新智元报道

编辑：润 好困

【新智元导读】根据消息人士曝料，微软调集了各组中的精英，组建了一支新的AI团队，专攻小模型，希望能够摆脱对于OpenAI的依赖。

凭借着和OpenAI的紧密合作，微软不仅一跃成为了大厂中模型能力最强的公司，而且股价也成功赶上了苹果，成为了世界上市值最高的公司之一。

但是，去年11月份OpenAI的闹剧也让微软明白，如果把自己最重要的技术押宝在一家初创公司上，最后翻车的风险也是相当大的。

毕竟在商业世界里，「我能用」和「是我的」是两个完全不同的概念。

达沃斯世界经济论坛上，微软⾸席执⾏官Nadella称，在⼩型⼈⼯智能模型⽅⾯，微软正在以⼀种 「掌控⾃⼰命运 」的⽅式取得突破。

纳德拉说「我们⾮常重视拥有最好的前沿模型，⽽如今最前沿的模型恰好是GPT-4。同时我们也拥有最好的小语言模型--Phi，从而拥有了最强的多样化的模型能力。」

而最近有外媒曝出，微软正在组建一支自己的LLM嫡系部队躬身入局，希望从「小模型」发力，让微软的肉身真正坐上「大模型之战」的主桌。

根据微软内部知情人士透露，微软组建了一个名为「GenAI」的团队，由公司副总裁Misha Bilenko领头，直接向公司CTO Scott汇报。

Bilenko曾经是「俄罗斯百度」Yandex的人工智能研究主管，过去两年里他一直在领导Azure团队，在微软内部部署OpenAI的系统。

这个「GenAI」团队的大部分成员，都是这两年一直在微软配合OpenAI团队落地的Azure工程师。

除了这些有工程经验的人员，微软还调配了最顶级的AI研究人员加入这个团队，包括Sébastien Bubeck带领的微软研究院的研究人员。

他们开发的Phi这种轻体量的模型，体积⼩到可以在移动设备上运⾏，但在某些任务上能够逼近GPT-4的性能。

Phi团队去年使⽤GPT-4⽣成了数百万条⾼质量的⽂本，并在这些数据上对Phi进⾏了训练，使其能够模仿体量更⼤的模型进行输出。

而除了微软，谷歌，Stability AI等公司，也都推出了自己的「小模型」，希望能获得低成本和移动设备上AI竞争的先发优势。

高质量数据是小模型的关键

微软在一个月前推出的Phi-2小模型，以不到3B的参数量，在很多测试集上跑到了Llama 2 70B的分数，着实把业界下了一跳。

Phi-2只有2.7B的参数，在各种基准上，性能超过了Mistral 7B和 Llama-2 13B的模型性能。

而且，与25倍体量的Llama-2-70B模型相比，它在多步推理任务（即编码和数学）上的性能还要更好。

此外，Phi-2与谷歌最近发布的Gemini Nano 2相比，性能也更好，尽管它的体量还稍小一些。

微软称他们使用1.4T个token进行训练（包括用于NLP和编码的合成数据集和Web数据集）。

而且训练Phi-2只使用了96块A100 GPU，耗时14天就完成了。

相比之下，Meta在去年中推出的Llama 2 70B，网友推算花了170万 GPU/小时来训练。

如果按96块A100来算，需要746天。

而且Phi-2是一个完全没有经过微调和RLHF的基础模型，与经过对齐的现有开源模型相比，Phi-2在毒性（toxicity）和偏见（bias）方面有更好的表现。——这得益于采用了量身定制的数据整理技术。

上图展示了根据ToxiGen中的13个人口统计学数据，计算出的安全性分数。

可以说，之所以微软要大力发展小模型，一个非常重要的原因是，他们找到了一条能够在保证模型能力不受太大影响，但能有效降低模型参数的办法。

大模型也要「降本增效」

微软不但在训小模型上很有「天赋」，而且做这件事本身也非常有价值的。

众所周知，在GPU一卡难求的今天，要训出能力超强的大模型，已经完全不是一个和投入有关的问题。

技术实力，算力限制等等都卡住了所有大厂的脖子。

而且即便获得了能力最前沿的大模型，要把它和现有业务结合起来，成功的赚到钱，也是一件很难的事情。

大模型居高不下的推理成本，让大公司们现在推出的AI工具基本上都是在「亏本赚吆喝」。

业界有一个非常有意思的比喻，用GPT-4来总结邮件就相当于开着兰博基尼送外卖。

所以也就不奇怪为什么有媒体曾经曝出，微软的GitHub Copilot每个用户平均每月要亏本20刀，因为大模型的推理成本实在太高了。

在代码生成和补全这种高频次调用模型的场景的下，厂商如果最终要靠服务赚钱，推理成本是必须要考虑的事情。

而模型越大，训练的成本也就越高，推理成本更是成十倍甚至百倍规模地上升。

如果生成式AI的浪潮最后要能转化成真正提高生产力的技术，让推进的厂商实实在在赚到钱是非常重要的。

所以，在尽量保证模型能力不变的前提下，尽可能的减少模型的规模，是在经济上找到出路的几乎唯一的方式。

而在这个方向上，微软已经走在了行业的最前端。

而且除了出于成本之外的考虑，数据隐私，在移动端部署等需求，也需要各大厂必须要有自己的「小模型」，才能满足各种产品和服务的AI化需求。

参考资料：

https://www.theinformation.com/articles/microsoft-forms-team-to-make-cheaper-generative-ai?rc=epv9gi