阿里巴巴AI模型布局分析

持续深耕自研模型，加速 AI 应用市场落地。

AI 模型布局继续深耕通用推理模型与深度推理模型，同时聚焦细分场景产品和智能体的开发。阿里在 AI 模型布局上呈现出差异化战略路径，技术体系构建于两大维度：通用推理模型与深度推理模型。前者以通义千 问为代表，承担基础能力支撑；后者专注于提升模型的推理能力，追求深度思考和分析的顶尖表现。深度推理 模型 Qwen 系列的独立产品化，标志着阿里正在构建类 OpenAi-O1 技术体系这一新范式。该体系着重解决复杂 任务拆解、多模态推理等深度认知问题，已在科研分析、金融建模等领域形成标杆案例。这种技术分层策略不 仅完善了产品矩阵，更在底层形成了从基础研究到商业转化的完整闭环，为行业智能化转型提供了可复制的技 术框架。阿里计划打造类似海外 Deep Research 智能体的产品，该智能体具备赋能研发与研究的能力，能够撰写 和生成更高质量的研究报告。未来，阿里将从单纯的模型价格竞争，转向在商业应用及聚焦产品力方面，通过 开发一系列新形态的智能体产品服务客户，并基于这些新产品制定定价策略。在产品架构层面，阿里云的战略 转型尤为显著。过去一年 MaaS 服务以提供基础模型和微调能力为主，而当前则加速推进"模型即产品"的深度改 造。具体表现为：一方面通过技术优化降低模型调用成本，另一方面将 AI 能力封装为可即插即用的智能体产品。 这种转变使得客户无需直接调用底层模型，而是通过智能体 API 快速构建业务解决方案，显著降低了技术使用 门槛。支撑这一转型的核心理念包含双重维度：技术驱动商业重构与技术普惠。在商业重构层面，阿里正以生 成式 AI 为支点重塑核心业务体系——电商场景中，AIGC 技术已实现服装广告的智能拍摄与设计，成本降幅达 70%；广告系统通过 AI 精准投放使 ROI 提升 30%；钉钉生态则集成智能会议助手、HR 智能体等 20 余个垂直 应用，服务超 7 亿用户。在技术普惠维度，阿里云将 MaaS 升级为包含基础模型、场景化产品、智能体市场的 三维服务体系，通过标准化产品输出降低行业 AI 应用成本。

AI应用市场潜力巨大，核心聚焦 AI Chatbot、教育及金融领域。AI Chatbot 产品在 APP 等应用中逐渐成为 标配。其优势在于将以往的快思考转变为慢思考，虽回复时间延长几秒，但回答问题更加系统、准确，极大提 升了回复质量。例如，DeepSeek 在数据方面存在短板，数据多依赖外部搜索。一旦为其提供搜索引擎的平台（如 豆包、百度、搜狗等）停止合作，即便 R1 模型性能强大，在面向 C 端用户时，整体表现也会因数据不足而逊 色于国内互联网大厂。相比之下，阿里拥有海量 UGC 产生的数据，在 AI Chatbot 方面存在数据优势。其次，大 模型推动教育行业的创新，过去 AI 在教育场景中主要是简单地帮助用户上传经验、告知题目解法。如今，大模 型的创新带来了新的变化，它能够呈现题目思考和推理过程，为学生和老师提供更强大的教育交互方式。用户 可以反复提问，模型会从不同侧面讲述解题过程。金融领域一直对模型精度要求极高，阿里平台上的金融客户 都倾向选择最强模型。大模型专门为金融业务赋能，业务系统集成了数据分析、数据挖掘等功能，在财报分析 等场景中发挥作用，在大模型的加持下，业务系统的表现更加强劲。此外，还可量化为较小模型，为 AIPC 等 产品赋能。虽然目前模型尚未优化到小端侧设备（如眼镜、行李箱、可穿戴设备等），但在电脑上已实现应用， 未来有望在更多小端侧设备（如摄像头、路由器、扫地机器人、音箱、手机等）的芯片 Soc 上进行优化，实现 端侧推理，推动整个行业发展。在汽车智能座舱方面，可以将小模型置于中控，提供 Copilot，提升人机交互体 验。同时，智能驾驶方面，大模型可通过多模态模拟生成一些环境，类似 cosmos 世界模型生成用于模拟仿真的 环境，如道路交通、桥梁、隧道及各种复杂天气，为自动驾驶测试提供更多数据源，减少实地采集数据的需求， 加速模拟训练的复杂度。

