2026年9月22日、杭州国際博覧センター。Apsara Conference 2026 が開幕しました。
アリババグループCEOの呉泳銘（エディ・ウー）氏による基調講演は、今年のカンファレンス全体を貫くテーマを、1つの数字から語り始めました。
「将来、機械による思考の総量は人類の思考総量の1000倍以上に達するだろう。今日のその割合は3％未満に過ぎない」
この予測を否定することは容易です。「誇張されたマーケティングだ」と一蹴することもできます。しかし、その予測を真実と受け止めて自社の技術戦略を再検討する――それが、アリババが1日目のkeynoteで示した大量の発表を貫くロジックです。本記事では、Apsara Conf 2026 の主要講演を技術者視点で深掘りし、「機械知能時代」のインフラがどう設計されようとしているかを整理します。
※本記事は公開セッション資料ベースのキャッチアップです。内部限定情報は含めていません。
目次
- CEO基調講演: 3本の柱
- 柱1: モデル — Qwen3.8世代の全貌
- RSI: 再帰的自己改善という「実験フェーズ」
- 柱2: チップ — 真武V900と自前インフラ論
- 柱3: クラウド — 20GWとAgentic Cloud
- Agentic Cloudの設計思想: Agentを第一級市民にする
- Qoderに見る「コーディングの問いの転換」
- Smart Fusion: マルチモデル協調の実装思想
- エンタープライズAgentの実務: 5軸の設計フレーム
- エンジニアが持ち帰るべきチェックリスト
1. CEO基調講演: 3本の柱
呉氏は、AIモデル・AIチップ・AIクラウドを「機械知能時代の3本の柱」と位置づけ、長期戦略としての確固たる投資を宣言しました。
注目すべきは、この3本柱が「供給制約」から逆算されている点です。現在の顧客のAI需要は極めて強く、中長期的な需要は供給能力を大きく上回っている――特にAIデータセンターのサプライチェーンにおける世界的な不足（GPU、電力、冷却、光モジュール）がコンピューティングパワーの成長速度を制限している。だからこそ、モデル（需要側の効率化）・チップ（供給側の内製）・クラウド（供給能力のスケール）の全層に投資する、という構図です。
この文脈を押さえると、個別の発表が「なぜ今これなのか」の背景で理解できるようになります。以下、順に見ていきます。
2. 柱1: モデル — Qwen3.8世代の全貌
2.1 Qwen3.8-Max: スペックとベンチマーク
まず、8月にオープンウェイトとして公開された旗艦 Qwen3.8-Max の全体像から。
| 項目 | スペック |
|---|---|
| 総パラメータ | 2.4T |
| アクティブパラメータ（1トークン生成あたり） | 95B |
| コンテキスト長 | 1M |
| 提供形態 | Maxスケールで初のオープンウェイト＋マルチモーダル |
ベンチマークのポジション:
- Text: #5（Arena AI Text 1496 Elo。#2相当という見方もあります）
- Agentic: #1
- Vision: #2
- Coding: #1 / WebDev #1
- Terminal-Bench 2.1: 93.3（コード補完ではなく「タスク遂行」の指標）
注目したいのは「Coding #1」と「Agentic #1」の組み合わせです。Terminal-Benchは実際にターミナル上でツールチェーンを駆使してタスクを完遂する能力を測るベンチマークで、ここで93.3というスコアは、モデルが「コードを書く」段階から「タスクを終わらせる」段階へ評価基準が移動したことを示しています。
技術的に興味深いのは、Qwen3.8-Maxがプロトコル互換性を明示している点です。OpenAIプロトコルとAnthropicプロトコルの両方に対応し、Claude Code、Codex、Cline、OpenCode、Qwen Code といった既存のエージェントハーネスにそのまま組み込めるとされています。エージェントフレームワークのモデル差し替えコストがほぼゼロになったことは、採用障壁を大きく下げる要因です。また、reasoning_effort パラメータ（xhigh/medium/low）での思考深度制御、バッチ推論の50%割引など、実運用を意識したAPI設計も見受けられます。
2.2 Qwen3.8-Flash: 「コスト1/9」の中核モデル
もう1つの主役は Qwen3.8-Flash です。アーキテクチャ面で読み取れる要点を整理します。
構造:
