【ZiDongHua 之智能自動化收錄關(guān)鍵詞：大模型  AI   人工智能   ChatGPT 】
　　
　　AI模型掀起“大小之爭”，誰將取勝？
　　
　　過去一年，大模型因其驚人的創(chuàng)造力和廣泛的適用性成為全球矚目的焦點(diǎn)，每次迭代更新都牽動著市場的心弦。與過去各大廠商在各自領(lǐng)域不斷迭代的小模型相比，大模型憑借其強(qiáng)大的泛化能力和豐富的生成內(nèi)容，令人們深思：大模型能否全面取代小模型，成為賦能生產(chǎn)、生活的唯一工具？
　　
　　從“小作坊”到“流水線”，大模型讓 AI 研發(fā)更簡單
　　
　　在大模型興起之前，AI 研發(fā)的第一階段范式是“從頭開始”，每個(gè)模型都針對特定應(yīng)用場景需求進(jìn)行訓(xùn)練。這一階段需要優(yōu)秀的產(chǎn)品經(jīng)理給出準(zhǔn)確需求，并投入巨量資源，包括高質(zhì)量的訓(xùn)練數(shù)據(jù)、強(qiáng)大的算力，以及具備扎實(shí)專業(yè)知識和協(xié)同合作能力的深度學(xué)習(xí)算法團(tuán)隊(duì)。然而，這種傳統(tǒng)的定制化、作坊式的模型開發(fā)方式導(dǎo)致小模型無法復(fù)用和積累，使得 AI 落地面臨高門檻、高成本和低效率難題。
　　
　　
　　
　　資料來源： 2023•黑馬AIGC峰會 智源研究院
　　
　　2014年，預(yù)訓(xùn)練模型+微調(diào)的遷移學(xué)習(xí)技術(shù)的出現(xiàn)，成為了 AI 研發(fā)的第二階段范式。該范式主要利用訓(xùn)練好的基礎(chǔ)預(yù)訓(xùn)練模型，進(jìn)行二次微調(diào)訓(xùn)練。相較先前的范式，能夠節(jié)省5-10倍的人力、算力和數(shù)據(jù)量。然而，此方法擴(kuò)展性不佳，模型難以跨領(lǐng)域或場景泛化。在復(fù)雜場景下，需要訓(xùn)練多個(gè)模型。
　　
　　
　　資料來源：2023•黑馬AIGC峰會 智源研究院
　　
　　近幾年來，大模型技術(shù)的發(fā)展讓 AI 研發(fā)進(jìn)入第三階段范式，即基礎(chǔ)大模型+應(yīng)用提示。億級參數(shù)以上的大模型能從各種場景數(shù)據(jù)中提煉出通用能力，形成具有泛化能力的模型底座。通過直接調(diào)用 API，大模型能快速輸出所需結(jié)果，不再需要微調(diào)訓(xùn)練。這使得 AI 研發(fā)更加高效，模型生產(chǎn)從“作坊式”升級為“流水線”。因此，許多研究力量開始集中于大模型，認(rèn)為它能全面賦能生產(chǎn)生活。
　　
　　事實(shí)上，僅靠基礎(chǔ)大模型+應(yīng)用提示并不能滿足產(chǎn)業(yè)落地需求。實(shí)踐證明，對于特定或新任務(wù)，即使通過多輪提示讓大模型輸出所需結(jié)果，它仍“記不住”過程。若將完整提示加到每次調(diào)用中，可能超出大模型上下文能力，且導(dǎo)致推理開銷增大、效果難以控制。
　　
　　不僅如此，大模型+應(yīng)用提示的數(shù)據(jù)來源往往是公開資料，質(zhì)量低、專業(yè)度不足，有時(shí)甚至?xí)o出錯(cuò)誤或誤導(dǎo)性信息，更適用于泛化能力要求高、通用能力要求高、精度要求低的廣域場景。而在精度要求高、泛化能力要求低的窄域場景中，大模型+應(yīng)用提示可能無法提供足夠的競爭力。
　　
