小型语言模型（SLM）更适合交付特定于业务的AI应用，凭借其敏捷、成本效益高、任务针对性强的特点，可能很快在企业应用方面超过大型语言模型（LLM）。
图片来源: Rob Schultz / Shutterstock / Unsplash
小型语言模型（SLM）为首席信息官（CIO）提供了更多机会来开发专门的、针对特定业务的AI应用程序，这些应用程序比依赖通用大型语言模型（LLM）的应用程序运行成本更低。
根据Gartner最近的一份报告，到2027年，更小、特定于上下文的模型将在使用量上超过其对应模型，至少是LLM的三倍。该报告还声称，对于需要特定业务上下文的任务，LLM的响应准确性会下降。
Gartner分析师、该报告的作者之一Sumit Agarwal表示：“业务工作流程中任务的多样性以及对更高准确性的需求，正在推动向针对特定功能或领域数据进行微调的专业模型的转变。这些更小、任务特定的模型提供更快的响应，使用更少的计算能力，从而降低了运营和维护成本。”
印度Wipro的技术人员Magesh Kasthuri博士表示，他不认为LLM比SLM更容易出错，但同意LLM的幻觉可能是一个问题。“对于以领域为中心的解决方案，例如在银行或能源领域，SLM因其敏捷性、成本效益、快速原型设计和开发、安全性以及组织数据的隐私性而成为首选，” Kasthuri说。
尽管人们的注意力集中在执行广泛功能的通用LLM上，如OpenAI、Gemini、Claude和Grok，但一批小型、专门的模型正作为任务特定应用的成本效益替代方案而兴起，包括Meta的Llama 3.1、微软的Phi和谷歌的Gemma SLM。
例如，谷歌声称其最近推出的Gemma 3 SLM仅需一个Nvidia GPU即可运行。
一、SLM吸引企业关注
Avery Dennison的首席信息官Nicholas Colisto认为，代理式AI（agentic AI）的兴起是如今CIO对SLM兴趣增加的原因之一。
“为生成式AI和代理式AI应用选择合适的基础模型是CIO和首席AI官（CAIO）如今面临的更复杂的决策之一。这不仅仅是关于性能基准——而是关于平衡成本、安全性、可解释性、可扩展性和价值实现时间，” Colisto说。“格局正在从大型通用模型转向更小、特定领域的模型，这些模型能更好地满足行业需求，同时降低风险和成本。”
Gartner认为，SLM可以增强对敏感业务数据的控制，同时降低运营成本并提高特定领域的性能。Gartner声称，这种更具针对性的AI方法——用于客户服务自动化、市场趋势分析、产品创新和情感分析——还提供了隐私和版权保护方面的好处。
“这100%准确，” IBM旗下公司Hakkoda的首席创新官Patrick Buell说。“在防火墙后运行的经过调整的开源小型语言模型解决了许多安全、治理和成本问题。”
前CIO、Intelagen创始人Tom Richer表示，Gartner的报告与他在实践中看到的情况一致。Intelagen是一家开发和部署专业垂直AI解决方案的谷歌合作伙伴。
“通用LLM有其用武之地，但对于特定的业务问题，更小、经过微调的模型能以更高的效率提供更好的结果，尤其是在受监管的行业，” Richer说。“推动向SLM转变的主要驱动力是LLM的幻觉风险。通用LLM产生不准确或无意义信息的倾向，尤其是在处理特定或细微的业务上下文时，是一个重大障碍。”
Richer补充道：“对于准确性和可靠性至关重要的企业应用程序来说，这种固有风险使得在许多情况下完全依赖通用LLM是行不通的。这是一个根本原因，说明为什么更具针对性、专业化的方法通常是更审慎、更可靠的解决方案。在医疗保健用例中不能冒出现幻觉的风险。”
二、流动的未来
去年秋天，微软宣布利用其Phi SLM产品组合调整AI模型，以扩展其行业能力，并使企业能够更准确、更有效地满足定制需求。该公司宣布正在与拜耳、罗克韦尔自动化、西门子数字工业软件等企业合作伙伴开发经过微调的模型，这些模型使用特定行业的数据进行预训练，以适应常见的业务用例。
微软首席执行官萨提亚·纳德拉最近在东京的一次演示中称赞了一家大型航空公司开发的SLM。“借助我们的SLM Phi，日本航空的空乘人员在文书工作上花费的时间更少，而有更多时间陪伴乘客，” 纳德拉在LinkedIn上发帖称。
