为什么大型 AI 模型在实践中反而变得越来越“小”

阿里巴巴的 Qwen3.8-Max 使用 2.4 万亿参数挑战全球 AI 领导者。了解这在 2026 年对成本和性能意味着什么。

2026年8月3日

硅谷和北京的一个普遍说法是，人工智能遵循一条简单的物理规则：越多越好。如果一个拥有 10 亿参数的模型是聪明的，那么一个拥有 1 万亿参数的模型一定是天才。阿里巴巴最近通过发布 Qwen3.8-Max 挑战了这一假设。虽然原始数据令人震惊，但真正的创新不在于数字大脑的大小，而在于系统在任何给定时刻实际使用的部分是多么微小。

参数是模型在训练阶段调整的数字旋钮和拨盘。它们是允许软件识别法律合同与购物清单之间区别的设置。阿里巴巴的新模型拥有 2.4 万亿个此类设置。这使其与另一家中国公司月之暗面（Moonshot AI）展开了直接竞争，后者最近推出了一个名为 Kimi K3 的 2.8 万亿参数系统。对于普通用户来说，这些数字感觉很抽象。换句话说，如果一个标准的智能手机应用是一个单一工具，那么这些模型就是装满专门机械的整个工业仓库。

海量模型背后的数字游戏

在当前的 AI 军备竞赛中，参数数量通常被用作衡量原始智能的指标。公司发布这些数据是为了在开发者和投资者中获得关注。然而，更高的数字并不保证性能更优。一个拥有 2.4 万亿参数的模型需要消耗大量的电力和专用芯片来运行。如果用户的每一次请求都迫使整个系统苏醒，那么让 AI 总结一份食谱的成本将高于食材本身的价格。

阿里巴巴此次发布针对的是特定的市场细分。通过保持模型权重开放（open-weight），他们允许开发者在自己的硬件上下载并运行该系统。这与 OpenAI 或 Google 所采取的路径不同，后者将其最大的模型锁在门后。对于一家中型公司的软件工程师来说，权重开放模型提供了封闭系统所缺乏的切实的控制力和透明度。

通过混合专家模型实现效率

在底层，Qwen3.8-Max 使用了一种被称为“混合专家模型”（mixture-of-experts，简称 MoE）的设计。该模型不再是一个单一的智能块，而更像是一家拥有数十个专门部门的大型公司。当你向 AI 询问有关 Python 代码的问题时，系统不会激活其大脑中理解法语诗歌或古代历史的部分。

在任何单一时间内，只有 950 亿个参数处于激活状态。这不到模型总规模的 4%。这种设计是对数据中心成本飙升的务实回应。它允许系统在不需要为每个服务器机架配备专用发电厂的情况下保持可扩展性。对于消费者来说，这意味着更快的响应时间。你不需要等待一个 2.4 万亿参数的庞然大物缓慢行动；你正在从一个精简的专家那里获得快速答案。

百万 Token 上下文窗口的意义

阿里巴巴和月之暗面的模型都能一次性处理多达 100 万个 token。在 AI 世界中，token 是语言的基本单位。100 万个 token 大约相当于几本厚厚的小说或一个庞大的软件代码库。从大局来看，这个上下文窗口在数字上相当于一个人的短期记忆。

功能特性	阿里巴巴 Qwen3.8-Max	月之暗面 Kimi K3
总参数量	2.4 万亿	2.8 万亿
激活参数量	950 亿	未知
上下文窗口	100 万 Token	100 万 Token
主要设计	混合专家模型 (MoE)	混合专家模型 (MoE)
访问模式	权重开放 (Open-weight)	私有/API

对于律师来说，这意味着 AI 可以一次性阅读整叠案卷并发现特定的矛盾点。对于开发者来说，这意味着 AI 可以查看整个应用程序而不仅仅是单个文件。阿里巴巴声称该模型在 16 天内完成了一个完整的软件工程项目。这是一种新兴趋势，AI 充当了一个不知疲倦的实习生，从不睡觉，并记得它见过的每一行代码。

全球舞台上的表现

对这些系统进行基准测试是一个波动的过程。在 Arena.AI（一个由人类对 AI 响应进行盲测排名的平台）上，Qwen3.8-Max 成了排名最高的中国文本模型。它仍然排在 Anthropic 的顶级产品（如 Claude Fable 5）之后。然而，差距正在迅速缩小。在涉及理解图像和视频的视觉分析特定领域，阿里巴巴的模型达到了全球第二位。

这种转变是下一代小工具的基础。如果一个模型能够高精度地理解视觉数据，它在重工业和机器人领域就会变得更加有用。一个能够观察工厂车间并实时识别安全隐患的系统，不仅仅是一个聊天机器人。它是对企业监控其实体运营方式的系统性升级。