阿里巴巴蔡崇信香港大學演講
Roger’s Takeaway
中國還是很多厲害的人，蔡崇信把AI的問題看得很清楚，首先是AI發展重點在於普及AI，讓人人都受惠於AI，就能加速生產力成長，其次是中國最大的比較優勢是製造、電力與人才
製造：中國在未來十到二十年內，仍會是全球的製造中心，回顧中國經濟崛起的路經，就是生產製造與全球供應體系
電力：在美國，蓋1GW的電廠需要10億美元，中國只要4億美元
人才：現在全球AI人才中，有一半的數量是華人，形成對中國AI的巨大人才庫
阿里的策略，阿里目標不是透過AI來盈利，而是透過支撐AI運行的雲基礎建設，完整的雲產品矩陣來實現商業化。當AI越普及，算力需求就越大，雲基礎建設的商業價值就越高。
回到個人，他認為知識獲取能力與建立分析框架的能力最為重要。
老實說中國AI發展一直是我近年來研究AI的空白，未來，我也會花一些時間研究我不曾追蹤的空白領域，包括AI底層技術的研究（CNN、Transformer）、矽谷企業家的研究、中國AI地圖與中國技術專家的追蹤。
此外，我也考慮定期出輸我對AI的思考，可能上次談索爾維會議太沈重，我想從小聚開始，每個月或每雙週大家一起聊聊對AI的想法，若大家對AI有熱情與興趣，歡迎給我任何意見，也歡迎填寫Google表單與我聊聊
Highlight
1.
技術自主
“好的公司不是靠收购堆出来的，而是有机长出来的。”
阿里进入云计算，实则是被利润结构倒逼的技术自救。那时，阿里的电商系统已经处理海量数据。每笔交易背后都有几十个数据库调用、支付、搜索、推荐。而服务器来自戴尔、存储来自EMC、数据库靠Oracle。
当时，阿里的CTO警告：
“If we continue to use third-party software and hardware, we will later on hand over all our profits to these technology vendors.”
也就是说，如果延续这种依赖第三方服务的方式，上游一加价，利润全蒸发。所以，他们决定做自己的云。这不是简单的“租服务器”，而是做一个“跨数据中心的分布式操作系统”，支撑亿级用户的并行计算。阿里云最早的客户，就是阿里自己，也就是所谓的dogfooding（软件公司自己用自己的产品），再推向外部。
这套逻辑，十几年后被国家战略验证。
2.
世界製造中心
十五五规划的第一个关键词，就是制造业强国。中国的消费占GDP比重不到40%，而美国是70%。这说明中国的经济仍然以生产和出口为核心。“中国在未来的十到二十年内，仍会是全球制造中心。”制造业带来就业、工资、出口和技术外溢，是最稳定的、最具复利效应的增长引擎。
回顾中国经济崛起的路径，从人均800美元提升到1.3万美元（并有望在未来十年达到3万美元），真正推动这一跃升力量的，就是生产制造以及全球供应体系。
3.
技術自主
十五五规划的第二个关键词，尤其在当前地缘政治的背景下，是技术自主。
到2030年，AI Agent与设备要达到90%渗透，落地机制是市场化。这是一个应用导向的目标。
与之相比，美国的AI政策关注技术前沿，例如模型参数、算法突破；而中国的政策，更像是一场普惠运动，要让AI变成电力一样，成为基础设施，被更广泛使用。
中美AI竞赛的关键不在技术指标，而在adoption rate（采用率）。AI的社会红利，并不来自一两个SOTA模型，而在于全社会的普及曲线。当农民、制造业工人、教师、小商户等等各行各业都能用AI时，这项技术才真正进入经济血液。
4.
普惠型AI
因此，中国的AI发展策略，本质上是“普惠型AI”：
技术领先不等于社会收益的最大化，普及速度才是复利起点。
允许国企和民企各自探索路线。政府不指定技术方向，只设定渗透目标；
把采用率定为KPI，这会自然倒逼成本、数据合规、行业化方案全面优化。
5.
中國的比較優勢
中国AI的底层优势首先是能源红利。AI是能源密集型产业。中国在这一层早就布局，十五年前就开始大规模投资输电网络和配套基础设施。中国的国家电网的年资本支出约900亿美元，而美国只有约300亿美元。中国电力装机容量是美国的2.6倍，电力产能净增量是美国的9倍。另外，新增能源部分中，太阳能和风电占主导，能够为AI提供绿色能源基础。然后是成本红利。
建设一座GW量级的数据中心，中国是4亿美元，美国则是10亿美元。这有着结构性的成本差距。
6.
