在 IT 行业，“精益”常被用于形容更高效、更具成本效益的流程，生成性人工智能亦不例外。部分企业运行系统需投入数百万美元及大量电力，众多企业因而向人工智能架构师寻求更精益高效的方案。

　　企业起初借助公共云提供商迅速涉足生成性人工智能，大型云提供商也因人工智能支出初期浪潮而增收。但许多企业发现，云的运营成本高于数据中心传统系统，于是探索更优利用云成本的方法，精益人工智能概念由此凸显。

　　精益人工智能是一种强调效率、成本效益和最小资源消耗，并提供最大业务价值的人工智能战略方法，借鉴了制造和产品开发中的精益理念。它专注于优化人工智能系统的开发、部署与运营，采用小模型、迭代开发实践和资源高效技术以减少浪费。通过优先考虑敏捷、数据驱动的决策和持续改进，让企业能以可持续且可扩展的方式运用人工智能力量，确保人工智能举措既有成效又经济可行。

　　当下，企业意识到并非越大越好，人工智能的企业转型以小语言模型（SLM）和开源进步为显著标志，这是对大型语言模型（LLM）生成性人工智能系统高成本和高资源需求的直接回应。众多企业期望重新衡量成本与业务价值的平衡。

　　OpenAI 的 GPT - 4 和 Meta 的 Llama 等大型语言模型虽在语言理解和生成方面能力非凡，但也带来诸多难题。其计算需求和云成本极高，预算受限，阻碍广泛应用，且能源消耗大，带来财政和环境压力。操作延迟及管理维护的复杂性，也限制了其应用，并非所有组织都能应对。

　　在此形势下，小型语言模型在云和非云环境中的应用加速，被视为切实可行的替代选择。SLM 旨在大幅提升计算资源需求和能耗方面的效率，降低人工智能项目运营成本，提高投资回报。其更快的培训和部署周期，对追求敏捷和响应能力的企业极具吸引力。

　　企业通常不采用 LLM，而是构建针对特定用例的战术性人工智能系统，如设备维护、运输物流和制造优化等，SLM 还可依据特定任务和行业领域进行微调，在客户支持、财务分析和医疗保健诊断等领域成效显著。

　　开源社区一直是推动和采用 SLM 的重要力量。Meta 的新迭代 Llama 3.1 提供多种尺寸，在不过度消耗资源的情况下具备强大功能。斯坦福的羊驼和稳定性 AI 的 StableLM 等模型表明，小型模型在特定领域的性能可媲美或超越大型模型。

　　Hugging Face、IBM 的 Watsonx.ai 等云平台和工具让这些模型更易获取，降低了企业准入门槛，推动了人工智能能力的民主化，使更多组织无需依赖昂贵的专有解决方案即可整合先进人工智能。

　　从企业视角看，接纳 SLM 优势众多。这些模型助力企业以经济有效的方式扩展人工智能部署，对初创和中型企业最大化技术投资意义重大。更短的部署时间和简便的定制化增强了敏捷性，使人工智能功能与变化的业务需求更契合。

　　数据隐私和主权问题可通过本地或私有云中托管的 SLM 妥善解决，满足监管合规要求，保障安全性，同时降低能源消耗，支持企业可持续发展。

　　在开源创新的支撑下，向小型语言模型的转变重塑了企业对待人工智能的方式。SLM 降低了大型生成人工智能系统的成本和复杂性，提供了可行、高效和可定制的发展路径，增强了人工智能投资的商业价值，推动了可持续和可扩展的增长。相信在可持续和经济适用的企业人工智能领域，我们即将步入“小而美”的时代。

参考链接：https://www.infoworld.com/article/3480593/small-language-models-and-open-source-are-transforming-ai.html