这次我们来看一份来自高盛Goldman Sachs的最新研究报告。这份报告的核心观点非常直接高盛看好阿里云的战略调整认为其加速向AI和公有云转型的举措将在未来三年内实现投资回报并给出了阿里巴巴集团BABA.NADR美国存托凭证目标价186美元较当前股价有约44%的上行空间维持“买入”评级。对于技术开发者和云服务使用者而言这份报告的价值不仅在于投资建议更在于它揭示了阿里云作为国内领先云厂商在AI时代的技术布局、产品策略和未来服务重心的变化。理解这些变化有助于我们判断技术趋势、选择云服务甚至规划个人或企业的技术栈。本文将深入解读这份报告的关键信息并结合当前阿里云的实际产品线如MaaS、百炼、通义千问、自研芯片等分析其对开发者、企业IT决策者和AI应用构建者的具体影响。我们会重点关注阿里云的AI战略是什么其“加速投入”具体体现在哪些产品和技术上作为用户我们现在能用到什么未来可能有哪些机会和挑战1. 核心观点速览高盛看好阿里云的三个理由高盛的报告并非空穴来风其核心逻辑建立在阿里云近期的战略转向和财务表现上。我们可以通过下表快速把握其核心论点核心维度高盛观点摘要对技术生态的启示战略聚焦阿里云正从低利润的混合云项目转向高增长的公有云和AI服务。未来阿里云资源将更多向公有云IaaS/PaaS和AI平台倾斜传统项目制定制开发支持可能减弱。盈利路径预计阿里云在2025财年实现收支平衡AI相关资本开支将在3年内回本。AI是明确的盈利增长点阿里云会持续加大在算力、模型、平台上的投入相关产品迭代会加快。市场定位在中国AI云服务市场占据领导地位受益于国内AI模型训练和推理需求的爆发。对于需要国内合规、稳定、大规模AI算力的企业和开发者阿里云是目前的主要选择之一。目标价ADR目标价$186基于SOTP分类加总估值法其中云业务估值显著提升。资本市场对阿里云独立价值的认可度在提高这反过来会支撑其持续进行技术投入。关键驱动力1. 公有云收入增长2. AI服务贡献提升3. 利润率改善。关注阿里云公有云产品ECS、OSS、VPC等的性价比提升以及AI服务如模型训练、推理、MaaS的易用性和成本。简单来说高盛认为阿里云“砍掉”不赚钱的业务、全力押注AI和标准公有云的路走对了并且已经看到了清晰的盈利时间表。2. 阿里云的AI与云战略转型从“项目制”到“产品化”要理解高盛的报告必须先理解阿里云正在发生的转变。过去阿里云有大量收入来自为政企大客户定制化的混合云项目。这类项目交付周期长、毛利低、且难以规模化复制。现在的阿里云战略非常明确回归公有云本质大力发展弹性计算、存储、网络、数据库等标准化、高利润的IaaS/PaaS服务。All in AI将AI作为整个云服务的核心增长引擎从底层算力到上层模型服务全面布局。这种转型对用户意味着什么利好中小开发者与互联网公司标准化的公有云服务通常会不断优化性价比、增加功能、提升稳定性。例如更便宜的GPU实例、更易用的容器服务、更强大的对象存储。利好AI应用开发者阿里云会提供从算力集群、训练平台、模型仓库到推理部署的一站式AI开发平台如百炼降低AI应用开发门槛。挑战传统项目集成商那些依赖定制化混合云项目的业务模式可能会受到冲击。3. 技术产品拆解阿里云的AI能力矩阵高盛提到的“AI投入”具体落地为哪些我们可以接触和使用的产品以下是阿里云当前AI技术栈的核心组成部分3.1 底层算力自研芯片与高性能计算这是AI投入的基石。阿里云并非单纯依赖英伟达的GPU而是通过自研芯片来构建差异化优势和成本控制。倚天710ARM架构的服务器CPU用于通用计算和部分AI推理场景旨在降低数据中心整体功耗和成本。含光800早期推出的AI推理芯片虽然后续声量减小但其技术积累已融入阿里云整体的AI加速解决方案。高性能计算集群HPC与GPU实例提供包括英伟达A100、H800合规版、V100等在内的多种GPU算力实例满足从训练到推理的不同需求。高盛看好的“AI资本开支”很大一部分将用于扩充这类稀缺算力资源。对开发者的价值在选择云服务器时除了常规的通用型/计算型实例可以关注阿里云推出的GPU计算型、**弹性加速计算实例EAIS**以及基于倚天CPU的实例进行性价比对比测试。3.2 模型即服务MaaS模型广场与百炼平台这是阿里云AI战略的“前台”直接面向开发者提供模型能力。通义千问系列模型阿里自研的大语言模型包括不同尺寸的版本如Qwen-72B, Qwen-1.8B, Qwen-VL等均已通过阿里云百炼平台和灵积平台开放。模型广场类似于“AI模型的App Store”不仅集成了通义全系模型还接入了大量第三方优秀开源模型如ChatGLM、Baichuan、LLaMA等。开发者可以在这里一键部署、比较和调用模型。阿里云百炼大模型一站式应用开发平台。