阿里巴巴与 Google Cloud 的竞争加剧：五座超级数据中心转向 AI

据报道，Alibaba Cloud 正将五座超级数据中心转向 AI 算力，距离其提出区域基础设施规划已过去六年。这一转变让 Alibaba Google cloud 的比较不再停留在理论层面，而更多取决于实体容量、专用芯片、网络和电力。

这些设施最初是为大规模提供通用云服务而建设的。AI 改变了它们的任务。训练和部署大型模型需要更高密度的加速器、更快的互连、更充足的电力供应以及不同的冷却系统。

这一转型使 Alibaba 与 Google Cloud 的垂直整合式 AI 基础设施正面交锋，其中包括 Google 自研的张量处理单元，即 TPU。Alibaba 必须在获取先进海外芯片受到更多限制的情况下，寻求类似的自主掌控能力。

有关这五座中心转型的报道，尚未通过详细的公开技术清单得到佐证。其容量、加速器数量、电力升级情况和完工日期仍不明确。这些缺口很重要，因为将大型云园区改造成高效的 AI 工厂，远不只是安装新服务器那么简单。

不过，这一方向符合 Alibaba 已披露的战略。该公司已承诺在三年内向 AI 和云基础设施至少投入 3800 亿元人民币，之后又表示需求可能推动其支出超过这一承诺。

因此，这并非一次常规的数据中心更新，而是对 Alibaba 能否将既有云基础设施转化为具备竞争力的 AI 生产系统的考验。

五座超级数据中心正承担不同的任务

Alibaba 正在改变对其最大型设施产出的预期：从通用云容量转向集中式 AI 算力。

Alibaba Cloud 于 2020 年宣布了五个超级数据中心项目，选址包括杭州、南通、乌兰察布、河源和张北。这些项目支撑了存储、计算和网络容量的更广泛扩张。

这些园区诞生于云需求的不同阶段。当时，企业正将数据库、网站、分析系统和业务应用迁移至共享基础设施。规模主要意味着在可靠的区域网络中提供更多虚拟机和存储资源。

生成式 AI 带来了不同的运营难题。数千个加速器在处理同一模型时必须以低延迟进行通信。一个缓慢的网络连接或发生故障的组件，都可能降低整个集群的有效产出。

AI 推理，即由训练完成的模型生成答案的过程，也改变了需求模式。用户流量可能难以预测地到来，而更长的推理任务消耗的算力远高于常规网页请求。

一座为均衡云工作负载设计的设施，并不会自动成为高效的 AI 数据中心。运营商必须重新审视机架密度、供电方式、冷却、网络拓扑和工作负载调度。

超级数据中心战略为 Alibaba 的这种转型提供了基础。土地、电力接入、区域网络和运营团队都已具备。在新地点建设每一个组成部分将耗费更长时间，并带来额外的审批和施工风险。

不过，据报道的转型更多体现为方向性变化，尚难量化。公开信息并未说明各中心将有多少容量专用于 AI 工作负载，也没有给出统一的完成日期。

这一差别不应被忽视。五个大型园区可能代表可观的不动产资源，却未必能提供五个能力相当的 AI 集群。

因此，Alibaba 的战略应被理解为分阶段转型。现有园区提供了实体基础，而新的加速器和集群设计将决定其实际 AI 产出。

该公司 2025 年 2 月的infrastructure commitment为这一战略提供了财务背景。Alibaba 表示，这项计划投资超过其此前十年 AI 和云业务支出的总和。

这一对比揭示了变化的规模。Alibaba 并未将 AI 视为又一项托管云服务，而是在围绕其模型和应用底层的计算层重组资本支出。

这五个站点还具备地理分布优势。分散布局的园区能够服务区域需求，并降低对单一电力市场的依赖；它们也可分别承载训练、推理、存储和灾难恢复工作负载。

但分布式基础设施也会带来协调成本。模型训练在加速器能够像一台机器那样协同工作时效果最佳。将它们分布在相距遥远的地点，可能引入网络延迟，使某些工作负载效率降低。

因此，Alibaba 需要在区域分布与紧密互联的本地集群之间取得平衡。仅凭设施数量，几乎无法说明这种平衡。

最明确的变化在于使命。这些园区在 2020 年是通用云扩张的象征，如今则要接受其能否提供稀缺 AI 算力的检验。

Alibaba 与 Google 的竞争为何如今围绕基础设施展开

Alibaba 与 Google 的竞争正演变为完整 AI 系统之间的较量，而非云服务目录的简单比较。

Google 进入 AI 基础设施周期时，已积累多年设计 TPU 并将其部署至数据中心的经验。TPU 是一种针对机器学习计算优化的专用芯片。

这种垂直整合方式将芯片、网络、数据中心设计、模型和软件连接起来。Google 可以协同调优这些层面，尽管它仍会为特定工作负载采购大量外部硬件。

Alibaba 正在构建自己的全栈架构。它开发 Qwen 模型、运营公有云、构建模型服务，并投资于自研芯片能力。这五座中心的转型将把这些层面连接至更大的实体基础设施。

