Microsoft AI stawia na małe, specjalistyczne modele zamiast na ogólne modele graniczne

Microsoft AI zmienia swoje podejście do rozwoju sztucznej inteligencji, stawiając na efektywność tokenów i preferując małe, specjalistyczne modele zamiast dążenia do tworzenia uniwersalnych modeli granicznych. Jak podkreśla Mustafa Suleyman, dyrektor generalny Microsoft AI, branża musi znaleźć równowagę między najwyższą wydajnością a kosztami. Zamiast jednego wszechstronnego modelu, firma szkoli kompaktowe modele przeznaczone do pojedynczych zastosowań.

Specjalistyczne modele i ich wydajność

Najnowszy model Microsoftu w dziedzinie cyberbezpieczeństwa, MAI-Cyber-1-Flash, osiąga znaczące wyniki. Według Suleymana, przewyższa on model Mythos firmy Anthropic o 12 punktów procentowych w benchmarku CyberGym, jednocześnie generując o połowę niższe koszty. Należy jednak zaznaczyć, że osiągnięcie tych rezultatów wymaga systemu MDASH, który orkiestruje pracę kilku modeli i przekierowuje trudniejsze zadania do modeli rozumowania OpenAI. Microsoft informuje również, że model MAI-Image-2.5-Flash redukuje koszty procesorów graficznych (GPU) nawet o 84 procent w porównaniu z modelem GPT-Image-2.

Strategia wymiennych modeli i orkiestracja

Suleyman wyraża również chęć stworzenia wymiennych modeli, co ma zapobiec uzależnieniu Microsoftu od jednej rodziny modeli. Pozostaje jednak otwartą kwestią, czy małe modele MAI, częściowo zastępujące rozwiązania OpenAI, będą w stanie dorównać ich wydajności. Konkurencja w branży AI przenosi się z pojedynczych modeli na systemy orkiestracji, czyli oprogramowanie, które kieruje zadania i dostarcza kontekst. Orkiestratorzy przesyłają większość pracy do tańszych, wyspecjalizowanych modeli, rezerwując modele graniczne dla trudniejszych przypadków. Takie podejście zastosowała firma Anthropic w swoim modelu Claude Fable 5, a także Sakana, która zbudowała wokół niego model Fugu.

Implikacje dla przyszłości AI

Strategia Microsoftu, koncentrująca się na specjalistycznych i efektywnych kosztowo modelach, może zwiastować zmianę paradygmatu w rozwoju sztucznej inteligencji. Zamiast wyścigu o największy i najbardziej ogólny model, branża może zmierzać w kierunku bardziej modułowych i zoptymalizowanych rozwiązań, które lepiej odpowiadają na konkretne potrzeby biznesowe i technologiczne. Takie podejście może demokratyzować dostęp do zaawansowanych możliwości AI, czyniąc je bardziej dostępnymi i ekonomicznymi dla szerszego grona użytkowników i zastosowań.

Źródło: the-decoder.com