如果只看今天 Alibaba 的新聞標題，
可能會覺得：
中國又推出一顆 AI 晶片。
但真正值得注意的，
其實不是 Zhenwu V900 本身。
而是 Alibaba 今天一次把：
模型。
晶片。
伺服器。
網路。
儲存。
資料中心。
全部擺到同一張 AI Roadmap 上。
這代表中國大型 AI 公司接下來比的，
可能已經不只是：
誰的模型 Benchmark 比較高。
而是：
誰有能力把整套 AI Stack 自己撐起來。
Alibaba 下一代 Qwen，要拉到 5～10 兆參數
Alibaba CEO Eddie Wu 今天在杭州舉行的：
Apsara Conference
表示，
Qwen 團隊正在繼續研究：
Model Architecture。
Data Optimisation。
以及更長時間、
更複雜的 AI Tasks。
目前：
Qwen 4
已經在訓練。
更後面的：
Qwen 4.5
與：
Qwen 5
規模則預計提高到：
5 兆～10 兆 Parameters。
現在 Alibaba 的旗艦：
Qwen 3.8 Max
約有：
2.4 兆 Parameters。
也就是說，
未來規劃中的模型，
大約可能是現在的：
2～4 倍規模。
但 Parameters 大，不代表模型一定比較聰明
這裡要先講清楚。
Parameter Count 是：
模型規模的一個指標。
不是：
智力分數。
模型真正能力還會受到：
Architecture。
Training Data。
Post-training。
Inference Strategy。
Tool Use。
Context。
Compute Efficiency
等因素影響。
所以：
10 兆 Parameters
很驚人，
但不能直接翻譯成：
「能力一定是現在四倍。」
真正要等模型出來後，
才有辦法看：
Reasoning。
Coding。
Agentic Tasks。
成本。
速度。
以及實際使用效果。
Alibaba 真正想解決的是「長時間任務」
Eddie Wu 今天特別提到的方向是：
more complex, longer-horizon tasks。
也就是 AI 不只是：
回答一個問題。
而是：
長時間規劃。
自己測試。
發現錯誤。
修正。
再繼續。
這和現在整個 Agentic AI 的方向一致。
模型真正開始產生商業價值，
可能不是：
「回答得比昨天更像人。」
而是：
能不能連續工作幾小時甚至幾天，還能自己維持任務方向。
Alibaba 還展示了 Recursive Self-Improvement
今天官方還公布一個很有意思的實驗。
Alibaba 把這個方向稱為：
RSI
也就是：
Recursive Self-Improvement。
概念是：
讓模型自己找到弱點。
設計 Experiment。
產生新的訓練資料。
診斷 Error。
再重新優化自己。
官方表示，
Qwen3.8-Max 在一個超過一個月的自動流程裡，
完成：
33 次 Iterative Cycles。
Artificial Analysis Score
則從：
40
提高到：
45。
這是 Alibaba 自己公布的實驗結果，
不是第三方獨立驗證。
但方向非常值得注意。
它甚至被拿去做晶片設計
另一項實驗更有意思。
Alibaba 表示，
模型在一個 Chip Design Task 中，
連續進行超過：
60 小時
的 Self-improvement。
期間呼叫：
EDA Tools
超過：
10,000 次。
最後產生：
Production-grade Chip Bus Modules。
官方稱：
Chip Area 減少：
42%。
同時沒有犧牲 Performance。
同樣要注意：
這是 Alibaba 公布的內部實驗結果。
不是代表 AI 已經能：
「自己完成整顆先進晶片。」
但它顯示的方向是：
AI 未來吃掉的 Compute，
可能不只是：
聊天。
生成圖片。
寫 Code。
它還會用大量算力：
幫下一代 AI 設計下一代硬體。
問題來了：這麼大的模型，要拿什麼跑？
這就是今天第二個重點。
Alibaba 同時推出：
Zhenwu V900。
由旗下晶片設計單位：
T-Head
開發。
它同時支援：
AI Training
與：
Inference。
Alibaba 稱它是目前：
中國最強大的 AI Chip。
但這是公司自己的說法，
