阿里巴巴集团联合创始人、董事长蔡崇信在香港大学陆佑堂做了一次演讲。这是港大商学院”陈坤耀杰出讲座系列”的年度活动。据说，17年前，马云曾站在同一个舞台上。主办方说，这次演讲的报名速度创下纪录：邮件发出两小时内，超过1200人报名。
一、中国AI的真正优势：不是模型，是整个生态
蔡崇信开场就抛出一个反直觉的观点：美国人定义的AI竞赛规则是错的。
美国人怎么算谁赢？看谁的大语言模型（Large Language Model）更强。今天是OpenAI领先，明天是Anthropic，后天可能是别人。但蔡崇信说，这个计分方式本身就有问题。
真正的赢家不是谁有最好的模型，而是谁用得最好。
“The winner is not about who has the best model. The winner is about who could use it the best in their own industries, in their own lives.” （赢家不是看谁模型最好，而是看谁在自己的行业和生活中用得最好。）
这个判断的底层逻辑是：AI的价值在于渗透率（penetration rate）。中国国务院的AI规划就很务实——到2030年，AI代理和设备的渗透率要达到90%。不讲玄学，只讲普及。
那中国凭什么能普及得更快？蔡崇信列了一张完整的底牌清单。
1、电力：15年前埋下的伏笔
训练大模型、跑推理（inference），本质上都是在烧电。中国的电力成本比美国低40%。
为什么？因为15年前中国就开始大规模投资电力传输基础设施。北方发的电要送到南方，新能源产地和用电需求地往往不重合，必须靠输电网络打通。中国国家电网每年资本支出900亿美元，美国只有300亿——三倍的差距。
结果是什么？中国的电力装机容量是美国的2.6倍，而且新增装机容量是美国的9倍。这个差距还在拉大。
2、数据中心：成本碾压
在中国建一个数据中心，成本比美国低60%。这还没算芯片，只是基建。
3、工程师红利：全球一半的AI人才有中国学历背景
蔡崇信提到一个有趣的数据：全球几乎一半的AI科学家和研究人员，都有中国大学的学位——无论他们现在在美国公司、中国公司，还是世界任何地方工作。
他还讲了个段子。最近社交媒体上有人吐槽，说自己在Meta（Facebook）的AI团队里，同事们都在用中文交流想法，他完全听不懂。
“This is the first time Chinese language is an advantage.” （这是中文第一次成为一种优势。）
以前中国公司出海，语言是劣势——在意大利开办公室，当地人不会说中文，中国员工得用第二语言沟通。但在AI领域，全球的华人工程师用中文分享想法、交换思路，这反而成了信息优势。
4、资源匮乏逼出来的系统级创新
美国有大量GPU，中国没有。但蔡崇信说，匮乏反而创造了优势。
“China being lacking in GPUs actually creates an advantage of starvation. When you don’t have a lot of resources, you are forced to innovate at the systems level.” （GPU的缺乏反而创造了’饥饿优势’。当你没有足够资源时，你被迫在系统层面创新。）
训练一个万亿参数的模型，如果系统效率不高，GPU消耗会非常恐怖。中国团队因为硬件受限，必须把系统优化做到极致。DeepSeek就是这么逼出来的——阿里的通义千问（Qwen）模型刚刚赢得了一场为期两周的加密货币和股票交易AI竞赛，DeepSeek排名第二。
蔡崇信对DeepSeek毫不吝惜赞美：”我们在杭州的邻居，他们做的事情令人难以置信。”
二、开源为什么会赢：成本、主权、隐私的三重逻辑
这可能是整场演讲最核心的判断。
蔡崇信的观点很直接：开源模型会击败闭源模型，不是因为开源更先进，而是因为开源更符合全球大多数用户的利益。
他举了个例子。假设你是沙特阿拉伯，想发展AI，又想保持”AI主权”（sovereign AI）——意思是AI不受外国控制。但你没有人才自己开发模型。
这时候你有两个选择：
