Apsara 2026 Alibaba: Model Gergasi, Realiti Model Kecil

Persidangan AI terbesar di China setiap September ialah Apsara Conference anjuran Alibaba Cloud di Hangzhou. Ucaptama tahun ini mengandungi dua kisah. Satu tentang skala: model beberapa kali lebih besar daripada apa sahaja yang pernah dilatih Alibaba. Satu lagi, hampir secara sambil lalu, tentang model terbuka kecil yang benar-benar digunakan oleh pembangun. Bagi pemasar di Asia, kisah kedua mungkin lebih penting.

Apa yang berlaku

Menurut Reuters, melalui The Standard, CEO Alibaba Eddie Wu berkata pada 22 September bahawa pasukan Qwen merancang untuk melatih model baharu dengan 5 hingga 10 trilion parameter, bertujuan untuk tugas yang lebih kompleks dan berjangka lebih panjang. Model utama semasa Alibaba, Qwen 3.8 Max, mempunyai 2.4 trilion parameter. Wu juga berkata pasukan itu telah mencapai "kemajuan bermakna" dalam peningkatan kendiri rekursif, memperkenalkan cip AI Zhenwu V900 daripada unit T-Head Alibaba dengan prestasi tiga kali ganda berbanding pendahulunya, dan menetapkan sasaran kapasiti pusat data global Alibaba Cloud melepasi 20 gigawatt menjelang 2032. Beliau berkata: "Permintaan jangka sederhana hingga panjang industri jauh melebihi keupayaan bekalan kami."

Dalam teks ucaptama yang diterbitkan di Alizila, Wu menyifatkan Qwen-27B sumber terbuka sebagai "model paling popular dalam kalangan pembangun di seluruh dunia" dan berkata Alibaba akan terus memperhalusi model untuk pelaksanaan setempat. Beliau juga berkata beliau menjangkakan ejen akan menjadi "penduduk" jangka panjang awan, menjalankan tugas berjangka panjang dan menggunakan pengkomputeran secara berterusan.

Mengapa ia penting

Bagi pemasar serantau, perlumbaan trilion parameter kebanyakannya sukan untuk ditonton. Anda akan menggunakan model sebegitu melalui API, jika ada pun. Model terbuka yang boleh dilaksanakan secara setempat adalah berbeza. Ia sesuatu yang boleh dijalankan oleh syarikat atau vendor anda pada infrastrukturnya sendiri, dalam bidang kuasa pilihannya, dan ditala halus dengan datanya sendiri.

Itu penting di Asia atas sebab praktikal. Peraturan kediaman data berbeza-beza di seluruh rantau. Banyak syarikat tidak selesa menghantar data pelanggan ke API asing. Dan bahasa serta rujukan budaya di seluruh Asia Tenggara dan Asia Timur kurang dilayan dengan baik oleh model yang ditala terutamanya dalam bahasa Inggeris. Model terbuka bersaiz sederhana yang berkebolehan dan boleh disesuaikan secara setempat menangani ketiga-tiganya.

Komen Wu tentang ejen sebagai "penduduk" awan ialah isyarat yang satu lagi. Jika ejen berjalan secara berterusan, kos bagi setiap tugas menjadi pemboleh ubah strategik. Model yang cekap akan menjalankan sebahagian besar kerja itu.

Apa kata penyelidikan saya

Saya telah berhujah di Forbes bahawa, dalam pemasaran, teknik lebih penting daripada saiz model. Model yang lebih kecil yang disesuaikan dengan baik kepada khalayak, bahasa dan tugas anda biasanya mengatasi model umum gergasi yang digunakan secara cuai.

Penyelidikan saya juga menunjukkan mengapa penyesuaian setempat penting. Dalam I Know Where You Are Coming From (AAAI 2020) kami mendapati bahawa rangkaian sosial yang menjadi sumber pembelajaran model mengubah ketepatannya. Dalam Do we behave differently on Twitter and Facebook? (Frontiers in Big Data, 2022) kami menunjukkan bahawa orang menzahirkan personaliti secara berbeza merentas platform. Maksud yang lebih luas: tingkah laku bergantung pada konteks, dan model memerlukan data khusus konteks untuk membacanya dengan betul. Platform, bahasa dan budaya Asia ialah konteks yang tidak dimiliki secara automatik oleh model yang dilatih di tempat lain.

Dan model yang cekap menjadikan kebolehjelasan mampu dilaksanakan pada skala besar. Dalam Fusing Predictive and Large Language Models (ACM TOIS 2025) kami menggandingkan ramalan prestasi dengan penjelasan LLM. Menjalankan lapisan penjelasan pada setiap kreatif, setiap hari, hanya realistik apabila model bahasa itu cukup murah untuk dijalankan pada segala-galanya.

Apa yang perlu dilakukan pasukan pemasaran di Asia sekarang

• Uji model terbuka bersaiz sederhana pada tugas serantau, seperti mengelaskan hantaran sosial dalam Bahasa Indonesia atau Thai, dan bandingkan dengan model API semasa anda dari segi ketepatan dan kos.
• Tentukan ke mana data anda boleh pergi. Petakan data pelanggan mana yang boleh dihantar ke API luaran dan mana yang memerlukan pemprosesan setempat.
• Tala halus pada konteks anda sendiri. Walaupun sejumlah kecil data setempat yang berlabel boleh meningkatkan nada dan ketepatan dengan ketara.
• Rancang untuk ejen yang sentiasa aktif. Anggarkan kos pengkomputeran bagi pemantauan dan pelaporan berterusan, dan pilih model dengan sewajarnya.
• Pantau barisan hadapan tanpa bergantung kepadanya. Gunakan model terbesar di mana ia jelas menambah nilai, dan model yang cekap di tempat lain.

Tajuk utama dari Hangzhou ialah nombor dengan dua belas sifar. Berita praktikal bagi pemasar ialah model kecil yang baik terus menjadi lebih baik, dan ia boleh berada lebih dekat dengan pelanggan anda.

Soalan Lazim