本文摘自《云棲戰(zhàn)略參考》，這本刊物由阿里云與鈦媒體聯(lián)合策劃。目的是為了把各個行業(yè)先行者的技術探索、業(yè)務實踐呈現(xiàn)出來，與思考同樣問題的“數(shù)智先行者”共同探討、碰撞，希望這些內(nèi)容能讓你有所啟發(fā)。
AI 時代，大模型和云計算的結合已經(jīng)成為了行業(yè)的重要趨勢，同時也是這個時代所有技術創(chuàng)新的重要驅(qū)動力。
一方面，所有的大模型訓練離不開云計算，特別是隨著模型的發(fā)展、模型的參數(shù)、模型的復雜度進一步提升，這更需要云計算提供強有力的支持。
另外，模型在服務層也為云計算提供了新的能力。阿里云在 2022 年首倡“Model as a Service”(模型即服務)，今天這個概念已經(jīng)成為大家的共識，也成為云計算不可分割的一部分。
幾年間，阿里云已經(jīng)轉(zhuǎn)變成為全球少數(shù)大模型與云計算都全棧自研且技術領先的全棧人工智能提供商。大模型方面，通義模型家族也受到了全球開發(fā)者的喜愛，成為了今天全球最大的模型家族。云計算方面，通過多年努力，阿里云已經(jīng)成為全球領先、亞太第一的云計算公司。而這兩方面更是相輔相成的：通過一系列云計算架構的升級，阿里云以 IaaS 層、PaaS 層、MaaS 層的三層結構通過軟硬件一體的聯(lián)合優(yōu)化，才有今天通義大模型不斷的進化，才有阿里云在全棧人工智能技術的領先地位。具體來看，阿里云全棧的技術創(chuàng)新也將圍繞模型、基礎設施和AI應用開發(fā)的三個維度展開。
在通往超級人工智能(ASI)的藍圖中，大模型依然是一切的基石。
阿里巴巴集團 CEO 吳泳銘認為，通往 ASI 之路將經(jīng)歷三個階段，其中第一階段是“智能涌現(xiàn)”，特征是“學習人”。這也是過去幾年的主線，AI 逐漸具備了進入真實世界、解決真實問題、創(chuàng)造更大價值的可能性。
過去兩年，通義家族模型能力不斷提升，不僅成為全球第一開源模型，也是中國企業(yè)選擇最多的模型。截至 2025 年 9 月，通義大模型開源 300 余個模型，覆蓋不同大小的“全尺寸”及語言、圖像、語音、視頻等“全模態(tài)”，全球下載量突破 6 億次，全球衍生模型 17 萬個，穩(wěn)居全球第一。超 100 萬家客戶接入通義大模型，國際調(diào)研機構沙利文報告顯示，2025 年上半年，中國企業(yè)級大模型調(diào)用市場中通義大模型占比第一。
在“大模型是下一代的操作系統(tǒng)”的判斷下，通義大模型家族繼續(xù)發(fā)力，在云棲大會上“七連發(fā)”：不僅公布了 6 款模型上新，還有 1 個全新品牌發(fā)布，覆蓋文本、視覺、語音、視頻、代碼、圖像全場景，在模型智能水平、Agent 工具調(diào)用、Coding 能力、深度推理、多模態(tài)乃至模型架構等方面實現(xiàn)全面突破。
這些能力的突破都在圍繞一個核心進行——在當前通往 ASI 的第二個階段“自主行動”階段中，如何讓 AI 具備在真實世界中行動的能力？吳泳銘認為跨越的關鍵， 首先是大模型具備 Tool Use 能力，有能力連接所有數(shù)字化工具，完成真實世界任務；其次，大模型 Coding 能力的提升，可以幫助人類解決更復雜的問題，并將更多場景數(shù)字化。當 AI 具備了這些能力，人們只需要用自然語言與 AI 進行交流，就可以讓 AI 自行編寫邏輯、調(diào)用工具、搭建系統(tǒng)，完成數(shù)字世界的幾乎所有工作，并通過數(shù)字化接口來操作所有物理設備。
在通義家族中，旗艦模型 Qwen3-Max 可謂是能力最強、規(guī)模最大的“全能型選手”，尤其擅長處理復雜實際問題。其預訓練數(shù)據(jù)量高達 36T tokens，總參數(shù)超過萬億；性能在全球權威評測中已超越 GPT-5、 Claude Opus 4 等頂尖模型，躋身世界前三。尤為重要的是，它在代表 Agent 核心能力的工具調(diào)用能力和 Coding 能力評測中均位列全球第一梯隊。
