譯者 | 涂承燁

審校 | 重樓

不到十年前，能與計算機進(jìn)行有意義的對話的想法還只是科幻小說。但今天，數(shù)以百萬計的人與AI助手聊天，根據(jù)文本描述創(chuàng)作令人驚嘆的藝術(shù)作品，并每天使用這些AI工具/系統(tǒng)來理解圖像和執(zhí)行高級任務(wù)。這一進(jìn)步由許多專業(yè)AI模型驅(qū)動，每個模型都有其獨特的功能和應(yīng)用。本文將介紹八種正在重塑數(shù)字格局并可能塑造我們未來的專業(yè)AI模型。

1.LLMs：大型語言模型(Large Language Models)

還記得科幻電影里人類過去常常與計算機正常交談的情景嗎？大型語言模型創(chuàng)造了一種虛構(gòu)已成為現(xiàn)實的氛圍。這些模型理解并生成人類語言，構(gòu)成了現(xiàn)代AI助手的支柱。

LLMs的架構(gòu)：

LLMs本質(zhì)上建立在變換器（Transformer）之上，變換器由堆疊的編碼器和/或解碼器塊組成。典型的實現(xiàn)包括使用以下組件：

• 多頭注意力層(Multi-Head Attention Layers)：不同的注意力層允許模型同時關(guān)注輸入的各個部分，每層計算 Q、K、V 矩陣。
• 前饋神經(jīng)網(wǎng)絡(luò)(Feed-Forward Neural Networks)：當(dāng)這些網(wǎng)絡(luò)接收注意力輸出時，它們實現(xiàn)兩個線性變換，中間有一個非線性激活函數(shù)，通常是 ReLU 或 GELU。
• 殘差連接與層歸一化(Residual Connections and Layer Normalization)：通過允許梯度在深度網(wǎng)絡(luò)中流動并通過歸一化網(wǎng)絡(luò)激活來使訓(xùn)練穩(wěn)定。
• 位置編碼(Positional Encoding)：當(dāng)變換器并行處理詞元（token）時，它使用正弦或?qū)W習(xí)得到的位置嵌入來注入位置信息。
• 多階段訓(xùn)練(Multi-Phase Training)：在精選數(shù)據(jù)集上進(jìn)行微調(diào)之前的預(yù)訓(xùn)練，隨后進(jìn)行對齊（alignment），其中人類反饋強化學(xué)習(xí)(RLHF)是方法之一。

LLMs的關(guān)鍵特性：

• 自然語言理解與生成
• 在較長詞元跨度上的上下文感知
• 從海量訓(xùn)練數(shù)據(jù)中學(xué)習(xí)知識表示
• 零樣本學(xué)習(xí)（無需任何特定訓(xùn)練即可執(zhí)行任務(wù)的能力）
• 上下文學(xué)習(xí)（in-context learning），即通過示例適應(yīng)新格式的能力
• 遵循指令進(jìn)行復(fù)雜的多步推理
• 用于解決問題的思維鏈（Chain-of-thought）推理能力

LLMs的示例：

• GPT-4(OpenAI)：最具先進(jìn)性的語言模型之一，具有多模態(tài)能力，驅(qū)動著 ChatGPT 和數(shù)千個應(yīng)用程序。
• Claude(Anthropic)：以產(chǎn)生深思熟慮、細(xì)致入微的輸出和良好推理而聞名。
• Llama 2 & 3(Meta)：強大的開源模型，將AI帶給大眾。
• Gemini(Google)：谷歌的最先進(jìn)模型，具有極強的推理和多模態(tài)能力。

LLMs的用例：

想象你是一個遭遇寫作瓶頸的內(nèi)容創(chuàng)作者。LLMs可以生成想法、創(chuàng)建文章大綱或為你起草內(nèi)容供你潤色。設(shè)想你是一個遇到編碼問題的開發(fā)者；這些模型可以調(diào)試你的代碼、提出解決方案，甚至用淺顯的英語解釋復(fù)雜的編程概念或術(shù)語。

2.LCMs：大型概念模型(Large Concept Models)

