阿里成立ATH并连发三款模型实现技术整合
全球AI竞赛如火如荼，所有技术投入的最终目标都高度一致：那就是切实提升社会生产力与商业效率。
直面竞争现实，不容丝毫松懈
2026年清明节期间，阿里通义千问Qwen3.6-Plus模型登顶全球AI平台OpenRouter日榜榜首并刷新调用记录的消息，引发了行业广泛关注。
如果将时间线拉长，观察阿里近期的系列动作，其战略意图与加速节奏则更为清晰。
3月16日，阿里巴巴集团正式宣布成立Alibaba Token Hub（ATH）事业群，全面整合AI资源。随后的半个月内，阿里大模型进展密集发布，速度惊人：
3月30日，通义千问Qwen3.5-Omni多模态模型发布，一举获得215项性能基准（SOTA）领先；
4月1日，通义万相Wan2.7-Image图像生成模型亮相，其综合表现被视为国产模型中与顶尖国际产品Nano Banana Pro最为接近的选手；
4月2日，Qwen3.6-Plus模型重磅登场。仅一天后，该模型便以单日高达1.4万亿的Token调用量，刷新了OpenRouter平台的历史记录。此后，其毫无悬念地蝉联了该平台的周榜冠军。一个值得注意的背景是，OpenRouter平台用户中，美国开发者占比高达47.17%，而中国开发者仅占6.01%。这一数据充分证明，Qwen模型所取得的成就并非局限于国内市场，而是获得了全球开发者的广泛认可与主动选择。
如此密集的发布节奏，不禁让人联想到2024年的“百模大战”。但时至今日，AI竞争的维度、技术难度与市场目标均已发生深刻变化。
此前，随着DeepSeek和Qwen等中国模型相继登顶全球开源榜单，国内AI产业一度弥漫着乐观情绪，认为中美模型差距正在迅速缩小。
然而，冷静审视全球竞争格局，现实可能比预想更为严峻。
以美国AI公司Anthropic为例。其估值在2025年初约为600亿美元，而到2026年已飙升至约3800亿美元，增长超过六倍。其年化收入也从2025年的约10亿美元，激增至2026年3月的约190亿美元，涨幅高达19倍。
在模型迭代方面，Anthropic同样保持着惊人的速度：从2025年2月发布Claude 3.7 Sonnet与Claude Code，到2026年3月推出Opus 4.6和Sonnet 4.6，几乎每个季度都有堪称当时SOTA的新模型问世。从MCP（模型上下文协议）到Skills（技能库），从编程智能到智能体（Agent）应用，Anthropic持续拓展着AI能力的想象边界。
更关键的是，当Claude系列的编程能力突破某个临界点后，其产品如Claude Code、Claude Cowork的市场接受度与规模开始呈现指数级增长，形成了强大的自我强化增长飞轮。
这好比一场太空竞赛：领先者的火箭已突破大气层，进入加速阶段；而追赶者若仍在大气层内艰难爬升，每一步都需克服巨大阻力，差距存在被进一步拉大的风险。
因此，这场AI马拉松竞赛，要求参与者必须直面现实，保持高度专注，不容有丝毫松懈。Qwen和DeepSeek的崛起确实提振了行业信心，但国产大模型面临的技术追赶与商业化压力并未减轻。与一些AI创业团队的交流中，也能深刻感受到那种全力追赶的紧绷状态。而阿里近期的系列动作表明，其推进AI战略的这口气，丝毫没有松懈。
客观评估，阿里在当前的AI竞争中确实占据着有利位置。这不仅体现在通义千问（Qwen）与通义万相（Wan）两大基座模型系列的性能均已达到世界顶尖水平。在市场层面，有迹象表明，亚马逊、Airbnb等国际企业已开始基于Qwen模型探索新业务；技术生态上，英伟达、微软、Meta等科技巨头基于Qwen开发衍生模型；前沿研究领域，斯坦福大学李飞飞团队、硅谷独角兽Thinking Machines Lab、艾伦人工智能研究所等顶尖机构也在基于Qwen推进前沿创新。可以说，在开发者社区与开源生态中，阿里系的模型不仅赢得了声誉，更在OpenRouter这类全球性竞技场上，证明了其与顶尖模型同台竞争的实力。
而此前ATH事业群的成立，无疑是阿里为进一步凝聚力量、展现其AI战略决心所走出的关键一步。
智能的终极价值在于转化为生产力
不知你是否思考过，为何互联网时代的云服务巨头，大多拥有AB两面业务？例如，亚马逊的A面是零售，B面是AWS；阿里的A面是电商，B面是阿里云。它们的共同路径往往是：先有极其成功的面向消费者（to C）的A面业务，而后才从中生长出面向企业（to B）的云服务B面业务。
