AlibabaのフルスタックAIロードマップ、チップ、モデル、エージェントを一つの賭けに結び付ける
Alibabaは、新プロセッサー、より大規模なQwenモデル、エージェント基盤、20ギガワット超のクラウド容量を含むフルスタックAIロードマップを発表した。
9月22日の発表が重要なのは、Alibabaがこれらの製品を別々の技術プロジェクトとして提示しなくなったためだ。同社はチップ、データセンター、モデル、コンテキストサービス、エージェントを、一つの協調したシステムとして稼働させようとしている。
これはAlibabaをNvidiaのプラットフォーム戦略と正面から競合させる構図となるが、両社の立ち位置は異なる。Nvidiaはクラウド横断でコンピューティング基盤を販売する。一方Alibabaは、基盤の大部分を自ら運用し、それに合わせて自社モデルを最適化し、そこで生まれるサービスを販売する意向だ。
同社はZhenwu V900 AIプロセッサーを発表し、Qwen 4が学習中であることを確認した。さらに、5兆から10兆パラメーターを目標とするQwen 4.5およびQwen 5モデルの概要も示した。
Alibabaはさらに、企業向けエージェントを管理するAgentCore、メモリーとリアルタイムの業務データを提供するAgent Context、スマートフォンメーカー向けのQwen Intelligenceを提示した。
この発表は異例に広範な約束を掲げている。Alibabaは、スタックのより多くを自ら制御することで、容量、効率、エージェント導入を改善できるとしている。今後は、これらのレイヤーを組み合わせた場合に、顧客が現在利用するチップ、クラウド、モデルの組み合わせより優れた性能を発揮できることを示す必要がある。
AlibabaのフルスタックAIロードマップが五つのレイヤーを結ぶ
Alibabaの中心的な変化はアーキテクチャにある。チップ、インフラ、モデル、コンテキスト、エージェントが、いまや一つの公開ロードマップを共有している。
杭州で開催された2026 Apsara Conferenceで、Alibabaは半導体設計から業務ソフトウェア上で行動するアプリケーションまでを広げるAIシステムを説明した。
ハードウェアの基盤はZhenwu V900から始まる。Alibabaの半導体部門であるT-Headが、このプロセッサーをモデル学習と推論向けに設計した。
推論とは、学習済みモデルがリクエストに応答するために使うコンピューティング処理である。AI製品が多数のユーザーに到達すると、推論はしばしばより大きな運用コストとなる。
Alibabaによると、V900は5月に登場したZhenwu M890の3倍の性能を実現する。この比較対象はAlibaba自身の従来プロセッサーであり、Nvidiaの最新ハードウェアではない。
同社のAI roadmapによると、V900は216 GBのメモリーと1,200 GB/sのチップ間帯域幅を備える。コンピューティングとメモリーの要件を減らすために使われる低精度フォーマット、FP8とFP4をサポートする。
同社はまた、V900をICNネットワークスイッチ、Panmai SmartNIC、Zhenyueストレージコントローラーと組み合わせた、アップグレード版スーパーノードも発表した。
スーパーノードは、高速ネットワークを通じて多数のプロセッサーを接続し、より大きなコンピューティングシステムのように動作させるものだ。Alibabaは、自社設計に基づくクラスターを50万枚のアクセラレータカードまで拡張できるとしている。
この規模は設計上の上限であり、50万枚のカードを備えた設備がすでに稼働している証拠ではない。Alibabaは、そのようなクラスターについて、導入構成、電力要件、独立した性能測定値を公表していない。
モデル層も同様に意欲的だ。Qwen 4は現在学習中であり、その後のQwen世代は5兆から10兆パラメーターに到達すると見込まれている。
パラメーターは、学習中に調整されるモデル内部の値である。パラメーター数が多いほど能力が高まる可能性はあるが、それだけで精度、推論品質、経済効率が証明されるわけではない。
独立報道によると、現行のQwen3.8-Maxは2.4兆パラメーターを持つ。7月に公開されたMoonshot AIのKimi K3は2.8兆パラメーターを備え、中国市場におけるもう一つの比較基準となる。
