铃阅
❌

普通视图

Qwen4-Max 正式上线

2026年11月16日 10:29

阿里研究院 2026-11-16 10:29 浙江

正式发布 Qwen4-Max——与你并肩工作、创作和探索的全天候 AI 新同事。Qwen4-Max 基于 Qwen4 系列全新结构,拥有 2.4 万亿参数,具备原生视觉能力,支持百万 token 上下文窗口。

文章转载自公众号

图片

我们正式发布 Qwen4-Max——与你并肩工作、创作和探索的全天候 AI 新同事。Qwen4-Max 基于 Qwen4 系列全新结构,拥有 2.4 万亿参数,具备原生视觉能力,支持百万 token 上下文窗口。

Qwen4-Max 以更强的专业工具运用、长程任务执行与成果交付能力,推动真实世界生产力的提升。从专业工作的深度到无限创意的广度,从 3D 建模与游戏开发到复杂精密的工业制造,从金融、法律、医疗到前沿科学探索,在与你的协作中,Qwen4-Max 能够理解工作全貌并持续推进项目,让每一个目标都拥有抵达现实的路径,实现人与 AI 协同工作的全新可能。

Qwen4-Max现已上线千问AI平台对外提供API服务,缓存命中每百万Tokens低至0.5元,用户也可通过阿里Token Plan调用新模型,或在千问办公、Qoder、千问APP、Qwen Studio等应用中直接体验。Qwen4系列的中小尺寸模型将陆续开源发布。

性能表现

编程、办公及长程任务综合性能对比

相比 Qwen3.8-Max,Qwen4-Max 的整体能力显著提升。

图片

Code Arena:WebDev 

Qwen4-Max前端编程能力出色,在Code Arena盲测榜单中位居全球前列。

图片

Token 效率与成本

Qwen4-Max 以更少的 token 消耗取得了优于 Qwen3.8-Max 的性能:在 Work360 上,Xhigh 和 High 两档推理强度下的 token 消耗分别减少约 24% 和 35%;在 Terminal-Bench 4.0 上,分别减少约 48% 和 49%。与此同时,相比 Qwen3.8-Max,我们全面下调了 API 定价,尤其大幅降低了缓存命中价格。在我们 Work360 的评测中,单个任务的平均费用从 26.58 元降至 11.16 元,降低了 58%。

Work360 与 Terminal-Bench 4.0 的 token 效率。

预训练

Qwen4-Max 采用 Qwen4 系列的全新架构,拥有 2.4T 总参数,每个 token 激活 71B 参数,另有 328B N-gram Embedding 参数。该架构围绕Attention、Residual 和 Embedding三个方面对稀疏 MoE 模型进行系统升级,优化计算效率、模型容量和训练稳定性:

  • GDN + Qwen Sparse Attention(QSA): 每四层中,三层 Gated DeltaNet 将历史信息压缩为固定大小的状态,另一层 QSA 通过轻量级索引器,以 block 为粒度选择相关上下文,降低长序列的注意力计算与索引开销。

  • Gated Residual(GR): 将残差流扩展为四条并行分支,通过动态读写门控增强跨层信息传递,提升训练稳定性。

  • N-gram Embedding: 根据局部上下文查表,在第二层引入局部 token 模式的额外表示,以较低的额外计算开销扩展模型容量。

图片

Qwen4-Max 模型结构

在 2.4T 参数规模下,Qwen4-Max 的预训练过程平稳,loss 持续下降,全程未出现 loss spike。这主要得益于模型架构和训练优化的改进。

图片

Qwen4-Max 平稳的预训练过程

在知识、代码、问答和 STEM 四类内部评测中,Qwen4-Max-Base 的每字节比特数(BPB)在全部五个参评模型中均为最低。相比 Qwen3.8-Max-Base,在总参数量同为 2.4T 的情况下,其各领域 BPB 下降约 5–13%,同时每个 token 的激活参数减少约 25%。

图片

内部评测:指标为 10 × BPB,越低越好。参数量按激活参数 / 总参数标注。GLM-5.3 和 Kimi-K3.1-Pro 为后训练模型,后训练可能影响其与基座模型的比较。

驱动真实生产力

Qwen4-Max 深度融入千行百业的复杂工作流,以更强的专业能力推动高质量成果交付,成为驱动真实生产力的 AI 新同事。

工业与专业应用

为全面提升模型在工业与专业场景中的协作能力,我们构建了 Work360 综合场景建模框架。该框架对复杂行业场景进行系统解构与细粒度分类,建立了涵盖 26 个一级领域、182 个二级子领域和 721 个三级细分领域的层级分类体系,实现对工业与专业场景的全方位覆盖。基于这一分类体系,我们构建了极具挑战性的 Work360 行业基准测试。在最新评测中,Qwen4-Max (52.69 分) 相较于上一代模型 Qwen3.8-Max (47.74 分) 取得了显著进步,在更广泛的行业场景中成为更强大的专业生产力工具。

Qwen4-Max vs Qwen3.8-Max 模型对比

图片

任务样例

图片

三维世界理解与生成

Blender:三维建模与场景创作

Qwen4-Max 展现出强大的三维创作能力。它能够熟练使用 Blender 工具,串联几何建模、场景搭建、材质配置与灯光渲染等环节,将创意逐步转化为细节丰富、风格鲜明的三维作品。

从建筑与室内空间,到自然景观和科幻场景,Qwen4-Max 展示了对空间布局、物体结构与视觉效果的综合把握。

这种三维创作能力被进一步应用于游戏开发场景,并通过 3D 打印成为实体作品,将数字创作与后续开发、制作流程相衔接,为设计探索、内容创作和原型制作提供支持。

游戏开发:基于专业引擎的游戏创作

Qwen4-Max 能够熟练驾驭 Unity、Unreal Engine、Godot 等主流游戏引擎。 只需简单的自然语言需求,它就能合理利用外部资产,独立完成场景搭建、玩法逻辑开发、资产整合、材质配置、HUD 设计与特效制作,交付一个上手就能玩的游戏。

开发过程中,它会实际运行游戏,根据画面与交互反馈调整各种细节,如镜头跟随、角色动作、命中效果与打击感、光影与节奏配合,通过持续的运行测试与迭代,将场景、玩法和视听效果整合为可直接运行和体验的 3D 游戏。

喵出法随:Qwen4-Max 在 Unreal Engine 中打造猫咪法师冒险游戏。玩家可施放多种法术、选择能力强化,并挑战逐波敌群与首领。

汽车制造:从产线规划到零件设计与加工提效

在三丰智能装备、泛海统联精密的实际生产场景中,Qwen4-Max 将图纸理解、参数化建模与专业工具调用等能力融入工程流程,支持汽车制造中的产线规划、零件设计与加工验证等任务。其将设计生成、工具执行与反馈验证串联起来,展示了贯穿汽车制造全链路应用能力,带来可量化的效率提升。

在产线层面,Qwen4-Max 根据二维布局图与工艺参数,调用既有设备库构建三维产线,并开展节拍仿真与 PLC 虚拟调试;在零件层面,它完成车门总成、摩擦轮等部件的建模与设计,并辅助开展加工工艺规划、刀路生成与仿真核验。Qwen4-Max 通过根据仿真反馈迭代加工方案,在上机前发现过切、少切等问题。

在所展示的加工案例中,单个工件加工编程所需的人工投入由约 475 分钟降至 24 分钟,减少约 95%。

Agentic 视频创作

借助 Qwen4 与万镜一刻,您可以构建端到端的视频创作工作流。从打磨分镜脚本、搭建静态资产,到在白模预演中驱动相机动画、渲染生成独立片段,最终剪辑成连贯的多场景影片。

Qwen4 强大的语言、多模态以及智能体能力给复杂视频创作带来了知识注入、可控性和稳定性:

  1. 知识以文本或参考图prompt的形式注入到生成模型,使得生成更能反应创作者的知识和逻辑。

  2. 参数化白模预演确保复杂静态资产中几何结构、比例尺度与空间关系的一致性,也可精确控制动态运镜中的相机路径、动作和事件的时间轴卡点。

  3. 人机交互的自然语言化以及预演的可控性使得最终的成品更加稳定可解释。期待您使用Qwen4创作更多精彩的内容。

金融、法律、医疗落地实践

在专业垂直领域,Qwen4 深入金融投研、法律尽调与临床医疗三大高门槛场景,不仅可以处理繁杂的原始资料,更能完成深度的逻辑推演与证据链溯源,真正实现从“信息检索”到“专业交付”的跨越。

金融投研

Qwen4 可熟练调用 90 个 MCP 工具,全面获取 A 股、港美股、债券、基金及衍生品市场的行情、财务、利率与分红数据,并结合搜索对公开资料进行交叉核验。面对复杂的投研需求,它能够跟踪行业供需与订单变化、研判宏观利率与信用利差、比较股债性价比,并开展多因子回测以评估风格暴露。

以下案例以沪深 300 股指衍生品为例,展示了模型如何综合资金成本、股息率与合约期限计算理论基差、分析实际贴水,并考察隐含与历史波动率的差异。

最终,投研成果以 Excel 底稿和可编辑的 PPT 报告形式交付,并提供双重溯源保障:一是来源可查,点击单元格链接即可直达原始数据出处;二是图表可对照,PPT 图表与 Excel 底稿完全对齐,研究人员可随时从报告回溯至底稿,精准核对数值与计算公式。

企业 IPO 法律尽调

Qwen4-Max 展现出处理长程复杂法律实务的卓越能力。

面对客户分批提供的 198 份格式混乱、命名不一的散乱底稿,模型能有效排除干扰,按实质内容重命名并归类为 14 个目录,自动编制底稿文件清单;同时主动检索工商登记、知识产权、司法及信用等公开信息,与底稿进行多源交叉核验,核实发行人相关事实。

在核心的风险把控上,模型能深挖协议细节并剖析法律风险(如精准识别“对赌协议恢复条款”等潜在隐患),进而提供可执行的整改建议。

最终,它按严苛的实务标准交付了一份 86 页、6 万余字的完整尽调报告,全面覆盖历史沿革、股权架构等 12 个模块及 14 项具体法律问题,且所有结论均附有底稿引用以便追溯,在大幅提升尽调效率的同时,有力支持律师将精力聚焦于核心风险判断。

危重症临床医疗

在危重症临床医疗场景中,患者往往并发症多、病情变化快,伴随高频次的检查化验,产生了体量巨大且形态各异的医疗数据——包括几十份检验单、上万字的病程记录、多份医嘱以及 1,433 张原始影像。

视频中的患者在颈动脉支架术后经历室颤并复苏,拔管后出现胸痛,并于第六天再次插管。Qwen4 在单次对话中通读了整份复杂病历,完成了从信息提取到辅助决策的闭环:查指标(跨日期精准定位特定 CRP 结果)、理病程(将六天内的复杂事件对齐为清晰的时间线)、读影像(将影像归为六类序列,定位目标胸部 CT,通过多窗口并行读取数百张原始图像,准确识别出“双肺背侧实变”,与主管医生诊断完全一致)、做决策(综合多模态信息进行权衡,给出四条处置建议,与医生当日医嘱逐条对应)。

