Alibaba готує модель з 10 трлн параметрів
Alibaba оголосила про плани масштабувати свої моделі Qwen до 5–10 трлн параметрів: Qwen 4 вже навчається, а Qwen 4.5 та Qwen 5 спрямовані на цей діапазон. Паралельно представлено новий AI-чип Zhenwu V900, який у три рази потужніший за попереднє покоління, та плани побудови кластерів до 500 тис. GPU та потужності дата-центрів до 20 ГВт к 2032 р.
🚀 Alibaba виходить на новий рівень масштабу. Для компаній до 200 людей це фундаментальна зміна інфраструктури AI — готуйтеся до зростання вимог до обчислювальних ресурсів та вартості тренування моделей.
🎯 Чи підходить це вашому бізнесу?
Заповніть профіль компанії — і ми автоматично покажемо, чи варто вам це впроваджувати.
Заповнити профіль · 30 секундTL;DR
- •Alibaba планує навчити модель Qwen 4 з 5–10 трлн параметрів, що у 4–8 разів більше, ніж поточна Qwen 3.8 Max (2,4 трлн)
- •Новий AI-чип Zhenwu V900 у три рази потужніший за попереднє покоління
- •Планується побудова кластерів до 500 000 GPU та потужності дата-центрів до 20 ГВт к 2032 р.
- •Масштаб проєкту ставить Alibaba в один ряд з лідерами типу AWS, Google та Microsoft у галузі AI-інфраструктури
- •Техніка все ще у фазі дослідження — немає даних про доступність, вартість або терміни комерційного запуску
Як це змінить ваш ринок?
Для українських компаній до 200 людей ця новина сигналізує про прискорення концентрації обчислювальних ресурсів у руках кількох гігантів. Це може призвести до зростання вартості доступу до передових AI-моделей через API, особливо якщо Alibaba успішно реалізує свої плани та підвищить попит на обчислювальну потужність.
Визначення: AI-інфраструктура — комплекс апаратних та програмних засобів (чипи, сервери, мережі, дата-центри), необхідний для тренування та експлуатації великих штучних інтелектів.
Для кого це і за яких умов (ОБОВ'ЯЗКОВО: мін. обладнання/бюджет, потрібна команда чи ні, мін. масштаб, час на впровадження.
- •Для IT-команд компаній до 200 людей: нічого не робити — масштаб проєкту виходить далеко за межі доступних ресурсів
- •Для лідерства: слідкувати за тенденціями у вартості AI-обчислень та доступності передових моделей через хмарних провайдерів
- •Мін. масштаб для актуальності: компанії, які витрачають більше $50 000/рік на AI-обчислення або планують власну інфраструктуру
Альтернативи
| NVIDIA H100 | Google TPU v5e | AWS Trainium2 | |
|---|---|---|---|
| Ціна | ~$25 000/oд. | дані не розкриті | ~$1,3/год у EC2 |
| Де працює | локально/хмара | Google Cloud | AWS EC2 |
| Мін. вимоги | GPU-сервер, 80ГБ RAM | TPU-подтримка | AWS-акаунт |
| Ключова різниця | універсальність | оптимізований для TensorFlow | спеціалізований для тренування LLM |
💬 Часті запитання
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Джерела
Data Secrets — оригіналНавчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiupskill.live