这种战略上的相似性使 Google 成为有参考价值的竞争对手，但两家公司并非在同等条件下竞争。Google 拥有更广泛的全球云覆盖范围，也更容易获得先进芯片供应链。

Alibaba 在中国市场拥有更强的地位，并与国内企业建立了长期关系。它还运营电商和消费者平台，能够为模型、推荐、搜索和智能体创造内部需求。

这形成了两种不同的基础设施循环。

Google 的循环始于全球分布的云客户、Gemini 服务、内部应用和自研芯片。使用量支撑更多数据中心投资，进而扩大下一代模型可用的容量。

Alibaba 的循环连接 Qwen、中国企业需求、国内应用和云基础设施。其电商服务提供的工作负载，能够测试模型并提升其组织内部的利用率。

利用率至关重要，因为闲置的加速器依然成本高昂。胜者未必是宣布容量最多的公司，而是让昂贵系统持续高效运转的运营商。

Alibaba 报告称，随着 AI 产品获得采用，云业务收入继续加速增长。其财报将 AI 服务描述为日益重要的需求来源，而不只是研发支出。

2026 年 5 月，该公司表示，Cloud Intelligence Group 在截至 3 月的季度中收入同比增长 40%。该公司还预计，模型和应用服务的年度经常性收入将快速增长。

这些数据来自 Alibaba，应视为公司自行报告的业绩。但它们仍表明，基础设施扩张已具备相应的商业工作负载支撑。

一份独立财报报道也提到，在所报告期间，Alibaba 的 AI 和云业务整体增长了 38%。该报道指出，整个行业都面临证明大规模 AI 支出能够带来回报的挑战。

Google 同样面临这一挑战。两家公司都必须为自有模型预留容量，同时为云客户提供可靠资源。

当算力供应受限时，这种张力会更加突出。云服务提供商可以优先分配给内部应用、外部客户或长期研究，但每种分配都存在机会成本。

Google 的自研 TPU 提供了一定程度的供应自主性。TrendForce 预计，在 Gemini 和 Google Cloud 需求推动下，TPU 将占 Google 于 2026 年出货 AI 服务器的近 78%。

这一ASIC deployment forecast说明了芯片为何对竞争格局至关重要。ASIC 是为一组狭窄任务设计的芯片，而非用于通用计算。

Alibaba 同样需要避免无限制依赖海外加速器。出口管制和许可要求已限制中国获取某些先进美国芯片。

国产加速器可以降低这种风险敞口，但软件兼容性和制造能力仍是障碍。只有当开发者能够可靠地在一款芯片上训练和部署模型时，这款芯片才真正有用。

因此，Alibaba Google 的比较最终取决于系统整合。Alibaba 必须在应对 Google 未以同样形式面对的限制时，将园区、芯片、软件和付费工作负载结合起来。

AI 算力改变 Alibaba 云业务的经济模式

这一转型提升了 Alibaba 的潜在收入，但也让利用率、能源效率和硬件可得性对盈利能力变得更加重要。

传统云计算将许多工作负载分散在灵活的处理器、存储和内存资源池中。AI 集群则将更多价值集中在昂贵的加速器及连接它们的网络上。

这种集中带来了更严苛的财务方程。运营商必须在客户需求明确之前投入巨资；当新一代加速器能够以更低能耗提供更高性能时，现有硬件的相对价值也可能下降。

Alibaba 承诺在三年内向 AI 和云基础设施投入 3800 亿元人民币，但没有公开列出五个据报道中心逐一对应的预算。

因此，投资者无法计算该计划中有多少用于新建工程、服务器采购、网络、研发或设施改造，也无法区分为 Alibaba 预留的容量与通过其云平台出售的容量。

该公司已表示需求仍然强劲。在其 2025 年 Apsara Conference 上，Alibaba 表示，在扩展国际基础设施的同时，计划将投资增加至原计划以上。