LLMs 專注于語言，而 LCMs 則側(cè)重于理解思想之間更深層次的概念關(guān)系。你可以把它們看作是掌握概念而不僅僅是單詞的模型。

LCMs的架構(gòu)：

LCMs 在變換器架構(gòu)基礎(chǔ)上構(gòu)建，增加了用于概念理解的專業(yè)組件，通常包括：

• 增強的交叉注意力機制(Enhanced Cross-Attention Mechanisms)： 將文本詞元連接到概念表示，并將單詞連接到潛在概念。
• 知識圖譜集成(Knowledge Graph Integration)：直接在架構(gòu)中或通過預(yù)訓(xùn)練目標(biāo)間接集成結(jié)構(gòu)化知識。
• 分層編碼層(Hierarchical Encoding Layers)：這些層級在不同抽象層次上捕獲概念，從具體實例到抽象類別。
• 多跳推理模塊(Multi-Hop Reasoning Modules)：允許多步跟蹤概念關(guān)系鏈。

預(yù)訓(xùn)練通常針對概念預(yù)測、概念消歧、層次關(guān)系建模以及從抽象到具體的映射。此外，許多實現(xiàn)采用專門的注意力機制，該機制為與概念相關(guān)的詞元分配與一般上下文相關(guān)的詞元不同的權(quán)重。

LCMs的關(guān)鍵特性：

• 將抽象思想概念化，超越語言的表層
• 在邏輯和因果推理方面表現(xiàn)出色
• 改進(jìn)的常識推理和推斷能力
• 連接不同領(lǐng)域的相關(guān)概念
• 對層次結(jié)構(gòu)的語義概念化
• 概念消歧和實體鏈接
• 類比與學(xué)習(xí)遷移
• 從多樣信息源組合知識

LCMs的頂級示例：

• Gato(Deepmind)：一個通用智能體，使用一個簡單模型執(zhí)行數(shù)百項任務(wù)。
• 悟道 2.0(Wu Dao 2.0, 北京智源人工智能研究院)：一個用于概念理解的超大規(guī)模多模態(tài) AI 系統(tǒng)。
• Minerva(Google)：專長于數(shù)學(xué)和科學(xué)推理。
• Flamingo(DeepMind)：通過概念框架橋接視覺和語言理解。

LCMs的用例：

對于試圖將來自不同科學(xué)論文的見解整合起來的研究員，LCM 將揭示那些原本隱藏的概念聯(lián)系。教育工作者可以與 LCMs 合作設(shè)計教學(xué)材料，以增強概念學(xué)習(xí)，而不是直接記憶。

3.LAMs：大型動作模型(Large Action Models)

大型動作模型是 AI 進(jìn)化的下一階段，這些模型不僅能理解或生成內(nèi)容，還能在數(shù)字環(huán)境中采取有意義的有向動作。它們在理解與行動之間架起橋梁。

LAMs的架構(gòu)：

LAMs 通過多組件設(shè)計將語言理解與動作執(zhí)行結(jié)合起來：

• 語言理解核心(Language Understanding Core)：基于變換器的LLM 用于處理指令并生成推理步驟。
• 規(guī)劃模塊(Planning Module)：分層規(guī)劃系統(tǒng)，將高級目標(biāo)分解為可操作的步驟，通常使用蒙特卡洛樹搜索（Monte Carlo Tree Search）或分層強化學(xué)習(xí)（hierarchical reinforcement learning）等技術(shù)。
• 工具使用接口(Tool Use Interface)：用于外部工具交互的 API 層，包括發(fā)現(xiàn)機制、參數(shù)綁定、執(zhí)行監(jiān)控和結(jié)果解析。
• 記憶系統(tǒng)(Memory Systems)：同時使用短期工作記憶和長期情景記憶來維持跨動作的上下文。

計算流程經(jīng)歷指令生成與解釋、規(guī)劃、工具選擇、執(zhí)行、觀察和計劃調(diào)整的循環(huán)。訓(xùn)練通常結(jié)合使用監(jiān)督學(xué)習(xí)、強化學(xué)習(xí)和模仿學(xué)習(xí)的方法。另一個關(guān)鍵特征是存在一個“反思機制（reflection mechanism）”，模型在其中判斷其動作的效果并相應(yīng)地調(diào)整所應(yīng)用的策略。

LAMs的關(guān)鍵特性：

• 根據(jù)以自然語言形式傳遞的指令采取行動
• 多步驟規(guī)劃以實現(xiàn)需要如此的目標(biāo)
• 無需人工干預(yù)即可使用工具和進(jìn)行 API 交互
• 通過演示學(xué)習(xí)而非編程
• 從環(huán)境中接收反饋并自我適應(yīng)
• 單智能體決策，安全第一
• 狀態(tài)跟蹤和跨越順序交互
• 自我糾正和錯誤恢復(fù)

