一边向技术最前沿探索AGI的能力上限，一边向产业最深处推动AI真正落地，这套从生产Token到输送Token、再到消费Token的完整链路，正在让阿里越来越接近一座“前沿智能工厂”。

作者|斗斗

编辑|皮爷

出品|产业家

2026年8月20日晚，阿里发布了最新一季度的财务业绩。

阿里云外部商业化收入增速提升至45%，创下22个季度以来的新高；AI云及算力服务收入484.37亿元，经调整EBITA为56.28亿元，同比暴增133%，利润率升至12%。其中，AI相关产品收入更是连续第12个季度实现三位数同比增长，该季度已达到123.76亿元，成为其财报最为亮眼的一笔。

在财报电话会上，阿里方面强调：“AI已成为阿里云加速增长的核心引擎，阿里将以全栈AI驱动长期增长。”

这意味着，AI对阿里的意义，已经从未来押注进入现实兑现。一个值得追问的问题是，这套增长逻辑究竟是如何建立起来的？

过去，行业习惯于用“单点突破”的尺度去衡量大模型，似乎只要某家公司有一款旗舰LLM在评测榜单上拿到第一，就能理所当然地赢得商业下半场。然而，真实的产业逻辑极其残酷，单靠某款模型，很难在商业端撬动庞大的云计算资源消耗，更支撑不起百亿、千亿级别的AI收入暴增。

顺着阿里123.76亿元AI收入的底层来源拆解就会发现，真正支撑其商业兑现的，绝非某款单一模态的明星模型，而是一套从底层算力、通用大模型到终端场景应用的全流程闭环。涵盖大语言、图像生成、视频生成、语音、音乐乃至世界模型在内的全模态“模型团战”，正以多维协同的“组合拳”打破单一场景的局限。各模态能力在统一底座下交叉融合，不仅为千行百业提供了“乐高式”的灵活调用方案，更将庞大的技术势能无缝转化为实打实的产业生产力。

这种“模型团战”阵仗，表面上看是一次技术实力的集中展示，但本质上是阿里对供给侧与商业闭环的重新定义。其正以“全模态矩阵—开源生态引力—智能工厂重构”的价值链条，打响了大模型下半场竞争的第一枪。

一、阿里交出“一群SOTA模型”

一个事实是，随着AI深入千行百业，供给侧能力与真实产业需求之间的错位开始暴露。

单一模态模型，已经越来越难独立承接真实世界里的复杂任务。

要知道，无论是智能座舱里的多模态交互、电商场景下的自动化营销文案与高保真视频生成，还是具身智能机器人对物理世界的感知与行动决策，任何一个真实的商业场景，本质上都是多种模态能力交织的复合体。

在以往“单点突破”的供给模式下，企业客户如果想构建一个复合型应用，就不得不像搭积木一样，将A公司的文本、B公司的语音、C公司的视频工具强行拼凑在一起。这种异构组合不仅带来了极高的API调用延时和工程适配成本，还可能让语义在不同模型之间反复传递时产生偏差，并在复杂工作流中被逐层放大。

此外，单一文本模型的同质化竞争极其严重，极易陷入低价消耗战。

阿里选择模型矩阵，本质上就是在回应这两个问题。

8月3日发布的Qwen3.8-Max，总参数量达到2.4万亿，重点强化Coding和Cowork能力。模型发布几天后，阿里Qwen3.8-Max在智能体能力（Agentic Index）排行榜中就以55.4分夺下Artificial Analysis的智能体能力排行榜冠军，超越Claude Opus5、GPT5.6，位列全球第一在大语言模型之外，模型能力也在迅速向其他模态扩张。

比如，图像模型Qwen-Image-3.0能够接受最长4.5K Token输入，一次生成包含公式、几何图形、逻辑推导、复杂UI等内容，同时支持12种语言和20多款字体原生渲染。这意味着图像模型已经不只是“画一张好看的图”，而是在向真正可用的商业素材生产工具靠近。也正是在复杂内容生成和文字渲染能力的支撑下，Qwen-Image-3.0在Arena文生图榜单中拿到了国内第一的排名。

