Cộng đồng trí tuệ nhân tạo đang chứng kiến một sự thay đổi quan điểm đáng kể khi sự phấn khích ban đầu xung quanh các mô hình ngôn ngữ lớn bắt đầu lắng xuống thành những kỳ vọng thực tế hơn. Với 95% các công ty vẫn đang gặp khó khăn trong việc thấy được kết quả tích cực từ việc triển khai LLM , các nhà phát triển và doanh nghiệp ngày càng chuyển sự chú ý của họ sang những giải pháp thay thế nhỏ hơn và tập trung hơn.
Thống kê triển khai LLM:
- 95% các công ty triển khai LLM vẫn chưa thấy được kết quả tích cực
- Các mô hình ngôn ngữ nhỏ có thể chạy trên phần cứng 8 năm tuổi chỉ sử dụng dưới 10% CPU
- Tỷ lệ lỗi thấp đến 1% có thể tích lũy thành các hệ thống không đáng tin cậy khi nhiều LLM được kết nối chuỗi với nhau
Thách Thức Về Độ Tin Cậy Thúc Đẩy Việc Áp Dụng Các Mô Hình Nhỏ Hơn
Một trong những lập luận thuyết phục nhất cho việc chấp nhận các mô hình ngôn ngữ nhỏ hơn đến từ những lo ngại về độ tin cậy. Trong khi các mô hình lớn có thể giải quyết các vấn đề phức tạp 50% thời gian, sự không nhất quán này trở thành vấn đề khi xây dựng các hệ thống sản xuất. Cộng đồng công nghệ đã xác định được một hiểu biết quan trọng: khi các tác vụ nhỏ được liên kết với nhau, ngay cả tỷ lệ lỗi nhỏ cũng có thể tích tụ thành các hệ thống không đáng tin cậy.
Đối với các tác vụ đơn giản, được định nghĩa rõ ràng, mã truyền thống thường cung cấp độ tin cậy gần như 100% và khả năng dự đoán tốt hơn nhiều so với LLM . Nhận thức này đang thúc đẩy các nhà phát triển hướng tới các Mô Hình Ngôn Ngữ Nhỏ ( SLM ) có thể xử lý các tác vụ ngôn ngữ cụ thể mà không có chi phí phụ trội và tính không thể dự đoán của các đối tác lớn hơn.
Mô Hình Ngôn Ngữ Nhỏ: Các mô hình AI nhỏ gọn được huấn luyện trên các bộ dữ liệu nhỏ hơn với ít tham số hơn, được thiết kế cho các tác vụ cụ thể thay vì các ứng dụng đa mục đích.
Những Lợi Thế Chính của Các Mô Hình Ngôn Ngữ Nhỏ (SLMs):
- Việc huấn luyện đạo đức dễ dàng hơn do bộ dữ liệu nhỏ hơn
- Chi phí vận hành thấp hơn đáng kể
- Hành vi dự đoán được và đáng tin cậy hơn
- Có thể chạy cục bộ mà không phụ thuộc vào cloud
- Phù hợp hơn cho các tác vụ cụ thể, tập trung
Từ Phép Thuật Đến Hạ Tầng: Sự Tiến Hóa Tự Nhiên
Ngành công nghiệp công nghệ đã thấy mô hình này trước đây. Giống như các máy phát điện đã tiến hóa từ các nguồn điện tập trung đơn lẻ thành các hệ thống phân tán cho phép dây chuyền lắp ráp, LLM đang đi theo con đường tương tự hướng tới các ứng dụng nhỏ hơn, phân tán hơn. Mô hình Phi3 của Microsoft minh họa cho xu hướng này, chạy hiệu quả trên phần cứng cũ hơn trong khi tiêu thụ tài nguyên tối thiểu.