　　此外，很多實(shí)際任務(wù)和特定場景缺乏充足的數(shù)據(jù)，或者并不需要大量數(shù)據(jù)。當(dāng)面對少量標(biāo)注數(shù)據(jù)時(shí)，大模型容易過擬合，導(dǎo)致性能下降。同時(shí)，在計(jì)算資源有限的場景，如各類終端設(shè)備上，大模型的能力也受到限制。
　　
　　在現(xiàn)有的技術(shù)條件下，單純依賴大模型并不能解決所有問題。預(yù)訓(xùn)練小模型結(jié)合遷移學(xué)習(xí)訓(xùn)練的第二階段范式，仍然在很多場景中發(fā)揮著不可替代的作用。
　　
　　深耕細(xì)分領(lǐng)域，小模型的六大差異化優(yōu)勢
　　
　　工信部數(shù)據(jù)顯示，截至大模型爆發(fā)前的2022年，國內(nèi)有近4000家 AI 企業(yè)分別在各自的領(lǐng)域內(nèi)不斷優(yōu)化小模型。這些小模型已廣泛部署于各個(gè)行業(yè)，顯著提升了社會整體的生產(chǎn)效率。
　　
　　2022年中國AI軟件算法下游場景分布
　　
　　與大模型相比，小模型的訓(xùn)練數(shù)據(jù)量與參數(shù)量較少，這為它帶來了諸多差異化優(yōu)勢。
　　
　　01
　　
　　速度更快，效率更高
　　
　　小模型需要的資源少，訓(xùn)練和預(yù)測速度快，能在配置低的硬件上運(yùn)行；
　　
　　02
　　
　　具備靈活性和可定制性
　　
　　小模型能適應(yīng)各種場景，可以通過調(diào)整模型來提高準(zhǔn)確率；
　　
　　03
　　
　　具備安全性和隱私保護(hù)能力
　　
　　小模型處理的數(shù)據(jù)量小，不需要在云端處理，本地運(yùn)行更安全；
　　
　　04
　　
　　資源消耗和成本低
　　
　　小模型的存儲和帶寬需求少，成本低，適合在邊緣設(shè)備上運(yùn)行；
　　
　　05
　　
　　數(shù)據(jù)質(zhì)量和數(shù)量要求低
　　
　　小模型對數(shù)據(jù)要求不高，即便低質(zhì)少量也可以使用；
　　
　　06
　　
　　易于部署和升級
　　
　　小模型可以根據(jù)生產(chǎn)環(huán)境的需求進(jìn)行調(diào)整。
　　
　　如果說大模型的特點(diǎn)是“通用”，那么小模型的優(yōu)勢就在于“專精”，可以滿足特定場景、特定任務(wù)的需求。以計(jì)算機(jī)視覺領(lǐng)域?yàn)槔?，小模型已在多個(gè)實(shí)際場景中實(shí)現(xiàn)商業(yè)化應(yīng)用，包括泛安防（如人臉識別閘機(jī)）、互聯(lián)網(wǎng)（如用戶匹配）、金融（如身份核驗(yàn)）、工業(yè)（如缺陷檢測）和醫(yī)療（如輔助診斷）等。
　　
　　當(dāng)前，從發(fā)展階段來看，大模型在商業(yè)應(yīng)用中的落地仍處在早期階段，而小模型則占據(jù)市場的主導(dǎo)地位。大模型的優(yōu)勢在于其泛用性強(qiáng)，并能夠基于用戶反饋持續(xù)優(yōu)化自身性能。相反，小模型雖然泛用性相對較弱，但卻能填補(bǔ)行業(yè)落地"最后一公里"的需求空白。
　　
　　在此背景下，以應(yīng)用落地為核心訴求，大模型和小模型協(xié)同發(fā)展，或?qū)⒊蔀槲磥硪欢螘r(shí)間內(nèi)的主流趨勢。
　　
　　大小模型并駕齊驅(qū)，推動AI普惠加速落地
　　
