AI與科技第 73 期

Token 就是產品，阿里巴巴 Token Hub

當中國 AI 研究的理想與商業現實碰撞時

安光涉（Oswarld）· INLEVEL9 作者與編輯

Token 就是產品，阿里巴巴 Token Hub

前言

各位訂閱者，大家好。3月3日凌晨，中國 AI 社群因一條簡短的英文訊息而沸騰。

“me stepping down. bye my beloved qwen.”

這是阿里巴巴 Qwen1 模型負責人林俊旸在社群媒體上留下的告別語。他是阿里巴巴歷史上最年輕的 P102 高階主管，也是將 Qwen 打造為全球矚目的開源 AI 生態系統的核心人物。在他告別僅 13 天後，阿里巴巴正式宣布成立 Alibaba Token Hub（ATH） 新事業部。

若僅視為組織改組，這個時點未免太意味深長了。本期電子報將探討 ATH 不僅僅是組織架構調整，更是阿里巴巴 AI 商業化策略的宣言，並一起看看背後的結構性張力。

Alibaba Token Hub 到底是什麼

ATH 是將原本分散的阿里巴巴 AI 相關組織整合為一個的事業部。於今日（2026年3月16日）正式啟動，由 CEO 吳泳銘（Eddie Wu）親自掛帥。從納入的組織就能看出其規模。

  • 通義（Tongyi）研究院：阿里巴巴的基礎模型3研究組織
  • MaaS（Model-as-a-Service）事業部：雲端 AI 模型服務
  • Qwen 事業部：消費者端 Qwen 應用程式及開源模型
  • 悟空（Wukong）事業部：圖像・多模態 AI 品牌
  • AI 創新事業部：新 AI 產品孵化組織

此外，企業協作平台 釘釘（DingTalk） 以及包含智能眼鏡等在內的裝置品牌 夸克（Quark） 也納入 ATH 旗下。研究、產品、設計、銷售被整合到同一指揮體系之下。

吳泳銘 CEO 在內部信中如此定義 ATH 的設立原則：

“ATH 以一個組織原則為核心建構：創造 Token（create tokens）、交付 Token（deliver tokens）、應用 Token（apply tokens）。”

這簡短的三句話就是本期電子報的核心。

以「Token」為名的策略宣言

在事業部名稱中嵌入「Token」4並非偶然。在 AI 服務中，Token 是計費的基本單位。OpenAI、Anthropic、Google 在制定 AI 服務定價時使用的標準就是「每 Token 價格」。

阿里巴巴將新事業部命名為「Token Hub」，是對外發出的明確訊號。「我們不再是 AI 研究組織，而是一門賣 Token 的生意。」這個宣言之所以有趣，是因為中國 AI 市場此刻正朝完全相反的方向發展。

在 DeepSeek 引發的價格戰之後，阿里巴巴將 Qwen API 價格從每百萬 Token 1.1 美元降至 0.07 美元，降幅達 93%。在中國 AI 企業刻意將 Token 價格趨近於「零」的策略下，阿里巴巴卻建立了 Token Hub。這看似矛盾，其實有其邏輯一致性。

中國 AI 企業真正的盈利模式並非 Token 銷售本身。而是以近乎免費提供 Token 的方式，透過雲端基礎設施、電子商務、企業軟體來獲利。阿里巴巴內部統計顯示，使用 Qwen 副駕駛的淘寶賣家轉換率提升了 16%~22%。Token 是工具，錢是別處賺的。

那麼 ATH 的真正目的可以這樣理解：將從 Token 生產到生態系統商業化的全流程整合為一條管線。將釘釘（企業協作）和夸克（裝置）放在同一屋簷下，也應在此脈絡下理解。打造「建構模型（Tongyi Lab）→ 以 API 銷售（MaaS）→ 以 App 留住消費者（Qwen App）→ 嵌入企業工作流程（DingTalk）→ 以裝置鎖定（Quark）」的全棧生態系統。

中國 AI 的商業化困境——難以賣 Token 的市場

要理解 ATH 成立的脈絡，必須了解中國 AI 市場的結構性特殊性。

西方 AI 企業可以透過訂閱費或 API 計費直接獲利。ChatGPT Plus 每月 20 美元，Anthropic 的 Claude Pro 也是類似結構。 而中國消費者對軟體訂閱費相當吝嗇。大多數中國 AI 應用程式是免費或廣告驅動的。結果，中國 AI 企業的盈利模式相當間接。

字節跳動採用讓豆包（Doubao）將抖音（Douyin）使用時長增加約 11% 來最大化廣告收益的模式。同時也利用各地方政府的算力補助（以上海、深圳為基準 20%~40%）來降低基礎設施成本。

在此環境下，阿里巴巴將 Qwen API 價格降低 93% 是合理選擇。因為吸引開發者入場和擴大生態系統比直接計費更重要。 事實上，Qwen 模型家族在 Hugging Face 上的累計下載量已突破 10 億次，超過 200 萬名開發者在使用。僅基於開源 Qwen 模型微調5的衍生模型就超過 18 萬個。全球企業採用也在增加，Airbnb CEO 甚至公開表示「我們用 Qwen，快又便宜」。

問題在於這些令人印象深刻的數字並未直接轉化為收益。開源模型任何人都可以免費下載使用。阿里巴巴以 Qwen 品牌建立了全球最大的開源 AI 生態系統，但直接收割果實的機制尚未完成。ATH 的成立就是阿里巴巴對這個問題的回應。

