2026年8月3日，两件事同时发生，却几乎没有任何媒体把它们放在一起看。

第一件：阿里巴巴正式发布Qwen3.8-Max——2.4万亿参数的多模态大模型，港股当天上涨4.5%，美股同步跟进，全球科技圈对中国AI的讨论再次升温。

第二件：《经济学人》发布了一篇深度分析，题目是「中国如何用比美国更少的钱在AI上获得同等价值」——一份用数据和结构分析回答这个问题的报告。

单独看，一个是产品发布新闻，一个是宏观战略分析。但合在一起看，它们构成了同一个命题的两面证明：中国AI正在走一条与美国截然不同的竞争路线，而这条路线，正在被技术社区和资本市场同时用行动认可。

这篇文章试图做两件事：第一，把Qwen3.8-Max的技术含义说清楚；第二，把《经济学人》报告揭示的「效率路线」结构说清楚。两者合在一起，才是2026年中国AI竞争力的完整图谱。

2.4万亿参数：不是比大，是工程哲学的选择

先厘清技术事实，但不要被参数数字本身骗了——它既是一个真实的能力指标，也是一种有意为之的叙事策略。

Qwen3.8-Max的总参数规模是2.4万亿，这个数字在已公开信息中是目前全球已知最大的多模态开放权重模型。但参数数量本身不应该成为能力判断的主要标准，真正重要的是架构决策。

阿里选择了混合专家（Mixture of Experts，MoE）架构，将活跃参数控制在950亿。这意味着什么？

模型把2.4T参数编码的全部知识存储在磁盘和内存中，但每次推理实际激活的神经网络规模等价于约950亿参数的稠密模型。推理成本和延迟与950亿级别相当，而不是2.4T级别——因为系统每次只需要激活与当前任务最相关的「专家子网络」，其余大部分参数在计算时处于休眠状态。

这个设计背后的工程哲学可以用一句话概括：规模效应服务于知识广度和泛化能力，MoE架构服务于推理效率和成本控制。

这不是阿里的原创技术——Google的Gemini系列、Mistral的MoE模型、DeepSeek的MoE架构都走过类似路线——但阿里把这个思路推到了目前已知的最大参数规模，同时保持了实用的推理成本。

百万token上下文窗口是另一个值得认真对待的能力指标。100万token约等于750本书的文字量，也等于大约2500万行英文代码，或者一家中等规模公司过去5年的邮件归档。对于企业AI应用来说，这意味着：

  • 可以「一次性读完」整个代码库，而不是每次只能看一个文件
  • 可以处理完整的合同档案或诉讼材料，而不是分块截取摘要
  • 可以在单次对话中保持数周的项目记忆，而不是每隔几轮就「忘掉」前文

这个能力直接改变了AI能够承接的任务类型边界。在法律文件审查、代码库理解、企业知识管理、长周期项目管理等场景中，这个差异是质的跃变而非量的提升。

多模态能力——同时处理文本、图像、视频三种输入——让Qwen3.8-Max进入了多媒体内容理解赛道。在需要同时分析产品图、财务报表图表、操作演示视频的企业场景中，这构成了真实的能力扩展，而不只是技术论文上的参数表格。

那16天：一个关于AI自主性的具体数字

所有技术参数都是开胃菜。真正的主菜，是阿里在发布Qwen3.8-Max时披露的一个内部测试细节：该模型曾自主编码连续16天，在几乎没有人类介入的情况下，持续改进一个AI编码工具。

16天。不是16小时，是16天。

这个数字如果属实，它所标志的技术里程碑可以用这样一句话来界定：AI不再只是执行特定指令的「高效工具」，而是能够在极少人类介入的情况下，独立持续完成一个具有真实工程价值的开发任务周期。

理解为什么这件事重要，需要想清楚「16天连续自主工程工作」意味着什么样的能力组合：

模型需要在没有人手把手的情况下，持续理解当前代码库的整体状态，制定阶段性改进计划，生成代码变更，执行测试脚本验证效果，根据测试结果判断下一步方向，处理意外出现的错误和边界情况，重新规划受阻后的替代路径……然后把这个循环一天一天地重复下去，保持工作方向的一致性，避免陷入局部最优或自相矛盾的修改路径。

