陳沛/文 最近生成式AI發(fā)展路線的分岔情況愈演愈烈，“大”和“小”的路線之爭(zhēng)正在登上舞臺(tái)中心。

在“大”的路線上，OpenAI的CEO拋出了7萬億美元的籌款計(jì)劃，籌建滿足未來AI開發(fā)算力需求的半導(dǎo)體工廠。7萬億相當(dāng)于全球GDP的近十分之一，耗這么大投入全給AI，至于嗎？很明顯，OpenAI的CEO認(rèn)為至于。

而在“小”的路線上，前兩年的谷歌Gopher、英偉達(dá)MT-NLG這些高達(dá)幾千億個(gè)參數(shù)的大模型似乎沒了更新，反倒是谷歌最近發(fā)布了面向個(gè)人AI開發(fā)者的函數(shù)庫(kù)localllm，開發(fā)者只要在谷歌云開發(fā)環(huán)境中使用本地CPU和內(nèi)存就能執(zhí)行量化模型，免去對(duì)GPU計(jì)算資源的依賴。同時(shí)，華為也發(fā)布了面向移動(dòng)設(shè)備端的10億參數(shù)小模型的研究成果。

怎么看待這一趨勢(shì)變化背后的深意？一味追求更大規(guī)模模型的發(fā)展路線要轉(zhuǎn)向了嗎？

其實(shí)沒有轉(zhuǎn)向，因?yàn)槟Ｐ捅旧淼男再|(zhì)就決定了大參數(shù)的表現(xiàn)要更好。在GPT-1出來之前，業(yè)界通常能做一個(gè)百萬至千萬參數(shù)級(jí)別的模型，那會(huì)像谷歌的BERT模型能做到1億參數(shù)量就讓人覺得是天量了。直到后來GPT-3直接做到千億級(jí)別，模型的輸出才實(shí)現(xiàn)了質(zhì)的飛躍。

但是這么大參數(shù)的模型的開發(fā)運(yùn)行就意味著更大的成本，預(yù)訓(xùn)練階段一次就是幾千個(gè)GPU運(yùn)行十幾天，而到推理階段又是幾十個(gè)GPU維持日常推理需求。結(jié)合云GPU服務(wù)商現(xiàn)在3至4美元一小時(shí)的價(jià)格，再粗略算上日常運(yùn)營(yíng)的基礎(chǔ)成本，一年的成本至少就奔著數(shù)百萬美元去了。

所以在實(shí)際的成本情況下，再考慮到還看不清楚的投入回報(bào)，是否還要一味追求更大規(guī)模的模型，就會(huì)出現(xiàn)遲疑和權(quán)衡。

目前的現(xiàn)狀是，現(xiàn)在ChatGPT的應(yīng)用讓用戶和企業(yè)都看到了生成式AI在商業(yè)領(lǐng)域的可能性，但付費(fèi)用戶除了日常不定期使用再?zèng)]找到增加用量的機(jī)會(huì)，企業(yè)試用后還沒有充分印證投入回報(bào)比，對(duì)于性能表現(xiàn)和數(shù)據(jù)隱私方面的疑慮也沒有被完全打消。

也正是因?yàn)檫@種現(xiàn)狀，才讓各方積極推動(dòng)生成式AI模型在移動(dòng)設(shè)備和個(gè)人開發(fā)平臺(tái)上的適配，把模型做小做快，在性能上進(jìn)行折中，降低開發(fā)門檻，期望能出現(xiàn)新的殺手級(jí)應(yīng)用。

我能觀察到，大模型和小模型之間的競(jìng)爭(zhēng)合作將會(huì)構(gòu)成生成式AI發(fā)展進(jìn)程中的雙重引擎。大模型在持續(xù)引領(lǐng)和擴(kuò)展技術(shù)邊界，小模型則以輕量高效和專注特定任務(wù)的能力體現(xiàn)應(yīng)用價(jià)值。這種動(dòng)態(tài)競(jìng)爭(zhēng)也為應(yīng)用開發(fā)者提供了多樣化的選擇，加速推出更智能、更個(gè)性化的生成式AI應(yīng)用。