这份AI roadmap涵盖模型发布、云服务和新增数据中心容量。它将这项支出计划定位为更广泛产品战略中的一个层面。

这种组合很重要，因为基础设施本身无法产生回报。Alibaba 需要开发者和企业采用 Qwen 模型、Model Studio、数据库、存储和推理服务。

企业客户同样需要可预测的性能。在流量高峰期间变慢的模型端点，可能扰乱客户支持、编程、搜索和自动化工作流程。

阿里巴巴可以通过服务多种类型的需求来提升资源利用率。训练任务会消耗大块容量，而推理需求则持续来自生产环境中的应用。

公司的消费与商业平台又增加了另一类需求来源。搜索、广告、购物助手和推荐系统，可以在外部需求达到全面规模前吸收部分容量。

内部需求有助于为建设投入提供合理性，但也可能掩盖经济效益。被阿里巴巴其他业务使用的容量，并不一定能产生与对外云销售相同的利润率。

Google 也面临类似的核算问题，因为其基础设施同时支持 Search、YouTube、Gemini 和外部云客户。云服务商之间的直接比较，可能忽略这些共享成本与内部收益。

阿里巴巴最新的公开文件，对其雄心规模的佐证强于对单位经济效益的说明。公司描述了一套涵盖模型、云基础设施、应用和自研芯片的技术栈。

其财务披露文件也将新增高性能容量与 Model-as-a-Service 推理服务联系起来。Model-as-a-Service 让客户无需运营底层基础设施，即可访问托管模型。