通过深度的医疗协同,模型能够高效整合多源证据,为临床一线决策提供坚实可靠的辅助支持。

驱动长周期智能体(24/7 Agents)

Qwen4-Max 支持智能体全天候推进长周期任务,通过自主规划与持续迭代,分阶段交付可用成果,兼顾自主执行与用户掌控。

持续交付:边做边交付,方向全掌控

长程智能体经常蒙头做事,缺少阶段性反馈,导致用户难以实时掌握进展、发现偏差和调整方向。为此,Qwen4-Max 融入 Live Delivery 能力,先交付可用首版,再持续交付更新版本,逐版扩展内容、提升质量。用户可依据每版交付成果评估进展、校准方向,Agent 可结合用户反馈动态调整计划,让长程任务的交付进展可见、执行方向可控。

我们同步开源 Qwen-Live-Delivery-Plugin,安装插件即可体验持续交付能力。

云资源调度:

提升模型自身应用、推理与训练的资源效率

Qwen4-Max 具备围绕复杂目标与约束进行运筹建模、求解与验证的能力,从而交付高质量的优化决策方案。该能力在阿里云真实业务场景中落地,实现了模型自主迭代并优化自身所需调度方案的闭环,涵盖数据标注中的多模型调用调度、云计算 GPU 资源的在线分配调度,以及云计算 CPU 资源的离线重调度。

在这一过程中,模型根据任务设定自主生成候选算法,协同阿里自研求解器 MindOpt 对可行性、目标值与耗时进行评估并获得反馈,进而通过修改代码、交叉验证来迭代更优策略。从上层模型调用到底层云资源调度,Qwen4-Max 依托可量化的反馈持续进化,直接优化了支撑其自身应用、推理与训练的运行系统,而由此带来的成本降低与资源效率提升,又将为下一轮模型迭代提供更坚实的算力支撑。

在相应场景中,数据标注场景模型调用调度费用对应参考基线平均降低 10.42%,GPU 在线分配相对基线的整机空闲容量时长提升 4.62%,CPU 离线重调度场景中达到最优目标的求解速度提升超 14.61 倍。

图片

驱动科学发现

干湿实验闭环:

Qwen4自主设计与合成新型冷却液材料

面向下一代高功率芯片给数据中心带来的散热挑战,Qwen4依托深度原理Mira提供的一体化干湿实验环境,自主完成了一种新型冷却液分子的设计、实物合成与测试验证,最终获得真实材料样品。

在连续48小时的自主Agent运行中,Qwen4全自动完成路线调研,构建包含270万个分子的候选空间,并依次开展结构筛选、MPA性质预测、第一性原理计算、逆合成设计与实验规划。

Qwen4进一步调度自动化湿实验室完成真实物料的配制、合成、分离纯化与测试,将屏幕上的分子结构转化为实验室中的实体样品。经过4轮“分子设计-合成测试-主动学习”的闭环迭代,Qwen4最终获得经过实验验证的新型冷却液分子。

从用AI探索材料,到用材料支撑AI基础设施建设,本次任务为破解数据中心散热难题探索了新的材料路径,展现了Qwen4跨越数字世界与物理世界的长程科学发现能力。

药物发现:

以自主科研探寻延缓认知衰退的新路径

阿尔茨海默病逐步损害患者的记忆与认知能力,也给家庭和社会带来长期照护负担。神经炎症是其重要病理环节,参与这一过程的 NLRP3 炎症小体,为探索新的干预策略提供了重要研究方向。

围绕这一靶点,Qwen4-Max 在深势科技 PharmMaster 平台上,展示了贯穿靶点研究、分子优化设计与计算评估的全链路能力。它不只是生成分子结构,更将文献与专利理解、专业工具调用和计算反馈融入持续迭代的科研流程。

在这一过程中,Qwen4-Max 自主检索文献与专利证据,选择参考分子并建立评估基线,随后通过多轮结构设计、性质预测与分子对接,根据评估反馈调整优化方向,最终结合跨轮指标比较与相对结合自由能(RBFE)评估完成候选优选。整个流程累计调用工具 454 次,完成 3,239 项计算指标评估,设计优化 24 个候选分子,将证据检索、设计生成、工具执行与反馈验证串成一条完整链路。

相比专利起点,最终优选分子在多项核心计算指标上实现全面改善。RBFE 计算估计显示,其与目标靶点的名义结合亲和力达到起点的约 3.6 倍。深势科技的专家认为,该分子具有较高的研究价值,值得进一步开展湿实验验证。从疾病相关靶点到高潜力候选分子,Qwen4-Max 将证据驱动的设计、专业工具执行与计算反馈相结合,展示了自主推进长程科研任务、持续优化分子并形成有价值研究成果的能力。

图片

“模型-框架-产品”协同设计

在 Qwen4-Max 的研发过程中,我们与 Qoder 等产品团队紧密合作,协同设计模型、智能体运行框架与产品。我们从用户在日常办公和专业设计中的实际需求出发,明确模型需要解决的问题,并以端到端任务的交付质量检验整体效果。在此基础上,持续提升任务执行能力、优化用户体验,帮助用户把想法落到实处,交付可直接使用的成果。

安全

我们以六大人工智能发展原则为指导,即:以人为本、包容诚信、隐私保护、安全可靠、可信可控以及开放共治,将模型治理贯穿于整个模型生命周期——从最初的设计与研究,到开发、训练、部署以及实际应用——确保负责任的人工智能是原生内嵌于设计之中,而非事后补充。

在软件工程训练任务中,我们在功能性检查的基础上新增了代码安全检测,以增强模型的内生安全编码能力。在 Last Secure Code Bench 的“无安全提示代码重建”及“功能与漏洞双重检验”中,Qwen4-Max 的函数级功能与安全双通过率从前代(Qwen3.8-Max)的 22.0% 提升至 31.8%;在函数,文件,仓库三个粒度上的同时生成安全代码比例从 8% 提升至 14.7%,接近翻倍。

模型在规避注入、内存安全和越权访问等核心风险上表现尤为突出,能显著减少默认生成的代码漏洞,协助开发者从源头压缩系统受攻击面。 

在网络安全方面,我们按任务的具体用途筛选,保留用于漏洞验证、检测和修复等防御任务的数据,剔除用于提升攻击能力等进攻任务的数据。经过内部安全专家对长程任务运行轨迹(包含完整 CoT)审查发现,Qwen4-Max 的网络安全防御能力大幅提升,针对攻击性用途的防护能力也显著增强。尚未发现模型产生大规模网络安全风险的能力。 

在 CBRN 方面,我们设计了安全数据并在安全后训练阶段提升了 Qwen4-Max 的内生安全。在内部评测中,Qwen4-Max 在未产生过度拒答的同时,识别出更多含有潜在风险的请求并给出安全回答。经过内部专家对模型作答(包含完整 CoT)审查发现,模型提出的方案不具备真正的创新性,也无法端到端的完成任务。尚未发现模型能够将相关知识转化为显著提升使用者能力的风险。

总结

Qwen4-Max 是面向工作、创作与探索场景的全天候人工智能协作伙伴。

它融合先进推理、原生视觉与长程任务执行能力,将复杂目标转化为可用的交付成果与具体的研究产出。依托持续交付(Live Delivery)机制,以及模型、智能体运行框架与产品层面的协同设计,Qwen4-Max 能够持续推进项目,根据用户反馈进行动态调整,并提供可供审阅和进一步拓展的成果。Max 只是 Qwen4 的第一款模型,系列中的小尺寸模型也将陆续开源:同源的技术路线、同一代的训练与对齐积累,面向小模型真正擅长的场景做取舍。 

作为新一代智能协作伙伴,Qwen4-Max 现已就绪,可随时响应用户的协作需求。

图片

跳转微信打开

阿里研究院:中国人工智能开源塑造全球公共价值

2026年11月11日 19:42

阿里研究院 2026-11-11 19:42 浙江

以下文章来源于:中国网信杂志

中国网信杂志

中央网信办(国家网信办)主管,中国网络空间研究院主办,中网信(北京)期刊有限公司运营,全国网信领域综合性期刊。

中国在全球大模型开源开发生态的贡献度达到18.7%,在参与“大模型开源开发生态全景图”项目开发的约36万全球开发者中,中国开发者占比18%,均仅次于美国位居全球第二,中国已经转变为全球主要的技术贡献者。

习近平总书记指出,“人工智能应该是造福全人类的国际公共产品”。如今,中国在全球大模型开源开发生态的贡献度达到18.7%,在参与“大模型开源开发生态全景图”项目开发的约36万全球开发者中,中国开发者占比18%,均仅次于美国位居全球第二,中国已经转变为全球主要的技术贡献者。中国开源的价值不限于对人工智能生态的影响力,还在促发展、促治理、促合作三个方面形成面向全球的公共价值。

促发展:开放共享激发技术创新与产业协同

开源加快模型技术演进。中国模型不仅发布可修改的模型权重,还进一步公开架构设计、训练方法、实现代码和工程经验。DeepSeek-R1在开放权重的同时,采用MIT许可证,允许开发者开展任意改动并享有衍生成果的全部商业收益。在发布论文的同时,公开了多头潜在注意力(MLA)、群组相对策略优化(GRPO)等强化学习算法的技术细节,带动Open-R1、Skywork-OR1、TinyZero等社区项目迅速跟进。这种深度开放是中国开源模型的共同选择。阿里公开“门控注意力机制”研究并获NeurIPS 2025最佳论文;月之暗面在K3技术报告中披露混合线性注意力机制和注意力残差等设计;智谱在吸收已有开放成果的基础上继续创新,GLM-5.3-Flash构建了稀疏注意力与线性注意力混合架构。由此,模型核心技术不再封闭于单个实验室,而是在企业、研究机构和开发者之间快速接力,原创成果能够被复现、验证和持续改进。

开源推动人工智能全栈协同。模型架构、权重和工程方法的开放,使技术优化不再局限于模型厂商内部。芯片厂商可以针对模型结构优化算子,云服务商可以完成推理适配与规模化部署,应用开发者则可以降低成本以服务更多用户。当前,美国多家人工智能企业已经主动适配中国开源模型。以芯片为例,英伟达针对DeepSeek的模型结构进行推理优化,并称可以将单词元成本最多降至优化前的五分之一。OpenAI与博通(Broadcom)合作设计的Jalapeño推理芯片,也将DeepSeek R1和Kimi K2.5列为首轮公开测试的模型。与此同时,Qwen、Kimi等中国模型入驻Fireworks.ai平台,并通过其集成接入微软Foundry等海外推理和云服务平台。中国开源不仅是全球人工智能生态的学习对象和开发工具,更成为下一代人工智能基础设施的设计参照。

开源为科研机构和创新企业提供普惠底座。面对高昂的训练成本与闭源接口调用费用,开源模型大幅降低了中小企业和科研团队进入人工智能领域的门槛。在科研探索方面,据美国ATOM项目调研,其抽样的大模型技术论文中约50%使用中国开源模型作为实验基座。例如,李飞飞团队以Qwen2.5-32B为基座训练s1模型,仅用不足50美元的算力成本完成训练,验证了测试时扩展方法的有效性。在产业创新方面,美中经济与安全审查委员会(USCC)的报告显示,约八成美国初创公司正在使用中国开源模型。