阿里AI的開源優勢
中国的AI团队在系统工程能力上已经非常突出。长期的GPU短缺，反而逼出了更高的优化效率。在分布式训练、调度优化、功耗控制等方面，中国工程师展现出较强的实践能力。而在人才供给上，“全球有超过一半的AI科学家和研究者，在中国大学有过学位。”有Meta的员工调侃：“我们的AI团队里，几乎全员讲中文。”这很有意思，“过去中文是出海的障碍，如今在AI时代，它反倒成了优势。”另外，中文互联网的内容密度、语义复杂度，也可以为AI模型提供了丰富的语料。这种语言层面的优势还在放大。
阿里不是靠AI模型本身盈利，而是通过支撑AI运行的云基础设施实现商业化。
阿里提供一整套底层能力，例如算力、存储、安全、数据管理、网络服务，让用户能在其云平台上稳定、高效的运行AI应用。这一完整的云产品矩阵，是AI落地的核心支撑，也逐渐形成了阿里生态的护城河。
这就像酒店业，真正决定收益的，不是每个房间的装潢，而是专业化和规模化的运营效率。AI越普及，算力需求越大，云基础设施的商业价值就越高。
7.
个人成长有两大核心能力：知识获取能力和建立分析框架的能力。
在信息爆炸时代，懂得筛选、提炼和建模，把信息处理为自己的理解系统，是真正的竞争力。
编程：虽然已经有vibe coding（自然语言编程），他仍然建议像学习机器逻辑，主要培养结构化思考；
电子表格：看似简单，是不错的逻辑推演工具；
数据科学：理解数字化时代的底层语言，学习检索和分析数据。
8.
泡沫，是金融的問題
“AI是真实存在的技术，只是金融市场会泡沫化。”
互联网当年也经历了破裂，但留下的基础设施，例如服务器、协议、带宽等等，都变成了今天的生产力。AI也是一样：它的模型、算力、基础设施，都是真实可见的资产。泡沫，是金融估值的问题，不是技术的问题。
逐字稿
阿里最早做的是一个B2B跨境贸易网站，1999年上线时是全英文的，主要为了帮助中国中小企业“走出去”。
后来，随着国内市场崛起、消费者行为转变，他们顺势延伸到C端，从阿里巴巴到淘宝，从企业到个人，业务自然生长。
随后支付宝的诞生，也是为了解决买卖双方的信任危机：买家不敢先付钱，卖家不敢先发货。阿里则提出一个托管机制，先由第三方保管资金，再根据交易结果释放。
这个简单的机制，为当时互联网的商业体系补上了一环：信任基础设施。
“If you want to found companies later on, you would always want to favor organic development over acquisitions. [...] because you are developing through your team, and your team has the best DNA in terms of the Alibaba culture and innovation.”
“好的公司不是靠收购堆出来的，而是有机长出来的。”
阿里进入云计算，实则是被利润结构倒逼的技术自救。那时，阿里的电商系统已经处理海量数据。每笔交易背后都有几十个数据库调用、支付、搜索、推荐。而服务器来自戴尔、存储来自EMC、数据库靠Oracle。
当时，阿里的CTO警告：
“If we continue to use third-party software and hardware, we will later on hand over all our profits to these technology vendors.”
也就是说，如果延续这种依赖第三方服务的方式，上游一加价，利润全蒸发。所以，他们决定做自己的云。这不是简单的“租服务器”，而是做一个“跨数据中心的分布式操作系统”，支撑亿级用户的并行计算。阿里云最早的客户，就是阿里自己，也就是所谓的dogfooding（软件公司自己用自己的产品），再推向外部。
这套逻辑，十几年后被国家战略验证。
“技术自主可控”如今已是政策共识。
阿里当年的选择，或许在某种意义上，也是中国数字基础设施自主化的缩影。
“China wants to continue to be a manufaturing powrehouse, I think the empasis on the manufacturing economy, which is part of the real economy is right there.”
十五五规划的第一个关键词，就是制造业强国。中国的消费占GDP比重不到40%，而美国是70%。这说明中国的经济仍然以生产和出口为核心。“中国在未来的十到二十年内，仍会是全球制造中心。”制造业带来就业、工资、出口和技术外溢，是最稳定的、最具复利效应的增长引擎。
回顾中国经济崛起的路径，从人均800美元提升到1.3万美元（并有望在未来十年达到3万美元），真正推动这一跃升力量的，就是生产制造以及全球供应体系。
“They say, China is exporting excessive capacity for the rest of the world. [...] The definition simply means that you have producation capacity that your domestic economy cannot absorb, therefore you resort to exports.”
“过剩产能只是国内消化不了的产能。[...] 通过出口，把产能转化为价值，本身就是国家致富的合理路径。”德国长期依靠汽车出口支撑经济，却从未被指责为‘产能过剩’。那么，中国制造业的外向型增长也不应被污名化，而应被视为一种经济体的自然演化。成为“世界制造中心”，是中国选择的正确路径，但这条路需要不断升级。过去我们出口的是鞋子和衣服，未来出口的将是电动车、电池和光伏。这三样，正好对应全球能源转型的刚性需求。制造业的升级，直接牵引了AI的落地方向。因为AI真正的规模效应，就体现在工业环节的降本增效上。
“We want to become technology self reliant. [...] The AI plan simply said that in 2030, we should see 90% penetration of AI agents and devices.”