这是一个完整的「AI工程师工作流闭环」，不是代码补全，是端到端的工程推理和决策链条。对于正在认真评估「AI能否承担实质工程工作」这个问题的企业决策者来说，这是一个比任何基准测试分数都更直接的参考点。

当然，这个数字需要保持合理的审慎。「内部测试」的具体条件未经独立第三方验证，「持续改进」的成功率标准未披露，测试环境与真实生产环境的差异也未详述。如果打五折，一个AI系统能以较少人类监督持续工作一周处理复杂工程任务，仍然是一个值得重视的能力信号。

这个细节，与英伟达Vera CPU被用于自身EDA芯片设计流程（验证仿真性能+1.5倍）、ChipAgents用AI Agent自动化芯片验证流程（设计周期缩短40%），构成同一个更大叙事的三个具体案例：AI正在开始承接「AI基础设施」相关的工程工作本身。那个「AI改进AI、AI设计AI」的自循环飞轮，已经不只是理论预测，而是在多家机构、多个场景中有了早期的实践例证。

《经济学人》的结构性分析：效率优势的来源

同一天，《经济学人》发表了一篇系统性分析，回答一个具体问题：中国AI实验室如何在人均投入和算力投入远低于美国的条件下，仍然保持了全球前列的技术竞争力？

这不是一篇泛泛的政治经济评论，而是有具体机制分析的深度报道。根据报道揭示的内容，几个结构性机制值得逐一解析。

机制一：被约束的一方，被迫做出更优雅的解法。

中美两国AI实验室对「效率」的战略态度存在系统性差异。美国主流路线的底层假设是「算力是可以购买的资源，堆满就行」——GPT-4的训练成本据业界估计超过1亿美元，GPT-5的训练成本更高，而大多数技术创新的目标是让模型更强，而不是让训练更便宜或更快。在拥有充足资本和不受限制的算力供应的情况下，这种路线是合理的优化方向。

中国实验室（DeepSeek、阿里、字节跳动、华为）则在出口管制的约束下被迫走另一条路：同样要做出有竞争力的模型，但可用的算力资源更受限，迫使这些团队把工程精力集中在算法效率的突破上。

结果出乎很多人的预料。DeepSeek开发的MLA（Multi-head Latent Attention，多头潜在注意力）机制，能够将推理内存需求降低数倍，同时保持大部分模型能力——这一创新随后被Meta、Google等美国实验室的研究人员争相引用和采用。阿里的MoE规模化实践，同样提供了在大规模参数下控制推理成本的参考解法。这些算法创新不是偶然，而是在约束条件下定向研究的系统性产出。

历史上有过很多类似的案例：燃油经济性标准倒逼出了日本汽车工业的发动机效率创新；RISC-V架构在Arm授权成本压力下获得了工业界的广泛采用。被约束的一方，往往能做出更优雅的工程解法。这个规律，正在AI领域重演。

机制二：工程人才密度的结构性优势。

中国顶级AI工程师的薪资水平据业界普遍估计约为美国硅谷同等水平的1/3到1/2（具体数字因城市、公司规模和职级差异较大），但两国之间的技能差距已经大幅收窄。北京大学、清华大学、中国科学技术大学、上海交通大学培养的AI研究生，在国际顶级AI学术会议（NeurIPS、ICML、ICLR）上发表的论文数量和质量，已经与Stanford、MIT、CMU可以比肩。

相同的研发预算，在中国可以雇用更多工程师，开展更多并行实验，迭代速度更快——不是因为中国工程师水平更高，而是因为雇用成本更低，允许在同等预算下维持更大的研究团队规模。

这个优势是时间有限的：中国AI工程师薪资在过去5年已经大幅上涨，趋势上会继续上行。但在2026年，成本优势仍然构成一个实质性的竞争要素。

机制三：数据治理的特殊结构。

阿里、腾讯、字节跳动、百度等中国互联网平台，累积了覆盖数十亿用户的行为数据，包括购物记录、社交互动、内容消费、搜索查询等多维度、多模态的数据资产。这些数据的使用在法律框架上不同于欧美GDPR的严格限制，为训练本土语言大模型和多模态AI提供了规模数据优势。