它提供了模型训练与精调支持基于自有数据对模型进行精调。应用编排通过可视化工作流或代码方式将大模型能力与工具如搜索、数据库、函数计算结合构建复杂AI应用。应用部署与服务一键将应用发布为API服务。对开发者的价值如果你希望快速验证一个AI创意无需从零开始训练模型。可以直接在百炼平台选择合适的基础模型通过提示词工程或少量数据精调快速构建一个可用的AI服务原型并直接发布为API。3.3 平台即服务AI开发与数据平台这是连接底层算力和上层模型的“中台”提供完整的AI工程化能力。PAIPlatform for AI阿里云机器学习平台提供从数据预处理、模型训练、评估到部署的全生命周期管理。支持分布式训练、自动超参调优等高级功能。DataWorks MaxCompute大数据开发与治理平台为AI提供高质量的数据处理能力。干净的训练数据是AI模型效果的关键。函数计算FC与Serverless应用引擎SAE为AI推理提供极致的弹性伸缩和按量付费能力特别适合访问量波动大的AI应用场景。对开发者的价值当你的AI项目从原型走向生产环境时PAI等平台能帮助你管理复杂的训练任务、进行团队协作、实现模型的持续集成和部署CI/CD。3.4 行业解决方案将AI能力场景化阿里云将上述AI能力打包成针对特定行业的解决方案例如智能客服基于通义大模型的对话能力。内容生成用于营销文案、商品描述、视频脚本生成等。代码辅助与通义灵码等工具结合提升开发效率。企业搜索与知识库基于大模型的企业级智能知识管理系统。4. 实操指南如何开始使用阿里云的AI服务理解了战略和产品下一步就是动手体验。以下是基于个人开发者或中小企业视角的入门路径。4.1 环境准备与账号开通注册阿里云账号访问阿里云官网完成注册和实名认证。开通相关服务在控制台搜索并开通以下服务通常有免费额度或试用模型服务灵积用于按量调用模型API。阿里云百炼用于一站式应用开发。PAI机器学习平台如需进行自定义模型训练。函数计算FC如需部署Serverless推理服务。准备访问凭证在控制台获取AccessKey ID和AccessKey Secret用于API调用。4.2 快速体验通过灵积API调用大模型这是最快验证模型能力的方式。以下是一个使用Python调用通义千问API的示例import dashscope from dashscope import Generation # 1. 设置您的API Key (从阿里云控制台获取) dashscope.api_key your-api-key-here # 2. 调用通义千问模型 def call_qwen_with_messages(): messages [ {role: system, content: You are a helpful assistant.}, {role: user, content: 请用Python写一个快速排序函数。} ] response Generation.call( modelqwen-max, # 指定模型如 qwen-max, qwen-plus, qwen-turbo等 messagesmessages, result_formatmessage # 返回格式 ) if response.status_code 200: print(response.output.choices[0][message][content]) else: print(Request id: %s, Status code: %s, error code: %s, error message: %s % ( response.request_id, response.status_code, response.code, response.message )) if __name__ __main__: call_qwen_with_messages()关键点安装SDKpip install dashscopeqwen-turbo响应快、成本低适合对话qwen-max能力最强适合复杂任务。首次使用通常有免费Token额度注意查看计费说明。4.3 进阶开发在百炼平台创建AI应用假设我们要创建一个“技术博客创意生成器”。进入百炼平台在阿里云控制台找到“阿里云百炼”。创建应用选择“通过提示词编排创建应用”。选择基础模型例如“通义千问-Max”。编排提示词在提示词编排界面可以设计复杂的交互逻辑。例如系统指令你是一个资深技术博主助手擅长生成CSDN风格的博文创意。 用户输入{topic} (用户提供的技术主题) 你的任务根据主题生成3个具体的博文标题并附上核心要点。调试与发布在右侧调试窗输入测试主题如“Kubernetes”查看模型输出效果。调整提示词直至满意。