关于阿里巴巴AI战略的市场评价，正在陷入两极分化的困境。一方以财务数据为据——2026财年自由现金流净流出466亿元、经调整EBITA同比暴跌84%、第四季度经营亏损8.48亿元——得出“烧钱无度、方向不明”的结论。另一方则以增长指标为凭——云收入同比增长40%、AI产品收入占比突破30%、MaaS平台Token收入五个月增长15倍——宣称“战略已进入兑现期”。

两种叙事各有依据，但都未能完整回答一个核心问题：阿里AI战略在理论上是否可行？若可行，其可行性的边界与临界点在哪里？

一、全栈布局的结构性逻辑

理解阿里AI战略的起点，不是财务指标，而是对AI行业竞争趋势的判断。

大模型的能力差距正在快速收窄。通义Qwen3.7-Max在GPQA Diamond等评测中超越所有国产模型，Qwen3.6-Plus在SWE-bench真实编程任务中以58.7%的通过率击败GPT-4o的56.2%，40亿参数的Qwen3.5-4B在WildChat测试中以499胜、431负击败参数大50倍的GPT-4o。这些数据指向一个事实：参数竞赛阶段正在结束，模型能力的商品化正在加速。

商品化的直接后果是定价权的转移。当A、B、C三家模型能力相差无几时，客户将选择价格最低或生态最便利的供应商。在这种格局下，单纯依赖模型调用收入的企业将面临利润率的持续压缩。全栈布局——自研芯片控制推理成本、自研模型保留差异化空间、MaaS平台锁定企业工作流、C端应用获取用户反馈——本质上是对商品化趋势的结构性对冲。

这一逻辑在成本端已有初步验证。平头哥的倚天、含光芯片虽未达到英伟达的绝对性能，但在推理场景中，通过软硬协同优化，单位Token成本已降至采购外部方案的约60%。当Token日调用量达到百亿级别时，这一成本优势将转化为可观的毛利率差。阿里云MaaS业务的Token收入在五个月内增长15倍，正是规模效应开始显现的信号。

二、组织动荡的实质：从实验室到工厂

2026年初通义千问技术负责人林俊旸携核心团队离职，被广泛解读为“阿里AI人心涣散”的证据。但这一事件的实质，是阿里AI从“学术导向”向“工程导向”转型的必然摩擦。

林俊旸倾向保持预训练、后训练、基础设施垂直整合的团队结构，以追求迭代效率。管理层则希望拆分为专业化分工的独立团队，以匹配产品化、规模化的交付节奏。这不是谁对谁错的问题，而是AI研发从探索期进入工程期后的典型路径分歧。

吴泳铭随后推动的ATH(Alibaba Token Hub)事业群整合，以及周靖人(首席AI架构师)、李飞飞(阿里云CTO)、吴泽明(集团技术委员会)构成的“三位一体”架构，实质上是将AI从一个“研究项目”升级为“业务系统”。决策权高度集中的代价是抑制了多元化探索，但收益是资源的统一调配和执行节奏的可控。

组织动荡是否已经结束？未必。但将林俊旸离职简单等同于战略失败，忽略了转型期人才流动的常态性。更值得关注的问题是：新架构能否在保持执行效率的同时，留住足够多的技术骨干。这需要时间验证。

三、市场估值的悖论：折扣与押注并存

资本市场的态度同样呈现内在矛盾。

一方面，阿里估值明显承压。2026年4月，阿里美股滚动PE在22-26倍区间，低于亚马逊的约33倍。从年初高点到3月底，阿里回撤32%-35%，跑输纳斯达克和恒生科技指数。摩根士丹利、高盛等机构在AI主题下更倾向于将仓位向腾讯和字节倾斜。

另一方面，摩根大通在将阿里目标价小幅下调的同时，重申“增持”评级，并明确指出市场对阿里的估值“仅反映其国内电商业务的价值，而阿里云及即时零售平台在估值中均被完全忽略”。花旗预测阿里云AI相关收入将以90%的年复合增长率增至2031年的5855亿元。

