微软、英伟达纷纷押注小模型，大模型不香了？

国际能源署估计，数据中心、加密货币和人工智能相关的电力消耗到2026年，会大致相当于日本全国的用电量。

OpenAI首席执行官阿尔特曼曾在麻省理工学院的一次活动上表示，训练GPT-4的成本至少为1亿美元，而Anthropic首席执行官Dario Amodei预测，未来训练模型的成本可能达到1000亿美元。

此外，使用LLM所需的工具和技术的复杂性也增加了开发人员的学习曲线。从训练到部署，整个过程耗时漫长，减缓了开发速度。剑桥大学的一项研究显示，公司可能需要90天或更长时间才能部署一个机器学习模型。

LLM的另一个重大问题是容易产生“幻觉”——即模型生成的输出看似合理，但实际上并不正确。这是由于LLM的训练方式是根据数据中的模式预测下一个最可能的单词，而非真正理解信息。因此，LLM可能会自信地生成虚假陈述、编造事实或以荒谬的方式组合不相关的概念。如何检测和减少这些“幻觉”是开发可靠且可信赖语言模型的持续挑战。

小模型可降低成本

对LLM巨大能源需求的担忧，以及为企业提供更多样化AI选项的市场机会，让科技公司将注意力逐渐转向了SLM。

《每日经济新闻》记者注意到，不管是Arcee、Sakana AI和Hugging Face等AI初创公司，还是科技巨头都在通过SLM和更经济的方式吸引投资者和客户。

此前，谷歌、Meta、OpenAI和Anthropic都发布了比旗舰LLM更紧凑、更灵活的小模型。这不仅降低了开发和部署的成本，也为商业客户提供了更便宜的解决方案。鉴于投资者越来越担心AI企业的高成本和不确定的回报，更多的科技公司可能会选择这条道路。即便是微软和英伟达，如今也先后推出了自己的小模型（SLM）。

SLM是LLM的精简版本，具有更少的参数和更简单的设计，它们需要更少的数据和训练时间——只需几分钟或几小时。这使得SLM更高效，更易于在小型设备上部署。例如，它们可以嵌入到手机中，而无需占用超算资源，从而降低成本，并显著提升响应速度。

SLM的另一个主要优势是其针对特定应用的专业化。SLM专注于特定任务或领域，这使它们在实际应用中更加高效。例如，在情绪分析、命名实体识别或特定领域的问答中，SLM的表现往往优于通用模型。这种定制化使得企业能够创建高效满足其特定需求的模型。

SLM在特定领域内也不易出现“幻觉”，因为它们通常在更窄、更有针对性的数据集上训练，这有助于模型学习与其任务最相关的模式和信息。SLM的专注性降低了生成不相关、意外或不一致输出的可能性。

尽管规模较小，SLM在某些方面的性能并不逊色于大模型。微软最新推出的Phi-3.5-mini-instruct仅拥有38亿个参数，但其性能优于Llama3.18B和Mistral7B等参数远高于它的模型。美国东北大学（位于美国马萨诸塞州波士顿，是一所顶尖的私立研究型大学）语言模型研究专家Aaron Mueller指出，扩展参数数量并非提高模型性能的唯一途径，使用更高质量的数据训练也可以产生类似效果。

OpenAI首席执行官阿尔特曼在4月的一次活动中表示，他相信当前正处于巨型模型时代的末期，“我们将通过其他方式来提升它们的表现。”

不过，需要注意的是，虽然SLM的专业化是一大优势，但也有局限性。这些模型可能在其特定训练领域之外表现不佳，缺乏广泛的知识库，和LLM相比无法生成广泛主题的相关内容。这一限制要求用户可能需要部署多个SLM来覆盖不同的需求领域，从而使AI基础设施复杂化。

随着AI领域的快速发展，小模型的标准可能会不断变化。东京小模型初创公司Sakana的联合创始人兼首席执行官David Ha表示，几年前看似庞大的AI模型，现在看来已经显得“适中”。“大小总是相对的。”David Ha说道。

每日经济新闻返回搜狐，查看更多