1712 年，英国工程师托马斯 · 纽可门建成一台大气式蒸汽机，常年守在煤矿口抽水。这台机器的热效率只有约 1%，煤一车车烧进去，做的还是矿工和马原本就在做的工作。
它能运行，主要靠煤矿不缺煤，低廉的燃料暂时掩盖了效率问题。
站在当时看，这是一件昂贵的矿井设备，距离纺织工厂、轮船和铁路都很远。
三百多年后，阿里 CEO 吴泳铭在云栖大会上把今天的 AI Coding 放在了 1882 年的电灯旁边：机器可以写代码、做报告、整理会议纪要，承担的仍是人类已有的工作，机器智能时代的代表性产品尚未出现。
接下来，他试图给这种尚未出现的生产力算一笔账。今天机器思考总量还不到人类的 3%，未来可能达到人类的 1000 倍以上。
阿里没有公布具体统计口径，这个数字也无法直接换算成 Token，更像是一个关于市场规模的战略假设。
一、蒸汽机最早只会抽水
纽可门的机器出现时，英国的主要动力仍来自水和风。
经济史学者尼古拉斯 · 克拉夫茨援引历史统计估算，1760 年英国安装的蒸汽动力约为 5000 马力，只占风力、水力和蒸汽动力总量的 5.9%。
1830 年，蒸汽动力才与水力大致持平；到 1870 年，这个数字已经达到 206 万马力，占三类动力总量近 90%。
从 5.9% 到近 90%，蒸汽机走了一个多世纪。
但历史推进得慢得多。
早期蒸汽机效率低、用途窄，先在煤矿抽水，后来进入纺织和冶金；工厂围绕动力重建，铁路与港口扩大使用范围，矿井里的一台设备才逐渐成为工业社会的基础能力。
今天的机器智能也处在动力已经出现、组织方式尚未改变的阶段。
AI Coding 可以把一个原本需要八小时完成的项目缩短到两小时，项目数量、人员规模和工作时间仍受原有边界约束。
写报告、做 PPT、整理会议纪要也遵循同样的逻辑：机器提高了速度，任务总量还没有随之出现数量级变化。
吴泳铭在演讲里描述了另一种需求，上百万个 Agent 长期研究罕见病，或把建造火星飞船分成上千万个子任务。人只交代一次目标，机器持续调用工具、检查结果并安排后续步骤。
计算需求由此从多少人使用 AI，延伸到一个目标能够展开多少机器任务。
二、吴泳铭给机器找了一个 " 马力 "
纽可门之后，瓦特改进了蒸汽机。
1769 年，瓦特取得独立冷凝器专利，把蒸汽冷凝放到汽缸之外。英国科学博物馆的资料显示，这项改进可减少约三分之二的煤耗。
到了 1780 年代，瓦特又解决了旋转运动问题，蒸汽机得以驱动织机和其他工厂设备。
机器变得好用，瓦特还得让矿主和工厂主理解它值多少钱。客户熟悉一匹马一天能干多少活，却很难判断一台蒸汽机的做功能力。
瓦特于是把机器输出换算成 " 马力 "，用旧时代最常见的动力解释一件陌生商品。
" 马力 " 后来成了物理单位，起初也承担着销售工具的作用。
" 机器思考量 " 扮演着相近的角色。
它把人类思考作为参照，为一种尚未成熟的机器生产力标出可能的需求规模。云栖大会披露的两项实验，为这种工作留下了可以计数的记录。
Qwen3.8-Max 在无人干预的情况下搭建训练流程、构造数据、设计实验和定位缺陷，连续运行一个多月，完成 33 轮有效迭代。
另一项芯片设计实验持续超过 60 小时，模型调用 EDA 工具超过一万次，最终把一个芯片总线模块的物理面积减少 42%。
这些结果来自阿里，仍需更多外部验证。但 "33 轮 " 和 " 一万次调用 " 已经记录了一个变化：人下达目标之后，机器可以在后台继续完成大量步骤。
阿里还宣布，基于新架构的 Qwen4 已经进入训练，Qwen4.5 和 Qwen5 计划扩展至 5 万亿到 10 万亿参数。参数无法直接换算成生产力，这项规划指向复杂任务能力、连续运行时间和根据反馈改进的空间。
Token 记录已经发生的调用，" 机器思考量 " 描述的则是阿里预计这些调用还能扩张到多大规模。
