为什么我们需要拥抱小模型？

模型即服务（Model as a Service），简称MaaS，指的就是像OpenAI一样将自家AI模型的接口开放给广大企业用户或个人用户，用户仅仅需要在调用该模型的基础上，进行一定程度的个性化微调，就可以完成各种多元任务。说白了，只要是将模型应用起来，都可以视为模型即服务。

如今国内已有超过两百个所谓的大模型发布，国内“百模大战”如火如荼，大战下半场，舆论重心也逐渐从比较模型的参数规模和技术跑分，到思考如何将模型更好地应用到实处。 

此时也出现了多种声音，关于大模型的应用，关于小模型的应用，基于大模型的小模型的应用等等。而小模型这一词汇逐渐占据视角的同时，也让不少人开始思考，那么多大模型是否真的有必要？以及大小模型将会如何共同发展？ 

一、为大而大，及时刹车

如今，模型的为大而大，正在刹车。

此前几个国内主要的大模型都曾宣称自己的参数规模超千亿级别，有的甚至是万亿，一时间，对比各大模型参数的数量级，成为不少AI爱好者茶余饭后的谈资。 

然而百度李彦宏在近日的圆桌会议上发言称：“100多个大模型浪费社会资源……尤其在中国算力还受限制情况下，企业应该去探索各行各业的应用结合、全新的 App产品可能性等。” 

李彦宏的发言并非是因为已经疲于作战，而是及时参透了为大而大的假象。 

其实早在今年4月， OpenAI 首席执行官山姆·阿尔特曼（Sam Altman）就在麻省理工学院交流时说过：“我认为我们正处于巨型模型时代的结尾。”意在表示新的进步不会来自于让模型变得更大，“我们会以其他方式让他们变得更好。” 

并且谷歌和微软也确实都在积极拥抱小模型。 

谷歌在今年5月份的开发者大会上发布了新一代大语言模型 PaLM2，总共四个尺寸，其中参数体量最小的模型代号“壁虎”有被着重介绍，虽然当时并未给出“壁虎” 的具体参数规模，但谷歌CEO皮查伊说，“壁虎” 可以在手机上运行，而且速度足够快、不联网也能正常工作。 

在11月的Ignite2023上，微软董事长兼首席执行官Nadella在主题演讲中就推出了基于微软云计算Azure的MaaS服务，紧接着便直言“微软喜欢小模型（SLM）”，并宣布了名为Phi-2的小型语言模型，该模型参数仅有27亿，尽管比起Phi-1.5的13亿参数有所增长，“但Phi-2在数学推理方面的性能提高了50%，并且是开源的，还将加入MaaS。” 

这些国内外AI巨头大模型刹车的背后，实则是因为大模型竞赛问题丛生。

浪费算力的问题首当其冲。

11月中旬，微软研究院机器学习团队的负责人Sebastien Bubeck在推特上发布了一张图，显示了在MT bench的测评体系下，仅有27亿参数规模的Phi-2得分6.62，18000亿参数的GPT-4得分8.99。 

此前就有人爆料GPT4训练一次的费用可能达到6300万美元，然而如此高昂的代价，带来的并不是跟随成本线性增长的性能，山姆直言：“扩大模型规模的收益在递减。” 

简而言之，办好七成的事情只需要花一块钱，与办好九成的事情可能需要一千元，对于每个企图入局大模型的企业而言，都是一件需要在战略层面抉择的事情。 

显然，很多竭尽全力往更大规模上靠的大模型都选择了花更多的钱，还不一定能办好九成的事，造成了极大的算力浪费，这些算力都会实打实地消耗芯片和人力。 

其次，更大模型带来的AI涌现，将变得愈发不可控制。

OpenAI认为，未来十年来将诞生超过人类的超级AI系统，彼时“基于人类反馈的强化学习技术将终结”。 

也就是说，当AI超越人类后，AI不会再听人话来进行训练调整，那时候AI自我进化会带来什么后果，许多科幻作品已经为我们敲响警钟。 

哪怕暂且不提不远不近的未来，只看眼前，通用大模型要应用到实处，本身就是一个难题。从技术出发去匹配应用场景，容易本末倒置。 

此时许多垂直大模型才是用对了思路，直接从业务角度出发搭建大模型。 

但关键在于，这些垂直大模型虽然在往更大规模上靠拢，却又算不上“大”。此时的“大模型”反而变成了一个象征意义的前后缀。 

比如农业银行基于其本身业务推出的大模型小数（ChatABC），参数达百亿，相比起几个通用大模型动辄几千亿上万亿的参数规模，百亿并不算大。而面对垂直行业的业务，模型也实在没必要过大。 

参数到达多少亿就算是大模型了，随着技术的发展，恐怕是不会有确切不变的标准的。微软现在认为自己27亿的模型就算小模型，但在早几年前普遍认为上亿就算大模型了。 

不过不管多大多小，重点在于，搭建模型的目的是什么？

二、以小驭大，把缰绳交给用户

我们需要离用户更近的模型。

在用户层面来看，如何更快更好更低成本地使用工具达成自己的目的才是核心诉求。 

如果将通用大模型直接给C端用户使用，使用成本高，不够个性化，恐怕都将成为难以维系商业可持续性的原因。 

一个很典型的例子就是使用GPT-4，每次对话结束后都会清空，它不会记住你之前有什么样的需求偏向，导致AI带来的效率提升大打折扣。相信也正因为如此，OpenAI会推出GPT的应用商店，允许用户搭建自己的GPT个性化应用。但GPT-4仍要收取一定的会员费用，其实这笔费用对于世界各地广大C端用户而言并不算低。 

