在过去的一年里，人工智能的发展步伐显着加快。OpenAI 的 ChatGPT 于 2022 年 11 月到来，引起了消费者的极大关注，组织很快意识到在其产品中实施生成式 AI 应用程序可能带来的盈利潜力。与此同时，技术领导者在支持生成式人工智能的大型语言模型 （LLM） 上投入了大量资金，去年组织生成 AI 模型的速度增长了 411%。

随着这一趋势继续呈上升趋势，许多高管正在考虑如何首次将生成式人工智能引入他们的组织。领导者正在寻求消除噪音，并制定具有成本效益、提供业务价值并保护其数据的生成式 AI 战略。在内部建造模型是答案吗？

对于大多数企业来说，人工智能本身并不一定是新的，而是一种现有的工具，在去年已成为更高的优先级。例如，在 2022 年，在 ChatGPT 出现之前，《麻省理工科技评论》的数据显示，94% 的组织正在以某种方式使用人工智能。同一项调查还显示，这些组织中只有 14% 的目标是到 2025 年实现“企业级人工智能”的实施，即让人工智能成为至少五个核心职能的关键部分。因此，在此期间，人工智能的使用很少在组织之间标准化，因此没有开发重大的好处。

从那时起，生成式人工智能已成为许多组织的必备工具，原因不言而喻。麦肯锡公司最近的研究估计，生成式人工智能每年可以推动全球经济增长2.6万亿至4.4万亿美元（2万亿至3.4万亿英镑）。生成式人工智能将对所有行业产生重大影响，无论是小型企业还是大型企业。为了释放其全部潜力，高管需要实施强大的生成式人工智能战略，其中包括结构良好的模型、高技能的团队和一流的数据基础设施。

在图像生成和个性化内容创建等新兴用例的潜力的推动下，生成式人工智能正在成为集成到组织结构中的通用功能。技术团队很少需要将其价值出售给其他部门，而是在组织的各个方面看到巨大的需求。因此，问题通常不在于生成式人工智能是否具有价值，而在于如何高效、安全和有效地实施它。

模型越大并不总是越可靠，尤其是在数据治理方面。一些最流行的生成式 AI 工具，如 ChatGPT 和谷歌的 Bard，要求用户授予对模型创建者数据收集的访问权限。然后，这些个人数据将用于模型的进一步训练，这在企业环境中尤其令人担忧。例如，如果员工将敏感的公司数据输入到第三方生成式 AI 应用程序中，这些数据可能会构成聊天机器人稍后对其他用户做出响应的基础。较小的开源模型可以缓解其中的许多问题。当使用小型内部模型时，组织永远不必与第三方共享他们的数据，从而确保其安全。随着时间的推移，可以利用这些数据来训练模型，从而大大提高其性能并减少不准确或不相关输出的可能性。

生成不准确或不可靠的输出是许多组织进一步关注的问题。业界最大的 LLM 的训练需要庞大的数据集，因此第三方组织经常抓取网络来收集数据。因此，不可避免地，这些数据可能会被网上存在的大量事实不准确之处所污染。同样，这种培训的规模可能会在ESG领域带来额外的担忧。马萨诸塞大学的研究人员发现，训练大型人工智能模型平均可以排放超过626,000磅（284公斤）的二氧化碳当量，这几乎是普通汽车生命周期排放量的五倍。

更高效的小型模型可以减轻对不准确的担忧，可能是一个有前途的替代方案。组织可以从市场上的一系列开源模型中进行选择，这些模型通常是针对非常具体的用例量身定制的。这与第三方提供商开发的大型模型不同，后者是根据来自网络及其用户的数据进行训练的。如此大的数据集可能对消费者使用有用，但在企业内部，模型了解内部概念和数据将更有用。小型模型带来了独特的知识，这要归功于它们根据组织的专有数据进行训练。

小型开源模型将与大型模型的性能相媲美，并允许从业者进行创新、共享和协作。随着组织越来越多地接受生成式 AI 的价值，他们必须考虑如何有效和负责任地利用生成式 AI 工具。事实上，市场上最大的模型有许多重要的用例，但对于许多组织来说，值得关注较小的模型。在内部构建时，组织可以更好地控制其敏感数据，降低与生成式 AI 部署相关的成本，实现更准确的输出，以及更环保的方法。要想在不影响盈利能力、效率和安全性的情况下驾驭生成式 AI 浪潮，小型模型就是答案。