阿里巴巴攜手中國電信在韶關部署 1 萬枚昇武 AI 晶片，瞄準「全棧」自主化

韶關項目做緊乜？

2026 年 4 月，阿里巴巴與中國電信宣布在廣東韶關推出一個 AI 數據中心及計算集群。項目首階段配置 1 萬枚由阿里巴巴旗下半導體設計部門 T-Head 開發的昇武（Zhenwu）AI 加速器，主要用於大型模型訓練及推理。813

報道指，這是昇武晶片在大灣區首次以如此大規模部署。系統支援參數量達數千億的大型模型；相關網絡架構亦讓大量晶片協同運作，目標是將本土晶片由單卡測試，推進至可實際提供服務的集群級基礎設施。81114

誰擁有、誰負責營運？

現有報道顯示，數據中心由中國電信擁有及營運，阿里巴巴則提供自家昇武加速器，阿里雲再提供雲端平台、模型及相關 AI 軟件。因此，更準確的理解是：這是一個由電訊商營運、以阿里巴巴技術為核心的 AI 基礎設施項目，而不是一個完全由阿里巴巴獨自擁有的數據中心。5

這種分工亦有實際意義。中國電信可以把計算資源接入自己的企業及公共服務網絡，阿里巴巴就可以在真實環境中部署和調校自研晶片、集群軟件，以及阿里雲的模型服務。

由 1 萬枚擴至 10 萬枚，代表甚麼？

項目預計可按採用情況，逐步擴展至 10 萬枚晶片。511 如果計劃落實，韶關集群將不再只是一個示範項目，而可能成為面向企業及公共部門的共享 AI 計算平台。

理論上，較大規模的計算容量可支援：

• 醫療影像分析及藥物研究；
• 材料發現、模擬及科學計算；
• 製造業流程及工業系統優化；
• 政府部門的 AI 應用及公共服務。

不過，以上是適合這類計算資源的應用類別，並不代表上述行業已經全部成為該中心的已確認客戶。現時公開資料不足以列出具體簽約用戶。

昇武晶片可以提供甚麼能力？

昇武的定位是 AI 加速器，重點在於支援模型訓練和推理，並可組成大規模集群，處理擁有數千億參數的模型。810 部分報道更提到，集群的訓練及推理效率較上一代有所提升；但不同報道的指標及比較條件未必一致，不能單靠宣傳數字作出全面性能判斷。

更重要的是，阿里巴巴自研晶片未必只為追求單卡速度。晶片設計、記憶體、網絡互連、模型運算核心、推理吞吐量、集群調度和雲端定價，都可以一併協調。對一間同時擁有晶片、雲服務及大模型的公司來說，這種軟硬件共同設計，有機會令部署流程更一致，也減少受制於外部 GPU 供應及產品路線圖的程度。

但要留意，自研並不自動等於性能已經追上 Nvidia 的最前沿加速器。現時獨立、可重現而且涵蓋面足夠的比較基準仍然不足，因此不宜把韶關項目直接解讀為性能上的全面超越。

美國出口限制，點解令自研晶片更關鍵？

美國對 Nvidia 及其他先進 AI 晶片和相關技術的出口限制，令中國企業取得部分高端進口 GPU 面對更大不確定性。韶關項目的戰略價值，因而不只在於「換另一款晶片」：它同時創造了本土晶片的需求、部署經驗、軟件工具及使用者基礎。13

一旦更多模型和企業工作負載在昇武平台上運行，晶片設計者便能收集實際部署中的瓶頸，雲端團隊亦可建立更成熟的編程框架、調度系統及運維流程。對中國推動半導體自主化而言，這種由供應、部署到應用逐步形成的生態，和單純製造出一枚晶片同樣重要。

Qwen 在其中扮演甚麼角色？

阿里巴巴的 Qwen 大模型家族，最初以「通義千問」名義推出：2023 年 4 月先進行 beta 測試，並於同年 9 月向中國公眾開放。25 早期 Qwen 普遍被形容為採用、或密切參考 Meta Llama 家族的架構；但後來的 Qwen 版本已逐步發展出阿里巴巴自己的稠密模型、多模態模型及混合專家（Mixture of Experts，MoE）設計。25

阿里巴巴在 2026 年 4 月推出 Qwen3.6-Plus，定位集中於代理式編程、多模態感知及推理；阿里雲資料亦指它預設支援 100 萬 token 的上下文窗口，對分析大型程式碼庫、長篇文件及需要大量檢索資料的工作流程可能有幫助。714

不過，「針對 RAG 優化」較適合作為工作負載或使用場景的描述，並不代表 Qwen3.6-Plus 的基礎模型只為檢索增強生成（Retrieval-Augmented Generation，RAG）而設計。

另外，「最新版本」需要加上時間限定。Qwen3.6-Plus 在推出時曾被描述為最新旗艦版本，但阿里巴巴現時的模型頁面亦列出 Qwen3.7-Plus。因此，若按目前資料，不能不加說明地把 Qwen3.6-Plus 稱為 Qwen 的最新版本。11

真正的競爭，不只是模型分數

韶關集群和 Qwen 放在一起看，反映阿里巴巴想建立的是一條完整 AI 技術鏈：由 T-Head 設計晶片，到數據中心及網絡，再到阿里雲服務和 Qwen 模型。813

這種「全棧」策略的好處，是公司可以同時控制硬件供應、軟件適配、模型部署、計算成本及服務擴展，而不必完全跟隨 Nvidia 的硬件更新節奏。對中國與美國之間日益升溫的 AI 競爭來說，模型能力固然重要，但能否穩定取得、部署及大規模使用計算硬件，同樣可能決定最終誰能把 AI 服務真正推向市場。