鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

阿里云营收大增34%创新高,吴泳铭如何讲好“越投越涨”的故事?

编程导航
编程导航
2025-11-26 12:30
阅读 170
编程导航
2025-11-26 12:30
阅读 170

不论电商还是云计算,阿里都试图证明一件事,只要投得更多,未来就能挣得更多。但短期内资本开支大增,还是影响了市场预期,财报发布后阿里巴巴股价一度上扬4%,而后转跌。

11月25日晚间,阿里巴巴集团发布最新季度财报,AI云业务成为最大亮点,受持续强劲的AI需求与公共云收入增长驱动,阿里云季度营收同比增长34%至398.24亿元,增速再创新高。

其中,AI相关产品收入已连续九个季度实现三位数同比增幅,阿里云持续扩大AI云市场第一优势,份额超过第二至第四名的总和。

在资本开支层面,阿里巴巴当季资本开支同比大增80%至315亿元人民币,过去四个季度,阿里在AI+云基础设施的资本开支约1200亿元。该季度,阿里巴巴调整后净利润同比大降72%至103.5亿元,自由现金流转为净流出218.4亿元。

阿里云能保持“越投越涨”的叙事么?阿里巴巴集团CEO吴泳铭对此做了解答。

AI云收入持续增长,确立三大优先级

财报显示,截至 2025 年 9 月 30 日止季度,阿里云的总收入及不计阿里巴巴并表业务的收入同比增长分别加速至 34%及 29%。

阿里也提到,AI 产品正在被广泛的企业客户加速采用,并越来越侧重于增值应用,包括代码助手,将继续对客户增长与技术创新进行投入,包括 AI 产品和服务,以提升 AI 云基础设施的采用量,并加强市场领先地位。

吴泳铭表示,目前客户需求依然非常旺盛,阿里云的人工智能(AI)服务器上架节奏,严重跟不上客户订单的增长速度,在手的积压订单数量还在持续扩大。因此,从当前的需求来看,未来增长潜力仍处于持续加速过程中。

在需求侧,企业应用各方面的需求都在快速增长。无论是企业的产品研发、产品制造过程,还是产品上线后客户日常使用的各个环节,AI需求都在持续渗透。企业在进行模型训练、推理,还是其终端客户使用他们开发的AI产品,都会用到云端算力。由此可见,企业客户的付费需求仍存在较大增长潜力,因此对AI未来的需求抱有充足信心。

同时他也提到,面对供应链持续波动,阿里的资源分配有明确的内部优先级考量,主要聚焦以下几个方面:

第一,保障基座模型训练的核心优先级。AI基础设施要获取更多客户与高价值场景,核心前提是模型能力的持续迭代提升。只有模型实力不断增强,才能解锁更多用户与应用场景;而高价值场景的拓展,会进一步提升token的消耗量、质量以及客户付费意愿,这是重点投入领域。

第二,推进百炼平台的推理服务。百炼平台面向全球客户,核心目标是实现AI资源24小时高效利用,通过削峰填谷让每台AI服务器持续满载运行,进而产生更多token。这是做大百炼资源池的关键,也是资源分配的高优先级方向。

第三,兼顾内部AI化推理服务与外部客户需求。无论是内部业务的AI化改造,还是外部客户的推理服务需求,阿里都会纳入考量,但外部客户会有优先级区分:优先服务使用阿里云全方位服务(包括存储、大数据、中央处理器/CPU等资源)的客户;对于仅单纯租用图像处理器/GPU满足简单推理需求的客户,优先级相对较低。

图片来自AI生成

图片来自AI生成

吴泳铭:“AI泡沫三年内不太存在”

近期资本市场掀起了一场关于“AI泡沫”的论战。

华尔街著名“大空头”迈克尔·巴里(Michael Burry)质疑英伟达芯片的使用寿命、股票稀释以及AI公司间的“循环融资”。巴里称,“列出的每家公司都存在可疑的收入确认问题,如果把所有交易都算进去,那图表简直难以辨认。”

全球最大对冲基金之一桥水基金创始人瑞·达利欧表示,“市场里确实有泡沫,但我们还没看到刺破泡沫的因素。”

吴泳铭也给出了自己的回答,“未来三年内并不存在所谓的‘AI泡沫’,行业相关投资具备扎实的需求支撑与合理的回报潜力。”

他展开表示,从需求侧和供给侧两个维度来看,在需求侧,有两大核心驱动力支撑ROIC的提升。

  • 一是模型能力持续进阶,基座模型、视频生成模型及未来的全模态模型等,能力仍在不断突破,规模化法则的发展尚未触顶,谷歌Gemini 3人工智能模型的进展就印证了这一点。随着模型能力提升,AI可承载的任务与适配的场景持续增多。
  • 二是AI任务在各行业的渗透率不断提高,两大动能叠加,未来三年内AI需求的增长具有高度确定性。

从供给侧来看,当前全球AI服务器产业链各环节——从半导体制造厂、存储器厂商到CPU供应商——自今年下半年起普遍缺货,且缺货由AI需求直接带动。而供应链厂商的扩产存在显著瓶颈,扩产周期至少需要两三年。

在这一周期内,需求增长速度远快于供给提升速度,AI资源将持续处于供不应求的状态。目前行业内无论是我们自身,还是美国的大型云服务提供商,不仅最新GPU基本满负荷运行,甚至三五年前的旧款GPU也处于满载状态。综合供需两侧情况,加之AI投资的ROIC在资本支出增加后仍有明确提升空间。

而对于阿里资本开支的疑问,阿里CFO徐宏表示,此前提及的3800亿元CAPEX投资,是一项三年期规划。但就目前情况来看,若仍无法充分满足市场需求,不排除进一步增加投资的可能,会以积极态度布局AI基础设施投资,从当前客户需求的旺盛程度来看,此前提出的3800亿元规划可能偏保守。

关于资本开支所带来的增量营收比例如何估算,目前难以给出精准答案,核心原因是AI行业整体仍处于发展早期阶段。同时,阿里的AI基础设施存在多场景应用模式,且各领域均在动态变化,既包括直接向客户出租服务器用于模型训练或推理,也包括利用自有服务器支持百炼平台(阿里云企业级大模型应用开发平台)的推理服务,还涵盖为高德、淘宝、千问、夸克等内部应用提供支撑,助力其转化为会员服务或产品。

由于不同应用模式对应的营收水平和毛利率存在差异,当前阶段资本开支与增量营收的比例尚不稳定。但从长期来看,阿里更关注基础设施所产生词元(token)的质量及性价比。(文 | TechPulse,作者 | 张帅,编辑 | 盖虹达)

原文链接: 阿里云营收大增34%创新高,吴泳铭如何讲好“越投越涨”的故事?
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230