选择一：通过API使用OpenAI。付很多钱，而且数据要喂进去——你不知道数据去了哪里，那是个黑箱（black box）。
选择二：直接下载阿里的开源模型，部署在自己的私有云上。免费，而且数据完全可控。
成本和隐私，两边都赢。所以无论是政府还是企业，只要认真做成本效益分析，都会倾向于开源。
那阿里怎么赚钱？
蔡崇信说得很坦白：”我们不靠AI赚钱。”
阿里靠的是云计算。你用开源模型没问题，但你要跑模型，需要云基础设施——存储、数据管理、安全、网络、容器（containers，他说这个词他自己也不太懂）。这些阿里都能提供。开源模型是流量入口，云服务才是利润来源。
这个模式其实很像早年的互联网公司：免费产品获客，增值服务变现。只不过规模和技术门槛完全不同。
三、阿里巴巴的进化逻辑：永远跟着客户需求走
港大教授邓希炜问了一个好问题：阿里从B2B电商变成AI云计算公司，秘诀是什么？
蔡崇信的答案很朴素：没有秘诀，就是跟着客户需求走。
阿里1999年成立时，中国还没加入WTO，国际贸易必须通过国有贸易公司。2001年入世之后，小企业可以直接和全球做生意了。阿里的B2B平台就是帮这些小厂找买家——第一版网站是英文的，面向海外。
后来消费者电商起来了，就有了淘宝。买家和卖家互不信任，就发明了支付宝（最初是个担保交易系统）。物流跟不上，就投资物流。
云计算也是一样的逻辑。16年前，没人讨论云。但阿里的消费平台要处理海量数据，如果继续用Dell的服务器、EMC的存储、Oracle的数据库，所有利润都会交给这些供应商。
阿里的CTO说：我们得自己搞。
“We developed cloud computing really out of necessity, out of the need to become self-reliant in technology.” （我们发展云计算完全是出于必要，出于对技术自主可控的需求。）
所以阿里云的起点是”自己吃自己的狗粮”（eat our own dog food）——先内部用，用好了再开放给外部客户。
蔡崇信对年轻创业者的建议也很明确：优先选择有机增长（organic development），而不是并购。因为自己团队培养出来的能力，DNA纯正，文化匹配。阿里也做过并购，”有些成功，有些失败得很惨”。
四、给年轻人的建议：学会提问，比学会回答更重要
演讲最后有学生问答环节。蔡崇信关于技能和专业选择的回答，信息密度很高。
1、技能层面：三件事
第一，学会获取知识。 听起来是废话，但在AI时代，知识获取的效率差异会被放大。
第二，建立分析框架。 不是死记硬背，而是能对信息做出自己的判断。
第三，学会提问。 蔡崇信特别强调这一点——提出正确的问题（ask the right questions），比找到答案更重要。
2、要不要学编程？要，但理由变了
很多人说AI时代不用学编程了，用自然语言（natural language）就能指挥机器。蔡崇信不同意。
他说学编程的目的不是为了操作机器，而是训练思维过程。
“The purpose is not to actually operate a machine. The purpose is going through that thinking process.” （目的不是操作机器，而是经历那个思考过程。）
他甚至建议学电子表格——能把一个复杂公式写对，让数字自动计算出来，这本身就是逻辑训练。
3、专业选择：三个方向
数据科学（data science）：其实就是统计学的新名字，但未来数据会爆炸式增长，懂得管理和分析数据的人永远稀缺。
心理学和生物学：理解人脑怎么运作。人脑仍然是最高能效的”机器”，AI的很多设计思路都来自对大脑的模拟。
材料科学（material science）：世界现在被比特（bits）主导，但让比特跑得更快的，是原子（atoms）。半导体领域会有大量创新，而半导体的核心就是材料。
五、一个关于风险的故事：为什么加入创业公司
1999年，蔡崇信放弃香港的律师高薪，跑去杭州加入一个18人的小公司。为什么？
他的回答是金融人的思维：不对称风险收益（asymmetric risk-reward）。