同時，“降本增效”的高手——下一代基礎模型架構 Qwen3-Next 及系列模型也正式發(fā)布，通過一系列前沿的工程技術，在保持卓越性能的同時，大幅提升了訓練和推理的效率。該模型總參數(shù) 80B，但僅需激活 3B 參數(shù)，性能便可媲美 235B 的旗艦模型。通過混合注意力、高稀疏度 MoE 等創(chuàng)新技術，其訓練成本相較 Qwen3-32B 銳減超過 90%，長文本推理吞吐量提升 10 倍以上。這標志著阿里云不僅在追求模型的強大，更在探索如何讓這份強大變得高效和普惠。
除了基礎模型的更新迭代，在專項模型上阿里云也一口氣發(fā)布了多個更新和升級。這些專項模型各有所長，但一個共同特點是為 AI 與真實世界交互提供了強有力的技術支撐。
發(fā)展大模型 Coding 能力是通往 AGI 的必經(jīng)之路。針對高效處理編程任務，編程模型 Qwen3-Coder 聯(lián)合多個頂尖代碼系統(tǒng)進行訓練，代碼生成、補全和修復能力更強、速度更快、安全性更高。該模型此前就廣受開發(fā)者和企業(yè)好評，開源后調(diào)用量曾在知名模型調(diào)用平臺 OpenRouter 上激增 1474%，位列全球第二。
在 AI 連接并操作真實世界的關鍵一步——視覺智能體操作和復雜場景理解方面，視覺理解模型 Qwen3-VL 增強了復雜的空間理解能力，能真正去理解現(xiàn)實中空間的實際情況，實現(xiàn) 3D 基礎訓練，也為具身智能實現(xiàn)提供了堅實的基礎。
全模態(tài)模型 Qwen3-Omni 則成功解決了以往多模態(tài)模型中常見的“模態(tài)性能權衡”難題，首次實現(xiàn)音、視、文多模態(tài)混合訓練而各項能力不降反升，能像人類一樣 “聽說寫”，為車載、智能穿戴等設備提供高質(zhì)量、低延時的交互。
多模態(tài)生成模型通義萬相 Wan2.5 突破性實現(xiàn)了原生音畫同步的視頻生成，可生成匹配人聲、音效和背景音樂的視頻，時長提升至 10 秒，進一步降低了高質(zhì)量視頻創(chuàng)作的門檻。
全新發(fā)布的語音大模型家族通義百聆，包括語音識別大模型 Fun-ASR、語音合成大模型 Fun-CosyVoice，為 AI 的“聽說”能力提供了專業(yè)級的支撐。Fun-ASR 基于數(shù)千萬小時真實語音數(shù)據(jù)訓練而成，具備強大的上下文理解能力與行業(yè)適應性；Fun-CosyVoice 可提供上百種預制音色，可以用于客服、銷售、直播、電商、消費電子、有聲書、兒童娛樂等場景。
整體來看，視覺理解模型的升級，讓 AI 不僅能“看懂” 圖像，更能直接操作圖形界面；全模態(tài)模型 Qwen3- Omni 的亮相，則讓原來需要多個模型配合才能實現(xiàn)的 AI 與物理世界交互的能力，可以更高效低延時地在一個模型內(nèi)實現(xiàn)，提高 AI 與真實世界交互的能力。這些升級，完美呼應了 ASI 藍圖中“連接真實世界全量數(shù)據(jù)”的核心要求，是 AI 從虛擬走向現(xiàn)實的必要前提。
圍繞超級智能的系統(tǒng)性模型升級，意味著通義家族不再僅僅是一系列獨立的模型，而是正在構筑一個越來越完 備、強大且高效的“大模型操作系統(tǒng)”。這將為 Agent 的爆發(fā)提供核心引擎，更為通往 ASI 的“自我迭代”階段奠定最關鍵的能力基石。
沒有堅實的基礎設施，再強的模型也難以落地。在這一邏輯下，阿里云持續(xù)強化從服務器、網(wǎng)絡、存儲到智算集群的 AI Infra 布局，打造支撐萬億參數(shù)模型與復雜智能體系統(tǒng)的算力引擎。
