ชุมชนปัญญาประดิษฐ์กำลังเผชิญกับการเปลี่ยนแปลงมุมมองอย่างมีนัยสำคัญ ขณะที่ความตื่นเต้นเบื้องต้นเกี่ยวกับโมเดลภาษาขนาดใหญ่เริ่มปรับตัวลงสู่ความคาดหวังที่สมจริงมากขึ้น ด้วยสถานการณ์ที่บริษัท 95% ยังคงประสบปัญหาในการเห็นผลลัพธ์เชิงบวกจากการนำ LLM มาใช้งาน นักพัฒนาและธุรกิจต่างๆ จึงหันความสนใจไปยังทางเลือกที่เล็กกว่าและมีจุดเน้นเฉพาะมากขึ้น
สстатิสติกการใช้งาน LLM:
- 95% ของบริษัทที่นำ LLM มาใช้งานยังไม่เห็นผลลัพธ์เชิงบวก
- Small Language Models สามารถทำงานบนฮาร์ดแวร์อายุ 8 ปี โดยใช้ CPU น้อยกว่า 10%
- อัตราข้อผิดพลาดต่ำถึง 1% สามารถสะสมกลายเป็นระบบที่ไม่น่าเชื่อถือได้เมื่อมีการเชื่อม LLM หลายตัวเข้าด้วยกัน
ความท้าทายด้านความน่าเชื่อถือผลักดันการใช้งานโมเดลขนาดเล็ก
หนึ่งในข้อโต้แย้งที่น่าสนใจที่สุดสำหรับการยอมรับโมเดลภาษาขนาดเล็กมาจากข้อกังวลเรื่องความน่าเชื่อถือ แม้ว่าโมเดลขนาดใหญ่อาจแก้ปัญหาที่ซับซ้อนได้ 50% ของเวลา แต่ความไม่สม่ำเสมอนี้กลับกстановится ปัญหาเมื่อสร้างระบบสำหรับการใช้งานจริง ชุมชนเทคโนโลยีได้ระบุข้อมูลเชิงลึกที่สำคัญ: เมื่องานเล็กๆ ถูกเชื่อมโยงเข้าด้วยกัน แม้แต่อัตราข้อผิดพลาดเล็กน้อยก็สามารถสะสมกลายเป็นระบบที่ไม่น่าเชื่อถือได้
สำหรับงานที่เรียบง่ายและมีนิยามที่ชัดเจน โค้ดแบบดั้งเดิมมักให้ความน่าเชื่อถือที่ใกล้เคียง 100% และความสามารถในการคาดการณ์ที่มากกว่า LLMs การตระหนักรู้นี้กำลังผลักดันนักพัฒนาไปสู่ Small Language Models (SLMs) ที่สามารถจัดการงานทางภาษาศาสตร์เฉพาะได้โดยไม่มีภาระและความไม่แน่นอนของโมเดลขนาดใหญ่
Small Language Models: โมเดล AI ขนาดกะทัดรัดที่ได้รับการฝึกฝนด้วยชุดข้อมูลขนาดเล็กกว่าและมีพารามิเตอร์น้อยกว่า ออกแบบมาสำหรับงานเฉพาะแทนที่จะเป็นการประยุกต์ใช้งานทั่วไป
ข้อได้เปรียบหลักของ Small Language Models (SLMs):
- การฝึกอบรมด้านจริยธรรมที่ง่ายขึ้นเนื่องจากชุดข้อมูลที่มีขนาดเล็กกว่า
- ต้นทุนการดำเนินงานที่ต่ำกว่าอย่างมีนัยสำคัญ
- พฤติกรรมที่คาดเดาได้และเชื่อถือได้มากขึ้น
- สามารถทำงานในเครื่องโดยไม่ต้องพึ่งพา cloud
- เหมาะสมกับงานเฉพาะเจาะจงและมีโฟกัสมากขึ้น
จากเวทมนตร์สู่โครงสร้างพื้นฐาน: วิวัฒนาการตามธรรมชาติ
อุตสาหกรรมเทคโนโลยีเคยเห็นรูปแบบนี้มาก่อน เช่นเดียวกับที่ไดนาโมไฟฟ้าพัฒนาจากแหล่งพลังงานกลางแห่งเดียวไปสู่ระบบกระจายที่เปิดใช้งานสายการผลิต LLMs ก็กำลังเดินตามเส้นทางที่คล้ายคลึงกันไปสู่การประยุกต์ใช้ที่เล็กกว่าและกระจายมากขึ้น โมเดล Phi3 ของ Microsoft เป็นตัวอย่างของแนวโน้มนี้ ที่ทำงานได้อย่างมีประสิทธิภาพบนฮาร์ดแวร์รุ่นเก่าในขณะที่ใช้ทรัพยากรน้อยที่สุด
การนำไปใช้ที่ประสบความสำเร็จมากที่สุดกำลังเกิดขึ้นในการประยุกต์ใช้เบื้องหลังเช่นการเขียนคิวรีใหม่ ซึ่งผู้ใช้ไม่รู้ด้วยซ้ำว่ามีระบบ AI เข้ามาเกี่ยวข้อง การประยุกต์ใช้เหล่านี้หลีกเลี่ยงปัญหาการหลอนลวงที่รบกวนการใช้งานที่ทะเยอทะยานมากกว่า เพราะมุ่งเน้นไปที่งานทางไวยากรณ์ที่ตรงไปตรงมาแทนที่จะพยายามใช้เหตุผลเหมือนมนุษย์
