صنعت هوش مصنوعی به سمت مدل‌های زبان کوچکتر برای کارآیی هزینه‌ای منتقل می‌شود.

عمال بزرگ تکنولوژی به دنبال تعادل بین قابلیت و هزینه با مدل‌های کوچکتر هوش مصنوعی می‌گردند

در یک حرکت استراتژیک، شرکت‌های فناوری اصلی که سرمایه‌گذاری قابل توجهی در حوزه هوش مصنوعی (AI) داشته‌اند، اکنون به جای مدل‌های بزرگتر، مدل‌های زبان کوچکتر را انتخاب می‌کنند. این مدل‌های کوچک پس از صرف میلیاردها دلار در سیستم‌های گسترده AI، جهت تقویت درآمد در حالی که قابلیت‌های خوبی ارائه می‌دهند، نشان‌دهنده یک جهت جدید برای ارائه محصول به شرکت‌ها می‌باشند.

اخیراً، اپل، مایکروسافت و گوگل مدل‌های AI با کمترین پارامترها را معرفی کرده‌اند اما برای حفظ قابلیت‌های کارآمد و کاربردی طراحی شده‌اند. این حرکت در حالی انجام می‌شود که تلاش‌ها برای تشویق کاربری شرکت‌ها به هوش مصنوعی انجام می‌شود. نگرانی‌ها نسبت به هزینه‌های عملیاتی بالا و قدرت محاسباتی مورد نیاز برای اجرای مدل‌های زبان بزرگ – تکنولوژی پشتیبانی شده از چت‌بات‌های محبوبی مانند ChatGPT شرکت OpenAI – منجر به اندازه‌گیری گزینه‌های اقتصادی بیشتر شده‌اند.

بطور کلی، تعداد بالاتری از پارامترها در نرم‌افزارهای AI با بهبود عملکرد و توانایی انجام وظایف پیچیده با دقت همراه است. با وجود این، OpenAI و گوگل GPT-4.0 و Gemini 1.5 Pro را به ترتیب حاوی تریلیون پارامتر معرفی کرده‌اند. به توازی، متا نسخه‌ای از مدل ‘LAMA’ منبع باز خود را با ۴۰۰ میلیارد پارامتر تجهیز کرده و در حال توسعه است.

شرکت‌های بزرگ تبلیغاتی مدل‌های کوچک را به عنوان جایگزین‌های هزینه‌ای موثر

هزینه‌های بالای مدل‌های بزرگ AI چالش‌هایی را در راه اندازی مشتریان شرکتی برای سرمایه‌گذاری در فناوری‌های AI ایجاد می‌کنند. علاوه بر این، نگرانی‌هایی نسبت به مسائل مسئولیت داده و قوانین حق تکثیر وجود دارد که درصدی از مشکلات انتشار AI را به وجود می‌آورد.

در پاسخ، شرکت‌هایی همچون متا و گوگل مدل‌های زبان کوچکتر را به عنوان یک راه‌حل هزینه‌ای و پرکارآمد انرژی تبلیغ می‌کنند که می‌توانند با کمترین نیازهای آموزش و عملیاتی، سفارشی شوند و همچنین تضمین‌ها برای داده‌های حساس ارائه دهند.

اریک بوید، نایب رئیس هوش مایکروسافت Azure، بیان می‌کند که این مدل‌های با کیفیت و هزینه‌ای پایین فرصت‌های گسترده‌ای را برای توسعه اعمال مشتریان فراهم می‌کنند تا پروژه‌هایی را پیش بگیرند که ممکن است قبلاً به آن‌ها توجیه انجام ندادند.

مدل‌های زبان کوچک برای پردازش در دستگاه‌ها به صورت محلی قابل انجام هستند، به جای ارسال اطلاعات به ابر، که ممکن است بازاریابی کنندگان حریم خصوصی مایل به نگهداری داده‌های خود در شبکه‌های داخلی هستند.

علاوه بر این، این مدل‌های کوچک امکان راه‌اندازی ویژگی‌های هوش مصنوعی را در دستگاه‌های تلفن همراه فراهم می‌کنند. ‘جمینی نانو’ گوگل بر روی آخرین نسخه‌های تلفن پیکسل و تلفن هوشمند S24 سامسونگ موجود است. اپل نیز اشاره‌‌ای به تجهیز آیفون‌های پرفروش خود با مدل‌های AI دارد، که نیمه مایه توسعه داده شده از ‘OpenAI ELM’، یک مدل اندازه کوچک طراحی شده برای وظایف مبتنی بر متن، تنها ماه گذشته منتشر شده است.