这一估值困境的根源是时间维度的错配。短期利润表展示的是AI投入的当期成本，长期估值模型依赖的是AI资产的未来收益。当两套评价体系同时作用于同一家公司时，得出的结论必然是分裂的。关键在于：未来收益折现到当下的价值，是否足以覆盖当前的现金流消耗？

四、场景错位的合理性追问

批评者最常提出的质疑是：阿里拥有全球最大的电商场景，为何将AI资源大量投向通用助手App(千问)，而非聚焦电商AI？

这一质疑有道理，但需要进一步拆解。千问App月活1.66亿，仅次于豆包，是用数十亿推广费换来的。通用助手赛道的用户迁移成本极低，留存率普遍不理想。从投入产出比看，这确实不如将同等资源用于电商搜索推荐、客服自动化、供应链预测等确定性场景。

但阿里内部可能存在另一种逻辑：通用模型的泛化能力是电商AI的基础。一个只在电商数据上训练的模型，很难处理跨领域的复杂指令；而一个在通用场景中打磨过的模型，在下放到电商场景时，往往表现更好。此外，C端App的用户交互数据对模型迭代具有不可替代的价值——真实用户的对话数据远比实验室标注数据丰富。

这种“以通用带垂直”的策略是否存在更好的平衡点？答案是肯定的。问题不在于阿里选择了通用助手，而在于通用助手的投入比重是否过高。从现有信息看，阿里并未披露电商AI的专项投入规模。如果电商AI实际上获得更多资源，而通用助手只是“面子工程”，那么批评的靶子可能并不存在。反之，如果资源确实过度向通用助手倾斜，那就是战略层面的错误配置。

五、三个临界点

阿里AI战略的可行性，最终取决于三个临界点能否安全跨越。

第一，模型商品化的速度。如果未来两到三年内，顶尖模型能力的差距进一步缩小，推理价格降至当前水平的十分之一甚至更低，那么全栈布局的成本优势将被稀释。届时，阿里必须依靠规模——而非技术溢价——来维持利润。规模本身是阿里云的强项，但需要足够的时间来积累客户和调用量。

第二，电商基本盘的韧性。阿里2025财年淘天集团收入增速已降至个位数，拼多多、抖音、快手的挤压仍在持续。核心业务产生的现金流是AI投入的财务基础。如果电商业务增速进一步放缓甚至下滑，AI的资本开支将难以为继。这是阿里AI最脆弱的一环——腾讯有微信这个稳定的现金流引擎，阿里有电商但面临激烈竞争。

第三，组织整合的执行力。ATH事业群的集权模式效率高但容错率低。吴泳铭一人承担战略决策与执行落地的双重责任，短期内可以快速推进，但中长期需要建立制度化的决策和纠错机制。如果关键决策出现偏差，缺乏有效的内部反馈和修正渠道，损失将是系统性的。

六、可行，但有严苛前提

阿里AI战略不是无头苍蝇式的盲目乱撞。全栈布局有其清晰的理论基础——对模型商品化趋势的结构性对冲。组织重构有其内在逻辑——从学术探索向工程交付的转型。市场估值的分歧反映了时间维度的真实错配，而非单纯的偏见。

但这套战略的可行性建立在三个严苛的前提之上：模型商品化速度不至于快过自研芯片的成本下降速度；电商基本盘在拼多多、抖音的挤压下仍能保持正现金流；组织集权模式在执行中不出现重大偏差。

这三个前提的任何一个被打破，整个战略都将面临重估。阿里不是在做一个低风险的确定性投资，而是在进行一次高风险的、有理论支撑的战略押注。批评者低估了其中的逻辑，支持者低估了其中的风险。两者的交汇点，才是对阿里AI战略最接近真实的判断。