目前並沒有完整第三方 Benchmark 可以證明：
它真的在所有工作負載上都是中國第一。
所以比較準確的說法是：
Alibaba 宣稱它是目前中國最強的 AI 加速器。
效能號稱是 M890 的 3 倍
上一代：
Zhenwu M890
今年 5 月才推出。
現在 V900，
Alibaba 稱整體效能提升到：
前代 3 倍。
官方公布的規格包括：
216GB Memory
以及：
1,200GB/s Inter-chip Bandwidth。
同時支援：
FP8。
FP4。
等不同 Precision。
目的很清楚：
一方面跑：
高精度 Training。
另一方面把：
Inference Cost
往下壓。
因為大型模型真正走向大量使用後，
最大的成本不一定只是第一次 Training。
而是：
每一天、每一個使用者、每一次 Agent 執行，都還要持續 Inference。
一張晶片強不夠，Alibaba 要做 50 萬卡 Cluster
這才是今天真正重要的一個數字：
500,000。
Alibaba 表示，
使用 Zhenwu V900 的新一代 Supernode Infrastructure，
可以繼續往上組成：
最高約：
50 萬張 AI Accelerator
的 Cluster。
這已經不是：
「一台伺服器有幾張 GPU？」
的問題。
而是：
幾十萬顆計算單元能不能像一台超大電腦一起工作。
當模型走到：
5 兆。
10 兆 Parameters，
真正難的就不只是：
Chip Performance。
還有：
Networking。
Memory。
Storage。
Failure Recovery。
Power。
Cooling。
Software Scheduling。
全部一起影響效率。
所以 Alibaba 連網路卡、SSD Controller 都自己做
今天 Alibaba 公布的 Supernode，
不是只有：
Zhenwu V900。
還整合：
ICN Switch。
Panmai SmartNIC。
Zhenyue SSD Controller。
換句話說，
Alibaba 正在做的事情和 Nvidia 近年的方向很像：
不要只賣：
一顆 Accelerator。
而是把：
Compute。
Network。
Storage。
Server。
Software。
全部當成：
一個系統。
因為 AI Cluster 變得愈大，
單一零件再快，
只要資料搬不過去，
整座機房仍然會等。
為什麼現在每家公司都開始講「Supernode」？
以前 AI 晶片競爭很容易變成：
A 卡比 B 卡快幾%。
現在 Frontier Model 需要的運算量太大，
一張卡根本不重要。
真正重要的是：
10 萬張卡怎麼一起跑。
甚至：
50 萬張。
100 萬張。
只要：
Network Latency。
Memory Bandwidth。
Chip-to-chip Communication。
任何一層卡住，
整個 Cluster 的效率就會掉。
所以今天 Alibaba 和前幾天 Huawei 講的事情，
其實非常接近：
AI 戰場正在從單顆晶片，變成整座 Supercluster。
V900 預計 2027 年第一季量產
Alibaba 表示，
Zhenwu V900 預計在：
2027 年第一季
開始：
Mass Production
與：
Commercial Release。
這代表今天公布的是：
Roadmap＋Product Announcement。
不是說：
現在已經有幾十萬張 V900 在 Data Centre 裡跑。
這個時間差很重要。
真正要觀察的是：
能不能按時量產？
Yield 如何？
供應量多少？
高階 Memory 從哪裡來？
封裝能不能跟上？
Cluster 實際 Scaling Efficiency 如何？
這些才會決定：
Zhenwu 能不能真的成為 Nvidia 之外的大規模替代方案。
Alibaba 說現在已經有超過 650 家客戶使用 Zhenwu
官方表示，
現有 Zhenwu AI Chips
已經服務超過：
650 個 Customers。
產業包括：
汽車。
金融。
Large Language Models。
Embodied Intelligence。
能源。
製造業。
但這個數字同樣要小心解讀。
「有 650 個 Customer」
不等於：
650 家都大規模部署。
也不能直接推出：
