小模型的出現，為市場打開了新的可能。而這或許就意味著新的增量市場的出現。那么，小模型究竟會給我們帶來怎樣的想象空間？未來在小模型領域，怎樣的企業更有可能勝出？一起來看看作者的解答。

模型層進入“平臺期”的當下，小模型的出現，無疑為市場打開了新的可能。

大模型之戰進入到今日，許多開發者都面臨著一個共同的挑戰：如何在保證高性能的同時，降低資源和算力的需求？

這一困境在端側應用尤為明顯，因為許多設備和應用場景對計算能力和存儲空間有嚴格的限制。這無疑大大制約了大模型在各種設備和場景中的普及。

如何突破這一桎梏，實現性能與資源的完美平衡，從而打開潛在的市場？

近期，一些小型模型，如Mistral AI推出的Mixtral8x7B和微軟發布的Phi-2，提供了一個可能的解決方案。

這些小模型在參數規模上相對較小，但在性能上卻表現出了驚人的實力，甚至在某些方面超越了Llama2等規模更大的競爭對手。

而這也意味著，套在很多場景上的“參數枷鎖”，也將有望被打破。一個新的增量市場，已經呼之欲出。

一、以小博大

從技術上說，Mistral 和Phi-2的特點就是一個詞：短小精悍。

Mistral 8x7B由來自歐洲的Mistral AI打造，采用了稀疏混合專家模型（SMoE）技術，結合了多個針對特定任務訓練的較小模型，提高了運行效率。

在許多基準測試中，Mistral 8x7B的性能已經達到甚至超越了規模是其25倍的Llama2 70B。

而微軟推出的Phi-2雖然規模更?。▋H27億參數），但得益于“教科書質量”數據的訓練，以及學習其他模型傳遞的洞見的技術，目前已在某些基準測試中超過了更大的模型，如 70億參數的Mistral和130億參數的Llama2。

Mistral 7B在所有基準測試中超越了Llama2 13B。

那么，這些異軍突起的小模型，將會給已進入“平臺期”的模型層，帶來怎樣新的想象？

具體來說，針對目前大模型的種種局限，小模型至少在兩個方面實現了逆襲。

其中一個方面，就是其橫向擴展了模型的使用范圍，打開了之前因資源、算力而被束縛的市場。

以手機市場為例，根據Statista的數據，2021年全球智能手機用戶數量已達到約39億。

然而，小打開手機大模型的市場，卻絕非易事。

由于手機設備上的內存和計算能力有限，為了平衡內存占用、執行速度和功耗，目前手機廠商普遍采用端云協同的解決方案，但這并非長遠之計。

對于手機廠商來說，使用云端資源會產生額外的成本。隨著用戶規模的擴大，這些成本可能會不斷增加，從而限制了其盈利規模的上限。

因此，最好的選擇，就是能讓手機在本地就能運行一款參數不大，但性能又能與云端大模型媲美的小模型。

同樣地，在一些需要快速部署，實現實時響應的邊緣場景，例如自動駕駛、物聯網（IoT）中，實時決策和數據處理就顯得至關重要。

根據ResearchAndMarkets的報告，全球自動駕駛汽車市場規模在2020年達到了約558億美元。預計到2027年，這一數字將增長至約5,260億美元。

目前的車載計算平臺，如英偉達的DRIVE AGX Orin，計算能力是254 TOPS（每秒254萬億次操作），在高速公路等相對簡單的場景中，由于數據量和計算復雜度較低，其算力并不是很吃緊。

然而，在更復雜的城市駕駛場景中，自動駕駛系統需要處理更多、更復雜的數據和任務，如實時檢測和識別各種障礙物、預測其他道路用戶的行為、規劃安全路徑等。

在這種情況下，有限的算力，就會限制自動駕駛的進一步普及。

Mistral和Phi-2這類小模型由于其較小的模型體積和較低的計算需求，可以在這些有限資源下高效運行。

因為車載系統需要在有限的能源和散熱條件下運行，而較低的計算需求還有助于提高處理速度，實現實時決策和響應。

這一點對于推動自動駕駛和智能座艙技術的發展具有重要意義。

二、通向Agent之路

除了打通原先被限制的市場外，Mistral和Phi-2這類小模型的另一大逆襲之處，就是其與Agent的關系。

Mistral AI的CEO Arthur Mensch曾言：讓模型變小一定會有助于Agents 的開發和應用。

而在模型層鮮有重大突破的今天，越來越多的人已經意識到：Agent就是大模型的未來。

對比AI與人類的交互模式，目前已從過去的嵌入式工具型AI（例如Siri）向助理型AI發展，目前的各類AI Copilot不再是機械地完成人類指令，而是可以自動化地完成各種人類工作流，

