韌性州的 10,000 枚晶片叢集，究竟特別在哪裡？

阿里巴巴與中國電信在廣東省韶關啟用一座 AI 資料中心，初期配置 10,000 枚由阿里巴巴旗下半導體設計部門 T-Head 開發的 Zhenwu 加速器。這些晶片面向大型 AI 模型的訓練與推理，可處理數千億參數規模的模型。813

公開報道稱，系統採用低延遲網絡架構，讓大規模晶片能夠協同運作；有報道指網絡延遲約為 4 微秒。2 這代表項目的核心不只是把晶片放進機房，而是要驗證一套由晶片、互連網絡、運算叢集與雲端服務組成的完整國產平台。

誰擁有和營運這座資料中心？

目前可查到的報道普遍把設施的擁有權與營運責任歸於中國電信。阿里巴巴則提供 Zhenwu 自研加速器，阿里雲負責相關 AI 軟件、雲端平台及模型整合。5

因此，這項合作更準確的理解是：由電訊商營運、以阿里巴巴技術為核心的 AI 基礎設施部署，而不是一座完全由阿里巴巴單獨持有和經營的資料中心。

從 10,000 枚擴至 100,000 枚，意味著什麼？

合作方預計，叢集未來可擴充至 100,000 枚晶片。811 若計劃落實，這將不只是單一企業的訓練環境，而可能成為面向企業及公共部門的共享 AI 算力平台。

這類算力可用於醫學影像分析、藥物研究、材料發現與模擬、工業流程最佳化，以及政府 AI 服務等高運算量工作。不過，現有公開資訊主要描述的是潛在應用類別，尚不足以確認哪些機構已簽約使用這座設施。

擴容也會帶來實際挑戰，包括供電、散熱、晶片供應、網絡協同、軟件相容性與客戶需求。換言之，從 10,000 枚晶片走向 100,000 枚，考驗的不只是製造數量，也包括整個系統能否穩定、經濟地運作。

為何阿里巴巴要自行設計 AI 晶片？

在美國收緊對 Nvidia 及其他先進 AI 晶片出口限制的背景下，國產加速器可以降低阿里巴巴對進口 GPU 供應鏈的依賴。813 但自研晶片的戰略價值不止於「找替代品」。

自行設計加速器，讓阿里巴巴能更直接控制硬件與軟件的共同設計，包括：

• 記憶體與網絡配置；
• 模型運算核心及算子最佳化；
• 訓練與推理吞吐量；
• 叢集排程和資源分配；
• 晶片供應的可預測性；
• 雲端服務的單位成本與擴展方式。

這種垂直整合可讓晶片、資料中心、阿里雲平台與 AI 模型配合得更緊密，也減少企業完全受制於 Nvidia 硬件產品路線的風險。813

然而，擁有自研晶片並不等於已證明其效能與 Nvidia 最前沿加速器相當。現時獨立、可直接比較的公開基準測試仍然不足，因此不宜把這項部署直接解讀為性能上的追平或超越。

它如何配合中國的半導體自主化？

韶關叢集是中國推動自主 AI 基礎設施的具體落地案例。它所建立的不只是晶片需求，還包括實際部署經驗、軟件工具、開發者生態及一批正在運行的國產加速器。13

這些要素對半導體自立同樣重要：只有當晶片被真正部署、調校並由客戶使用，設計商才有機會累積系統整合經驗，雲端服務商也才能建立圍繞該平台的工具與商業模式。

從通義千問到 Qwen3.6-Plus：晶片與模型的關係

阿里巴巴的 Qwen 家族最初以「通義千問」名義推出，於 2023 年 4 月發布測試版，並在 2023 年 9 月向中國公眾開放。 早期 Qwen 廣泛被形容為採用或接近 Meta Llama 家族的架構；其後的 Qwen 世代則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。2

阿里巴巴於 2026 年 4 月發布 Qwen3.6-Plus，定位為託管式模型，重點包括代理式編程、多模態感知與推理能力。 阿里雲資料顯示，該模型提供一百萬 token 的上下文窗口，對需要分析大型程式碼庫、長篇文件或大量檢索內容的工作流程可能有幫助。14

「針對 RAG 最佳化」較適合作為工作負載或使用情境的描述，而不應理解為模型只能用於檢索增強生成（RAG）。此外，Qwen3.6-Plus 在發布時被稱為最新旗艦版本，但阿里巴巴目前的模型頁面已列出 Qwen3.7-Plus；因此，除非注明時間點，不能再把 Qwen3.6-Plus 稱為 Qwen 的最新版本。11

阿里巴巴真正競爭的是「完整技術堆疊」

韶關項目與 Qwen 放在一起看，顯示阿里巴巴試圖在整個 AI 技術堆疊上建立控制力：從 T-Head 的晶片設計，到資料中心與電訊網絡，再到阿里雲服務和 Qwen 模型。

在中美 AI 競爭加劇之際，競爭焦點不再只是誰擁有最強的單一模型。能否取得穩定的硬件供應、把晶片與軟件調校成可用的系統，並以可接受成本擴大服務，同樣可能決定 AI 平台能走多遠。韶關的 10,000 枚 Zhenwu 晶片，正是這套「全棧」策略的一次大規模實地測試。

