阿里巴巴集团CEO吴泳铭：机器正在成为思考的主力，智能正在成为一种规模化的商品，未来机器思考总量将达到人类的1000倍以上
读完吴泳铭在2026年云栖大会上的演讲，我最关注的是一个变化：当思考能够被规模化生产，很多事情的可行性和商业逻辑都要重新计算。
这篇演讲有一条完整的推理链：机器智能扩张智力供给，复杂任务放大智力需求，新产品随之出现，而阿里选择投入支撑这一切的模型、芯片和云。
用人的能力衡量AI，会低估它的用途
吴泳铭用工业革命作类比。机器动力最初承担抽水、织布、搬运，后来支撑起火车、飞机和火箭。它的价值早已超出替代体力劳动。
今天，我们习惯用编程、写报告等人类已有的工作评价AI。这些用途容易理解，也容易衡量，但可能只是机器智能的早期形态。
我认同这里的判断：如果始终围绕“AI能替代哪个岗位”思考，就容易漏掉更大的问题——当一种过去稀缺的能力变得充沛，人类会开始做哪些过去根本做不了的事？
智力供给扩大，会改变哪些问题值得解决
顶级专业能力的供给一直很慢。培养科学家和专家需要多年，有限的研究资源还要在不同问题之间分配。
演讲以罕见病研究为例：患者很少，研发周期长、投入大，商业回报难以支持充分研究。问题真实存在，却未必能得到足够的智力投入。
吴泳铭设想，当AI达到专业研究所需的能力，且算力足够便宜，一个细分领域就可能组织大量Agent持续研究、模拟和验证。
我看重的是这种变化对资源分配的影响。过去被成本挡住的问题，未来可能进入可解决的范围。但这里有明确前提：模型必须具备相应能力，研究结果必须能够验证。Agent数量增加，本身并不等于有效成果增加。
需求的增长，来自一个目标背后的大量任务
供给之外，演讲还提出了需求端的变化。
一个人提出“造一艘去火星的飞船”，背后可能展开成海量子任务，由大量Agent持续协作。人给出的目标很短，完成目标需要的思考却可能极其庞大。
这意味着，机器思考的消费量，不必与使用者人数同步增长。任务越复杂、探索越深入、验证越充分，一个人能够调动的智力资源就越多。
吴泳铭据此预测，未来机器思考总量将超过人类的1000倍。他还在演讲中估计，今天这一比例不到3%。这些数字应当作为他的预测和估计来理解，演讲没有给出统一的“思考总量”计量方法。
对我而言，更有价值的方向判断是：AI需求的上限，可能远远超出今天按人数、岗位和办公时长做出的估算。
代表性产品尚未出现，现有工作只是起点
吴泳铭把今天的AI Coding比作电力时代早期的电灯。电最初用于照明，后来才逐步支撑起家电和计算机。
沿着这个类比，编程和办公可以率先形成市场，却未必代表机器智能最终的产品形态。真正具有时代意义的产品，可能要等智力供给更充足、成本更低、能力更稳定之后才会出现。
我从中得到的提醒是：提高现有工作的效率，能够验证眼前价值；发现过去无法成立的新需求，才能打开更大的空间。
这也解释了阿里的战略选择。应用形态尚不清晰时，先建设各种应用都需要的基础设施，是它对未来下注的方式。
模型、芯片和云，构成阿里的完整投入方向
模型负责提高能力上限。吴泳铭介绍，Qwen团队正在探索递归式自我改进（RSI）：让模型从真实任务反馈中发现短板，再设计实验、构建数据、评价结果，推动自身迭代。团队计划训练5—10万亿参数规模的新模型，面向更复杂、更长程的任务。
另一条模型路线是理解与生成一体化的多模态能力。演讲强调，AI需要通过声音、图像等方式理解人的意图和情绪，让人能够自然交流。我认为，这关系到AI能否从专业工具走向日常使用：能力再强，也需要让人容易表达目标。
芯片负责扩大供给、提高效率。按演讲介绍，平头哥已布局GPU、CPU、智能网卡和互联芯片，并对芯片、服务器、网络、模型及推理系统进行联合优化。吴泳铭宣布的新一代真武V900，性能达到M890的3倍，基于它构建的单一集群可扩展至50万卡。这些是阿里在此次演讲中披露的产品指标。
云负责让这些能力持续可用。模型训练与推理、Agent长期执行任务，以及AI开发的软件，都会形成新的云上负载。阿里的目标是，到2032年，阿里云运营的全球数据中心规模超过20GW；演讲同时指出，全球供应链紧缺正在限制算力扩张速度。
端侧也在布局之中：阿里将继续优化适合本地部署的模型，并发布面向移动设备合作伙伴的Qwen Intelligence。
我的理解是，阿里希望把模型能力、算力生产和云上交付连成一个整体。最终需要检验的，是这些投入能否持续转化为更便宜、更可靠、能够完成复杂任务的智能服务。
人的空间，取决于如何使用释放出来的能力
演讲最后回到人。吴泳铭借体育、绘画和音乐的发展说明，机器承担更多工作之后，人类仍会创造新的活动和价值。
我愿意接受这个方向，但释放出来的时间并不会自动变成创造力。企业和个人仍然需要决定：哪些任务交给机器，哪些问题值得投入，什么结果才有意义。
当执行和探索能够调用越来越多的机器智能，人的判断也会产生更大的影响。一个值得追求的目标，可能调动过去难以想象的资源；一个错误的目标，同样可能被高效执行。
因此，我更关注的是：当思考变得充沛，我们能否提出更值得解决的问题，并对结果保持判断。