阿里推出了一系列基于模型的增值服务产品，产品利润率可观。析言 GBI，集成于应用市场，可结合模型 对阿里客户的销售数据、库存数据、营收数据等进行分析。用户输入 1000 个数据相关问题，它能快速生成报表，并进行趋势分析，如预测库存时长、回款时间等，辅助客户决策。智能客服，包括电话和文字智能客服，通过 预训练模型和搜索功能（如夸克搜索）获取信息并生成结果。RAG，企业可将自身数据灌入其中，模型能够进 行推理。通义听悟，专注于语音识别和语音合成，可将会议音频快速转化为去除口语的完整纪要。电商辅助产 品，能将原始图片输入模型，生成用于电商展示的图片和视频，大幅降低成本。在周边产品方面，RAG、SQL、 BI 等已成为客户选择产品时的标配插件，通常客户至少会选择两到三个此类产品。这些产品价格相对稳定，能 保持较好的利润率，在大模型本身可能利润微薄甚至不盈利的情况下，借助这些周边产品的协同作用，将整体 利润水平拉高。

百炼未来计划构建大量智能体，目前智能体已划分出不同层级。其中，面向企业端的角色化智能体发展态 势良好。以钉钉为例，作为最早应用此类智能体的平台，已针对企业多样化场景打造了约 700 个官方智能体。 这些智能体广泛分布于企业的各个职能领域。在财务板块，细分出了数十个智能体，涵盖会计、总账管理、财 务管理等多个具体类别；人力资源领域则包括招聘、面试、薪资核算、培训等不同环节的智能体；此外，资质 管理、采购行政等方面也均有相应的智能体覆盖，可谓渗透到了企业运营的方方面面。企业基于阿里提供的官 方智能体，进行一定程度的调整，如改变智能体的顺序或名称，无需复杂的微调操作，即可转化为贴合自身需 求的智能体投入使用，大大提高了智能体在企业中的应用效率和适应性。但目前应用仍存在任务复杂度边界， 智能体当前无法替代 CRM、OA 等复杂流程系统（如多部门协作的项目管理、跨系统数据同步），其定位偏向简 单任务自动化和流程节点提速。

成立智能信息事业群，数据打通与 AI技术驱动新流量入口。过去阿里云主要专注于 To B 业务，而 C 端产 品呈现出分散的状态，像夸克、秒鸭、通义等产品，由多个不同的团队分别运作。这种分散的管理模式使得 C 端业务发展受到诸多限制。一方面，阿里整体关注利润率，对 C 端业务的推广投入较少；另一方面，C 端产品 分布在不同事业群，如公益项目放在阿里云，不仅缺乏做 To C、To B 业务的预算，而且员工习惯了 B 端产品的 思路，与 C 端战略差异较大。为了改变这一现状，阿里在 2024 年底对主架构进行了重大重组，将原本分散的 C 端产品和硬件产品整合到新成立的智能信息事业群。同时，从海外聘请了来自 Salesforce 的许主洪教授，负责 C 端技术和业务规划。这一举措使得 C 端业务得以独立发展，与 B 端产品完全分离，模型团队和 C 端产品团队也 各自独立运作。未来，C 端产品将拥有独立预算，计划在 C 端市场大规模投放互联网广告，与豆包等产品展开 竞争。对 C 端用户而言，打通淘系生态与数据至关重要。AI 驱动应用会使电商入口迁移，需打通地图、电商、 飞猪等生态数据，打通后入口将转向新的 AI 方向，形成新流量入口。未来流量会协同高德地图、饿了么等生态 APP，相互推荐入口，通义 APP 为协同入口，引导客户下载和使用，从而实现业务的增长和拓展。在 C 端产品 方面，各个产品都有明确的发展目标和策略，关注教育、社交类产品，以季度为单位推出新产品。以夸克 APP 为例，它已经拥有 2000 多万稳定的日活用户，且用户群体主要集中在 15 岁到 25 岁的年轻人。未来，夸克将聚 焦于 AI 教育、AI 健康、AI 高考志愿等场景，有望成长为超级 APP，2025 年目标是将日活提升到 3000 万。同 时，夸克还具备独特的商业价值，其宽带发展能力可以封装成搜索 API，供模型能力客户调用，搜索结果也可 以单独售卖，相关收入归属于云业务。此外，C 端事业部将形成产品矩阵对标豆包 Flow 团队，但产品数量会控 制在五六个左右，以实现更高效的运营和管理。