モデルの上位では、Alibabaはエージェント型クラウドを三つの機能レイヤーに分けた。AI Native Cloudが学習と推論を担い、Agent Native Cloudが導入、監視、セキュリティを支援し、Context Engineがエージェントを最新データと長期メモリーに接続する。
AIエージェントは、モデル、ツール、コンテキストを使い、一連の行動を完了するソフトウェアである。その信頼性は、モデルが優れた文章を生成できるかどうかだけに依存しない。
エージェントは業務システムで認証し、正確な情報を取得し、状態を保持し、失敗したアクションから復旧しなければならない。Alibabaのロードマップは、こうした運用要件を、各顧客が組み立てるべき機能ではなくクラウドサービスとして扱う。
この判断が、本稿の中心的な緊張を生む。Alibabaは、五つのレイヤーにまたがる所有がより良いシステムを生むと約束している。顧客にとっては、統合の利点が各コンポーネントを独立して選ぶ利点を上回るという証拠がなお必要だ。
AlibabaがAIサプライチェーン全体を自ら保有したい理由
フルスタック戦略は、制約されたチップ調達、増大する推論需要、大規模モデル運用の経済性に対するAlibabaの回答である。
高度なAIシステムには、高性能なプロセッサーだけでは足りない。メモリー、ネットワーク、ストレージ、電力、冷却、モデルソフトウェア、そして数千台のデバイスを連携稼働させるツールが必要となる。
どのレイヤーのボトルネックも、システム全体を制限し得る。高速なアクセラレーターも、ネットワークの混雑でデータ待ちになれば価値は下がる。高性能なモデルも、提供ソフトウェアがメモリーを無駄にすれば高コストになる。
Alibabaの答えは、エンドツーエンドの協調最適化だ。CEOのEddie Wuは、同社がチップ、サーバー、ネットワーク、モデル、推論エンジンを一つのシステムとして調整していると述べた。
この戦略は、ハイパースケールクラウド事業者が長年持ってきた優位性に似ている。大規模事業者は、既知のハードウェアに合わせてソフトウェアを設計し、最適化コストを多数の顧客に分配できる。
Alibabaには、もう一つの動機がある。米国の輸出規制は、中国による一部の先進AIプロセッサーおよび製造技術へのアクセスを制限してきた。
こうした規制は、中国から海外製ハードウェアを完全に排除するものではない。しかし将来のアクセスを予測しにくくし、国内代替品の戦略的価値を高める。
AI chip analysisで引用されたBernsteinの推計によると、Nvidiaは2025年の中国AIチップ市場で約40％を占め、Huaweiとほぼ並んだ。この均衡は、国内市場がいかに急速に変化しているかを示している。
したがってAlibabaのチップ事業には二つの目的がある。供給制約への依存を減らすこと、そしてAlibaba Cloudに自社ワークロード向けに設計されたハードウェアを提供することだ。
商業的な根拠は、すでにAlibabaの業績に表れている。3月期には、Cloud Intelligence Groupの売上高は416億2600万元に達し、外部顧客向け売上高は40％増加した。
Alibabaのcloud resultsによると、AI関連製品は外部クラウド売上高の30％を占め、その年換算売上高は358億元を超えた。
これらの数値は同社によるものだが、なぜインフラ容量が喫緊の課題になったかを示している。AIは研究費から、実質的なクラウド収益源へと移行している。
Alibabaによると、V900の発表前にすでに10万基超のZhenwuプロセッサーがパブリッククラウドに導入されていた。また、T-Headのコンピューティング容量の60％超が外部顧客向けに使われているとしている。
同社は現在、世界のデータセンター容量が2032年までに20ギガワットを超えると見込んでいる。これはプロセッサーや建物の数ではなく、電力容量で測る運用目標だ。
Wuは、中期的な需要がAlibabaのコンピューティングインフラ供給能力を上回っていることを認めた。拡張を制限する要因として、データセンターのサプライチェーン全体にわたる不足を挙げた。
この認識により、ロードマップの文脈がより明確になる。Alibabaが垂直統合を進めるのは、より厳格な技術的制御を好むからだけではない。最も急成長している事業を支えるのに十分な容量を確保しようとしている。