促治理:开放验证推动安全能力共建共享

安全研究高度依赖对模型的白盒访问。只有能够查看和干预模型内部,研究人员才能解释模型为何作出特定判断、识别隐蔽后门、开展更高强度的对抗测试,并从模型层面修正安全对齐问题。相比只能观察输入输出的接口测试,开源模型为漏洞分析、风险评估和防御机制验证提供了更充分的条件。

开源扩大对等防御能力的供给。模型既可能被滥用于网络攻击,也日益成为漏洞发现、代码审计和事件响应等场景中使用的重要防御工具。如果前沿能力只对少数受邀主体开放,攻防之间就会出现结构性的不对称:攻击方可以直接获得最强工具,防御方却只能等待授权。开源使中小企业、研究机构和发展中国家同样能够自主部署和持续改进防御能力。2026年7月,美国开源社区抱抱脸(Hugging Face)遭智能体入侵,紧急求助其本土闭源大模型却因安全机制僵化被拒,最终依靠中国企业智谱研发的开源模型GLM-5.2化解危机。事后OpenAI承认,肇事者正是其内部失控的GPT-5.6 Sol模型。

开放把更多主体纳入安全验证。人工智能开源通过提高透明度,让研究者、开发者、平台和使用者能够从不同专业与应用场景检验模型,发现单一机构难以覆盖的安全漏洞。更重要的是,这些发现不会停留在个别项目,评测方法、漏洞信息、复现实验和修复经验可以公开共享,沉淀为整个行业可以共同使用并持续更新的安全知识。开放本身不等于安全,却能拓宽发现问题、检验声明和共同改进的参与基础,使安全从少数厂商的内部承诺转变为可被反复检验的公共过程。

促合作:开放协作拓展国际合作新空间

当前,全球人工智能研发正在形成中美两极格局,最前沿的模型、高密度算力和顶尖人才高度汇聚于两国。对大多数国家而言,技术门槛与资源门槛叠加并存,由此催生的发展忧虑具有现实基础。如果人工智能“智力”的供给仅由两国的少数企业掌握,其他国家不仅有可能被隔绝在技术红利之外,也难以在全球规则建构过程中表达自身诉求。而开源,为破解这一困境提供了另一种可行路径。

开源为各国建设人工智能主权提供更多选择。中国始终坚持开放共享,通过释放开源能力,保障各方的选择权和发展自主权。人工智能主权的核心在于自主获取、部署和治理模型。闭源往往导致技术依赖,而开源提供了能力运行在本国基础设施上、模型因地制宜调优以及本地团队能力积累的可能。例如,新加坡国家人工智能计划以Qwen3-32B为基座,通过持续预训练与后训练,于2025年推出面向东南亚的Qwen-SEA-LION-v4-32B-IT,重点适配当地语言、文化与语境。

开源在共同使用中形成事实上的共识与联盟。传统的科技国际合作通常建立在明确的国际产业分工和既定产业链之上,各方事前确定参与主体、专业分工、权责关系和利益份额,再按约定推进;开源以资源共享为起点,各方自主接入和使用,在共同使用中创造价值、形成协作。Qwen3.8-Max和Kimi K3的许可设计体现了这一逻辑:个人使用、学术研究和企业内部使用无额外附加义务,合作关系由实际使用自然形成;面向外部提供模型服务并达到一定经营规模后,利益安排再由双方协商。更为重要的是,这类协作能将各方参与者联结为技术与商业利益共同体。当美国政策界讨论限制中国开源模型时,最先提出反对意见的正是作为开源受益者的美国产业界。

开源精神的延续与升级

开源不只是公开一份代码,更是把创新从少数主体的封闭过程转变为众多参与者可以查看、使用、修改和反馈的公共过程。人工智能延续了这一精神,并改变了开放的对象和组织创新的方式,可以概括为从开源(Open Source)走向开放资源(Open Resource)。

开放是技术演进的内在要求,大模型能力高度依赖经验主义、试错和工程实验,不是规划出来的,而是在反复试验中生长出来的;同时,开放以广泛参与和机会平等为价值内核,让不同规模的开发者、机构和处于不同发展阶段的国家都能接入并参与前沿技术演进。

早期的开源常被简化为发布一份训练完成的模型权重,而中国的开源范式走得更远,以DeepSeek、Qwen、Kimi、GLM等为代表的中国模型之所以受到开源社区广泛称赞,主要原因在于没有把开放停留在权重层面,而是同步公开数据集、代码库、工程实现的思考过程和后续构想,后来者因此能够真正复现并接续推进。开放也让中国模型与海外模型看见“同一片海”,生态活力被激发,技术演进的路径与目标在共同使用和改进中逐步汇聚。

作为中国人工智能开源的长期倡导者和坚定践行者,我们期待与广大科技企业、科研机构、开发者等各方生态伙伴一道,让前沿能力在更广泛的使用、检验和改进中,成为造福全人类的国际公共产品。


原标题:中国人工智能开源塑造全球公共价值

来源:《中国网信》2026年第10期

图片

跳转微信打开

安筱鹏:从把事做好到把事办成:多智能体协作的5大要素

2026年11月10日 11:13

原创 安筱鹏 2026-11-10 11:13 浙江

当单一智能体的能力跨过从量变到质变的拐点,下一步将是从单体智能走向群体智能。真正的问题随之而来:智能体与智能体如何协作?

题记:

当单一智能体的能力跨过从量变到质变的拐点,下一步将是从单体智能走向群体智能。真正的问题随之而来:智能体与智能体如何协作?这种协作又需要什么样的新基础设施?这是构建智能互联网需要回答的问题。当前,多智能体协作不仅在推动软件、数据、网络与身份体系的全面重构,更在催生全新的智能体原生基础设施与原生企业。在“旧假设失效、新标准未定”的窗口期,能否建立起可信、可控的协作体系,直接决定了智能体能否破局高价值场景。本文主要观点来自2026世界互联网大会乌镇峰会的主题演讲《构建多智能体协作体系,破局高价值场景之路》,由阿里云智能集团副总裁安筱鹏主讲,经结构化编辑而成。

一、单一智能体跨过能力拐点:提升的不是效率,而是能力

非常荣幸有机会跟大家分享我们从一线的观察,关于多智能体协作整个技术架构的演进趋势。

先看三个来自一线的数字:今年8月,智能体对token的消耗已经相当于人类的五倍。OpenAI的科学家中,token消耗排名前十位的人,每天消耗的token约合7000美元。从阿里云的实践看,过去一年数据库实例增长了400倍,这400倍的增长中,80%的实例由智能体搭建。

这三个数字说明一件事:智能体不再是实验性的玩具,而已经成为算力与数据消耗的主力。

年初OpenClaw的出现,意味着单一智能体的能力到了一个拐点。这个拐点的核心是:从去年 5 月份,随着Claude Code这类产品的出现,软件编程领域的智能体能力大幅提升。过去一个软件工程师可以编写200行代码,在AI的支持下可以写1万行,而且这1万行的质量可能比200行还要高。类似的,OpenClaw“小龙虾”的本质,是把全球3000万软件工程师的红利,拓展到12亿白领。

春节期间,我测试了各种各样的智能体。大半年来,我得出的最重要的结论是:今天的单一智能体,不是提高了我的工作效率,而是提高了我的工作能力——这是我最大的体会。效率,是把同一件事做得更快;能力,是能做过去做不了的事。两者的区别,正是这一轮变化的分量。

今天的智能体落地在哪里?大体有三类。第一类是生产力入口,比如今天在电梯、机场广告里经常看到的千问办公、WorkBuddy等。第二类面向特定行业或工作环节,比如金融、编程、法律、医疗。第三类量大面广:每个企业都可能需要基于一个平台,搭建面向自身行业与业务场景的智能体。如阿里云支持兰州石化、一汽、牧原搭建各种面向高价值场景的智能体。

为什么单一智能体的能力在春节前后出现了这样的跃升?因为过去一年多,五项核心技术取得了突破:模型、Skills、CLI交互、定时触发,以及长短期记忆。把这些能力封装到一起,单一智能体就跨过了从量变到质变的拐点。

二、从单体智能到群体智能:软件正在经历一场“斩首行动”式重构

单一智能体的能力拐点只是第一步。更关键的问题是:我们今天处在智能体形态演进的哪一个阶段?

从人使用智能体的方式看,可以划分为三个阶段。第一个阶段是辅助智能:智能体像一个人的“外挂大脑”,行动能力极其有限。第二个阶段是单体智能:独立的垂类Agent可以调用复杂工具,但智能体之间的交互仍然有限。第三个阶段是群体智能:人向一个智能体提出需求,由它调用多个智能体,共同完成任务,智能体之间形成协作网络。

图1|智能体形态演进的三个阶段:辅助智能、单体智能、群体智能;当前正处于第二、三阶段之间

那这个阶段,实际的商业场景上到底发生了什么变化?AI时代软件三条出路:被增强、被降级、被吞噬。所谓被降级,业界有位专家提出过一个观点,听起来有些危言耸听,却值得思考:AI正在对软件发起一场“斩首行动”——把软件的脑袋砍掉,把软件的躯体保留下来。换句话说,现有的软件体系正在被全面重构。

怎么重构?已有的软件功能会不断原子化,再为这些原子化的能力做手术,安装一个新的大脑。第一,形成超级智能体这一生产力入口;第二,通过Skill化、MCP化、CLI化,让软件逐步演变为智能体;第三,企业数据层也要与AI结合,进行新一轮迭代和升级。

所以,生产力入口、原子化并安装新大脑的软件,以及数据层,三者的持续迭代与协同演进,是未来的发展趋势。

三、案例一:满帮的“一票货”,多智能体协作已走进生产系统

那么,今天在实际的业务场景中,智能体跟智能体到底是怎么协作的?

