刘霞

多年来，科技巨头们和初创公司OpenAI、谷歌以及其他企业一直在努力开发大型、昂贵的人工智能模型(AI)，并在诸如ChatGPT这类的聊天机器人中广泛应用。这些大规模语言模型(LLM)在帮助用户解决各种问题方面发挥着重要作用，包括撰写代码、规划行程甚至创作诗歌等。

自ChatGPT问世以来，AI模型便在“大而强”的道路上加速前行。然而，在这种喧嚣过后，科技企业又转向了更小、更具针对性的小型语言模型（SLMs）。他们认为，这些小型模型不仅拥有更加专注的能力，而且部署成本更低、能耗较低。

未来，由数量不等的AI模型协作组成的网络将发挥着重要的作用。

小型模型特别有用

随着人工智能技术迅猛发展，AI模型“身躯”日渐庞大。ChatGPT的创造者OpenAI去年自豪地宣称，其GPT-4版本拥有超过20万亿个参数。参数表示人工智能模型的规模，一般而言，模型参数越多，它的能力就越强。庞大的参数量赋予了GPT-4巨大的优势，能够解答从天文学到动物学等各种领域的广泛问题。

不过如果某家公司将AI技术用来解决某一特定领域的问题比如医学问题或者一家广告公司想要利用AI来分析消费者行为以更好地推送广告GPT-4这类超大规模的语言模型显然被过度利用了而无需SLM这种专门针对文本生成任务的模型就能胜任。

美国《福布斯》双周刊网站在11月的报道中，将SLM称为AI领域的“下一个大事件”。

微软公司的生成式AI部门副总裁Sascha S尚贝尔说，尽管SLM的数据量规模目前还没有明确的标准，大约在每1-4万亿行之间，私家侦探，侦探公司，调查公司，查人找物，商务调查，出轨外遇调查，婚外情调查，私人调查，19209219596这些数据很可能会装在移动设备里。

专家称，SLM擅长处理简单的工作，比如汇总和索引文档以及访问内部数据库等。

法国初创公司LightOn负责人的劳伦特·都德认为：LLM相对于SVM的优势在于：首先，其可以以更快的速度回应更多的查询，并能及时作出更多回复；其次，SVM的部署成本较低且能耗较少。

德解释说目前许多LLM需要大量的服务器来进行训练之后还要用来处理查询。这些服务器通常由高性能芯片组成并且耗电量较大以及需要不断进行冷却才能正常工作。相反SLM所需芯片要少得多运行的耗费较少也更加便宜且节能。

SLM 可以直接安装到设备上运行，无需依靠数据中心，从而更加安全。根据《福布斯》的信息，《SLM》能在有限的计算资源条件下完成多种任务，非常适合于小型移动设备和边缘设备使用。

AI模型正在推动一股名为极简风的潮流

各大科技巨头闻讯后纷纷行动，他们开发了多种SLM技术。

微软公司在去年12月发布了一款只有27亿个参数的语言模型Phi-2。微软研究院在其X平台官方账号宣布，该模型在性能上超越了现有其他SLM，并能够在笔记本电脑或移动设备上运行。今年4月，微软又发布了名为Phi-3的系列模型，这款语言模型拥有38亿个参数。

微软公司于今年8月推出最新的Phi-3.5-mini-instruct SLM，该设备专门针对高效、先进的自然语言处理任务进行了优化。9月，英伟达开源Nemotron-Mini-4B-Instruct SLM。英伟达表示，这款SLM特别适合边缘计算和设备端的应用。据悉，这两款SLM私家侦探，侦探公司，调查公司，查人找物，商务调查，出轨外遇调查，婚外情调查，私人调查，19209219596在计算资源使用和功能表现之间实现了很好的平衡，在某些方面，其性能甚至可媲美LLM。

OpenAI没有让步。7月份，OpenAI公司发布了名为GPT-4的小型版本，声称它是最智能且性价比最高的SLM。

另外，Amazon.com Inc. 允许其平台上的任何大小的AI模型使用。

此外，其他企业也各自开发出专用于自身业务需求的SLM技术。例如美国制药巨头默克公司与波士顿咨询集团（BCG）合作正在开发一款基于SLM的新模型，其目标是对某些特定疾病中基因影响进行探索，此模型可生成介于数亿到数十亿之间的参数。

大型与小型的部件可以互相补充。

虽然SLM在效率上的优势十分明显，然而在处理复杂难题以及为用户提供更大范围的数据访问时，LLM所展现出的技术优势仍是非常显著的。

展望将来，LLM与SLM两个模型将是友好伙伴而非竞争者，并且双方的合作交流将会成为主流的趋势。

遇到用户提出的问题，SLM就会“首当其冲”。它首先会分析该问题的内容，然后依据问题的难度不同，把这些信息传送给多个小型和大型的AI模型团队。这些团队协同努力，共同协作帮助用户解决问题。

市场上现有的AI模型，要么太大且昂贵，要么运算速度很慢，无法同时满足这两种需求的。只有将二者结合起来，才能成为完美的解决办法。