“The downside risk was very limited. Why? Because I have a good university degree. I went to law school. Worst comes to worst, I can always work as a lawyer. The upside is unlimited.” （下行风险非常有限。为什么？因为我有好的学历，读过法学院，最坏情况我还能当律师。但上行空间是无限的。）
这就像一个看涨期权（call option）——最多亏掉权利金，但收益没有上限。
但他补充了一句更重要的话：机会是来找你的，不是你去找它的。 你要做的是”准备好”（preparedness），这样机会来的时候才能抓住。
六、AI会是泡沫吗？两个概念要分清
学生问：AI会不会像2000年互联网泡沫一样破裂？
蔡崇信说，要区分两种泡沫：
金融市场泡沫（financial market bubble）：股票估值是不是太高？50倍市盈率合不合理？”这是一门艺术，我不知道。”
技术泡沫（real bubble）：技术本身是不是虚假的？
他的判断是：AI可能存在金融泡沫，但技术本身是真实的。 就像2000年3月互联网泡沫破裂，但互联网并没有消失——今天互联网比那时候强大得多。
所有投入AI基础设施的资源、模型开发的努力，不会打水漂。
七、关于体育投资：一个关于文化交流的彩蛋
蔡崇信拥有NBA布鲁克林篮网队。今年篮网时隔六年重返中国（澳门），这是他主动推动的。
但他做体育投资最有意思的部分，是一个教育项目：每年选6-8个中国初中生，送去美国读高中、打篮球。
“The biggest beneficiaries are the high school kids in the US. They see these kids coming from China. They’ve read about China but they haven’t interacted with individuals.” （最大的受益者是美国的高中生。他们看到这些中国孩子来了，他们读过关于中国的东西，但从没和个体互动过。）
他说这是在”复制自己的经历”——13岁离开台湾去美国读书。人与人的交流（people-to-people exchange），比任何官方渠道都重要。
三个最核心的洞察
Q1：中国AI的真正优势是什么？
不是模型本身，而是让AI被广泛使用的整个生态系统。电力成本低40%、数据中心建设成本低60%、全球一半AI人才有中国学历、资源匮乏逼出系统级创新——这些加在一起，让中国更有可能实现AI的大规模普及。而普及率才是真正的计分板。
Q2：为什么开源模式会赢？
因为对全球大多数用户来说，开源同时解决了成本、数据主权和隐私三个问题。闭源模型要付费，数据要喂进黑箱；开源模型免费，数据可以留在本地。这不是技术优劣之争，是利益格局使然。
Q3：年轻人应该怎么为AI时代做准备？
学编程不是为了写代码，而是训练逻辑思维；学统计（数据科学）是因为数据会爆炸；学心理学是因为要理解人脑这个最高效的”机器”；学材料科学是因为让比特跑得更快的是原子。更重要的是，学会提出正确的问题——这比找到答案更有价值。
以下为翻译原文
阿里最早做的是一个B2B跨境贸易网站，1999年上线时是全英文的，主要为了帮助中国中小企业“走出去”。
后来，随着国内市场崛起、消费者行为转变，他们顺势延伸到C端，从阿里巴巴到淘宝，从企业到个人，业务自然生长。
随后支付宝的诞生，也是为了解决买卖双方的信任危机：买家不敢先付钱，卖家不敢先发货。阿里则提出一个托管机制，先由第三方保管资金，再根据交易结果释放。
这个简单的机制，为当时互联网的商业体系补上了一环：信任基础设施。
- “If you want to found companies later on, you would always want to favor organic development over acquisitions. […] because you are developing through your team, and your team has the best DNA in terms of the Alibaba culture and innovation.”
