【ZiDongHua 之智能自动化收录关键词：大模型  AI   人工智能   ChatGPT 】
　　
　　AI模型掀起“大小之争”，谁将取胜？
　　
　　过去一年，大模型因其惊人的创造力和广泛的适用性成为全球瞩目的焦点，每次迭代更新都牵动着市场的心弦。与过去各大厂商在各自领域不断迭代的小模型相比，大模型凭借其强大的泛化能力和丰富的生成内容，令人们深思：大模型能否全面取代小模型，成为赋能生产、生活的唯一工具？
　　
　　从“小作坊”到“流水线”，大模型让 AI 研发更简单
　　
　　在大模型兴起之前，AI 研发的第一阶段范式是“从头开始”，每个模型都针对特定应用场景需求进行训练。这一阶段需要优秀的产品经理给出准确需求，并投入巨量资源，包括高质量的训练数据、强大的算力，以及具备扎实专业知识和协同合作能力的深度学习算法团队。然而，这种传统的定制化、作坊式的模型开发方式导致小模型无法复用和积累，使得 AI 落地面临高门槛、高成本和低效率难题。
　　
　　
　　
　　资料来源： 2023•黑马AIGC峰会 智源研究院
　　
　　2014年，预训练模型+微调的迁移学习技术的出现，成为了 AI 研发的第二阶段范式。该范式主要利用训练好的基础预训练模型，进行二次微调训练。相较先前的范式，能够节省5-10倍的人力、算力和数据量。然而，此方法扩展性不佳，模型难以跨领域或场景泛化。在复杂场景下，需要训练多个模型。
　　
　　
　　资料来源：2023•黑马AIGC峰会 智源研究院
　　
　　近几年来，大模型技术的发展让 AI 研发进入第三阶段范式，即基础大模型+应用提示。亿级参数以上的大模型能从各种场景数据中提炼出通用能力，形成具有泛化能力的模型底座。通过直接调用 API，大模型能快速输出所需结果，不再需要微调训练。这使得 AI 研发更加高效，模型生产从“作坊式”升级为“流水线”。因此，许多研究力量开始集中于大模型，认为它能全面赋能生产生活。
　　
　　事实上，仅靠基础大模型+应用提示并不能满足产业落地需求。实践证明，对于特定或新任务，即使通过多轮提示让大模型输出所需结果，它仍“记不住”过程。若将完整提示加到每次调用中，可能超出大模型上下文能力，且导致推理开销增大、效果难以控制。
　　
　　不仅如此，大模型+应用提示的数据来源往往是公开资料，质量低、专业度不足，有时甚至会给出错误或误导性信息，更适用于泛化能力要求高、通用能力要求高、精度要求低的广域场景。而在精度要求高、泛化能力要求低的窄域场景中，大模型+应用提示可能无法提供足够的竞争力。
　　
　　此外，很多实际任务和特定场景缺乏充足的数据，或者并不需要大量数据。当面对少量标注数据时，大模型容易过拟合，导致性能下降。同时，在计算资源有限的场景，如各类终端设备上，大模型的能力也受到限制。
　　
　　在现有的技术条件下，单纯依赖大模型并不能解决所有问题。预训练小模型结合迁移学习训练的第二阶段范式，仍然在很多场景中发挥着不可替代的作用。
　　
　　深耕细分领域，小模型的六大差异化优势
　　
　　工信部数据显示，截至大模型爆发前的2022年，国内有近4000家 AI 企业分别在各自的领域内不断优化小模型。这些小模型已广泛部署于各个行业，显著提升了社会整体的生产效率。
　　
　　2022年中国AI软件算法下游场景分布
　　
　　与大模型相比，小模型的训练数据量与参数量较少，这为它带来了诸多差异化优势。
　　
　　01
　　
　　速度更快，效率更高
　　
　　小模型需要的资源少，训练和预测速度快，能在配置低的硬件上运行；
　　
　　02
　　
　　具备灵活性和可定制性
　　
　　小模型能适应各种场景，可以通过调整模型来提高准确率；
　　
　　03
　　
