作者：陸向陽
2022年11月OpenAI開放大眾使用ChatGPT，口語化的文字回應使大眾驚豔，加上Midjourney的「文生圖」技術，使2023年吹起生成式人工智慧（GenAI）風潮，而其根基技術為大型語言模型（LLM）。
與傳統分析型AI（給一個輸入，輸出為一個判定結果）相比，生成式AI的參數量相當龐大，分析型一般在1,000萬個以下，生成式動輒10億以上，參數的多寡與運算力需求成正比。
由於運算量龐大，若用運算力小的系統來執行LLM/GenAI要很久才能回應，即問一句話可能要10分鐘後才有答案，不切實際。所以LLM/GenAI通常運用雲端資料中心的龐大運算力來算，才能即時提供回應。
不過在雲端運算也有多項缺點，因此各界開始嘗試將模型縮小，在可接受的準確性犧牲下將模型減肥、輕量化，稱為小語言模型（Small Language Model, SLM）。
要說明的是，所謂SLM並沒有明確的界定，是相對LLM而言，筆者自身觀察多半會低於70億個參數，書寫上常見7B，為何普遍為7B，一是說有代表性論文使其約定成俗，另一是說7B若每個參數為整數八位元格式（INT8），則儲存參數的記憶體空間約為7GB，考慮到多數單機系統約8GB記憶體，仍保有1GB用於其他用途，故7GB以下比較務實。
附註：另有文章認為低於1,500萬個參數方能稱SLM。
大廠、新創競逐SLM
參數7B以下主要語言模型列表（製表：陸向陽）
既然是各界，表示大廠與新創均有投入，大廠如Google、Meta、Microsoft、Salesforce、Apple，新創如OpenAI、Claude（多數認為其為OpenAI勁敵，AWS、Google有投資）、Stability AI、MosaicML等，在此僅列出若干代表，難以盡數。
首先Google為了回應OpenAI，推出了Gemini模型，此模型又分成Ultra、Pro、Nano，其中Nano又分為Nano-1、Nano-2，參數量分別為18億（1.8B）、32.5億（3.25B）。
不過Gemini為專屬模型，程式碼不公開，Meta則有公開的Llama 2，其參數包含70B、30B、7B，其中7B可視為SLM，此外Llama 3也有70B與8B版，8B版也接近SLM。史丹佛大學則以Llama 7B為基礎發展出自己的Alpaca 7B，同屬SLM。
Microsoft方面則有開源Phi系列模型，Phi-1為1.3B，Phi-2（過程中還有Phi-1.5）為2.7B，之後Ph-3也同樣走類似Gemini的分級，分出Phi-3 medium、small、mini，參數分別為14B、7B、3.8B。Microsoft另有Orca系列模型，2023年年中推出Orca，同年11月推出Orca 2，並有13B、7B兩種參數。
Microsoft將27億個參數的Phi-2模型與其他更大參數的開源大語言模型進行能力測試比較（圖片來源：Microsoft Blog）
至於Apple，Apple向來引領人機界面互動親和技術，這次反成大落後，即便如此仍在2024年提出OpenELM，並有4.5B/3B/2.7B/1.1B的版本，OpenELM將負責前期過濾判斷角色，簡單回覆可自行處理回應，複雜回覆則依然會回傳到雲端，請求OpenAI ChatGPT協助回答。
新創的回應
大廠紛紛推出LLM、SLM，新創也必須回應，首當其衝的OpenAI也在2024年7月推出GPT-4o mini，不過尚未揭露參數數目，只確定是更輕量的定位；另外因Stable Diffusion生圖服務而走紅的公司Stability AI也推出Stable Beluga 7B、Stable LM 2 1.6B；OpenAI的勁敵Anthropic也在2024年3月推出Claude 3 Opus、Sonnet、Haiku，其中Haiku（日語：俳句）也是SLM定位，同樣不公佈參數數目。
其他如Alibaba的Owen 1.5系列可以低到1.8B、0.5B，EleutherAI的GPT-Neo可以低到1.25億。還有Salesforce（不算小廠）提出XGen 7B，MosaicML（已被Databricks購併）提出MPT-7B，法國新創Mistral的Mistral-7B。
另外，LLM多半基於Transformer模型，而同樣基於Transformer模型的Google BERT模型開始有提出瘦身版的作法，瘦身程序被形容成蒸餾（Distillation），固有DistilBERT的發展，並有Medium、Tiny、Mini等，對應的參數只有4,100萬、1,450萬、440萬。
結語
SLM大幅減少參數（運算需求量），並盡可能維持原有LLM才有的智慧性，因此SLM也開始進行與LLM相同的測試驗證，例如數學能力、語言瞭解能力、程式碼產生能力等。
但在縮減參數的同時其實也遭遇到技術挑戰，例如表征退化、泛化能力不足等。不過各界也在克服這類問題，例如運用資料（數據）擴增技術、正規化技術等。
最後，即便參數量能順利大減，且運算力也因為ASIC、GPGPU、FPGA、CPU追加新指令集等方式而大幅提升，想要即時完成模型推論也還是有技術挑戰，例如記憶體頻寬不足，聯發科技即曾表現，7B參數放入記憶體中佔了7GB，需要的傳輸頻寬為70GB/s，然多數系統只有50GB/s。總之，AI軟硬體都有待持續精進，且讓我們拭目以待。
延伸閱讀
- Sony強力加持！樹莓派發表專屬AI攝影機 - 2024/10/28
- 【Qualcomm Inside】12TOPS Edge AI單板RUBIK Pi規格剖析 - 2024/10/20
- TinyML潛力股！MicroFlow挑戰TensorFlow Lite for Microcontrollers - 2024/10/15
.jpg)
.jpg)