 TB/s 级吞吐、亿级 IOPS，单文件系统规模提升 5 倍至100PiB；实际训练场景中，模型启动平均耗时降低 50%，峰值算力利用率提升 30%，AI 存储成本下降 69%。推理侧，Tair KVCM 使每 Token 成本下降 50%，KVCacheStore 将首Token 响应时延下降 54%。

供给节奏分两层：本季度开始已规模化上架 AI 超节点，2026 年第四季度还将新增服务节点。存量也在扩：截至 2026 年 6 月，真武系列已服务超过 650 家企业客户；截至2026年4月，平头哥真武 AI 芯片累计出货 56 万片。

吴泳铭也没有回避约束：客户 AI 需求十分强劲，阿里云收入持续加速增长，但行业中长期需求远超供给能力，AI 数据中心相关供应链的全球性紧缺正在制约算力扩张速度。目标是到 2032 年，阿里云运营的全球数据中心规模超过 20GW。

04 为什么我说 42% 才是今天最该记的数字

回到开头。

仅基于一份真实的芯片模块规范，Qwen3.8-Max 自主运行超过 60 小时、调用 EDA 工具超过万次，完成从功能架构设计、验证到物理实现的完整流程，实现物理面积下降42%。

模型开始参与设计支撑自己运行的那块芯片。

反方向也在发生：在平头哥自研的真武 M890 上，Qwen3.8-Max”从零适配”全新的 Qwen3.8-Flash-Next，交付了一套可运行的推理栈——长文本首 Token 延迟下降47%，每输出 Token 延迟下降 60%，日常对话场景单实例吞吐提升 96%。

这就是本次大会反复提到的 “协同飞轮”：模型与 Agent 的真实需求牵引芯片与系统设计，云平台将硬件能力封装为可规模化交付的服务，模型再反向优化推理软件与芯片设计。

我的看法是：单点性能是新闻，闭环才是护城河。

50 万卡是个能被追赶的数字，3 倍是个能被下一代覆盖的数字，但”模型自己设计芯片→芯片反过来加速模型”这个循环一旦转起来，追赶者要补的就不是一颗芯片，而是一整套反馈机制。这也是为什么全球同时具备自研芯片、大模型和 AI 云全栈能力的公司，一只手数得过来。

今年云栖大会的叙事重心，明显从 “模型有多强” 转向 “能否规模化交付”。GP9A 对外服务、Q4 扩容、20GW 目标，全部是供给侧关键词。当然最值得关注的不是发布会本身，而是第四季度的开服节奏。供应链紧缺已是明牌，谁能真正落地部署节点，谁才算兑现 PPT 里的承诺。

吴泳铭在主论坛结尾留下一句话：AI 越强大，人类越强大。

三块基石铺就了这条道路的底座。而底座向来不性感，却决定大楼能盖多高。

第一天硬数字速查

50 万卡｜基于真武V900 的单一AI 集群扩展上限（芯片2027Q1 量产）

5-10T｜Qwen4.5／Qwen5 计划扩展的参数规模（路线图；Qwen4 已投入训练）20GW｜2032 年阿里云运营全球数据中心规模目标

42% Qwen3.8-Max 自主跑完芯片设计全流程实现的物理面积下降

3倍／216GB／1200GB/s｜V900 性能倍数、显存、片间互联带宽

9TB／800GB/s｜GP9A 超节点实例显存池、64 卡卡间互联

69%／50%／30%｜CPFS 带来的 AI 存储成本降、模型启动耗时降、峰值算力利用率升

33 轮／+12.5%｜RSI 零人工参与迭代轮数、Artificial Analysis 得分涨幅

650 家／56 万片｜真武系列客户数（截至 6 月）、累计出货（截至 4 月）