為了支撐當下高性能 AI 芯片的計算需求，阿里云推出了新一代磐久超節(jié)點服務器，在一個機柜中可容納高達 128 顆 AI 芯片。這背后是一整套針對高密度算力的系統(tǒng)級工程創(chuàng)新：350 千瓦的單柜功率、精細化的液冷系統(tǒng)，以及高可靠供電設計，確保在高熱負載、高并發(fā)計算環(huán)境下依然保持穩(wěn)定運行。
在硬件兼容性上，磐久服務器支持產(chǎn)業(yè)主流的開放架構，可靈活兼容不同廠商的 AI 芯片與 Scale-up 協(xié)議，實現(xiàn)從單節(jié)點到超節(jié)點的高效組裝。這種“模塊化 + 開放式”的設計，使 AI 算力的部署與擴展更加靈活，為后續(xù)的模型訓練、推理和強化學習提供了堅實的算力基礎。
隨著模型規(guī)模邁向萬億參數(shù)、集群規(guī)模擴展到“萬卡” 甚至“十萬卡”級別，網(wǎng)絡性能成為 AI 集群效率的生命線。阿里云此次推出的 HPN 8.0 高性能網(wǎng)絡架構，是全球首批實現(xiàn)“訓推一體”設計的 AI 網(wǎng)絡。
在硬件層面，HPN 8.0 通過自研交換機、光模塊、網(wǎng)卡等核心組件，實現(xiàn)從 7.0 版本的萬卡規(guī)模躍升至數(shù)十萬卡互聯(lián)。配合自研的 RDMA 通信協(xié)議和優(yōu)化的通信庫，極大減少了大模型訓練中的通信延遲與帶寬瓶頸，使得 GPU 在大規(guī)模分布式訓練中能實現(xiàn)更高的計算利用率。
在系統(tǒng)層面，HPN 8.0 已支持跨數(shù)據(jù)中心、跨可用區(qū) (AZ)、跨 Region 的高帶寬網(wǎng)絡架構，真正實現(xiàn)了智算資源的“跨域協(xié)同”。無論是預訓練、推理還是強化學習，都能在超大規(guī)模環(huán)境中保持通信高效與算力彈性。
AI 不僅“算得快”，還要“讀得快”、“寫得快”。CPFS 面向 AI 訓練與推理場景進行了深度優(yōu)化，單客戶端吞吐量高達 40GB/s，性能相比傳統(tǒng)方案提 升 60%。針對業(yè)界普遍存在的“小文件 I/O 瓶頸”， CPFS 實現(xiàn)了百萬級IOPS 的卓越性能，顯著提升了數(shù)據(jù)加載與模型訓練效率。
更關鍵的是，阿里云引入了智能分層存儲機制：熱數(shù)據(jù) 駐留 CPFS 冷數(shù)據(jù)自動轉(zhuǎn)移至 OSS。系統(tǒng)可自動感知訪問頻次，進行冷熱分層與成本優(yōu)化。這意味著開發(fā)者可以在保持高性能的同時，將存儲成本降到極致。
進入多模態(tài)時代，AI 模型需要同時處理文本、圖像、音頻、視頻等多種數(shù)據(jù)類型。為此，OSS 進行了全新升級， 全面支持向量化數(shù)據(jù)的存儲與索引。通過 embedding 向量桶(Vector Bucket)機制，OSS 能夠?qū)崿F(xiàn)多模態(tài)數(shù)據(jù)的高效查詢、比對與檢索，成為多模態(tài) AI 的重要“數(shù)據(jù)底座”。
當服務器、網(wǎng)絡、存儲三者完成深度融合，真正的“智算引擎”便應運而生。阿里云打造的靈駿智算集群，已經(jīng)成為中國 AI 產(chǎn)業(yè)的重要支撐平臺。靈駿不僅具備超大規(guī)模和異構算力的支持能力，還在穩(wěn)定性和運維智能化方面達到了國際領先水準。
靈駿支持容器、虛機、裸金屬等多種算力形態(tài)，靈活適配不同訓練需求。同時，其智能化監(jiān)測系統(tǒng)可實現(xiàn) 98% 以上的故障發(fā)現(xiàn)率，通過自動化容錯、熱遷移與調(diào)度機制，確保大規(guī)模集群在復雜環(huán)境下的高可用性。
在體系架構上，靈駿實現(xiàn)了存算分離與極致擴展，通過靈活的資源調(diào)度策略，能夠根據(jù)任務需求在不同集群間動態(tài)調(diào)配計算與存儲資源。這使得模型從訓練到部署的全生命周期更加高效、穩(wěn)定。