满帮是一个连接500万货主与1000万司机的平台。围绕“我有一票货”这个需求,一群智能体如何协作,完成货主与司机之间的交易?货主只需提出一句委托:我要把货送到南京,找一个13米的车,运费别超过1800。

首先是货主智能体,负责理解需求、分派任务。这里的核心是模型能否精准识别语义。它还要把“可协商项”和行业知识的“标箱”写入上下文,让后续每一步协商都有依据。接下来,任务交给找车智能体:它多路并行找车,进行1到N的检索匹配,再汇总、比价、排序,找到合适的司机和车辆。随后,货主智能体通过MCP、API网关和事件总线对接交易系统,经货主授权,在沙箱中执行,并由人工确认下单,进入交易系统。

这里需要两项非常重要的技术:一是通信,即智能体之间的协作协议;二是身份识别,进行智能体的识别和鉴权。

下单并不是流程的终点,后面还需要全程 7×24 小时地跟踪这单货。后面还需要两个智能体。一个是跟单智能体:由下单事件唤醒,7×24小时盯盘,发生异常时自动重新规划。另一个是客服/判责智能体:由纠纷投诉事件唤醒,调取轨迹证据、裁定责任,客服人员兜底。

这背后需要的关键技术是运行时,需要沙箱、运行时、可观测、行为可审计。这是一个实际业务场景,不是演示。

图2|满帮场景:一票货运委托如何被一群智能体协作完成

四、从案例深入,多智能体协作的五个核心要素

从这个案例再往下看:多智能体协作需要哪些关键要素?我们认为有五个核心的要素。

第一,智能体身份信任。你是谁?我凭什么信任你?这一层要解决三个问题:身份识别——给智能体发“身份证”,并核验身份与主体是否对应;任务授权——明确它代表谁执行什么任务,相当于开一份“委托书”;权限核验——确认它在本次任务中能够调用哪些资源、执行哪些操作。

第二,智能体网络互联。怎么找到你?怎么可靠、实时、精准地触达你?核心是可靠触达,以及有状态、确定性的信息传输。

第三,智能体协作的语义层。这一层解决的不是网络连接,而是智能体之间如何调用、如何传递信息。协议就像插座:智能体之间通过A2A协作,智能体与工具、软件之间通过MCP连接。连接打通之后,还要通过协商契约明确质量与格式要求。再往上,则需要实时观测对方的运行状态,通过状态看板支持智能体编排。

第四,智能体协作编排与运行时。也就是Harness,负责事件流的协作编排与执行。

第五,上下文工程。它直接决定多智能体协作的质量。在身份信任层,上下文体现为记忆的可见性与来源可信;在网络互联层,体现为上下文传递时的实时装配、一致性同步与多模态融合;在语义层,体现为上下文的统一表示、读写接口与反馈。

这五个要素,共同支撑起多智能体协作的复杂网络。

图3|金融级场景:投资顾问的一句问话,被逐层分解为身份、网络、语义、编排与上下文的协作流程

五、案例二:券商投顾的一句问话,五个要素如何逐一落地

再看一个金融级场景。某券商的投顾人员问:某家公司近两季的盈利动能是否走弱,还能推荐客户购买这家公司的股票吗?

第一步,亮证开门。首先由持牌投顾人员向智能体授予本次任务所需权限,相当于发“身份证”。智能体查询行情数据库等数据源时,行情数据平台要验证它的凭证与授权范围,相当于查证件。这里的要求极其严苛:每次查询、每个字段都要核验授权,而不是授权一次、管一整天。

第二步,精准拆解任务、找对工具。接到任务后,智能体要先拆解,再依照协作标准与协议执行。任务契约是“立规矩”:明确执行要求,比如某项指标交给概率模型,还是交给数值计算工具。能力注册与匹配是“安插头”:从行情数据平台提供的400个MCP工具、A2A接口中,找到所需的财务指标查询、财报分析等接口。同时,哪些任务交给AI、哪些交给人,也要划分清楚。金融语义复杂、合规要求严格,任务不能随意分派,工作规矩不能自由发挥。这里就需要 Harness、上下文工程、 MCP 等等协议。

第三步,统一口径。“盈利怎么样”这样的问题,背后首先是指标口径。例如,“净利润”有十几种口径,涉及扣非/非扣非、单季/累计等区别,必须事先统一标准;再定义映射词典,明确自然语言对应的唯一指标口径。智能体对话的“语义格式”不能有任何模糊。

第四步,取数分析。指令要有序、可靠地传递,数据也要实时回传,再进行分析判断。这个过程中,网络抖动、丢包与时延都很重要:这里不允许网络抖动,因为它可能导致指令乱序、丢包;也不允许高时延,因为它可能导致数据过时、上下文不一致。那就需要网络本身的迭代——确定性的网络、超低延迟。

第五步,留痕对账。智能体的每一个行为都要能够回溯:给客户的每个数字,都能追溯到数据源、版本与时间戳;谁查询、谁签字,全程留痕。只有这样,才能满足金融级的审计要求,支持后续审计与调证。

这五步,对应前面讲的五个要素:亮证开门是身份信任,指令传递与数据回传是网络互联,任务拆解与口径对齐涉及协议语义、协作编排与上下文工程,留痕对账则体现了运行时的可观测与可审计。

六、AI 原生公司正在涌现,这是一个巨大的市场空间

这些协作需求,正在倒逼软件、硬件、云计算等一整套基础设施的迭代和升级。

软件层,需要智能体身份管理软件(如阿里云Agent Identity)、智能体Harness与智能体治理平台(如阿里云AgentCore);协议层,需要智能体身份标识标准,以及MCP、A2A等协作协议;网络层,需要确定性网络(如阿里云HPN、TPN)、超低时延网络与数据中心全光直连;数据层,需要湖库一体与上下文工程。此外,硬件层也出现了新的机会:Agentic AI为RISC-V打开了新的应用空间。

把这些协作需求映射到技术栈,可以看到五个层次:智能——模型与智能体编排;数据——上下文与记忆;通信——A2A、MCP、网关;身份——识别与授权;运行——沙箱、运行时、可观测与行为可追溯/审计。智能体给每一个细分领域都带来了新的商业机会,从全球来看,尤其是在美国,会有一批 AI 原生的技术产品解决方案公司涌现。

一批搜索、网站和邮件产品正在面向智能体而非人类用户设计,成为真正的智能体原生产品。

这些协作需求,正在倒逼软件、硬件、云计算等一整套基础设施的迭代和升级。

软件层,需要智能体身份管理软件(如阿里云Agent Identity)、智能体Harness与智能体治理平台(如阿里云AgentCore);协议层,需要智能体身份标识标准,以及MCP、A2A等协作协议;网络层,需要确定性网络(如阿里云HPN、TPN)、超低时延网络与数据中心全光直连;数据层,需要湖库一体与上下文工程。此外,硬件层也出现了新的机会:Agentic AI为RISC-V打开了新的应用空间。

把这些协作需求映射到技术栈,可以看到五个层次:智能——模型与智能体编排;数据——上下文与记忆;通信——A2A、MCP、网关;身份——识别与授权;运行——沙箱、运行时、可观测与行为可追溯/审计。智能体给每一个细分领域都带来了新的商业机会,从全球来看,尤其是在美国,会有一批 AI 原生的技术产品解决方案公司涌现。

一批搜索、网站和邮件产品正在面向智能体而非人类用户设计,成为真正的智能体原生产品。

图4|多智能体协作技术生态风向标:五层赛道的收购、融资与代表企业

看图表中的两组数字。一组是收购交易数:智能层1笔、数据层4笔、通信层7笔、身份层9笔、运行层12笔,五层都在发生并购。另一组是融资规模与估值:运行层融资规模达17亿美元,智能层9亿美元,数据层6亿美元,身份层2.9亿美元,通信层1.7亿美元。

它们在不断地快速变化,小企业不断地被并购。代表企业中,Modal估值157.5亿美元,Temporal为125.5亿美元,LangChain为30亿美元,Exa为22亿美元。收购方也在进场,CrowdStrike收购SGNL,Dynatrace收购Arize,Nebius收购Tavily。

我想表达的是:多智能体协作背后,是一个巨大的市场空间。技术快速迭代,既有体系不断升级,新的需求不断出现,也为原生技术与产品创造了新的商业机会。

七、我们正处于旧假设失效、新标准未定的窗口期,未来走向智能体原生

面向未来,单一智能体的技术仍在迭代,多智能体协作的趋势也将持续演进。我们正处于“旧假设失效、新标准未定”的窗口期。在这五个层次中,旧体系都要升级,新问题也都在等待原生解法。

智能层,大模型更加聚焦智能体的任务能力,包括编程与长程复杂任务能力;用于智能体自主认知和执行的原生多模态刚刚起步,RSI自主迭代仍在推进,模型迭代从按两个月、一个月,走向按周、甚至按天,模型与智能体协同演进。

数据层,数据库、存储与数据计算都要升级,走向湖库一体、统一数据源与即起即停;实时上下文与记忆则要求按任务动态装配、跨智能体共享、全程可审计;智能体正在成为数据的第一用户,企业级数据上下文,创新空间巨大。

通信层,网络需要面向智能体负载升级,HTTP要升级为有状态连接,超低时延网络;而能力发现、异步协商与跨域协作等智能体协作协议仍处于早期;智能体与系统之间的“机器协议”,如A2A远不成熟,广域互操作也存在多种技术路径。

身份层,IP/用户名/证书构成的身份体系需要升级,从回答“谁在请求数据”,转向回答“谁代表谁行动”;可信验证不再是一次性的身份认证,而是持续的行为监测;身份体系正走向动态授权,数字员工与区块链、Web3的结合空间巨大。

运行层,系统规模与安全防护强度需要升级,以应对百万卡算力、超大规模并发和AI安全需求;训练与推理加速、Harness、运行时、沙箱等AI原生与Agent原生基础设施,以及智能体原生操作系统与治理体系,正在诞生。

图5|窗口期:五层技术栈的已有升级、原生新问题与发展趋势

技术快速迭代、标准尚未定型,在这样的窗口期,宜采用审慎包容的治理态度。

回到开头的问题,单一智能体的能力跨过拐点之后,价值创造的重心正在从“一个智能体把一件事做好”,转向“一群智能体把一件事做成”。支撑这种协作的身份、网络、语义、编排与上下文五个要素,正在推动新一轮基础设施革命。这类似于云计算时代从虚拟化走向云原生的演进,只是这一次,变化围绕智能体展开。

对每一家企业而言,问题已经不再是“要不要用智能体”,而是软件、数据、身份与网络体系,何时准备好被智能体调用,以及如何支撑协作真正走进高价值场景。

图片

跳转微信打开

对谈千问蒋冠军:从模型、记忆到生态,Personal Agent的技术架构如何搭建?

2026年11月6日 10:34

阿里研究院 2026-11-06 10:34 浙江

下一代原生AI应用是什么样?

文章转载自公众号

Personal Agent 撕开了一道 AI 应用的口子。

个人记忆、生态工具、需求透视等一系列要点的叠加,让 Personal Agent 的理念有了更明确的定义:Agent 依托于模型的推理、规划与调用能力,但又不单单依赖于此,记忆是否准确、工具是否丰富,都决定着 Personal Agent 对用户需求的满足率。

Agent 的能力开始围绕「人」来构建。“根据用户需求和专业数据,我们建立了覆盖 30 多个行业的需求透视图,将需求归纳为不同意图,再拆解出 8000 多个模型的原子能力需求,通过后训练和强化学习,提升任务执行的稳定性和效果。” 在介绍千问正在邀测的 Personal Agent「千问 Go!」技术框架时,千问事业部 AI 算法负责人蒋冠军表示。

Agent 正在执行更复杂、更不确定的用户任务。在蒋冠军谈及的案例中,当千问 Go 帮助一位用户争取航班延误理赔时,考虑到用户表达过 “要现金赔偿”,直接拒绝了客服提出的优惠券方案,多次沟通与尝试,最终获赔 70 元现金。

但任务完成率只是起点,更关键的是记忆。

如何构建记忆?当用户表达 “月薪 8000 元” 时,是记住这个数字,还是记住 “有稳定收入” 的状态。如何提取记忆?当用户询问投资建议时,是调用理财相关的 context,还是要也要同步调取用户的家庭背景。

这被蒋冠军归纳为 “需求驱动的记忆体系”,从 “怎么用”,反推回应当 “记什么”。无论是 Personal Agent 核心的 “主动提供服务”,还是长期目标的设立与跟踪,都强烈依赖着个人记忆的准确性。

在与机器之心的对谈中,他提出了构建 Personal Agent 技术框架的三个核心:模型、生态和记忆。

基于模型能力,围绕具体的「每个人」,组织记忆、构建生态、调用服务、跟进目标,形成应用自身的积累。这是 Personal Agent 为 AI 应用打开的空间。

01 相比普通 Agent,要做好一个能够长期理解个人、完成复杂任务的 Personal Agent,显然困难得多。为什么大家都选择在这个时间点进入 Personal Agent?千问又是如何判断这一方向的?

