IDC最新数据显示，2025年上半年中国公有云市场规模达到1206.69亿元，同比增长接近20%。其中MaaS市场规模12.9亿元，同比增长421.2%，成为云计算赛道中增长最快的细分领域；AI大模型解决方案市场规模30.7亿元，同比增长122.1%，金融、政务和制造行业贡献了超过六成预算。AI给云计算带来了二次发展的机遇，这一点毋庸置疑。 年末各家陆续晒出成绩单，Token调用量成为最热门的指标。日均几十万亿的数字在行业里此起彼伏，颇有当年市场份额大战的既视感。但熟悉云计算行业的人应该还记得，市场份额这件事，行业已经很久不怎么强调了。不是因为不重要，而是大家逐渐意识到，在一个还在快速扩张的市场里，份额只是某个切面的快照，很难说明太多问题。 把数字放在一起看就更清楚：MaaS市场12.9亿，整个公有云市场1206亿，占比刚过1%。当所有注意力都集中在这1%的增速和排名上时，我们可能正在用一把过于狭窄的尺子丈量这个市场。 Token调用量能说明一些问题，但说明不了全部。云计算的竞争也从来不只发生在应用层。因此，硅星人的判断是：2026年，AI云的竞争终将回归基础设施，回归全栈能力的比拼。 Token调用量成为热门指标，有它的道理。它直观、可量化、易传播，在一个需要强心剂的市场里，“日均几十万亿”这样的数字天然具有冲击力。对投资人、媒体、甚至部分客户来说，这是最容易理解的AI繁荣证据。 但问题也同样明显。首先数量不等于质量，同样一个任务，一个模型用1万个Token完成，另一个用1000个完成，谁的能力更强？场景差异同样巨大，写一段营销文案消耗的Token，和帮金融机构做票据识别消耗的Token，消费端陪聊产生的Token，和生产端提升效率产生的Token，意义都完全不同。 从云服务商的视角看，企业使用AI大致有几种路径：直接调用API，模型在云端，按量付费，这是当前Token统计的主要口径；往深一层是在云上做后训练和微调，企业把自己的数据灌进去，训出适配业务的模型；再往深是下载开源模型在本地或私有云部署，数据不出域，推理在本地完成；还有更特殊的场景，比如车端智驾、机器人端侧推理，模型直接跑在设备上，响应必须是毫秒级，根本不可能等云端返回。 据硅星人了解，在阿里云上，使用API调用服务的客户和使用GPU算力的客户，重合度高达70%。这意味着真正深度使用AI的企业，从来不是只选一种方式，而是根据场景选择不同的服务层级：有些调API就够了，有些需要自己训模型。只看API调用这个口径，相当于只看到了冰山露出水面的部分。 这件事快不了，也不可能一蹴而就。没有一个企业在选择AI服务时会想“你的Token调用量最多，所以我选你”。它们想的是：你能不能解决我的问题。 目前中国这波AI热潮，最直观的繁荣集中在消费端：ChatBot、唱歌、跳舞、AI换脸、虚拟陪伴……这些应用主要跑在手机上，用户增长快，Token消耗大，数据好看。与此同时，MaaS市场增长最快的客户群体是AI原生企业和互联网公司，它们天然就是API调用的理想用户：业务在线，数据现成，开发能力强，调用API就能跑起来。 更广阔的空间在企业级市场，在各类终端上。2025年大量传统行业开始尝试AI：农牧业在用AI做牲畜数量识别、异常行为检测；安防领域在做多模态的家用监控，婴儿看护、宠物识别、火焰告警；重工业在用维修助手缩短高级技师的培养周期；教育公司在做智能判卷，不只是选择题，连主观题都能批；物流公司给一线员工配上AI助手处理日常咨询。这些场景不只发生在手机上，还发生在车端、机器人、工业设备、IoT终端，对实时性、可靠性、数据安全的要求远高于消费端。 这些企业有一个共同特点：它们不是AI原生的。它们有几十年积累的业务数据和行业know-how，需要的不是简单调用一个API，而是把AI和自己的数据、流程深度耦合。很多企业连数字化都没完成，需要先做数据治理，再做后训练和微调，最后才是部署应用。这是一整套服务，不是一个API接口能解决的。 这也是为什么开源模型和闭源模型对云市场的拉动作用呈现出不同的节奏。闭源模型的路径更直接：客户调用API，按量付费，收入确认清晰，增长曲线漂亮。开源模型的逻辑不同，客户下载后可能在本地部署，可能用自己的GPU集群做推理，也可能在云上做后训练但不走API调用。这些使用行为同样在发生，但很难被统计。开源对云的拉动是存在的，只是更分散、更隐蔽、周期更长。 Qwen系列模型开源后，全球下载量已超过8亿次。但这8亿次下载中，有多少转化成了阿里云的收入？很难直接计算。开源是一个生态逻辑，不是一个交易逻辑。 消费端的热闹只是开始，企业级市场的AI转型才是真正的硬仗：数据治理、流程再造、组织适配，每一步都不容易。整个产业向AI的转型，还有很长的路要走。 每一个数据库产品，上线时的产品，被几十家客户打磨后几乎完全重构。每一层服务能力，都是脏活累活苦活堆出来的。基础设施的稳定性、安全性、弹性扩展能力，都不是靠讲故事讲出来的，而是靠无数次故障复盘、性能调优、架构迭代磨出来的。这些能力没有捷径，也无法速成。 MaaS的竞争也从来不是孤立的。一个企业客户调用大模型API，背后发生的事情远比“请求-响应”复杂得多。它背后是PaaS层的能力：数据怎么存、怎么治理、怎么灌进模型做训练、怎么搭建Agent工作流；再往下是IaaS层的积累：芯片、服务器、网络、存储、GPU集群调度，一整套基础设施在支撑。任何一层出了短板，整体体验就会打折扣。 这也是为什么全栈能力在AI时代变得更加重要。过去云计算的竞争，IaaS、PaaS、SaaS相对独立，客户可以分层采购，今天用A家的计算，明天换B家的数据库。但AI改变了这个逻辑。模型训练需要海量算力，推理需要低延迟网络，数据需要在安全合规的前提下流动，这些环节高度耦合，很难拆开。谁能把模型能力和基础设施能力结合得最好，打造出最高的性价比，谁才具备长期竞争力。 1996年，摩托罗拉总裁访问中国，预测到2000年中国手机用户大概有100万。结果2000年中国手机用户突破1亿，再过几年突破10亿。而那时候，摩托罗拉已经掉队了。技术变革期的预测，往往会低估市场的爆发力，也会高估短期的竞争格局。 云计算的发展从来都是一个漫长的过程，没有捷径可走。暂时的数据波动，不值得过度兴奋，也不值得过度焦虑。真正值得关注的，是谁在扎扎实实地建基础设施，谁在认真地服务企业客户，谁在为三年后、五年后的竞争做准备。