开源与闭源AI：数据质量与适应性为何至关重要

Home AI News CN 开源与闭源AI：数据质量与适应性为何至关重要

与以往的技术革命类似，各组织在开发生成式人工智能应用时，正在权衡使用商业大型语言模型（LLMs）与开源替代方案的利弊。选择的关键在于您的目标。挑选合适的模型并结合高质量的企业数据是至关重要的决策。下面我们将高层次地探讨这些模型的不同结构——闭源、开源和混合模型。

模型类型：闭源与开源

在构建生成式人工智能应用时，组织通常在闭源和开源LLMs之间进行选择。闭源LLMs出于安全性和知识产权保护等原因，保持其源代码的专有性。而开源LLMs则提供源代码的自由访问，允许用户修改和适应软件。然而，一些开源模型包含需要商业许可证的限制性组件，这就是所谓的“开放模型”。在这种情况下，架构和参数可能是公开的，而某些代码仍然是专有的。这类协作努力有助于识别偏见并促进知识共享。

数据：关键资源

许可和使用条款显著影响您如何部署特定模型。需要注意的是，过于专注于闭源与开源的讨论是短视的——根据PwC的调查，70%的CEO预计生成式人工智能将在未来三年内改变他们的运营。与其争论模型类型，不如关注数据的质量，因为这将是您竞争的关键差异化因素。

我们需要重新审视数据的价值。尽管它常被称为“新石油”，但数据更像是水。水维持生命，数据则是生成式人工智能的燃料。两者都需经过仔细的来源筛选和清理，才能发挥作用。

为了最大化生成式人工智能的潜力，您需要经过系统的流程来处理高质量的数据，包括收集、清理、预处理、标注和整理，然后才能进行模型训练、评估和微调。

确定适合的模型规模

实验不同类型和规模的模型是满足特定需求的关键。正确选择（即为您的业务选择最合适的模型）对效果有显著影响。

您是否需要一个全面的模型，以涵盖大量数据，例如拥有广泛知识的数字助手？配备数千亿数据点的大型LLM可能是理想的选择。相反，如果您的目标是向客户提供特定产品信息，则使用增强检索生成（RAG）的小型语言模型（SLM）可能就足够了。对于移动应用，设计用于智能手机的紧凑型LLMs可能提供更快、更具成本效益和能源效率的解决方案。

此外，模型的部署位置也很重要。利用企业数据在本地构建应用可以实现更好的整合。

结论

生成式人工智能模型的领域不断发展，未来的模型将与现有模型有显著不同。无论您选择哪条路径，与合适的组织合作可以将您的数据转化为可执行的洞察。

戴尔科技提供全面的AI优化技术，确保您的数据获得所需的支持。凭借戴尔的经过验证的参考设计，您将拥有开发生成式人工智能服务的基础蓝图，以及专业服务团队的协助。

英伟达与谷歌的内在科技：引领下一代机器人革命的未来

Sagetap 获得 680 万美元融资，推进人工智能驱动的企业软件解决方案市场平台开发