LAMs的頂級示例：

• AutoGPT：一個用于任務(wù)執(zhí)行的實驗性自主 GPT-4。
• 帶工具的 Claude Opus：通過函數(shù)調(diào)用實現(xiàn)復(fù)雜任務(wù)的高級自主性。
• LangChain Agents：用于創(chuàng)建面向動作的 AI 系統(tǒng)的框架。
• BabyAGI：自主任務(wù)管理和執(zhí)行的演示。

LAMs的用例：

想象要求一個 AI “研究本地承包商，匯編他們的評分，并為我們的廚房改造項目安排與前三名的面試”。LAMs 可以執(zhí)行這種需要理解與行動相結(jié)合的多步驟復(fù)雜任務(wù)。

4.MoEs：專家混合模型(Mixture of Experts)

考慮一組專家而不是一個單一的通才，這就是MoE設(shè)計所暗示的。這些模型由多個專家神經(jīng)網(wǎng)絡(luò)組成，每個網(wǎng)絡(luò)都經(jīng)過訓(xùn)練以處理特定的任務(wù)或知識領(lǐng)域。

MoE的架構(gòu)：

MoE 實現(xiàn)條件計算（Conditional Computation），使得不同的輸入激活不同的專門子網(wǎng)絡(luò)：

• 門控網(wǎng)絡(luò)(Gating Network)：將輸入發(fā)送到適當(dāng)?shù)膶＜易泳W(wǎng)絡(luò)，決定模型內(nèi)的哪些“記憶”應(yīng)處理每個詞元或序列。
• 專家網(wǎng)絡(luò)(Expert Networks)：多路、專門的神經(jīng)子網(wǎng)絡(luò)（專家），通常是嵌入變換器塊中的前饋網(wǎng)絡(luò)。
• 稀疏激活(Sparse Activation)：每個輸入只激活一小部分參數(shù)。這是通過 top-k 路由（top-k routing）實現(xiàn)的，其中只允許得分最高的前k個專家處理每個詞元。

現(xiàn)代實現(xiàn)用變換器中的 MoE 層替代標(biāo)準(zhǔn)的 FFN（前饋網(wǎng)絡(luò)）層，保持注意力機制為密集的。訓(xùn)練涉及負(fù)載平衡（Load Balancing）、損失和專家丟棄（Expert Dropout）等技術(shù)，以避免病態(tài)路由模式。

MoE的關(guān)鍵特性：

• 高效擴展到巨大參數(shù)數(shù)量，而無需按比例增加計算量
• 實時將輸入路由到專門網(wǎng)絡(luò)
• 由于條件計算，參數(shù)效率更高
• 在專門的領(lǐng)域-任務(wù)上表現(xiàn)更好
• 對于新穎輸入具有優(yōu)雅降級（Graceful degradation）能力
• 更擅長多領(lǐng)域知識
• 訓(xùn)練時減少災(zāi)難性遺忘（Catastrophic Forgetting）
• 領(lǐng)域平衡的計算資源

MoE的頂級示例：

• Mixtral AI：一個采用稀疏專家混合架構(gòu)的開源模型。
• Switch Transformer(Google)：最早的 MoE 架構(gòu)之一。
• GLaM(Google)：谷歌在 MoE 架構(gòu)上構(gòu)建的擁有1.2萬億參數(shù)的語言模型。
• Gemini Ultra(Google)：采用基于 MoE 的方法來提升性能。

MoE的用例：

考慮一個需要 AI 系統(tǒng)能夠處理和管理從客戶服務(wù)到技術(shù)文檔再到創(chuàng)意營銷等一切事務(wù)的企業(yè)。MoE 模型最擅長這種靈活性，因為它們使得不同的“專家”能夠根據(jù)所執(zhí)行的工作被激活。

5.VLMs：視覺語言模型(Vision Language Models)

用最簡單的話說，VLMs 是視覺與語言之間的橋梁。VLM 具有理解圖像并使用自然語言傳達(dá)相關(guān)信息的能力，本質(zhì)上賦予 AI 系統(tǒng)“看見”并“討論”所見內(nèi)容的能力。

