7.3
深览指数
科技微博·极客公园··AI 生成
从数据到智能，再到进化：Agent 正在重写 AI 基础设施
2026 年，Agent 正在成为 AI 落地的主要形态，其产生的持续、并发、试错式负载，与人类操作云平台时一次一办的节奏完全不同，倒逼云计算基础设施从头改造。文章以阿里云云栖大会发布的系列升级为线索，将 Agent 落地的挑战拆解为数据瓶颈、应用接入、系统自进化三个环节，并提出“芯云模一体”的协同设计方向。适合关注 AI 基础设施、云服务技术架构或大模型工程化的读者，能快速了解行业主流厂商当前的技术判断和供给方向。原文 ↗
核心观点
- ▍Agent 时代基础设施竞争的关键，正从能承载多少模型，转向能否让数据、模型和系统一起更快进化。
- ▍阿里云提出的“芯云模一体”是当前主流应对路径：让芯片、云平台与模型协同设计，打通从原始数据到业务决策的全栈。
- 01阿里云 CTO 李飞飞将智能体落地拆解为 Model（智能上限）、Context（业务理解）、Harness（工具调用与持续运行）三个要素。
- 02具身智能数据需经过几十道处理（清洗、质检、标注），一次数据版本迭代短则两周、长则一个月；阿里云的方案可使处理耗时减少 40%。
- 03PAI-DLC 3.0 引入 Xfuse，多模态模型端到端训练速度提升 2.4 倍。
- 04PAI-CrystalLLM 使用不到 1% 的 GPU 资源模拟万卡集群训练效果，内部实践为训练任务带来 2% 至 10% 的 MFU 绝对提升。
- 05Hologres 自进化查询优化器在四个月内自主发现并完成 28 项优化，湖上查询性能提升 38%。
- 06穹彻智能基于阿里云 Data+AI Pipeline，数据处理吞吐提升超过十倍，模型训练效率提升约 50%。
反方 / 局限
- — 基础设施的自我优化有明确边界：在 AI for Science 中，一旦进入生物实验、科学仪器等物理世界操作，Agent 难以独立完成从计算到实验验证的闭环。
- — Agent 基础设施的价值不等于替企业完成所有创新；数据质量、算法路线、行业软件和物理设备仍然决定智能最终能走多远。
阿里云李飞飞Agent芯云模一体MaxComputeEMRPAI-DLC 3.0PAI-InferXPAI-RLSPAI-CrystalLLMHologresOpenLakeDataWorksADAFlink Streaming Agent穹彻智能吕峻汪军华无尽前延张林峰
9 分钟 · 4 卡片 · 11 资料
读原文 →