三、动力先铺开
长任务一旦持续数小时、数天甚至数月，单靠模型能力很难完成。
任务可能中断，也可能走错方向，系统需要保存进度、恢复运行、检查权限，还要让计算、存储和网络保持协同。
平头哥在大会上公布了新一代训推一体 AI 芯片真武 V900，官方称单芯片性能达到上一代 M890 的 3 倍，计划于 2027 年第一季度量产及商业发布。
大会同时展示了服务器 CPU、互联芯片、智能网卡和存储主控，升级后的超节点架构可将这些部件连接成最高 50 万卡规模的单一集群。
这背后的变化很直接。
阿里开始把注意力从一颗更快的 AI 芯片，推向整套计算系统。
模型持续运行时，CPU 处理任务，网络搬运数据，存储负责读写。任何一个环节跟不上，昂贵的 AI 芯片都只能等待。
硬件之外，阿里云发布的 Agentic Cloud 负责长任务的执行与管理。AgentCore 管理失败重试、断点恢复、身份权限和运行审计，Agent Sandbox 提供隔离环境。
企业真正采购的，是一套能够让机器持续运行、按权限行动、留下完整记录的生产环境。
这套系统需要提前建设。
2025 年 2 月，阿里宣布未来三年至少投入 3800 亿元建设云计算和 AI 基础设施；这次云栖大会上，吴泳铭又把 2032 年的数据中心目标定为 20GW。
模型、芯片和云已经沿着长任务的需求连接起来。如今，这些产能需要由企业每天产生的机器任务来消化。
四、电灯亮了，工厂还没有改变
1882 年 9 月 4 日，爱迪生的珍珠街电站在纽约投入运行，最初服务 82 位客户，只点亮约 400 盏灯。后来被写进教科书的电气时代，起点不过是曼哈顿下城的一个小网络。
电灯很快让人看见电的用途，工厂的变化却慢得多。
经济史学家保罗 · 戴维记录过一段历史。早期工厂获得电力后，老板们拆掉中央蒸汽机，换上一台大型电动机，头顶的传动轴、皮带和厂房布局全部保留。
电动机依旧拖着原来的生产系统运转，生产率几乎没有变化。
小型电动机进入每台机器后，中央传动轴和皮带逐渐消失，设备得以按照生产顺序重新摆放，厂房也从多层转向更灵活的单层布局。
电力带来的效率提升，来自生产流程随动力系统一起重排。
很多公司已经把 AI 放进日常办公，却很少让它接触合同审批、客户账户、研发发布和财务系统。这些工作牵涉审核、授权、测试与责任确认。
数据、工具和权限没有接通，模型只能停留在业务流程之外提供辅助。
阿里在云栖大会展示的，是一项任务如何贯穿这些环节。
一场会议结束后，QwenNote Eva 桌面机器人或 QwenNote A2 录音卡片留下现场内容，钉钉和 MyContext 再从消息、文档与历史会议记录中补齐上下文，AgentCore 随后管理执行权限、进度和记录。
任务也可以从手机发起，荣耀 Magic9 系列将成为首批搭载 Qwen Intelligence 的机型。从会议室里的一句话，到企业系统中的具体动作，阿里试图把过去断开的环节接起来。
真正决定 Agent 能做多少工作的，也就不再只是模型参数。
它需要知道公司发生过什么、客户是谁、文件在哪里、哪些系统可以调用、哪些事情必须经过人确认。
上下文决定机器知道什么，工具决定它能做什么，权限决定它可以做到哪一步。
当这些东西接通，AI 才开始从一个回答问题的软件，变成能够持续执行任务的生产力。
五、机器开始有自己的 " 工时 "
机器真正开始上工，缺的从来不只是算力。
一个 Agent 拿到任务之后，需要知道这家公司的信息，客户是谁，之前发生过什么，哪些系统可以操作，出了问题又该向谁确认。
企业给 AI 的东西，也在发生变化：从一段 Prompt、一份文档，扩展到完整的业务上下文，再到工具、权限和执行环境。
上下文决定机器知道什么，工具决定它能做什么，权限决定它可以做到哪一步。三者接起来，一个目标就能拆成几十甚至几百个动作，查资料、调接口、写文件、跑测试、等待反馈，再继续下一步。