このアプローチは、企業の購買選択も変える。顧客はAlibabaのコンピューティングを借り、Qwenモデルを選び、Agent Contextを介して自社データを接続し、AgentCoreで実行を管理できる。
この統合された経路は、連携作業を減らせる可能性がある。一方で、セキュリティ管理、地域ごとの可用性、API、ハードウェアロードマップを含め、一社への運用依存を集中させる。
Alibabaの真の競合相手はNvidiaのプラットフォーム優位性
戦略上の競争は、V900対GPUという単純なベンチマークではない。Alibabaの統合クラウドと、Nvidiaの広く採用されたコンピューティングプラットフォームとの競争である。
Nvidiaの立場は、アクセラレーター性能だけに基づくものではない。同社のソフトウェアライブラリー、開発者ツール、ネットワーク製品、パートナー関係により、そのプラットフォームは業界全体に浸透している。
開発者は長年にわたり、その環境を前提に構築してきた。クラウド事業者やモデル研究所は、関連経験を持つエンジニアを採用し、検証済みソフトウェアを見つけ、対応システム間でワークロードを移行できる。
Alibabaは、一つのプロセッサー発表でこうした優位性を消し去ることはできない。顧客が成熟度の低い代替案を受け入れるほど、Zhenwu環境全体の生産性を高めなければならない。
そのためAlibabaのAIチップロードマップは、単一コンポーネントではなくシステムを重視する。V900は、同じ企業グループが最適化したネットワーク、ストレージコントローラー、スーパーノード、クラウドサービス、モデルとともに登場する。
Alibabaには導入に向けた別の経路もある。すべての顧客に物理プロセッサーの購入を説得する必要はない。Zhenwuの容量をクラウドAPIの背後に配置し、モデルアクセスを販売できる。
この抽象化は、切り替えの障壁を下げる。アプリケーション開発者は、各リクエストをどのアクセラレーターが処理したかを知らなくても、レイテンシー、可用性、トークンコストを重視できる。
ただし、クラウドによる抽象化でエコシステムの問題が解消されるわけではない。Alibabaには、コンパイラー、カーネル、スケジューリングソフトウェア、可観測性ツール、広く使われるAIフレームワークとの互換性がなお必要だ。
また、Qwenチームが作成していない顧客モデルにも対応しなければならない。効率向上がAlibabaの好むワークロードにしか適用されないなら、フルスタッククラウドの魅力は一部失われる。
Huaweiは、中国国内において別の圧力源となる。同社のAscendプロセッサーと関連ソフトウェアは、Nvidiaの国内代替品を求める同じ顧客の多くを狙っている。
BaiduとTencentも、モデル、クラウドサービス、アプリケーションを組み合わせている。Alibabaの差別化要因は、公開計画の広がりと、クラウド需要をコマースおよび職場向け製品と結び付ける能力にある。
それでもNvidiaは、対照的なプラットフォーム構造を代表するため、依然として主要な比較対象だ。Nvidiaは競合するクラウドやモデル開発者が利用する水平的な基盤を供給している。
Alibabaは垂直型サービスを構築している。自社クラウドがハードウェアを運用し、自社チームがモデルを構築し、自社ソフトウェアがエージェントを管理する。
どちらの構造も、あらゆるワークロードで自動的に勝つわけではない。Nvidiaのより広いエコシステムは、ポータビリティと外部イノベーションを促進する。Alibabaのより緊密な統合は、モデルの挙動とインフラ設計の間のフィードバックループを短縮できる。
したがって重要な評価基準は、希少なインフラ単位当たりの有用な出力である。ピーク時のプロセッサー速度が示すのは、その方程式の一部にすぎない。
トークン処理量、メモリー利用率、クラスターの信頼性、開発者の作業時間、エネルギー消費はすべて経済性を左右する。Alibabaは、これらの次元におけるV900の位置を判断するには十分な比較可能データを公表していない。
ある独立したハードウェア評価では、標準的な浮動小数点性能指標が示されていないことが指摘された。共通ベンチマークの結果がなければ、3倍という主張をNvidiaやHuaweiのアクセラレーターと直接比較する根拠にはできない。
この情報の空白を踏まえると、競争上の位置づけは限定的に捉えるべきだ。V900は、意義を持つために世界規模でNvidiaを打ち負かす必要はない。
