Transformer大模型尺寸变化，正在重走CNN的老路!
看到大家都被LLaMA3.1吸引了注意力，贾扬清发出如此感慨。
拿大模型尺寸的发展，和CNN的发展作对比，就能发现一个明显的趋势和现象:
在ImageNet时代，研究人员和技术从业者见证了参数规模的快速增长，然后又开始转向更小、更高效的模型。
听起来，是不是和GPT哐哐往上卷模型参数，业界普遍认同Scaling Law，然后出现GPT-4o mini、苹果DCLM-7B、谷歌Gemma2B如出一辙?
贾扬清笑称，“这是前大模型时代的事儿，很多人可能都不咋记得了:）”。
而且，贾扬清不是唯一一个感知到这一点的人，AI大神卡帕西也这么觉得:
他甚至拍着胸脯打赌，表示我们一定能看到又好、又能可靠地思考的模型。
而且是参数规模很小很小的那种。
连马斯克都在卡帕西的评论区连连称是:
以上，大概可以称之为“大佬所见略同”。
展开说说
贾扬清的感慨，要从只在最强王座上短暂待了一天的LLaMA3.1说起。
那是首次实现“最强开源模型=最强模型”，不出意外，万众瞩目。
However，贾扬清在这个时候提出了一个观点:
“但我认为，行业会因小型垂直模型而真正蓬勃发展。”
至于啥是小型垂直模型，贾扬清也说得很清楚，比如以Patrouns AI的Iynx（该公司的幻觉检测模型，在幻觉任务上超过GPT-4o）为代表的那些很棒的中小模型。
贾扬清表示，就个人喜好而言，他本人是非常喜欢千亿参数模型的。
但现实情况里，他观察留意到，7B-70B参数规模之间的大模型，大家用起来更顺手:
它们更容易托管，不需要巨大的流量即可盈利;
只要提出明确的问题，就能得到质量还不错的输出——与和之前的一些看法相反。
与此同时，他听说OpenAI最新的、速度很快的模型也开始变得比“最先进的”大模型尺寸更小。
“如果我的理解是正确的，那么这绝对表明了行业趋势。”贾扬清直接表明了自己的观点，“即在现实世界中，使用适用的、具有成本效益、且仍然强大的模型。”
于是乎，贾扬清简单梳理了CNN的发展历程。
首先，是CNN的崛起时代。
以AlexNet（2012）为起点，开启了大约三年的模型规模增长时期。
2014年出现的VGGNet就是一个性能和规模都非常强大的模型。
其次，是缩小规模时期。
2015年，GoogleNet把模型大小从“GB”缩小到了“MB”级别，即缩小了100倍;但模型性能并没有因此骤减，反而保持了不错的性能。
遵循类似趋势的还有2015年面世的SqueezeNet模型等。
然后的一段时间，发展重点在追求平衡。
后续研究，如ResNet（2015）、ResNeXT(2016)等，都保持了一个适中的模型规模。
值得注意的是，模型规模的控制并没有带来计算量的减少——其实，大伙儿都愿意投入更多的计算资源，寻求一种“同等参数但更高效”的状态。
紧接着就是CNN在端侧起舞的一段时期。
举个例子，MobileNet是谷歌在2017年推出的一项有趣的工作。
有趣就有趣在它占用的资源超级少，但是性能却非常优异。
就在上周，还有人跟贾扬清提到:“Wow～我们现在还在用MobileNet，因为它可以在设备上运行，而且在出色的特征嵌入泛化（Feature Embedding Generality）。”
最后，贾扬清借用了来源于Ghimire等人的《A Survey on Efficient Convolutional Neural Networks and Hardware Acceleration》里的一张图:
并再一次发出自己的疑问:
大模型尺寸，会遵循与CNN时代相同的趋势来发展吗?
网友怎么看?
其实GPT-4o mini这样走在大模型发展道路上“不大反小”的例子不在少数。
当上述几位表达出这样的观点后，立马有人点头如捣蒜，还拿出了一些别的类似例子，证明他们看到了相同的趋势。
有人立马跟上:
还有网友表示，开发更大的模型，意味着能给后续几代更小、更垂直的模型的训练“上强度”。
这个迭代过程最终会产生所谓的“完美训练集”。
这样一来，较小的大模型在特定领域，能与现在参数巨大的大模型一样聪明，甚至更聪明。
一言以蔽之，模型必须先变大，然后才能变小。
大多数讨论此观点的人，还是对这个趋势比较认同，有人直言“这是一件好事，比‘我的模型比你的模型大’参数竞赛更实用和有用。”
但是，当然了!
翻遍网络评论区，也有人发出不同的声音。
比如下面这位朋友就在贾扬清推文底下留言:
面对这个问题，贾扬清倒也及时回复了。
他是这么说的:“没错!我说大模型尺寸可能在走CNN的老路，绝对不意味着号召大家停止训练更大的模型。”
他进一步解释道，这么说的本意是，随着技术（包括CNN和大模型）落地实践越来越广，大家已经开始越来越关注性价比更高的模型了。”
所以，或许更高效的小·大模型，能够重新定义AI的“智能”，挑战“越大越好”的假设。
你赞同这个观点不?
请在手机微信登录投票
你赞同Transformer大模型尺寸会按CNN时代趋势发展，“先大后小”吗?单选我赞成我反对我就看看
总结
### 文章总结**主题**：Transformer大模型尺寸的变化可能正在重走卷积神经网络（CNN）的老路，从大尺寸转向更小、更高效的模型。
**核心观点**：
- **对比CNN发展**：在ImageNet时代，CNN经历了参数规模快速增长后，又向更小、更高效模型转变的趋势。
- **当前Transformer趋势**：GPT模型参数不断增加，但最近出现了如GPT-4o mini等更小模型，业界开始反思模型“越大越好”的观点。
- **专家观点**：
- **贾扬清**：认为小型垂直模型将促进行业真正蓬勃发展。他提到7B-70B参数规模之间的大模型更易托管且成本低，同时实用性强。
- **AI大神卡帕西**：断言未来模型将更小、更可靠地思考。
- **业界趋势**：OpenAI等公司也开始研发更小、速度更快的模型。
**CNN发展历程回顾**：
- **崛起阶段**：以AlexNet为起点，模型规模快速增长。
- **缩小规模阶段**：GoogleNet、SqueezeNet等模型将模型大小大幅减小，性能仍保持良好。
- **追求平衡**：如ResNet、ResNeXT等模型维持适中规模。
- **端侧应用**：MobileNet等模型以其资源占用少、性能优异的特点在端设备上有广泛应用。
**网友与专家讨论**：
- 大多人认同这一趋势，认为更高效的小模型更符合实际需求，能重新定义AI的“智能”。
- 也有人提出异议，认为大型模型对训练未来的小型模型有重要作用。
- 贾扬清回应称，他的意思并非要停止训练大型模型，而是强调随着技术落地应用的广泛，性价比更高的模型将受到更多关注。
**投票话题**：你赞同Transformer大模型尺寸会按CNN时代趋势发展，“先大后小”吗？提供了“我赞成”、“我反对”、“我就看看”三个选项供读者选择。