这项服务可以将数据中心投资转化为持续性的使用收入。然而，当价格、延迟或输出质量未达预期时，客户也可以更换模型或减少使用量。

阿里巴巴还必须应对复杂的采购周期。AI 服务器需要加速器、高带宽内存、网络交换机、电力设备和冷却组件。

任何一个组件的延迟，都可能导致其他设备未被充分利用。这会在披露的建设进度与实际可用算力之间形成缺口。

能效带来了另一项约束。一块加速器或许能提供更高的原始性能，但若耗电量足够高，也会提高每次模型响应的总成本。

阿里巴巴位于北方的站点可提供土地和能源方面的优势。更接近主要人口中心的设施，则能降低面向客户服务的延迟。最佳选址取决于工作负载。

训练任务通常可以迁移到能源供应充足的地区，因为用户不会直接与其交互。实时推理则更受益于靠近客户和区域网络枢纽。

这项五中心计划或许能让阿里巴巴分配这些职责。但公司尚未公布足够的信息，说明将如何在已披露的各站点之间分配工作负载。

这一缺失的细节，比头条中的容量数字更重要。一张连贯的工作负载地图，才能证明阿里巴巴正在设计 AI 网络，而不只是把加速器填进现有建筑。

五中心说法没有展示什么

阿里巴巴的基础设施叙事在方向上仍具可信度，但公开证据尚不足以确认每个中心的容量、效率或完工情况。

主要报告描述了涉及五个超级数据中心、历时六年的演进过程。它提供了有用的历史框架，但许多运营细节仍未公开。

阿里巴巴尚未发布标准化清单，列出五个园区全部 AI 加速器的数量。公司也未提供可比较的电力容量、利用率或训练吞吐量数据。

缺少这些指标，设施规模就难以比较。一个现代化集群可以在相同工作负载下，以更低能耗超越规模更大的旧式服务器集合。

芯片构成是另一项不确定因素。阿里巴巴可以组合使用进口 GPU、国产加速器和自研芯片，但每个平台都有不同的软件和网络要求。

混合机群可以提升供应韧性，也可能导致开发者工具碎片化，并使调度更加困难。

AI 框架通常优先针对 Nvidia 的软件环境进行优化。将工作负载迁移到另一种加速器，可能需要修改代码、开发新内核、进行测试和性能调优。

阿里巴巴可以通过托管云服务隐藏部分复杂性。但客户仍会关注最终系统能否满足其对延迟、可靠性和成本的预期。

出口管制为未来硬件供应增加了不确定性。规则变化的速度可能快于建设计划，迫使中国云服务商围绕能够稳定获得的组件重新设计系统。

国产芯片开发提供了战略应对方案，但无法消除制造端的限制。先进芯片依赖制造、封装、内存、网络和软件的协同运作。

电力供应可能成为同样重要的瓶颈。AI 机架的用电需求可能远高于传统服务器机架，给变电站和冷却系统带来压力。

因此，一个园区可能看起来已经完工，却仍在等待电力升级。它也可能在电力或冷却受限时，低于物理容量运行。

阿里巴巴的营收增长证明了需求存在，但不足以证明投资回报。云收入可以增长，同时折旧、能源和采购成本仍可能压低盈利能力。

公司更广泛的业务使情况更复杂。即便云业务表现改善，对商业、消费级 AI 和配送服务的投资也可能影响集团收益。

中国境内的竞争带来另一项风险。Tencent、Huawei、Baidu 及专业服务商都在建设或采购 AI 基础设施。客户也有动力避免依赖单一模型家族。

在中国以外，阿里巴巴还面临更多障碍。数据驻留规则、安全审查、采购政策和地缘政治担忧，即使其技术表现出色，也可能限制采用。

Google、Microsoft 和 Amazon 已在北美和欧洲建立广泛的企业销售渠道。它们的软件合作关系，使其更容易将 AI 基础设施与现有合同捆绑销售。

阿里巴巴可以在东南亚、中东及其他拥有区域经验的市场扩张。然而，新建数据中心并不会自动带来客户信任或开发者采用。

其在亚太云市场的领先地位说法也需要谨慎解读。市场定义各不相同，尤其是在研究将基础设施、平台服务、专属云和公有云分开统计时。

阿里巴巴称，AI 原生工作负载已成为新增需求的重要来源。其区域云市场说法援引了外部研究，但读者应审视其中涵盖的市场和服务类别。

因此，最有力的审慎观点并不是说这次转型是虚构的，而是资本承诺和设施数量无法证明 AI 云业务具有效率。

证据应通过利用率、收入质量、服务可靠性和客户重复需求来体现。这些结果的观察周期，比一则建设公告更长。

这种区分让分析保持务实。阿里巴巴已披露足够信息，显示出一次严肃的战略转变；但尚未披露足够信息，足以宣布基础设施转型已经完成。

阿里巴巴真正的对手是 Google 的一体化 AI 工厂

Google 对阿里巴巴构成压力，因为它展示了定制芯片、模型、软件和云分发如何相互强化。

AI 工厂一词描述的是一种基础设施：它持续将数据、电力和芯片转化为训练完成的模型和生产环境响应。关键特征是协同输出，而非建筑本身。

Google 多年来一直将 TPU 与其数据中心、网络、机器学习框架和内部产品连接起来。Gemini 则为消费和企业服务带来了另一类需求来源。

阿里巴巴正在围绕 Qwen 组建类似闭环。其云业务提供模型访问、开发服务、存储、数据库和计算资源，而阿里巴巴的应用则提供内部部署机会。

阿里巴巴与 Google 的竞争，并不要求阿里巴巴复制 Google 的每一项服务。它需要匹配掌控更多技术栈所带来的运营优势。

其中一项优势是调度。垂直整合的服务商可以在不同芯片代际、地区和服务层级之间调度工作负载，同时优化自身软件。

另一项是模型调优。了解底层硬件的工程师，可以调整模型架构或推理方法，以更高效地利用硬件。

第三项优势是供应规划。内部产品路线图可帮助基础设施团队在外部客户下单前预估未来需求。

阿里巴巴拥有其中许多要素。Qwen 提供模型家族，Model Studio 提供托管访问，Alibaba Cloud 则提供部署层。

公司表示，截至 2026 年 1 月 21 日，Qwen 在 Hugging Face 上的累计下载量已超过 10 亿次。下载量并不等同于生产环境采用，但可以扩大围绕该模型家族的开发者社区。

开放模型也带来战略取舍。更广泛的分发可以推动 Alibaba Cloud 之外的采用，而托管服务则为公司提供了将便捷部署变现的路径。

Google 在其 Gemini 产品、开放的 Gemma 模型、TPU 和 Vertex AI 服务之间采取了不同路线。两家服务商都利用模型可得性为基础设施创造需求。