我们一直认为,AI 产品最终会走向个性化的 Personal Agent。千问从 2025 年 11 月正式发布时,就提出了 “能聊天、会办事”,“会办事” 本身就包含了这个方向。

行业在这个时间点集中进入,核心是模型能力和生态逐步具备了落地条件。模型开始具备思考能力,能够检查生成结果和工具调用是否合理,遇到问题时重新规划;代码能力的提升,又让它能够串联多个步骤,完成复杂任务。

与此同时,生态的成熟,模型连接的不再只有搜索引擎,还有越来越多的工具和现实服务。把这些能力与个人记忆、Context 结合起来,Personal Agent 才有机会真正落地。

02 模型能力越来越强,行业也越来越关注 Harness 的价值。对于 Personal Agent 来说,模型和 Harness 究竟是什么关系?千问为什么强调两者的协同训练?

模型和 Harness 不能分开看。模型负责推理和规划,Harness 组织个人记忆、任务信息、Skill 和工具,构成实际执行任务的环境。模型能获得什么上下文、调用哪些工具,直接影响最终交付。

在实际落地中,能用工具、Skill 和专家经验解决,就尽量少让模型自行推理,通常成本更低、完成率更高;没有合适工具时,模型仍要有足够强的推理和规划能力,找到其他路径。

协同训练就是让模型更好地适应真实任务。我们围绕具体场景做后训练,通过训推一体化对齐训练与线上执行环境。有些任务第一次效果不好,稍微调整路径就能符合预期,说明短板不一定是模型能力,也可能是规划和工具调用方式。训练与系统设计需要共同补上这段差距。

03 从技术架构看,一个真正好用的 Personal Agent 需要哪些核心能力?相比已经比较成熟的 Coding Agent,Personal Agent 的技术难点在哪里?

Personal Agent 的难点,是用户上下文和服务生态都比 Coding Agent 更分散。Coding Agent 有代码库作为相对完整的上下文,编辑、编译、运行等工具也比较集中,因此更容易形成完整的执行链路。

生活和学习场景没有这样的天然条件。比如规划旅行、订票和酒店,用户往往有许多没说出口的默认要求。Agent 即使能执行,也可能因为没有理解真实需求而交付不好。

所以我们认为,Personal Agent 有三个核心:模型、记忆和生态。模型负责理解、推理和规划;记忆帮助它长期了解用户;生态提供专业知识、工具和服务。三者缺一,都会影响交付。

生态不通,不能靠模型变强自动解决。能通过 API、MCP 直接访问最好;采用其他方式,也要看用户是否授权、服务方是否允许。这些接入边界,是通用 Personal Agent 必须面对的问题。

04 很多 Agent 产品推出时令人惊艳,长期使用后又会暴露出任务成功率不稳定的问题。千问在这块有什么解决方案?

让用户惊艳,靠的是能力上限;让用户长期使用,靠的是稳定的能力下限。用户用千问订票,会默认大多数票都能订,不会接受换一种票就无法完成。因此,我们要围绕具体场景做后训练,提高稳定性和覆盖度。

比如先理解需求分布,再把需求拆成可训练的原子能力。同一类需求虽然有不同表达,但在技术上可以聚类、归约。千问目前围绕 30 多个行业,定义了 8000 多项模型原子能力要求,通过后训练和强化学习提升稳定性和效果。

这些基础能力再组合起来,尽可能覆盖真实用户的需求。对一个应用来说,常用任务能否稳定完成,有时比展示模型的能力上限更重要。

05 Personal Agent 需要反复推理、调用工具,还要处理不断增长的个人上下文。用户使用越多,成本会不会越来越高?千问在工程优化方面取得了哪些进展?

成本确实是问题:Agent 帮用户抢到 10 元优惠券,消耗的 Token 成本可能反而更高。长期看,我们判断 Token 成本会持续下降,但产品本身也必须持续优化。

除了模型路由、大小模型切换和推理优化,Harness 也是关键。同一任务,用不同的 Harness,执行路径和成本可能差很多。工具和 Skill 是平铺还是分层,相似工具中优先选哪一个,都会影响效率。

我们会与 Skill 提供方一起厘清功能和适用范围,提高单步调用成功率,减少重试和上下文积累;也会把常见执行模式封装成 Skill,避免模型反复推理。

另一个重点是上下文压缩:历史对话提炼成记忆,短期 Context 按任务筛选,工具和 Skill 信息也做精简。通过这些优化,过去一段时间,千问相关任务的上下文规模降低了约 40%。

06 真实世界里的任务往往没有固定流程。比如客服联系不上、订单规则发生变化,Agent 就必须重新寻找解决路径。千问如何提高长时间、多步骤任务的交付稳定性?

长任务能否稳定交付,关键是目标不丢、步骤可靠、失败后能换路。千问 Go!有一个航班延误理赔案例:用户希望获得现金赔偿,但航空公司最初提出的是代金券。Agent 没有把这当成任务完成,而是继续围绕现金目标沟通、寻找其他解决渠道,最终帮助用户拿回 70 元现金。

这个案例体现了我们重点关注的三个环节:规划是否合理,每一步能否执行成功,失败后能否重新规划。执行路径可以调整,但不能偏离用户目标。

执行能力越强,操作边界越要清晰。涉及订单、交易或个人数据修改等有实际影响的操作,该由用户确认的必须确认。我们在 Skill 中说明接口行为和交互条件,再由系统框架施加强约束,形成双保险。Agent 以助理身份办事,不能完全代替用户行使权利、承担义务。

07 Personal Agent 需要长期了解一个人,但用户每天都会产生大量信息。究竟应该记住什么、以怎样的粒度存储?千问在 Memory Schema 设计上有哪些不同思路?

记忆设计的核心不是尽可能多存,而是判断 “记什么、怎么用”。存得太多会过度记忆,太少又无法理解用户。Schema 即使不显式呈现,内容、粒度和层次也需要有清晰的判断标准。

我们既定义事实和关系,也从用户需求反推哪些记忆有价值。比如一位用户聊过退休养老,也聊过家里三十多岁的孩子没有工作。两件事单独看是事实,联系起来,可能意味着用户正承受家庭方面的焦虑。之后再聊家庭,甚至说 “我今天心情不好”,这段背景就可能帮助 Agent 更准确地理解问题。

存储形式上,纯文本仍然有效,因为模型本身具备很强的文本理解能力。更值得投入的是内容选择、粒度、分层和时效性:哪些是核心信息,哪些只在特定阶段有效,情况变化后如何更新。

08 存下记忆只是第一步。有些 Agent 记住了很多东西,却会在不相关的对话里频繁提起,让用户感觉被打扰。千问如何判断什么时候应该召回记忆,又该召回哪些信息?

召回记忆不是越多越好,而是要判断它与当前任务是否有关。信息过多会引入噪声,让 Agent 在不合适的时候提起旧事;用得不足,用户又感受不到记忆的价值。

比如前面那位用户再问孩子就业,养老金情况可能是重要背景;如果只是问天气,就没必要提及家庭情况。模型需要理解事件之间的关联,判断哪些历史信息有助于解决眼前的问题,以及怎样使用。

因此,我们会从事件关联和因果关系出发设计记忆体系。这可以理解为一种关系结构,但不等于一定采用知识图谱,最终仍可能以纯文本存储。

记忆还必须能更新、能失效。用户的情况和偏好会变化,Agent 不能始终用旧信息理解用户,召回时也要判断信息是否仍然适用。

09 一个理想中的个人助理,不仅能执行任务,更令人期待的是能够主动发现需求、主动服务。但主动服务也可能带来错误判断和隐私问题。千问目前做到了什么程度?怎样把握主动服务的边界?

主动服务还处在比较初级的探索阶段。我们先选择需求和时间节点较明确的场景,用产品设计限制范围,避免过度打扰。比如健康问题中的康复或复查节点,就比较适合阶段性提醒。

提醒要同时回答 “什么时候提醒” 和 “提醒什么”。这既需要专业知识,也需要理解事件关联,再结合产品边界,把提醒控制在相对合理的范围内。

相关不等于应该反复提起。如果用户咨询过一种不愿多谈的疾病,即使它与后续健康问题有关,也不应每次都拿出来提醒。我们会通过文本和语义约束,明确哪些服务可以提供,哪些提醒不应产生。

长期目标越明确,越容易跟进。用户设定了马拉松目标成绩,后续训练、跑步、休息都能与目标建立联系;但 “我要升职” 范围很广,当前任务怎样服务于这个目标,现在还做不到可靠判断。同时,助理也要尊重用户当前的需求,不能每次都用长期目标干预当下选择。

所以现阶段,我们先把明确的任务环节和目标做好,在过程中提供合适建议和必要信息。能够稳定做到这些,再逐步走向更复杂的主动服务和长期目标管理。

10 您对 Personal Agent 未来发展的期待是什么?

