编译 | 孟强
编辑 | 云鹏
智东西7月22日消息，据Venture Beat报道，上周，Hugging Face、Mistral AI和OpenAI于7月16日和18日相继推出各自研发的小模型（SLM），承诺将先进的自然语言处理能力普及化。在过去，科技公司竞相在大语言模型赛道上追求规模更大、更复杂的神经网络，Venture Beat认为，这些小模型开辟了新的赛道，还可能影响企业使用AI解决方案的方式。
小模型，顾名思义，是相对于大语言模型（LLM）而言的，它们一般来说具有较少的参数和较低的计算资源需求。与参数量动辄上千亿甚至万亿规模的大语言模型相比，三个新的小模型：SmolLM、Mistral NeMo和GPT-4o mini的参数量可以在几亿到百亿不等，从训练量到能耗都低于大语言模型。三个模型虽然使用不同的方式实现AI普及化，但它们都有一个共同目标：将强大的语言处理能力带给更多设备和应用。
一、小模型如何改变边缘计算
Venture Beat认为，Hugging Face的SmolLM是三者中最具革新性的。它专为在移动设备上运行设计，拥有三种规格：1.35亿、3.6亿和17亿参数量，方便边缘设备进行AI处理，解决了数据隐私和延迟的关键问题。
SmolLM的意义远远不只是提升效率。让边缘设备也能用上AI处理，能够让设备应用在低延迟和高隐私保护的基础上运行。在过去，很多复杂的AI功能因隐私或连接问题无法实现，有了SmolLM，这些功能或能走进现实。
此外，Mistral AI推出了Mistral NeMo模型，拥有120亿参数量，上下文窗口可长达128k。Mistral NeMo面向台式电脑，定位介于云端大模型和超紧凑型移动AI之间，前者是在云计算平台上训练和运行的大规模AI模型，后者是在资源受限的移动设备（如手机和可穿戴设备）上运行的高效、紧凑的AI系统。
Venture Beat称，Mistral NeMo的计算方法可能会给企业领域带来不小的改变。该模型有潜力利用消费级硬件将复杂的AI功能普及化，这些功能曾经只是科技巨头和资金充足的研究机构的专属研究对象。这可能能帮助各行业普及AI驱动应用，比如优化客户服务、提供更复杂的数据分析工具。
二、OpenAI的高效小模型GPT-4o mini价格美丽
OpenAI也推出GPT-4o mini，加入了小模型的竞争，该模型被称为市场上最具成本效益的小模型。输入每百万token仅需15美分，输出每百万token仅需60美分，Venture Beat称GPT-4o mini大大降低了AI集成资金准入。
除此之外，GPT-4o mini的定价策略可能会催生出一波新的AI驱动创新，尤其是在初创企业和小型企业中。通过显著降低AI集成的成本，该模型有效地降低了采用AI驱动解决方案的准入门槛。Ventrue Beat认为，这可能会加速多行业的技术创新和改革。另外，这一向小模型的转变反映了AI社区的新趋势：研究人员和开发人员越来越关注效率、可及性和细分应用。这一趋势可能会催生更有针对性和更高效的AI解决方案，优化特定任务和行业。
三、小模型推动绿色科技创新，减少技术碳足迹
向小模型转变的趋势也与对AI环境影响的日益关注相一致。小模型训练和运行耗能更小，可能会减少AI技术的碳足迹。随着各科技公司在可持续方面面临越来越大的压力，Venture Beat认为，小模型的低能耗和低排放可能成为一个重要的卖点。
这种向小模型的转变的环境影响可能是深远的。随着AI变得越来越普及，更高效模型的普及所带来的节能效益可能是巨大的。这或许能让AI在绿色创新方面起到领导作用，而不是继续加剧全球变暖。
然而，小模型的崛起也并非没有挑战。随着AI变得越来越普及，偏见、问责制和伦理使用的问题变得更加紧迫。如果不加以监管，通过小模型普及AI可能会放大现有的偏见或产生新的伦理困境。对于小模型的开发者和用户来说，除了技术能力之外，还必须优先考虑伦理问题。
结语：AI发展的未来指向多元化、专业化
虽然小模型在效率和普及性方面具有优势，但由于参数量限制，它们在许多的任务上的处理能力可能无法与大语言模型匹敌。Venture Beat表示，这表明未来的AI发展格局中，将有各种规模的语言模型，而规模较小的模型将有自己所擅长的具体方面。
展望未来，我们期待看到AI模型的发展百花齐放，无论是大语言模型还是小模型，一刀切的方法都不可取，关键在于找到模型规模、性能和具体应用要求之间的平衡。对于企业和技术决策者来说，这三款小模型代表了向更高效、更专业、可部署的AI解决方案的转变，为AI在企业环境的整合提供了新的可能性。至于小模型是否能取代云端大模型目前的主导地位，现在下结论还为时尚早。
精彩评论