Các triển khai thành công nhất đang xuất hiện trong các ứng dụng hậu trường như viết lại truy vấn, nơi người dùng thậm chí không biết rằng một hệ thống AI đang tham gia. Những ứng dụng này tránh được các vấn đề ảo giác gây phiền toái cho các ứng dụng tham vọng hơn bởi vì chúng tập trung vào các tác vụ cú pháp đơn giản thay vì cố gắng suy luận giống con người.
 |
|---|
| Sự chuyển đổi từ các mô hình AI lớn hơn sang các giải pháp thực tiễn, nhỏ gọn hơn được nhấn mạnh thông qua phân tích sâu sắc trong cộng đồng công nghệ |
Cộng Đồng Phản Đối Các Tuyên Bố Về Trí Thông Minh
Cộng đồng nhà phát triển vẫn chia rẽ về các tuyên bố về trí thông minh và khả năng của LLM . Trong khi một số người cho rằng các mô hình hiện tại đã vượt trội hơn con người trong một số tác vụ lập trình, những người khác duy trì lập trường hoài nghi hơn. Cuộc tranh luận cốt lõi tập trung vào việc liệu các hệ thống này có thực sự hiểu các vấn đề hay chỉ đơn giản là xuất sắc trong việc khớp mẫu và tạo ra các phản hồi nghe có vẻ hợp lý.
LLM hiểu hình dạng của một câu trả lời đúng, và cách các thành phần của ngôn ngữ kết hợp với nhau để tạo thành một câu trả lời đúng. Chúng làm điều đó bởi vì chúng đã thấy đủ ngôn ngữ để biết các câu trả lời đúng trông như thế nào.
Quan điểm này cho thấy rằng những gì chúng ta đang chứng kiến là việc khớp mẫu tinh vi thay vì trí thông minh thực sự, điều này có những tác động quan trọng đối với cách chúng ta nên triển khai những công nghệ này.
Các Ứng Dụng LLM Thành Công so với Những Cách Sử Dụng Có Vấn Đề:
Hoạt Động Tốt:
- Viết lại truy vấn (cải thiện hậu trường)
- Hiệu đính và nén tắt văn bản
- Chức năng tự động hoàn thành
- Các tác vụ ngôn ngữ cú pháp
Gặp Khó Khăn:
- Các tác vụ lý luận phức tạp
- Hỗ trợ viết sáng tạo
- Các ứng dụng trí tuệ tổng quát
- Các tác vụ yêu cầu độ chính xác 100%
Con Đường Phía Trước: Nhàm Chán Nhưng Hiệu Quả
Khi bong bóng AI cho thấy dấu hiệu xì hơi, cộng đồng công nghệ đang hướng tới các ứng dụng tầm thường hơn nhưng thực tế hơn. Cộng đồng mã nguồn mở đang dẫn đầu cuộc tấn công này, tạo ra các mô hình đa dạng thách thức giả định rằng lớn hơn luôn tốt hơn. Những mô hình nhỏ hơn này cung cấp những lợi thế đáng kể: huấn luyện đạo đức dễ dàng hơn, chi phí vận hành thấp hơn, và hành vi có thể dự đoán hơn.
Sự thay đổi này đại diện cho sự trưởng thành của công nghệ từ sự mới lạ thử nghiệm thành hạ tầng thực tế. Thay vì theo đuổi các cuộc biểu diễn hào nhoáng, các triển khai thành công tập trung vào việc giải quyết các vấn đề cụ thể một cách hiệu quả và đáng tin cậy.
Sự đồng thuận nổi lên từ cộng đồng nhà phát triển cho thấy rằng tương lai của các mô hình ngôn ngữ không nằm ở việc thay thế trí thông minh con người, mà là tăng cường khả năng của con người thông qua các công cụ tập trung, đáng tin cậy xử lý các tác vụ ngôn ngữ được định nghĩa rõ ràng. Cách tiếp cận này có thể ít thú vị hơn so với những lời hứa AI ban đầu, nhưng nó cung cấp một con đường bền vững và thực tế hơn cho các doanh nghiệp muốn hưởng lợi từ công nghệ này.
Tham khảo: Boring is good