Apsara 2026 d'Alibaba : des modèles géants, une réalité de petits modèles

La plus grande conférence IA de Chine, chaque mois de septembre, est l'Apsara Conference d'Alibaba Cloud à Hangzhou. Le keynote de cette année contenait deux histoires. L'une portait sur l'échelle : un modèle plusieurs fois plus grand que tout ce qu'Alibaba a jamais entraîné. L'autre, presque en passant, portait sur un petit modèle ouvert que les développeurs utilisent réellement. Pour les marketeurs en Asie, la seconde histoire compte peut-être davantage.

Ce qui s'est passé

Selon Reuters, via The Standard, le CEO d'Alibaba, Eddie Wu, a déclaré le 22 septembre que l'équipe Qwen prévoit d'entraîner un nouveau modèle de 5 à 10 billions de paramètres, destiné à des tâches plus complexes et à plus long horizon. Le modèle phare actuel d'Alibaba, Qwen 3.8 Max, compte 2,4 billions de paramètres. Eddie Wu a également indiqué que l'équipe a réalisé des « progrès significatifs » en matière d'auto-amélioration récursive, présenté la puce IA Zhenwu V900 de T-Head, l'unité d'Alibaba, trois fois plus performante que la précédente, et fixé l'objectif de porter la capacité mondiale des centres de données d'Alibaba Cloud au-delà de 20 gigawatts d'ici 2032. Il a déclaré : « La demande à moyen et long terme du secteur dépasse de loin nos capacités d'approvisionnement. »

Dans le texte du keynote publié sur Alizila, Eddie Wu a qualifié le modèle open source Qwen-27B de « modèle le plus populaire auprès des développeurs dans le monde » et a déclaré qu'Alibaba continuera d'affiner des modèles pour un déploiement local. Il a aussi dit s'attendre à ce que les agents deviennent des « résidents » durables du cloud, exécutant des tâches à long horizon et consommant de la puissance de calcul en continu.

Pourquoi c'est important

Pour un marketeur régional, la course aux billions de paramètres relève surtout du spectacle. Vous utiliserez ces modèles via une API, si tant est que vous les utilisiez. Le modèle ouvert et déployable localement est différent. C'est quelque chose que votre entreprise ou votre prestataire peut faire tourner sur sa propre infrastructure, dans la juridiction de son choix, affiné sur ses propres données.

Cela compte en Asie pour des raisons pratiques. Les règles de localisation des données varient d'un pays à l'autre de la région. De nombreuses entreprises sont réticentes à envoyer des données clients vers une API étrangère. Et les langues et références culturelles d'Asie du Sud-Est et de l'Est sont mal servies par des modèles entraînés principalement sur l'anglais. Un modèle ouvert de taille moyenne, performant et adaptable localement, répond à ces trois problèmes.

La remarque d'Eddie Wu sur les agents « résidents » du cloud est l'autre signal. Si les agents tournent en continu, le coût par tâche devient une variable stratégique. Ce sont des modèles efficients qui exécuteront l'essentiel de ce travail.

Ce que disent mes recherches

J'ai soutenu dans Forbes qu'en marketing, la technique compte plus que la taille du modèle. Un modèle plus petit, bien adapté à votre audience, à votre langue et à votre tâche, l'emporte généralement sur un modèle généraliste géant utilisé sans discernement.

Mes recherches montrent aussi pourquoi l'adaptation locale compte. Dans I Know Where You Are Coming From (AAAI 2020), nous avons constaté que le réseau social à partir duquel un modèle apprend modifie sa précision. Dans Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022), nous avons montré que les personnes expriment leur personnalité différemment selon les plateformes. Le constat général : le comportement dépend du contexte, et les modèles ont besoin de données propres à ce contexte pour bien le lire. Les plateformes, les langues et les cultures d'Asie constituent un contexte qu'un modèle entraîné ailleurs ne possède pas automatiquement.

Et les modèles efficients rendent l'explicabilité abordable à grande échelle. Dans Fusing Predictive and Large Language Models (ACM TOIS 2025), nous avons associé la prédiction de performance à des explications produites par des LLM. Faire tourner la couche d'explication sur chaque création, chaque jour, n'est réaliste que si le modèle de langage est assez bon marché pour être appliqué à tout.

Ce que les équipes marketing en Asie doivent faire dès maintenant

• Testez un modèle ouvert de taille moyenne sur une tâche régionale, comme la classification de publications sociales en indonésien ou en thaï, et comparez-le à votre modèle API actuel en matière de précision et de coût.
• Décidez où vos données peuvent aller. Identifiez quelles données clients peuvent être envoyées à des API externes et lesquelles nécessitent un traitement local.
• Affinez sur votre propre contexte. Même une petite quantité de données locales annotées peut nettement améliorer le ton et la précision.
• Préparez-vous à des agents toujours actifs. Estimez le coût de calcul d'une veille et d'un reporting continus, et choisissez vos modèles en conséquence.
• Suivez la frontière technologique sans en dépendre. Utilisez les plus grands modèles là où ils apportent clairement de la valeur, et les modèles efficients partout ailleurs.

Le gros titre venu de Hangzhou était un nombre à douze zéros. La nouvelle concrète pour les marketeurs, c'est que les bons petits modèles ne cessent de s'améliorer, et qu'ils peuvent être hébergés plus près de vos clients.

FAQ