市場占有率是多少。
真正值得看的，
仍然是未來：
Shipment。
Revenue。
Utilisation。
以及客戶是否持續擴大部署。
更大的數字在後面：20GW
如果今天只記得一個數字，
除了 10 兆 Parameters，
另一個就是：
20GW。
Eddie Wu 表示，
Alibaba 的目標是：
到了：
2032 年
Alibaba Cloud 在全球營運的：
Data Centre Capacity
超過：
20 Gigawatts。
20GW 這裡指的是：
Data Centre Capacity。
不是：
模型速度。
不是：
晶片 FLOPS。
也不是：
Alibaba 今天已經擁有 20GW。
它是一個：
2032 年目標。
為什麼 Alibaba 要自己蓋這麼大的 Compute？
原因很直接：
它認為 AI Demand 會遠遠大於現在供應。
Eddie Wu 今天表示，
目前 AI 客戶需求：
exceptionally robust。
而且中長期需求：
遠超過公司目前 Supply Capabilities。
問題已經不是：
「有人要不要用 AI？」
而是：
你有沒有足夠算力給他用？
這也和全球其他 AI 公司面臨的問題一樣。
模型需求成長太快，
最後卡住的可能是：
Chip。
Power。
Data Centre。
Networking。
Cooling。
而不是：
Prompt。
Alibaba Cloud 甚至準備讓 AI Supernode 這一季就開始商業化
Reuters 報導，
Eddie Wu 表示：
Alibaba Cloud 將在：
本季
開始讓 AI Supernodes：
Commercial Scale
上線。
這一點比：
2032 年 20GW
更值得近期觀察。
因為 20GW 是長期目標。
但 Supernode 商業化，
是：
現在就要接受客戶測試。
真正的問題會變成：
性能好不好？
價格有沒有競爭力？
能不能穩定跑大型 Qwen？
企業願不願意付錢？
為什麼 Alibaba 要連晶片都自己做？
這背後還有一個不能忽略的原因：
Nvidia。
Reuters 指出，
中國科技公司正加快開發：
Domestic Alternatives
來降低對 Nvidia AI Processor 的依賴。
其中一個原因就是：
美國對高階 AI 晶片出口限制持續收緊。
如果 Alibaba：
模型用自己的。
Cloud 自己營運。
但最底層所有高階 Compute
永遠只能靠美國晶片，
整套 AI Strategy 還是會有：
Supply Chain Risk。
所以 Zhenwu V900 的意義，
不只是：
「Alibaba 也想當晶片公司。」
而是：
AI 自主性最後一定會一路往下碰到 Silicon。
這和 Huawei 的方向非常像
SasaDaily 9 月 17 日才寫過：
Huawei 的 AI 算力供不應求。
公司甚至把：
Ascend 960DT
提前：
9 個月。
同時把競爭拉向：
大規模 Supernode。
今天 Alibaba 又做同一件事：
Zhenwu。
Supernode。
50 萬卡 Cluster。
20GW Cloud Capacity。
這已經不像兩家公司剛好都出了晶片。
更像是中國 AI Infrastructure 正出現共同方向：
模型公司開始往硬體走。
硬體公司開始往 System 走。
最後競爭的是：
完整 AI Factory。
Nvidia 真正厲害的也從來不只是 GPU
這也是為什麼：
「中國做出一顆接近 Nvidia 的 Chip」
本身還不夠。
Nvidia 的優勢長期不只是：
Silicon。
還包括：
CUDA。
Libraries。
Networking。
NVLink。
InfiniBand。
Systems。
Developer Ecosystem。
Cloud Partnerships。
所以如果 Alibaba 真正想降低 Nvidia Dependence，
光有 V900 不夠。
它需要讓：
Model。
Compiler。
Network。
Storage。
Cloud。
Agent Platform。
全部能一起跑。
今天 Apsara Conference 真正展示的，
就是這個方向。
Alibaba 甚至連 Agent Cloud 都一起往上蓋
今天 Alibaba 還公布：
AgentCore。
定位是：
