電力四十年、網路十五年、AI五年：蔡崇信的隱形時程與50兆美元算術

1990年，經濟史學者保羅·大衛發表他對電氣化與生產力的研究：中央電站與交流電在1880年代就已備妥，美國製造業的單位產出卻遲至1920年代才明顯攀升，中間隔了約四十年。原因出在組織：工廠必須拆除中央蒸氣機與天軸傳動，為每臺機器配置獨立馬達，重排整條生產線，通用技術的紅利才進得了損益表。網路把這段潛伏期壓縮到約十五年：1995年網景上市，「上網」成為顯學；到2010年前後，「網路策略」作為獨立表述在企業年報裡逐漸退場，網路變成水電一般的背景。

2026年10月7日晚間（北京時間），阿裏巴巴集團主席蔡崇信在義大利杜林的科技與投資論壇Wave by Vento 2026上，給出AI的版本：五年後人們可能不再單獨討論AI，它將像今天的網路一樣融入業務的每個環節，術語會隨普及程度演變，技術的根本影響會留下。同場對談還掛出另一個數字：知識工作者生產力的總潛在市場（TAM）約50兆美元。一張時程表、一個分母，兩個數字合在一起，這場演講就值得按產業帳本重讀一次。

2023年的分界：組織帳與資本帳同時翻頁

蔡崇信用曆法切分自家歷史：1999年創業到2023年是「公元前」，2023年起進入「公元後」，集團聚焦電商與全端AI兩個核心。分界線與產業時序吻合，2022年11月ChatGPT上線，2023年3月阿裏宣布組織調整，4月阿裏雲發布通義千問，方向在同一年內定調。

分界之後的帳，落在資本支出科目。2025年2月，阿裏巴巴宣布三年內至少投入人民幣3,800億元於雲端與AI基礎設施，金額超過此前十年總和。以伺服器四至六年的折舊年限推算，這批資產在2028年前後進入第一輪汰換，推理需求屆時必須長到足以覆蓋折舊與電力成本。蔡崇信的五年時程，2026年起算、2031年到期，正好橫跨這批設備完成折舊的區間。時程表貼著攤提表走，這是理解「全力投入」最實際的座標。

三層堆疊的計價點：模型免費，算力收費

他對全端AI的拆解分三層。算力層以阿裏雲十七年的累積為底，市調機構Canalys的季報長期將阿裏雲列在中國雲端基礎設施支出首位，份額約三分之一；模型層自主研發大模型；應用層把AI裝進消費者與企業客戶的產品。三層串成一線，計價點卻集中在一處。

模型層走開源路線。2025年中，通義千問在Hugging Face上的衍生模型突破十萬個，取代Llama成為規模最大的開源模型家族。蔡崇信的比喻是大學：頂尖大學向全世界開放、為學生提供助學金，AI也應該把進展開源，讓更多人受益。財務翻譯相當直白，模型權重不收授權費，收費發生在推理所在的算力層，開源壓低生態進入門檻，再把需求沉澱為雲端上的Token消耗。模型能力趨同之後，競爭軸跟著移動，這與我們先前整理的頂尖模型分差收斂、差距移往API牌價屬於同一條曲線：分數拉不開，牌價與雲端規模接手決定市佔。

同一套邏輯也套用在他看好的歐洲「新雲」（Neo Cloud）公司上：歐洲有大量工業企業與私有資料，開源模型可以就地改進營運，條件是自建算力，讓模型跑在自家基礎設施上。模型可以免費下載，推理發生的那一層才是計價點，歐洲的機會與阿裏的雲端生意，在這個框架裡並不衝突。

50兆美元的分母：TAM與營收之間的數量級

應用層的變數在計價方式。蔡崇信對能力邊界的判斷是：AI擅長幫人省時間，在幫人花時間上尚未取得同樣的突破；提升知識工作者生產力是最確定的場景，TAM約50兆美元。這句話需要拆成兩半看。省時間的工具創造價值在先、收費在後，企業願意把多少紅利分給工具商，決定TAM有多少能換成營收；花時間的內容與娛樂按注意力直接計價，模式成熟，AI在那個市場還沒有對應量級的產品。

50兆美元需要對照基數。國際貨幣基金對2025年全球GDP的估計約115兆美元，50兆相當於全球產出的四成以上，接近把全球知識勞動的價值整包計入市場。麥肯錫2023年的估算低一個數量級，生成式AI每年可為全球經濟增加2.6至4.4兆美元。再往下錨一層，Gartner對2025年全球SaaS支出的預估約3,000億美元。樂觀版本的算術，是AI工具從價值池抽取幾個百分點，就足以翻轉軟體業的營收規模；保守版本的算術，是紅利留在使用企業自己的損益表，工具商只收得到席位費與用量費。

生產力帳目前被最快量化記錄的位置在工程端。Instagram Direct遷移Compose的量化實證裡，程式碼減半、Token省三分之一的收益被記在架構與維護成本上，這類可對帳的項目，是50兆分母中最早被驗證的一塊。

三成工業產值：實體AI的另一張牌

談到中國AI產業，蔡崇信給了兩個結構條件。其一，中國佔全球工業生產總量約三成，工廠累積的高價值製程資料可用於訓練模型，提升良率、優化產品設計。其二，電動車與機器人領域有完整的硬體供應鏈，當AI進入與物理世界結合的階段，供應鏈優勢會轉換為競爭力。

兩個條件指向同一個分工假設：知識工作端的競爭由前沿模型與算力規模決定；實體端的競爭由製造基地與感測、執行零組件的供給決定，中國在後者的籌碼來自數十年累積的工業體系。變數在資料的碎裂程度，各廠的機臺協定與排程邏輯互不相通，製程資料難以像網路文字那樣一次收斂，導入速度繫於專案別的部署成本。這一端的AI帳更接近客製化專案，規模效應出現得比消費端慢。

情境推演：三個檢核點與兩側位置

這張五年時程表可以在三個位置檢核。推理單價是第一個，單位成本若維持每代數倍下降，應用層才有收費餘裕。第二個是流程重整，保羅·大衛的電力研究早有提醒，通用技術的統計數字向來滯後於組織重整，企業改寫流程的速度決定紅利入帳的時間。第三個是折舊消化，人民幣3,800億元支出若在2028年前後遇上利用率不足，價格競爭會先壓縮雲端毛利，時程表與攤提表的賽跑將提前分出勝負。

受惠位置分散在三處：利用率高的雲端業者收推理帳，承接流程重整的系統整合商收顧問帳，開源生態的維護者以標準影響力換取生態位。承壓位置也清楚：按席位計費的傳統SaaS面對按成果計價的擠壓，延後改寫流程的企業則以生產力差距的形式支付成本。至於「不再討論AI」的那一天，可比的指標在財務報表的科目結構：當AI預算從獨立科目併入各業務線的經常性支出，隱形化才算真的完成。