“好的公司不是靠收购堆出来的，而是有机长出来的。”
阿里进入云计算，实则是被利润结构倒逼的技术自救。那时，阿里的电商系统已经处理海量数据。每笔交易背后都有几十个数据库调用、支付、搜索、推荐。而服务器来自戴尔、存储来自EMC、数据库靠Oracle。
当时，阿里的CTO警告：
- “If we continue to use third-party software and hardware, we will later on hand over all our profits to these technology vendors.”
也就是说，如果延续这种依赖第三方服务的方式，上游一加价，利润全蒸发。所以，他们决定做自己的云。这不是简单的“租服务器”，而是做一个“跨数据中心的分布式操作系统”，支撑亿级用户的并行计算。阿里云最早的客户，就是阿里自己，也就是所谓的dogfooding（软件公司自己用自己的产品），再推向外部。
这套逻辑，十几年后被国家战略验证。
“技术自主可控”如今已是政策共识。
阿里当年的选择，或许在某种意义上，也是中国数字基础设施自主化的缩影。
- “China wants to continue to be a manufaturing powrehouse, I think the empasis on the manufacturing economy, which is part of the real economy is right there.”
十五五规划的第一个关键词，就是制造业强国。中国的消费占GDP比重不到40%，而美国是70%。这说明中国的经济仍然以生产和出口为核心。“中国在未来的十到二十年内，仍会是全球制造中心。”制造业带来就业、工资、出口和技术外溢，是最稳定的、最具复利效应的增长引擎。
回顾中国经济崛起的路径，从人均800美元提升到1.3万美元（并有望在未来十年达到3万美元），真正推动这一跃升力量的，就是生产制造以及全球供应体系。
- “They say, China is exporting excessive capacity for the rest of the world. […] The definition simply means that you have producation capacity that your domestic economy cannot absorb, therefore you resort to exports.”
“过剩产能只是国内消化不了的产能。[…] 通过出口，把产能转化为价值，本身就是国家致富的合理路径。”德国长期依靠汽车出口支撑经济，却从未被指责为‘产能过剩’。那么，中国制造业的外向型增长也不应被污名化，而应被视为一种经济体的自然演化。成为“世界制造中心”，是中国选择的正确路径，但这条路需要不断升级。过去我们出口的是鞋子和衣服，未来出口的将是电动车、电池和光伏。这三样，正好对应全球能源转型的刚性需求。制造业的升级，直接牵引了AI的落地方向。因为AI真正的规模效应，就体现在工业环节的降本增效上。
十五五规划的第二个关键词，尤其在当前地缘政治的背景下，是技术自主。
- “We want to become technology self reliant. […] The AI plan simply said that in 2030, we should see 90% penetration of AI agents and devices.”
到2030年，AI代理与设备要达到90%渗透，落地机制是市场化。这是一个应用导向的目标。
与之相比，美国的AI政策关注技术前沿，例如模型参数、算法突破；而中国的政策，更像是一场普惠运动，要让AI变成电力一样，成为基础设施，被更广泛使用。
- “You don’t keep score by looking at you know how good these large language models are; the score is being kept by the adoption rate”
这种差异是结构性的。
中美AI竞赛的关键不在技术指标，而在adoption rate（采用率）。AI的社会红利，并不来自一两个SOTA模型，而在于全社会的普及曲线。当农民、制造业工人、教师、小商户等等各行各业都能用AI时，这项技术才真正进入经济血液。
因此，中国的AI发展策略，本质上是“普惠型AI”：
- 技术领先不等于社会收益的最大化，普及速度才是复利起点。
- 允许国企和民企各自探索路线。政府不指定技术方向，只设定渗透目标；
- 把采用率定为KPI，这会自然倒逼成本、数据合规、行业化方案全面优化。
中国AI的底层优势首先是能源红利。AI是能源密集型产业。中国在这一层早就布局，十五年前就开始大规模投资输电网络和配套基础设施。中国的国家电网的年资本支出约900亿美元，而美国只有约300亿美元。中国电力装机容量是美国的2.6倍，电力产能净增量是美国的9倍。另外，新增能源部分中，太阳能和风电占主导，能够为AI提供绿色能源基础。然后是成本红利。
建设一座GW量级的数据中心，中国是4亿美元，美国则是10亿美元。这有着结构性的成本差距。
- “Chinese models are not very far behind the US, because China has a lot of engineers and it’s the country that produced the most standard students every year. […] Lacking in GPU actually creates an advantage of starvation.”
