千问把下一代模型放上自研芯片,阿里的单位算力成本要重新算一遍

首页 / AI资讯 / AI大厂

0:00
0:00
1x
定时

11月19日的财报分析师电话会上,阿里巴巴集团CEO吴泳铭没有先讲收入,而是先把芯片的时间表摆出来:真武M890今年全面上线,2027年V900、2028年J900推进生产供应链并进入大规模量产。他随后提到一句更关键的话,千问已经在平头哥国产芯片上训练下一代模型,百炼已经基于国产芯片提供模型推理服务。对一家同时做芯片、模型和云的公司来说,这句话的分量不在"跑通了",而在"训练也搬过去了"。

三代芯片的时间表,比参数更值得看

路线写得比较清楚:真武M890今年全面上线,V900定在2027年一季度量产、二季度规模化商用,J900排在2028年。管理层给出的说法是保持一年一代的迭代节奏,每一代都围绕超级节点与高速互联做升级。

强调节奏而不是单颗芯片的峰值算力,是因为芯片生意真正比的是单位算力成本的下降速度。采购海外芯片时,这条成本曲线由供应商定价决定;自研之后,每年一代的工艺与互联改进可以直接落到每token成本上,降价的空间来自自己的工程进度,而不是别人的报价单。

吴泳铭还给了一个判断:2027年与2028年是国内算力最紧缺的两年,算力价格与毛利率可以得到支撑。紧缺年份里,自研供给的意义会被放大,因为买不到的时候,有产能本身就是一种议价能力,云厂商之间的差距会从"谁有卡"变成"谁能造卡"。

芯片自研的另一面是资本开支的节奏。先进封装与测试产线的调试周期以季度计,产线爬坡的斜率决定了当年能交付多少颗芯片。管理层把量产节点按年排开,等于承认产能是逐步释放的,而不是一次到位。

训练搬过去,比推理搬过去难得多

推理迁移本质是工程问题:算子适配、精度对齐、批次调度、吞吐调优,某一版出问题还可以切回原来的卡。训练迁移则更接近科学问题,一次预训练要连续跑几周,中途出现数值异常、通信瓶颈或集群抖动,前面烧掉的卡时就白费,模型权重也救不回来。

所以行业里的通行顺序通常是先推理、后训练。百炼先基于国产芯片提供推理服务,千问再把下一代模型的训练放上去,这个顺序符合工程常识,也说明迁移是分阶段验收的,不是一次发布会上的表态。

管理层给的节点是2027年一季度新一代芯片可以支持超大规模模型训练。这句话要正着读:眼下这一代芯片已经在训练下一代模型,而"超大规模"要等下一代芯片的产能与互联能力到位。两句话并不矛盾,一个讲当下能力,一个讲规模上限。

从工程组织看,训练迁移通常按模型规模分批推进:先在小参数模型上验证稳定性,再放大到旗舰规模。这个过程中最耗时的往往不是算法,而是排查那些只在千卡以上规模才出现的偶发错误。

供给怎么分,决定了谁能用上最好的卡

分配方案说得比较细:2027年及之后,新增AI芯片绝大部分以平头哥自研为主,同时少量采购其他国产芯片,用来满足内部部分推理需求。旗舰芯片优先保障大模型训练,供给对象包括自身业务与核心深度合作伙伴,整体遵循相对平衡的分配逻辑。

这个逻辑等于把最好的算力先留给自己的模型迭代,再谈对外供给。对云客户来说,能拿到旗舰训练卡的时间会晚于自家模型,但推理侧的多品牌采购能保证供给弹性,不至于因为某一代芯片产能不足就把服务停掉。

对毛利率的影响也藏在这里:训练卡自用,推理卡多源采购压价,云业务的成本结构和纯采购模式不一样。紧缺周期里,这种结构差异会放大成利润差异,也会影响云厂商对外报价的底气。

对外部客户而言,真正关心的不是芯片型号,而是同一份模型在不同算力上的价格差。如果自研卡能把每百万token的推理成本压到采购卡的六七成,云厂商的报价空间就会明显不同。

现金流转正与一千亿美元,两个时间点要对得上

管理层提到,随着以平头哥为核心的算力供应链在2027年、2028年持续放量,公司目标是在2028年下半年实现现金流转正。另一边,2031财年云外部收入1000亿美元、利润率超过20%的目标保持不变。

两个数字放在一起,路径是清楚的:前期靠资本开支堆产能,现金流为负;产能放量后单位成本下降,现金流回正;再往后靠规模把利润率抬到20%以上。这是一条重资产路线,赚的是规模效应,熬的是产能爬坡。

变量不在模型侧,而在良率与交付。一年一代的承诺如果掉一拍,现金流转正的时间表就要往后挪,收入目标也只能用价格换量。芯片行业的经验是,设计能力决定上限,制造与封装的稳定性决定能不能按时兑现。

现金流的口径也要留意。转正说的是经营性现金流,不等于盈利;重资产投入的折旧会在之后几年持续计入成本,利润表的好看程度会晚于现金流表。

协同的真实收益,是研发节奏不再看出口清单

被问到出口管制会不会拖累通义千问时,吴泳铭的回应是短期有影响、影响可控,理由是2027年一季度自研芯片可以完全支撑超大规模模型训练,之后绝大多数模型的预训练与后训练都会依托国产芯片完成。

对做模型的人来说,这比跑分更重要。模型迭代能不能按计划排期,取决于算力到货时间;数据配比、训练轮次、后训练强度这些决定模型性格的选择,都需要在确定的算力预算下做,否则只能一边等卡一边改方案。

代价是软硬协同的工作量:编译器、通信库、算子库都要跟着芯片走,模型结构也要考虑硬件的存储层次与互联带宽。这部分工作不会出现在发布会上,却决定了"国产芯片训练"是一次演示,还是能长期跑下去的常态。

还有一个隐性变量是生态。自研芯片要留住外部开发者,框架、算子库、调试工具都要跟上;否则模型团队愿意用,做应用的人未必愿意迁移,最后算力只能内部消化。

素材来源:新京报、每日经济新闻、腾讯新闻 发布时间:2026-11-21