又见云栖，不见云栖，氛围变了，但人还在

来源 | 至顶AI实验室

去年的云栖大会，我一直在期待，AI时代，云栖一定会重现甚至超越当年的盛况。
今年来了之后，先感受到的却是一点陌生，这次会议地点从云栖小镇换到了杭州国际博览中心，场馆更规整，感官上人却似乎比去年少一些，也可能只是空间和动线变了。
但有一点很确定，云栖更像一场会议了，少了小镇草坪上随处坐下来聊天的氛围。去年在户外互动，加了几十个微信，今年看了一下，只有4个…
云栖还在，熟悉的那种感觉，却没能一起搬过来。
今年的主题是“智以致用”，上午的发布会，吴妈把AI模型、AI芯片和AI云放在一起，讲机器智能的规模化供给，一句“机器正在成为思考的主力”，语惊四座。
真武V900发布，Qwen4已经在训练，后续计划向5—10万亿参数推进，递归式自我改进也进入了探索阶段。
但让我记忆最深刻的是另一句话：机器智能时代的代表性产品，还没有出现。
带着这句话逛展，倒有了些不一样的感受。
正对入口的1号智能馆，显然是重点。“AI放心交给阿里云”的标语非常醒目，入口处磐久AL144超节点的实物也足够壮观。千问大模型、千问AI平台，加上终端智能计算板块的无影，阿里想展示的是从底层到应用的一整套能力。
相比之下，去年印象最深刻的魔搭社区，今年存在感弱了一些，这只是逛展的感受，但能感觉到展示重心确实变了，去年大家围着模型问能跑什么、怎么调用，今年更像是在问，能不能把我的工作接过去。
2号算力馆，刚发布的磐久AL64毫无疑问是全场明星，SNPO光互连，单机64卡，ScaleUp无收敛扩展至1024卡，模型越大，卡与卡之间怎样高效协作就越重要。
去年容易被算力规模震住，今年我则更关心这些设备最后能把推理成本降到多少。比如，另一个明星产品，磐久AL128 超节点服务器，128 —— 144颗芯片，同等AI算力下，相比于传统服务器集群，能够将大模型的推理性能直接拉高50%。
AMD、Intel、英伟达几家老面孔，都明显把重心放到了各自的AI应用生态上，Intel尤其如此，没看到太多以硬件本身为主角的内容，这也或许跟它自己的intel 产业生态大会时间冲突有关系，毕竟苏州离杭州也不远，两者确实不好兼顾。
至于端侧，AMD无疑是最看重的，多款AI Max+ 495真机已经摆出来，因为还没上市，所以没法演示具体性能，但据说定价不便宜，之前海外泄漏的小道消息是7000美金左右，很显然，AMD在AI端侧已经有了一个比较清晰的布局，根据AI的应用以及算力需求，云端或者超轻量之间直接用PC，中度 AI Max+ 395，更大模型的应用或者开发 AI max+ 495，如果还有更大需求，那就2台AI Max+ 395 串联。
英伟达依然围绕AI Factory讲生态，预想中的RTX Spark没有出现，倒听到了它可能只比DGX Spark略便宜的说法。传闻先听着，如果属实，此前期待它冲击两到三万元级桌面AI工作站市场的观点，可能得重新考虑了。
3号馆是创造馆，看名字就知道更多的是具体AI应用的展示，参会之前，这个馆应该算是我最期待的一个场馆。
千问办公在我的观感里占了接近一半的空间，去年拥有类似存在感的还是魔搭社区和百炼平台。这个变化其实也不难理解，Vibe Coding很热，但需要写代码的人终究有限，需要查资料、写方案、做表格的人要多得多。办公横跨行业，也很难简单分成To B或To C，一个人用起来，进入团队，再进入公司的流程，市场空间很大，使用频率也足够高。
另一半展区更多是基于千问AI平台的各种AI应用或者SKILL，在AI的加持下，超级个体为代表的OPC被无限放大。
工具确实让一个人能做更多事，但热闹之后，还是要回归到客户为什么愿意付费。最终能拉开差距的，可能还是你对某个行业、某种需求理解得有多深。
今天停留最久、惊喜最多的，反而是4号馆，去年我对前沿应用馆的印象，还是位置稍远，展示的垂直场景也离普通观众有些距离，但今年完全不一样了。
4号馆被命名为产业馆，重点展示了智能汽车AI应用和智能硬件；不同于汽车智能座舱和驾驶所采用的边缘侧或端侧方案，这次展出的AI硬件展区基本都集中在云端API调用，五花八门的各种AI硬件中，AI陪伴依然是主力。或许未来人与人的对话越来越少，人与AI的对话才是主流。
最让我记住的是一家杭州本地公司，正在尝试解读动物的语言，他们希望结合动物的声纹、音量、频率，以及环境和动作，判断动物可能在表达什么，再用自然语言告诉人。到底准不准，还需要验证，但我挺喜欢有人认真做这件事。
那些尚未出现的代表性产品，也许就从这种好奇心开始，以前想到这里就停了，现在有了AI的加持，可以先做个原型，试试看。这或许才是AI的真正意义。
最后，还是想由衷地向阿里通义实验室致敬。
无他，因为开源，尤其是普通人真正用得上的开源模型。
现在不少旗舰模型，参数规模已经到了几千亿甚至万亿，今天展馆里的小米MiMo就让我想到这个问题，其开源的MiMo-V2.5-Pro总参数达到1.02万亿。
模型越来越强，但真正部署应用的却在减少。原因很简单，部署不起。即便MoE每次只激活一部分参数，权重也不会凭空消失，内存、显存和运维，终究要有人来付。
对不少中小企业而言，本地AI的现实条件就是一台工作站，或者几台小规模AI服务器。200B以内，尤其几十B的模型，才更容易进入预算和日常使用。量化之后装得下，还得考虑速度、上下文和多人并发，毕竟能启动和能干活，是两回事。
阿里让我认为可敬的地方，就是在冲击大模型上限的同时，依然持续照顾这部分用户，Qwen3.8-27B之外，前不久又开源了Qwen3.8-Flash-Next，125B参数，给不同档位的本地设备都留下了选择。
其他模型厂商的选择，也好理解。
在前不久的文章中我也提到过，模型大才冲得上排行榜，才撑得起API 生意，能在端侧用模型的偏C端用户，从来就不是这几个模型厂商的主力付费用户，端侧一旦跑起来，还会影响自家的API生意。
大参数的模型开源，主要针对大型国央企等数据不能上云的公司，他们大多除了部署模型，还会为定制化付费。
所以，开源大参数模型，名声有了，钱也赚了，何乐而不为。
去年我写云栖感悟，是从个人崇拜走向技术认同；今年我觉得是一种延续，认同的这些技术最终能交到谁手里。
也许我们未来还会怀念云栖小镇的草坪，但肯定也会记住那个想听懂动物的团队。
又见云栖，不见云栖，地方和气氛变了，有想法的人还在。
让有想法的人，手里能有一套用得起来的AI，这或许就是“智以致用”。

 

END
本文来自至顶AI实验室，一个专注于对AI计算机、工作站及各类AI相关硬件设备，开展基于真实使用场景评测的研究机构。
至顶网至顶AI实验室频道 作者：高书葆
阿里云AI算力云栖大会