VLMs的架構(gòu)：

VLMs 通常為視覺和語言流實現(xiàn)雙流架構(gòu)：

• 視覺編碼器(Visual Encoder)：通常是視覺變換器（Vision Transformer, ViT）或卷積神經(jīng)網(wǎng)絡(luò)（CNN），將圖像分割成小塊（Patches）并進(jìn)行嵌入（Embedding）。
• 語言編碼器-解碼器(Language Encoder-Decoder)：通常是基于變換器的語言模型，接收文本輸入并輸出文本。
• 跨模態(tài)融合機制(Cross-Modal Fusion Mechanism)：此機制通過以下方式連接視覺和語言流：

A.早期融合(Early Fusion)：將視覺特征投影到語言嵌入空間。

B.晚期融合(Late Fusion)：分別處理，然后在更深層通過注意力連接。

C.交錯融合(Interleaved Fusion)：在整個網(wǎng)絡(luò)中設(shè)置多個交互點。

D.聯(lián)合嵌入空間(Joint Embedding Space)：一個統(tǒng)一的表示空間，視覺概念和文本概念被映射到可比較的向量。

預(yù)訓(xùn)練通常采用多目標(biāo)訓(xùn)練機制，包括圖像-文本對比學(xué)習(xí)、帶視覺上下文的掩碼語言建模、視覺問答和圖像描述生成。這種方法培養(yǎng)了能夠在多種模態(tài)之間進(jìn)行靈活推理的模型。

VLMs的關(guān)鍵特性：

• 解析和整合視覺與文本信息
• 圖像理解和細(xì)粒度描述能力
• 視覺問答和推理
• 場景解讀，包括物體和關(guān)系識別
• 關(guān)聯(lián)視覺和文本概念的跨模態(tài)推理
• 基于視覺輸入的文本生成
• 關(guān)于圖像內(nèi)容的空間推理
• 理解視覺隱喻和文化參照

VLMs的頂級示例：

• GPT-4(OpenAI)：支持視覺功能的 GPT-4 版本，可以分析和討論圖像。
• Claude 3 Sonnet/Haiku(Anthropic)：具有強大視覺推理能力的模型。
• Gemini Pro Vision(Google)：在文本和圖像方面具有先進(jìn)的多模態(tài)能力。
• DALLE-3 & Midjourney：雖然主要以圖像生成聞名，但也包含了視覺理解組件。

VLMs的用例：

想象一位皮膚科醫(yī)生上傳一張皮膚狀況的圖像，AI 立即提供帶有推理的潛在診斷。或者一位游客將手機對準(zhǔn)一個地標(biāo)，即時獲取其歷史意義和建筑細(xì)節(jié)。

6.SLMs：小型語言模型(Small Language Models)

人們將注意力給予越來越大的模型，但我們通常忘記了小型語言模型(SLMs) 涵蓋了一個同樣重要的趨勢：設(shè)計用于在無法訪問云端的個人設(shè)備上高效工作的 AI 系統(tǒng)。

SLMs的架構(gòu)：

SLMs 開發(fā)了針對計算效率優(yōu)化的專門技術(shù)：

• 高效注意力機制(Efficient Attention Mechanisms)：替代標(biāo)準(zhǔn)自注意力的系統(tǒng)（標(biāo)準(zhǔn)自注意力復(fù)雜度為平方級 O(n2)），包括：

A.線性注意力(Linear attention)：通過核近似將復(fù)雜度降低到 O(n)。

B.局部注意力(Local attention)：僅在局部窗口內(nèi)進(jìn)行注意力計算，而不是在整個序列上。

• 狀態(tài)空間模型(State Space Models)：另一種具有線性復(fù)雜度的序列建模方法。
• 參數(shù)高效變換器(Parameter Efficient Transformers)：減少參數(shù)數(shù)量的技術(shù)包括：

A.低秩分解(Low-Rank Factorization)：將權(quán)重矩陣分解為較小矩陣的乘積。

B.參數(shù)共享(Parameter Sharing)：跨層重用權(quán)重。

C.深度可分離卷積(Depth-wise Separable Convolutions)：用更高效的層替換密集層（dense layers）。

• 量化技術(shù)(Quantization Techniques)：降低權(quán)重和激活值的數(shù)值精度，通過訓(xùn)練后量化、量化感知訓(xùn)練或混合精度方法實現(xiàn)。
• 知識蒸餾(Knowledge Distillation)：通過基于響應(yīng)的、基于特征的或基于關(guān)系的蒸餾模型，轉(zhuǎn)移封裝在大型模型中的知識。

