小型语言模型（SLM）被誉为人工智能领域的下一个重大突破。

虽然各公司都在向大型语言模型 (LLM) 投入大量资金，但人工智能领域的一些行业专家认为，小型语言模型 (SLM) 将成为下一个热门领域。.

随着节日的临近，科技公司投入更多资金开发技术，行业活动持续增长。.

未来属于小型语言模型

由亿万富翁埃隆·马斯克运营的 xAI 等公司从 Andreessen Horowitz、卡塔尔投资局、红杉资本和 Valor Equity Partners 等机构筹集了额外的 50 亿美元，与此同时，亚马逊向 OpenAI。

虽然这些大型科技公司和其他公司投入数十亿美元专注于开发大型LLM来处理许多不同的任务，但人工智能的现实是，没有一种方案可以适用于所有情况，因为企业需要针对特定​​任务的模型。.

根据 AWS 首席执行官 Matt Garman 在一份关于双方扩大合作关系和投资的新闻稿中的说法，AWS 客户对使用 Anthropic 开发生成式 AI 的反响非常热烈。.

对于大多数公司而言，LLM 仍然是某些项目的首选，但对于其他项目而言，这种选择在成本、能源和计算资源方面可能非常昂贵。.

Steven McMillandent 提供了一条 替代发展路径， 但他也有其他观点。他坚信 SLM 代表着未来。

“展望未来，我们认为中小型语言模型和受控环境（例如特定领域的语言学习模型）将提供更好的解决方案。”

麦克米伦

（SLM） 生成定制化的输出， 因为语言模型经过专门训练。由于SLM生成的数据保存在内部，因此语言模型是在可能包含敏感信息的数据上进行训练的。

由于大型语言模型（LLM）能耗较高，小型语言版本（SLM）经过训练，能够根据项目的实际需求调整计算能力和能耗。通过这种调整，SLM 比目前的大型模型更高效、成本更低。.

对于希望利用人工智能获取特定知识的用户，可以选择领域特定的 （LLM） ，因为它们不具备广泛的知识。这类模型经过训练，能够深入理解某一类信息，并在该领域内做出更准确的响应，例如，首席营销官（CMO）与首席财务官（CFO）的响应就有所不同。

为什么SLM是首选方案

根据数据科学家协会 (ADaSci) 的说法，为一百万用户开发一个具有 70 亿个参数的 SLM 仅需 55.1MWh（兆瓦时）。.

ADaSci发现，使用1750亿个参数训练 GPT-3 估计消耗了1287兆瓦时的电力，而且这还不包括正式向公众使用时的电力消耗。因此，SLM的能耗大约只有LLM训练能耗的5%。

大型模型通常运行在云计算平台上，因为它们所需的计算能力远超单个设备所能提供的。这给企业带来诸多问题，例如信息迁移到云端后，企业会失去对信息的控制权，而且信息通过互联网传输时响应速度也会变慢。.

展望未来，企业采用人工智能的方式不会一刀切，效率和选择最佳且成本最低的工具来完成任务将成为关注重点，这意味着要为每个项目选择合适规模的模型。.

对于所有模型，无论是通用 LLM，还是更小、特定领域的 LLM，都将根据哪个模型能够提供更好的结果、需要更少的资源以及减少将数据迁移到 云端的。

在下一阶段，人工智能将对商业决策至关重要，因为公众对人工智能生成的答案抱有很高的信心。.

“在考虑训练人工智能模型时，必须以高质量数据为基础。”

麦克米伦

麦克米兰补充道：“这就是我们所做的一切，提供可信赖的数据集，然后提供相应的功能和分析能力，以便客户及其客户能够信任输出结果。”.

由于世界对效率和准确性的需求很高，规模较小且特定领域的LLM为企业和广大公众提供了另一种交付成果的选择，这些成果是他们可以信赖的。.