張瑞雄 台北商業大學前校長/叡揚資訊顧問
目前的人工智慧（AI）領域，速度與規模的競爭愈演愈烈，尤其是在生成式AI的應用上。但隨著AI技術的快速發展，這種不斷擴大的競爭是否真的符合人類的長期利益？
一些AI公司正競相提高生成式AI的推理速度，甚至已經達到了每秒超過2000個詞元（token）的水平。這種極端的速度被視為對未來數據密集型應用，如串流媒體和搜索結果生成等領域的關鍵，以減少系統回應的延遲。
這樣的競速現象帶來的疑問是，我們是否真的需要如此快速的AI反應？對於普通用戶來說，當前的生成式AI已經能夠在合理的時間內產生回應，過度追求速度是否反而會忽略AI模型的品質，並造成不必要的資源浪費？
除了速度競賽，AI領域還存在一種普遍的思維，即「規模即是力量」。AI研究者普遍認為增加模型參數和計算能力可以帶來更好的性能。所以大公司開始競相擴大AI模型的規模，從數百億到數千億參數不等，但這樣的擴張帶來了許多問題。
首先大型模型往往伴隨著巨大的資源需求，這不僅包括海量數據的採集，還涉及到大量的能耗。這使得AI模型的碳足跡顯著增加，對環境造成負擔。另大型模型的開發成本極高，這意味著只有少數具備資金和技術實力的公司才能參與其中，導致AI技術的集中化。這種情況限制了中小型企業的創新空間，並且讓AI的發展變得更加不透明，普通用戶無法得知這些模型是如何構建的，也無法確定數據的可靠性。
也有研究團隊嘗試打破這種「大即是好」的迷思，尋求更高效的解決方案。有些小的模型，僅使用一小部分的資源，卻能達到ChatGPT相當的性能，表示利用更精緻的數據收集與訓練方法，AI不必依賴龐大的數據集和超大的模型便能達到優秀的結果。
這種新趨勢強調了「小即是美」的理念，不僅在成本和能源消耗上更加節省，還可以提高透明度，使得更多企業能夠參與AI的開發與應用。這種方式不僅適用於特定的應用場景，還有助於解決目前大型模型中常見的倫理問題，如數據中的不良內容和隱私問題。
當前的AI競賽似乎更注重短期的商業利益，忽視了AI在實際應用中的倫理挑戰和長期影響。更快的生成速度和更大的模型規模並不一定能真正解決問題，反而可能會加劇數據濫用、能耗過高等問題。如果AI行業繼續追求這種單一的「更快、更大」路線，那麼整個技術的發展可能會失去平衡。
為了實現AI的永續發展，我們需要在速度、規模與應用之間尋找平衡。AI不應僅僅是一場資本和資源的較量，而應該考慮到其社會影響、倫理挑戰以及環境負擔。縮小模型規模並提高其透明度，將有助於實現更公平的技術創新，並降低對資源的過度依賴。
還有對於生成式AI的應用，我們應更多地關注其實際效能，而非一味追求速度與規模。對於普通用戶來說，穩定、可靠和具備良好隱私保護的AI才是最重要的。而在某些高度專業化的領域，特製化的小型模型可能比龐大的通用模型更加有效。
※以上言論不代表梅花媒體集團立場※