微软还声称，其Orca和Orca 2展示了使用合成数据对小型语言模型进行后训练，使其能够在专门任务上表现更好。
谷歌的Gemma 3基于Gemini 2.0，是一系列轻量级、最先进的开放模型，旨在快速运行，直接在设备上——从手机、笔记本电脑到工作站。“Gemma SLM模型利用业务领域特定的智能而非广泛的泛化能力，并针对医疗保健、法律和金融等行业量身定制，在各自领域表现优于LLM，” 公司向CIO发布的一份声明中提到。
Gartner表示，企业可以通过使用检索增强生成（RAG）或其他微调技术来自定义LLM以完成特定任务，从而创建专门的模型。但Gartner关于SLM将在两年内超过LLM的预测，说明了整个行业正在加速向使AI更具任务特定性并遵守治理和监管合规性的趋势发展，Cognizant副总裁兼AI与分析全球主管Naveen Sharma说。
“随着组织寻求更有效地扩展AI，更小、任务特定的模型被证明更快、更高效，并且更容易集成到实际的业务工作流程中，” Sharma说。“在AI模型方面，更小可能更智能，但未来不是非此即彼：而是协同编排，大型模型提供基础，更小、有针对性的模型满足精确的业务需求。”
Sharma还表示，SLM开发的增加并不意味着大型基础模型会消失。
“如果说有什么不同的话，那就是它们的作用变得更具战略性。它们不再是最终产品，而是成为起点——提供核心能力，团队可以在此基础上构建、调整和微调以适应特定的用例，” Sharma补充道。“我们正在从将它们用作通用工具转变为将它们用作更量身定制、更高效、能更好地服务于业务的AI系统的核心基础设施。”
作者：Paula Rooney CIO.com的高级撰稿人，专注于CIO如何部署AI、云和数字技术来转变其组织。作为一名资深的IT记者，她拥有哥伦比亚大学新闻学硕士学位，最近凭借其企业新闻报道《AI走向核能？数据中心交易表明这不可避免》和案例研究《洛杉矶公设辩护人CIO通过数字化将人们引导至项目而非监狱》获得了ASBPE地区银奖和地区铜奖。
睿观:小型语言模型 (SLM) 因其在特定业务应用中的高效、低成本和高准确性，正迅速获得企业青睐，预计其使用量将很快超过通用的大型语言模型 (LLM)。
（一）论据 (Supporting Arguments):
针对性与准确性:
SLM 针对特定任务或领域进行训练/微调，能够提供比通用 LLM 更准确、更可靠的结果，尤其是在需要具体业务上下文或处理敏感信息的场景（如医疗、金融），显著降低了“幻觉”风险。
成本效益与效率:
SLM 的计算需求远低于 LLM，运行和维护成本更低，响应速度更快，部署更灵活（甚至可以在设备端运行，如 Google Gemma）。
安全性与隐私性:
SLM 可以部署在企业防火墙内，更好地控制敏感业务数据，满足隐私保护和合规性要求，解决了使用外部通用 LLM 可能带来的数据安全和治理担忧。
敏捷性与易用性:
SLM 更小、更专注，使得企业能够更快地进行原型设计、开发和部署针对特定需求的 AI 应用，更容易集成到现有工作流程中。
（二）支撑细节与例证 (Evidence & Examples):
市场预测:
Gartner 预测到 2027 年，SLM 的使用量将至少是 LLM 的三倍。
行业专家观点:
CIO (Colisto, Richer) 认为 SLM 更适合特定行业需求，平衡了性能、成本、安全和价值实现时间，并强调了 LLM 的幻觉风险是转向 SLM 的主要驱动力。
技术专家 (Kasthuri, Buell) 指出 SLM 在特定领域（银行、能源）的优势，以及开源 SLM 在安全、治理和成本方面的益处。
分析师 (Agarwal) 指出业务任务多样性和准确性需求推动了专业化模型的发展。
技术发展与应用:
各大科技公司 (Meta, Microsoft, Google) 纷纷推出 SLM (Llama 3.1, Phi, Gemma, Orca)。
微软利用 Phi 为特定行业（如航空业 JAL）定制解决方案，并探索用合成数据训练 Orca。
谷歌的 Gemma 强调可在单个 GPU 或设备上运行，并针对特定行业进行优化。
未来趋势:
未来并非 SLM 与 LLM 的二选一，而是两者的协同编排 (Orchestration)。LLM 可能作为基础架构提供通用能力，而 SLM 则在此基础上针对具体业务需求进行构建和微调 (Sharma观点)。
