阿里巴巴 Apsara 2026：巨型模型，小模型現實

中國每年九月規模最大的 AI 大會，是阿里雲在杭州舉辦的雲棲大會（Apsara Conference）。今年的主題演講包含兩個故事。一個關於規模：一個比阿里巴巴訓練過的任何模型都大上好幾倍的模型。另一個則幾乎是順帶一提：一個開發者真正在用的小型開放模型。對亞洲的行銷人來說，第二個故事可能更重要。

發生了什麼事

根據 Reuters（經 The Standard 轉載），阿里巴巴執行長 Eddie Wu 於 9 月 22 日表示，Qwen 團隊計畫訓練一個 5 兆至 10 兆參數的新模型，鎖定更複雜、更長程的任務。阿里巴巴目前的旗艦模型 Qwen 3.8 Max 有 2.4 兆個參數。Wu 也表示團隊在遞迴式自我改進上取得「有意義的進展」，並發表了阿里巴巴旗下平頭哥（T-Head）推出、效能為前代三倍的 Zhenwu V900 AI 晶片，同時設定目標，讓阿里雲全球資料中心容量在 2032 年前超過 20 GW。他說：「產業的中長期需求遠遠超過我們的供應能力。」

在 Alizila 刊登的主題演講全文中，Wu 稱開源的 Qwen-27B 為「全球開發者最愛用的模型」，並表示阿里巴巴將持續精進可在本地部署的模型。他也表示，預期 AI 代理將成為雲端的長期「居民」，執行長程任務並持續消耗算力。

為何重要

對區域行銷人而言，兆級參數競賽大多只能隔岸觀火。就算會用到這類模型，也是透過 API。開放、可本地部署的模型則不同：你的公司或供應商可以在自己的基礎設施上、在自選的司法管轄區內運行它，並以自己的資料進行微調。

在亞洲，這基於實際理由而顯得重要。各地的資料落地規定不盡相同。許多公司不願把顧客資料送往境外的 API。而東南亞與東亞的語言和文化脈絡，主要以英文調校的模型往往處理得不好。一個能在本地調整、能力足夠的中型開放模型，能同時解決這三點。

Wu 關於 AI 代理是雲端「居民」的說法，是另一個訊號。如果代理持續運行，每項任務的成本就成了策略變數。大部分工作將由高效率的模型來執行。

我的研究怎麼說

我曾在 Forbes 主張，在行銷中技術比模型大小更重要。一個針對你的受眾、語言與任務妥善調整的小模型，通常勝過被草率使用的巨型通用模型。

我的研究也說明了在地調整為何重要。在 I Know Where You Are Coming From（AAAI 2020）中，我們發現模型所學習的社群網路會改變其準確度。在 Do we behave differently on Twitter and Facebook?（Frontiers in Big Data，2022）中，我們證明人們在不同平台上展現人格特質的方式不同。更廣泛的重點是：行為取決於情境，模型需要特定情境的資料才能正確解讀。亞洲的平台、語言與文化，正是在其他地方訓練的模型不會自動具備的情境。

而高效率的模型讓大規模的可解釋性變得負擔得起。在 Fusing Predictive and Large Language Models（ACM TOIS 2025）中，我們將成效預測與大型語言模型的解釋結合。每天對每一則創意都執行解釋層，唯有當語言模型便宜到可以用在所有東西上時，才切實可行。

亞洲的行銷團隊現在該做什麼

• 用一項區域性任務測試中型開放模型，例如分類印尼文或泰文的社群貼文，並在準確度與成本上與你目前使用的 API 模型比較。
• 決定你的資料可以流向何處。盤點哪些顧客資料可以送往外部 API，哪些需要在本地處理。
• 以自己的情境進行微調。即使只是少量標註過的在地資料，也能明顯改善語氣與準確度。
• 為全天候運作的 AI 代理做好規劃。估算持續監測與報告的算力成本，並據此選擇模型。
• 關注前沿，但不依賴前沿。在大型模型明顯能增加價值之處使用它們，其他地方則使用高效率的模型。

杭州傳出的頭條，是一個有十二個零的數字。對行銷人而言，真正實用的消息是：優秀的小模型持續進步，而且能離你的顧客更近。

常見問題