硅谷砸下数十亿美元搞AI，回报却迟迟未见——为何大多数公司更该拥抱“小AI”

尽管大型通用 AI 模型吸引了大量投资和关注，但大多数公司尚未从中获得实际的投资回报。文章认为，企业应转向开发专注于特定任务的“小型 AI”。这类模型参数更少、数据和算力需求更低，因此构建成本更低、速度更快、效率更高。通过解决具体的业务痛点，小型 AI 不仅能提供更安全、可持续的解决方案，还能为投资者和用户带来更切实、更快速的价值，从而避免 AI 产业泡沫的破裂。

大型 AI 的现实困境

尽管大型通用模型（如 GPT-4、Gemini）在基准测试中表现出色，但这并不直接等同于现实世界中的生产力提升或商业价值。

• 成本高昂： 构建和训练这些模型需要投入数十亿美元用于工程、芯片、训练和数据中心。
• 价值不明确： 对于大多数企业而言，投身于开发通用大模型的竞争，其商业回报并不清晰。
• 项目失败率高： 超过 80% 的 AI 项目最终失败，核心挑战在于获取和管理高质量、合乎道德的数据，而大型模型对数据的依赖性极高。

即使是行业巨头，其引人注目的通用基础模型在特定基准上表现良好，但这种表现能否转化为实际价值，例如提高生产力，仍然是未知数。

“小型 AI”的优势

与追求“万能”的大模型相反，专注于解决单一问题的“小型 AI”展现出更强的实用性和效率。“小”并不意味着微不足道。

• 目标明确： 专为特定用例或痛点而设计，输出结果更可控、更稳健。
• 成本效益高： 训练一个专注的模型需要更少的参数、更少的数据和更少的算力，从而大幅降低了开发和运营成本。
• 速度与性能： 由于处理的 token 长度较短，为特定任务优化的模型运行速度更快，性能也更强。
• 降低风险： 这种务实的方法让企业能够逐步构建 AI 能力，而不是将所有希望寄托于一个庞大而昂贵的单一模型上。

实际应用中的“小型 AI”

一些创新者甚至大型科技公司已经开始通过专注的 AI 模型来创造价值。

• 农业科技： Bonsai Robotics 公司利用其专利 AI 模型和计算机视觉，为农业采摘等特定场景提供自动化解决方案，其专注的应用使其获得了行业认可。
• 软件与办公： 微软的 Copilot 套件将基于 GPT 技术的一系列小型 AI 工具集成到其产品中。这些模型专注于软件、编码和常见工作模式，比通用的 ChatGPT 更容易微调，也更擅长生成个性化内容和实现任务自动化。

与其拥有一个参数臃肿、消耗海量数据却仍然无法正确完成任务的平庸助手，不如构建一个由专家模型组成的、不断成长的敏捷团队来增强我们的工作。

如何避免 AI 泡沫破裂

创新的历史证明，真正的进步依赖于渐进的、务实的进展，而不是空洞的炒作。

通过构建专注于正确数据的轻量级计算基础设施，企业可以在降低巨大财务和环境成本的同时，充分释放 AI 的潜力。专注于特定应用的小型 AI 能够提供更快、更可持续、更具成本效益的解决方案，最终为投资者和用户带来他们迫切需要的投资回报。