讓企業建立、
執行、
管理 AI Agents
的一套 Enterprise Platform。
另外還有：
Agent Security Center。
Agent Context。
以及新的 Context Engine。
也就是 Alibaba 的 Full-stack Roadmap，
現在大概可以一路排成：
Qwen Model
↓
Agent Platform
↓
Cloud Software
↓
Networking
↓
Storage
↓
Supernode
↓
Zhenwu AI Chip
↓
Data Centre。
這是一條非常長的 Vertical Stack。
這會帶來一個非常現實的優勢：自己替自己最佳化
如果 Model Team
和：
Chip Team
屬於完全不同公司，
通常只能透過公開 Interface 配合。
但如果 Alibaba 同時控制：
Qwen。
Compiler。
Chip。
Network。
Storage。
Cloud。
就可以從整體系統去調整：
這個模型最常用哪種 Precision？
Memory 怎麼放？
Token 怎麼 Cache？
Network 怎麼減少 Waiting？
Inference 怎麼降低成本？
這就是 Full-stack Optimization 的價值。
不是每一層都一定世界第一。
而是：
全部加起來可以一起優化。
但 Full-stack 也代表非常燒錢
反過來看，
風險也一樣大。
自己做：
Model。
Chip。
Server。
Network。
Cloud。
Data Centre。
每一層都是：
巨額 Capital Expenditure。
而且任何一層失敗，
都可能拖累整體。
例如：
模型很好，
但 Chip Yield 不夠。
Chip 很快，
但 Network Scaling 不行。
Data Centre 蓋很多，
但客戶需求沒跟上。
都會變成：
非常昂貴的問題。
所以 Full-stack Strategy 的真正考試不是：
發布會可以公布多少東西。
而是：
這些層最後能不能一起產生收入。
市場今天先給了正面反應
Reuters 報導，
Alibaba 香港股價今天上漲：
5.1%。
來到約一個月高點。
這代表市場目前至少先認為：
Alibaba 把 AI 投資從：
「一直燒 Capex」
講成：
Model＋Chip＋Cloud＋Data Centre
的完整 Strategy，
具有想像空間。
但股價一天上漲，
當然不能證明：
Zhenwu 已經成功。
真正能證明的仍然是：
後面的 Deployment
與：
Business Results。
今天真正值得記住的不是 10 兆參數
10 兆很吸睛。
50 萬卡也很吸睛。
20GW 更大。
但 Alibaba 今天真正傳出的訊號其實只有一個：
下一場 AI 戰爭，可能不是單點產品戰。
以前可以問：
誰的 Model 最強？
誰的 GPU 最快？
誰的 Cloud 最大？
現在這些問題開始被綁在一起。
因為大型 AI 需要：
模型知道怎麼跑。
晶片撐得住。
網路傳得動。
Storage 跟得上。
Data Centre 有電。
Cloud 能賣出去。
最後才變成：
真的可以使用的 AI Service。
中國 AI 下一階段可能會愈來愈像「全產業鏈競賽」
前幾天是 Huawei。
今天是 Alibaba。
未來還可能看到：
其他 Cloud Providers。
Chip Companies。
Model Labs
往彼此領域延伸。
因為當 AI 模型大到：
兆級 Parameters。
Agent 跑到：
幾十小時。
Cluster 擴到：
幾十萬卡。
真正的 Bottleneck
不再只存在一層。
所以 Alibaba 今天不是只宣布：
更大的 Qwen。
也不是只宣布：
更快的 Zhenwu。
而是在告訴市場：
它想自己蓋出一整座 AI Factory。
接下來最值得看的，
不是發布會還能再加多少「兆」。
而是：
這座 Factory
能不能真的：
量產。
穩定。
便宜。
而且有人願意一直付錢使用。
今天，和 AI 一起進步一點。
每天學會一個 AI 技巧。
每天節省一點時間。
每天提升一點能力。
SasaDaily，陪你一起成長。
推薦閱讀
AI 晚報｜2026/09/17：華為 AI 算力供不應求，Ascend 960DT 提前 9 個月，戰場從單顆晶片拉到百萬卡超節點
