小模型编排，让 1+12，企业工作更灵活，效率更高

善用小模型，发挥大作用。

原文来源：机器之能

图片来源：由无界AI生成

AI 的使用越来越广泛，不局限于个人对于它的使用。在企业中，也越来越流行使用 AI 完善工作流程、推进工作进度。但不得不提到的是，功能更加强大的往往是规模较大的大模型，这会造成企业部署上的难题。Silvio Savarese 发文针对这一问题谈到了自己的想法，模型并不是越大越好，小模型组合起来能更好地处理工作内容。

以下是机器之心对原文进行的不改变原意的翻译与整理。

原文地址：https://blog.salesforceairesearch.com/from-copilot-to-coorchestration/‌

最近几个月，我写了很多关于我称之为 LAM（Large Action Model）的文章，这是 LLM 的一种更活跃、更自主的变体。它不仅能生成文本或图像等内容，还能完成整个任务，甚至参与工作流，并且无论是与人一起还是自己完成都可以。今年，在 Dreamforce 2023 大会上，随着 Einstein Copilot 的推出，这一愿景向现实迈进了一大步。Einstein Copilot 是 Salesforce 的 AI 会话助手，将在整个 Salesforce 平台上推出，并准备集成到客户所做的几乎所有事情中。

Einstein Copilot：生成式 AI 的未来一瞥

开箱即用的 Einstein Copilot 很难不给人留下深刻印象。它从头开始设计，通过在几乎所有类型的工作流程中为用户提供帮助，以安全的方式提高工作效率。它可以处理以自然语言发布的问题，并提供从公司安全的专有数据中提取的相关可信答案。这是我所相信的 AI 在企业中的发展方向的清晰图景：一个单一、可信的界面，围绕日常的人机交互而设计，并且能够帮助完成各种任务。它展现了 AI 的力量，确保技术符合企业的需求，而且我毫不怀疑它还将改变客户的工作方式。而 LAM，随着其灵活性和功能的发展，将把这个已经非常强大的力量提升到一个新的水平。

让生成式 AI 模型「既小又大」

最近，生成式 AI 领域的许多话题都围绕着为 LLM 和 LAM 提供动力的模型规模和模型架构展开。随着 OpenAI 等公司不断挑战规模极限，参数数量远超千亿，我们不难得出这样的结论：越大越好。事实上，大型模型通常会吹嘘它们的性能很难或不可能以其他方式实现。并且随着模型尺寸的增加，不可思议的复杂行为会出现，这表明越来越大的规模策略会带来显著的好处。

战略性缩小模型规模如何带来巨大收益

虽然更大的模型不断地占据新闻头条，但是一味地追求让模型更大并非最佳策略。最明显的就是，现在最大的模型计算成本高得吓人，让许多企业望尘莫及。而且，即使那些有能力部署它们的企业也必须承认，它们所承诺的高质量输出可能会极其慢。此外，在信任、安全、有害性以及版权等所有权主张方面，我们仍然面临着一些问题，这都源于超大规模模型所依赖的海量、全球来源的数据集。

这些缺点使得小型模型在许多领域越来越有吸引力。它们相对划算，并且可以调到惊人的速度。如今，专门设计的 LLM 在某些情况下甚至可以完全在边缘运行，包括终端用户的移动设备。而且由于他们需要较少的训练，客户可以在准备他们的数据集时发挥更积极的管理作用。这时，数据集所包含的内容的质量、安全性甚至法律地位方面都能取得巨大进步。

通过专注于更窄的领域，小模型产出质量也能与它们的「大兄弟」们比肩。像 ChatGPT 这样的模型本质上是为每个人设计的，帮助完成家庭作业、晚餐食谱、回答有关科学、技术、历史和流行文化的问题。相比之下，面向企业的生成式 AI 可以而且应该专注于更小、更相关的问题领域。这显然是一种双赢：它意味着在不影响产出质量的情况下降低准入门槛。

小模型的编排如何提供巨大的潜力

即使是小型模型也能提供大型解决方案，我们只需要换一种思路来考虑规模问题。与其让模型本身变得更大，不如将多个模型交织在一起，为一个更高层次的目标服务。这其中，每个模型都是根据特定目标设计的，并在经过精心策划、严格审核和专有的数据集上进行过训练。如果像 Einstein Copilot 这样的 AI 智能体可以组合或协调，就像多个人类可以作为一个团队完成比他们作为个体所能完成的更多的工作一样，那会怎样？例如一家餐厅，这是一个只有团队合作才能实现的组织，每个成员都有自己的技能和专注领域：服务员负责点餐，厨师负责准备食物，接待员负责处理预订和订单，司机负责送餐。那么，LAM 以类似的方式组织起来会是什么样子呢？