韌性州的 10,000 枚晶片叢集，究竟特別在哪裡？

阿里巴巴與中國電信在廣東省韶關啟用一座 AI 資料中心，初期配置 10,000 枚由阿里巴巴旗下半導體設計部門 T-Head 開發的 Zhenwu 加速器。這些晶片面向大型 AI 模型的訓練與推理，可處理數千億參數規模的模型。813

公開報道稱，系統採用低延遲網絡架構，讓大規模晶片能夠協同運作；有報道指網絡延遲約為 4 微秒。2 這代表項目的核心不只是把晶片放進機房，而是要驗證一套由晶片、互連網絡、運算叢集與雲端服務組成的完整國產平台。

誰擁有和營運這座資料中心？

目前可查到的報道普遍把設施的擁有權與營運責任歸於中國電信。阿里巴巴則提供 Zhenwu 自研加速器，阿里雲負責相關 AI 軟件、雲端平台及模型整合。5

因此，這項合作更準確的理解是：由電訊商營運、以阿里巴巴技術為核心的 AI 基礎設施部署，而不是一座完全由阿里巴巴單獨持有和經營的資料中心。

從 10,000 枚擴至 100,000 枚，意味著什麼？

合作方預計，叢集未來可擴充至 100,000 枚晶片。811 若計劃落實，這將不只是單一企業的訓練環境，而可能成為面向企業及公共部門的共享 AI 算力平台。

這類算力可用於醫學影像分析、藥物研究、材料發現與模擬、工業流程最佳化，以及政府 AI 服務等高運算量工作。不過，現有公開資訊主要描述的是潛在應用類別，尚不足以確認哪些機構已簽約使用這座設施。

擴容也會帶來實際挑戰，包括供電、散熱、晶片供應、網絡協同、軟件相容性與客戶需求。換言之，從 10,000 枚晶片走向 100,000 枚，考驗的不只是製造數量，也包括整個系統能否穩定、經濟地運作。

為何阿里巴巴要自行設計 AI 晶片？

在美國收緊對 Nvidia 及其他先進 AI 晶片出口限制的背景下，國產加速器可以降低阿里巴巴對進口 GPU 供應鏈的依賴。813 但自研晶片的戰略價值不止於「找替代品」。

自行設計加速器，讓阿里巴巴能更直接控制硬件與軟件的共同設計，包括：

• 記憶體與網絡配置；
• 模型運算核心及算子最佳化；
• 訓練與推理吞吐量；
• 叢集排程和資源分配；
• 晶片供應的可預測性；
• 雲端服務的單位成本與擴展方式。

這種垂直整合可讓晶片、資料中心、阿里雲平台與 AI 模型配合得更緊密，也減少企業完全受制於 Nvidia 硬件產品路線的風險。813

然而，擁有自研晶片並不等於已證明其效能與 Nvidia 最前沿加速器相當。現時獨立、可直接比較的公開基準測試仍然不足，因此不宜把這項部署直接解讀為性能上的追平或超越。

它如何配合中國的半導體自主化？

韶關叢集是中國推動自主 AI 基礎設施的具體落地案例。它所建立的不只是晶片需求，還包括實際部署經驗、軟件工具、開發者生態及一批正在運行的國產加速器。13

這些要素對半導體自立同樣重要：只有當晶片被真正部署、調校並由客戶使用，設計商才有機會累積系統整合經驗，雲端服務商也才能建立圍繞該平台的工具與商業模式。

從通義千問到 Qwen3.6-Plus：晶片與模型的關係

阿里巴巴的 Qwen 家族最初以「通義千問」名義推出，於 2023 年 4 月發布測試版，並在 2023 年 9 月向中國公眾開放。 早期 Qwen 廣泛被形容為採用或接近 Meta Llama 家族的架構；其後的 Qwen 世代則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。2

阿里巴巴於 2026 年 4 月發布 Qwen3.6-Plus，定位為託管式模型，重點包括代理式編程、多模態感知與推理能力。 阿里雲資料顯示，該模型提供一百萬 token 的上下文窗口，對需要分析大型程式碼庫、長篇文件或大量檢索內容的工作流程可能有幫助。14

「針對 RAG 最佳化」較適合作為工作負載或使用情境的描述，而不應理解為模型只能用於檢索增強生成（RAG）。此外，Qwen3.6-Plus 在發布時被稱為最新旗艦版本，但阿里巴巴目前的模型頁面已列出 Qwen3.7-Plus；因此，除非注明時間點，不能再把 Qwen3.6-Plus 稱為 Qwen 的最新版本。11

阿里巴巴真正競爭的是「完整技術堆疊」

韶關項目與 Qwen 放在一起看，顯示阿里巴巴試圖在整個 AI 技術堆疊上建立控制力：從 T-Head 的晶片設計，到資料中心與電訊網絡，再到阿里雲服務和 Qwen 模型。

在中美 AI 競爭加劇之際，競爭焦點不再只是誰擁有最強的單一模型。能否取得穩定的硬件供應、把晶片與軟件調校成可用的系統，並以可接受成本擴大服務，同樣可能決定 AI 平台能走多遠。韶關的 10,000 枚 Zhenwu 晶片，正是這套「全棧」策略的一次大規模實地測試。