中国的AI团队在系统工程能力上已经非常突出。长期的GPU短缺，反而逼出了更高的优化效率。在分布式训练、调度优化、功耗控制等方面，中国工程师展现出较强的实践能力。而在人才供给上，“全球有超过一半的AI科学家和研究者，在中国大学有过学位。”有Meta的员工调侃：“我们的AI团队里，几乎全员讲中文。”这很有意思，“过去中文是出海的障碍，如今在AI时代，它反倒成了优势。”另外，中文互联网的内容密度、语义复杂度，也可以为AI模型提供了丰富的语料。这种语言层面的优势还在放大。
谈到AI的全球竞争格局以及中美的差异，蔡崇信重点提到开源和闭源之争。
总的来看，国家主要在两种模式种做选择：
- 一种是依赖OpenAI等公司的闭源API：性能强大；但是价格高，数据进黑箱，用户几乎无法掌握隐私和使用边界；
- 另一种是采用阿里等企业推出的开源模型：可自部署、低成本、数据可控，在安全性和灵活性上更具优势。
在美国，企业若要接入OpenAI等的服务，往往需要承担高额的订阅和调用费用，这使得AI的使用门槛居高不下。
而在中国，阿里的多个开源模型，用户已经可以自由的下载，并部署在自有的基础设施（例如自己的笔记本或者企业服务器上），成本极低。
长期来看，开源是一种更加经济、更加安全的路径，并且这也与他之前提到的普惠逻辑一致。
既然是开源模型，那公司如何赚钱？
- “We don’t make money from AI.”
阿里不是靠AI模型本身盈利，而是通过支撑AI运行的云基础设施实现商业化。阿里提供一整套底层能力，例如算力、存储、安全、数据管理、网络服务，让用户能在其云平台上稳定、高效的运行AI应用。这一完整的云产品矩阵，是AI落地的核心支撑，也逐渐形成了阿里生态的护城河。这就像酒店业，真正决定收益的，不是每个房间的装潢，而是专业化和规模化的运营效率。AI越普及，算力需求越大，云基础设施的商业价值就越高。
在个人层面，蔡崇信建议：
- “You should learn how to acquire knowledge and develop analytical framework for analyzing information coming to your conclusions.”
个人成长有两大核心能力：知识获取能力和建立分析框架的能力。
在信息爆炸时代，懂得筛选、提炼和建模，把信息处理为自己的理解系统，是真正的竞争力。
- 编程：虽然已经有vibe coding（自然语言编程），他仍然建议像学习机器逻辑，主要培养结构化思考；
- 电子表格：看似简单，是不错的逻辑推演工具；
- 数据科学：理解数字化时代的底层语言，学习检索和分析数据。
在学科方面，他建议年轻人学习心理学和生物学，去理解人脑、信息处理与决策机制；还可以关注材料科学，从比特（数字信息）到原子（物理载体)，他认为下一轮技术革命将发生在物理世界，材料科学是突破一些技术瓶颈的关键领域，特别是在半导体等核心硬件领域的创新。
那么“AI会不会像互联网一样，成为泡沫？”
- “There is a real model and then there is a financial market model.”
“AI是真实存在的技术，只是金融市场会泡沫化。”
互联网当年也经历了破裂，但留下的基础设施，例如服务器、协议、带宽等等，都变成了今天的生产力。AI也是一样：它的模型、算力、基础设施，都是真实可见的资产。泡沫，是金融估值的问题，不是技术的问题。
AI能够像朋友一样给出答案、交往的时候，将是一个重要的发展节点。目前，AI更多的是一种效率工具；未来，AI有望成为人类的朋友，有更好的交互。
