KeyFrame內部研究專用

【阿里AI殺入歐洲?】蔡崇信巴黎發聲:美國雲巨頭之外的 Plan B|阿里巴巴9988 BABA|技術分析

四眼仔講研報·6月22日週一·28 min中文

三句話摘要

阿里巴巴用466億現金流出重塑自己的身份,從電商平台轉向AI基礎設施供應商,但龐大的資本支出能否最終轉化為正向現金流仍是未知數。 AI下半場真正活下來的不是模型跑分最高的那家,而是誰最先頂得住龐大資本開支、將技術轉成正向現金流。 --- ### 補充:股票技術分析部分摘要 影片後半部分針對阿里巴巴(9988)股票進行了技術面分析。截至2026年6月22日,股價已跌至100.08元附近(距離去年7月的低點100.07元已無差別),近一個月跌幅19%。期權市場顯示三個關鍵位置聚集成交量:100元(Put集中)、102.5元、105元。MACD、RSI等指標均在低位,每日收盤價一日低過一日,形成典型的下跌趨勢。關鍵支撐位在100元(短期支撐)和92元(費波納奇50%回調位),阻力位在105元。週線和月線形態同樣疲弱,月線已連接多個底部,一底比一底更低。講者建議關注近期期權異動和四日內週五到期的期權落點,以及100元附近的賣出看跌期權部位(表明做多者願意在該價位接貨)。 AI市場想像空間重新定義——阿里將AI從軟件工具重新定位為虛擬勞動力,不再賣授權費而是以替代人力成本、自動化決策、大規模編碼等真實生產流程為目標,這使市場想像空間從IT預算擴展到企業最大支出的人力成本。

重點整理

重點
  • 1

    AI市場想像空間重新定義——阿里將AI從軟件工具重新定位為虛擬勞動力,不再賣授權費而是以替代人力成本、自動化決策、大規模編碼等真實生產流程為目標,這使市場想像空間從IT預算擴展到企業最大支出的人力成本。

  • 2

    全棧戰略的被迫性——沒人知道AI產業鏈最大利潤最終會沉澱在哪一層(芯片、算力、模型還是應用),所以只做一層風險極大;阿里建立內循環的邏輯是無論價值流向哪層都盡量攔在自己的生態內。

  • 3

    免費模型背後的商業邏輯——開源Qwen不是無償贈禮而是漏斗式獲客,免費試用降低企業採用門檻,但真正要將AI接入核心生產流程需要海量算力、私有數據訓練、安全存儲、企業工具鏈,這些才是收費點。

  • 4

    歐洲市場的地緣政治套利——歐洲深陷科技焦虑,依賴美國巨頭,在巴黎建數據中心提供"第二選擇",不需要完全取代而只需成為制衡籌碼,藉此穩定歐洲企業的科技主權訴求。

實用技巧與重點

乾貨
  • 核心數據
  • 自由現金流:年內流出466億人民幣(前一年同期流入738億,落差超1200億)
  • AI市場規模:50萬億美元(全球GDP約100萬億美元)
  • 阿里雲客戶增長:Model Studio客户基数同比暴增8倍(截至2026年3月)
  • AI相關產品收入:連續11個季度三位數增長,占比38%左右
  • 淘寶用户:30日留存率偏低,新鮮感過後使用頻次不穩定
  • 戰略概念
  • Full Stack(全棧策略):底層芯片→雲端算力→基礎大模型→應用場景
  • MaaS(Model as a Service):將模型視為高度定制化的虛擬員工冰工廠
  • Agentic AI:具有行動力的AI agent,能自主執行日程、購票、預訂等實際任務
  • 四級火箭:開源生態→雲服務轉化→場景變現→財務回報
  • 具體布局
  • 開源大模型:Qwen免費開放
  • 應用平台:淘寶、釘釘作為場景驗證
  • 基礎設施:阿里雲在巴黎新增云區(包含兩個可用區,涉及數據中心、電網、物理隔離等重資產投資)
  • 目標市場:歐洲(對標美國科技巨頭提供科技主權替代方案)