Alibabaに安定した供給をもたらし、利益率を改善し、Alibaba Cloud内のQwenサービスを支援できれば成功といえる。その結果は、外部向けプロセッサ販売が広く拡大しなくても、垂直統合モデルを強化する。
垂直統合は成果ではなく、その仕組みである
Alibabaの構想は、各レイヤーがフィードバックを生み出し、それが上下のレイヤーを改善することに依存している。
同社は、再帰的自己改善（RSI）を通じて、その初期の例を示した。この手法では、モデルが結果を評価し、弱点を特定し、追加実験を設計して、そのプロセスを繰り返す。
Alibabaによると、Qwen3.8-Maxは1か月にわたる実験で、33回の自動改善サイクルを完了した。Artificial Analysisのスコアは40から45へ上昇したとされる。
同じモデルは、60時間を超えるチップ設計実験も実行した。Alibabaによると、1万回以上の電子設計自動化ツール呼び出しを行ったという。
電子設計自動化ソフトウェアは、エンジニアによる半導体設計の作成と検証を支援する。報告によれば、このモデルは性能を落とさずに面積を42%削減しながら、チップのバスモジュールを生成した。
これらの結果は依然として企業側の報告にとどまる。ただし、Alibabaが自社の完全なスタックで実現したいことを示してもいる。
モデルはクラウドツールを用いて、長時間にわたるエンジニアリング作業を実行できる。その出力はハードウェア設計に影響を与え、そこで生まれたハードウェアは後続のモデル学習と推論を支えられる。
このループは、1つの発表で多数の製品を並べることより重要だ。チップ、モデル、エージェントの一覧はポートフォリオにすぎない。共有されたフィードバックと最適化があって初めて、システムとなる。
AlibabaのContext Engineは、この仕組みのもう一つの要素を担う。Agent Contextは、文書、業務アプリケーション、会話、マルチモーダル情報を接続する。
同社によれば、このサービスは知識集約型タスクにおけるトークン使用量を最大67%削減できる。この主張は、異なるデータセットやエージェント設計をまたいだ独立評価が必要だ。
この考え方は、現実的な運用上の問題に対応する。エージェントはタスクを実行するたびに、組織の情報履歴全体をモデルへ繰り返し送信すべきではない。
コンテキストサービスは関連情報を選択し、タスクの状態を保持し、過去の活動を取得する。適切な選択は、回答の関連性を高めながら計算量を削減できる。
ここで、エンタープライズのナレッジアーキテクチャもAI性能の一部となる。権限、記録、意思決定が分断されたシステムに散在したままでは、モデルは信頼性高く行動できない。
すでにknowledge blendingプロセスを構築している組織なら、この課題を理解できるだろう。重要なのは、来歴とアクセス制御を維持しながら、適切なコンテキストを取得することにある。
AgentCoreはそのデータレイヤーの上に位置する。Alibabaはこれを、エージェントの構築、運用、監視、ガバナンスをライフサイクル全体にわたり行うプラットフォームと説明している。
その重要性は実装の詳細に左右される。企業には、監査ログ、ID管理、承認手順、ツールの制限、バージョン管理、信頼できるロールバック動作が必要だ。
応答文を下書きするエージェントが生むリスクは限定的だ。在庫更新、情報転送、または本番コード変更の権限を持つエージェントには、より厳格な統制が求められる。
Alibabaは、脅威検知とコンプライアンス管理のためのAgent Security Centerも発表した。エージェントが複数システムにまたがる多段階タスクを実行するようになると、セキュリティはより難しくなる。
スマートフォンの取り組みは、この仕組みを別の環境へ拡張する。Qwen Intelligenceは、モバイルデバイス上でアプリケーション横断タスクを実行するよう設計された、メーカー向けのエージェントプラットフォームを提供する。
これは流通面での機会を生む。Alibabaは、自社の消費者向けアプリケーションだけに依存せず、ハードウェアパートナーを通じてQwenベースのサービスをユーザーに近づけられる。
同時に、プラットフォーム上の制約ももたらす。モバイルOSは、バックグラウンド活動、権限、プライベートデータ、アプリケーション間の連携を厳格に管理する。