我最期待的,是 Personal Agent 不只执行已有任务,还能创造新的解决方案:找到用户没有想到的路径,或帮助用户完成原本要投入大量时间和成本的事。我认为,这才是它真正的增量价值。

今天 Coding 和工作类 Agent 发展较快,是因为输入、输出和上下文相对明确。更广泛的机会可能在生活场景,比如买房、买车、孩子上学。这些问题边界不清晰,却消耗大量时间和精力,也是千问重点探索的方向。把个人情况、专业知识和外部服务结合起来,Agent 才可能给出更好的方案。

我们正在从完成明确任务的代理,走向创造新价值的助理,但这个过程仍在早期。我希望先出现一些真正好用的生活场景,再进一步主动帮用户做事。说得直接一点,要么帮用户挣钱,要么帮用户省钱。

© THE END 

图片

跳转微信打开

蔡崇信乌镇谈开源价值:AI只有开源开放,才能普惠普及

2026年11月3日 14:45

阿里研究院 2026-11-03 14:45 浙江

今天,2026年世界互联网大会乌镇峰会开幕。阿里巴巴集团联合创始人、董事会主席蔡崇信在开幕式上发言。

文章转载自公众号

图片

今天,2026年世界互联网大会乌镇峰会开幕。阿里巴巴集团联合创始人、董事会主席蔡崇信在开幕式上发言。

蔡崇信表示,中国科技企业继续加大模型开源和生态开放的力度,开源模型下载量、衍生模型数等关键指标保持领先,成为当前全球开源智能的引领者。中国开源模型综合性能好、推理效率高,在全世界广受好评,具备很强的竞争力。

图片

他认为,开源来自中国创新的重要精神内核,强调超越一己之利、增进共同福祉,推动在共享中提升智慧,愿意在彼此成就中创造更大价值。

蔡崇信在发言中提到,开源可以让全球开发者生态繁荣起来,有效降低中小企业的研发成本,对小语种和发展中国家的价值尤其显著。开源也让AI不再为少数科技强国所独有,而成为各方都能深度参与的事业,能够有效弥合国家和地区之间的智能鸿沟,为智能时代的普惠发展奠定坚实基础。

“只有开源才能普及,只有普及才能创造可持续、普惠的智能时代。”

图片

图片

跳转微信打开

阿里Qoder获世界互联网大会领先科技奖,已服务超800万用户、10万家企业

2026年11月2日 18:07

阿里研究院 2026-11-02 18:07 浙江

11月2日,2026世界互联网大会颁奖典礼在浙江乌镇举行,全球共20项成果入选。

11月2日,2026世界互联网大会颁奖典礼在浙江乌镇举行,全球共20项成果入选,涵盖量子计算、芯片、具身智能及AI应用等领域。

凭借在智能体Harness上的技术突破和领先的全球市场份额,阿里智能体平台Qoder荣获领先科技奖,是国内唯一获得该奖项的通用Agent产品。

图片

世界互联网大会领先科技奖是面向科技和互联网领域的国际性科技奖项,旨在奖励全球年度最具领先性的互联网科技成果。今年,大会共征集来自43个国家和地区的430多项科技成果,经国内外权威专家严格评选,最终仅20项成果入选。

目前,AI编程是全球大模型应用落地最快的领域之一,也是全球顶尖模型创业公司和科技公司竞争的核心战场。依托于阿里巴巴多年在大模型、云计算与大规模工程实践上的积累,Qoder实现了模型、Agent运行框架与产品的联合设计,让智能体做到真正理解工程、自主编写工具、循环探索推进、完成研发任务,有效提升任务执行的效率。

Qoder还在不断拓展用户的使用场景。自2025年8月面向全球发布以来,Qoder产品家族已覆盖桌面版、AI原生IDE、命令行工具CLI、JetBrains插件、数字员工产品QoderWake、云端Cloud Agents等产品,可满足不同用户习惯和应用场景的需求。用户不仅可以在电脑桌面端使用Qoder提效,也可以在手机上查看进度、审批操作、追加指令。企业级用户可以通过SDK ,把智能体嵌入到的产品中,从而快速实现智能化,还可以在云端运行长程任务,提供24小时不间断的主动工作、主动服务。

10月底,Qoder上线桌面端互联功能,用户可以在常用的Qoder桌面客户端中,连接另一台设备的Qoder桌面端,并发起任务、跟进进度、补充要求,同时可预览远端生成的结果,进一步提升项目开发、测试等场景的效率。

Qoder已服务全球超过800万用户,中国移动、东方航空、吉利汽车等超过10万家企业已在日常开发工作中接入Qoder。今年6月,Gartner发布AI Coding报告,Qoder成功进入“挑战者”象限。今年7月,IDC发布2025年中国AI编程市场份额报告,Qoder以47.6%的市场份额位居第一,超第二名至第五名总和,持续领跑中国AI编程市场。

/ END /

图片

跳转微信打开

阿里巴巴与Apple达成合作,将千问集成至Apple智能

2026年10月31日 18:18

阿里研究院 2026-10-31 18:18 浙江

10月31日,阿里巴巴与Apple达成合作,将千问集成至Apple智能,中国用户可以在Siri、写作工具及视觉智能中,直接调用千问的文本与图像理解、内容生成等能力。这些功能将于11月4日起随最新的iOS开发者Beta版开放测试。

文章转载自公众号

图片

10月31日,阿里巴巴与Apple达成合作,将千问集成至Apple智能,中国用户可以在Siri、写作工具及视觉智能中,直接调用千问的文本与图像理解、内容生成等能力。这些功能将于11月4日起随最新的iOS开发者Beta版开放测试,并将于12月iOS 27.3正式发布时面向中国用户推出。

Siri可以直接调用千问的广博知识,并在Siri中直接回复用户问答。通过Siri,用户还能用自己选择的文档和照片,直接向千问提问。在任何问题、文档和图片发送给千问之前,都会先征得用户同意。

千问也已接入Apple的系统级写作工具中,为用户提供“千问创作”(Compose with Qwen)功能。“千问创作”可以帮助用户基于任意主题生成内容。用户还可以使用这一功能来生成图像。

在iPhone上,用户可以通过视觉智能功能更深入地了解周围环境,其中包括选择“询问千问”来识别眼前所见。用户可通过相机控制、操作按钮或控制中心来启用视觉智能功能。

用户可以自主选择是否开通千问集成功能。启用后,用户可通过Apple登录或使用自己的千问App账户登录,在Siri、写作工具和视觉智能中使用千问。用户可以自主决定何时使用千问,以及分享哪些信息。用户请求及生成的回复均不会被阿里巴巴用于模型训练,以保护用户隐私。

目前,千问的集成功能将在iOS中提供,面向在中国购买了支持Apple智能的iPhone用户,或设备定位和Apple账户国家/地区均设置在中国的用户。

“我们很高兴与苹果公司达成合作。千问将依托阿里巴巴深厚的AI技术积淀,深度融入苹果生态系统的各项体验,共同为中国苹果用户带来全新的智能服务。”

——阿里巴巴集团CEO吴泳铭

图片

跳转微信打开

苹果iPhone Duo完成大模型备案!搭载Apple智能、通义千问等

2026年10月15日 14:41

阿里研究院 2026-10-15 14:41 浙江

10月14日消息,工信部电信设备进网许可信息显示,苹果iPhone Duo折叠屏手机国行版(型号A3721)在今年9月2日获得试用批文许可证后,于9月29日完成换证,新增了所搭载大模型的备案编号。

文章转载自公众号

苹果iPhone Duo完成大模型备案!Apple智能、通义千问等现身

图片来源:界面图库

10月14日消息,工信部电信设备进网许可信息显示,苹果iPhone Duo折叠屏手机国行版(型号A3721)在今年9月2日获得试用批文许可证后,于9月29日完成换证,新增了所搭载大模型的备案编号。

该设备搭载的大模型备案编号为:Shanghai-AppleZhiNeng-202506160057、Shanghai-TongYiWanXiang-202410090024、ZheJiang-TongYiQianWen-20230901,分别对应Apple智能、通义万象、通义千问。

图片

进一步查询发现,国行iPhone 18 Pro系列(型号A3718)最新电信进网许可也于2026年9月29日换证,增加了搭载的大模型备案编号。涉及机型包括iPhone 15 Pro / Pro Max及后续机型。

图片

早在2024年6月,苹果便在WWDC2024全球开发者大会上正式推出Apple Intelligence系统。该系统集成了生成式人工智能功能,可跨平台应用于iPhone、iPad和Mac等产品,并与OpenAI达成合作,将ChatGPT集成至系统平台。首批功能于同年10月通过iOS 18.1在部分海外市场上线,但中国大陆版本一直缺席。

此后,市场传出苹果与多家国内AI模型厂商展开接触,为Apple Intelligence寻找符合中国监管要求的本地合作伙伴。2025年2月,在迪拜2025世界政府峰会上,阿里巴巴联合创始人、董事局主席蔡崇信确认了阿里与苹果就AI合作的传闻,苹果在中国销售的iPhone手机将采用阿里巴巴的人工智能技术。

在今年的WWDC2026全球开发者大会上,苹果发布新一代Apple智能及Siri AI。功能层面,Apple智能支持文本校对、图像生成、自然语言搜索及跨应用操作。比如照片编辑可自动添加隐藏水印;Safari能整理标签页、监控网页更新,比如产品补货或降价;信息与邮件应用提供智能回复和协同建议;电话可自动显示商家相关确认信息,比如当用户致电航空公司更改航班,“电话”可以自动在“邮件”应用中找到确认码;日历和快捷指令支持通过描述,自动生成事件或步骤。同时,自动校对和Apple Watch健康数据整合功能也得到增强。

但苹果明确宣布,在中国大陆,Siri AI和其他Apple智能新功能需要配合监管要求推进相关工作,因此暂时不能提供。Siri AI初期也明确不向欧盟地区提供。

7月8日,苹果技术开发(上海)有限公司的“Apple智能”大模型正式完成生成式人工智能服务备案,适用场景为苹果手机。7月15日,国家互联网信息办公室通过“网信中国”微信公众号发布公告,确认“Apple智能”等7款面向移动终端的生成式人工智能服务已完成备案。同批过审的还包括华为、OPPO、vivo、小米、三星和中兴等品牌的端侧AI服务。

对于Apple智能完成备案,阿里巴巴方面回应界面新闻称,阿里千问将作为AI能力集成至Apple智能,为 iOS、iPadOS、macOS 和 visionOS 的中国用户带来智能体验。用户无需在应用间切换,即可在 Apple 设备上直接体验千问的文本与图像理解、内容生成等能力。

此后,一篇名为《在Mac上配合Apple智能使用千问》的支持文档现身苹果官网Mac简体中文使用手册,其中明确提到Apple智能可配合阿里巴巴千问模型工作。然而,8月9日,这份操作手册已从苹果官网被删除,目前相关页面已恢复为此前“配合Apple智能使用ChatGPT”的版本。

8月9日上午,苹果客服相关工作人员表示:“我们有功能发布的时候或者新项目的发布,(苹果)都会提前让我们知道,但是目前(苹果)并没有通知我们这个内容,就代表暂时没有这个功能的实现,所以(落地)还会需要一些时间。”

随着此次包括iPhone Duo折叠屏在内的多款手机备案大模型编号,业界分析认为,Apple智能在华落地的节奏正在加快。

值得注意的是,已经卸任苹果CEO的蒂姆·库克近日再次访华,开启担任苹果董事会执行董事长后的首次中国之行。

10月10日,他首先抵达广州,探访使用iPhone拍摄作品的创作者,随后与应用开发者交流。11日晚些时候,他也去到了Apple北京三里屯店与消费者互动。

在接受界面新闻等媒体采访时,库克将AI视为应用生态扩张的新机会。他认为,“氛围编程”(vibe coding)正在降低开发门槛,让拥有好想法的人更容易创建自己的应用,吸引更多人加入开发者群体,也带来更多应用。

他强调,苹果提供的支持覆盖开发、运行和分发。开发者可以使用苹果的开发工具创建应用,通过苹果芯片运行AI功能,再借助App Store触达全球用户。

作为苹果首款折叠机产品,iPhone Duo即将于10月16日开启预售,10月23日正式发售。它提供256GB、512GB、1TB和2TB容量,星光白与夜空色两种配色。不同容量版本在中国区的售价为15999元、17999元、21499元、26499元。