- 125B total / 6B active per token
- Attention: GDN + QSA を3:1で混在
- Residual: ゲーテッド4分岐
- Embedding: 51B N-gramテーブル（推論時のルックアップで効果を発揮する巨大な暗記層）
- 最適化: Muon（モーメンタム直交化）
効率:
- トレーニングFLOPS: 前世代Plus比 1/9
- 価格: Input $0.15/M、Output $0.47/M、キャッシュヒット時 $0.016/M
- 1Mコンテキスト、プレフィックスキャッシュヒット率90%
性能向上（前世代比）:
- DeepSWE 1.1: 16.5 → 58.7
- JobBench: 27.6 → 55.7
- Toolathlon: 50.6 → 73.5
「安いモデルでエージェントワークフローがどこまで動くか」の答えがここにあります。実務では、多くのステップがルーチン（文脈取得、整形、要約）で、一部だけが難所（計画、複雑推論）です。Flashがルーチン層を引き受け、Maxが難所に集中する構成のコスト効率は、単一モデル運用と比較して桁違いに変わる可能性があります。
2.3 16日間の自律コーディング実験
基調講演で最も大きな反響を呼んだのが、Qwen3.8-Maxの完全自律実験でしょう。
全体設定:
- 16日間、完全自律（人間はループ外）
- 成果: 265 commits / 127 PRs / 151 issues
- ツールチェーン全体を自己修復的に駆動
ドメイン別の結果:
| ドメイン | 実験内容 | 結果 |
|---|---|---|
| 研究 | 論文の結果を再現して改善するエージェント | 33ラウンドのGPU訓練反復、AIME24 49.58 → 52.29 |
| 事務 | 数百職種の専門文書生成 | 1時間で1,284条項、修正ラウンド0回 |
| チップ設計 | RTLから配置配線まで（参照なし） | ゲート数 8,298 → 678（ダイ面積−81%）、500MHzクロージャ |
| クォンツ | 約330サブエージェント、約6,000バックテスト | 超過Sharpe 0.64〜1.48を達成 |
「生成AIのROIが出ない」という議論が続く中で、この種の長時間継続の自律実験は「タスクの完了率」自体を引き上げる方向性を示しています。特にチップ設計の例は、EDAツールチェーンのような複雑な外部ツール群をエージェントが自律的に制御できるようになったことを意味し、応用範囲への想像力を広げてくれます。
2.4 モデルファミリーの厚み
基調講演では、モデルファミリーの展開も整理されました。
- LLM: Qwen-Max / Plus / Flash / Omni / Translate
- 画像・動画: Qwen-Image（8月の3.0で写実性・テキスト描画・精密編集が大幅向上）、HappyHorse
- 音声・音楽: Qwen-Audio
- ワールドモデル: Happy Oyster / Happy Shrimp
OSS累計は460モデル超、ダウンロード30億回、派生モデル25万。2023年のQwen誕生からほぼ3年でこの数字に達したスピードは、Llama系を押しのけてデファクト化が進んでいることを裏付けています。次世代のQwen4はすでにトレーニング中で、Qwen4.5/Qwen5では総パラメータを5〜10兆規模に拡大する計画も公表されました。
3. RSI: 再帰的自己改善という「実験フェーズ」
呉氏の講演とQwen責任者・劉大一恒氏の講演で繰り返し言及されたのが RSI（Recursive Self-Improvement: 再帰的自己改善） です。
ポイントを整理すると:
- QwenはRSIの探索をすでに開始
- Qwen3.8-Maxが人間の介入ほぼゼロで、トレーニングプロセスの自律構築・実験設計・欠陥特定を実施
- 1か月以上継続して33ラウンドの有効反復を完了
- Artificial Analysisスコアを40 → 45へ引き上げ
「モデルがモデルを訓練する」は、AI研究の長年の夢であり、安全性の観点で最も慎重に議論される領域でもあります。アリババはこれを「危険な予言」ではなく「管理された実験」として提示しました。自己改善のループ自体は限定されたタスク（ベンチマークスコア改善）に閉じており、汎用知能の自己増強には程遠いものの、「人間のフィードバックなしでモデルが改善できるか」という問いに対する最初の実証データが蓄積され始めた、と位置づけられるでしょう。