Qwen 人才流失揭示的衝突——研究者 vs. 管理者

理解 ATH 的另一把鑰匙是 Qwen 團隊的連鎖離職。

2026年1月，Qwen Code 負責人灰彬元（Hui Binyuan）跳槽至 Meta。3月3日，技術負責人林俊旸辭職，同日後訓練6負責人余博文（Yu Bowen）也離開了團隊。僅今年就有三位 Qwen 高階主管離職。

多位了解內部情況的相關人士共同指出的原因是組織結構變革與策略方向的衝突。林俊旸主導的 Qwen 是語言、圖像、程式碼、影片等多模態7由一個團隊垂直整合的創業公司式運作。但阿里巴巴管理層試圖將其轉為按預訓練、後訓練、多模態等功能劃分的水平分工結構。林俊旸追求的理念與管理層期望的方向正面衝突。

這種衝突的結構其實並不陌生。OpenAI、Google、Meta 都經歷過類似的裂痕。研究者重視技術完成度和開源生態系統，管理者則關注 DAU（日活躍用戶）和雲端收益。在阿里巴巴，這種衝突特別顯性化的原因是 Qwen 團隊規模相對過小。 字節跳動 Seed 團隊僅基礎模型訓練就動用約 1,000 人，而 Qwen 團隊以約 100 人處理類似工作。在此環境下，對資源分配和組織方向的積怨是結構上可預見的結果。

ATH 的成立既是這場衝突的產物，也是解決方案。CEO 親自領導 AI 組織，並發出「強化 AI 業務整體的策略協作，同時保持快速行動的靈活性」的訊息，也是對內部的穩定訊號。

奧茲的視角

老實說，我在 ATH 成立的消息中看到的不是科技新聞，而是經營策略轉向的宣言。

解讀吳泳銘「創造 Token、交付 Token、應用 Token」的表述，可以這樣理解：創造（產品）→ 交付（通路/平台）→ 應用（客戶成功/內化）。這是一套經典的全棧 GTM 管線。阿里巴巴終於決定將 AI 視為「市場上銷售的產品」而非「研究專案」。

有一個有趣的張力。Qwen 的全球影響力來自開源策略。Airbnb 能將 Qwen 用於客戶服務代理，是因為模型可以自由下載。但 ATH 越專注於商業化，開源承諾就可能被削弱。就像 Meta 在 Llama 4 之後調整了開源策略，也有分析認為未來 Qwen 旗艦模型可能被鎖在付費 API 之後。

在我看來，核心風險是開發者信任。Qwen 能催生 18 萬個衍生模型，是因為開發者相信「這個模型會持續保持開放」。林俊旸就是那份信任的面孔。在 ATH 體制下能否維持那份信任，我暫時保留判斷。

中國 AI 的結構性困境最終就是：消費者不付費、開源無收益、雲端商業化競爭激烈。 我期望「Token Hub」這個名字蘊含著答案，但名字無法取代策略。

結語

本期電子報用三句話總結如下：

第一，ATH 是阿里巴巴將 AI 從研究資產轉為盈利事業的公開宣言。 第二，其背後是 Qwen 人才流失所揭示的「研究者邏輯 vs. 經營邏輯」衝突。 第三，真正的試金石是能否在維持開源生態系統信任的同時推進商業化。

分享一個值得思考的問題：不妨將「創造 Token、交付 Token、應用 Token」這條管線套用到你們的業務或組織中看看？ 建議檢視哪個環節出現瓶頸，以及目前投入精力的地方是否真的是創造價值的所在。

參考資料 & 延伸閱讀

作者 安光涉（Oswarld） 現任世宗大學兼任教授，INLEVEL9 策略顧問。職涯經歷、研究、著作與近期活動會持續更新在作者介紹。 最新動態 · 2026年7月：HEMA-2: A Consolidation-Aware Tri-Memory Architecture with Multi-Channel Scheduling for Lifelong Conversational AI。

각주

  1. Qwen（千問）：阿里巴巴雲開發的大型語言模型家族。其中開源模型在全球開發者社群中尤其受歡迎，累計下載量已突破 10 億次。 ↩

  2. P10：阿里巴巴內部職級體系中的最高級資深技術專家等級。相當於高階主管，僅授予少數經技術專業性認可的人員。 ↩

  3. 基礎模型（Foundation Model）：如 GPT 或 Qwen 般以大量數據預訓練的通用 AI 模型。可以理解為針對特定任務進行額外訓練之前的原始模型。 ↩

  4. Token：AI 語言模型處理文字的基本單位。英文一個單字約 1~1.5 個 Token，韓文一個字約 1~2 個 Token。AI API 通常以「每百萬 Token 多少錢」來定價。一張 A4 紙的篇幅大約是 500~700 個 Token。 ↩

  5. 微調（Fine-tuning）：在已訓練的基礎 AI 模型上，以特定領域的數據進行額外訓練。將通用模型轉化為針對醫療、法律、程式碼等特定用途最佳化的專業模型的过程。 ↩

  6. 後訓練（Post-training）：基礎模型訓練之後進行的額外訓練過程。包括依人類偏好改善回應，或調整以符合特定格式與安全標準。 ↩

  7. 模態（Modality）：AI 能處理的數據類型。文字、圖像、語音、影片等各自為一種模態。能同時處理多種類型的 AI 稱為「多模態（multimodal）AI」。 ↩

延伸閱讀

第 68 期AI與科技

一個 Token 的價格所改變的一切

不是開放模型變「夠用」了，而是能使用 AI 的團隊範圍正在改變。

第 67 期AI與科技

MAU 時代的終結，MRR 也再也無法相信了？

AI 公司所炫耀的「年營收」，不過是本月營收乘以 12 的數字罷了。

第 62 期AI與科技

我們問了 81,000 個人：「你希望 AI 幫你做什麼？」

人們真正想要的，不是更快的業務，而是業務之外的生活