我深入分析了当前AI领域的热门趋势:小模型竞争激烈,每个巨头都在努力推出性能优越、价格亲民的解决方案。比如,

价格战凶猛,AI小模型狂飙  

21世纪经济报道记者孔海丽、实习生刘清怡 北京报道

AI小模型大爆发,成为AI巨头的新角力赛场。

大模型价格战“卷生卷死”,投入了巨额资金的AI企业,亟需在商业故事上再进一步,最近纷纷祭出了自家低成本、易部署的小模型,新一轮较量拉开。

先是HuggingFace发布了SmoLLM – 135M、360M和1.7B,仅使用650B个token进行训练,性能却超过了Qwen 1.5B、Phi 1.5B。

隔日,Mistral AI和英伟达联合发布Mistral Nemo,被称为“Mistral AI最佳小型模型”,易于使用,可以直接替代任何使用Mistral 7B的系统。

就在同一天,OpenAI下场“血拼”,推出了GPT-4o 的迷你版——GPT-4o Mini,称这款新模型是“功能最强、性价比最高的小参数模型”,并将其作为展示模型,替换了GPT-3.5的网页版“台前”位置。

苹果也不甘示弱,与OpenAI同日发布了DCLM小模型,并且发布即开源。苹果ML小组研究科学家Vaishaal Shankar说“这是迄今为止性能最好的真正开源的模型”。

这些模型参数小、占内存少,在特定场景中,经过精调后使用效果可以媲美大模型,成为性价比之选。

“小模型一定是更容易实现价值的。”IBM中国数据与人工智能首席架构师徐孝天在接受21世纪经济报道记者采访时表示:“一批专业小模型配合agents实现业务流的整合,功能和经济性上都会更加可行。”

在AI生成式模型战场上,迭代速度极快,可能今天的“最好”,马上就会被明天的新版本打败,“历史记录”不断被颠覆重写。“模型更新太快,都不好评判,前脚有厂商说自家是‘最大最好的’,后脚就有另外一家说自己是‘最小最好的’。”人工智能行业资深观察人士告诉21世纪经济报道记者,人工智能模型眼花缭乱,AI企业要想跑通商业故事,必须十倍、百倍努力。

小模型赛道开“卷”

AI巨头们密集发布小模型,既比性能,还拼价格。

根据Open AI官网,在MMLU、MGSM、HumanEval、MMMU等基准测试中,GPT-4o mini均展现出了比GPT-3.5 Turbo和Gemini Flash、Claude Haiku等小模型更加出色的文本和视觉推理、数学推理、编码和多模态推理能力,尤其是数学推理和编码能力远胜过GPT-3.5 Turbo和其他小模型,稍弱于GPT-4o。在最新的LMSYS盲测竞技场排名中,GPT-4o mini还取得了与GPT-4o并列第一的好成绩,连OpenAI的CEO Sam Altman也难掩激动的心情,在社交媒体平台上发文称,“我们从未对任何一项评估感到如此兴奋。”

除了优异的性能,OpenAI还拿出了低价杀手锏。7月18日上线时,OpenAI宣布GPT-4o mini的定价为每百万输入token15美分和每百万输出token60美分,比GPT-3.5 Turbo便宜60%以上。7月24日,OpenAI再次宣布,从即日起至9月23日,免费为4级、5级用户提供GPT-4o mini微调服务,每天限制200万token,超过的部分按照每100万token3美元收费。OpenAI称:“我们期待GPT-4o mini将扩大人工智能的应用范围,使人工智能更加实惠。”

平安证券研报认为,GPT-4omini是价格显著下降的新一代入门级别人工智能“小模型”,兼具性能与性价比。当前全球范围内的大模型逐渐呈现由单方面的性能角逐,转向性能与实用性并重的发展趋势。大模型能力达到一定水平时必然会走向应用,大模型厂商通过提升其产品性价比,助推下游应用端的推广部署,有望加速大模型产业链商业闭环的形成。

在GPT-4o mini之后发布的苹果DCLM模型同样引人瞩目,DCLM全面开源了代码、权重、训练流程及数据集。DCLM分为14亿和70亿参数两种规模,其70亿参数版本超越了Mistral-7B ,性能接近Llama 3、gemma。在MMLU(5-shot)基准测试中,DCLM-7B的准确率为63.7%。根据研究人员的说法,这一性能比此前最先进的开放数据语言模型MAP-Neo提高了6.6%,并减少了40%的计算量。更重要的是,这一结果超越了准确率为62.7%的Mistral-7B-v0.3,并接近于准确率为64.3%的gemma 8B、66.2%的Llama3 8B和69.9%的Phi-3 7B。