技術的に面白いのは、Flashのトレーニングコストが1/9になったこととRSIが組み合わさったとき、自己改善実験の反復コストも1桁下がることです。実験サイクルの高速化が、発見そのものを加速するという複利構造が見え始めています。
4. 柱2: チップ — 真武V900と自前インフラ論
4.1 スペック
平頭哥（T-Head）が発表したトレーニング・推論一体型AIチップ 真武（Zhenwu）V900:
| 項目 | 値 |
|---|---|
| 単一チップ性能 | 真武M890の3倍（現行シリーズ最速） |
| VRAM | 216GB |
| チップ間相互接続 | 1200GB/s |
| 精度 | FP8 / FP4 をネイティブサポート |
| クラスター拡張 | 単一クラスターで最大50万カード |
| 量産 | 2027年第1四半期 |
4.2 なぜ自前チップなのか
「NVIDIAを買えばよい」という反論には、2つの供給制約が答えとして提示されました。
第1に物理的供給。 AI需要の伸びに対して、先進チップの供給は全世界で律速しています。主要クラウド事業者が自前シリコンに舵を切るのは（Google TPU、AWS Trainium/Inferentia、そしてアリババ）、需要の一部を自らの手で満たすための合理戦略です。
第2に工作負荷への最適化。 216GBの大容量VRAMは、2.4Tパラメータ級モデルの推論を単一ノードでほぼ賄えるようにする設計だと読めます。FP4サポートは、推論の帯域制約（メモリバウンド）に対する回答です。トレーニングと推論の一体型設計は、クラスターリソースを1つのプールとして運用する「Lingjun」アーキテクチャ（後述）と噛み合っています。
4.3 「50万カード」という数字
単一クラスター50万カードは、OpenAIやAnthropicの最大級クラスタと同等規模です。2027 Q1の量産時期を考えると、これは「アリババは自前チップで米中最大級の訓練・推論容量を自給できる」という宣言であり、政治的リスクヘッジと供給保証の両面を持ちます。
5. 柱3: クラウド — 20GWとAgentic Cloud
5.1 2032年までに20GW超
呉氏はAIクラウドを「機械知能時代のスーパーパワーグリッド（超巨大電力網）」と例えました。長期目標は2032年までにグローバルデータセンター規模を20GW超に拡大することです。
参考として、現在の世界の総データセンター容量（従来型込み）は数十GW規模とされます。AI workload特化で20GWは、単一企業として史上最大級のインフラ建設計画です。電力確保（再エネ契約）、冷却、光ファイバー供給網を含むサプライチェーン投資が、この目標の実体です。
5.2 グローバルフットプリント
Jason Wu氏（VP of R&D、Elastic Computing Service責任者）の講演からの数字:
- グローバル: 31 public cloud regions / 107 AZs / 3,200+エッジノード / 50+ MSPパートナー
- 中国本土外: 17 regions / 44 AZs / 900+エッジノード / 18の現地サービスチーム
- 2026年新設: フランス（パリ）、マレーシア（ジョホール）、ブラジル（サンパウロ）、日本、韓国、メキシコ
日本からの利用者にとっては「日本リージョン」の存在が実用面での朗報です（後述のMaaS提供も参照）。
5.3 Lingjun: AIクラウドの計算エンジン
インフラの技術的中核が Lingjun（灵骏） です。
- HPN 8.0: 訓練と推論を統合する高性能ネットワークアーキテクチャ
- 800G NICによるバックエンドGPU相互接続
- 25.6Tbps専有スイッチ（102.4Tbpsへの拡張設計）
- 1クラスター最大13万GPU、2層ネットワーク・デュアルプレーン冗長
- 平均インスタンス可用性99%、インスタンスライフサイクルセキュリティ99.7%
- CIPU 2.0: KVCacheStore/CPFS/EBSへの40GB/s、VPC 320Gbps、eRDMA 320Gbps・8μsレイテンシ
KVCacheの専用ストアとeRDMAの低レイテンシは、推論サーバーのスループットを左右する要素です。訓練と推論で分かれていたネットワークを統合するHPN設計は、リソースの稼働率を最大化する現実的な設計判断に見えます。
自社開発ハードウェアのラインナップも厚い: 盘久（サーバー）、磐邁（Smart NIC）、億天（サーバーCPU）、810E/M890/V900（AIチップ）、ICNスイッチ、スケールアップ相互接続チップ。
