C114讯 9月22日消息（九九）正在举行的2026云栖大会上，阿里巴巴首次集中展示了“芯片—模型—云”的协同优化成果。作为全球少数同时具备自研芯片、大模型和AI云全栈能力的科技公司，阿里已率先在模型自进化、芯片设计和云上算力服务等环节实现协同优化，推动全栈技术能力转化为实际的性能提升、成本下降和规模化应用。

此次展示的核心，是三个技术体系之间的双向反馈：模型和Agent的真实需求牵引芯片与系统设计，云平台将硬件能力组织成可规模化交付的服务，模型再反向优化推理软件和芯片设计。芯片、模型与云由此围绕任务效果、响应速度、吞吐和成本共同迭代，形成协同飞轮。

芯模协同：芯片支撑模型，模型反哺软硬件优化

这一协同已经体现在前沿模型的运行与交付中。据阿里披露，基于真武M890打造的阿里云灵骏超节点实例，已稳定运行Qwen3.8-Max、Kimi K3等超2万亿参数模型，并实现规模化供给。其背后，是芯片、服务器、高速互联、模型软件和云上资源调度的联合优化。截至2026年6月，真武系列已服务超过650家企业客户。

模型也开始探索自主设计芯片，为基础设施提效。仅基于一份真实的芯片模块规范，Qwen3.8-Max就能自主运行超过60小时、调用EDA工具超过万次，完成从功能架构设计、验证到物理实现的完整流程，实现物理面积下降 42%的优化指标。模型能力的增强，让芯片设计成为可迭代、可积累的自主过程，而更好的芯片硬件又将加速模型智能的持续突破，在芯片和模型间形成一个自主迭代的循环。

这些案例呈现出协同飞轮的另一面：芯片支撑模型能力提升，进一步释放硬件性能、改善芯片实现效率。模型能力的进步，开始反馈到支撑其运行的技术基础设施中。

模云协同：贯通训练与推理，提升算力利用率

云平台负责将各环节的优化转化为整体运行效率。训练侧，阿里云通过高速集群互联减少通信等待，通过高性能并行文件存储CPFS提高数据供给能力，再以PAI异步Agentic RL框架串联轨迹采样、回报累计、模型训练和参数更新，支持模型持续迭代。网络、存储和训练框架共同改善，让大规模算力能够更持续地投入有效计算。

基于强大的AI云基础设施，Qwen正逐步迈向训练自我进化。云栖大会上，阿里介绍称，Qwen3.8-Max通过自主搭建训练流程、构造训练数据，并自主设计实验、定位缺陷，在人类完全“零参与”的情况下持续迭代超1个月，完成33轮有效迭代。基于RSI、后训练等系列技术联合优化，Qwen3.8-Max新版本在Artificial Analysis上的得分上涨12.5%，与Claude、GPT最强模型同处第一阵营，领先于GLM5.3、Kimi-K3等所有国产模型。

推理侧，联合优化重点延伸至长上下文和复杂Agent任务的状态管理。随着KV Cache不断增长，模型响应速度和服务成本越来越受到缓存调度与数据搬运的影响。据阿里云披露，在相关场景中，Tair KVCM通过统一编排内存池、KVCacheStore和远端共享存储，实现每Token成本下降50%；KVCacheStore则使首Token响应时间下降54%。

由模型发起的推理自主优化也在加速。在平头哥自研的真武 M890 上，Qwen3.8-Max“从零适配”全新的Qwen3.8-Flash-Next模型，交付了一套可运行的推理栈；相较于首个可用版本，模型优化后实现长文本首 token 延迟和每输出 token 延迟分别下降 47% 和 60%，日常对话场景的单实例吞吐提升 96%。

云芯协同：以真实业务负载牵引芯片设计

来自云上业务的需求，也在反向影响下一代芯片的产品路线。Agent运行既需要AI芯片完成模型推理，也需要CPU承担工具调用、代码沙箱、检索和多Agent编排。对应这些负载，规划中的倚天730面向AI Head Node强化单核性能，倚天720则以192核支持Agentic Rack的大规模并发执行；后续倚天750还将通过ICN总线与真武AI芯片直接互联，提高协作效率。

下一代训推一体AI芯片真武V900，则进一步面向更大模型和更长上下文升级。据介绍，V900搭载216GB显存，片间互联带宽达到1200GB/s，原生支持FP8、FP4低精度计算，计划于2027年第一季度量产，并在阿里云数据中心规模化部署。配合超节点架构与云平台优化，这些硬件能力将为后续模型训练、推理和Agent服务提供支撑。

扩大算力供给，推动协同成果规模化应用

性能与成本优化之外，扩大供给是这一协同体系继续发展的另一项重点。阿里云计划于2026年第四季度新增服务节点，进一步增加云上超节点供给，让芯片、模型和系统优化的成果进入更多实际业务场景。

吴泳铭表示，客户AI需求强劲，全球AI数据中心相关供应链紧缺仍限制算力增长。阿里巴巴将与合作伙伴共同投入AI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。