　　具备安全性和隐私保护能力
　　
　　小模型处理的数据量小，不需要在云端处理，本地运行更安全；
　　
　　04
　　
　　资源消耗和成本低
　　
　　小模型的存储和带宽需求少，成本低，适合在边缘设备上运行；
　　
　　05
　　
　　数据质量和数量要求低
　　
　　小模型对数据要求不高，即便低质少量也可以使用；
　　
　　06
　　
　　易于部署和升级
　　
　　小模型可以根据生产环境的需求进行调整。
　　
　　如果说大模型的特点是“通用”，那么小模型的优势就在于“专精”，可以满足特定场景、特定任务的需求。以计算机视觉领域为例，小模型已在多个实际场景中实现商业化应用，包括泛安防（如人脸识别闸机）、互联网（如用户匹配）、金融（如身份核验）、工业（如缺陷检测）和医疗（如辅助诊断）等。
　　
　　当前，从发展阶段来看，大模型在商业应用中的落地仍处在早期阶段，而小模型则占据市场的主导地位。大模型的优势在于其泛用性强，并能够基于用户反馈持续优化自身性能。相反，小模型虽然泛用性相对较弱，但却能填补行业落地"最后一公里"的需求空白。
　　
　　在此背景下，以应用落地为核心诉求，大模型和小模型协同发展，或将成为未来一段时间内的主流趋势。
　　
　　大小模型并驾齐驱，推动AI普惠加速落地
　　
　　AI 的普及和实际应用，成本是核心问题。通过大小模型的协同并驱，可以更好地发挥各自的优势，从而实现成本的降低和效率的提高。
　　
　　大模型的优势，在于其广泛适用性和自我优化能力，因此可以通过预训练和微调为企业定制百亿级大模型。同时，利用蒸馏和剪枝等技术，将大模型的知识和认知能力输出到小模型中，或从大模型中抽取十亿级小模型，以轻量化小模型向下游场景赋能。
　　
　　小模型在行业实施中具有前瞻性，能加速大模型的收敛，并评估大模型的样本价值。其核心任务是将行业知识导入大模型。短期来看，小模型在行业应用中具有不可替代的地位，负责实际应用的推理与执行环节。基于真实场景数据的训练，小模型能向大模型反馈更具针对性的模型算法，从而提升大模型的能力。
　　
　　资料来源：华东政法大学《人工智能通用大模型（ChatGPT）的进展、风险与应对》
　　
　　作为智能行业的领军企业，联想早在去年就提出了混合智能（Hybrid AI）概念，认为混合智能将会在各行各业落地应用，推动 AI 普惠。联想混合智能是指大型的公共大模型和小型的企业级大模型、个人大模型的混合应用，共同构建一个混合 AI 框架，让企业和个人没有后顾之忧地享受大小模型带来的效率红利。
　　
　　去年12月，联想又在与IDC发布的业内首份《AIPC产业（中国）白皮书》中表示，大小模型并用的混合 AI，对承载小型的“个人大模型”的终端的交互能力、智能算力、应用场景、安全保护等都提出了更高要求，PC 以各方面表现出的优异性能，成为AI普惠的首选终端。
　　
　　与此同时，联想率先推出了全球首款 AI PC。基于在服务器领域的经验，以及“端、边、云、网、智”的新 IT 能力积累，联想的 AI PC 产品会搭载大模型压缩技术，从而具备本地运行“个人大模型”的能力，可以实现公共大模型与个人大模型两者间精准地实时切换。
　　
　　在随后的几个月内，联想不遗余力的推出十余款 AI PC，加速 AI 在 PC 领域的应用和普及。此外，还发布了天禧AI生态“四端一体”战略，意在全面整合内嵌AI 技术的终端设备，让混合 AI 在更多终端普及。该战略中首次亮相的个人智能体，进一步优化了用户与 AI 的交互体验，让 AI 技术更贴近用户日常生活。
　　
　　未来，联想将承担起行业生态组织者的使命，以场景需求为基础面向用户整合产业资源，继续探索小模型与终端设备的深度融合，对用户的体验“总负责”。