部署服务点击“发布”可以将应用部署为一个独立的Web应用或API端点。获得API URL和密钥后即可集成到自己的系统中。4.4 资源消耗与成本观察使用AI服务必须关注资源消耗和成本API调用成本灵积平台按Token数计费不同模型单价不同。qwen-turbo最便宜qwen-max最贵。务必在控制台设置预算告警。训练/精调成本在PAI或百炼进行模型训练主要成本是GPU算力租赁费。价格与所选GPU机型如A10、V100、训练时长直接相关。建议先用小规模数据、少量轮次进行低成本验证。推理部署成本如果部署为独占式服务如ECS GPU实例成本固定如果使用Serverless如函数计算模型服务则按调用次数和计算时长计费波动大但弹性好。最佳实践在开发测试阶段优先使用按量付费和Serverless服务控制成本。进入生产前根据流量预测评估预留实例和按量实例的组合方案。5. 高盛报告背后的技术趋势判断高盛作为顶级投行其报告往往反映了主流资本对技术趋势的共识。从这份报告我们可以解读出几个对技术人员重要的趋势信号AI云服务已成为明确的商业模式不再是“烧钱”的概念而是能在3年内看到回报的可行业务。这意味着云厂商会持续优化其AI产品线竞争加剧最终用户将受益于更优的价格和更好的服务。公有云是基本盘AI是增长引擎纯粹的IaaS竞争已进入红海利润微薄。AI带来的差异化增值服务MaaS、行业解决方案才是提升利润率的关键。开发者应关注云厂商的AI原生服务而不仅仅是虚拟机。自研技术是长期竞争力的关键高盛报告中也提及了阿里云的自研芯片。这预示着未来云服务的竞争不仅是规模之争更是底层技术架构效率之争。对于用户选择拥有自研芯片能力的云厂商可能在长期获得更稳定、更具性价比的算力供给。生态整合能力至关重要阿里云的优势在于其拥有从芯片、算力、平台、模型到应用如钉钉、电商的完整生态。这种整合能力能更快地将AI技术落地到具体业务场景中。对于开发者在一个生态内完成从开发到部署的全流程效率更高。6. 给开发者和技术决策者的建议基于以上分析面对阿里云及其他云厂商的AI加速投入我们可以采取以下策略对于个人开发者与初创团队积极拥抱MaaS利用百炼、灵积等平台提供的免费额度和丰富模型快速验证AI想法将精力集中在应用逻辑和用户体验上避免陷入模型训练的复杂性和高成本中。关注Serverless AI函数计算与模型服务的结合是应对不确定流量的理想方式。学习如何设计基于Serverless的AI应用架构。学习提示词工程与AI应用编排这将成为未来AI开发者的核心技能之一。对于中小企业技术负责人评估AI对现有业务的增强点不是所有业务都需要“大模型”。从智能客服、内容生成、数据报表分析、代码辅助等具体、高ROI的场景开始试点。进行多云AI服务对比测试除了阿里云也测试百度智能云、腾讯云、华为云等提供的同类AI服务如千帆、混元、盘古在效果、成本、稳定性上做综合评估。重视数据安全与合规将业务数据用于模型精调或推理时务必了解云厂商的数据处理协议确保符合行业监管要求。对于所有用户保持技术敏锐度AI云服务市场变化极快新的模型、工具、定价策略不断涌现。定期关注阿里云等厂商的官方发布和更新日志。成本监控常态化AI服务的计费模式可能比传统云服务更复杂。建立成本监控机制避免因意外流量或配置不当产生高额账单。7. 潜在挑战与风险提示高盛的报告描绘了乐观的前景但在实际采用时也需保持清醒模型效果与稳定性尽管通义千问等模型表现不俗但在特定垂直领域或复杂逻辑推理上可能与顶级闭源模型如GPT-4存在差距。需要针对自身场景进行充分测试。供应商锁定风险深度使用某家云厂商的特定AI平台如百炼的工作流、特定API格式未来迁移到其他平台会有转换成本。在架构设计上尽量对模型调用层做抽象。技术迭代风险AI技术迭代速度极快今天选择的模型或平台可能在半年后就有更优的替代品。架构需要具备一定的灵活性和可替换性。安全与伦理风险大模型固有的“幻觉”、偏见、内容安全等问题依然存在。在将AI服务集成到生产环境前必须建立内容审核和人工复核机制。8. 总结抓住AI云化的红利期高盛将阿里云ADR目标价上调至186美元并预测其AI投入三年回本这不仅仅是一个金融信号更是对“AI即服务”成为云计算下一阶段核心驱动力这一趋势的强力背书。对于身处技术浪潮中的我们行动建议非常清晰不要再将AI视为遥远的未来科技而是当作一种触手可及、可按需取用的云上资源。立即开始动手从调用一个API开始在百炼平台创建一个简单的应用用实际的代码和项目去感受AI能力的边界和云服务的便利。阿里云的这次战略聚焦意味着其产品、文档、技术支持资源会向公有云和AI领域大幅倾斜。这正是开发者入场学习和构建的窗口期。无论是为了提升个人技能还是为了寻找新的业务增长点现在都是深入探索AI与云结合的最佳时机。