異軍突起的小模型，有多大想象空間？

　　本文來自于微信公眾號 AI新智能(ID:alpAIworks)，作者:舉大名耳。

　　大模型之戰(zhàn)進入到今日，許多開發(fā)者都面臨著一個共同的挑戰(zhàn):如何在保證高性能的同時，降低資源和算力的需求?

　　這一困境在端側應用尤為明顯，因為許多設備和應用場景對計算能力和存儲空間有嚴格的限制。這無疑大大制約了大模型在各種設備和場景中的普及。

　　如何突破這一桎梏，實現(xiàn)性能與資源的完美平衡，從而打開潛在的市場?

　　近期，一些小型模型，如Mistral AI推出的Mixtral8x7B和微軟發(fā)布的Phi-2，提供了一個可能的解決方案。

　　這些小模型在參數(shù)規(guī)模上相對較小，但在性能上卻表現(xiàn)出了驚人的實力，甚至在某些方面超越了Llama2等規(guī)模更大的競爭對手。

　　而這也意味著，套在很多場景上的“參數(shù)枷鎖”，也將有望被打破。一個新的增量市場，已經呼之欲出。

　　1

　　以小博大

　　從技術上說，Mistral 和Phi-2的特點就是一個詞:短小精悍。

　　Mistral8x7B由來自歐洲的Mistral AI打造，采用了稀疏混合專家模型(SMoE)技術，結合了多個針對特定任務訓練的較小模型，提高了運行效率。

　　在許多基準測試中，Mistral8x7B的性能已經達到甚至超越了規(guī)模是其25倍的Llama270B。

　　而微軟推出的Phi-2雖然規(guī)模更小(僅27億參數(shù))，但得益于“教科書質量”數(shù)據的訓練，以及學習其他模型傳遞的洞見的技術，目前已在某些基準測試中超過了更大的模型，如70億參數(shù)的Mistral和130億參數(shù)的Llama2。

　　Mistral7B在所有基準測試中超越了Llama213B

　　那么，這些異軍突起的小模型，將會給已進入“平臺期”的模型層，帶來怎樣新的想象?

　　具體來說，針對目前大模型的種種局限，小模型至少在兩個方面實現(xiàn)了逆襲。

　　其中一個方面，就是其橫向擴展了模型的使用范圍，打開了之前因資源、算力而被束縛的市場。

　　以手機市場為例，根據Statista的數(shù)據，2021年全球智能手機用戶數(shù)量已達到約39億。

　　然而，小打開手機大模型的市場，卻絕非易事。

　　由于手機設備上的內存和計算能力有限，為了平衡內存占用、執(zhí)行速度和功耗，目前手機廠商普遍采用端云協(xié)同的解決方案，但這并非長遠之計。

　　對于手機廠商來說，使用云端資源會產生額外的成本。隨著用戶規(guī)模的擴大，這些成本可能會不斷增加，從而限制了其盈利規(guī)模的上限。

　　因此，最好的選擇，就是能讓手機在本地就能運行一款參數(shù)不大，但性能又能與云端大模型媲美的小模型。

　　同樣地，在一些需要快速部署，實現(xiàn)實時響應的邊緣場景，例如自動駕駛、物聯(lián)網(IoT)中，實時決策和數(shù)據處理就顯得至關重要。

　　根據ResearchAndMarkets的報告，全球自動駕駛汽車市場規(guī)模在2020年達到了約558億美元。預計到2027年，這一數(shù)字將增長至約5，260億美元。

　　目前的車載計算平臺，如英偉達的DRIVE AGX Orin，計算能力是254TOPS(每秒254萬億次操作)，在高速公路等相對簡單的場景中，由于數(shù)據量和計算復雜度較低，其算力并不是很吃緊。

　　然而，在更復雜的城市駕駛場景中，自動駕駛系統(tǒng)需要處理更多、更復雜的數(shù)據和任務，如實時檢測和識別各種障礙物、預測其他道路用戶的行為、規(guī)劃安全路徑等。

　　在這種情況下，有限的算力，就會限制自動駕駛的進一步普及。

　　Mistral和Phi-2這類小模型由于其較小的模型體積和較低的計算需求，可以在這些有限資源下高效運行。

　　因為車載系統(tǒng)需要在有限的能源和散熱條件下運行，而較低的計算需求還有助于提高處理速度，實現(xiàn)實時決策和響應。

　　這一點對于推動自動駕駛和智能座艙技術的發(fā)展具有重要意義。

　　2

　　通向Agent之路

　　除了打通原先被限制的市場外，Mistral和Phi-2這類小模型的另一大逆襲之處，就是其與Agent的關系。

　　Mistral AI的CEO Arthur Mensch曾言:讓模型變小一定會有助于Agents 的開發(fā)和應用。

　　而在模型層鮮有重大突破的今天，越來越多的人已經意識到:Agent就是大模型的未來。

　　對比AI與人類的交互模式，目前已從過去的嵌入式工具型AI(例如Siri)向助理型AI發(fā)展，目前的各類AI Copilot不再是機械地完成人類指令，而是可以自動化地完成各種人類工作流，

　　如果說Copilot這類生成式AI是“副駕駛”，那么Agent則可以算得上一個初級的“主駕駛”。

　　比爾·蓋茨曾言:在計算行業(yè)中，平臺是應用程序和服務構建的基礎技術。Android、iOS 和Windows都是平臺的例子。而Agent將成為下一個平臺。

　　到了那時，要創(chuàng)建一個新的應用或服務，你不需要掌握編程或圖形設計技能。Agent將能夠幫助處理幾乎所領域的事務。

　　那么Arthur Mensch為什么會斷言小模型一定會有助于Agents的開發(fā)和應用?

