中国互联网巨头阿里巴巴透露,其平头哥半导体业务已出货47万颗AI芯片,并坦承这些芯片目前性能不如竞争对手产品,但相信通过构建协同优化的技术栈可以弥补性能差距。
CEO吴泳铭在公司2026年第三季度财报电话会议中披露了47万颗这一数字,但未明确说明具体指哪款芯片型号。阿里巴巴已经推出至少三款AI芯片,包括问题频出的玄铁C908、面向边缘AI的TH1520,以及今年1月发布的平头哥真吾810E。据悉,810E的性能可与英伟达H20相媲美,后者是2023年Hopper架构加速器的限制版本。
如果吴泳铭指的仅是810E芯片,那么自1月以来出货47万颗的表现相当亮眼,这让阿里巴巴的产能达到了与英伟达相当的水平。英伟达CEO黄仁勋去年表示,该公司年出货量达到600万颗Blackwell GPU。
然而,真吾810E仍无法与英伟达或AMD的加速器竞争,这一点吴泳铭也坦然承认。
"鉴于我们的芯片在各个方面仍然落后于国外同类产品,我们希望与阿里巴巴的云基础设施和通义千问模型进行更深层次的协同设计,以提供更好的性价比,"这位CEO表示。"这是一个关键差异化优势,也是我们平头哥在芯片设计方面有别于其他芯片公司的地方。我们的首要目标是创造具有卓越性价比的AI能力。"
他还表示,自研芯片为阿里巴巴提供了"AI算力的可靠供应保障",这在"中国AI行业当前面临的特殊环境"下尤为必要——这很可能是指美国对先进加速器的出口禁令。
吴泳铭还认为,开发完整技术栈将使阿里巴巴能够降低推理成本,这将使公司的云业务在AI服务需求增长时获得丰厚利润。
阿里云目前发展良好,季度营收同比增长36%,达到62亿美元。公司预测在未来五年内可实现1000亿美元的年度云和AI营收。
对于平头哥分拆上市的传言,吴泳铭表示公司不排除未来上市的可能性,但没有"明确的时间表"。
阿里巴巴本季度营收达到407亿美元,增长2%。高管们指出,如果不计算出售部分业务的影响,增长率将达到9%。
国内电商和物流服务仍是公司主要业务,合计占营收近一半。国际电商服务营收56亿美元,同比增长6%。
这一结果对阿里巴巴来说并不理想,因为北京正期待电商巨头帮助实现出口销售增长目标。
这使得阿里云成为公司唯一快速增长的业务,从目前约250亿美元增长到1000亿美元年营收的重任落在其肩上。
CEO吴泳铭认为这一增长目标是可以实现的,因为阿里云在过去六个月中,其模型工作室平台的Token消费量增长了6倍。
他预计这种增长势头将持续。
"企业IT服务的云和软件预算传统上仅占公司营收的5%左右,"他说。"随着模型驱动的智能体开始处理各行业的主流工作任务,我们的总体可寻址市场将扩大数倍。"
Q&A
Q1:阿里巴巴AI芯片出货量有多少?
A:阿里巴巴已出货47万颗AI芯片,主要包括玄铁C908、TH1520和平头哥真吾810E等型号。其中真吾810E于今年1月发布,性能可与英伟达H20相媲美。
Q2:阿里巴巴的AI芯片性能如何?
A:CEO吴泳铭承认阿里巴巴的芯片在各个方面仍然落后于国外同类产品,无法与英伟达或AMD的加速器竞争,但公司希望通过与云基础设施和大语言模型的协同优化来提供更好的性价比。
Q3:阿里巴巴为什么要自研AI芯片?
A:自研芯片主要是为了提供AI算力的可靠供应保障,特别是在美国对先进加速器实施出口禁令的背景下。同时,通过开发完整技术栈来降低推理成本,在AI服务需求增长时获得更多利润。
好文章,需要你的鼓励
Replit与RevenueCat达成合作,将订阅变现工具直接集成至Replit平台。用户只需通过自然语言提示(如"添加订阅"),即可完成应用内购和订阅配置,无需离开平台。RevenueCat管理超8万款应用的订阅业务,每月处理约10亿美元交易。此次合作旨在让"氛围编程"用户在构建应用的同时即可实现商业变现,月收入未达2500美元前免费使用,超出后收取1%费用。
LiVER是由北京大学、北京邮电大学等机构联合提出的视频生成框架,核心创新是将物理渲染技术与AI视频生成结合,通过Blender引擎计算漫反射、粗糙GGX和光泽GGX三种光照图像构成"场景代理",引导视频扩散模型生成光影物理准确的视频。框架包含渲染器智能体、轻量化编码器适配器和三阶段训练策略,支持对光照、场景布局和摄像机轨迹的独立精确控制。配套构建的LiVERSet数据集含约11000段标注视频,实验显示该方法在视频质量和控制精度上均优于现有方法。
所有人都说AI需要护栏,但真正在构建它的人寥寥无几。SkipLabs创始人Julien Verlaguet深耕这一问题已逾一年,他发现市面上多数"护栏"不过是提示词包装。为此,他打造了专为后端服务设计的AI编程智能体Skipper,基于健全的TypeScript类型系统与响应式运行时,实现增量式代码生成与测试,内部基准测试通过率超90%。他认为,编程语言的"人类可读性时代"正走向终结,面向智能体的精确工具链才是未来。
这项由蒙特利尔学习算法研究所(Mila)与麦吉尔大学联合发布的研究(arXiv:2604.07776,2026年4月)提出了AGENT-AS-ANNOTATORS框架,通过模仿人类数据标注的三种角色分工,系统化生成高质量网页智能体训练轨迹。以Gemini 3 Pro为教师模型,仅用2322条精选轨迹对90亿参数的Qwen3.5-9B模型进行监督微调,在WebArena基准上达到41.5%成功率,超越GPT-4o和Claude 3.5 Sonnet,并在从未见过的企业平台WorkArena L1上提升18.2个百分点,验证了"数据质量远比数量重要"这一核心结论。