結論

結論

AI下半場真正活下來的不是模型跑分最高的那家,而是誰最先頂得住龐大資本開支、將技術轉成正向現金流。 --- ### 補充:股票技術分析部分摘要 影片後半部分針對阿里巴巴(9988)股票進行了技術面分析。截至2026年6月22日,股價已跌至100.08元附近(距離去年7月的低點100.07元已無差別),近一個月跌幅19%。期權市場顯示三個關鍵位置聚集成交量:100元(Put集中)、102.5元、105元。MACD、RSI等指標均在低位,每日收盤價一日低過一日,形成典型的下跌趨勢。關鍵支撐位在100元(短期支撐)和92元(費波納奇50%回調位),阻力位在105元。週線和月線形態同樣疲弱,月線已連接多個底部,一底比一底更低。講者建議關注近期期權異動和四日內週五到期的期權落點,以及100元附近的賣出看跌期權部位(表明做多者願意在該價位接貨)。

完整解析

詳細

阿里巴巴正在進行一場規模龐大的身份重塑。在巴黎的科技大會上,阿里向全世界宣布AI市場規模高達50萬億美元——這個數字幾乎相當於全球年GDP的一半。但當你打開阿里的財務報表時,映入眼簾的是一個截然相反的現實:短短一年內,自由現金流直接流出了466億人民幣。而前一年同期,這個數字還是正向的738億。這超過1200億人民幣的落差,正是理解阿里整個AI轉型戰略的鑰匙。

傳統來看,軟件公司靠賣授權費賺錢——每個客戶、每個月支付固定費用。但阿里想兜售的是全然不同的商業邏輯:AI本質上是虛擬勞動力,不是工具。過去軟件像一把更鋒利的鏟子,讓工人挖得更快;但AI直接派來一個能自主判斷、自主執行的虛擬員工。這樣一來,目標客户的預算就不再是IT部門的小額支出,而是企業最大的成本支出——人力成本,以及最核心的生產流程自動化。這就是50萬億美元這個數字背後的邏輯。當然,即使市場真的有50萬億美元那麼大,阿里憑什麼認為自己能吃到?答案就在它反復強調的"全棧策略"上。阿里不止做通義大模型,還有底層的芯片、中間的阿里雲、上層的淘寶和釘釘應用場景。表面看起來是進攻策略,其實也是被迫的防守:沒人知道AI產業鏈最終的利潤會沉澱在哪一層——是芯片層、雲算力層、大模型層,還是應用層。如果只做其中一層,風險極大。所以阿里的邏輯是建立一個內循環,無論價值最後流向哪裡,都盡量攔在自己的生態內。

這裡有個反直覺的商業密碼:如果大模型是整個生態的皇冠,阿里為什麼要將通義開源,甚至免費給人用?表面上看,這像是把皇冠上的寶石掏出來送人。但實際上,開源通義是阿里雲最兇狠、最高效的獲客入口。個人下載玩玩當然免費,但當企業要真正將AI接入核心生產流程時,情況就完全不同了。它需要海量算力、私有數據訓練、安全的雲端存儲、企業級工具鏈、合規審查、日志追蹤、權限管理。免費模型只是第一步,後續真正收錢的地方是雲、算力、工具鏈和企業服務。這就像阿里免費送你一輛頂級跑車,但跑車要用它特製的航空級汽油、需要保養調教,全部在阿里雲的工廠裡進行——車跑得越快,加的油費就越多。

然而,所有宏大戰略最後都要回到冷酷的現實:那466億現金流的失血。第一級火箭是開源生態做大;第二級是雲轉化,把免費的無形用戶轉成付費客戶;第三級是場景變現,讓AI深度接入淘寶、釘釘直接促成交易;第四級是財務回報。問題是,前面三級的驗證還很不確定。特別是淘寶用戶的30日留存率偏低,很多人可能只是貪新鮮。雖然AI相關產品收入連續11個季度三位數增長,佔比也達到38%左右,但絕對規模夠不夠cover背後龐大的基建折扣和算力開支?這決定了整個商業模式是否真的成立。如果自由現金流跟不上,資本市場就會冷酷地將那466億視為一個巨大的成本黑洞,而不是一條昂揚向上的增長曲線。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。