SLM能有效应对专业需求，同时降低敏感资料风险。有鉴于LLM成本过高及准确度不稳定，企业逐渐寻求更灵活的小型语言模型作为解决方案。

小型语言模型是下一波发展重点？

自从ChatGPT 问世以来，「大型语言模型」（LLM, large language model）令各大企业趋之若鹜，无不希望打造一个企业自主AI，毕竟参数量愈多，AI 软体的效能就愈好，也就能够执行更加细致的任务。

大型语言模型的应用情境固然令人惊艳，但它们也非常昂贵，并且有相对复杂伦理、隐私问题。因此，调研机构IDC 预测，2025 年生成式AI 的下一波发展，可能是可以在使用上更弹性的「小型语言模型」（SLM）。

LLM 的局限：成本过高、准确度不稳定

根据调研机构Info-Tech 于2024 年做的全球调查，受访企业在投资生成式AI 解决方案时，最优先考虑的重点包括隐私和安全（65.43%）、成本效益（59.57%），再来就是准确性和可靠性（57.71%）。

在成本方面，训练和管理生成式AI 模型既复杂又昂贵，需要耗费大量的计算资源和高速网路，以及无数的记忆体。 Forrester 的AI 和机器学习分析师库兰（Rowan Curran） 表示，先进的语言模型训练成本超过数百万美元。在市场上，近期也发现LLM 应用程式的订阅价格上涨的情形，如OpenAI 最近宣布推出每月200 美元的Pro 计划，其他竞争对手也可能会将价格提高到这个区间。

加上，LLM 生成回答的准确度仍然有待加强，有时会产出偏离企业当下需求的回覆，SaaS 平台Responsive 执行长衫达（AJ Sunder）指出，OpenAI 等企业的LLM 在本质上是「黑盒子」，问题在于无法解释如何得出最终答案，而这对于强调准确性、一致性和合规性的企业来说，就会是一个隐忧。

并非所有企业都需要LLM，SLM 提供更大的灵活性

相对来说，SLM 就没有那么多限制，可以更灵活地应用。

由于SLM 不是为通用型的任务设计，而是在开发时针对特定领域的资料进行训练，这种特性使SLM 能够有效处理专业领域的需求。此外，另一个关键优势是资料保存在防火墙域内，因此SLM 不会被外部敏感资料影响其训练过程。

另外，因为SLM 只承担一小部分的任务，其结果更容易被解释，因为使用者更容易掌握输出结果背后的来源和基本原理，这对于商业决策需要追溯到源头的受监管产业尤其重要。

最后，SLM 的模型较小，因此执行速度通常较LLM 更快，对运算需求也比较低，所以可以安装在个人的手机或者电脑上；SLM 也能够在离线状态继续运行，这对于没连接网路或网路连接不稳定的场合非常重要，大幅提高工具的可近性。

各大科技巨头，都在投入SLM

2024 年以来，AI 巨头如苹果、微软、Meta 陆续开始发布参数量较少，但仍具有强大功能的「小型语言模型」。

像是微软就推出小型语言模型「Phi-3」，设计目的在执行更简单的任务，让资源有限的公司也能够使用；Facebook 母公司Meta 也正积极投入开发一种新的小型语言模型，该模型与手机设备相容，旨在运行设备上的应用程序，同时减少模型推理任务期间的能耗；苹果同样研发OpenELM，希望可以打造适合在市售笔电甚至智慧型手机上执行的AI 模型。

LLM 和SLM 使用并不冲突

《Forbes》指出，LLM 和SLM 的使用不互斥。在实际运用上，企业可以采取混合方式运用SLM 和LLM──LLM 可以提供更广泛的背景资讯，SLM 可确保精准的执行。

IDC 预测，2025 企业将因应场域需求灵活运用SLM，而未来大世界模型（LWM）也值得关注，换句话说，多模型应用将是企业发展AI 模型的常态。

本文链接地址：https://www.wwsww.cn/hqfx/30827.html
郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。