我们也曾揭秘负责运作苹果智能的幕后功臣，其中经过微调的 3B 小模型专用于摘要、润色等任务，在经过适配器的加持后，能力优于 Gemma-7B，适合在手机终端运行。
有意思的是，前 OpenAI 大神 Andrej Karpathy 最近也做出了一个判断：模型尺寸的竞争将会“反向内卷”——不是越变越大，而是比谁更小、更灵活。
小模型凭什么以小胜大
Andrej Karpathy 的预测并非空xue来风。
在当下这个数据为王的时代，模型正以惊人的速度变得庞大和复杂。经过海量数据训练出来的超大模型（比如 GPT-4），其实大部分算力都用来“死记硬背”那些无关紧要的细节了。
反观经过微调的小模型，反而能在特定任务上实现“以小胜大”，好用程度不输给那些庞然大物。
Hugging Face 的 CEO Clem Delangue 也曾放话：多达 99% 的使用场景都可以用小模型来解决，他甚至预测 2024 年会是小型语言模型的天下。
要理解这里面的门道，得先科普一些知识。
2020 年，OpenAI 在一篇论文中提出了一个著名的定律：Scaling law。简单说就是，模型越大，性能越强。随着 GPT-4 等模型的推出，这一点也确实得到了验证。
很长一段时间里，AI 领域的研究者和工程师笃信，只要不断增加参数数量，模型的学习能力和泛化能力就能持续提升。于是，我们见证了模型规模从几十亿参数跃升至几千亿，甚至朝着万亿大关一路狂奔。
不过，模型的规模真的是衡量智能的唯一标准吗？
答案是否定的。一个设计精巧的小型模型，通过优化算法、提升数据质量、采用先进的压缩技术，完全可以在特定任务上达到与大型模型匹敌甚至更优的效果。这种“以小博大”的策略，正成为 AI 领域的新风向。而提高数据质量，就是其中一条关键路径。
Coalesce 的首席技术官兼联合创始人 Satish Jayanthi 这样形容数据对模型的作用：
“为了产出高质量的结果，大型语言模型需要接受针对特定主题和领域的高质量、有针对性的数据训练。就像学生需要优质的教材一样，LLM 也需要优质的数据源。”
不再一味信奉“大力出奇迹”的暴力美学，清华大学计算机系长聘副教授、面壁智能首席科学家刘知远提出了一个很有意思的概念——大模型时代的“面壁定律”：模型的知识密度正以平均每 8 个月翻一倍的速度提升。
知识密度 = 模型能力 / 参与计算的模型参数。
刘知远打了个比方：如果给你 100 道智商测试题，你的得分不仅取决于答对多少，更取决于你完成这些题目动用了多少“神经元”。用更少的神经元完成更多任务，才叫真聪明。
这正是知识密度的核心理念。举个例子：相比 OpenAI 2020 年发布的 1750 亿参数的 GPT-3，2024 年面壁智能推出的 MiniCPM-2.4B，在实现同等性能的前提下，参数仅为 24 亿，知识密度提高了大约 86 倍。
多伦多大学的一项研究也表明，并非所有数据都是必要的。从大型数据集中识别出高质量的子集，不仅更容易处理，还能保留原始数据集的全部信息和多样性。即便去掉高达 95% 的训练数据，模型在特定分布内的预测性能也不会受到显著影响。
近期最典型的例子当属 Meta 的 Llama 3.1 大模型。Meta 在训练 Llama 3 时，喂了 15T tokens 的数据，但负责训练的 Meta AI 研究员 Thomas Scialom 却直言：网络上的文本充满了无用信息，基于这些冗余数据进行训练，纯粹是浪费计算资源。
除了数据质量，“知识蒸馏”也是小模型“以小胜大”的重要法宝。
所谓知识蒸馏，就是用一个大型的“教师模型”去指导一个小型的“学生模型”训练，从而将大模型的强大性能和泛化能力，迁移到更轻量级、运算成本更低的小模型身上。
Llama 3.1 发布后，Meta 的 CEO 扎克伯格也在长文中着重强调了微调和蒸馏小模型的重要性。业内普遍认为，Llama 3.1 的 8B 和 70B 版本，正是由超大杯版本的模型蒸馏而来，这才实现了整体性能的显著跃迁和效率提升。
另外，模型架构本身的优化也至关重要。比如 MobileNet，它的设计初衷就是在移动设备上实现高效的深度学习模型。
MobileNet 通过深度可分离卷积，大幅减少了参数数量。对比之下，MobileNetV1 的参数比 ResNet 少了约 8-9 倍。参数少了，计算自然更高效，这对于资源受限的环境，比如手机，意义非凡。
尽管技术层面不断进步，AI 行业本身仍然面临着长周期投入、高成本和回报周期长的挑战。
据《每日经济新闻》不完全统计，截至今年 4 月底，国内共推出了约 305 个大模型，但截至 5 月 16 日，仍有大约 165 个大模型尚未完成备案。百度创始人李彦宏也公开批评，认为当前众多基础模型的存在是对资源的浪费，主张应将更多资源用于探索模型与行业结合的可能性，以及开发下一个潜在的超级应用。
这正是当前 AI 行业的核心矛盾：模型数量激增，与实际应用落地之间很不匹配。
面对这种局面，行业的焦点逐渐转向加速 AI 的落地应用。而部署成本低、效率高的小模型，自然成了更合适的破局点。
一些专注于特定领域的小模型也开始涌现，比如烹饪大模型、直播带货大模型。这些名头虽然听起来有点唬人，但方向是对的。
简而言之，未来的 AI 不会是单一、庞大的存在，而是会更加多样化、个性化。小模型的崛起，正是这一趋势的体现。它们在特定任务上展现出的卓越性能，证明了一件事：“小而美”同样值得尊重和认可。
One more thing
如果你想在 iPhone 上提前跑模型，不妨试试 Hugging Face 推出的那款名为“Hugging Chat”的 iOS App。
借助合适的网络环境和外区 App Store 账号下载该 App 后，你就可以访问和使用各种开源模型了，包括 Phi 3、Mixtral、Command R+ 等。
温馨提醒一下，为了获得更佳的体验和性能，建议用最新一代的 Pro 版 iPhone。
