Hong Kong Data

所有这些信息量的计算资源。人工智能模型越大，训练、计算能力和能源的成本就越高——更不用说下游的维护成本了。例如，openai 的 chatgpt-4 的成本超过 1 亿美元。每个参数都会增加价格标签，该标签乘以每条输入数据，称为代币。这就是为什么即使是看似简单的任务，比如回答人工智能的一个简单问题——“德国的首都是哪里？”——也是资源密集且昂贵的。

简单来说，在很多情况下，具有数千万个参数的通用 llm 对于需要帮助完成特定任务的业务用户来说是过度的。

salesforce 执行总裁兼首席科学家 silvio savarese 表示：“参数数量只是决定 ai 部署能否很好地 泰國電話 解决现实世界问题的众多变量之一。”

（若要深入了解何时需要或不需要 llm 规模，请查看与 savarese 的问答）

此外，llm 需要大量高质量的数据集。获取和预处理这些数据集可能非常耗时且成本高昂。训练它们则需要付出更多努力和成本：你必须确保数据多样化，并且能够代表将影响的人群。设置和维护所需的基础设施（例如云计算和专用硬件）的成本也可能非常高。