Apsara 2026 ng Alibaba: Higanteng Modelo, Realidad ng Maliliit na Modelo

Ang pinakamalaking AI conference sa China tuwing Setyembre ay ang Apsara Conference ng Alibaba Cloud sa Hangzhou. Dalawang kuwento ang nasa keynote ngayong taon. Ang isa ay tungkol sa laki: isang modelong ilang beses na mas malaki kaysa sa anumang nasanay ng Alibaba. Ang isa pa, halos padaplis lamang, ay tungkol sa isang maliit na open model na talagang ginagamit ng mga developer. Para sa mga marketer sa Asya, maaaring mas mahalaga ang ikalawang kuwento.

Ano ang nangyari

Ayon sa Reuters, sa pamamagitan ng The Standard, sinabi ni Alibaba CEO Eddie Wu noong 22 Setyembre na nagpaplano ang Qwen team na magsanay ng bagong modelong may 5 hanggang 10 trilyong parameter, na nakatuon sa mas kumplikado at mas pangmatagalang gawain. Ang kasalukuyang flagship ng Alibaba, ang Qwen 3.8 Max, ay may 2.4 trilyong parameter. Sinabi rin ni Wu na nagkaroon ang team ng "makabuluhang pag-unlad" sa recursive self-improvement, ipinakilala ang Zhenwu V900 AI chip mula sa T-Head unit ng Alibaba na may tatlong beses na performance ng nauna rito, at nagtakda ng target na lumampas sa 20 gigawatts ang pandaigdigang data-centre capacity ng Alibaba Cloud pagsapit ng 2032. Sinabi niya: "Higit na nalalampasan ng mid-to-long-term na demand ng industriya ang aming kakayahang mag-supply."

Sa teksto ng keynote na inilathala sa Alizila, tinawag ni Wu ang open-source na Qwen-27B na "ang pinakasikat na modelo sa mga developer sa buong mundo" at sinabing patuloy na pipinuhin ng Alibaba ang mga modelo para sa lokal na deployment. Sinabi rin niyang inaasahan niyang magiging pangmatagalang "residente" ng cloud ang mga agent, na nagpapatakbo ng mga long-horizon na gawain at tuloy-tuloy na kumukonsumo ng compute.

Bakit ito mahalaga

Para sa isang regional marketer, ang karera sa trilyong parameter ay kadalasang panonood lamang. Gagamitin mo ang ganitong mga modelo sa pamamagitan ng API, kung gagamitin man. Iba ang open at lokal na maide-deploy na modelo. Ito ay isang bagay na kayang patakbuhin ng iyong kumpanya o vendor sa sarili nitong imprastraktura, sa hurisdiksyong pinili nito, na naka-fine-tune sa sarili nitong data.

Mahalaga iyan sa Asya dahil sa mga praktikal na dahilan. Nag-iiba-iba ang mga patakaran sa data residency sa buong rehiyon. Maraming kumpanya ang hindi komportableng magpadala ng customer data sa isang dayuhang API. At hindi mahusay na napagsisilbihan ang mga wika at kultural na reperensya sa Southeast at East Asia ng mga modelong pangunahing tinono sa English. Natutugunan ng isang may-kakayahang mid-sized na open model na maiaangkop nang lokal ang tatlong ito.

Ang komento ni Wu tungkol sa mga agent bilang "residente" ng cloud ang isa pang senyales. Kung tuloy-tuloy na tumatakbo ang mga agent, nagiging strategic na variable ang gastos bawat gawain. Ang mga episyenteng modelo ang magpapatakbo sa karamihan ng trabahong iyon.

Ang sinasabi ng aking pananaliksik

Iginiit ko sa Forbes na sa marketing, mas mahalaga ang teknik kaysa sa laki ng modelo. Ang isang mas maliit na modelong mahusay na naiangkop sa iyong audience, wika at gawain ay kadalasang nananalo laban sa isang higanteng general model na ginagamit nang pabaya.

Ipinapakita rin ng aking pananaliksik kung bakit mahalaga ang lokal na pag-aangkop. Sa I Know Where You Are Coming From (AAAI 2020), natuklasan namin na binabago ng social network na pinag-aaralan ng isang modelo kung gaano ito katumpak. Sa Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022), ipinakita namin na iba-iba ang pagpapahayag ng mga tao ng personalidad sa iba't ibang platform. Ang mas malawak na punto: kontekstwal ang pag-uugali, at kailangan ng mga modelo ng context-specific na data upang mabasa ito nang tama. Ang mga platform, wika at kultura ng Asya ay kontekstong hindi awtomatikong taglay ng isang modelong sinanay sa ibang lugar.

At ginagawang abot-kaya ng mga episyenteng modelo ang explainability sa malawakang saklaw. Sa Fusing Predictive and Large Language Models (ACM TOIS 2025), pinagsama namin ang performance prediction at mga paliwanag ng LLM. Ang pagpapatakbo ng explanation layer sa bawat creative, araw-araw, ay makatotohanan lamang kung sapat na mura ang language model upang patakbuhin sa lahat.

Ang dapat gawin ngayon ng mga marketing team sa Asya

• Subukan ang isang open mid-sized na modelo sa isang rehiyonal na gawain, gaya ng pag-classify ng mga social post sa Bahasa Indonesia o Thai, at ihambing ito sa kasalukuyan mong API model sa katumpakan at gastos.
• Pagpasyahan kung saan maaaring mapunta ang iyong data. I-mapa kung aling customer data ang maaaring ipadala sa mga panlabas na API at alin ang nangangailangan ng lokal na pagproseso.
• Mag-fine-tune sa sarili mong konteksto. Kahit kaunting labelled at lokal na data ay maaaring kapansin-pansing magpabuti ng tono at katumpakan.
• Magplano para sa mga always-on na agent. Tantyahin ang gastos sa compute ng tuloy-tuloy na monitoring at pag-uulat, at pumili ng mga modelo nang naaayon.
• Bantayan ang frontier nang hindi umaasa rito. Gamitin ang pinakamalalaking modelo kung saan malinaw na may idinadagdag silang halaga, at ang mga episyente sa lahat ng iba pa.

Ang headline mula Hangzhou ay isang numerong may labindalawang zero. Ang praktikal na balita para sa mga marketer ay patuloy na gumagaling ang mahuhusay na maliliit na modelo, at maaari silang manirahan nang mas malapit sa iyong mga customer.

FAQ