6. Agentic Cloudの設計思想: Agentを第一級市民にする
Junhua Wang氏の講演「Alibaba Agentic Cloud Evolution」は、概念的に最も興味深い内容でした。
6.1 顧客調査が示す現実
まず数字から:
- Agent採用はスケールアップ実験段階。59.9% が試用または安定利用
- 中核価値としての回答: 「効率向上」「24/7運用」「インテリジェント分析」
- 深く依存しているのは5%のみ。ボトルネック: 安定性とセキュリティ
- 72.2%が「アシスタントモード」を受け入れ（自律モード67.3%を上回る）
- 6か月後の深浸透予測: 26.3%（Agentタスク比率40%以上）
つまり「Agentは欲しいが、自律性への信頼が足りない」。このギャップを埋める設計が Agentic Cloud の核心です。
6.2 Cloud → Agentic Cloud の転換マップ
| Cloud時代 | Agentic Cloud時代 |
|---|---|
| 主な相互作用: 人間 | 主な相互作用: Agent |
| Elastic Computing | Elastic Task Execution |
| 推論サービス | 推論プラットフォーム |
| 同種スケジューリング | 異種スケジューリング |
| データガバナンス | タスクガバナンス |
| リソース課金 | タスク課金 |
「タスク課金」は革命的な概念です。VM時間やトークン数ではなく「完了したタスク」単位の課金は、AgentのROI測定を根本から変えます。これが実現すると、エンジニアリング組織のKPIは「生成トークン数」から「完遂タスク数」へ移行します。
6.3 新製品群の全体像
発表された新製品12・新提供形態20・新機能6のうち、主要なもの:
Agentカタログ層:
- ADA（管理Agent）、AIDBS（データAgent）、Security Agent、STAROps（運用Agent）
- サードパーティ: Dify、LangChain、OpenCode、Qwen Code、OpenClaw
開発・ガバナンス層:
- MCP/API、Agent Orchestration、Search、Browser、Coder
- Agentloop、Agent Observability、AgentCore
セキュリティ層:
- Agent Identity & Permission、AI Gateway、Agent Gateway
- SASE、Agent Security Center、AI Guardrails、Code Security
実行層:
- Agentic OS、Agent Computer、Agentic Desktop
- PAI（Model Gallery/DLC/EAS）、KVCacheStore、Tair-KVCache
ストレージ・データ層:
- Agentic DiskPool/AgenticFS（EBS/NAS）、Agent Sandbox
- Milvus、ADB、Holo、TableStore
「Agent Sandbox」に象徴されるように、Agentが安全にコードを実行し、データを扱うための専用リソース概念がインフラの各層に追加されています。
7. Qoderに見る「コーディングの問いの転換」
William Yao氏（Qoder Senior Staff Engineer）の講演は、AIコーディングの成熟した視点を提示しました。
7.1 生成率という見栄えだけの指標（バニティメトリクス）
53% → 80-90%（チームのレビューパイプラインで測定）。AI生成コード比率が上昇したにもかかわらず、リリースサイクルタイムに意味のある変化はなかった。開発者の作業負荷も同じ。
「より多くのコードを生成し、同じソフトウェアを出荷している。律速はタイピング速度ではなかった」
これは多くの組織が直面する現実を言語化した一文です。
7.2 4つの失敗モード
なぜか。ボトルネックが移動したからです。いずれもモデル能力の問題ではありません:
- 場当たり的な生成: 生成コードがアーキテクチャ・業務文脈から乖離
- レガシーリスク: 暗黙の依存関係が未検証の生成を危険にする
- 長対話ドリフト: 長い会話の中で制約がモデルの作業セットから消える
- コンテキストウィンドウ: 大規模リファクタリングは単一会話容量を超える
「書くこと（Writing）は安くなった。仕様化と検証（Specifying and verifying）は高価なまま残っている」
7.3 文脈を資産化する