如果說Copilot這類生成式AI是“副駕駛”，那么Agent則可以算得上一個初級的“主駕駛”。

比爾·蓋茨曾言：在計算行業中，平臺是應用程序和服務構建的基礎技術。Android、iOS 和Windows都是平臺的例子。而Agent將成為下一個平臺。

到了那時，要創建一個新的應用或服務，你不需要掌握編程或圖形設計技能。Agent將能夠幫助處理幾乎所領域的事務。

那么Arthur Mensch為什么會斷言小模型一定會有助于Agents的開發和應用？

這里主要有兩個原因：一是推理成本，二是模型復雜度。

在推理成本方面，除了絕對數值外（即每1000個Token的成本），更重要的，是模型的推理預算與實際效能之比。

從目前的情況來看，Mixtral擁有46.7B的總參數量，但每個token只使用 12.9B參數，也就是說，Mixtral的實際執行速度和所需的成本和一個12.9B的模型相當。

下圖展示了官方公布的模型生成質量與推理消耗成本的關系，與Llama2相比，Mistral7B和Mixtral8x7B表現出自己高能效的優勢。

這意味著，與大模型相比，在保持高效能的情況下，Mixtral這類小模型通常需要更少的計算資源和時間來進行推理，因此更加適合用于實時交互和在線學習。

其次，小模型也有助于Agents的開發和應用，因為它們通常具有更低的模型復雜度，更容易被理解和調試。

Arthur Mensch對此談到：當人們走向一個Agents和AI交互的世界，系統的復雜性也會因此大幅增加。這種高度復雜的情境可能導致崩潰（Collapse），即機器學習中的一種一切都停滯不前的狀態，如果沒有足夠的自組織和解決問題的意愿，人們可能無法有效地應對和管理這些挑戰。

為了解決這個問題，需要在設計和實現AI系統時充分考慮系統的可擴展性、模塊化和可解釋性。

而小模型通常具有更簡單的結構和更少的參數，這使得具有更好的可調試性，從而便于讓開發人員更容易理解和控制模型的性能，從而更快地將Agents推向市場。

三、新的勝出者

在模型層市場被少數頭部企業左右的當下，小模型的出現，無疑為市場打開了新的可能。

從總的態勢來說，之后的模型層競爭中，小模型可能會對大模型形成一種“農村包圍城市”的態勢。

“農村”象征著小模型主要占據的應用領域。這些領域通常包括資源受限的環境，如物聯網設備、智能家居、移動設備和邊緣計算場景。

在這些領域，小模型的靈活性、低成本和低能耗等特點使它們具有競爭優勢。此外，小模型在定制化和遷移學習方面的優勢，使它們能夠更好地適應各種細分市場和特定任務。

“城市”則象征著大模型主要占據的應用領域。這些領域通常包括計算資源豐富、對性能要求較高的場景，如數據中心、云計算和高性能計算環境。

在這樣的態勢下，憑借著細分市場的優勢，以及開源社區的協作和共創，小模型在性能上會不斷迭代，并逐漸對大模型主導的領域形成一種“鉗制”的優勢。

這種關系，類似于農村為城市提供糧食等資源，維持城市的正常運行。在AI領域，大模型在特定領域的優化和提升，將愈發難以脫離小模型提供的實踐場景和技術支持。

而面對這樣的態勢，頭部的大模型企業，自然也不甘被鉗制，因此，這些大廠可能的應對之策之一，是通過蒸餾（Distillation）或者合成數據（Synthetic data generation）等技術來訓練出質量更高的小模型。

或者更簡單粗暴一些，直接將小模型團隊收購、兼并，為己所用。

在這樣的情況下，未來小模型領域，怎樣的企業更有可能勝出？

就大小模型的差異而言，小模型并不像大模型一樣，需要龐大的算力、數據作為支撐，在這個領域，更考驗的是對技術的理解，以及深厚的理論基礎。

因此，將來在小模型領域，更有可能脫穎而出的團隊，應該會是那些具有強大學術、技術背景，且一線研究者、技術人員具有更大話語權的企業。

例如這次的Mixtral的團隊Mixtral AI， 就是由DeepMind和Meta的三位青年科學家建立。

聯創三人，Arthur Mensch，CEO，前DeepMind研究科學家；Guillaume Lample，首席科學家，前Meta研究科學家，Llama項目帶頭；Timothee Lacroix，CTO，前Llama工程帶頭。

在創立Mistral前，Arthur Mensch在DeepMind任職，并主導了LLM、RAG、多模態三個領域最重要的論文，十分全能。

對一線研究者而言，唯有自由地踐行自己的技術構想，在初期不過多地被資本干涉與左右，才更有可能做出亮眼的成果。