1. 首頁 > 生活百科 > >

邁向超級人工智能之路

微信小程序

邁向超級人工智能之路

文章圖片

邁向超級人工智能之路

文章圖片


此刻的Agent ， 未來的ASI：阿里云的全棧路徑
工業革命把蒸汽機接入生產線 ， 放大了人類的體力；信息革命讓計算機走進工廠和辦公室 ， 放大了人類處理信息的能力 。 阿里巴巴集團CEO吳泳銘在2025年云棲大會上判斷 ， AI將是新一次躍遷的起點 ， 它會放大人類的智力 ， 并最終走向能夠自我進化的超級人工智能（ASI） 。
“通用人工智能（AGI：Artificial General Intelligence）并非AI發展的終點 ， 而是全新的起點 。 AI不會止步于AGI ， 它將邁向超越人類、能夠自我迭代進化的超級人工智能（ASI：Artificial Superintelligence） 。 ”吳泳銘在主題演講中說道 。
這個判斷并不遙遠 ， 在一些企業的日常運營里 ， 越來越多Agent替代人工比對、人工處理的環節 ， 讓重復勞動被自動化 ， 讓復雜流程變得更快、更精準 。 Agent是能讓大模型真正落地產業 ， 釋放實際價值的方式之一 。
今年5月 ， 普華永道調研了全球300名高管 ， 結果顯示 ， 79%的受訪公司已經在某些業務中應用AI Agent；其中66%表示生產力提升 ， 57%看到了成本下降 ， 55%感受到決策效率加快 ， 54%提升了客戶體驗 。
也因此 ， 在今年幾乎所有科技巨頭的發布會里 ， Agent都是高頻詞 。 從OpenAI推出能在ChatGPT內直接執行任務的Agent Mode ， 到微軟用Copilot打造“Agentic Web” ， 再到谷歌最新發布的Jules Agent ， 還有字節跳動的Coze、百度的全平臺智能Agent ， 幾乎沒有一家互聯網大公司缺席 。
阿里云百煉Agent開發平臺的定位也與阿里對ASI的判斷有關 ， 它并不是一個面向C端、蹭熱度、炒概念的體驗型應用 ， 而是能讓企業便捷、有效搭建企業AI Agent的土壤 ， 將企業做智能體所需的全部環節——從模型調用、框架搭建 ， 到資源調度、合規運維——都系統化打包在了一起 。
更背后的支撐 ， 是一條完整的產業鏈路：從通義系列基礎模型 ， 到百煉企業級開發平臺 ， 再到算力、存儲、數據庫等底層基礎設施 。 它不僅讓企業今天的Agent能夠真正跑起來 ， 也在為未來邁向超級人工智能奠定基礎 。
未來的宏大目標與當下的具體應用 ， 貫穿在一起 ， 這也是阿里云一直以來的風格——既能解決今天的痛點 ， 也能押注下一輪智能化躍遷 。
01 有好基礎 ， 才能讓Agent真正長出來在剛剛閉幕的云棲大會上 ， 吳泳銘宣布 ， 阿里云正式升級為“全棧人工智能服務商” ， 發起一場面向未來計算范式的總攻 。 他提出 ， 大模型是新的操作系統 ， 超級AI云是新的計算機 ， 未來世界 ， 將由不多的幾個“超級AI平臺”共同支撐 。
圍繞這一判斷 ， 阿里云的戰略始終未變：過去、現在、未來都在建設基礎設施、打磨底座模型上不遺余力 ， 未來也會繼續在這兩個方向加大投入 。 這不僅是阿里云邁入下一階段的底氣 ， 也是企業客戶獲得長期價值的根本保障 。
穩固的基礎設施和強大的基座模型 ， 可以讓Agent真正落到業務場景 。