　　AI 的普及和實(shí)際應(yīng)用，成本是核心問題。通過大小模型的協(xié)同并驅(qū)，可以更好地發(fā)揮各自的優(yōu)勢，從而實(shí)現(xiàn)成本的降低和效率的提高。
　　
　　大模型的優(yōu)勢，在于其廣泛適用性和自我優(yōu)化能力，因此可以通過預(yù)訓(xùn)練和微調(diào)為企業(yè)定制百億級大模型。同時(shí)，利用蒸餾和剪枝等技術(shù)，將大模型的知識和認(rèn)知能力輸出到小模型中，或從大模型中抽取十億級小模型，以輕量化小模型向下游場景賦能。
　　
　　小模型在行業(yè)實(shí)施中具有前瞻性，能加速大模型的收斂，并評估大模型的樣本價(jià)值。其核心任務(wù)是將行業(yè)知識導(dǎo)入大模型。短期來看，小模型在行業(yè)應(yīng)用中具有不可替代的地位，負(fù)責(zé)實(shí)際應(yīng)用的推理與執(zhí)行環(huán)節(jié)?；谡鎸?shí)場景數(shù)據(jù)的訓(xùn)練，小模型能向大模型反饋更具針對性的模型算法，從而提升大模型的能力。
　　
　　資料來源：華東政法大學(xué)《人工智能通用大模型（ChatGPT）的進(jìn)展、風(fēng)險(xiǎn)與應(yīng)對》
　　
　　作為智能行業(yè)的領(lǐng)軍企業(yè)，聯(lián)想早在去年就提出了混合智能（Hybrid AI）概念，認(rèn)為混合智能將會在各行各業(yè)落地應(yīng)用，推動 AI 普惠。聯(lián)想混合智能是指大型的公共大模型和小型的企業(yè)級大模型、個(gè)人大模型的混合應(yīng)用，共同構(gòu)建一個(gè)混合 AI 框架，讓企業(yè)和個(gè)人沒有后顧之憂地享受大小模型帶來的效率紅利。
　　
　　去年12月，聯(lián)想又在與IDC發(fā)布的業(yè)內(nèi)首份《AIPC產(chǎn)業(yè)（中國）白皮書》中表示，大小模型并用的混合 AI，對承載小型的“個(gè)人大模型”的終端的交互能力、智能算力、應(yīng)用場景、安全保護(hù)等都提出了更高要求，PC 以各方面表現(xiàn)出的優(yōu)異性能，成為AI普惠的首選終端。
　　
　　與此同時(shí)，聯(lián)想率先推出了全球首款 AI PC?；谠诜?wù)器領(lǐng)域的經(jīng)驗(yàn)，以及“端、邊、云、網(wǎng)、智”的新 IT 能力積累，聯(lián)想的 AI PC 產(chǎn)品會搭載大模型壓縮技術(shù)，從而具備本地運(yùn)行“個(gè)人大模型”的能力，可以實(shí)現(xiàn)公共大模型與個(gè)人大模型兩者間精準(zhǔn)地實(shí)時(shí)切換。
　　
　　在隨后的幾個(gè)月內(nèi)，聯(lián)想不遺余力的推出十余款 AI PC，加速 AI 在 PC 領(lǐng)域的應(yīng)用和普及。此外，還發(fā)布了天禧AI生態(tài)“四端一體”戰(zhàn)略，意在全面整合內(nèi)嵌AI 技術(shù)的終端設(shè)備，讓混合 AI 在更多終端普及。該戰(zhàn)略中首次亮相的個(gè)人智能體，進(jìn)一步優(yōu)化了用戶與 AI 的交互體驗(yàn)，讓 AI 技術(shù)更貼近用戶日常生活。
　　
　　未來，聯(lián)想將承擔(dān)起行業(yè)生態(tài)組織者的使命，以場景需求為基礎(chǔ)面向用戶整合產(chǎn)業(yè)資源，繼續(xù)探索小模型與終端設(shè)備的深度融合，對用戶的體驗(yàn)“總負(fù)責(zé)”。