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
Чи може середня компанія скористатися такими моделями?
Ні, моделі з 5–10 трлн параметрів вимагають екзотичних обчислювальних ресурсів, недоступних для більшості бізнесів. Реально скористатися можна лише через API від хмарних провайдерів, якщо вони надаватимуть доступ.
Чи означає це, що менші моделі стануть застарілими?
Ні. Для більшості корпоративних завдань моделі розміром 7B–70B параметрів залишаться оптимальним вибором через баланс якості, швидкості та вартості.
Коли очікувати комерційного доступу до таких моделей?
Дати не оголошені. Qwen 4 ще в навчанні, а масштаб до 10 трлн параметрів — це план на найближчі роки, без гарантій терміну успішного завершення.
Чи це загроза для NVIDIA?
Частково. Розробка власних AI-чипів зменшує залежність Alibaba від NVIDIA, але для більшості клієнтів NVIDIA залишається вибором за рахунок зрілості екосистеми та підтримки.
Підтекст
Alibaba не просто випускає модель — вона будує екосистему для власної домінування в AI-інфраструктурі. Масштаб у 10 трлн параметрів та 20 ГВт потужності сигналізує, що компанія готуватися до війни за ресурси з hyperscalers типу AWS і Microsoft, а не просто до конкуренції в якості моделей.
Такий розбір щоранку о 08:00
Персональний AI-дайджест для вашої галузі — щодня у Telegram
Джерела
Data Secrets — оригіналAI Advisory Board
Навчіть вашу команду будувати такі AI-автоматизації
За 5 днів кожен співробітник побудує автоматизацію для своєї ділянки роботи.
Дізнатись більше → aiadvisoryboard.me