很多人談Agent ， 容易把目光放在前端的交互體驗上 。 但企業真正的判斷標準往往更現實：這個平臺是不是足夠穩？能不能支撐大規模調用？能不能和已有系統順暢銜接？只有當底層的infra和基礎模型夠強 ， Agent平臺才算真正好用 。
基礎模型的強弱幾乎決定了它能站上的梯隊 。 阿里自研的通義千問系列 ， 在中文理解、工具調用、多模態任務上的能力 ， 已經讓它成為國內乃至全球極具競爭力的開源體系之一 。 在國內外多個權威評測中 ， Qwen模型已經在中文綜合能力、數學與推理任務、代碼生成等維度取得全球前列的成績 。 例如在MMLU、CMMLU、AGIEval等基準測試上 ， Qwen的最新版本多次超過GPT-4-turbo、Claude 3 Sonnet等國際強勁對手 。
在本次云棲大會上 ， 阿里云一口氣更新了6個模型 ， 發布了一個新的品牌：萬億參數、Coding與工具調用能力登頂國際榜單的Qwen3-MAX ， 其在推理、代碼和視覺上都對標國際一線水準 ， 同時Qwen-Plus、Qwen-Flash等衍生版本覆蓋了從輕量推理到重度生成的全場景需求；新一代原生全模態大模型Qwen3-Omni；看懂、理解并響應世界的Qwen3-VL；能“改字不崩臉、換裝不走樣”的圖像模型Qwen-Image；TerminalBench分數大幅提升的Qwen3-Coder；音畫同步視頻生成的Wan2.5-Preview；以及企業級語音基座大模型通義百聆 。
模型的更新展示了智能的“上限” ， 而要讓這些能力真正落地 ， 離不開算力、存儲和調度系統的托底 。
大規模彈性 ， 是行業里對AI平臺的第一要求 。 Agent在真實業務里 ， 流量波動常常是不可預測的：可能今天還是幾百個調用 ， 明天就有可能擴展到幾十萬 。 沒有彈性 ， 企業要么因為算力不足停擺 ， 要么被迫長期囤積資源 ， 增加巨額成本 。 阿里云給出的解法是ACS GPU 的 serverless彈性架構 ， 企業能在秒級拉起百億參數模型實例 ， 并結合容器服務ACK實現跨集群、跨地域的調度 ， 再配合vLLM、KServe等推理引擎 ， 大幅降低冷啟動時延 ， 讓算力真正像“水電”一樣隨用隨取 。
高可用與穩定性 ， 是企業敢不敢把Agent放進核心流程的前提 。 一個風控出錯 ， 或者一次停機 ， 可能會造成巨額損失 。 阿里云依托對象存儲OSS ， 在千億級數據量下依然保持低成本和高并發的存儲與檢索能力；在計算層面 ， 通過自動隔離故障節點與分鐘級自愈能力 ， 保障計算任務持續穩定運行；在數據庫層面 ， 云原生數據庫PolarDB等產品為金融級場景提供實時可靠的支撐 。 這些底層保障 ， 讓萬億參數的MoE模型也能長期、穩定地在阿里云環境中運行 。
長短期記憶與檢索 ， 則是智能體能否進化的關鍵 。 業界普遍認識到 ， 如果Agent只能“一問一答” ， 而不能記住過去的對話和文檔 ， 它就無法形成真正的生產力 。 阿里云在體系里加入了Tablestore和Lindorm：前者承載短期會話與長期知識庫 ， 后者支撐多模數據的統一管理與檢索 ， 幫助企業把SOP、合同、業務知識沉淀下來 ， 讓Agent能在連續任務中調用過往經驗 ， 逐步形成真實的“組織記憶” 。
推理優化與加速 ， 則是決定Agent能否“算得清賬”的核心 。 企業普遍關心的問題是：推理要多久？成本能不能承受？阿里云 人工智能平臺PAI 在 MoE、DiT、強化學習等架構上推出專門引擎：paiMoE 提升 Qwen3 訓練加速比 3 倍；paiFuser 在視頻生成任務中縮短了近三成的樣本處理時間；PAI-RL 實現了多輪強化學習優化；而推理服務 PAI-EAS 顯著降低冷啟動和擴容時延 ， 吞吐率提升超過 70% 。 這意味著 Agent 不僅能更快上線 ， 還能以更低成本支撐大規模用戶交互 。
整體來看 ， 阿里云基礎設施的四個特點是：大規模彈性、高可用與穩定性、長短期記憶與檢索 ， 以及推理優化與加速 。 這些關鍵詞也在過去一年的阿里云飛天發布時刻欄目中被反復提及 ， 它們覆蓋了企業最關心的“能不能擴展”“敢不敢依賴”“會不會遺忘”“算不算得清”的問題 。