 |
|---|
| การเปลี่ยนผ่านจากโมเดล AI ขนาดใหญ่ไปสู่โซลูชันเชิงปฏิบัติขนาดเล็กได้รับการเน้นย้ำผ่านการวิเคราะห์อย่างรอบคอบในชุมชนเทคโนโลจี |
ชุมชนต่อต้านการอ้างสิทธิ์เรื่องความฉลาด
ชุมชนนักพัฒนายังคงแบ่งแยกในเรื่องการอ้างสิทธิ์เกี่ยวกับความฉลาดและความสามารถของ LLM ในขณะที่บางคนโต้แย้งว่าโมเดลปัจจุบันมีประสิทธิภาพเหนือกว่ามนุษย์ในงานการเขียนโค้ดบางอย่างแล้ว คนอื่นๆ ยังคงมีท่าทีที่ระแวงมากกว่า การถกเถียงหลักมีจุดศูนย์กลางอยู่ที่ว่าระบบเหล่านี้เข้าใจปัญหาอย่างแท้จริงหรือเพียงแค่เก่งในการจับรูปแบบและสร้างคำตอบที่ฟังดูน่าเชื่อถือ
LLMs เข้าใจรูปร่างของคำตอบที่ถูกต้อง และวิธีที่องค์ประกอบของภาษาเข้ากันเพื่อสร้างคำตอบที่ถูกต้อง พวกมันทำได้เพราะได้เห็นภาษามากพอที่จะรู้ว่าคำตอบที่ถูกต้องหน้าตาเป็นอย่างไร
มุมมองนี้ชี้ให้เห็นว่าสิ่งที่เราเห็นคือการจับรูปแบบที่ซับซ้อนแทนที่จะเป็นความฉลาดแท้จริง ซึ่งมีผลกระทบสำคัญต่อวิธีที่เราควรใช้เทคโนโลยีเหล่านี้
แอปพลิเคชัน LLM ที่ประสบความสำเร็จ เทียบกับการใช้งานที่มีปัญหา:
ทำงานได้ดี:
- การเขียนคำค้นหาใหม่ (การปรับปรุงเบื้องหลัง)
- การพิสูจน์อักษรและการย่อข้อความ
- ฟังก์ชันการเติมข้อความอัตโนมัติ
- งานด้านภาษาเชิงไวยากรณ์
ทำงานได้ยาก:
- งานที่ต้องใช้การใช้เหตุผลที่ซับซ้อน
- การช่วยเหลือในการเขียนเชิงสร้างสรรค์
- แอปพลิเคชันปัญญาประดิษฐ์ทั่วไป
- งานที่ต้องการความแม่นยำ 100%
เส้นทางข้างหน้า: น่าเบื่อแต่มีประสิทธิภาพ
ขณะที่ฟองสบู่ AI แสดงสัญญาณของการแฟบลง ชุมชนเทคโนโลยีกำลังเอนเอียงไปสู่การประยุกต์ใช้ที่ธรรมดามากขึ้นแต่ใช้งานได้จริง ชุมชนโอเพ่นซอร์สกำลังเป็นผู้นำในการเปลี่ยนแปลงนี้ โดยสร้างโมเดลที่หลากหลายซึ่งท้าทายสมมติฐานที่ว่าใหญ่กว่าจะดีกว่าเสมอ โมเดลขนาดเล็กเหล่านี้มีข้อได้เปรียบอย่างมีนัยสำคัญ: การฝึกฝนด้านจริยธรรมที่ง่ายกว่า ต้นทุนการดำเนินงานที่ต่ำกว่า และพฤติกรรมที่คาดการณ์ได้มากกว่า
การเปลี่ยนแปลงนี้แสดงถึงการเติบโตของเทคโนโลยีจากความแปลกใหม่ในการทดลองสู่โครงสร้างพื้นฐานที่ใช้งานได้จริง แทนที่จะไล่ตามการสาธิตที่ฉูดฉาด การนำไปใช้ที่ประสบความสำเร็จมุ่งเน้นไปที่การแก้ปัญหาเฉพาะอย่างมีประสิทธิภาพและเชื่อถือได้
ฉันทามติที่เกิดขึ้นจากชุมชนนักพัฒนาชี้ให้เห็นว่าอนาคตของโมเดลภาษาไม่ได้อยู่ที่การแทนที่ความฉลาดของมนุษย์ แต่อยู่ที่การเสริมความสามารถของมนุษย์ผ่านเครื่องมือที่มีจุดเน้นและเชื่อถือได้ซึ่งจัดการงานทางภาษาศาสตร์ที่มีนิยามชัดเจน แนวทางนี้อาจไม่น่าตื่นเต้นเท่ากับสัญญาของ AI เดิม แต่มันให้เส้นทางที่ยั่งยืนและใช้งานได้จริงมากกว่าสำหรับธุรกิจที่ต้องการได้รับประโยชน์จากเทคโนโลยีนี้
อ้างอิง: Boring is good