方建勇/文

现在云平台不仅有阿里云一家，还有腾讯云、华为云，除了这几家通用性云平台之外，还有一些专用的云平台。专用的云平台，可能应用于某个特定的一个方向，比如是工业用途、军事用途等，私密性、安全性的要求会比较高一些。但是，平台做起来了以后，怎样才能有效地获得平台用户，并且产生大的价值，那就需要围绕这个平台去构造生态。

像阿里云主导的智慧城市，城市大脑，在安防与交通方面投入了大量的研发力量，研发出来的成果也应用到了全国目前一些主要的城市。不过，这样的自有应用研发模式对于阿里来说存在几点不足：一是平台构建起来以后，要推行围绕平台而构造的自有生态或者是解决方案的话，它需要去雇佣大量的人才储备；一是面向于不同行业的解决方案，比如说是城市大脑、工业大脑、农业大脑等等，对于阿里云来说，也是不堪重负。第一，人才是需要去寻找、去培养的，没有一下一下子就可以找这么多人来创造这么多的应用。第二，一旦雇佣了以后，人力圈养成本非常高，而且雇佣来的人，对行业的理解可能比不过外面专业公司。

对标面向于某个具体行业的解决方案，存在着一个问题，内部研发的解决方案可能不如外部的，以阿里的自有资源去对抗全国的应用解决方案资源，应该是做不到的，也是不必要的。当然，阿里自己也有一些刚才讲到的安防和交通方面的强项，主要是基于营收方面的考量，因为安防和交通主要做的政府项目，营收方面占了阿里云平台应用的一个重头，加上他的毛利率和应收款可以保证。

安防和交通领域，对于阿里云来说，是相对优质的解决方案，这个业务阿里云可以自己做。安防和交通应用解决方案，集中度比较高，差异性小，项目有产品化的属性，是通用性的行业应用解决方案，阿里云也有意愿自己做。然而，对于其他类目较多、层级较深的细分行业，阿里云是没有能力去构造的，也没有营收值得期待。这样，市场上的细分行业解决方案的公司完全可以参与进来，这是比较有效的，阿里云则要做好自己核心的解决方案之外，更要把云计算资源、云存储，还有大量的算法模型库平台建设起来，并且运营好。

阿里云智能算法模型库主要是达摩院在负责，它会构造大量的面向于不同落地应用解决方案的算法模型，有深度学习的，也有机器学习的，它集中了目前市场上能够快速训练成型的开源模型，并且封装构造在云平台上的API应用。这些应用从当前来看，可能是达到了一些比较好的敏捷开发效果，但是，随着应用解决方案的业务向纵深发展的时候，需要算法能力的显著提升，它需要不断做迭代。算法迭代的工作，将来可能是阿里达摩院来做，但更多地可能要阿里云智能的生态合作伙伴来做，因为这些模型精度的提升和效果的优化，它需要实际应用过程当中不断地去调整，它会收集到更多的数据，然后通过这些业务数据去迭代算法模型，再加上应用场景经验的不断积累，模型与应用解决方案层的软硬件融合，它会越来越深，这其实也是一个动态的发展过程。

阿里云智能相当于把云平台和AI智能融合到了一起，通过构造生态MVP的这么一个群体，来实现阿里云智能的增值。未来AIOT是一个长远的发展方向，用户数据和解决方案会有一个蓬勃的发展。在云智能平台加生态构造的联合推动下，将来的一个方向还是有可能向头部的几家企业甚至头部的一家企业去靠拢。阿里云的计划，更多地就是围绕着这种趋势，即企业头部化趋势的这个发展方向来规划的，这是作为一个平台加生态构造的思路，是一种业务发展的逻辑。

另外，对于围绕阿里云智能的生态合作伙伴，也就是阿里云智能的MVP来说，如果不借助阿里云的背书，他自己把算法和应用解决方案融合起来达到一个比较好的性能的话，对于解决方案公司来说，是比较吃力的，因为它一方面要把解决方案给做好，给落地，另一方面他还要从一个技术层面把云平台和AI智能的两个层面也做好，战线拉得非常长。对于平台来说，AI智能本来就是打造一个相对通用的东西，会牵涉到人力、物力、财力和精力等各方面的要素，然而对于应用解决方案公司来说，不需要通用性能，而是强调行业的细分与垂直性。通过与阿里云智能的生态合作，解决方案公司可以把大量精力放到解决方案当中来，把这个事情给做好，比如说做司法领域的，就要把司法领域的解决方案做好，做工业的，就要把工业的应用解决方案做好，做农业的，就要要把农业的解决方案做好。大家把各自的主要精力放在自己需要去攻克的核心方向上，达到一个双方互利共赢的结果。

以上这些是对阿里云智能对于其生态合作活动伙伴MVP群体构造的逻辑解读。