02 讓AI Agent從企業業務土壤中長出來在這次云棲大會上 ， 吳泳銘解釋了通往 ASI 的三階段演進路線：第一階段 ， “智能涌現” ， AI 通過學習海量人類知識具備泛化智能；第二階段 ， “自主行動” ， AI 掌握工具使用和編程能力以 “輔助人” ， 這是行業當前所處的階段；第三階段 ， “自我迭代” ， AI 通過連接物理世界并實現自學習 ， 最終實現 “超越人” 。
吳泳銘還提到 ， 我們當下所處的 ， 就是第二階段 ， “現在的 Agent 還比較早期 ， 解決的主要是標準化和短周期的任務……未來 ， 也許會有超過全球人口數量的 Agent 和機器人與人類一起工作 ， 對真實世界產生巨大影響 。 在這個過程中 ， AI 就能連接真實世界的絕大部分場景和數據 ， 為未來的進化創造條件 。 ”
從“智能涌現”到“自主行動” ， 再到未來的 “自我迭代” ， 大模型的任務邊界正在不斷擴大 。 阿里云的基礎設施升級 ， 正是為了讓企業在面對越來越復雜的推理和規劃任務時 ， 能夠有穩定、可控、性價比可接受的運行環境 。
國內許多廠商已然開始了自己的嘗試 ， 但相較于“依附式”的延伸 ， Agent真正要嵌入復雜的企業流程時 ， 往往會遭遇門檻高、集成難、成本難控的問題 。 阿里云百煉選擇了另一條路徑：從底層搭建出完整的體系 ， 把模型、開發框架和企業運維需求連成一體 。
【邁向超級人工智能之路】為了解決這些問題 ， 阿里云提出了“1+2+7”企業級 Agent 體系：一套模型服務、兩種開發模式、七大關鍵能力 。
在阿里云百煉的“1+2+7”體系里 ， “2”代表兩種開發模式 。 低代碼的 ADP ， 讓企業能像拼裝樂高一樣快速驗證原型 ， 把想法迅速落到具體場景；高代碼的 ADK ， 則開放底層接口 ， 支持復雜業務的深度定制和大規模部署 。
但在行業內 ， 這樣雙軌并行的設計并不多見 。 很多廠商要么只強調“低代碼” ， 側重易用性 ， 但企業很快會遇到難以擴展的天花板；要么只提供“高代碼” ， 門檻太高 ， 需要企業投入大量開發資源 ， 周期和成本都難以接受 。
而百煉允許企業“分階段上車”：早期可以用 ADP 快速試錯 ， 找到有效的應用場景；一旦驗證有效 ， 就能無縫切換到 ADK ， 支撐深度定制和規模化運行 。
這樣既降低了前期的探索成本 ， 又避免了“重構”或“二次開發”的重復投入 ， 保證了業務連續性 。 對那些本身缺乏強大研發團隊的傳統企業而言 ， 這種雙軌架構尤其友好——他們既能像互聯網公司一樣快速試驗 ， 又能在規?；A段享受到成熟平臺的穩定性和擴展性 。
為了讓這些 Agent 真正“跑起來” ， 百煉進一步補齊了記憶管理、工具連接、安全沙箱、日志追蹤與評測、動態推理、支付與交易入口、文件與數據管理七大關鍵能力 ， 這些看似只是單純的技術點 ， 其實正對企業落地時的“卡點”：從測試到運維 ， 從集成到閉環 ， 企業不用再東拼西湊了 。
“阿里云提供一站式模型服務平臺百煉 ， 支持模型定制化以及 Agent 快速開發 ， 同時提供 AgentBay 這樣的 Agent 運行環境、靈碼 /Qoder 等一系列開發者套件 ， 讓開發者可以方便地使用模型能力和創建使用 Agent 。 ”吳泳銘在云棲大會上介紹 。
而阿里云百煉的價值 ， 目前也已經在一些企業里顯現 。
在金融領域 ， 網商銀行用阿里云百煉接管風控流程 ， 26 種憑證和 400 多類細粒度物體可被自動識別 ， 準確率超過 95% ， 任務處理時間從 3 小時縮短到 5 分鐘 ， 流轉效率提升 50%~300% 。 招聘平臺魚泡網則通過 10 多個數據處理 Agent ， 把上百萬條職位和簡歷信息自動清洗 ， 人崗匹配效率提高 80%；而智能學習機“聽力熊”在百煉上衍生出 50 多種交互技能 ， 覆蓋百萬青少年用戶 ， 日均交互量居同類產品首位 。
截至目前 ， 已有超 20 萬開發者在阿里云百煉平臺上構建了超過 80 萬個 Agent ， 模型調用量同比增長超 15 倍 。 Agent 的價值在具體業務里被不斷驗證 。