语音也是类似的路径。

Fun-ASR-Realtime首字延迟已经压到百毫秒级，支持16种方言和30种语言；Qwen-Audio-3.0-Realtime进一步加入Agent工具调用、共情对话与双工交互；ASR-Flash则开始解决专业词、行业词和复杂上下文中的识别问题。随着实时交互、识别和生成能力逐步补齐，Qwen-Audio的ASR、TTS、Realtime三类模型也分别在Artificial Analysis相关榜单中位列第一，形成了一套相对完整的语音能力矩阵。

到了视频端，Wan3.0单次可以生成30秒视频，并把输入范围从文字、图片、音频、视频扩展到doc、xls、ppt、pdf、md等文档格式。一个PPT、一份方案甚至一张表格，都可以直接成为视频生成的上下文。更复杂的输入与编辑能力，也让Wan3.0在Artificial Analysis的相关生成与编辑榜单中进入全球第一梯队。

总的来说，阿里正在尝试把语言、视觉、声音、视频等多个模态的SOTA模型，放进同一套技术供给体系中，由此形成一种在中国乃至全球范围内都相对稀缺的系统性供给能力。

从单点SOTA到一群SOTA，变化的不只是数量。当模型从一个更聪明的工具变成一套能覆盖完整业务链路的能力集，其在客户决策里的位置也将从可替换的组件，变成了难以拆解的底座。

二、开源引爆全球Qwen接入潮背后：成型的“生态-商业”闭环

而当大模型底座足够全面、足够强之后，竞争的下一步，也就不再只是模型能力本身，而是如何让这些能力被更多开发者和企业真正用起来，并进一步沉淀为产业生态中的长期绑定。

开源，正是阿里撬动这一过程的重要抓手。

8月12日晚，旗舰模型Qwen3.8-Max正式开源；8月14日晚，阿里又开源了Qwen3.8-27B，所有开发者、科研机构和企业均可自由下载、部署和使用。

值得注意的是，全新开源的Qwen3.8-27B，系原生多模态稠密（Dense）模型，参数规模虽仅270亿，但整体水平超越了Qwen3.7-Plus。

这种高性价比，使得其在编程及办公的真实场景中表现出色，逐渐成为本地部署的主力模型。也因此，开源仅两天，其下载量便超过100万次，并登上Hugging Face全球大模型趋势榜。围绕这一款模型，社区很快产生超过500个量化版本，相关模型总下载量超过500万次。

Hugging Face最新报告表示，阿里Qwen已成为全球开源社区的基座模型。数据显示，今年前七个月仅在Hugging Face，Qwen下载量就达20.45亿次，衍生模型突破15万个，并仍以每天约200个的速度新增。

当一个能力足够强、部署成本又足够低的模型被大量开发者和企业采用，围绕它进行适配，便逐渐成为上下游厂商争夺用户和场景的现实需求。

开源狂潮下，直接引发了全球AI产业链极其高效的自发响应。从芯片到推理框架再到Agent工具，整条产业链几乎同步开始适配。平头哥、英伟达、AMD、沐曦、联发科、摩尔线程等芯片厂商进行Day0适配；vLLM、SGLang、TokenSpeed、Ollama、UnSloth、LMStudio等开源社区迅速优化推理框架和量化模型；Kilo、Cline、Hermes等海外AI编程与智能体工具，也快速完成接入。

而当越来越多企业和开发者基于Qwen构建Agent与商业应用，开源带来的价值也将进一步向基础设施层传导。直接转化为对阿里云基础设施的硬性消耗，以及对云端API Token的高频调用。

这不难理解。

模型虽免费开源，但模型的训练、微调、部署和持续推理都需要真实的计算资源。一个Agent每运行一次，都要调用算力、存储和网络；当应用从测试环境进入大规模商用，调用频次和并发量进一步上升，对云端基础设施的消耗就会像雪球一样越滚越大。由此，Qwen越深入产业，围绕其产生的算力、存储、网络以及云端API Token需求也就越大。

更重要的是，这种消耗正在从单一文本Token向多模态Token扩张。

随着图像、视频、实时语音等模型逐渐成熟，企业使用AI的方式也开始变化。过去，一个应用可能只调用文本模型生成几段文字；现在，一条完整的营销链路可能同时需要大模型理解商品信息、图像模型生成海报、视频模型制作短片，再由语音模型完成交互。模型矩阵越完整，单个业务流程中可被调用的AI能力越多，Token消耗的维度和频次也随之上升。