那么这个时候，如果有一个直接从具体的业务场景出发训练搭建的模型，相信对于用户而言使用成本和效率都会更理想，而这样的模型往往也不会太大。 

更不用说以后的模型即服务更大的应用场景在于让AI走下云端，走进移动端，将模型塞进手机、智能汽车、机器人等设备，进行离线运行，这只有较小的模型才能做到，上文说到的谷歌“壁虎”可在手机离线运行的意义便在于此，毕竟一个只要没网就无法运行的AI智能设备实在鸡肋。 

在创业角度来看，搭建离用户更近的模型自然也更有生存空间。

一个很典型的例子就是，在SaaS（软件即服务）时代出现了一种情况：针对具体地区某个细分餐饮品类点单小程序这个场景，仅仅一家十人左右的公司就可以搭建起一套SaaS系统的研发和销售，创始人以前就是开这种餐饮店的，积累了相当多的同行资源以及场景痛点，如此的小系统，成本低，且更懂用户，在售卖软件环节轻而易举打败许多通用型餐饮点单SaaS系统。 

MaaS时代极有可能也会出现这样的事情。 

小一些的模型和大一些的模型当然不总是竞争关系，“大模型可以成为小模型的基座”这是很多人已经达成的共识，但在这个观点之下更底层的关系在于，较小的模型离用户更近，较大的模型走得更远，以小驭大，让人类走得更远。

在模型的应用开发方面，早就有用小模型驾驭大模型的实例。 

比如上文提到的Ignite2023微软CEO就在介绍小模型时表示“可以将微软的云计算AzureAI能力从云扩展到任何端点”，调用GPT-4的强大功能，定义自己的小模型。 

国内则是有华为的盘古大模型3.0，提供5+N+X的三层解耦架构，其中的“5”指的就是基础大模型，“N”是通用层面，“X”则是具体应用场景的小模型。 

较小的企业比如做营销解决方案服务的沃丰科技此前表示，他们在模型训练上采取了两种策略。一是固定一部分参数，只对其余参数进行迭代。二是在通用大模型基础上，进行小模型迭代。 

个人用户基于GPT大模型搭建属于自己的GPT应用，也是典型的以小模型驾驭大模型，毕竟，小模型更懂你，大模型更全能。 

而在AI进化这方面，上文提到过的OpenAI的隐忧，即AI的进化将变得不听人话，出现的问题也将超过人类认知，针对这个隐患，OpenAI目前想到的解决方案就是用小模型去监督大模型，原话是——“弱AI监督引导强AI”。

这来源于12月17日OpenAI在其官网上发布的一个全新研究成果：一个利用较弱的模型来引导更强模型的技术，即由弱到强的泛化。 

在此前类似的研究中，由弱替代强被称为模型蒸馏。它可以生成一个小的、高效的模型，这个模型可以在资源受限的设备上运行，同时保持与大模型相似的性能。原本的研究出发点是在移动设备或边缘设备上部署较大的AI模型。 

而OpenAI此举则是为了监督强AI的进化，OpenAI称其为超级对齐，我们可以理解为，让听得懂机器语言的大模型向小模型看齐，让既听得懂机器语言又听得懂自然语言的小模型向人类看齐。 

OpenAI这里用的弱AI和强AI分别是GPT-2和GPT-4，GPT-2的参数为15亿，如果研究结果切实可行，也就意味着人类可以用15亿参数的小模型驾驭18000亿参数的大模型。 

由此可见，较小的模型不管从应用层面还是进化层面都成为了缰绳，缰绳的一边是人类，另一边是远超人类的超级AI。

三、写在最后

著名科幻动画片《爱，死亡和机器人》第二季第一集《自动化客户服务》中讲述的故事是，人们生活在一个几乎所有的设备都连接了智能AI的未来世界，在故事前半部分的烘托中，人类跟这些AI设备完全没有深度交流，仅仅只是下达指令让他们做事。故事的结局是，所有设备联合起来追杀人类。 

同样也是《爱，死亡和机器人》，第一季让人印象深刻的《齐马蓝》，讲述的则是一个叫做齐马的艺术家，他边画画边探索宇宙的奥秘。然而他的每一幅作品中间都有一个蓝色的方块。 

后来齐马接受采访，讲述了一个泳池清洗机的故事，并称这个泳池清洗机“最初来源于一位才华横溢的年轻女士的创造”，“她最喜欢的机器人就是这个。”后来，这位女士基于这个小机器人不断地进行改造，直到这位女士死后，机器人被继承给了别人继续迭代，并变得越来越像齐马。 

在最后一场艺术家的发布会上，齐马跳进泳池里欣然切断了自己的高级大脑，只剩下他最本真的部分——泳池清洗机，然后开始用自己的小刷子刷泳池上的蓝色瓷砖块，并发出感慨：

“我对真理的探索终于结束了，我回家了。”