所有這些創(chuàng)新使得一個 1-100 億參數(shù)的模型能夠在消費級設(shè)備上運行，其性能接近更大的云端托管模型。

SLMs的關(guān)鍵特性：

• 執(zhí)行完全在應(yīng)用程序內(nèi)進(jìn)行，無需云端依賴或連接
• 增強數(shù)據(jù)隱私，因為數(shù)據(jù)永遠(yuǎn)不會從設(shè)備卸載
• 由于沒有網(wǎng)絡(luò)往返，能夠提供非?？焖俚捻憫?yīng)
• 節(jié)能且對電池友好
• 完全離線操作，無需檢查遠(yuǎn)程服務(wù)器，對于高度安全或遠(yuǎn)程環(huán)境特別有用
• 更便宜，無 API 使用費
• 可針對特定設(shè)備或應(yīng)用進(jìn)行升級
• 針對特定領(lǐng)域或任務(wù)進(jìn)行針對性優(yōu)化

SLMs的頂級示例：

• Phi-3 Mini(Microsoft)：一個 38 億參數(shù)的模型，在其規(guī)模上表現(xiàn)非常出色。
• Gemma(Google)：一個旨在進(jìn)行設(shè)備端部署的輕量級開源模型系列。
• Llama 3 8B(Meta)：Meta 的 Llama 家族中更小的變體，旨在高效部署。
• MobileBERT(Google)：專為移動設(shè)備定制，同時仍保持類似 BERT 的性能。

SLMs的用例：

SLMs 可以真正幫助那些幾乎沒有任何連接但需要可靠 AI 支持的人。注重隱私的客戶可以選擇將不必要的私人數(shù)據(jù)保留在本地。打算在資源可能受限的環(huán)境中為應(yīng)用程序提供強大 AI 功能的開發(fā)者可以隨時利用它。

7、MLMs：掩碼語言模型(Masked Language Models)

掩碼語言模型采用一種不同尋常的語言理解方式：它們通過完成填空練習(xí)來學(xué)習(xí)，在訓(xùn)練過程中隨機“掩碼”掉一些詞，使得模型必須從周圍的上下文中找出那個缺失的詞元。

MLMs的架構(gòu)：

MLM 通過雙向架構(gòu)以實現(xiàn)整體上下文理解：

• 僅編碼器變換器(Encoder-only Transformer)：與嚴(yán)格從左到右處理文本的基于解碼器（decoder-based）的模型不同，MLMs 通過編碼器塊（encoder blocks）雙向關(guān)注整個上下文。
• 掩碼自注意力機制(Masked Self-Attention Mechanism)：每個詞元都可以通過縮放點積注意力（scaled dot-product attention）關(guān)注序列中的所有其他詞元，無需應(yīng)用任何因果掩碼（causal mask）。
• 詞元嵌入、位置嵌入和段落嵌入(Token, Position, and Segment Embeddings)：這些嵌入組合形成包含內(nèi)容和結(jié)構(gòu)信息的輸入表示。

預(yù)訓(xùn)練目標(biāo)通常包括：

• 掩碼語言建模(Masked Language Modelling)：隨機詞元被替換為[MASK]詞元，然后模型根據(jù)雙向上下文預(yù)測原始詞元。
• 下一句預(yù)測(Next Sentence Prediction)：判斷兩個段落是否在原始文本中相互跟隨，不過像 RoBERTa 這樣的更新變體移除了此目標(biāo)。

這種架構(gòu)產(chǎn)生的是詞元的上下文相關(guān)表示，而不是下一個詞元預(yù)測?；诖?，MLMs 更傾向于用于理解任務(wù)而非生成任務(wù)。

MLMs的關(guān)鍵特性：

• 雙向建模利用更廣泛的上下文增強理解
• 更擅長語義分析和分類
• 強大的實體識別和關(guān)系抽取能力
• 使用更少樣本進(jìn)行表示學(xué)習(xí)
• 在結(jié)構(gòu)化抽取任務(wù)上達(dá)到最先進(jìn)水平
• 向下游任務(wù)的可遷移性強
• 處理一詞多義的上下文詞表示
• 易于針對專業(yè)領(lǐng)域進(jìn)行微調(diào)

MLMs的頂級示例：

• BERT(Google)：第一個帶來 NLP 范式轉(zhuǎn)變的雙向編碼器模型
• RoBERTa(Meta)：采用更好訓(xùn)練方法進(jìn)行魯棒優(yōu)化的 BERT
• DeBERTa(Microsoft)：具有解耦注意力的增強版 BERT
• ALBERT(Google)：采用參數(shù)高效技術(shù)的輕量級 BERT 平臺