与此同时，阿里还在主动扩大这些Token的应用出口。企业端，千问办公开始覆盖桌面端Agent、云端Agent和企业协同Agent；消费端，千问App已经深度接入淘宝天猫、淘宝闪购等业务。应用入口越多，意味着模型在持续运行，由此进一步带动计算、存储、网络等云资源的消耗，雪球也势必将越滚越大。

走到这里，开源、模型与云之间的关系就形成了一条完整链路，即Qwen通过开源获得全球开发者和产业链生态，生态推动模型进入更多真实应用；应用规模扩大，又持续产生算力与Token消费；最终，这些需求沉淀为阿里云的商业收入。

开篇财报中阿里云外部收入45%的强劲增长与EBITA 133%的暴增，恰也直接印证了“开源基座获得生态流量-流量转化为云算力与Token消费-实现高质量商业变现”这一商业逻辑的成功。

三、一座“前沿智能工厂”背后，重估阿里

如果说模型矩阵解决的是供给够不够强的问题，那么开源解决的，则是这些能力如何被更广泛地使用，并最终沉淀成长期商业优势的问题。

一个疑问是，为什么是阿里？其能够持续产出一群SOTA模型、支撑庞大生态运转的根本能力究竟来自哪里？

答案来自阿里在底层组织架构与AI基础设施上的深度重构。

早在今年3月16日，阿里成立了由集团CEO吴泳铭直接负责的Alibaba Token Hub（ATH）事业群。这次变阵标志着阿里底层管理逻辑的根本切换，即从互联网时代按“产品线”组织、围着流量、DAU和GMV各自为战，切换到AI时代的“Token逻辑”。

ATH因此提出了三个非常直接的目标，那就是以创造Token、输送Token、应用Token。前沿模型研发负责提升Token的质量，MaaS与云基础设施负责将Token规模化输送出去，千问办公等应用则负责真正消费Token。过去相对分散的模型、云与应用，由此被重新串进一条链路。

要持续制造更高质量、更低成本的Token，仅有模型团队远远不够，随之而来的是底层基础设施的升级。

在硬件层，平头哥已经构建起覆盖GPU、CPU、存储和网络芯片的全栈自研体系。其真武AI芯片已经在自动驾驶、互联网、金融等20多个行业、超过650家外部客户中实现规模化应用，覆盖从训练、微调到推理的不同AI工作负载。换句话说，阿里正在把模型生产所需要的算力底座，进一步向芯片和系统级优化延伸。

但芯片只解决“算得动”，算力能否快速、低成本扩张，才是决定AI体系的上限。

因此，在数据中心层面，阿里云又推出了新一代CUBE5.0架构，将供电、冷却、智能化等系统的整体模块化率从30%提升至90%。这一技术突破，将大型AIDC数据中心的交付工期缩短至仅100天，而国内传统建设周期通常需要6-12个月，美国则需要12-18个月。

目前，阿里云全球基础设施已覆盖30个地域、104个可用区，并计划将模块化数据中心的全球产能提升两倍以上。

也正是在这套底座之上，上文中的疑问逐渐清晰。

阿里依托研发基础设施与数据飞轮，持续向前沿AGI探索，批量制造质量更高、推理能力更强、多模态理解更精准，同时单位成本更低的顶级Token；再依托遍布全球的算力节点与云网络，像电网输送电能、自来水网输送水源一样，将这些Token稳定、高速地输送到金融、制造、零售、汽车、办公等真实产业场景。

当“生产”和“运输”被放进同一个体系，阿里的角色也随之发生变化。一边向技术最前沿探索AGI的能力上限，一边向产业最深处推动AI真正落地，这套从生产Token到输送Token、再到消费Token的完整链路，正在让阿里越来越接近一座“前沿智能工厂”。

实际上，这也正彻底改变着外界对阿里的估值逻辑。

资本市场过去对阿里的评估，往往局限于传统电商业务的GMV增速，抑或是云计算业务传统的P/S倍数。然而，当阿里将芯片、训练基础设施、数据飞轮、开源生态与云商业化彻底熔铸成一个自我强化的“前沿智能工厂”时，其所展现出的，已经是一个在AI时代具备极高壁垒与能力的新型基础设施巨头。

新故事虽然刚刚开始，但闭环已成的阿里，正大步迈入属于它的下一个黄金周期。