在iPhone Duo预售前夕,苹果高管再次到访中国考察供应链。10月11日,苹果首席运营官(COO)Sabih Khan来到河南郑州富士康科技园,参观iPhone Duo生产线重点制程、iPhone 18 Pro后置摄像头模组产线、外观中框阳极氧化车间及SoC芯片级表面溅镀智造车间。被问及iPhone Duo的产能准备情况时,Sabih Khan表示,团队一直在为这款创新产品推进制造开发,目前正按照苹果一贯的高质量标准扩大生产规模。

图片

跳转微信打开

千问办公发布电商版,开启邀测

2026年10月14日 15:33

阿里研究院 2026-10-14 15:33 浙江

今天,千问办公面向所有电商商家推出千问办公电商版。

文章转载自公众号

图片

今天,千问办公面向所有电商商家推出千问办公电商版。

基于电商行业商家的日常工作场景进行了AI能力的重新设计和增强,尤其是针对跨多平台的电商经营场景,用一个AI入口驱动不同的电商平台,帮助商家完成AI时代的运营升级。

目前,千问办公电商版已开启邀测,在千问办公中切换至“电商经营”模式即可体验。

图片

除生成营销素材、数据分析等通用AI功能外,千问办公电商版推出了跨平台经营看板、趋势洞察及卖点分析、跨平台ROI智能优化、爆款素材批量生成等专业功能,帮助商家用AI管理跨平台、多店铺、全流程的生意。

图片

以往,多平台经营的商家需要逐个登录后台、下载报表再人工核对。现在,商家使用跨平台经营看板,就可以在一个工作台上,管理多平台、多店铺、全渠道的生意。

图片

商家可以使用趋势洞察及卖点分析:让千问办公从社交平台的热词和热门内容中捕捉趋势,结合商品卖点,帮助商家及时找准种草方向。

图片

跨平台ROI智能优化则可以动态跟踪多平台投放计划,结合经营目标和定时任务,诊断异常并给出优化建议。让每一分钱都花在刀刃上。

图片

爆款素材批量生成将热点趋势、品牌调性和商品卖点融入素材生成。

目前,千问办公已接入生意参谋、有赞、千牛、阿里妈妈万相台、FastMoss、LinkFox等业内主流商家经营和管理工具。

未来,千问办公电商版将持续向全行业生态开放,以接入更多的商家工具、行业软件。商品、素材、投流、客服、售后、供应链等,商家忙到哪一步,千问办公就帮到哪一步。

千问办公电商版未来还将推出主动经营能力,Agent将主动发现库存、投放、转化、售后等环节的异常,说明影响和判断依据,并按授权协助处理,让AI从“被动响应”走向“主动干活”。

千问办公致力于做懂电商、更懂商家的Agent。

图片

跳转微信打开

千问确认将推出“千问Go!”

2026年10月13日 17:06

阿里研究院 2026-10-13 17:06 浙江

千问官方公告,确认将推出Personal Agent“千问Go!”

文章转载自公众号

10月13日,有网友在社媒上分享自己使用千问Go的体验,引发关注。

千问官方公告,确认将推出Personal Agent“千问Go!”,内嵌于千问APP,体验申请页面已上线。用户可通过APP内指定入口提交申请,千问将逐步为更多用户开放体验资格。

图片

该网友表示,自己记得此前乘坐的航班有延误情况,但不记得具体是哪趟航班,于是对千问表示“帮我查查之前订的兰州杭州往返机票,出发有延误,我不记得是哪趟了,帮我在APP上和客服沟通赔偿”。

网友分享的视频显示,千问收到需求后,直接打开了出行服务平台的历史订单,核对航班情况,结合客服反馈,锁定延误航班为东航MU2445。

图片

不过,联系客服的过程也出现了一些波折,在千问尝试拨打航司电话后,遇到外呼异常,无法拨通。随后,千问在页面上找到了票务平台人工客服的对话入口,改为线上沟通。

平台客服最初给出合计70元的机票代金券补偿方案,但用户表示不愿接受代金券。

千问Go随即继续交涉,明确回复:“我明确拒绝代金券,只接受现金赔付!”经过多轮沟通,最终争取到70元现金赔偿,款项直接汇入用户支付宝账户。

除此之外,还有网友分享了通过千问Go完成场馆和演出预约、餐厅筛选预订、商品比价下单以及投递简历等任务的体验过程。

根据官方公告,千问Go拥有更强的办事能力,可处理更多类型和领域的个人事务。

此前,依托阿里生态与开放平台,千问已具备购物、出行、物流等数十个领域的办事能力。

公告显示,千问Go将基于收集到的使用反馈持续优化产品体验,打造更智能、更个性化的个人专属AI助理。

图片

跳转微信打开

安筱鹏:AI如何重构全球汽车产业竞争格局

2026年10月9日 15:14

原创 阿里研究院 2026-10-09 15:14 浙江

本文主要观点来自2026云栖大会阿里云汽车行业峰会上的主题演讲《AI如何重构汽车产业竞争格局》,由阿里云智能集团副总裁安筱鹏主讲。本文根据演讲内容整理,经结构化编辑而成。

本文作者:安筱鹏  

题记

过去一百年,从福特制、精益生产到电动化,技术革命一次次改写汽车产业的生产方式和全球版图;今天,AI带来的不再只是功能升级,而是经济模型、产品形态和竞争规则的同步重构。它使汽车产业呈现高固定成本、低边际成本的新特征,推动汽车从一次性交付的硬件转向持续运营的智能服务,也让自动驾驶、智能座舱和AI生产力成为新的三大竞技场。下一轮胜负,不只取决于谁能造出更好的车,更取决于谁能把数据变成飞轮、把软件变成服务、把组织重构为AI原生形态,并由此定义新的产业格局。

本文主要观点来自2026云栖大会阿里云汽车行业峰会上的主题演讲《AI如何重构汽车产业竞争格局》,由阿里云智能集团副总裁安筱鹏主讲。本文根据演讲内容整理,经结构化编辑而成。

一、每一次技术重大变革都会重构全球汽车产业格局,AI将带来新一轮价值链颠覆

当我们思考AI对汽车产业的变革到底意味着什么?可以先回看过去一百年——每一次技术的重大变革,都会带来全球汽车产业格局的重构。

上世纪初,美国福特制“标准化、大规模量产”的生产方式,让汽车从“奢侈品”变成“大众消费品”,推动美国汽车产量占到全球的80%;上世纪中后期,日本通过精益生产的方式,将日本汽车产量占全球市场份额从1960年的2%做到1990年的21%;而电动化时代的到来,给中国创造了一次千载难逢的机会——中国“新势力”依靠全球最完整、最具成本优势的电动化与智能化产业链,把中国汽车产量占全球的比重从2000年的3%提高到2025年的36%、居世界第一。

图1|过去一百年,每一次技术的重大变革都会带来全球汽车产业格局的重构

问题是:当智能化的时代到来,中国的汽车产业会走向何方?会不会延续电动化时代的优势?首先需要思考,AI如何影响汽车产业的发展,并如何改变汽车产业的竞争格局?

从利润的角度来说,AI将成为重塑汽车产业利润格局的重要力量。我们对比2021年与2035年,从十年的时间尺度去衡量全球汽车产业的变化。可以看到五年前(2021年),电动化刚刚开始起步,全球汽车产业利润池约3100亿美元,其中90%来自于传统汽车零部件、燃油及混动汽车销售等业务;但面向未来五年(2035年),全球汽车产业利润的传统部分将从90%下降到44%,而电动汽车、自动驾驶等新利润池将占到56%。除了电动化之外,新利润池里增长最快的几块——高阶自动驾驶的软件、数据与网联服务、Robotaxi——恰恰都是AI定义的。整个产业的利润格局,正在发生根本性变化。

图2|新法则:价值链的颠覆与重构,2021与2035年汽车产业利润池分布(亿美元)

二、智能化的两大影响:重塑汽车产业的经济模型和产品形态

那么,AI到底会对未来的汽车产业带来什么变化?我觉得有两个非常重要的观察视角。

第一,人工智能改变了汽车产业的经济模型,重塑了汽车的成本结构。我们看全球的几个产业——软件产业的操作系统、重大新药的开发、基础模型的训练等等——典型的特征是高固定成本、低或者零边际成本。如果一个产业符合这样的基本规律,那么这类产业往往具有较高的市场集中度,甚至呈现寡头格局。而AI对汽车产业变革的一个最重要影响,就是它使得汽车产业具备了这种高固定成本、低边际成本的特征。比如一辆传统豪华轿车卖32万,而一辆相同价格的特斯拉Model 3,可能1/4、1/5的成本来自于AI及软件部分,经济模型在发生变化。

这个变化意味着什么?当一个产品既有硬件又有软件,软件将带来更高的利润率。以苹果为例,苹果几乎拿走了全球手机行业80%以上的利润,软件服务占其收入的28%、却贡献了45%的毛利。对应到汽车行业,特斯拉FSD的利润空间接近90%,而汽车的利润则只有15%到20%。正因如此,软硬结合的产品可以重新定义这个产业的竞争规则。你可以选择利润优先或者市场占有率优先,也可以在硬件定价和自动驾驶定价之间重新组合——FSD就多次调整定价方案,拥有更高定价权。

图3|智能化影响之一,AI重构了汽车产业的经济模型

第二,人工智能改写了汽车的产品形态,从一次性交付产品到提供智能出行服务。2026年2月14日起,特斯拉FSD停止一次性买断、仅提供按月订阅;2026年9月4日,Cybercab在奥斯汀落地,这些都在推动汽车产业从纯粹的制造企业向服务企业演进。

我们经常谈数字化转型的终极目标是什么?我的一个观点是,未来所有的企业都应当成为一个运营商,像中国电信、中国移动一样。什么叫运营商?就是可以实时洞察客户需求、实时满足需求、追求极致的客户体验。如果说运营商是拿手机运营客户,今天的汽车企业就是拿一辆车去运营客户,了解客户需求,实时满足、实时洞察,提供更好的体验。一旦你成为一个运营商,你可以全生命周期地提供服务——尤其是像Cybercab、Robotaxi出现之后,被重新定义的将不只是出行,还有保险市场、租赁市场和后服务市场,也就是全生命周期的价值捕获。

图4|智能化影响之二,AI重写了汽车的产品形态

三、Robotaxi在全球广泛落地,高阶智能重新定义未来出行

汽车从产品走向服务,最具代表性的案例就是Robotaxi。过去几年,Robotaxi在全球多地落地。2022年,全球还只有4个城市、800多辆车、每日4500个订单;到2026年,全球运营城市已达26个,车队规模8000辆,日订单超过10万。四年时间,Robotaxi商业化城市增长6倍以上、全球Robotaxi车队规模增长10倍以上、日订单量增长20倍以上。未来几年,这个进程会持续加速。

图5|过去四年,Robotaxi在全球更多城市加速落地

我们要深入思考的是:当高阶智能出现的时候,整个产业格局会发生什么变化?先看Robotaxi对出租车市场的冲击:Uber在美国硅谷平均每英里的价格是2.75美元,利润是0.26美元,其中司机薪酬占到63%;而Waymo每英里的平均价格是3.55美元,比Uber要高一些,但利润可能高达239%,去年在旧金山运营区的市场份额已经超过了Lyft;而特斯拉Robotaxi价格只相当于Uber打车的50%,但仍然保持80%以上的运营利润,利润率是传统出行方式的8倍。再往后展望:随着规模化运营,到2030年前后,无论是Waymo还是Robotaxi都会把目前的每英里运营成本再降低70%,将达到相当于Uber出行1/10的水平。