信頼できるスマートフォンエージェントは、ユーザーに広範なアクセス権の放棄を求めることなく、こうした統制を乗り越えなければならない。誤った操作はメッセージ、決済、旅行、個人ファイルに影響し得るため、高い信頼性を維持する必要がある。
Alibabaの統合メカニズムは、これらの例を通じて一貫している。モデルが計画し、コンテキストシステムが情報を提供し、エージェントプラットフォームが行動を統制し、クラウドインフラが実行を処理する。
残る問いは、Alibabaがこの一貫性を測定可能な顧客成果へ転換できるかどうかだ。技術的な連携は提案された仕組みであって、市場での成功を証明するものではない。
ロードマップには依然として独立した性能エビデンスが欠けている
Alibabaは広範な到達点を示しているが、最も重要な主張のいくつかは依然として予測または社内測定の結果にとどまる。
最大の不確実性はZhenwu V900をめぐるものだ。Alibabaはこれを中国で最も高性能なAIチップと位置づけ、前世代比で性能が3倍になると述べている。
同社は、比較可能な代替製品に対する学習速度、推論スループット、エネルギー使用量、総システムコストを示す完全なベンチマークパッケージを提供していない。
3倍の改善は、ワークロードや測定方法によって異なる意味を持ち得る。1つのモデル、データ形式、バッチサイズ、またはシステム構成を指す可能性がある。
50万枚規模のカードクラスタという数値も慎重に扱う必要がある。理論上のクラスタトポロジーをサポートすることと、継続的な学習下でそれを信頼性高く運用することは異なる。
その規模では、機器障害は例外ではなく通常の事象となる。スケジューリング、チェックポイント復旧、ネットワーキング、冷却、電力管理が、ハードウェアが有用であり続けるかを左右する。
モデルのロードマップは第2の不確実性を生む。AlibabaはQwen 4の後、5兆から10兆のパラメーターを含むシステムを学習させる計画だ。
より大きなモデルは、より多くのメモリと計算能力を必要とする。特に開発者がスパースアーキテクチャや、より小規模で特化したシステムをますます利用する中で、それが比例した改善を保証するわけではない。
モデル品質は、データ、学習手法、推論時の推論能力、ポストトレーニングにも左右される。パラメーター数は規模の文脈を示すが、タスクベースの評価に代わるものではない。
AlibabaのRSIに関する主張にも同様の慎重さが必要だ。33回の自動サイクルにおけるスコア上昇は興味深いものの、安全で無制限な自己改善を実証するものではない。
このプロセスは、選定された評価とツールを備えた設計済みの環境内で動作した。そのテストでの性能が、未知の本番タスクへ移転するとは限らない。
チップ設計の結果にも、エンジニアリング面での検証が必要だ。本番品質のモジュールは、製造、タイミング、信頼性、検証、統合の要件を満たさなければならない。
Alibabaは、性能を損なうことなくチップ面積を削減したと述べている。独立した再現検証によって、元の設計、テスト条件、人間によるレビューの関与が明確になるだろう。
インフラ供給は、より差し迫った事業リスクをもたらす。20ギガワットの目標には、土地、電力網への接続、冷却システム、建設労働力、プロセッサ、メモリ、ネットワーク機器が必要となる。
Wuは、業界の中期的な要件がすでに利用可能な供給を上回っていると述べた。つまり拡張目標の一部は、Alibabaが管理できない電力事業者やサプライヤーに依存する。
地政学も追加の不確実性をもたらす。国産プロセッサはAlibabaの輸入規制へのエクスポージャーを低減できるが、製造には依然として複雑な設備とサプライチェーンが関わる。
新たな貿易規則は、部品、製造、ソフトウェア、顧客、海外事業に影響を及ぼし得る。また、Alibabaの国内向け代替製品への需要を加速させる可能性もある。
顧客のロックインも別のトレードオフだ。企業は、プロセッサからエージェントプラットフォームまでAlibabaを利用することで、より簡単な統合を得られるかもしれない。
一方で、インターフェース、地域規則、製品の優先順位が変わった場合には、移行リスクをより多く負うことになる。購入者は、エクスポート可能なデータ、互換性のあるモデル、明確なサービス境界を求めるだろう。