高質(zhì)量數(shù)據(jù)，決定大模型性能的邊界，也是 AI 進化的關鍵。
構建面向 Agentic AI 時代的多模態(tài)智能數(shù)據(jù)底座至關重要，高效、智能的多模數(shù)據(jù)管理已成為企業(yè)提升市場競爭力的關鍵。針對這一目標，阿里云的大數(shù)據(jù)和數(shù)據(jù)庫進行全面升級。
阿里云瑤池發(fā)布“基于湖倉庫一體化”的多模數(shù)據(jù)智能管理平臺，助力企業(yè)用戶進一步簡化數(shù)據(jù)管理流程，提升業(yè)務開發(fā)與部署效率，降低 AI 應用落地成本。
該平臺采用湖倉庫一體化設計，通過湖庫(Lakebase) 和湖倉(Lakehouse)融合架構，打破業(yè)務數(shù)據(jù)孤島。數(shù)據(jù)可在數(shù)據(jù)庫、數(shù)據(jù)倉庫、數(shù)據(jù)湖之間無縫流轉(zhuǎn)，極大地提升了數(shù)據(jù)利用率，降低使用成本?；诂幊財?shù)據(jù)庫產(chǎn)品引擎(云原生數(shù)據(jù)庫 PolarDB、云原生數(shù)據(jù) 倉庫 AnalyticDB、云原生多模數(shù)據(jù)庫 Lindorm、云數(shù)據(jù)庫 RDS 等)，此次發(fā)布的新平臺融合了 OLTP 和 OLAP，兼具數(shù)據(jù)湖的靈活性、數(shù)據(jù)倉庫的分析能力和數(shù)據(jù)庫的事務處理能力，構建面向 AI 場景的統(tǒng)一多模態(tài)數(shù)據(jù)底座。
瑤池旗下的多模數(shù)據(jù)管理平臺 DMS：OneMeta+OneOps， OneMeta 提供支持 40 多種數(shù)據(jù)源的多模態(tài) Catalog，構建基礎元數(shù)據(jù)層、業(yè)務知識層和 AI 就緒服務層；OneOps 提供數(shù)據(jù)工作流自動化與編排，能夠大幅提升多模態(tài)的開發(fā)效率，支持百萬任務調(diào)度規(guī)模，加速企業(yè)級 AI 應用構建。目前，DMS 已服務超過 10 萬 + 企業(yè)客戶，其中包括富途、天財商龍、七貓等行業(yè)領先者。DMS 助力這些客戶將多模開發(fā)效率提高 2 倍以上，數(shù)據(jù)交付效率最高提升 5 倍，同時降低 90% 安全合規(guī)風險。
阿里云大數(shù)據(jù)平臺也面向 AI 產(chǎn)品進行全新升級，全面支持 AI 計算和服務。
其中，阿里云 OpenLake 同樣進行了全方位升級，滿足客戶面對物理世界全模態(tài)數(shù)據(jù)時所需的一體化數(shù)據(jù)存儲和管理系統(tǒng)。
湖倉目錄服務 DLF 3.0 拓展了全模態(tài)數(shù)據(jù)支持，其作為湖倉存儲層統(tǒng)一管理核心，將存儲格式從傳統(tǒng)結構化數(shù)據(jù)，拓展至全模態(tài)數(shù)據(jù)場景，支持面向 AI 場景的 Lance、 Iceberg 以及文件數(shù)據(jù)、格式化表格數(shù)據(jù)等全類型。
計算生態(tài)方面，OpenLake 通過多引擎平權聯(lián)合計算架構，可實現(xiàn)數(shù)據(jù)無需搬家、多引擎協(xié)同處理，湖倉存儲層(DLF+Managed Storage)作為單一份數(shù)據(jù)源，向上對接全鏈路 Data + AI 引擎。OpenLake 同時推出 OpenLake Studio 多模態(tài) Data + AI 一體化開發(fā)平臺，實現(xiàn)一站式數(shù)據(jù)開發(fā) - 治理 - 運維閉環(huán)，降低多模態(tài) Data + AI 的開發(fā)門檻。
