企业人工智能多年来一直追求规模化。更大的模型、更多的参数、更大的数据集和更强大的计算能力，都成了进步的代名词。但企业开始提出一个更实际的问题：每个人工智能任务真的都需要最大的模型吗？
通常情况下，并非如此。.
小型语言模型 (SLM) 开辟了一条新途径。它们参数更少，通常针对特定任务或领域进行优化，能够将智能更贴近应用程序、设备和私有企业环境。对于构建人工智能软件解决方案的组织而言，这可能会将讨论的焦点从“模型有多强大？”转变为“它解决业务问题的效率有多高？”
人工智能软件解决方案可能并不需要处处都达到最高智能水平。
企业工作流程很少需要单一模型来包办一切。大多数情况下，人工智能需要可靠、快速且在运营约束范围内完成特定任务。.
这种区别为小型模型创造了空间。.
专业化智能可以胜过通用规模
设想一个人工智能系统，它可以对支持工单进行分类、从发票中提取信息、汇总内部文档、协助技术人员或回答有关公司政策的问题。这些任务的运行范围相对较窄。.
企业无需部署庞大的通用模型，而是可以围绕特定的术语、工作流程和数据集来训练、微调或构建规模较小的模型。如果一个设计良好的系统生命周期管理（SLM）的实际任务是理解某个组织的产品或流程，那么它就不需要掌握百科全书式的知识。.
因此，企业人工智能竞赛可能会从寻找最智能的模型转变为为每个工作流程寻找合适规模的智能。.
人工智能经济学开始呈现不同面貌。
人工智能的成本远不止于获取模型访问权限。每一次推理都会消耗计算资源。当应用程序处理成千上万甚至数百万次交互时，计算需求上看似微小的差异都可能成为影响运行的重要因素。.
SLM 可能需要更少的计算和内存，因此对高容量或重复性的企业工作负载很有吸引力。.
当企业希望将人工智能融入客户服务、运营、财务、人力资源、工程和其他职能部门时，这一点至关重要。如果每次交互都需要庞大的基础设施，那么扩展人工智能软件解决方案在财务和运营方面都会变得十分困难。.
较小的模型可以为架构师提供另一种选择：将较大的模型用于复杂的推理，而将较简单的任务路由到更高效的系统。.
未来或许会是多种模型的组合
这催生了一种不同的企业架构。企业不再需要在“生命周期管理模型”（LLM）和“服务生命周期管理模型”（SLM）之间做出选择，而是可以根据任务需求协调运用多种模型。.
较小的模型可以对传入的请求进行分类。另一个专用模型可以检索企业信息。较大的模型仅在必要时处理复杂的推理。规则和治理层可以决定哪个模型接收哪个工作负载。.
这种方法将人工智能模型视为需要协调的资源，而不是需要盲目标准化的平台。.
隐私保护或将推动情报与业务更紧密结合。
某些企业数据不应在系统间自由传输。财务记录、知识产权、客户信息、运营数据和内部通信等都需要更严格的控制。较小的模型可能提供更大的部署灵活性，适用于私有云环境、本地基础设施，甚至边缘设备。.
这有助于企业将某些工作负载部署在更靠近数据源的位置。对于对安全性、延迟或连接性有严格要求的行业而言，这种部署灵活性可能与模型性能同等重要。.
速度至关重要，人工智能与实际工作在此交汇
企业人工智能越来越多地在工作流程中运行，用户期望获得即时响应。.
制造系统、现场服务应用、移动设备、嵌入式系统和面向客户的工具可能无法容忍不必要的延迟。.
由于小型模型所需的计算资源更少，因此它们可以支持对推理速度要求较高的场景。边缘部署还可以降低某些用例对持续云连接的依赖。.
最终得到的AI感觉不像是一个独立的目标，而更像是日常软件中一个隐形的层。.
小并不一定意味着好
小型学习模型仍然需要权衡取舍。复杂的推理、广泛的知识任务、复杂的内容生成以及模糊的问题可能需要更大的模型。较小的模型也需要合适的训练数据、评估、安全控制、监控和治理。.
目标并非取代大型语言模型，而是默认情况下停止使用它们。.
另请阅读： 自动化机器学习可以消除的 7 个机器学习瓶颈
规模适宜的人工智能或将成为企业优势
企业人工智能的下一阶段可能不再围绕构建越来越大的模型展开，而是围绕如何将合适的智能分配给合适的工作负载展开。.
对于 AI 软件解决方案而言，SLM 创造了提高效率、围绕业务领域定制模型、加强部署控制以及使 AI 更贴近运营工作流程的机会。.
大型模型对于许多复杂任务仍然至关重要。但那些学会巧妙地将大型模型和小型模型结合起来的企业，或许能够获得比原始人工智能能力更有价值的东西：可持续的人工智能经济效益。.
在企业技术领域，成功的模式未必总是规模最大的，而可能只是功能恰到好处的那种。.
