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

进击的千问,藏着阿里“AI实体化”的野心

编程导航
编程导航
2025-12-20 12:30
阅读 159
编程导航
2025-12-20 12:30
阅读 159

一张用数据编织的巨大网络,让AI连接到了物理世界的无数个真实触点。

12月18日,才刚“满月”的千问APP正式接入高德,从线上回答问题的伙伴,进化为服务于现实生活的个人助手。

地图对地理空间信息的像素级网罗,让AI能更精准、动态地理解现实世界。接下来,阿里生态的消费、支付、生活服务等核心场景将全面接入千问APP。

想象一下,也许就在不远的将来,追剧看到喜欢的穿搭,千问能通过图片识别品牌,自动在淘宝完成搜索比价,甚至给出专业的搭配建议;假期想来一场说走就走的旅行,千问迅速为你规划好整个行程,并用飞猪订好了机票、酒店,用高德扫街榜选好了当地特色的餐厅,帮你打车前往,最终用支付宝完成付款。

阿里的目标,是打造一个“AI原生的C端超级入口”。无需频繁跳转,在AI Agent的协助下,在一个app内就能丝滑完成所有操作。这不是简单的功能堆叠,而是生态的有机融合。

一旦实现,那将是一个真正的庞然大物。

当“最强大脑”闯进物理世界

千问接入高德,让AI Agent长什么样变得具象化。

去陌生城市旅游,它可以结合高德扫街榜,帮你快速找到合适的餐厅、酒店、药店,并即时生成包含地理位置和出行方案的可视化决策卡片,点击卡片即可唤起导航或打车。

在城市出行,千问结合限行规则和高德地图实时路况,为用户规划最合适的出行方式和路线,还能处理顺路买咖啡、中途充电、休息等复合任务。

外出游玩,它可以结合天气状况和活动动态,给出目的地和穿衣建议,同时具备精准提取图片中地址信息的能力,比如通过朋友拍的风景照判断地点距离。

在千问APP的最新版本中,这些都已成为现实。

月活8.9亿的高德,拥有庞大的实时地理数据系统——每日超千亿次实时调用的时空引擎、覆盖全球超2亿POI(兴趣点)。阿里千问Qwen则是在全球主要模型社区下载量突破6亿、衍生模型超17万个的全球第一开源模型家族。

千问APP+高德,是国内AI应用首次具备真正的地理空间理解与推理能力,同时能够调用高德的底层能力,完成从信息查询到实际行动的闭环。

当AI的“最强大脑”闯入物理世界,便打通了AI连接现实的“最后一公里”。

与过去几年来AI大模型在语义理解上的持续突破、精进不同,从第一阶段的讲题、画PPT、写作到第二阶段的打通高德,千问的重点不再是单纯的写诗、聊天和提供情绪价值,而是能自主执行任务、切实帮用户解决问题的个人助理。

推动这一变化的背后逻辑,是用户对AI的需求开始从“图个新鲜”转向“真能办事”。当AI来到应用层创新的阶段,各大巨头之间的比拼,也已经从“谁更聪明”升级为“谁能闭环”。

在这个闭环中,千问将成为最大的流量枢纽,将阿里的地图、电商、本地生活乃至金融等业务版图全部串联起来,AI的“最强大脑”则是贯穿其中的中枢神经。

效果如何?用户用脚投票给出了答案:12月3日,AI行业榜单“AI产品榜”发布最新月度数据,11月17日才开启公测的千问APP成为全球月活增长最快的AI应用,增速高达149.03%。

阿里AI全力进军C端,卷的不是功能竞赛,而是应用场景;拼的不是画饼,而是落地。

两大巨头,一个新方向

三年前,ChatGPT横空出世,感受到严重威胁的谷歌向全公司发出了“红色警报”。在那之后的很长一段时间,OpenAI与英伟达这对“双子星”,是主流AI叙事的绝对主角。

三年后,“沉睡的巨人”苏醒,谷歌的Gemini显露王者之相,让整个硅谷都为之一震。在微软、英伟达、苹果之后,一场漂亮的绝地反击,让谷歌成为人类历史上最有希望突破市值4万亿美元大关的公司。

