編譯丨諾亞
出品 | 51CTO技術(shù)棧（微信號：blog51cto）
在IT行業(yè)，“精益”常用來描述追求更高效率和成本效益的流程，生成式AI也不例外。一些企業(yè)的AI系統(tǒng)運(yùn)行成本高達(dá)數(shù)百萬美元，并消耗大量電力，促使企業(yè)尋求更高效、精益的AI解決方案。
企業(yè)自然傾向于借助公共云快速部署生成式AI，因其提供便捷的一站式服務(wù)。大型云服務(wù)商已從AI投資中獲益。但使用云服務(wù)的成本有時(shí)會超過傳統(tǒng)數(shù)據(jù)中心，盡管如此，企業(yè)仍在尋找有效降低成本的方法，這正是精益AI概念的意義所在。
1.精益AI是如何工作的
精益人工智能是一種戰(zhàn)略方法，強(qiáng)調(diào)在交付最大商業(yè)價(jià)值的同時(shí)注重效率、成本效益以及最小資源消耗。許多精益人工智能的方法借鑒了最初用于制造業(yè)和產(chǎn)品開發(fā)的精益管理方法。
精益人工智能側(cè)重于優(yōu)化人工智能系統(tǒng)的開發(fā)、部署和運(yùn)營。它采用較小的模型、迭代開發(fā)實(shí)踐以及資源高效的技巧來減少浪費(fèi)。通過優(yōu)先考慮敏捷的數(shù)據(jù)驅(qū)動決策制定和持續(xù)改進(jìn)，精益人工智能使企業(yè)能夠以可持續(xù)且可擴(kuò)展的方式利用人工智能的力量。這確保了人工智能計(jì)劃既具有影響力又經(jīng)濟(jì)可行。
如今，企業(yè)意識到更大的并不總是更好的。企業(yè)人工智能轉(zhuǎn)型的景觀由小型語言模型（SLM）和一波開源進(jìn)展所標(biāo)志。這種演變是對生成式人工智能系統(tǒng)使用大型語言模型（LLM）所帶來的高昂成本和資源需求的一種直接回應(yīng)。許多企業(yè)現(xiàn)在希望重新評估成本與商業(yè)價(jià)值之間的平衡。
2.大型語言模型的挑戰(zhàn)
像OpenAI的GPT-4和Meta的Llama這樣的大型語言模型在理解和生成人類語言方面展示了非凡的能力。然而，這些優(yōu)勢伴隨著許多越來越難以讓企業(yè)接受的挑戰(zhàn)。這些模型的計(jì)算需求及其相應(yīng)的云成本非常高，給預(yù)算帶來壓力并限制了更廣泛的采用。還有能源消耗的問題，這不僅帶來了財(cái)務(wù)負(fù)擔(dān)，也帶來了重大的環(huán)境影響。
操作延遲是另一個(gè)障礙，特別是對于需要實(shí)時(shí)響應(yīng)的應(yīng)用程序而言。我們也不應(yīng)忽視管理和維護(hù)這些龐大模型的復(fù)雜性，這些模型需要專門的專業(yè)知識和基礎(chǔ)設(shè)施，而并非所有組織都具備這些條件。
3.轉(zhuǎn)向小型語言模型
在這種背景下，小型語言模型被加速用于生成式人工智能在云端和非云端環(huán)境中的部署。它們正越來越多地被視為實(shí)用的選擇。小型語言模型旨在顯著降低計(jì)算資源需求和能源消耗。這意味著更低的運(yùn)營成本和更具吸引力的人工智能計(jì)劃投資回報(bào)率。更快的訓(xùn)練和部署周期也使得小型語言模型對那些需要在快節(jié)奏市場中保持敏捷性和響應(yīng)性的企業(yè)更具吸引力。
企業(yè)通常不會使用大型語言模型，所以建議它們這樣做是不現(xiàn)實(shí)的。相反，它們將構(gòu)建更有針對性的人工智能系統(tǒng)來解決特定的應(yīng)用場景，例如設(shè)備維護(hù)、運(yùn)輸物流和制造優(yōu)化等領(lǐng)域，在這些領(lǐng)域中，精益人工智能方法可以立即產(chǎn)生商業(yè)價(jià)值。
小型語言模型還加強(qiáng)了定制化。這些模型可以針對具體任務(wù)和行業(yè)領(lǐng)域進(jìn)行精細(xì)調(diào)整，產(chǎn)生專業(yè)應(yīng)用并產(chǎn)生可衡量的商業(yè)成果。無論是在客戶服務(wù)、金融分析還是醫(yī)療診斷領(lǐng)域，這些更精簡的模型都證明了自己的有效性。
4.開源的優(yōu)勢
開源社區(qū)一直是推動小型語言模型進(jìn)步和采用的驅(qū)動力。Meta的新版本Llama 3.1提供了多種大小選項(xiàng)，能夠在不過度消耗資源的情況下提供強(qiáng)大的能力。其他模型，如斯坦福大學(xué)的Alpaca和Stability AI的StableLM，表明小型模型的表現(xiàn)可以媲美甚至超越其大型對手，尤其是在特定領(lǐng)域的應(yīng)用中。
來自Hugging Face、IBM的Watsonx.ai等公司的云平臺和工具使得這些模型更容易獲取，并降低了各類企業(yè)的入門門檻。這種人工智能能力的民主化是一個(gè)游戲規(guī)則改變者。更多的組織可以在不依賴專有且往往價(jià)格昂貴的解決方案的情況下融入先進(jìn)的人工智能技術(shù)。
5.企業(yè)的轉(zhuǎn)變
采用小型語言模型對企業(yè)來說有多重好處：
- 成本效益：這些模型讓企業(yè)能以更低的成本部署人工智能，這對需要最大化技術(shù)投資的初創(chuàng)公司和中小企業(yè)尤為重要。
- 敏捷性提升：更快的部署速度和更靈活的定制能力確保AI功能更好地適應(yīng)不斷變化的業(yè)務(wù)需求。
- 數(shù)據(jù)隱私與主權(quán)：在本地或私有云部署小型模型可以更好地保護(hù)數(shù)據(jù)隱私，滿足監(jiān)管要求并確保數(shù)據(jù)安全。
- 可持續(xù)發(fā)展：較低的能源消耗支持企業(yè)的環(huán)保目標(biāo)。
借助開源創(chuàng)新，小型語言模型降低了大型AI系統(tǒng)的成本和復(fù)雜度，為企業(yè)提供了高效、可定制的路徑。這種轉(zhuǎn)變提高了AI投資的價(jià)值，并促進(jìn)了可持續(xù)且可擴(kuò)展的增長。在可持續(xù)且經(jīng)濟(jì)實(shí)惠的人工智能領(lǐng)域，小型模型正變得越來越重要。
參考鏈接：https://www.infoworld.com/article/3480593/small-language-models-and-open-source-are-transforming-ai.html
