作者 | 鸿辰

在近日举办的云栖大会上，阿里巴巴CEO吴泳铭给出了一个极具冲击力的判断：“未来机器思考总量将达到人类的1000倍以上。”他把AI模型、AI芯片和AI云定义为“机器智能时代的三大基石”，并宣布阿里将“坚定投入”这三项基础设施建设，目标是到2032年阿里云运营的全球数据中心规模超过20GW。

同一天，阿里云CTO李飞飞首次以新身份登台，系统阐述了Agentic Cloud战略，推出AgentCore、Agent Sandbox、新一代CPFS存储等一系列产品。

从云栖大会的热闹会场出发，一条清晰的叙事线正在显现，即阿里云正在从“能生成”走向“能交付”。但是，这里有一个很容易被忽略的问题，“交付”的路径往往是不同节奏的台阶组成，软件层今天就能踩上去，但芯片层可能明年才铺好，模型层仍在施工中。从承诺到使用，这之间存在一个需要被认真对待的“时间差”。

这里我们不讨论阿里云“该不该做Agentic Cloud”，而是想追问的是一个更具体的问题，即在充满不确定的交付阶梯上，阿里云面临哪些挑战？

1、人事动荡，阿里云组织调整

如何对待上面这个问题，需要从年初那场人事风波说起。

今年3月4日凌晨，通义千问大模型负责人林俊旸在社交平台发帖，宣布离开千问。就在前一天，他刚带领团队发布了Qwen3.5小尺寸模型系列，还获得了马斯克的公开点赞。

林俊旸之后，Qwen后训练负责人郁博文离职，Qwen Code负责人惠彬均确认已于1月离开阿里加入Meta，整个千问核心技术层几乎被清空。

这场风波暴露的问题比人事变动本身更深。时任阿里云CTO周靖人在All Hands会议上就承认，团队处于“资源紧张状态”。而林俊旸的离开，也成为后续阿里云一系列组织调整的导火索。

4月8日，吴泳铭发布内部信，宣布AI相关组织调整，包括新设立集团技术委员会，升级通义大模型事业部，加速AI建设。根据内部信，阿里在集团层面设立技术委员会，周靖人担任技术委员会首席AI架构师，李飞飞负责阿里云技术以及AI云基础设施建设，吴泽明负责集团业务技术平台以及AI推理平台建设。

从“账面”上，这个安排看是合理的，三个人，三条线，周靖人管模型能力上限，李飞飞管云基础设施，吴泽明管推理落地。但“账面”之下仍有落差。

另据天眼查显示，2026年5月，阿里云计算有限公司发生工商变更，郑俊芳卸任法人、执行董事、总经理，罗伟接任法人，并担任董事、经理。这意味着，阿里云的技术管理层调整不仅发生在CTO层面，公司法层面的法人也在同期完成了更替。

李飞飞此前的身份是阿里集团副总裁、阿里云数据库业务负责人，数据库出身，工程背景扎实。但是，他和大模型研发并没有太多直接的交集。

在全球AI大模型竞争白热化的当下，阿里云CTO这个位置需要的已经不只是“管好一个技术团队”，而是要在模型团队、芯片团队、云基础设施团队之间做协同判断。比如Agent工作负载的通信特征是什么？芯片架构应该如何针对性优化？模型迭代节奏对算力部署有什么要求？要及时应对诸多问题和做好判断，需要长时间在一线的经验积累，可能很难依靠通用的工程管理能力就可以快速替代。

更关键的是，阿里云的组织架构稳定性仍不确定。

6月8日，阿里宣布合并通义大模型事业部和未来生活实验室，成立Token Foundry事业部，由吴泳铭直接负责。周靖人再从“全权负责通义大模型事业部”转为“阿里巴巴首席科学家，牵头成立AI未来研究院”。

从3月林俊旸离职，到4月“三权分立”，再到6月Token Foundry成立，阿里AI业务的汇报关系在不到一百天里经历了三次重构。

而在2026年初的组织调整中，通义千问团队已逐步从阿里云体系中剥离。李飞飞负责的是阿里云的AI基础设施，而千问模型的研发节奏由Token Foundry团队决定，两者之间的协同关系，是一个需要单独讨论的组织边界问题，而非简单的上下级关系。

在Agentic Cloud战略中，阿里云需要向客户交付的是一个“模型+云+芯片”的协同体系。但模型团队在集团层面，云基础设施团队在阿里云层面，芯片团队（平头哥）在2026年与云智能集团合并为“AI云与计算服务”分部。三条线，三个汇报关系，协同的复杂度并非降低了，而是转移了。

客户选择阿里云的Agentic Cloud，本质上，选择的是一个横跨集团和云业务的组织协作结果。所以，对阿里云而言，模型团队的组织稳定性直接影响其Agentic Cloud的可信度。

9月21日，云栖大会开幕前一天，观察者网报道称刘大一恒被任命为Qwen大语言模型项目负责人。他的上任对“厘清”Qwen团队管理层架构，以及对阿里云的Agentic Cloud战略来说，都是一个积极信号。

但“厘清”本身也说明，此前架构仍不够清晰。

2、Agentic Cloud三层体现如何协同？

当然，在云栖大会上，李飞飞对Agentic Cloud的表述看起来已非常明确，即构建“Model×Harness×Context”的三层全栈体系。

其中，Model层解决的是“模型能做什么”，考验的是Qwen系列的模型能力、RSI驱动的自主迭代、推理优化能力；Harness层解决的是“模型怎么可靠地做事”考验的是工具路由、权限审批、失败重试、沙箱隔离、轨迹记录。Context层解决的是“模型知道什么、此刻应该做什么”考验的是企业数据的实时组织、KVCache管理、上下文工程。