这不是对任何法律体系的价值判断，只是客观描述一个在AI竞争中确实存在的结构性要素差异。

综合三个机制，《经济学人》报告的核心论断是：中国AI的效率优势具有结构性基础，是算法创新、人才密度、数据结构三个要素共同作用的结果，而不是某家公司的一次性运气。这个优势会随着技术和市场条件的变化而演化，但不会因为某一款模型的失败就消失。

两条竞争路线的真正分歧

现在我们可以把那个底层矛盾说清楚了，这是理解所有这些事件的认知底座。

美国AI的核心路线可以用一个缩写概括：SAIN（Scale As Intelligent Necessity）——模型足够大，数据足够多，算力足够强，智能就会以涌现的方式出现。这条路线在2022到2025年获得了大量实验结果的验证，也支撑了OpenAI（估值约3000亿美元）、Anthropic（估值约600亿美元）等公司的超高估值。这条路线的风险在于它对算力基础设施的极度依赖，以及随之而来的超高研发成本。

中国AI的实际路线正在演化为：EUI（Efficiency Under constraints, Innovation as response）——在受约束的算力和政策环境下，把效率创新作为主要战略方向，用更少的资源做出可比甚至超越的产品。这条路线部分是主动的技术选择，部分是被迫的环境应对，两者都是真实的。

这里有一个重要的历史观察：算法创新的突破往往在约束条件最强的地方出现。JPEG算法是在带宽极度有限的年代开发的；TCP/IP设计考虑的是在噪声干扰下保持可靠传输；MoE架构的大规模实践，是在GPU算力受限下发展起来的。中国AI正在成为这个规律的新一次证明。

关于两条路线的竞争前景，有两个同样有依据的观点：

相对乐观的视角：效率路线有理论上限，但目前中国AI产业距离那个天花板还非常远。Qwen3.8-Max的2.4T参数规模本身证明，中国并不只是在用更差的硬件做同样规模的模型——他们找到了更有效的架构，把有限算力的价值最大化。在推理效率和部分能力基准上，中国模型已经不输，甚至在某些任务上超过了同等规模的美国对应模型。

相对悲观的视角：顶级模型的预训练（特别是5000亿参数以上的超大规模训练）最终高度依赖NVIDIA H100/H200级别的数据中心GPU，而这些产品的出口已经受到严格管制。华为的昇腾910C在部分推理场景下能替代H100的部分功能，但在超大规模训练的内存带宽和集群互联吞吐量上，性能代差仍然明显。如果下一代前沿模型的训练算力壁垒进一步提高，效率路线的上限将成为一个越来越紧迫的硬约束。

这两个视角都是真实的，判断哪个会成为主导力量，取决于：出口管制的执行力度如何演化、华为和其他本土芯片的迭代速度如何、以及算法效率创新是否能持续覆盖算力代差。这些都是未知数，但它们是理解整个中国AI竞争格局的关键变量。

港股+4.5%：市场对什么做了定价

理解Qwen3.8-Max发布后阿里巴巴港股4.5%的涨幅，需要放在2026年7月的背景下。

整个7月，受美国出口管制预期收紧、美中科技脱钩担忧上升、半导体供应链不确定性等多重因素影响，阿里巴巴和多家中国科技股持续承压。市场的核心担忧是：「如果中国AI公司无法获取足够的先进算力，他们的技术竞争力会系统性衰减，估值就应该打折扣。」

Qwen3.8-Max的发布，用一个具体的产品事件反驳了这个担忧：即使在现有算力约束条件下，中国AI公司仍然能够发布在多项基准测试中与全球最强模型竞争的产品。这把「被封锁的中国AI」的叙事，切换为「在约束下仍然有竞争力的中国AI」。