端侧战略主要聚焦于汽车、手机、PC 三大硬件，同时对于小硬件也采用自主研发或合作的方式推进。端 侧已经拥有丰富的模型，包括不同规模的语言模型、视觉模型和语音模型。这些模型具有强大的功能，能够识 别多语言，包括方言，还可以合成不同的声色，为用户提供更加个性化的体验。智能信息事业群下专门设立了 负责 AI 硬件的团队，目前已有 200 多人。在 2024 年，他们推出了多款产品，如升级版的天猫精灵 X6、闺蜜机 等，这些产品背后都采用了模拟驱动技术。此外，还涉及 AI 眼镜等产品，像 Rokid、雷鸟等背后的技术应用。 在大硬件方面，阿里积极与外部合作。手机方面与传音深度捆绑，传音出海的手机搭载端侧模型后可实现打电 话实时多语言翻译，且在本地处理；PC 方面与联想合作，联想新一代 AIPC 中集成了相关技术；汽车方面与智 己汽车、吉利汽车等新锐汽车公司合作，将端侧模型嵌入智能座舱，提供新的交互式体验。阿里还计划将通义 模型做成操作系统（OS），采用“1+3+N”模式开放给生态。“1”是通义千问，“3”是中控屏、智能音箱等三个 产品，“N”是周边产品如扫地机等，通过 SDK 让周边客户接入，形成一个庞大的 AI 硬件生态系统。 大模型与数据打通升级用户画像，提升精准推送质量。Meta 这类占据市场份额较大的社交平台，用户使用 时间长，产生的信息丰富。Meta 使用大模型捕捉用户的历史资料、平台信息、分享的图片、位置、言论和转发 内容等，以小时为周期更新画像，精准度远超其他平台。在这种精准画像的基础上，平台可以实现默认推荐商 品、增加智能导购以及与用户对话推送更精准信息。这种合作模式能以小时或天为单位更新画像，精准度远超 静态画像。相比之下，国内电商领域的用户画像与 Meta 不同，阿里很多推荐基于相对静态的画像，如年龄、地 址、职业、收入等，静态画像依据的是一两个月前的信息，精准度自然欠佳。要提升广告效果，首先要打通整 个阿里系的数据，包括飞猪等非淘系 APP 以及未来 C 端产品的数据，用户画像会更饱满，也可拉通各 APP 的 标签进行共同推荐。目前阿里先打通非淘系的地图、飞猪等 APP 的数据，并进行灰度测试，选取 1 万个或 500 个客户测试，已取得一定效果。不过，阿里存在内容缺失的问题，缺乏像抖音那样用户自发创作的丰富内容。 若能补齐内容短板，再结合数据打通，效果会比之前更好。未来，通义等其他 APP 中拉通淘系数据，用户通过 与 AI 对话就能搜索并直接购买产品。