大模型时代结束？大佬齐预测：AI模型或需先缩小规模，才能再次扩大规模
新智元报道
编辑：耳朵【新智元导读】小模型强势来袭，「大模型时代」或将落幕？
「小模型周」过去了 ，小模型的最新战场才刚刚开辟。上周GPT-4o mini和Mistral NeMo二连发，「麻雀虽小，五脏俱全」的小模型成为业界大佬密切关注的新方向。
小模型：站在巨人的肩膀上
在LLM发展的初期阶段，吞吐更多数据，把模型往大了做是必然的趋势。这主要基于以下几个原因：首先，数据驱动的需求。生活在一个数据爆炸的时代，大量丰富和多样化的数据需要更强大的模型来处理和理解。大模型具备容纳和处理海量数据的能力，通过大规模的数据训练，能够挖掘出深层次的模式和规律。其次，计算能力的提升。硬件技术的不断进步，GPU等高性能计算设备的发展，为大模型的训练提供了强大的算力支持。使得训练大型、复杂的模型成为可能。再者，追求更高的性能和精度。大模型通常能够在语言理解、生成、图像识别等多个领域展现出卓越的性能，懂的越多，生成出来的结果也就越准确。最后，泛化能力更强。大模型能够更好地处理未曾见过的新问题和新任务，能够基于之前学到的知识进行合理的推测和回答，具有更强的泛化能力。再加上AI领域竞争激烈，各研究机构和巨头都致力于开发更大更强的模型，展示技术实力和领先地位，卷模型大小自然成了LLM的发展大方向。Karpathy也将当前最强大模型的规模归因于训练数据的复杂性，并补充说大语言模型在记忆方面表现出色，超越了人类的记忆能力。类比一下，期末周如果你要接受闭卷考试，考试要求根据前几个单词背诵书本上的某个段落。这就是当今大模型的预训练目标。Karpathy表示，现在的大模型就像是一个贪吃蛇，只想把所有能用的数据全部吞进肚子里。它们不仅能背诵常见数字的SHA系列哈算法，还能记住所有领域大大小小的知识。但是，这种学习方式就像是你为了考试，把整个图书馆和互联网上的内容通通都背下来。不可否认能做到这种记忆能力的是天才，但是结果考试时只用到了其中的一页！对于这种天才学生——LLM想要做得更好之所以困难，是因为在训练数据的过程中，思维演示与知识「纠缠」在一起。而且，一方面从实际应用的角度来看，大模型在部署和运行时面临着高昂的成本和资源消耗，包括计算资源、存储资源以及能源消耗等。小模型更易于在各种设备和场景中进行部署，满足使用便利性和低功耗的要求。另一方面，从技术成熟的角度考虑，当通过大模型充分探索和理解了问题的本质和规律后，可以将这些知识和模式提炼并应用于小模型的设计和优化中。使得小模型在保持大模型同等性能甚至更优性能的前提下，降低规模和成本。虽然大模型发展遇到了瓶颈，小模型逐渐成为新趋势，但是Karpathy强调，大模型仍然是需要的，即使它们没有得到有效的训练，但是小模型正是从大模型中浓缩而来。Karpathy预计，每个模型都会不断改进，为下一个模型生成训练数据，直到出现「完美的训练集」。即使是像GPT-2这样，拥有15亿个参数的已经out模型，当你用这个完美的训练集来训练GPT-2时，它可能会变成一个按今天标准来看非常强大且智能的模型。这个用完美的训练集训练过的GPT-2可能在例如大规模多任务语言理解（MMLU）测试中的分数会稍低一些，MMLU测试涵盖57项任务，包括初等数学、美国历史、计算机科学、法律等，用以评测大模型基本的知识覆盖范围和理解能力。
「虚胖」大模型的「瘦身」
评论区：正确的、中肯的、一阵见血的