比起“越大越好”,苹果更倾向于走小模型路线。今年4月,苹果公布的小模型家族四款预训练的大模型OpenELM,体量极小,彼时已在朝着“让人工智能在苹果设备上本地运行”目标迈进。

6月,苹果曾透露自己的AI发展路线图,计划把小模型顺利嵌进移动装备,不仅能达到“更快速、更安全”的目的,还一举解决了移动端设备与模型融合的终极难题。

Mistral Nemo是Mistral AI与Nvidia合作构建的,该模型经过先进的微调和对准阶段,在遵循精确指令、推理、处理多轮对话和生成代码方面表现优异。据了解,Mistral NeMo主要面向企业环境,目的是让企业在不需要大量云资源的情况下实施人工智能解决方案。

在接受Venturebeat采访时,英伟达应用深度学习研究副总裁 Bryan Catanzaro 详细阐述了小型模型的优势。他说:“小型模型更容易获取和运行,可以有不同的商业模式,因为人们可以在家中自己的系统上运行它们。”

大模型进入下半场,从技术卷到应用,市场对于更易本地部署的高效率、低成本模型越来越感兴趣,这背后折射了对安全性、隐私性以及高效率、高性价比的渴望。

行业分析师认为,AI部署有了一个明显的新趋势,即可以在本地硬件上高效运行的模型,正在打消许多企业大规模采用AI方案的担忧,比如数据隐私、延迟以及高成本等问题。“这可能会使竞争更加公平,资源有限的小企业也将获得AI模型的加持,从而弥合与大企业之间先天的差距。”

入局小模型赛道背后

AI巨头们为何纷纷开辟小模型赛道?部分或出于成本因素的考量。

大模型的开发和运行成本高昂,即使像OpenAI这样的巨头也难以负担得起。

近日,有知情人士分析称“OpenAI今年可能会亏损50亿美元,面临着在12个月内资金耗尽的风险”。截至今年3月,OpenAl花费近40亿美元租用微软的服务器,以运行ChatGPT及其底层大语言模型(LLM)。除了运行ChatGPT之外,OpenAl包括数据费用在内的培训成本今年可能会飙升至30亿美元。据知情人士透露,去年,OpenAl加快了对新AI的训练,速度超过了最初的计划,OpenAl原本计划在这类成本上花费约8亿美元,但最终的支出要多得多。

相较之下,小模型成本低、响应速度快,而且可以本地化运行,更能适应个性化、精准化的使用需求。业内人士表示:“在全球AI硬件供不应求的前提下,小模型意味着更低的部署和训练成本,其产出效果足以应对一些特定任务。”

国内AI企业相关业务负责人告诉21世纪经济报道记者,小参数规模可以大幅节省推理成本,模型训练与调整所需的硬件成本远远低于大模型,成熟开发者甚至可以低成本训练垂直模型,这些操作的成本都远低于大模型。

OpenAI创始成员、特斯拉前AI高级总监Andrej Karpathy最近的预测颇有代表性,他提出,生成式模型的尺寸竞争将会逆转,比拼谁的模型更小、更智能。

在Andrej Karpathy的解释中,当前大模型如此之大,是因为训练期间仍然非常浪费,虽然大模型在记忆方面非常出色,但这也意味着大模型记住了大量无关紧要的细节,而那些内容本不应该在特定问题中反复被调用。

对于小模型来说,训练目标变得更简单、直接、高效,让AI更直接地学到更有用的信息。

不过,大模型与小模型并非“二选一”,他们的发展路线仍然有着相互借鉴的意义。

Andrej Karpathy称:“模型必须先变大,然后才能变小。因为我们需要大模型将数据重构、塑造成理想的形式,一个模型帮助生成下一个模型的训练数据,逐渐得到完美的训练集,再喂给小模型,而后者不需要完全记住所有的知识,只是偶尔需要查找一些东西以确保准确。”

李彦宏也曾在百度AI开发者大会Create 2024上表示,未来大型的AI原生应用基本都是Moe架构,即大小模型的混用。李彦宏还称,通过大模型压缩蒸馏出一个基础模型,然后再用数据去训练,比从头开始训练小模型的效果要好很多,比基于开源模型训练出来的模型效果更好,速度更快,成本更低。

通过这些努力,我们看到未来AI技术不断演进,从大模型到小模型的转变,将为更广泛的应用带来更多可能性。