这背后揭示了一个核心逻辑：前沿技术必须服务于真实业务场景的生产力提升，最优路径往往是从自身庞大的业务需求中自然孵化出来，经过验证与抽象后，再转化为对外服务的通用能力。这不仅是商业演进的合理路径，也通常意味着更高的效率与更优的成本结构。
一个卓越的AI模型公司，看起来也必须同时是一家卓越的业务公司，今天的Anthropic便是例证。因为所有智能技术的竞赛，最终都要回答一个根本性问题：谁能最有效地将智能转化为真实的商业与社会价值？毕竟，人工智能发展的终极体现，必然是转化为实实在在的生产力。
模型Token消耗量的背后，对应的是已被市场验证、正在持续创造价值的实际业务。这些真实业务会形成宝贵的反馈闭环，持续滋养模型进化：告诉研发团队哪些能力真正实用，哪些方向值得持续投入资源。
前些年，中文互联网曾流行“摸着日本过河”的讨论。日本的发展历程颇具启示：在所谓“失去的三十年”之前，凭借科技创新，日本在半导体、家电、汽车等多个领域全面领先；而“广场协议”后，其骤然失去面向全球市场的成本优势。随后我们看到，日本的诺贝尔奖获奖数量并未减少，在精细化工、半导体材料等技术路线相对稳定的底层行业，创新也未曾中断。然而，在手机、电视、电动车这些技术迭代快、面向大众的消费电子领域，日本企业却仿佛陷入了“加拉帕戈斯陷阱”，屡屡点错科技树：将功能机、显像管电视、氢燃料电池汽车做到极致后，一抬头却发现全球主流市场已是智能手机、液晶电视和纯电动汽车的天下。
缺乏真实、大规模市场需求的牵引，技术进步就容易成为无源之水、无本之木。因此，在亚马逊，贝索斯从一开始就用技术强力支撑电商主业，当业务规模与场景复杂度达到临界点，AWS便水到渠成地独立出来。在阿里，则是淘宝天猫的洪峰流量倒逼出“飞天”云计算操作系统，电商生态的海量交易与支付需求孕育了支付宝。
理解了这一底层逻辑，就能更深刻地看懂阿里为何选择在2026年3月16日成立Alibaba Token Hub（ATH）。
对阿里而言，这次组织变革的真正战略目标，是全力押注智能体（Agent）时代的“Token工业化”体系。
过去，AI的消耗逻辑是线性的：人类提问，AI回答，一问一答。未来，在智能体（Agent）时代，Token的消耗逻辑将是指数级的：人类提出一个复杂需求，智能体自动分解任务、调用工具、循环执行，一个需求可能触发几十次甚至上百次的链式Token消耗。这时，谁能更高效地创造（炼油）、输送（管网）并应用（消费）Token，谁就能在Agent时代占据价值链的核心位置。
为此，在ATH这个全新组织中，阿里不仅由集团CEO吴泳铭亲自挂帅，还对集团所有与大模型和AI应用相关的核心资产，进行了三大板块的流程化整合与梳理：
创造Token（炼油厂）——通义实验室，作为Qwen等基座模型的诞生地，负责最前沿的AI底层能力研发与输出；
输送Token（输油管网）——百炼平台（MaaS），作为模型即服务平台，帮助各行各业客户快速搭建、部署AI应用，将AI能力以多种产品形态高效输送到千行百业；
应用Token（汽车工业）——千问APP、悟空（钉钉旗下的企业级智能体）以及各种垂直场景的AI创新应用，直接覆盖最广泛的终端用户与具体业务场景。
在外界看来，这可能只是一次常规的业务整合。但在阿里内部，这背后意味着一次深刻的思维惯性与组织逻辑的转向。
电商时代的阿里，习惯于围绕具体产品线和流量运营来构建组织，这是过去二十年互联网竞争留下的管理惯性。各业务条线拥有相对独立的预算与KPI考核体系，围绕各自的日活跃用户（DAU）或商品交易总额（GMV）目标各自为战。
因此，此前阿里的整体AI布局虽以“通义”大模型为核心，从技术研发角度看实现了多点突破，但从技术研发到产品应用、再到商业化落地之间的“部门墙”依然存在，资源跨部门分配与协同的问题也因组织架构的相对分散而长期存在。
进入AI时代，核心生产要素从传统的“人头”转向了“Token”，组织的基本协作单元与资源调度逻辑也需要随之进行灵活切换。毕竟，如果我们认同Token是数字新世界的“石油”，那么ATH理应构建的，就是集原油开采冶炼（创造）、长途管道运输（输送）、下游精炼消费（应用）于一体的完整现代工业体系。
可以预见，整合后的ATH事业群，将更有可能从集团顶层推动AI资源的优化配置与研发、平台、应用各环节的深度协同。此前，ATH旗下的企业级智能体“悟空”，在Qwen3.6-Plus发布当天就迅速完成了接入与能力升级，便是一个积极的信号。而Qwen3.5-Omni支持用户对着简单草图口述需求，模型便能直接生成带复杂交互UI的产品原型，这种音视频“Vibe Coding”能力的重大突破，同样离不开阿里内部丰富业务场景的真实需求牵引。
