虽然公司正在向大型语言模型（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）将成为下一个大事件。

这是因为随着节日的到来，该行业的活动继续增长，科技公司投入了更多的资金来开发他们的技术。

未来在小型语言模型中

亿万富翁埃隆·马斯克（Elon Musk）经营的xAI等公司设法从安德森·霍洛维茨基金（Andreessen Horowitz）、卡塔尔投资局（Qatar Investment Authority）、红杉资本（Sequoia）和Valor Equity Partners筹集了额外的50亿美元，而亚马逊（Amazon）则向竞争对手Anthropic额外投资了40亿美元OpenAI.

虽然这些大型科技公司和其他公司正在投资数十亿美元，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，没有一刀切的方法，因为企业需要针对特定任务的模型。

AWS首席执行官Matt Garman在一份关于他们不断扩大的合作伙伴关系和投资的新闻稿中表示，正在开发由Anthropic支持的生成式人工智能的AWS客户已经做出了压倒性的回应。

对于大多数公司来说，LLM仍然是某些项目的首选，但对于其他公司来说，这种选择在成本、能源和计算资源方面可能很昂贵。

Teradata总裁兼首席执行官Steven McMillan提供了替代路径对于一些企业也有其他看法。他对SLM的未来充满信心。

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

~麦克米兰

SLM生产定制输出在特定类型的数据上，语言模型经过专门训练。由于SLM生成的数据保存在内部，因此语言模型是在潜在的敏感数据上进行训练的。

由于LLM是耗能的，因此小型语言版本经过训练，可以根据项目的实际需求扩展计算和能源使用。通过这样的调整，这意味着SLM的效率比目前的大型型号低。

对于希望将AI用于特定知识的用户，可以选择特定领域LLMs因为它们不提供广泛的知识。它被训练成只深入理解一类信息，并在该领域做出更准确的回应，例如CMO与CFO。

为什么SLM是首选

根据数据科学家协会（ADaSci）的数据，为100万用户完全开发一个具有70亿个参数的SLM只需要55.1MWh（兆瓦时）。

ADaSci发现培训GPT-31750亿个参数消耗了约1287MWh的电力，这还不包括正式投入公众使用的时间。因此，SLM大约消耗了LLM训练所消耗能量的5%。

大型模型通常在云计算机上运行，因为它们使用的计算能力比单个设备上可用的计算能力更强。这给公司带来了复杂性，因为当信息转移到云端时，他们失去了对信息的控制，并且在互联网上传播时响应缓慢。

展望未来，企业采用人工智能不会是一刀切的，因为效率和选择最好、最便宜的工具来完成任务将是重点，这意味着为每个项目选择合适的模型。

这将适用于所有模型，无论是通用LLM，还是更小、特定于领域的LLM，具体取决于哪种模型将提供更好的结果，需要更少的资源，并减少数据迁移到云.

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有很高的信心。

“当你想到训练人工智能模型时，它们必须建立在大数据的基础上。”

~麦克米兰

麦克米兰补充道：“这就是我们所要做的，提供可信的数据集，然后提供功能和分析能力，这样客户及其客户就可以信任这些输出。”。

随着世界对效率和准确性的要求越来越高，小型和特定领域的LLM为公司和更广泛的公众提供了另一种交付结果的选择。

循序渐进的系统在90天内启动您的Web3职业生涯并获得高薪加密货币工作。