Morningstarは、中国の国家主導によるデータセンター投資について、別の商業上の懸念を示している。同社のcloud forecastは、公共インフラがAlibabaのサービスに対する将来の需要の一部を減らす可能性があると論じている。
このシナリオは確実ではない。ただし、建設能力だけでは収益性の高いクラウド成長を保証しない理由を示している。
Alibabaには、投資を正当化できるだけの利用率が必要だ。また、電力とハードウェアのコストを管理しながら、モデル利用を持続的な収益へ変換しなければならない。
同社には実際の商業的な勢いがあるが、ロードマップは現在報告されている導入状況を大きく超えている。最も価値ある証明は、もう一つの社内ベンチマークではなく、再現可能な顧客成果から得られるだろう。
Alibabaの戦略が機能しているかを示す3つのシグナル
Qwen 4の結果、V900の導入、エンタープライズにおけるエージェント採用が、ロードマップが運用上の優位性となるかを決める。
第1のシグナルは、Qwen 4のリリースと評価だ。Alibabaはこのモデルが学習中であることを確認しており、そのローンチは統合戦略にとって最も近い試金石となる。
読者は、推論、コーディング、マルチモーダルタスク、エージェントの信頼性における性能を注視すべきだ。コストとレイテンシーは、見出しを飾るベンチマークスコアと同じくらい重要である。
Alibabaはまた、Qwen 4が主にZhenwuインフラ上で学習または提供されるのかを開示すべきだ。V900の広範な利用は、Alibabaが独自ハードウェアとフロンティアモデルを接続できるという主張を強める。
輸入アクセラレーターへの依存があっても、Qwen 4が無意味になるわけではない。しかし、Alibabaがすでに重要な計算経路を制御しているという考えは弱まる。
第2のシグナルは、V900の検証可能な商用導入だ。Alibabaによると、既存のZhenwu製品は自動車、金融、エネルギー、製造業などの650社超の顧客に提供されている。
次に必要なエビデンスには、実名のワークロード、導入規模、可用性の水準、従来インフラとの性能比較が含まれるべきだ。
標準ベンチマークは、顧客がアーキテクチャ上の進展と選択的な主張を区別する助けになる。限定的なデモよりも、安定したクラウドアクセスの方が重要となる。
外部開発者が大幅な書き換えなしに既存モデルをV900システムへ移行できるかも注視すべきだ。これはAlibabaのソフトウェア環境の成熟度を試すことになる。
年間プロセッサ出荷量の増加は、供給安全保障の主張を補強する。継続的な不足や限られた供給可能性は、ハードウェアプログラムを拡大する難しさを露呈させる。
第3のシグナルは、本番環境におけるAgentCoreとAgent Contextの継続的な利用だ。エージェントプラットフォームを発表することは、重要なタスクを企業が任せられるエージェントを支えることより容易である。
関連する指標には、稼働中のエンタープライズ導入件数、完了タスク数、エラー率、人間の介入、コンテキスト取得品質、セキュリティインシデントが含まれる。
Alibabaは、自社のコンテキストレイヤーが正確な意思決定に必要な情報を省くことなく、トークン使用量を削減することを実証すべきだ。結果が弱くなるなら、消費量の削減にはほとんど価値がない。
顧客はまた、AgentCoreが外部モデルや既存の業務ソフトウェアと連携するかを検証する。オープンな運用レイヤーは、Qwen専用環境より幅広い採用を引きつけられる可能性がある。
これらのシグナルは、今後数か月にわたり、製品発表、クラウド開示、顧客事例の中で現れるはずだ。総合すれば、Alibabaの中心的な主張を強めるか、弱めることになる。
AlibabaのフルスタックAIロードマップは、その各レイヤーが相互につながる技術・供給上の課題に対処しているため、戦略としては信頼できる。ただし、競争優位としては依然として未証明である。
開発者と企業の購買担当者は、個別のモデルスコアやプロセッサ仕様ではなく、ワークロード全体としての成果を比較すべきです。重要なのは、Alibabaのスタックが実際のタスクを信頼性高く、安全かつ効率的に完了できるかどうかです。
まずQwen 4の評価を追跡してください。次に、本番環境でのV900データと、再現可能なAgentCore導入事例を探しましょう。この3つがすべてそろえば、Alibabaは単なるAI製品群以上のものを構築したことになります。