模型技术在快速迭代进步，组织架构在主动变革调整，阿里依然在持续自我突破。而这种持续的“折腾”，在快速变化的AI时代，恰恰是正确的姿态。
AI竞赛的每一个里程碑，都只是新的起点。今天阿里在几天内连续发布三个达到SOTA水平的模型，不出三个月，OpenAI、Anthropic等竞争对手很可能也会推出性能更优的新版本。不同玩家轮流坐庄、不断刷新性能榜单，这将是未来相当长一段时间内大模型竞争的新常态。
因此，阿里确实需要继续保持战略定力与紧迫感。回顾从PC互联网时代到移动互联网时代的跨越，阿里之所以能在电商领域构筑起深厚的护城河，并非因为它比eBay拥有更多资金，或比亚马逊拥有更高智商，而是因为它做到了真正的战略聚焦、执行坚决，并以更快的创新节奏、更极致的客户服务赢得了中国数百万商家的信任。
今天，从ATH事业群的成立到三大模型“三连发”的密集技术动作，至少展现了阿里在AI时代相似的战略决心与执行意志。
*头图来源：阿里巴巴集团
相关攻略
全球AI竞赛如火如荼，所有技术投入的最终目标都高度一致：那就是切实提升社会生产力与商业效率。 直面竞争现实，不容丝毫松懈 2026年清明节期间，阿里通义千问Qwen3 6-Plus模型登顶全球AI平台OpenRouter日榜榜首并刷新调用记录的消息，引发了行业广泛关注。 如果将时间线拉长，观察阿里近
许多游戏开发者正尝试利用悟空图像AI工具高效生成游戏场景资产，但实际操作中，产出效率可能未达预期。这通常并非工具本身的限制，而是几个核心工作流程的优化尚未到位。效率瓶颈往往集中在提示词精准度、模型参数调优以及输出分辨率设定这三个关键环节。本文将基于实测经验，为您梳理一套从精准提示到引擎落地的完整高效
宇宙射线从哪来？“悟空”号找出答案！ 来源：光明日报 仰望星空时，你可曾想过，无数接近光速的高能粒子正日夜不停地轰击着我们的星球？这些宇宙射线究竟从何而来，又是如何被加速到如此骇人能量的？这个谜题，已经缠绕了科学界整整一个多世纪。如今，来自中国的“悟空”号暗物质粒子探测卫星，带来了一条突破性的线索：
字节豆包角色扮演深度指南：五种方法实现稳定人设绑定 你是否遇到过这样的情况：在字节豆包（Doubao）里精心设定了一个角色，但聊着聊着，AI的回应又变回了那个熟悉的、通用的助手风格？这通常意味着，初始的指令未能形成有效的约束。要让AI真正“入戏”，稳定地扮演特定身份，需要一些更系统的方法。下面，我们
题图｜AI生成当龙虾（OpenClaw）热潮从个人席卷到企业，打工人和老板们都开始吐槽了。“月薪2万用不起龙虾”的话题引发了无数人的共鸣。有网友表示，把龙虾用在工作上，一个月烧掉了1 8亿token
热门专题
热门推荐
近日，国家能源局联合发改委、工信部、国家数据局正式印发《关于促进人工智能与能源双向赋能的行动方案》。这份重磅文件的核心思路非常清晰：一方面，以坚实的能源基础支撑人工智能（AI）的快速发展；另一方面，利用AI技术赋能能源行业转型升级。其核心目标是推动能源、算力、应用场景、数据与算法模型五大关键要素深度
在挑选文生视频工具时，若您正在智谱清影与Runway Gen-3之间权衡，那么了解两者在生成效果上的具体差异，将有助于您做出更明智的选择。本文将从画质清晰度、细节纹理、运动自然度与视频连贯性等核心维度，通过实测对比为您详细解析。 一、画质与分辨率表现 首先对比硬性指标。智谱清影基于CogVideoX
想用通义万相生成一张科技感十足的数据可视化背景，但出来的画面总觉得少了点“内味儿”？数字界面、粒子流、电路纹理这些关键元素一个不见，画面平平无奇？这通常不是工具的问题，而是提示词没有精准锚定科技可视化的核心要素，或者模型参数没调到最佳状态。别急，下面这几种方法，能帮你把想法精准地“翻译”成画面。 一
想要在Vidu生成的视频中实现流畅的慢动作或快进效果？虽然模型界面没有提供直接调整播放速度的滑块，但通过巧妙的提示词设计、利用内置功能，或结合后期处理工具，你完全可以精准掌控视频的节奏与时间感。本文将为你详细解析四种实用方法，从生成前到生成后，全方位满足你的创作需求。 一、通过精准提示词引导运动节奏
当您使用海螺AI生成的英文论文在提交查重时遭遇高重复率或AIGC检测异常，请不要急于归咎于工具本身。核心原因在于，尽管AI生成的文本格式标准、语法地道，但其语言模式和常见短语组合，并未针对知网、维普、万方等中文查重数据库的语义比对逻辑进行专门优化。换言之，机器认为流畅自然的表达，在查重系统的算法看来