大數(shù)據(jù)平臺 MaxCompute、Hologres、EMR、Flink 等產(chǎn)品數(shù)據(jù)處理全面支持 AI Function，將 AI 能力深度集成至傳統(tǒng)數(shù)據(jù)處理流程。在 SQL 或 Python 作業(yè)中，調(diào)用 AI 模型如同調(diào)用普通函數(shù)，實現(xiàn)數(shù)據(jù)處理與 AI 推理的無縫融合。MaxFrame 推出面向 AI 場景的新一代原生分布式 Python 引擎 DPE，數(shù)據(jù)處理性價比提升 1 倍，支持數(shù)據(jù)預處理，ML 訓練推理，異構資源計算，Python 原生 UDF 以及 AI Function 等計算場景。
各行各業(yè)都廣泛需要多模分析檢索，大數(shù)據(jù)平臺致力于打造AI應用的知識檢索系統(tǒng)，讓數(shù)據(jù)發(fā)揮更大的價值。 EMR-Starrocks 全新支持全文檢索，OpenSearch GPU 實例驅(qū)動向量索引構建，整體性價比提升 10 倍， Milvus、ElasticSearch、Hologres 支持向量 + 全文混合檢索。
企業(yè)對多模數(shù)據(jù)處理和加工需求的指數(shù)級增長，讓數(shù)據(jù)庫所承載的用戶業(yè)務類型愈加復雜。數(shù)據(jù)處理亟需引入各類AI能力，讓原本復雜的企業(yè)數(shù)據(jù)分析及洞察過程，變得像日常對話一樣簡單高效，實現(xiàn)“越用越聰明，越用越好用”。
在此背景下，云棲大會上發(fā)布的“瑤池數(shù)據(jù)庫 ApsaraDB Agent 智能顧問”和一系列全新產(chǎn)品能力，通過與大模型深度融合，大幅提升企業(yè)內(nèi)數(shù)據(jù)場景(開發(fā)、分析、洞察等環(huán)節(jié))的使用效率，降低技術門檻。以 Data Agent for Analytics 為例，它依托通義大模型，能夠精準理解用戶意圖，自動生成并執(zhí)行數(shù)據(jù)分析計劃，最終輸出圖文并茂的報告。
大數(shù)據(jù)平臺 DataWorks、MaxCompute、Hologres、 EMR 等產(chǎn)品推出通過自然語言交互即可實現(xiàn)數(shù)據(jù)開發(fā)、運維等操作的智能化交互式產(chǎn)品能力，發(fā)布 Data Agent 組件，全面實現(xiàn) Agentic 化的大數(shù)據(jù)分析、開發(fā)與治理。
阿里云不斷追求技術的創(chuàng)新，為用戶提供極致的性能與高性價比的數(shù)據(jù)服務。此次云棲大會上又發(fā)布了多項突破 性成果。其中，Hologres 發(fā)布全新向量索引 HGraph，登 頂 Vector DB Bench 性價比榜單 QPS、Recall、 Latency、Load 四項第一，Milvus 相比同類型產(chǎn)品性價比提升 4 倍；云原生數(shù)據(jù)庫 PolarDB 全球首創(chuàng)基于 CXL Switch 的分布式內(nèi)存池技術，網(wǎng)絡時延從 RDMA 的微秒級降低至納秒級，內(nèi)存單價降低 30%；開源大數(shù)據(jù)平臺 EMR 的表現(xiàn)上，TPC-H10T starrocks 相比前榜首性能 (QphH) 提升 111%，TPCDS 100TSpark 相比前榜首性價比 (Price/kQphDs) 提升 500%。
在 AI 加速重塑千行百業(yè)的浪潮中，大模型的落地路徑正持續(xù)演進，逐步從通用能力構建走向深度場景化應用。阿里云通過預訓練、后訓練、推理全流程優(yōu)化，讓大模型更進一步與業(yè)務場景融合。
大模型采用 MoE 架構已經(jīng)成為重要的趨勢，但是 MoE 架構相對復雜，訓練成本與效率瓶頸是核心卡點。隨著參數(shù)規(guī)模的增大，如何提升算力的利用率成了支持模型快速迭代的生命線。