هیجان در صنعت قابل تحسین است زیرا منتظر موارد جالبی هستیم که مدل‌های کوچکتر به برخی از برنامه‌های “جذاب” منجر خواهند شد، همچنین گوشی‌های تلفن همراه و لپتاپ‌ها شامل آن می‌شوند. سرپرست اجرایی OpenAI، سام آلتمن، انگیزه اش را برای قدرت‌های مختلف این مدل‌های به مقیاس کوچک بیان کرده است، در حالی که به توسعه سیستم‌های AI بزرگتر متعهد شده که قادر به عملکردهای هوشمند پیشرفته هستند.

سوالات و پاسخ‌های مهم:

1. چرا شرکت‌های تکنولوژی به مدل‌های زبان کوچکتر AI دارند تغییر واجهه می‌دهند؟
شرکت‌های تکنولوژی به طور اصلی به مدل‌های کوچکتر AI منتقل می‌شوند تا از هزینه‌های عملیاتی بالا کاسته و AI را برای کاربران شرکتی دسترسی نسبت به‌تریتری ارائه کنند. مدل‌های کوچکتر نیاز کمتری به قدرت محاسباتی و منابع برای حفظ دارند، از این رو یک راه‌حل هزینه‌ای و پرکارآمد انرژی بهتر ارائه می‌دهند.

2. آیا مدل‌های کوچکتر AI می‌توانند عملکرد مقایسه‌ای با همتایان بزرگتر خود ارائه دهند؟
هر چند که مدل‌های بزرگتر به دلیل داشتن بیشترین پارامتر‌ها بهبود عملکرد داشتند، پیشرفت‌های فنی اجازه می‌دهد که مدل‌های کوچکتر به کارایی بالایی برسند. این کار با بهینه‌سازی معماری مدل و قدرت‌بندی بهتر انجام می‌شود، با این حال ممکن است در برخی از وظایف پیچیده، تبادلات عملکردی وجود داشته باشد.

3. چه چالش‌های اصلی با انتقال به مدل‌های زبان بزرگ AI همراه است؟
چالش‌های اصلی شامل هزینه‌های عملیاتی بالا، نیاز به قدرت محاسباتی قابل توجه، نگرانی‌های مسئولیت داده و مسائل حق تکثیر می‌شود. همچنین، ملاحظاتی در طبقه‌بندی محیطی وجود دارد، زیرا مدل‌های بزرگتر منابع بیشتری از انرژی مصرف می‌کنند و مسائل پایداری را افزایش می‌دهند.

مزایا و معایب:

مزایای مدل‌های زبان کوچک AI:
– هزینه‌ای: ارزان‌ترین فرآیندهای آموزش، تربیت و اجرا.
– پرکارآمد انرژی: انرژی کمتری مصرف می‌کنند و برای محیط زیست بهتر هستند.
– حریم خصوصی: می‌توانند داده‌ها را به صورت محلی پردازش کرده و حفظ حریم خصوصی کاربر را بهبود بخشند.
– دسترسی‌پذیری: فناوری هوش مصنوعی را در دستگاه‌های تلفن همراه فعال می‌کنند، دسترسی بیشتری برای کاربران فراهم می‌کنند.

معایب مدل‌های زبان کوچک AI:
– عملکرد: ممکن است برخی از وظایف پیچیده را به خوبی انجام ندهند.
– تنظیم مجدد: با کمترین پارامترها، خطر وجود دارد که مدل‌ها در کلیت آن‌ها مشخص نشوند.
– قابلیت‌های محدود: ربط‌های آن‌ها در درک محیط و تولید پاسخ‌های نوآورانه ممکن است محدود باشد.

چالش‌ها و اختلافات اصلی:
انتقال به مدل‌های کوچک ماده اختلافی نیست. برخی ادعا می‌کنند که این موجب می‌شود ازای توانایی‌ها و نوآوری هوش مصنوعی به شکلی سفر داشته باشند. همچنین، سوالاتی درباره کیفیت و تعصب داده وجود دارد، زیرا مدل‌های کوچکتر ممکن است کمتر با داده‌های متنوع در تماس باشند. به علاوه، صنعت به چالش کشیده می‌شود تا مدل‌های کوچک AI را با دستور زبانی و فرهنگی بروز نگه دارد.

پیوندهای مرتبط:
برای کسب اطلاعات بیشتر درباره شرکت‌ها و پیشگام‌های AI آن‌ها، می‌توانید به وب‌سایت‌های اصلی آنها مراجعه کنید:
– اپل
– مایکروسافت
– گوگل
– متا (قبلاً فیسبوک)
– OpenAI

لطفاً توجه داشته باشید که این پیوندها به صفحه‌های اصلی شرکت‌های مربوطه هستند، که ممکن است شما را به اطلاعات خاصی درباره پیشرفت‌های هوش مصنوعی آن‌ها بیانجامد.

The source of the article is from the blog motopaddock.nl