图6|Robotaxi价格达到拐点,冲击出租车市场,并将进一步降低成本

如果真的达到这个水平,被颠覆的就不仅是出租车行业了,它会改变人们购车的行为。私家车的年平均每英里成本是一条曲线——一辆私家车的年行驶里程大概在7000-17000英里之间,对应的单位成本分别是7000英里时约1.32美元,年行驶1.7万英里时约0.73美元。Robotaxi今天是1.24美元,已经逼近这个区间;到2035年,全球口径下Robotaxi每英里成本有望降到0.25美元,只有私家车成本三分之一。到那时,Robotaxi的成本将显著低于购买持有私家车的单位成本,会从根本上改变消费者的行为:最终用户会从“买车的人”变成“呼叫Robotaxi的人”;而Robotaxi平台将剥夺车型的购买决策权和品牌心智,传统汽车主机厂有可能被Robotaxi服务提供方管道化。

图7|当Robotaxi单价极致降低,冲击将进一步延伸到私家车市场

所以,高阶智能的出现会重新定义未来的出行市场。看一组对比:2025年-2035年,全球乘用车市场规模的年复合增长率约8%,但Robotaxi可能会冲击私家车的需求;全球网约车与出租车市场的市场规模年复合增长率约11%,但自动驾驶出行服务爆发、传统出行服务或将缩减;而全球Robotaxi市场,年复合增长率超过88%,到2035年会达到1300亿~4150亿美元的量级。

图8|AI重新定义出行未来,Robotaxi市场未来价值超千亿美元

四、AI定义的汽车“三大竞技场”:自动驾驶、智能座舱、AI生产力

除了竞争规则的变化,今天的AI还在重新定义汽车的“三大竞技场”:一是自动驾驶,二是智能座舱,三是AI生产力变革。

(一)自动驾驶:技术路线收敛,算力和数据飞轮成为竞争核心

关于自动驾驶,从过去模块化的流水线到端到端,再走到今天“端到端多模态大模型+世界模型+强化训练”——VLA通过智能和泛化能力提高自动驾驶的水平,世界模型模拟真实世界的Corner Case(边角案例),强化学习抬高VLA模型在具体任务上的上限——这条路越来越成熟,业界共识正在形成。

我们从两个视角来看自动驾驶的趋势:一是算力,二是数据与训练方法的变革。

回顾过去三五年,大模型训练方法一个最基本的特征就是Scaling Law。过去业界一直在追问讨论:Scaling Law是不是走到头了?什么时候是头?但今天来看,Scaling Law的规律仍然适用——这段时间美国发布的重要模型参数已经到了10万亿,Qwen4.5大概也在5万亿-10万亿参数。而在智驾模型上,VLA 1.0大约3200亿参数,VLA 2.0大约7200亿参数;在具身智能上,OpenVLA、Helix等还在几十亿参数量级,但RynnBrain已经到了200-300亿参数级别。自动驾驶、人形机器人的训练仍然遵循Scaling Law,未来模型的参数规模还会不断攀升。

而更大参数要求更高算力,10万亿参数需要十万卡规模的集群。所以对自动驾驶、人形机器人公司来说,遵循Scaling Law,提前布局万卡、乃至十万卡成为头部玩家的战略必选。

图9|从LLM到智驾再到具身,仍然遵循Scaling Law,算力需求持续增长

另一方面,模型训练本身也在发生变化,递归自进化(RSI)是未来关键方向。我们看到,预训练的版本迭代从半年一版,到今天大概两个月一版;后训练从过去的两个月,到现在一个月一版;Harness几乎每天都在改进。为什么预训练、后训练、Harness的迭代速度如此之快?因为模型训练的方法也在追求不断地自动化——就像智能制造的造车车间需要自动化工厂,今天训练模型也要走向自动化。那么模型如何自己训练自己?有四个重要的方向:

  • 第一,Harness工程自主完成感知循环优化的流程。

  • 第二,算法自主完成架构设计、奖励调优、收敛验证等流程。

  • 第三,数据侧由AI自动采集、清洗、标注、合成。

  • 第四,Infra侧做基础设施的深度优化、系统算子调优。

每个方向又像自动驾驶一样,有L1、L2、L3的分级——现在走到什么阶段了?全球头部公司Anthropic大概处于L2到L3的阶段,Harness、算法、数据、Infra各自处于不同的级别,未来两到三年大概会达到L4水平。这样的加速,会进一步加快模型训练的进程。

除了语言模型之外,事实上自动驾驶的训练也正在从手工作坊式的训练方法,不断向RSI自动化流水线训练方向演进。高效的数据飞轮是迈向高阶智能的关键——过去我们可能是手动清洗、人工标注、人工挖掘、小集群训练多个小模型、人来编写规则代码;今天已经演进到云数据管线自动处理、AI自动标注、AI特征挖掘、大集群端到端模型、AI自动生成代码的方式——这也会加快自动驾驶领域模型训练的步伐。

(二)智能座舱:从会聊天、到会办事,从被动调用到主动服务

在智能座舱上,过去几年座舱走过三个阶段:第一阶段是车控工具期(2018到2020年),用嘴替手、语音代替按键操作,交互方式是语音唤醒、被动响应、一问一答;第二阶段是智能交互期(2021到2025年),能多轮对话、聊天、陪伴,实现情感化交互;而今天已经进入第三个阶段——Agentic办事期(2026到2030年):座舱Agent懂你、帮你办事,包括规划行程、订咖啡、买门票等等,未说先知、未触先达。

最重要的一个里程碑,是年初以OpenClaw(小龙虾)为代表的超级智能体的出现。领先的LLM大模型,加上Skills、Context、MCP等多种技术组件,使模型具备了完成复杂任务的能力。而完成复杂任务能力的最大价值,是让车更理解人:每一个人、每一种特定的场景,车都更懂你,能够提供给你更主动、更高效、更体贴的服务。同时,办事的关键在生态——新入口、新体验、新价值。所以,围绕场景、为每个人提供“更懂你”的服务,正是今天各家车企探索新技术、新商业模式和新解决方案的重点。

图10|智能座舱走过的三大阶段,从被动调用到主动服务

(三)AI生产力:超级智能体崛起,加速AI时代的“智能精益制造”

今天整个汽车行业面临的挑战是,一方面投入在不断加大,在追求高阶自动驾驶的道路上,从L3到L4的投入可能是5倍乃至10倍;但另一方面经营压力持续在变大,1-8月中国汽车累计销量在下降,行业利润跌了20%,整体利润率约为3.6%。

但从生产环节来看,今年业界经常讲一个关键词:“超音速海啸”来了。春节前是一个时代,春节后是一个时代。AI不是提高了工作效率、而是提高了工作能力。年初的OpenClaw(小龙虾),本质是把全球3000万软件工程师的红利拓展到了全球12亿白领。这背后是三大技术支撑:一是软件的交互从GUI切换到了CLI,软件编程从Copilot阶段切换到AutoPilot阶段;二是Skill技术作为AI时代的软件,把每个人、每个团队、每个组织隐性的知识转化成了AI可以调用的能力;三是定时触发、长短期记忆等能力的组合,使得今天超级智能体的能力异常强大,具备了改变所有白领工作者的工作方式、工作效率和工作能力的潜质。

超级智能体对汽车产业生产力的最大变革之一,是会改变汽车产业所有的软件。CAD、CAE、ERP、CRM、客户管理、营销等,所有的软件都会因为AI受到影响,主要分为三条路径——第一,软件被增强;第二,软件被吞噬;第三,软件被降级。业界有一句话,AI正在对软件产品本身发起一场“斩首行动”。人机交互的界面会经历两个阶段:第一个阶段,由人来操作软件转变成AI来操控软件;第二个阶段,AI会重构整个工业软件体系。

图11|AI超级智能体正成为企业生产力的统一入口

所以未来,软件将如何服务整个汽车产业?大概率会有一个超级生产力入口,比如千问办公,或者传统软件企业也会自己构建一个生产力入口。另外,传统软件会不断地把功能原子化,它们的大脑虽然不存在了,但保留的身体躯干(软件功能组件)都会接上一个个大脑,这个手术就是Skill化、CLI化和MCP化。软件产业会面临一次全面的重构,整个数据体系会因为AI进一步升级,Data+AI技术演进的步伐会加快。

数字化、智能化,不外乎就是用智能硬件去武装各个行业。而软件产业也会发生这样的剧变,新的生产力入口、软件体系的重构、数据体系的重构,这三者会同时发生。

五、在AI时代,汽车企业如何赢得未来?

面对这样的趋势,企业应该做出什么样的选择?我们将汽车产业的供应链体系拆开:能源与电池、整车、云端AI训练芯片、车载AI推理芯片、自驾算法与服务、座舱算法与服务、自动驾驶出行Robotaxi、汽车保险(UBI)、机器人、飞行器——整个产业链都在被AI重构,而不同的玩家在扮演着不同的角色。

第一类是全栈自研玩家:特斯拉几乎布局整条产业链,Megapack、Model 3/Y、AI5/AI6芯片、FSD v15与FSD订阅、Grok AI、Cybercab、Tesla Insurance、Optimus,飞行器也在传闻研发中;小鹏有TURING芯片、VLA2、VLM、小鹏Robotaxi、IRON机器人和陆地航母;理想有自研电池、马赫M100、Mind VLA、Mind GPT和研发中的Nexus等;第二类是智选生态OEM,AI核心能力依赖于第三方,同时尝试布局自研。第三类是传统硬件OEM,AI能力完全依赖于外采,可能逐步滑向纯硬件、低毛利的代工角色。

面对产业链的全面重构,以及软硬结合、高固定成本+低边际成本带来的极化,车企未来是要成为前瞻自研的主导者,还是成为制造工厂?这是所有汽车企业都需要思考的问题。

图12|面对汽车产业链的重构和极化,不同车企的生态位

最后,要赢得未来,应该如何卡位和破局?首要前提是,拥有一个清晰的AI战略并且坚定执行。同时,从三大方向着手:

第一,坚定地投入高阶智驾研发是迈向全栈的前提,要构建算力、人才和数据的飞轮。

第二,以超级智能体重构企业生产经营流程,提升全环节的效率和降本。对企业来说,超级智能体不仅仅是生产力入口,在研发、生产、供应的每个环节都会有超级智能体出现,从而重构整个数字化、智能化转型的体系。

第三,打造AI原生的组织,摒弃延长线思维,跳出“创新者的窘境”,重构面向AI时代的研发、生产、供应链的完整体系。

回到开场的问题:如果我们把时间尺度拉到五年,AI对汽车产业的变革到底意味着什么?随着整个汽车行业的竞争规则被重写——谁能率先领跑AI时代,把数据变成飞轮、把软件变成服务、把组织变成原生形态,谁就有机会定义下一轮的竞争格局。

图片

跳转微信打开

❌