この問題へのQoderの回答は Knowledge Engine です。4つの成果物:
- Repo Wiki: 読める形のアーキテクチャ文書
- Knowledge Graph: 検索可能な契約・依存関係
- Memory: セッションをまたぐプロジェクト規約
- Knowledge Cards: タスク型に整形された可搬な文脈
効果の定量データ: SWE-bench Pro（40の複雑ケース、各3回）で、タスクスコア 30.2 → 38.4（+27.1%）、分散 11.1% → 6.4%、トークン消費 −6.1%。ターン数・ツール呼び出し数・実処理時間（ウォールクロック時間）も減少。
7.4 Spec-driven・harness-governed
開発プロセスの転換:
- 開発者は要件定義者・レビュアー・検証者になる
- Specify → Plan → Implement → Validate の流れ
- アーキテクチャ規約をCIで強制（レイヤー境界違反はレビュー前にfail）
- Agentはサンドボックスで実行し、エラーログを読んで自己修正します
これは単一ツールの話ではなく、ソフトウェアエンジニアリングの職務記述書そのものの変化を示唆しています。
8. Smart Fusion: マルチモデル協調の実装思想
Jeffrey Zhang氏（Head of Industry AI R&D, INTL）が紹介した Smart Fusion は、実務に直結するピースです。
8.1 「すべてのステップが等価ではない」
エージェントタスクを分解すると:
- 大半のステップ: ルーチンでコスト敏感（文脈取得、整形、要約）
- 一部のステップ: 難しく、結果に直結（計画、複雑推論、最終出力）
全ステップをフロンティアモデルで処理すれば高品質だが、すべてのルーチントークンにプレミアム価格を払うことになる。逆に効率モデルのみで構成すると、難所で破綻します。
8.2 アーキテクチャ
Smart Fusionは1つのAPIの裏で:
- プロンプトが最大 50コール に展開（文脈取得、グローバル計画、コード生成、セルフチェック、要約）
- Jev式判定モデル（自己訓練、ルールテーブルではない）がコールごとに戦略を決定
- 戦略は3種類:
- 単一効率モデル（安価・大量のステップ）
- 単一フロンティアモデル（明確な答えがある難ステップ）
- 複数フロンティアモデルの融合（クリティカルステップ: 並列実行・相互チェック・統合）
- 非構造化入力 → 構造化出力の高速・安価な処理
8.3 結果
- フロンティアモデル価格の約50%
- Token消費 40〜50%削減
- スループット +505%
- DeepSWE・Terminal-Benchでフロンティア級品質を維持
- 同じGPU上のOSSフレームワーク比: TTFT −86%、レイテンシ −90%
「コール粒度のモデルルーティング」を自社実装するチームにとって、この設計思想（判定を別モデルに学習させる、クリティカルステップは複数モデルで相互検証する）はそのまま参考になるパターンです。
同じ講演では Smart Series の兄弟製品も紹介されました:
- Smart Studio: ホワイトラベル・商用グレードのMaaSプラットフォーム。自社GPUで推論、自社ブランドでAI事業を数分で立ち上げる
- Smart Video: Agent-Nativeな長編動画制作（短編ドラマ・広告向け）。1文の入力から完全な動画を制作、1時間級の映像をあらゆる言語・市場へ
9. エンタープライズAgentの実務: 5軸の設計フレーム
Qi Zhou氏（VP of R&D、Cloud Native Application Platform）の講演は、エンタープライズでAgentを実運用するための設計チェックリストとして読めます。
9.1 ライフサイクル
Build & Onboard → Collaborative Execution → Improve & Accumulate
（定義・構築） （実行・協働） （蓄積・改善）
Buildの多様な入口:
- クイック作成（ノーコード、完全設定型）
- 管理されたハーネス（QwenPaw、Hermes、Qoder CLI）
- Pro-code（LangChain/AgentScopeネイティブSDK）
- オンボード（OpenAPI、CI/CD）
- 登録済みAgentの再利用
Improveの資産:
- トレースとフィードバック
- 評価セット・バージョン・回帰テスト
- 知識・記憶、スキル・ツール、品質ベースライン
