阿里巴巴云栖大会 2026：巨型模型与小模型的现实

每年 9 月在中国举行的最大规模 AI 大会，是阿里云在杭州举办的云栖大会（Apsara Conference）。今年的主题演讲里有两个故事。一个关于规模：一个比阿里巴巴此前训练过的任何模型都大数倍的模型。另一个几乎是顺带一提：一个开发者真正在用的小型开源模型。对亚洲的营销人员来说，第二个故事可能更重要。

发生了什么

据路透社（经 The Standard 转载）报道，阿里巴巴 CEO Eddie Wu 于 9 月 22 日表示，Qwen 团队计划训练一个拥有 5 万亿至 10 万亿参数的新模型，面向更复杂、更长周期的任务。阿里巴巴当前的旗舰模型 Qwen 3.8 Max 拥有 2.4 万亿参数。Wu 还表示，团队在递归自我改进方面取得了“有意义的进展”；他发布了阿里巴巴旗下平头哥（T-Head）的 Zhenwu V900 AI 芯片，性能是上一代的三倍；并设定目标，到 2032 年阿里云全球数据中心容量将超过 20 吉瓦。他说：“行业中长期的需求远远超过我们的供给能力。”

在 Alizila 发布的主题演讲文本中，Wu 称开源的 Qwen-27B 是“全球开发者最欢迎的模型”，并表示阿里巴巴将继续优化面向本地部署的模型。他还表示，预计智能体将成为云端的长期“居民”，执行长周期任务、持续消耗算力。

为什么重要

对一位区域营销人员来说，万亿参数竞赛基本上只是一项观赏性运动。即便用到这类模型，你也会通过 API 使用。开源、可本地部署的模型则不同：你的公司或供应商可以在自己的基础设施上、在自己选择的司法辖区内运行它，并用自己的数据进行微调。

出于现实原因，这在亚洲尤为重要。区域内各地的数据驻留规定各不相同；许多企业不愿把客户数据发送给境外 API；而主要以英语调优的模型，对东南亚和东亚的语言与文化语境支持不足。一个能力出色、可在本地适配的中型开源模型，能同时解决这三个问题。

Wu 关于智能体成为云端“居民”的说法，是另一个信号。如果智能体持续运行，单个任务的成本就会成为一个战略变量。大部分这类工作将由高效模型承担。

我的研究怎么看

我曾在 Forbes 上论证过，在营销中技术比模型大小更重要。一个针对你的受众、语言和任务做了良好适配的小模型，通常胜过一个被随意使用的通用巨型模型。

我的研究也说明了本地适配为何重要。在I Know Where You Are Coming From（AAAI 2020）中，我们发现模型所学习的社交网络会改变其准确性。在Do we behave differently on Twitter and Facebook?（Frontiers in Big Data，2022）中，我们表明人们在不同平台上表达性格的方式不同。更宏观的结论是：行为取决于情境，模型需要特定情境的数据才能正确解读它。亚洲的平台、语言和文化，正是在别处训练的模型不会自动具备的情境。

高效模型还让大规模可解释性变得负担得起。在Fusing Predictive and Large Language Models（ACM TOIS 2025）中，我们将效果预测与大语言模型的解释结合起来。只有当语言模型便宜到可以处理所有内容时，每天为每一条创意运行解释层才是现实的。

亚洲的营销团队现在应该做什么

• 在一项区域性任务上测试一个开源中型模型，例如对印尼语或泰语的社交帖子进行分类，并在准确率和成本上与你当前使用的 API 模型进行比较。
• 决定你的数据可以流向哪里。梳理哪些客户数据可以发送给外部 API，哪些需要在本地处理。
• 用你自己的情境进行微调。即使是少量带标注的本地数据，也能显著改善语气和准确性。
• 为始终在线的智能体做好规划。估算持续监测与报告的算力成本，并据此选择模型。
• 关注前沿，但不依赖前沿。在明显能创造价值的地方使用最大的模型，其他场景则使用高效模型。

杭州传出的头条是一个带十二个零的数字。而对营销人员来说，真正有用的消息是：优秀的小模型在不断进步，而且它们可以离你的客户更近。

常见问题