在人工智能發(fā)展的道路上,科技巨頭們?cè)?jīng)競(jìng)相開(kāi)發(fā)規(guī)模龐大的語(yǔ)言模型,但如今出現(xiàn)了一種新趨勢(shì):小型語(yǔ)言模型(SLM)正逐漸嶄露頭角,挑戰(zhàn)著過(guò)去“越大越好”的觀念。
當(dāng)?shù)貢r(shí)間8月21日,微軟和英偉達(dá)相繼發(fā)布了最新的小型語(yǔ)言模型——Phi-3.5-mini-instruct和 Mistral- NeMo- Minitron8B。這兩款模型的主要賣(mài)點(diǎn)是它們?cè)谟?jì)算資源使用和功能表現(xiàn)之間實(shí)現(xiàn)了良好的平衡。在某些方面,它們的性能甚至可以媲美大模型。
人工智能初創(chuàng)公司Hugging Face的首席執(zhí)行官Clem Delangue指出,高達(dá)99%的使用場(chǎng)景可以通過(guò)SLM來(lái)解決,并預(yù)測(cè)2024年將成為SLM之年。據(jù)不完全統(tǒng)計(jì),包括Meta、微軟、谷歌在內(nèi)的科技巨頭們今年已經(jīng)發(fā)布了9款小模型。
大模型訓(xùn)練成本攀升
SLM的崛起并非偶然,而是與大模型(LLM)在性能提升與資源消耗方面的挑戰(zhàn)密切相關(guān)。
AI 初創(chuàng)公司 Vellum 和Hugging Face今年4月份發(fā)布的性能比較表明,LLM之間的性能差距正在迅速縮小,特別是在多項(xiàng)選擇題、推理和數(shù)學(xué)問(wèn)題等特定任務(wù)中,頂級(jí)模型之間的差異極小。例如,在多項(xiàng)選擇題中,Claude 3 Opus、GPT- 4 和Gemini Ultra的準(zhǔn)確率均超過(guò)83%,而在推理任務(wù)中,Claude3 Opus、GPT-4和Gemini 1.5Pro的準(zhǔn)確率均超過(guò)92%。
Uber AI 前負(fù)責(zé)人 Gary Marcus指出:“我想每個(gè)人都會(huì)說(shuō)GPT-4比GPT-3.5領(lǐng)先了一步,但此后的一年多沒(méi)有任何質(zhì)的飛躍!
與有限的性能提升相比,LLM的訓(xùn)練成本卻在不斷攀升。訓(xùn)練這些模型需要海量數(shù)據(jù)(10.370, 0.62, 6.36%)(維權(quán))和數(shù)以億計(jì)甚至萬(wàn)億個(gè)參數(shù),導(dǎo)致了極高的資源消耗。訓(xùn)練和運(yùn)行LLM所需的計(jì)算能力和能源消耗令人咋舌,這使得小型組織或個(gè)人難以參與核心LLM開(kāi)發(fā)。
國(guó)際能源署估計(jì),數(shù)據(jù)中心、加密貨幣和人工智能相關(guān)的電力消耗到2026年,會(huì)大致相當(dāng)于日本全國(guó)的用電量。
OpenAI首席執(zhí)行官阿爾特(9.160, -0.03, -0.33%)曼曾在麻省理工學(xué)院的一次活動(dòng)上表示,訓(xùn)練GPT-4的成本至少為1億美元,而Anthropic首席執(zhí)行官Dario Amodei預(yù)測(cè),未來(lái)訓(xùn)練模型的成本可能達(dá)到1000億美元。
此外,使用LLM所需的工具和技術(shù)的復(fù)雜性也增加了開(kāi)發(fā)人員的學(xué)習(xí)曲線。從訓(xùn)練到部署,整個(gè)過(guò)程耗時(shí)漫長(zhǎng),減緩了開(kāi)發(fā)速度。劍橋大學(xué)的一項(xiàng)研究顯示,公司可能需要90天或更長(zhǎng)時(shí)間才能部署一個(gè)機(jī)器學(xué)習(xí)模型。
LLM的另一個(gè)重大問(wèn)題是容易產(chǎn)生“幻覺(jué)”——即模型生成的輸出看似合理,但實(shí)際上并不正確。這是由于LLM的訓(xùn)練方式是根據(jù)數(shù)據(jù)中的模式預(yù)測(cè)下一個(gè)最可能的單詞,而非真正理解信息。因此,LLM可能會(huì)自信地生成虛假陳述、編造事實(shí)或以荒謬的方式組合不相關(guān)的概念。如何檢測(cè)和減少這些“幻覺(jué)”是開(kāi)發(fā)可靠且可信賴語(yǔ)言模型的持續(xù)挑戰(zhàn)。