于是，机器的工作量开始有了 " 工时 " 概念。
中国平安披露的一组数据，恰好提供了一个切面，其日均 Token 用量在不到一年里从约 300 亿增至超过 3000 亿，算力从 800PF 增至 1500PF。算力增加不到一倍，Token 用量却扩大了十倍。
这只是单一企业的数据，但却展示了一种增长路径：
企业 AI 的增长，可以表现为同一套业务里，机器开始承担越来越多的步骤。
平安披露的另一组数据也很有意思：AI 已经进入客服、医疗、研发等具体环节，超过 1 亿次 AI 服务在不到半年时间里完成。
机器获得的已经是一批持续产生任务的业务场景。
这正是 Agent 与传统 AI 工具的区别。
阿里的 20GW 算力，最终也要应用在这里。
数据中心有多少 GW，芯片有多少卡，最终都要回答一个更朴素的问题：每天究竟有多少工作可以交给机器？
六、增长单位换了，公司也会变
如果机器真的会成为一种新的生产力，最先发生变化的可能不是产品，而是公司的内部组织结构。
吴泳铭 2023 年 9 月接任 CEO 后，很快把 "AI 驱动 " 列为阿里的战略重心。到 2025 年 2 月，阿里宣布未来三年至少投入 3800 亿元建设云计算和 AI 基础设施。
钱投向算力，也开始改变公司的组织方式。
2026 年 3 月成立的 Alibaba Token Hub（ATH）就是一个信号。它把模型研发、MaaS、个人应用和企业应用重新放进同一张组织图里，用 " 创造 Token、输送 Token、应用 Token" 串起通义、MaaS、千问和悟空。
一个过去分散在不同业务里的 AI 能力，开始按照模型生产什么、基础设施怎么输送、应用如何消化的链条重新组织。
紧接着，集团技术委员会成立，模型、云基础设施和业务技术平台之间的边界被重新划分。
阿里正在把 AI 从一项横向能力，变成一套可以单独经营的业务系统。
这种变化最终落到了财报上。
截至 2026 年 6 月 30 日的季度（阿里 2027 财年第一季度），阿里把云智能集团和平头哥合并为 AI 云与算力服务，模型实验室、千问 C 端业务和千问办公则进入 AI 实验室与应用。
AI 不再只是电商、云、办公等业务共同使用的技术投入，开始拥有自己的收入、成本和利润表。
数字也开始出现分化。
AI 云与算力服务当季收入 484.37 亿元，同比增长 45%；资本性支出却达到 676.78 亿元，同比增长 75%，非公认会计准则自由现金流净流出 446.70 亿元，其中主要压力来自云基础设施投入。
这组数字放在一起，阿里正在做的事情就很清楚了。
一边经营已经成熟的电商生意，一边提前为机器智能建立一套新的供给体系。
电商的增长单位是订单、GMV 和用户；这套新生意的增长单位，则越来越接近 Token、算力、Agent 运行时间和企业任务。
前者在交易发生以后获得收入，后者需要先把机器造出来，再等待足够多的工作进入机器。
如果答案成立，今天提前建设的芯片、数据中心、模型和 Agent 基础设施，就是产能。
如果机器迟迟找不到足够多的工作，这些投入也会变成利用率、折旧和现金流压力。
这可能才是 " 机器智能 " 作为一门生意，和传统互联网生意最不一样的地方。
火车驶出车站以前，蒸汽机已经在矿井口抽了很多年水。阿里现在，大概还在矿井口。
但它已经开始为下一班火车准备动力了。
【版面之外】的话：
瓦特给蒸汽机算马力时，人类并不知道蒸汽机会把自己带到哪里。
后来，马匹退出了工厂，马力却留了下来。
今天阿里开始给机器计算 " 思考量 "，也许同样如此。
一个新单位真正重要的，从来不是它叫什么，而是它开始让人类用机器的尺度重新计算生产力。
那时，机器智能才算真正走出矿井口。