　　這里主要有兩個原因:一是推理成本，二是模型復雜度。

　　在推理成本方面，除了絕對數(shù)值外(即每1000個Token的成本)，更重要的，是模型的推理預算與實際效能之比。

　　從目前的情況來看，Mixtral擁有46.7B的總參數(shù)量，但每個token只使用12.9B參數(shù)，也就是說，Mixtral的實際執(zhí)行速度和所需的成本和一個12.9B的模型相當。

　　下圖展示了官方公布的模型生成質量與推理消耗成本的關系，與Llama2相比，Mistral7B和Mixtral8x7B表現(xiàn)出自己高能效的優(yōu)勢。

　　這意味著，與大模型相比，在保持高效能的情況下，Mixtral這類小模型通常需要更少的計算資源和時間來進行推理，因此更加適合用于實時交互和在線學習。

　　其次，小模型也有助于Agents的開發(fā)和應用，因為它們通常具有更低的模型復雜度，更容易被理解和調試。

　　Arthur Mensch對此談到:當人們走向一個Agents和AI交互的世界，系統(tǒng)的復雜性也會因此大幅增加。這種高度復雜的情境可能導致崩潰(Collapse)，即機器學習中的一種一切都停滯不前的狀態(tài)，如果沒有足夠的自組織和解決問題的意愿，人們可能無法有效地應對和管理這些挑戰(zhàn)。

　　為了解決這個問題，需要在設計和實現(xiàn)AI系統(tǒng)時充分考慮系統(tǒng)的可擴展性、模塊化和可解釋性。

　　而小模型通常具有更簡單的結構和更少的參數(shù)，這使得具有更好的可調試性，從而便于讓開發(fā)人員更容易理解和控制模型的性能，從而更快地將Agents推向市場。

　　3

　　新的勝出者

　　在模型層市場被少數(shù)頭部企業(yè)左右的當下，小模型的出現(xiàn)，無疑為市場打開了新的可能。

　　從總的態(tài)勢來說，之后的模型層競爭中，小模型可能會對大模型形成一種“農村包圍城市”的態(tài)勢。

　　“農村”象征著小模型主要占據的應用領域。這些領域通常包括資源受限的環(huán)境，如物聯(lián)網設備、智能家居、移動設備和邊緣計算場景。

　　在這些領域，小模型的靈活性、低成本和低能耗等特點使它們具有競爭優(yōu)勢。此外，小模型在定制化和遷移學習方面的優(yōu)勢，使它們能夠更好地適應各種細分市場和特定任務。

　　“城市”則象征著大模型主要占據的應用領域。這些領域通常包括計算資源豐富、對性能要求較高的場景，如數(shù)據中心、云計算和高性能計算環(huán)境。

　　在這樣的態(tài)勢下，憑借著細分市場的優(yōu)勢，以及開源社區(qū)的協(xié)作和共創(chuàng)，小模型在性能上會不斷迭代，并逐漸對大模型主導的領域形成一種“鉗制”的優(yōu)勢。

　　這種關系，類似于農村為城市提供糧食等資源，維持城市的正常運行。在AI領域，大模型在特定領域的優(yōu)化和提升，將愈發(fā)難以脫離小模型提供的實踐場景和技術支持。

　　而面對這樣的態(tài)勢，頭部的大模型企業(yè)，自然也不甘被鉗制，因此，這些大廠可能的應對之策之一，是通過蒸餾(Distillation)或者合成數(shù)據(Synthetic data generation)等技術來訓練出質量更高的小模型。

　　或者更簡單粗暴一些，直接將小模型團隊收購、兼并，為己所用。

　　在這樣的情況下，未來小模型領域，怎樣的企業(yè)更有可能勝出?

　　就大小模型的差異而言，小模型并不像大模型一樣，需要龐大的算力、數(shù)據作為支撐，在這個領域，更考驗的是對技術的理解，以及深厚的理論基礎。

　　因此，將來在小模型領域，更有可能脫穎而出的團隊，應該會是那些具有強大學術、技術背景，且一線研究者、技術人員具有更大話語權的企業(yè)。

　　例如這次的Mixtral的團隊Mixtral AI， 就是由DeepMind和Meta的三位青年科學家建立。

　　聯(lián)創(chuàng)三人，Arthur Mensch，CEO，前DeepMind研究科學家;Guillaume Lample，首席科學家，前Meta研究科學家，Llama項目帶頭;Timothee Lacroix，CTO，前Llama工程帶頭。

　　在創(chuàng)立Mistral前，Arthur Mensch在DeepMind任職，并主導了LLM、RAG、多模態(tài)三個領域最重要的論文，十分全能。

　　對一線研究者而言，唯有自由地踐行自己的技術構想，在初期不過多地被資本干涉與左右，才更有可能做出亮眼的成果。