与OpenAI相比,Gemini之所以能够后来居上,既是底层技术积累的厚积薄发,也是生态的胜利——一套与众不同的全栈式开发策略,从云计算到基座大模型再到消费级应用全部覆盖。

作为AI能力的载体和商业出口,C端产品将技术转化为切实可见的业务增长。Gemini应用推出后,月活跃用户数迅速超过6.5亿,并带动谷歌季度营收首次突破千亿美元。

换句话说,谷歌的杀手锏在应用层。

在国内,阿里与谷歌不谋而合。

作为科技公司,它们都有连接真实物理世界的枢纽——地图场景和相关数据能力。阿里布局AI应用的路线,也与Gemini模式有异曲同工之处:抓住后发优势,以地图为切口,依托丰富的业务场景,实现垂直纵深突破。

两大巨头都看到了AI理解“地理空间”的巨大机会,并抓住“模型+服务履约能力”这一切入点,用AI重做自己所有的业务,或者说,把整个公司更新为“AI模式”。

不同之处则在于,阿里拥有更加庞大的商业生态,在线上线下多个领域的布局还要更深、更广:地图、外卖、订票、办公、学习、购物、健康、物流、支付。这些服务履约能力未来都有机会接入千问APP,意味着巨大的想象空间。

正如谷歌创始人谢尔盖·布林所说,新技术正在重塑人们的期待,AI这轮升级是和用户一起共建下一代智能系统。也正如阿里核心管理层的集体判断:千问项目是“AI时代的未来之战”。

国内外两大巨头共同掀起的风暴,昭示着AI未来发展的方向:从比拼参数、速度、功能的点状突破,到场景覆盖、生态构建、商业闭环的全面生态战。

它们不是在一条窄路超越了对手,而是重新开辟了一个更大的战场,重写了整个游戏规则。

三场硬仗,AI升级生态战

毫无疑问,2025年是阿里的变革之年,关键词是集中力量办大事。

上半年,淘宝闪购发起“闪击战”,彻底改写了即时零售行业的市场格局。后半年,百人工程师团队在阿里杭州西溪园区封闭办公3个月,高德扫街榜问世,在本地生活赛道掀起了新的浪花。

11月17日,在AI领域布局已久的阿里推出了姗姗来迟的C端应用——千问APP。这个重磅的集团战略级项目,卷入了智能信息事业群、阿里云、通义实验室、淘天、高德等多个团队。

在不同战场打响的三场大仗、硬仗,指向同一个目标——构建AI时代的“实体化生态优势”。

AI技术走到今天,已经来到了非线性发展的阶段,AI应用的未来发展取决于生态整合的深度与广度。

不同于OpenAI的纯模型路线,以高德为切口,阿里正在集结其庞大的线下服务网络,将“最强大脑”与真实世界结合,将用户规模和数据广度的优势转化为AI的“原子化能力”。

这既是在竞争激烈的AI应用战场上构筑自己的护城河,也是反向驱动整个全栈AI生态系统发展的重要引擎。

谷歌DeepMind首席技术官Koray Kavukcuoglu在一次分享中提到,很多人对AI的想象还停留在实验室里关起门来搞研究,但现实恰恰相反:越是贴近真实世界,模型的接触面越广,真实世界复杂问题的挑战越多,反馈信号越丰富。

C端产品与底层技术,形成了技术验证、数据积累、商业价值的生态闭环;亿万用户的行为数据,则是驱动AI进步的数据飞轮,不断把反馈回输,让模型在高频迭代中变得更加高效。

千问的野心,是成为AI时代的超级入口。接入高德只是开始,接下来,它还将在外卖、订票、购物等众多场景对用户进行全方位渗透,完成下一个时代的生态占位。

上一个二十年,“万能的淘宝”是5亿日活用户生活中不可或缺的一部分。下一个二十年,当AI时代到来,“万能的千问”将承担什么样的角色?(于米)

原文链接: 进击的千问,藏着阿里“AI实体化”的野心
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