智能成为“商品”之后：读吴泳铭 2026 云栖演讲的六个取舍

基于 2026 年 9 月 22 日云栖大会演讲的文字整理稿

吴泳铭在这次云栖大会上的主线很清晰：机器正在成为思考的主力，智能正在变成可以规模化供给的商品，阿里要同时押注模型、芯片和云三层基础设施。演讲信息量大，数字也多，容易让人要么跟着兴奋，要么直接划走。

我想换个读法：把它拆成六个观点，说清楚值得接受的部分，以及需要保留的部分。需要先说明，本文依据的是一份演讲视频，其中夹有转述性的叙述，所有数字请以官方发布为准。

演讲用工业革命作类比：机械动力让体力变成可以廉价输送的公共资源，AI 则让顶级思考能力变成同样的东西。这个视角的价值在于把注意力从"模型多聪明"转到"单位智能多少钱、能供给多少"，这确实是企业和开发者做决策时该看的曲线。

取：把智能当作有成本曲线的生产资料来规划，而不是当成一次性的"功能升级"。

舍：电力是同质的，一度电就是一度电；思考不是。输出的质量、可验证性和责任归属都很难标准化，所以"商品化"目前更适合用在可检验的任务上，比如代码、检索、报表，而不是所有判断。

整理稿里提到，机器思考量目前不到人类的 3%，未来会超过 1000 倍，承担 99.9% 的思考工作。这些数字很抓耳，但有一个根本问题："思考总量"怎么度量？按 token、按任务数、还是按等价的人类工时？没有口径，数字就只是修辞。

取：机器参与的认知工作占比会持续上升，这个判断与当前趋势一致。

舍：不要把这些比例引用成事实，也不要据此推算岗位或市场规模。写方案时，请用你自己能测量的指标，如任务完成率、人工介入率、单任务成本。

演讲认为，AI Coding、智能助手这些应用只是用电灯替代煤油灯，真正重塑生活的"空调、冰箱"级产品还没出现。这个类比提醒我们，通用技术的红利往往来自全新的产品形态，而不是旧流程的提效。

取：别把"替代现有工作流"当作终点，多问一句：智能便宜千倍以后，哪些以前不可能的产品会成立。

舍："杀手级产品还没来"也可以用来为任何尚未回本的投入辩护。电力普及历史上花了几十年，投资人和团队等得起的时间窗口，与技术成熟的节奏未必一致。

在模型层，通义千问团队的方向是让模型在与环境的交互中自己发现短板、设计实验、合成数据并评估结果，减少对人类标注和反馈的依赖。同时规划 5T 到 10T 参数的新一代模型。

我认为这里最值得琢磨的不是参数，而是"自我评估"。自我改进只有在评估信号可靠时才成立；一旦评估器可被钻空子，模型会很高效地优化错误目标。这与我在上一篇关于"启发式学习"的文章中的结论相通：反馈要能自动化，旧能力要有回归测试，否则越改越乱。

取：把改进从"人类标注驱动"转向"环境反馈驱动"，是合理的方向，尤其在代码、数学等可验证领域。

舍：在没有可靠验证的开放领域，"自主进化"还只是目标。参数规模也只是路线之一，不要把更大等同于更好。

整理稿提到几项数字：平头哥"真武 V900"整机算力约为上一代的 3 倍，单集群支持 50 万张卡，计划 2027 年第一季度量产；阿里云计划到 2032 年全球数据中心电力规模超过 20GW。

取：模型、芯片、云联合优化，确实能压低单位推理成本，这对"智能商品化"至关重要。算力与电力被明确当作长期瓶颈，也是务实的判断。

舍：这些几乎都是发布目标或远期规划，不是已交付的能力。集群规模不等于有效算力利用率，量产时间、软件生态成熟度和电力获取都有不确定性。引用时请标明"计划"二字。

演讲提出"智能体云"：不再只按 vCPU 或 GPU 卡时收费，而是面向多智能体系统和长流程任务的结果计费。这对开发者很有吸引力，因为它把成本和价值绑在一起。

取：按结果计费能激励平台把智能体做得更稳，而不是堆更多调用。

舍：前提是结果可定义、可验证、可追责。失败、重试、部分完成怎么计价？出错的责任在谁？没有清晰的 SLA 和验收口径，这种模式很容易变成新的不透明账单。

一句话总结：这场演讲更像一份战略宣言，方向值得认真对待，数字和时间表则要打折阅读。判断一家公司是否在"把智能做成商品"，最终要看它的单位成本、可靠性和交付记录，而不是某一场演讲里的宏大数字。

来源：吴泳铭 2026 云栖大会演讲文字整理稿（视频出处见稿中 Bilibili 链接）。