小模型可降低成本
對(duì)LLM巨大能源需求的擔(dān)憂,以及為企業(yè)提供更多樣化AI選項(xiàng)的市場(chǎng)機(jī)會(huì),讓科技公司將注意力逐漸轉(zhuǎn)向了SLM。
《每日經(jīng)濟(jì)新聞》記者注意到,不管是Arcee、Sakana AI和Hugging Face等AI初創(chuàng)公司,還是科技巨頭都在通過(guò)SLM和更經(jīng)濟(jì)的方式吸引投資者和客戶。
此前,谷歌、Meta、OpenAI和Anthropic都發(fā)布了比旗艦LLM更緊湊、更靈活的小模型。這不僅降低了開(kāi)發(fā)和部署的成本,也為商業(yè)客戶提供了更便宜的解決方案。鑒于投資者越來(lái)越擔(dān)心AI企業(yè)的高成本和不確定的回報(bào),更多的科技公司可能會(huì)選擇這條道路。即便是微軟和英偉達(dá),如今也先后推出了自己的小模型(SLM)。
SLM是LLM的精簡(jiǎn)版本,具有更少的參數(shù)和更簡(jiǎn)單的設(shè)計(jì),它們需要更少的數(shù)據(jù)和訓(xùn)練時(shí)間——只需幾分鐘或幾小時(shí)。這使得SLM更高效,更易于在小型設(shè)備上部署。例如,它們可以嵌入到手機(jī)中,而無(wú)需占用超算資源,從而降低成本,并顯著提升響應(yīng)速度。
SLM的另一個(gè)主要優(yōu)勢(shì)是其針對(duì)特定應(yīng)用的專業(yè)化。SLM專注于特定任務(wù)或領(lǐng)域,這使它們?cè)趯?shí)際應(yīng)用中更加高效。例如,在情緒分析、命名實(shí)體識(shí)別或特定領(lǐng)域的問(wèn)答中,SLM的表現(xiàn)往往優(yōu)于通用模型。這種定制化使得企業(yè)能夠創(chuàng)建高效滿足其特定需求的模型。
SLM在特定領(lǐng)域內(nèi)也不易出現(xiàn)“幻覺(jué)”,因?yàn)樗鼈兺ǔT诟⒏嗅槍?duì)性的數(shù)據(jù)集上訓(xùn)練,這有助于模型學(xué)習(xí)與其任務(wù)最相關(guān)的模式和信息。SLM的專注性降低了生成不相關(guān)、意外或不一致輸出的可能性。
盡管規(guī)模較小,SLM在某些方面的性能并不遜色于大模型。微軟最新推出的Phi-3.5-mini-instruct僅擁有38億個(gè)參數(shù),但其性能優(yōu)于Llama3.18B和Mistral7B等參數(shù)遠(yuǎn)高于它的模型。美國(guó)東北大學(xué)(位于美國(guó)馬薩諸塞州波士頓,是一所頂尖的私立研究型大學(xué))語(yǔ)言模型研究專家Aaron Mueller指出,擴(kuò)展參數(shù)數(shù)量并非提高模型性能的唯一途徑,使用更高質(zhì)量的數(shù)據(jù)訓(xùn)練也可以產(chǎn)生類似效果。
OpenAI首席執(zhí)行官阿爾特曼在4月的一次活動(dòng)中表示,他相信當(dāng)前正處于巨型模型時(shí)代的末期,“我們將通過(guò)其他方式來(lái)提升它們的表現(xiàn)。”
不過(guò),需要注意的是,雖然SLM的專業(yè)化是一大優(yōu)勢(shì),但也有局限性。這些模型可能在其特定訓(xùn)練領(lǐng)域之外表現(xiàn)不佳,缺乏廣泛的知識(shí)庫(kù),和LLM相比無(wú)法生成廣泛主題的相關(guān)內(nèi)容。這一限制要求用戶可能需要部署多個(gè)SLM來(lái)覆蓋不同的需求領(lǐng)域,從而使AI基礎(chǔ)設(shè)施復(fù)雜化。
隨著AI領(lǐng)域的快速發(fā)展,小模型的標(biāo)準(zhǔn)可能會(huì)不斷變化。東京小模型初創(chuàng)公司Sakana的聯(lián)合創(chuàng)始人兼首席執(zhí)行官David Ha表示,幾年前看似龐大的AI模型,現(xiàn)在看來(lái)已經(jīng)顯得“適中”!按笮】偸窍鄬(duì)的!盌avid Ha說(shuō)道。(每經(jīng)記者 文巧 實(shí)習(xí)記者 岳楚鵬 每經(jīng)編輯 高涵 )