阿里巴巴的本地优势对中国客户尤为重要。它可以提供国内基础设施、中文模型，以及与广泛使用的商业服务的连接。

Google 的全球优势则更为广泛。其网络、企业关系、研究机构和开发者平台支持其在更多市场获得采用。

两家公司也处于不同的政策环境下。阿里巴巴必须适应中国的模型监管，同时应对先进芯片获取方面的海外管制。

Google 则在多个司法管辖区面临反垄断、隐私、版权和能源方面的审查。其基础设施规模并不能消除这些约束。

这使得竞争呈现非对称性，而非直接对抗。Google 为一体化 AI 基础设施设定了标杆，阿里巴巴则将这一模式调整为适应受限的国内供应链。

阿里巴巴无需超越 Google 的全球云覆盖规模来巩固自身地位。它需要证明，转型后的园区能够高效服务 Qwen 和企业工作负载。

这一证明首先会对中国竞争对手形成压力。Tencent、Huawei 和 Baidu 将需要匹配阿里巴巴在模型、容量、软件和客户触达方面的组合能力。

它也会在部分地区为国际买家提供另一种 AI 基础设施选择。采用仍将取决于合规、支持、可靠性和工作负载可移植性。

五个超级数据中心之所以重要，是因为它们可以成为这个一体化闭环的物理基础。其价值取决于阿里巴巴将它们与芯片和软件连接得多么紧密。

如果它们仍是松散协调的通用服务器资源池，Google 的优势将持续存在。若它们能够作为优化的 AI 集群运行，阿里巴巴将获得更可信的基础设施地位。

三个信号将显示这次转型是否奏效

下一阶段应从可用容量、外部 AI 收入，以及阿里巴巴能否在受限芯片供应下运营的证据来评判。

第一个信号是详细的基础设施披露。阿里巴巴应说明五个已披露中心的新 AI 容量、加速器部署、电力可用性或已完成的集群里程碑。

可信的披露不需要暴露敏感工程数据，但应提供足够一致的衡量指标，以区分已安装服务器与实际可用算力。

有用的指标包括加速器总容量、集群网络性能、能源效率或生产利用率。可比的同比数据将使进展更容易评估。

如果 Alibaba 公布这些指标，五大中心的说法会更具说服力。若持续依赖设施数量，核心验证缺口仍将无法弥合。

第二个信号是外部 AI 收入。内部使用 Qwen 可以提升基础设施利用率，但第三方需求更能清楚证明客户重视 Alibaba 的技术栈。

Alibaba 预计，模型和应用服务将成为规模更大的经常性业务。投资者应关注，这一增长能否与整体云收入同步延续。

他们还应审视利润率和资本密集度。如果每增加一个业务单位都需要在稀缺硬件上投入不成比例的支出，快速的收入增长就会大打折扣。

客户留存也是一项有用指标。企业在初步试用后持续重复使用，说明模型与基础设施能够满足生产环境要求。

第三个信号是 Alibaba 的异构芯片战略。异构基础设施是指在同一朵云中结合不同的加速器产品线，而非依赖单一供应商。

Alibaba 需要能够在这些系统间调度工作负载的软件，而不必让客户管理每一种硬件差异。这种能力将降低供应限制带来的战略影响。

相关证据可能包括更广泛的框架支持、生产环境案例，或国内加速器上的已记录性能表现。公司的基准测试说法仍应接受独立测试。

成功将强化 Alibaba 的论点：即使无法获得 Google 同等的芯片供应，垂直整合依然可以奏效。持续存在的兼容性缺口则会削弱这一论点。

竞争对手的反应同样值得关注，但其重要性次于这三个信号。Tencent、Huawei、Baidu 或 Google 的价格变化，可能揭示哪些领域的产能正在趋紧。

更广泛的支出周期提高了赌注。TrendForce 预测，八家主要云服务商的合计资本支出将在 2026 年超过 7,100 亿美元。

这类预测可能变化，但方向已经明确。Alibaba 正进入一个时期：竞争对手也在数据中心、加速器和定制芯片上激进投入。

庞大的资本预算并不保证形成持久优势。如果需求放缓，或模型效率提升速度超出预期，它们可能造成产能过剩。

更好的模型也可能通过让更多应用在经济上可行而增加需求。效率与总计算消耗之间的关系仍不确定。

对于开发者而言，眼下的问题是可移植性。团队应了解，应用能否在无需大幅重新设计的情况下，在 Qwen、Gemini 和其他模型服务之间迁移。

企业采购方应考察区域可用性、数据处理、服务可靠性和硬件依赖。醒目的加速器数量很少能回答这些运营层面的问题。

知识工作者将间接受到影响。更多推理容量可以支持更快的助手、更长的推理任务，以及嵌入日常商业软件中的 AI 功能。

追踪这些变化的团队需要持续记录厂商声明、基准测试、部署说明和政策变化。可搜索的工程知识库可以让这些决策始终与证据相连。

Alibaba 与 Google 的基础设施竞赛已经超越模型发布。Alibaba 正将为早期云计算时代建设的实体资产，转化为 AI 服务的基础。

悬而未决的问题是，这五个园区会成为一个协调统一的生产系统，还是仍只是一组令人印象深刻的设施。请关注容量披露、外部 AI 收入和多芯片软件支持。

这些信号揭示的不只是又一项支出承诺。它们将表明，Alibaba 是否已在周边限制条件下，建成客户能够大规模使用的 AI 云。