針對 MoE 架構模型，人工智能平臺 PAI 創(chuàng)新推出專用訓練引擎 paiMoE，采用統(tǒng)一調(diào)度機制、自適應計算通信掩蓋、EP 計算負載均衡和計算顯存分離式并行等優(yōu)化手段，有效解決工作負載不同、稀疏 MoE 通信占比高等問題，在 Qwen3 訓練過程中實現(xiàn)端到端加速比提效 3 倍，訓練 MFU 超過 61%。
目前，paiMoE引擎兩項核心技術Tangram 和 ChunkFlow 已在 Qwen 全系模型的 CPT/SFT 階段作 為默認方案，Tangram 支持多樣化細粒度 MoE 訓練任 務，一套機制支持不同的計算、通信、顯存與負載均衡 需求。ChunkFlow 針對處理變長和超長序列數(shù)據(jù)的性能 問題，提出了以 Chunk 為中心的訓練機制。變長序列數(shù) 據(jù)重新組織為等長 Chunk 并且結合調(diào)度，有效提升訓練 效率，研究成果被 ICML 2025 收錄。
針對 DiT 架構模型，PAI 推出訓練推理一體化加速引擎 paiFuser，通過計算圖優(yōu)化、顯存復用、通信壓縮、動態(tài)調(diào)度等手段，顯著降低資源消耗，提升系統(tǒng)吞吐。在 8 卡并行推理場景下，視頻生成耗時最高減少 80% 以上，在保障畫質(zhì)前提下實現(xiàn)“分鐘級”甚至“秒級” 輸出，為短視頻生產(chǎn)、沉浸式 VR、AIGC 創(chuàng)意工具等時效敏感型業(yè)務提供堅實底座。
在推理層，通過大規(guī)模 EP、PD/AF 分離、權重優(yōu)化、LLM 智能路由在內(nèi)的全鏈路優(yōu)化，實現(xiàn)推理效率顯著提升:推理吞吐 TPS 增加 71%，時延 TPOT 降低 70.6%，擴容時長降低 97.6%。
此外，PAI-EAS 重磅推出企業(yè)級 EP 解決方案，助力千億參數(shù) MoE 模型以更低的成本、更高的效率服務于線上業(yè)務。PAI-EAS 提供分布式推理能力，通過多機 Prefill-Decode-EP 分離架構，結合 LLM 智能路由和 MoE 分布式推理調(diào)度引擎 Llumnix，能顯著提升推理速度和資源利用率以降低模型使用成本，做到首 Token 生成響應時間降低 92%，端到端服務吞吐提升超過 5 倍。 同時，PAI-ModelGallery 支持包含 Qwen、 DeepSeek 在內(nèi)的 300 多個模型的零代碼一鍵后訓練、評測、部署。
近兩年，行業(yè)焦點從追求參數(shù)和通用能力的大模型預訓練，逐漸轉(zhuǎn)向更具落地價值的后訓練階段。Qwen 等高性能開源大模型以強大基礎能力為企業(yè)提供了理想起點，再結合行業(yè)高質(zhì)量數(shù)據(jù)開展后訓練，企業(yè)既能精準解決業(yè)務問題，還能突破通用模型瓶頸、實現(xiàn)垂直領域的專精。
構建從預訓練到后訓練的完整演進路徑，正成為企業(yè)打造專屬 AI 大腦的核心，加速千行百業(yè)智能化轉(zhuǎn)型。行業(yè)也已達成共識：只有經(jīng)過深度的“后訓練”，讓模型理解行業(yè)語境、熟悉業(yè)務流程，它才能從“能用” 走向“好用”。
后訓練不僅關乎算法層的優(yōu)化，更依賴底層算力、平臺能力與應用層協(xié)同，確保全鏈路的可行性與穩(wěn)定性，用戶需要的是一個安全穩(wěn)定、性能卓越且功能全面的工程化平臺，以支撐后訓練的數(shù)據(jù)、訓練、部署的全流程。
阿里云依托人工智能平臺 PAI、云原生大數(shù)據(jù)計算服務 MaxCompute 等系列產(chǎn)品，以穩(wěn)定、高效、全能的方案優(yōu)勢，全面打通從數(shù)據(jù)預處理、模型訓練到推理部署的全鏈路，助力企業(yè)高效構建具備領域深度的 Agentic AI 應用。大模型后訓練解決方案將企業(yè)從繁重的底層工程中解放出來，專注于業(yè)務創(chuàng)新。