这三个层次间的分工有明确的工程逻辑，但值得追问的是，这个框架所描述的能力，有多少还停留在发布会的PPT上？

比如Agent Core今天就能用，阿里云将其定义为“企业级Agent构建治理平台”。但是，算力层就没有这么快。云栖大会上，支撑Qwen3.8 Max、Kimi K3跑商业服务的是真武M890超节点。而真正代表Agentic Cloud算力底座的是真武V900，单芯片性能是M890的3倍，但这款芯片的上市时间是2027年第一季度。

模型层的节奏更靠后，Qwen LLM项目负责人刘大一恒在云栖大会上表示，基于新一代架构的Qwen4“已在训练中”，Qwen4.5、Qwen5规划扩展到5-10万亿参数。

这些都是前瞻性披露，而在全球大模型能力快速迭代，你追我赶的背景下，往往意味着不确定性。

所以，真正的问题不在三个层次本身，而在三个层次之间能不能更好地协同。

Harness和Context的部分能力今天可以交付，但这两层的价值兑现，高度依赖Model层的能力。Agent Core宣称“任务完成率提升99%”，这个99%的分母是什么？如果是简单的工具调用，M890上的Qwen3.8 Max就能支撑。如果是复杂的多轮Agent工作流，Qwen4的能力可能是必要条件。

Context Engine的情况也类似，其技术实现依赖“存储、计算处理、上下文工程”三位一体，但“实时智能决策”的质量，最终取决于模型对上下文的利用能力。Context层搭得再好，如果模型对长上下文的推理能力不足，Agent的决策质量仍然受限。

一个正在评估Agentic Cloud的企业用户，很可能问一个实际问题：如果我在M890超节点上部署Agent工作流，明年V900量产了，投资会不会过时？阿里云目前没有给出明确的迁移路径或兼容性承诺。

云栖大会上，吴泳铭给出了一个判断，他说“机器智能时代的代表性产品还没有出现。”这个判断没错，但如果代表性产品还未出现，那阿里云当前的Agentic Cloud交付阶梯，究竟是有节奏的推进，还是“软件先跑、硬件跟不上”的结构性错位？

答案取决于一个可验证的指标，就是在V900量产之前，有多少企业客户愿意用M890的算力底座，去部署Agentic Cloud所描述的Agent工作流，并且持续运行超过30天。

阿里云弹性计算负责人吴结生说，“灵骏超节点正式上线30多天，就有上百家企业级客户陆续接入。”但是，接入是一回事，跑起来是另一回事。在“接入”和“持续运行”之间的差距，才是阿里云需要穿越真空期的真实考验。

3、组织调整红利，遭遇技术交付周期

当Agentic Cloud的三层结构以不同节奏向前推进时，其节奏差异考验着阿里云的组织与商业能力。

一般来说，科技大厂的组织调整“红利”通常以季度为单位显现，而技术交付的周期以年为单位。两者之间的错位，在阿里云2026年的实际运行中可能比表面看起来更复杂。

李飞飞在9月云栖大会上展示了Agentic Cloud的完整产品矩阵，节奏是“快”。而真武V900的量产在2027年Q1，Qwen4的交付时间表未明确，技术交付的节奏是“慢”。表面上这只是一个“管理动作快、技术落地慢”的常识性矛盾，但问题的关键不在于节奏差异本身，更在于这种差异对阿里云商业逻辑的深层影响。

4月李飞飞接任阿里云CTO时，官方叙事是“研究、基建、业务落地三权分立”，由周靖人负责模型能力上限，李飞飞负责云基础设施，吴泽明负责推理平台。但到了6月，Token Foundry成立，通义大模型事业部被划入吴泳铭直管，周靖人的角色再次变化。

要知道，企业级Agent部署不是简单的下载一个App那么简单，一家企业把Agent接入质检流程，需要把产线数据、质检标准、异常处理规则全部接入Context Engine，定制Harness和做推理性能调优，整个过程可能耗费数月。

作为企业客户的技术决策者，他需要在内部说服自己的老板，“我们选阿里云是对的”。但是，在阿里云组织架构连续调整后，这种说服的难度会直线上升。

事实上，云计算服务对售后能力要求很高，高校和长尾客户自身缺乏运维能力，厂商交付后还需要提供辅助迁移、培训和日常代运维。所以，“信任”不是一个软性指标，而是有具体运营成本的。组织反复的代价，会体现在续约率和扩展部署率上。

目前，云服务市场的竞争维度正在从“谁的能力强”转向“谁能让客户不折腾”。其实，对开发者而言，迁移一个已经在生产环境运行的Agent工作流，涉及上下文存储、缓存策略、推理框架适配、评估pipeline重建，这些都是沉默成本。

阿里云的选择是清晰的，即用软件层的可交付性维持客户信心，用芯片层的叙事支撑战略预期，用组织调整的加速展示决心。在逻辑上，这个逻辑是自洽的。但是，自洽不等于已经验证，更不等于客户会买账。

真正需要追问的是，在V900量产之前的12到18个月里，阿里云能否给客户一个明确的迁移路径和兼容性承诺？在客户真实生产环境中，Agent Core宣称的“任务完成率99%”能否稳定复现？

在全球AI技术的激荡时代，人事调整后的阿里云，需要证明的事情还有很多。

特别声明：本文为合作媒体授权DoNews专栏转载，文章版权归原作者及原出处所有。文章系作者个人观点，不代表DoNews专栏的立场，转载请联系原作者及原出处获取授权。(有任何疑问都请联系idonews@donews.com)