「Agentの評価セットを回帰テストのように管理する」という発想は、ソフトウェア工学の既存の規律をそのままAgent開発に適用するものです。
9.2 マルチAgent協働
- Leader-Worker方式: Leaderがタスク分解、Workerが実行、人間が是正・承認
- Human-in-the-loop: IM経由のリアルタイム介入、情報追加、重要ステップの承認
- 文脈管理: デジタル会議室、並列文脈の分離、プロセス全体の可視化
9.3 セキュリティ: 二重ゲートと一元監査
エンタープライズ導入の最大ハードルであるセキュリティに対する回答:
- インバウンドゲート: 認証・認可（フェデレーション認可を含む）
- アウトバウンドゲート: 認証情報交換と注入
- プレーンテキスト認証情報なし: 認証情報ボールト+OAuthグラント、実行時注入、短期トークン
- 一元監査台帳: エンドツーエンドのトレーシング、ActionTrail記録、透明・リプレイ可能・失効可能
AgentがAgent自身のアイデンティティで外部システムにアクセスする（ユーザー身分の借用ではない）設計は、今後のエンタープライズ標準になりうるパターンです。
10. エンジニアが持ち帰るべきチェックリスト
最後に、今回のキャッチアップから実務への応用を箇条書きでまとめます。
モデル選定:
- Qwen3.8-Max（2.4T/1M ctx）をエージェント・コーディング用途の候補に入れる。Terminal-Bench 93.3、OpenAI/Anthropic両プロトコル対応で差し替えコストほぼゼロ
- ルーチン層はQwen3.8-Flash（$0.15/M、キャッシュ$0.016/M）で。単一モデル運用より桁違いにコストが変わる可能性
- 1Mコンテキストと90%プレフィックスキャッシュヒットを前提にしたアーキテクチャ設計（system promptの共通化など）
エージェント設計:
- 「生成コード比率」ではなく「リリースサイクルタイム」で効果測定する
- 文脈を資産化する: Repo Wiki、Knowledge Graph、Memory、Knowledge Cardsをプロジェクト資産として管理
- 評価セットを回帰テストのようにバージョン管理する
- Agentに渡す認証情報は実行時注入・短期トークン化を前提に設計する
マルチモデル運用:
- ステップ粒度のモデルルーティングを検討する。判定はルールテーブルではなく学習モデルで（Smart Fusionの思想）
- クリティカルステップは複数モデルの並列相互検証で品質を担保する
キャッチアップ継続:
- Qwen4のリリース（トレーニング済み・公開間近）をウォッチする
- 真武V900量産（2027 Q1）とクラスター提供開始をウォッチする
- Agentic Cloudの「タスク課金」がどの製品から実装されるかをウォッチする
まとめ
Apsara Conf 2026 は、単発のモデルリリースの発表会ではありませんでした。「機械の思考総量が人類の1000倍になる」という未来仮説に対して、モデル（Qwen3.8世代とRSI）・チップ（真武V900）・クラウド（20GWとAgentic Cloud）の3層すべてに即答を用意した、という包括的な戦略提示です。
個別の発表はどれも興味深いのですが、それらが「供給制約から逆算された整合的なシステム」として設計されている点に、今回のカンファレンスの本質があると感じました。
そして日本リージョナルフォーラムの4社の事例は、この戦略が「絵に描いた餅」ではなく現場に届き始めていることを示していました。円谷フィールズHDとフジ・ネクステラ・ラボはコンテンツ制作パイプラインの再設計に、パナソニックは中国現地でのAI・データ基盤運用に、AnyMindはAI配信の5.0世代に取り組んでいます。「使うかどうか」の議論は現場では終わっており、問いは「どう差別化するか」に移っています。
あなたのチームでは、Agent-firstなインフラ設計についてどう考えていますか？コメントで意見をお寄せいただけると嬉しいです。
参考リンク（公開情報）:
- Apsara Conference 公式: https://www.alibabacloud.com/apsara-conference
- Qwen モデルファミリー: https://qwen.ai / https://huggingface.co/Qwen
- Alibaba Cloud Model Studio: https://www.alibabacloud.com/product/modelstudio