同時，阿里云還推出了靈活、易用、高效的大規(guī)模 強化學習訓練框架 PAI-Chatlearn，支持 RLHF、 DPO、GRPO 等多種先進的 Alignment 訓練算法，支持任意模型的后訓練任務快速配置。實驗數(shù)據(jù)表明，Qwen3-30B-A3B 模型在相同的硬件環(huán)境下，PAI- ChatLearn 相較于開源的框架來說，訓練的吞吐基本上提升 2 倍以上。
圍繞“數(shù)據(jù) - 訓練 - 推理 -AI 應用”的全生命周期，阿里云大數(shù)據(jù) AI 平臺為后訓練提供端到端支撐，保障從基模選擇、數(shù)據(jù)準備、模型訓練到部署上線的每一個環(huán)節(jié)都能高效運行且無縫對接。
在大模型技術飛速發(fā)展的今天，企業(yè)普遍面臨從“擁有大模型”到“用好大模型”的挑戰(zhàn)。行業(yè)需求已從追求通用模型的“全能”，轉(zhuǎn)向在特定業(yè)務場景中實現(xiàn)高精度、低成本、易部署的智能化落地。市場亟需能夠降低技術復雜性、打通從模型到業(yè)務最后一公里的解決方案。
面向 AI Agent 進行開發(fā)，正成為當前的關鍵解法，這也是此次云棲大會上阿里云整體技術架構中的重要組成部分。
但 Agent 開發(fā)并非獨立環(huán)節(jié)，而是貫穿前述所有技術能力，從發(fā)揮大模型能力，到結合各式各樣的數(shù)據(jù)源、抽象本地知識和概念、打通各種工具和資源，而且要突破預定義的靜態(tài)流程編排，具備自動化、智能化分解任務的能力，以及長期記憶 ......Agent 開發(fā)中還有大量工作需要探索。
這個過程中，作為全鏈路大模型服務與 Agent 應用開發(fā)平臺，阿里云百煉從規(guī)劃決策、信息管理、工具調(diào)用各個方面，為開發(fā)者們提供了全面支持，成為加速 AI 滲透和規(guī)?；瘧玫年P鍵。具體來看，平臺上形成了 “1+2+7”的企業(yè)級 Agent 體系：一套模型服務、兩種開發(fā)模式、七大關鍵能力。
其中，兩種開發(fā)模式包括高代碼到低代碼的全方位支持。云棲大會上發(fā)布了全新的 Agent 開發(fā)框架 ModelStudio-ADK，讓專業(yè)開發(fā)者能高效構建具備自主決策、多輪反思能力的復雜 Agent；使用 ModelStudio-ADK，1 個小時就能輕松開發(fā)一個能生成深度報告的 Deep Research 項目。
此外，持續(xù)升級的低代碼平臺 ModelStudio-ADP，則讓業(yè)務人員也能快速創(chuàng)建滿足特定場景需求的智能體。該平臺已廣泛應用于金融、教育和電商等領域企業(yè)，目前，阿里云百煉平臺已有超 20 萬開發(fā)者開發(fā)了 80 多萬個 Agent。據(jù)介紹，網(wǎng)商銀行基于 ModelStudio- ADP 開發(fā)了貸款審核應用，支持合同、發(fā)票、營業(yè)執(zhí)照等 26 種憑證，以及店面門頭、餐飲廚房、就餐區(qū)、貨架商品等超過 400 種細粒度物體的精準識別，準確率超 95%，其任務處理時間從原來的 3 小時優(yōu)化至 5 分鐘內(nèi)。
雙軌并行的設計實際是給企業(yè)“分階段上車”的多樣化選擇：早期可以用 ADP 快速試錯，找到有效的應用場景；一旦驗證有效，就能無縫切換到 ADK，支撐深度定制和規(guī)?；\行。
這樣既降低了前期的探索成本，又避免了“重構”或“二 次開發(fā)”的重復投入，保證了業(yè)務連續(xù)性。對那些本身缺乏強大研發(fā)團隊的傳統(tǒng)企業(yè)而言，這種雙軌架構尤其友好——他們既能像互聯(lián)網(wǎng)公司一樣快速試驗，又能在規(guī)?；A段享受到成熟平臺的穩(wěn)定性和擴展性。
