大型语言模型（LLMs）：更大总是更好吗？
谷歌云数据、分析与人工智能战略和产品管理总监雅丝敏·艾哈迈德最近在VB Transform会议上分享了这一主题的见解。她的直接回答是：“是的，但也不是。”
虽然大型LLMs通常表现更佳，但这种增长并非无限。艾哈迈德强调，专注于特定领域数据的小型模型在某些情况下能够超越其大型同类。她指出：“数据是基础，”这表明行业特定的信息能够赋能模型。
这种方法在企业内部促进了创造力、效率和包容性。通过利用以前无法访问的数据，组织能够以创新的方式吸引员工参与。
“生成性人工智能正在拓展机器创造的领域，”艾哈迈德表示。“它模糊了技术与魔法之间的界限，可能重新定义我们对于魔法的看法。”
建立新的人工智能基础
在特定企业环境中有效训练LLM需要两种关键技术：微调和增强检索生成（RAG）。微调帮助LLM理解“商业语言”，而RAG则将模型与来自文档和数据库的实时数据连接起来。
“这使得对金融分析、风险分析等领域至关重要的准确信息成为可能，”艾哈迈德解释说。
LLMs的真正优势在于其多模态能力，能够处理视频、文本和图像等多种数据类型。艾哈迈德强调，80%到90%的企业数据是多模态的，因此有效利用LLM来驾驭这些信息显得尤为重要。
一项谷歌研究表明，当使用多模态数据时，客户体验提升了20%至30%，这增强了公司分析客户情感和产品表现与市场趋势的能力。
“这不仅仅是模式识别，”艾哈迈德提到。“LLMs能够通过访问所有可用数据来理解我们组织的复杂性。”
传统企业面临着过时的数据基础设施，难以处理多模态信息。人工智能的未来需要建立一个能够应对这种复杂性的全新基础。
对话式人工智能：互动的角色
艾哈迈德还强调了问题与回答互动在成功LLMs中的重要性。虽然与业务数据对话听起来很吸引人，但也存在挑战。
例如，如果你向同事询问下季度的销售预测但没有提供背景信息，他们的回答可能会模糊不清。LLMs同样需要语义上下文和元数据，以提供准确的回应。
人类分析通常涉及反复对话，以细化问题并获得明确答案。同样，LLMs也必须促进连贯的对话，从孤立的一次性交互演变为“下一代对话式人工智能”。
“把它看作是个人数据助手，”她建议道。这位不知疲倦的助手可以进行深思熟虑的交流，使查询透明，从而增强用户对结果的信任。
艾哈迈德提到了“代理型人工智能”的兴起——这些系统能够做出决策并追求目标。这些模型通过将任务分解为子任务并发展战略思维能力，模仿人类的思维过程。
随着实时能力的不断进步，这些发展正以前所未有的速度发生。艾哈迈德总结道：“未来已来，它正在催生新的商业形态。我们才刚刚开始探索这项技术能带来的可能。”
排行榜