4.5%的涨幅，是资本市场用价格语言说：「我们暂时认可这个新叙事，愿意为它减少一部分的担忧折价。」

从商业战略角度看，Qwen系列的开源路线有其内在逻辑：开源模型让全球开发者可以免费使用、微调、在自己的基础设施上部署，形成一个不依赖订阅收入的商业生态。阿里的真实目标不是直接靠卖Qwen API赚钱，而是通过开源生态建立阿里云的企业AI基础设施地位——当全球企业的生产工作流建立在Qwen模型的基础上，选择阿里云来运行这些工作流就成了自然的下一步。这是「先占据模型层、再收割基础设施层」的战略路径，与谷歌推出Android、推广Google Maps、最终巩固Google Cloud生态位的逻辑高度相似。

最后一层：AI价格战的商业模式含义

把所有信息放在一起，有一层大多数报道没有直接说出来的含义需要点明：

Qwen3.8-Max（开源大模型）和DeepSeek V4-Flash（全球最便宜推理定价）在同一周出现，这两件事合在一起，是对闭源高价AI商业模式的系统性攻击。

DeepSeek V4-Flash的推理成本定价为$0.14/百万输入tokens，$0.28/百万输出tokens，根据独立研究机构Artificial Analysis的测试，其实际运行成本是目前主流知名AI模型中全球最低，比Anthropic Claude Fable 5便宜105倍。Qwen3.8-Max则走开放权重路线，允许企业直接下载模型权重、在自己的基础设施上部署，边际成本接近于零。

这两家顶级中国AI公司，用不同的方式从两个维度同时压缩美国闭源AI的商业空间：一家用极低价格压缩API收入空间，一家用开源生态压缩使用粘性。

这不只是产品竞争，这是商业模式层面的结构性冲击。

闭源高价模型的商业逻辑有一个核心前提：「我的模型能力足够独特，企业找不到等价替代品，只能接受这个价格。」但当开源替代品在大多数企业级任务上达到90%的质量，成本只有1/10甚至1/100时，企业的采购决策逻辑就开始动摇。AI应用的ROI计算是无情的：如果相差10倍的成本只带来10%的质量差异，理性选择是显而易见的。

OpenAI正在用行动承认这个压力：GPT-5.6本月降价高达80%，这是一个面对成本压力的正面回应，不是自愿的战略选择。

从更长的时间维度来看，这场价格战和开源生态战，正在把整个AI行业推向一个可能的未来：基础模型商品化。就像云计算把服务器从差异化产品变成了标准化商品，AI模型也可能走向同样的路径——当Qwen、DeepSeek、Llama都能免费或极低价使用，AI模型API本身就失去了护城河属性，真正的竞争重新回到数据质量、场景理解、工程实施能力和客户信任上。

这是那天Qwen3.8-Max给AI行业发出的真正信号，比2.4万亿参数的数字更重要：中国AI正在把技术竞争推向商品化，而在这个过程中，长期受益的是使用AI的企业，而不一定是卖API的厂商。 当然，这个商品化过程本身也会带来价值链重构的阵痛——谁能在商品化浪潮中找到新的差异化定位，仍然是开放的竞争。

对于企业决策者来说，这有一个直接的实践含义：Qwen3.8-Max作为开源模型，现在就可以免费使用和部署。如果你的场景对中文理解有高要求、需要超长上下文处理能力、有多模态需求，这是一个值得认真技术评估的选项，不论你如何看待中国AI战略的其他维度。技术工具归技术工具，地缘政治归地缘政治。两件事可以同时为真：Qwen3.8-Max是一个技术上强大且值得评估的工具，同时它也是一场更大博弈的重要棋子。

参考资料

  1. Forbes - Alibaba Unveils Qwen3.8-Max Model: China’s Latest AI Challenger to OpenAI and Anthropic (2026-08-03)
  2. The Economist - How China gets better bang for its buck than America in AI (2026-08-03)
  3. Reuters via MSN - DeepSeek’s New AI Model is Cheapest of Well-Known Models to Run (2026-08-03)
  4. Cryptobriefing - DeepSeek Launches V4 Models Beta Amid China’s AI Price War (2026-07-31)
  5. Network World - AMD Unveils AI GPU to Challenge Nvidia’s Rubin (2026-08-03)