在組件層面，面向 Agent 開發(fā)和部署所需的各類組件，阿里云百煉集成了工具連接 MCP Server、多模數(shù)據(jù)融合 RAG Server、沙箱工具 Sandbox Server、智能記憶存取 Memory Server 以及支付訂閱服務 Pay Server 等 7 大企業(yè)級能力。以 Pay Server 為例，該服務由阿里云百煉和支付寶聯(lián)合首發(fā)推出，是業(yè)界首個為企業(yè)級 Agent 提供專業(yè)商業(yè)化支付通道的服務。目前，阿里云百煉首批上線了基于 Model Studio-ADK 開發(fā)的 DeepResearch、Agentic-RAG、Computer- Use Agent 等 Agent 應用，用戶可免費在線體驗或下載代碼進行二次開發(fā)。
圍繞 Agent 的運行，阿里云還提供了無影 AgentBay 等一系列企業(yè)級組件，解決了 Agent 在動態(tài)算力調(diào)用、安全沙箱、長期記憶等方面的核心難題。這相當于為 Agent 的規(guī)?；瘧?，鋪設了完善的“高速公路網(wǎng)”。
整體來看，過去兩年，百煉模型服務的能力得到了全方位的發(fā)展。阿里云憑借其全棧布局，致力于將大模型開發(fā)部署變得像“搭積木”一樣便捷，其通過整合底層算力、模型服務與開發(fā)平臺，為企業(yè)提供了一條從模型選型、精調(diào)到集成的清晰路徑，讓 AI 應用真正變得觸手可及。
在模型服務層，阿里云百煉不僅已經(jīng)完成了全球的部署，在中國棧、國際棧提供了多種多樣的模型服務；還提供極致的性能，很多模型的 Token 生成速度能夠達 到 100TPS，能夠完成大家各種各樣的業(yè)務需求。不管是在性能的 SOA、可用的 SOA 等方面都處于行業(yè)領先水平。
實現(xiàn)極致化的 AI 時代模型服務也需要高吞吐的能力，能夠支持高并發(fā)的業(yè)務需求，真正讓用戶實現(xiàn)隨時可用、快速調(diào)用。因此，阿里云百煉提供了各種跨鏈配置，用戶可以根據(jù)業(yè)務的需求，對效果、吞吐、彈性、延遲、成本的諸多方面進行優(yōu)化組合。
在產(chǎn)品方面，阿里云百煉也積極推出了在線推理、Batch(批處理)的產(chǎn)品，以更具性價比的方式幫助用戶完成業(yè)務需求。
在過去 12 個月里，百煉模型服務調(diào)用量增加了 15 倍。一個繁榮的智能體生態(tài)正在阿里云上形成：超過 20 萬開發(fā)者在此構建了逾 80 萬個 Agent，它們正作為一股新質(zhì)生產(chǎn)力，深度重塑千行百業(yè)。
這股浪潮正席卷各大核心行業(yè)。在金融領域，通義大模型快速滲透，已覆蓋九成國家級及大型國有銀行、全部 12 家股份制銀行和排名前十的財險公司。
在工業(yè)制造等復雜場景中，Agent 的價值同樣得到了驗證。三一重工的“維修助手 Agent”顯著提升了故障排查效率；西門子的工業(yè)智能系統(tǒng)更是能自主完成訂單調(diào)度、生產(chǎn)等復雜任務。
可以看到，Agent 正以前所未有的深度和廣度滲透。而阿里云所提供的，正是這場變革背后的核心引擎：從底層的開發(fā)框架、基礎設施，到上層的通義系列模型，共同構成了這股新質(zhì)生產(chǎn)力最關鍵的賦能者。
基礎模型是 Agent 的大腦，為其提升規(guī)劃和決策能力；云計算作為資源和容器為 Agent 提供行動力；通過工具與真實世界交互，Agent 獲取反饋，并自我進化。在 “自主行動”的 Agentic AI 時代，阿里云不僅讓這條鏈路上每一個環(huán)節(jié)的能力足夠強，還正在不斷進行系統(tǒng)化創(chuàng)新和提升，走向下一階段——ASI
本文摘自《云棲戰(zhàn)略參考》總第20期
掃碼查看最新雜志
↓↓
快報
根據(jù)《網(wǎng)絡安全法》實名制要求，請綁定手機號后發(fā)表評論