這些成果背后 ， 是阿里云的選擇——用一條更扎實的方式 ， 去打造企業開發 AI Agent 的土壤 ， 讓不同的企業、開發者和場景都能在其上長出可見的價值 。
今天的落地成效 ， 需要放到過往的長期積累里去理解：根據調研機構Omdia報告 ， 阿里云已經連續多年在國內云計算+AI 市場份額排名第一 ， 2025年上半年 ， 其商業體量超過第二到第四名的總和 。 這意味著它不只是在技術層面有領先優勢 ， 更在規模和客戶信任度上建立了行業門檻 。 十萬級企業客戶在阿里云上運行業務 ， 讓它成為國內最被驗證的 AI+ 云平臺 。
而阿里云百煉今天呈現出來的能力 ， 其實也是阿里云過去幾年在 AI 與云計算結合上的長線布局 ， 如今開始顯形 。
03 全球領先的全棧人工智能服務商如果說大模型解決了“智能從何而來”的問題 ， 那么 Agent 則代表著 AI 真正進入商業世界的下一個階段 。 它不再停留在生成文本、圖片、視頻的層面 ， 而是具備了感知、理解、執行與反饋的能力 ， 能夠在真實場景里承擔任務 ， 創造價值 。 對企業而言 ， Agent 已經變成了能直接嵌入流程、推動增長的生產力工具 。
正如吳泳銘所說：“一切才剛剛開始 。 AI 將重構整個基礎設施、軟件和應用體系 ， 成為真實世界的核心驅動力 ， 掀起新一輪智能化革命 。 ”
在這條路徑上 ， 阿里云的布局清晰而完整：模型提供智能 ， 百煉降低開發門檻 ， 基礎設施保障大規模落地 。 通義千問系列模型在多個權威評測中躋身全球第一梯隊 ， 為 Agent 提供了底層的推理和決策能力；百煉平臺把復雜的開發過程拆解為可復用的模塊 ， 企業既可以通過低代碼快速搭建 ， 也能用高代碼深度定制；基礎設施則解決了規?；\行的難題 ， 從算力、存儲到推理加速 ， 覆蓋了 Agent 從訓練到部署的全鏈路需求 。
“模型—平臺—基礎設施”的組合 ， 構成了一套完整的閉環 ， 讓 AI 不僅能“做出來” ， 更能“跑得起來” 。 對于企業來說 ， 它意味著更低的試錯成本和更快的落地周期；對于整個行業來說 ， 它意味著 AI 真正進入了可以批量創造財富的階段 。
由此 ， 阿里云的“全球領先的全棧人工智能服務商”的角色也更加明確 。

更重要的是 ， 這不僅是阿里云的戰略選擇 ， 也關乎中國在全球 AI 競爭中的位置 。 Agent 被認為是繼大模型之后的新一輪產業高地 ， 誰能率先把它真正落地 ， 誰就能在未來的產業版圖中掌握更多主動權 。 阿里云通過全棧能力的體系化建設 ， 讓中國的企業不必完全依賴海外方案 ， 就能在本土完成從研發到應用的閉環 。
這種能力 ， 既是企業確定性的基石 ， 也是國家在全球科技競爭中不可或缺的底氣 。

    推薦閱讀