MLMs的用例：

想象一位律師必須從數(shù)千份合同中提取某些條款。MLMs 非常擅長此類有針對性的信息提取，有足夠的上下文來識別相關(guān)部分，即使它們的描述方式截然不同。

8.SAMs：分割任意模型(Segment Anything Models)

分割任意模型(SAM) 是計算機視覺領(lǐng)域的一項專業(yè)技術(shù)，用于以近乎完美的精度從圖像中識別和分離對象。

SAM的架構(gòu)：

SAM 的架構(gòu)是多組件的，用于圖像分割：

• 圖像編碼器(Image encoder): 這是一個視覺變換器（Vision Transformer, ViT）主干網(wǎng)絡(luò)，對輸入圖像進(jìn)行編碼以產(chǎn)生密集的特征表示。SAM 使用 VIT-H 變體，包含 32 個變換器塊，每塊有 16 個注意力頭。
• 提示編碼器(Prompt Encoder): 處理各種類型的用戶輸入，例如：

A.點提示(Point Prompts): 帶有背景指示符的空間坐標(biāo)。

B.框提示(Box Prompts): 兩點坐標(biāo)。

C.文本提示(Text Prompts): 通過文本編碼器處理。

D.掩碼提示(Mask Prompts): 編碼為密集的空間特征。

• 掩碼解碼器(Mask Decoder): 一個結(jié)合圖像和提示嵌入以產(chǎn)生掩碼預(yù)測的變換器解碼器，由交叉注意力層（cross-attention layers）、自注意力層（self-attention layers）和一個 MLP 投影頭組成。

訓(xùn)練包括三個階段：在1100萬個掩碼上的監(jiān)督訓(xùn)練、模型蒸餾和針對特定提示的微調(diào)。這種訓(xùn)練可以實現(xiàn)對未見過的對象類別和領(lǐng)域的零樣本遷移，從而在其他分割任務(wù)中實現(xiàn)廣泛用途。

SAM的關(guān)鍵特性：

• 零樣本遷移到訓(xùn)練中從未見過的新對象和類別
• 靈活的提示類型，包括點、框和文本描述
• 在超高分辨率下實現(xiàn)像素級完美分割
• 對各類圖像具有領(lǐng)域無關(guān)的行為
• 多對象分割，了解對象之間的關(guān)系
• 通過提供多個正確分割來處理歧義
• 可作為組件集成到更大的下游視覺系統(tǒng)中

SAM的頂級示例：

• Segment Anything(Meta): Meta Research 的原始模型。
• MobileSAM: 為移動設(shè)備優(yōu)化的輕量級變體。
• HQ-SAM: 具有更好邊緣檢測的更高質(zhì)量變體。
• SAM-Med2D: 用于醫(yī)療成像的醫(yī)學(xué)適配版本。

SAM的用例：

照片編輯者可以使用 SAM 以手動需要數(shù)分鐘或數(shù)小時才能達(dá)到的精度即時將主體與背景分離。另一方面，醫(yī)生可以使用 SAM 的變體在診斷影像中勾畫解剖結(jié)構(gòu)。

你應(yīng)該選擇哪種模型？

模型的選擇完全取決于你的需求：

結(jié)論

專業(yè)AI模型代表了各項改進(jìn)之間的新成果。也就是說，機器能夠越來越像人類一樣理解、推理、創(chuàng)造和行動。然而，該領(lǐng)域最令人興奮的可能不是任何一種模型類型的承諾，而是當(dāng)這些類型開始融合時將會出現(xiàn)什么。這樣的系統(tǒng)將整合 LCMs 的概念理解能力、LAMs 的行動能力、MOEs 的高效選擇能力以及 VLMs 的視覺理解能力，所有這些似乎都可以通過 SLM 技術(shù)在本地設(shè)備上運行。

問題不在于這是否會改變我們的生活，而在于我們將如何利用這些技術(shù)來解決最大的挑戰(zhàn)。工具已經(jīng)在這里，可能性是無限的，未來取決于它們的應(yīng)用。

譯者介紹

涂承燁，51CTO社區(qū)編輯，具有15年以上的開發(fā)、項目管理、咨詢設(shè)計等經(jīng)驗，獲得信息系統(tǒng)項目管理師、信息系統(tǒng)監(jiān)理師、PMP，CSPM-2等認(rèn)證。

原文標(biāo)題：Top 8 Specialized AI Models，作者：Riya Bansal