到2030年，AI Agent与设备要达到90%渗透，落地机制是市场化。这是一个应用导向的目标。
与之相比，美国的AI政策关注技术前沿，例如模型参数、算法突破；而中国的政策，更像是一场普惠运动，要让AI变成电力一样，成为基础设施，被更广泛使用。
“You don't keep score by looking at you know how good these large language models are; the score is being kept by the adoption rate”
这种差异是结构性的。
中美AI竞赛的关键不在技术指标，而在adoption rate（采用率）。AI的社会红利，并不来自一两个SOTA模型，而在于全社会的普及曲线。当农民、制造业工人、教师、小商户等等各行各业都能用AI时，这项技术才真正进入经济血液。
因此，中国的AI发展策略，本质上是“普惠型AI”：
技术领先不等于社会收益的最大化，普及速度才是复利起点。
允许国企和民企各自探索路线。政府不指定技术方向，只设定渗透目标；
把采用率定为KPI，这会自然倒逼成本、数据合规、行业化方案全面优化。
中国AI的底层优势首先是能源红利。AI是能源密集型产业。中国在这一层早就布局，十五年前就开始大规模投资输电网络和配套基础设施。中国的国家电网的年资本支出约900亿美元，而美国只有约300亿美元。中国电力装机容量是美国的2.6倍，电力产能净增量是美国的9倍。另外，新增能源部分中，太阳能和风电占主导，能够为AI提供绿色能源基础。然后是成本红利。
建设一座GW量级的数据中心，中国是4亿美元，美国则是10亿美元。这有着结构性的成本差距。
“Chinese models are not very far behind the US, because China has a lot of engineers and it's the country that produced the most standard students every year. [...] Lacking in GPU actually creates an advantage of starvation.”
中国的AI团队在系统工程能力上已经非常突出。长期的GPU短缺，反而逼出了更高的优化效率。在分布式训练、调度优化、功耗控制等方面，中国工程师展现出较强的实践能力。而在人才供给上，“全球有超过一半的AI科学家和研究者，在中国大学有过学位。”有Meta的员工调侃：“我们的AI团队里，几乎全员讲中文。”这很有意思，“过去中文是出海的障碍，如今在AI时代，它反倒成了优势。”另外，中文互联网的内容密度、语义复杂度，也可以为AI模型提供了丰富的语料。这种语言层面的优势还在放大。
谈到AI的全球竞争格局以及中美的差异，蔡崇信重点提到开源和闭源之争。
总的来看，国家主要在两种模式种做选择：
一种是依赖OpenAI等公司的闭源API：性能强大；但是价格高，数据进黑箱，用户几乎无法掌握隐私和使用边界；
另一种是采用阿里等企业推出的开源模型：可自部署、低成本、数据可控，在安全性和灵活性上更具优势。
在美国，企业若要接入OpenAI等的服务，往往需要承担高额的订阅和调用费用，这使得AI的使用门槛居高不下。
而在中国，阿里的多个开源模型，用户已经可以自由的下载，并部署在自有的基础设施（例如自己的笔记本或者企业服务器上），成本极低。
长期来看，开源是一种更加经济、更加安全的路径，并且这也与他之前提到的普惠逻辑一致。
既然是开源模型，那公司如何赚钱？
“We don't make money from AI.”
阿里不是靠AI模型本身盈利，而是通过支撑AI运行的云基础设施实现商业化。阿里提供一整套底层能力，例如算力、存储、安全、数据管理、网络服务，让用户能在其云平台上稳定、高效的运行AI应用。这一完整的云产品矩阵，是AI落地的核心支撑，也逐渐形成了阿里生态的护城河。这就像酒店业，真正决定收益的，不是每个房间的装潢，而是专业化和规模化的运营效率。AI越普及，算力需求越大，云基础设施的商业价值就越高。
在个人层面，蔡崇信建议：
“You should learn how to acquire knowledge and develop analytical framework for analyzing information coming to your conclusions.”
个人成长有两大核心能力：知识获取能力和建立分析框架的能力。
在信息爆炸时代，懂得筛选、提炼和建模，把信息处理为自己的理解系统，是真正的竞争力。
编程：虽然已经有vibe coding（自然语言编程），他仍然建议像学习机器逻辑，主要培养结构化思考；
电子表格：看似简单，是不错的逻辑推演工具；
数据科学：理解数字化时代的底层语言，学习检索和分析数据。
在学科方面，他建议年轻人学习心理学和生物学，去理解人脑、信息处理与决策机制；还可以关注材料科学，从比特（数字信息）到原子（物理载体)，他认为下一轮技术革命将发生在物理世界，材料科学是突破一些技术瓶颈的关键领域，特别是在半导体等核心硬件领域的创新。
那么“AI会不会像互联网一样，成为泡沫？”
“There is a real model and then there is a financial market model.”
“AI是真实存在的技术，只是金融市场会泡沫化。”
互联网当年也经历了破裂，但留下的基础设施，例如服务器、协议、带宽等等，都变成了今天的生产力。AI也是一样：它的模型、算力、基础设施，都是真实可见的资产。泡沫，是金融估值的问题，不是技术的问题。
AI能够像朋友一样给出答案、交往的时候，将是一个重要的发展节点。目前，AI更多的是一种效率工具；未来，AI有望成为人类的朋友，有更好的交互。